6. Kết cấu của luận văn:
2.3. Thiết kế nghiên cứu điều tra chính thức
2.3.1. Đối tượng, thời gian và địa điểm nghiên cứu
Đối tượng nghiên cứu chính của đề tài là người bệnh đến khám và điều trị tại Bệnh viện Phú Yên. Đề tài lựa chọn các bệnh nhân có tuổi đời từ 18 tuổi trở lên, có đủ năng lực để trả lời các câu hỏi điều tra.
Thời gian nghiên cứu tiến hành nghiên cứu (thu mẫu điều tra) diễn ra trong tháng 01/2011.
Địa điểm nghiên cứu diễn ra tại tất cả các khoa có cung ứng dịch vụ khám, chữa bệnh của Bệnh viện.
2.3.2. Xác định cỡ mẫu, quy cách chọn mẫu
Biến phụ thuộc duy nhất trong mô hình đề xuất là sự hài lòng của người bệnh, vì vậy đề tài lấy biến số này làm tiêu chí đầu tiên để xây dựng cơ mẫu. Số bệnh nhân được dự kiến điều tra được tính theo công thức:
2 2 2 / * * d Q P Z n = α Trong đó:
- n: Số người bệnh sẽ điều tra - 2
2 /
α
Z = 1,96 với độ tin cậy 95%
- P: Ước tính tỷ lệ bệnh nhân hài lòng với chất lượng chăm sóc sức khỏe là 50% - Q = 1 – P
- d: Sai số dự kiến 10%, d = 0,07 Như vậy, cỡ mẫu n là
196 07 , 0 5 , 0 * 5 , 0 * 96 , 1 2 2 = = n
Ngoài ra, đề tài cũng dùng một tiêu chí khác để xác định cỡ mẫu theo quy tắc kinh nghiệm là 5 mẫu/1 biến quan sát. Tổng số biến quan sát trong mô hình bao
gồm 36 mục hỏi, trong đó 31 mục hỏi cho thang đo SERVPERF và 5 mục hỏi cho sự hài lòng. Vì vậy, tối thiểu số lượng mẫu cần thu là 36 x 5 = 180 mẫu.
Thực tế, tổng số mẫu điều tra của đề tài này là 198 mẫu, vì vậy đáp ứng đầy đủ cả 2 tiêu chí trên.
2.3.3. Phương pháp chọn mẫu và thu thập thông tin
Đề tài thực hiện việc chọn mẫu ngẫu nhiên theo danh sách đăng ký nhập viện tại Bệnh viên Phú yên từ 01/01/2011 đến 20/01/2011. Do tính chất cấp thiết của người bệnh, đề tài này loại bỏ danh sách các bệnh nhân ở Khoa cấp cứu và Phụ sản. Mỗi ngày, tác giả căn cứ vào danh sách nhập viện hai ngày trước đó để lựa chọn ra 10 bệnh nhân đáp ứng tiểu chuẩn phỏng vấn, tức từ 18 tuổi trở lên. Tuy nhiên, trong trường hợp sau 2 ngày, bệnh nhân đã xuất viện thì họ bị loại khỏi mẫu nghiên cứu và người kế tiếp trong danh sách sẽ được lựa chọn để thay thế. Để đảm bảo tính đại diện của mẫu, tác giả căn cứ vào tổng số bệnh nhân trong danh sách đăng ký chia cho 10 để tạo ra bước nhảy trong chọn mẫu. Ví dụ, nếu danh sách đăng ký là 70, thì bước nhảy là 7. Như vậy, số bệnh nhân được phỏng vấn mỗi ngày trong thời gian điều tra là 10 người.
Việc phỏng vấn người bệnh được thực hiện trực tiếp bởi tác giả, có sự đồng ý và tạo thuận lợi của Bệnh viện Phú Yên bằng một bảng đề nghị phỏng vấn gởi đến cho bệnh nhân được chọn. Các bệnh nhân được chọn sẽ được phát một bộ câu hỏi điều tra và yêu cầu họ tự trả lời các mục hỏi. Sau mỗi cuộc phỏng vấn, tác giả thực hiện kiểm tra lại toàn bộ bảng câu hỏi và nếu thấy có sự thiếu sót hoặc không phù hợp của số liệu, tác giả sẽ hỏi lại những mục đó để bổ khuyết.
2.4. Các phương pháp phân tích dữ liệu
2.4.1. Phương pháp phân tích độ tin cậy của thang - Hệ số Cronbach’s Alpha
Những mục hỏi đo lường cùng một khái niệm tiềm ẩn thì phải có mối liên quan với những cái còn lại trong nhóm đó. Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với
nhau. Công thức của hệ số Cronbach α là: α = Nρ/[1 + ρ(N – 1)]
Trong đó ρ là hệ số tương quan trung bình giữa các mục hỏi. Ký tự Hy Lạp ρ
(đọc là prô) trong công thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra.
Vì hệ số Cronbach α chỉ là giới hạn dưới của độ tin cậy của thang đo (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007), và còn nhiều đại lượng đo lường độ tin cậy, độ giá trị của thang đo, nên ở giai đoạn khám phá khi xây dựng bảng câu hỏi, hệ số này nằm trong phạm vi từ 0,6 đến 0,8 là chấp nhận được[21].
2.4.2. Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) - EFA)
Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản. Về mặt tính toán, phân tích nhân tố hơi giống với phân tích hồi quy bội ở chỗ mỗi biến được biểu diễn như là một kết hợp tuyến tính của các nhân tố cơ bản. Lượng biến thiên của một biến được giải thích bởi những nhân tố chung trong phân tích được gọi là communality. Biến thiên chung của các biến được mô tả bằng một số ít các nhân tố chung (common factor) cộng với một nhân tố đặc trưng (unique factor) cho mỗi biến. Những nhân tố này không bộc lộ rõ ràng. Nếu các biến được chuẩn hóa thì mô hình nhân tố được thể hiện bằng phương trình:
Xi =A Fí1 1 + A Fí2 2 + A Fí3 3+ +... A Fím m +V Ui i
Trong đó:
Xi : biến thứ i chuẩn hóa
F : các nhân tố chung
Vi : hệ số hồi quy chuẩn hóa của nhân tố đặc trưng i đối với biến i
Ui : nhân tố đặc trưng của biến i m : số nhân tố chung
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fi =W Xí1 1 +W Xí2 2 +W Xí3 3+ +... W Xík k
trong đó:
Fi : ước lượng trị số của nhân tố thứ i
Wt: quyền số hay trọng số nhân tố (weight or factor score coefficient)
k : số biến
Chúng ta có thể chọn các quyền số hay trọng số nhân tố sao cho nhân tố thứ nhất giải thích được phần biến thiên nhiều nhất trong toàn bộ biến thiên. Sau đó ta chọn một tập hợp các quyền số thứ hai sao cho nhân tố thứ hai giải thích được phần lớn biến thiên còn lại, và không có tương quan với nhân tố thứ nhất. Nguyên tắc này được áp dụng như vậy để tiếp tục chọn các quyền số cho các nhân tố tiếp theo. Do vậy các nhân tố được ước lượng sao cho các quyền số của chúng, không giống như các giá trị của các biến gốc, là không có tương quan với nhau. Hơn nữa, nhân tố thứ nhất giải thích được nhiều nhất biến thiên của dữ liệu, nhân tố thứ hai giải thích được nhiều thứ nhì …
Phân tích nhân tố được sử dụng trong nhiều trường hợp.
- Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong các tập hợp biến. Ví dụ, có thể sử dụng một tập hợp các phát biểu về lối sống để đo lường tiểu sử tâm lý của người tiêu dùng. Sau đó, những phát biểu này được sử dụng trong phân tích nhân tố để nhận diện các yếu tố tâm lý cơ bản.
- Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quan với nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích đa biến tiếp theo sau. Chẳng hạn, như sau khi nhận diện các nhân tố thuộc về tâm lý thì ta có thể sử dụng chúng như những biến độc lập để giải thích những khác biệt giữa những người trung thành và những người không trung thành với nhãn hiệu sử dụng.
- Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sử dụng trong các phân tích đa biến kế tiếp.
2.4.3. Phương pháp mô hình hóa phương trình cấu trúc - Structural Equation Modelling (SEM) Modelling (SEM)
Mô hình phương trình cấu trúc (SEM) xem xét một loạt các các mối quan hệ phụ thuộc lẫn nhau một cách đồng thời. Phương pháp này đặc biệt hữu dụng khi một biến phụ thuộc trở thành một biến độc lập trong một quan hệ phụ thuộc tiếp theo. SEM bao gồm một họ các mô hình được biết đến với nhiều tên gọi khác nhau, như: “Phân tích cấu trúc phương sai”, “Phân tích biến mờ”, “Phân tích nhân tố xác định”, và thường nhất là “Phân tích quan hệ cấu trúc tuyến tính - LISREL”.
Giá trị của SEM xuất phát từ các lợi ích đạt được trong việc sử dụng đồng thời các mô hình đo lường và mô hình cấu trúc, mỗi mô hình giữ các vai trò khác nhau trong phân tích chung. Để đảm bảo cả mô hình đo lường và mô hình cấu trúc được xác định đúng, và các kết quả là có giá trị, việc phân tích với SEM thường tuân theo 7 bước được mô tả vắn tắt như sau:
Bước 1: Phát triển mô hình dựa trên cơ sở lý thuyết.
SEM dựa vào các quan hệ nhân quả, trong đó sự thay đổi của một biến xuất phát từ sự thay đổi của một biến số khác. Nói chung, có 4 tiêu chuẩn được thiết lập để xác lập một quan hệ nhân quả: (1) Tồn tại quan hệ đủ mạnh giữa 2 biến; (2) Có trình tự thời gian trước sau của nguyên nhân và kết quả; (3) Không tồn tại nguyên nhân hiện hữu nào khác; (4) Có cơ sở lý thuyết vững chắc của mối quan hệ. Trong thực tế rất khó để đáp ứng đầy đủ cả 4 tiêu chuẩn này. Tuy nhiên, nếu những điều
kiện đầu không được xác lập, nhưng có cơ sở lý thuyết vững chắc thì quan hệ nhân quả vẫn được xác định.
Bước 2: Xây dựng biểu đồ đường dẫn của các quan hệ nhân quả.
Biểu đồ đường dẫn là một công cụ để biểu diễn bằng hình ảnh các quan hệ nhân quả. Để xây dựng biểu đồ đường dẫn, trước tiên chúng ta phải xây dựng các cấu trúc khái niệm dựa vào cơ sở lý thuyết, và tìm các chỉ báo để đo lường chúng. Tiếp theo chúng ta sử dụng các hình mũi tên để thể hiện cho từng quan hệ cụ thể giữa hai cấu trúc khái niệm. Hình mũi tên một chiều chỉ quan hệ nhân quả trực tiếp từ một cấu trúc khái niệm đến một cấu trúc khái niệm khác. Hình mũi tên cong hai chiều chỉ mối quan hệ tương quan giữa các cấu trúc khái niệm. Và hình hai mũi tên ngược chiều nhau chỉ mối quan hệ tác động qua lại giữa hai cấu trúc khái niệm. Với ba dạng mũi tên này, tất cả các quan hệ trong các mô hình cấu trúc đều được minh hoạ.
Bước 3: Chuyển biểu đồ đường dẫn thành một tập hợp các mô hình đo lường và cấu trúc.
Sau khi phát triển mô hình lý thuyết và minh hoạ bằng biểu đồ đường dẫn, tập hợp các quan hệ cấu trúc có thể được chuyển thành một tập hợp các phương trình mà xác định: (1) Các phương trình cấu trúc liên kết các khái niệm; (2) Mô hình đo lường xác định các biến số nào đo lường cho cấu trúc khái niệm nào; (3) Một tập ma trận chỉ ra bất cứ quan hệ nào được giả thuyết giữa các cấu trúc khái niệm và các biến. Mục đích chính ở bước này là liên kết các định nghĩa ứng dụng của các cấu trúc khái niệm với lý thuyết nhằm kiểm định sự phù hợp về mặt định lượng.
Mô hình cấu trúc: η = Bη + Гξ + ς Trong đó:
η = (η1 η2 η3… ηm): Là véc tơ các cấu trúc khái niệm nội sinh (biến phụ thuộc), không quan sát được.
không quan sát được.
ς = (ς1 ς2 ς3 … ςm) : Là véc tơ sai số ngẫu nhiên.
B (m x n) và Г(m x n) : Là các ma trận hệ số. B thể hiện tác động nhân quả trực tiếp của một cấu trúc khái niệm nội sinh lên một cấu trúc khái niệm nội sinh khác. Г thể hiện tác động nhân quả trực tiếp của một cấu trúc khái niệm ngoại sinh lên một cấu trúc khái niệm nội sinh.
Mô hình đo lường:
Cho cấu trúc khái niệm ngoại sinh: x = Λx ξ + δ, với x = (x1 x2 x3… xq) là quan sát được.
Cho cấu trúc khái niệm nội sinh: y = Λy η + ε, với y = (y1 y2 y3… yp) là quan sát được.
Trong đó: δ và ε là các véc tơ của sai số đo lường của x và y. Λx (q x n),và Λy (p x m) là các ma trận hồi quy của x lên ξ và y lên η.
Bước 4: Chọn lựa ma trận đầu vào và ước lượng mô hình đề xuất.
SEM sử dụng ma trận tương quan hoặc ma trận hiệp phương sai của các biến quan sát làm dữ liệu đầu vào. Việc sử dụng ma trận nào làm dữ liệu đầu vào còn tùy thuộc vào mục đích nghiên cứu, sự khác biệt giữa chúng là việc giải thích kết quả đầu ra. Sử dụng ma trận hiệp phương sai cho phép chúng ta so sánh các tổng thể hoặc các mẫu khác nhau, tuy nhiên sẽ rất khó khăn trong việc giải thích các hệ số do các đơn vị đo lường các biến khác nhau. Ma trận hệ số tương quan được sử dụng rộng rãi hơn do có thể so sánh trực tiếp các hệ số trong một mô hình, nhờ các biến đã được chuẩn hóa. Khi chúng ta muốn hiểu đặc điểm quan hệ giữa các cấu trúc khái niệm thì sử dụng ma trận hệ số tương quan làm đầu vào của SEM là phù hợp hơn.
Bước 5: Đánh giá định dạng của mô hình cấu trúc.
Vấn đề lỗi định dạng xảy ra khi các kết quả ước lượng là không lô gíc hoặc không duy nhất. Yêu cầu của việc định dạng là số phương trình phải lớn hơn số
tham số được ước lượng. Sự chênh lệch này thể hiện ra là số bậc tự do, mà là sai lệch giữa số hệ số tương quan hay số hiệp phương sai của ma trận đầu vào và số hệ số ước lượng trong mô hình (df = 1/2 [(p +q) (p + q +1) – t], với t là số tham số ước lượng trong mô hình). Mặc dù không có một quy tắc nhất quán để thiết lập việc định dạng đúng một mô hình, nhưng các nhà nghiên cứu có một số “quy tắc kinh nghiệm”. Hai quy tắc cơ bản nhất là các điều kiện về hạng và điều kiện thứ bậc. Điều kiện thứ bậc đòi hỏi bậc tự do phải lớn hơn hoặc bằng 0. Nếu bậc tự do bằng 0, mô hình định dạng đúng, lời giải là duy nhất, hoàn hảo nhưng không có tính khái quát hóa. Mục đích của SEM phải là một mô hình vô định hay bậc tự do phải lớn hơn 0. Một mô hình được chấp nhận và có số bậc tự do lớn nhất có thể được luôn là mong muốn của những nhà nghiên cứu. Điều kiện thứ bậc chỉ là điều kiện cần, chưa phải điều kiện đủ đối với việc định dạng mô hình. Một mô hình cần phải đáp ứng được điều kiện hạng mà yêu cầu rằng các ước lượng phải là duy nhất. Điều kiện hạng là điều kiện đủ, và để xác định điều kiện hạng là một vấn đề rất phức tạp, do đó thông thường người ta sử dụng một “quy tắc kinh nghiệm” như sau: Trước tiên là quy tắc ba đo lường mà khẳng định rằng bất cứ một cấu trúc khái niệm nào được đo lường bởi ít nhất ba chỉ báo đều định dạng được, và tiếp theo bất cứ một mô hình nào không chứa quan hệ tác động qua lại có các cấu trúc khái niệm được đo lường bởi ít nhất từ ba chỉ báo trở lên đều định dạng được.
Bước 6: Đánh giá các tiêu chuẩn độ phù hợp của mô hình và các cấu trúc.
Bước trước tiên trong việc đánh giá các kết quả là kiểm tra đối với “các ước lượng phi lý”. Khi mô hình được thiết lập với các ước lượng có thể chấp nhận, thì