CHƯƠNG 2: THIẾT KẾ NGHIÊN CỨU
2.2. Phương pháp nghiên cứu
2.2.3. Phương pháp nghiên cứu định lượng
2.2.3.2. Nghiên cứu định lượng chính thức
Sau khi đánh giá mô hình đo lường dựa trên mẫu dữ liệu sơ bộ từ 50 doanh nghiệp. Kết quả cho thấy các chỉ báo và mô hình đo lường đảm bảo độ tin cậy. Trên
cơ sở đó, tác giả triển khai nghiên cứu chính thức trên diện rộng từ các doanh nghiệp có quy mô vừa và lớn tại Việt Nam. Nghiên cứu định lượng chính thức nhằm kiểm định sự ảnh hưởng trực tiếp và gián tiếp của các nhân tố KTQT truyền thống và KTQT đương đại đến các khía cạnh thành quả tài chính và phi tài chính trong mô hình nghiên cứu.
Phương pháp chọn mẫu: tác giả sử dụng phương pháp chọn mẫu phi xác
suất, cụ thể là chọn mẫu thuận tiện và ném tuyết với. Lý do là vì số lượng tổng thể quá lớn và việc tiếp cận các đối tượng khảo sát là hết sức khó khăn vì một số lý do như doanh nghiệp xem kế toán là thông tin mật, sự miễn cưỡng của các cá nhân trong việc chia sẻ thông tin với người khác (Asiaei và Jusoh, 2017), đặc biệt những thách thức này càng nghiêm trọng hơn trong bối cảnh ở Việt Nam. Saunders và cộng sự (2000) chỉ ra trong trường hợp không có danh sách tổng thể chính xác thì cần xác định mẫu dựa trên tình hình thực tế. Vì vậy, nghiên cứu không có khung
71 mẫu và việc khảo sát chủ yếu dựa vào quan hệ cá nhân của người nghiên cứu, điều này cũng là một hạn chế của đề tài.
Hình thức khảo sát và đối tượng khảo sát: tác giả là những doanh nghiệp có
quy mô vừa và lớn được phân loại theo Nghị định 39/2018/NĐ-CP nhằm đảm bảo rằng các doanh nghiệp đủ lớn để có thể áp dụng ít nhất một phần hành KTQT trong doanh nghiệp. Các doanh nghiệp trong mẫu nghiên cứu bao gồm các lĩnh vực thương mại, dịch vụ, sản xuất, và được thu thập từ cả ba khu vực Bắc, Trung và Nam tại Việt Nam nhằm mở rộng phạm vi khái quát hóa của nghiên cứu. Tổng thể mẫu nghiên cứu dựa trên dữ liệu từ Sách trắng doanh nghiệp (2022), theo đó trong năm 2020 tổng số lượng doanh nghiệp vừa và lớn đang hoạt động là 41.899 doanh nghiệp, trong đó số lượng doanh nghiệp vừa là 23.895 chiếm tỷ lệ 57%, và số lượng doanh nghiệp lớn là 18.004 chiếm tỷ lệ 43%.
Kích thước mẫu: các nghiên cứu mô phỏng cũng đã chỉ ra rằng PLS- SEM
vẫn có thể ước lượng hiệu quả khi kích thước mẫu nhỏ (Chin, 2009). Hair và cộng
sự (2016) khuyến nghị nên chọn công thức tính cỡ mẫu theo bảng sức mạnh dự báo của Cohen (1992) như Bảng 2.1. Theo như bảng đề xuất này, khi số lượng biến độc lập lớn nhất trong mô hình là 3 biến độc lập, nghiên cứu sẽ cần ít nhất 103 quan sát
để có thể đạt sức mạnh thống kê 80% nhằm phát hiện giá trị R2 tối thiểu là 0.1 với mức ý nghĩa là 5%.
Bảng 2.1. Cỡ mẫu đề nghị trong PLS-SEM với sức mạnh dự báo 80%
(Nguồn: Cohen, 1992)
72 Ngoài ra, Faul và cộng sự (2007) kiến nghị các nhà nghiên cứu có thể sử dụng các chương trình như G*Power để tiến hành phân tích công suất nhằm tính toán cỡ mẫu phù hợp. Các nhà nghiên cứu có thể xác định số lượng mẫu cần thiết cho PLS-SEM dựa trên sức mạnh thống kê được biểu thị bằng kích thước hiệu ứng (f2), số lượng yếu tố dự đoán và mức ý nghĩa (α). Đối với nghiên cứu kinh doanh, sức mạnh thống kê ít nhất là 0,80 ở mức α là 0,05 là chấp nhận được (Cohen, 1988). Nghiên cứu KTQT không cần thiết phải phát hiện các ảnh hưởng nhỏ ở cỡ mẫu cực lớn. Do đó, sẽ hợp lý khi phát hiện ảnh hưởng trung bình (f2= 0,15) ở cỡ mẫu phù hợp do vấn đề thời gian và chi phí để thu thập bản câu hỏi khảo sát trong nghiên cứu KTQT (Nitzl, 2016). Dựa trên cơ sở đó, tác giả tiến hành chạy chương trình G*Power 3.1.9.7 với sức mạnh thống kế là 95% và mức ý nghĩa α là 0,05, số lượng biến dự báo trong mô hình nghiên cứu là 3 biến. Như vậy, số lượng mẫu cần thiết của nghiên cứu này đã được tính toán bằng cách sử dụng chương trình G*Power 3.1.9.7 là 119 mẫu (xem Hình 2.3). Tác giả đặt mục tiêu sẽ tiến hành thu thập tối thiểu là 200 mẫu cho nghiên cứu.
Hình 2.3 Tính toán mẫu dựa trên chương trình G*Power 3.1.9.7
73
Xử lý dữ liệu nghiên cứu chính thức:
a. Kiểm định mô hình đo lường
Việc kiểm định mô hình đo lường thông qua phương pháp PLS-SEM cho phép đánh giá độ tin cậy và hiệu lực của các phép đo. Các mô hình đo lường được đánh giá dựa trên các giá trị là: độ tin cậy của chỉ báo, độ tin cậy nhất quán bên trong, độ giá trị hội tụ và độ giá trị phân biệt.
+ Độ tin cậy của chỉ báo (Indicator reliability): Theo Hair và cộng sự (2021) có thể kiểm tra độ tin cậy của biến quan sát (chỉ báo) bằng hệ số tải ngoài (outer loading) của các biến quan sát tương ứng với các cấu trúc đo lường. Hệ số tải ngoài
là hệ số tương quan giữa một biến quan sát và một biến tiềm ẩn. Giá trị của hệ số tải ngoài cho thấy độ mạnh của mối quan hệ giữa các biến quan sát và biến tiềm ẩn. Hệ
số tải ngoài càng cao cũng có nghĩa là biến quan sát sẽ cùng đo lường chung khái niệm, được gọi chung là độ tin cậy biến quan sát. Hair và cộng sự (2021) chỉ ra 3 trường hợp về hệ số tải ngoài có thể xảy ra như sau:
Hệ số tải ngoài nhỏ hơn 0.4 cần loại bỏ biến quan sát.
Hệ số tải ngoài của tất cả các biến quan sát ≥ 0.7 thì các biến quan sát đều được giữ lại.
Hệ số tải ngoài nằm trong khoảng từ 0,4 đến dưới 0,7 thì có thể loại bỏ mục hỏi khi việc loại bỏ này làm gia tăng độ tin cậy và độ giá trị hội tụ, và không làm ảnh hưởng đến giá trị về nội dung.
+ Độ tin cậy của tính nhất quán bên trong (Internal consistency reliability): nghiên cứu đánh giá độ tin cậy nhất quán bên trong thông qua kiểm định các giá trị Cronbach’s Alpha, độ tin cậy tổng hợp (CR) và hệ số tin cậy (rho_A). Các giá trị Cronbach’s Alpha, CR và rho_A cần lớn hơn 0.6 trong các nghiên cứu khám phá (Hair và cộng sự, 2021).
+ Độ giá trị hội tụ (Convergent validity): Độ giá trị hội tụ đề cập tới mức độ tương quan giữa các biến quan sát mà các biến này đo lường cho cùng một khái niệm. Để kiểm định giá trị hội tụ của thang đo, Hair và cộng sự (2021) cho rằng giá trị phương sai trích trung bình (AVE) phải lớn hơn hoặc bằng 0.5, cho thấy biến
74 tiềm ẩn sẽ giải thích nhiều hơn phân nửa phương sai các biến quan sát của nó, lúc này thang đo đạt tính hội tụ tốt. Ngoài ra, để đánh giá giá trị hội tụ của thang đo, hệ
số tải của mỗi biến quan sát nên lớn hơn hoặc bằng 0.7.
+ Độ giá trị phân biệt: Giá trị phân biệt có liên quan tới các khái niệm trong mô hình cấu trúc được đo lường bởi các biến tiềm ẩn, và các biến tiềm ẩn lại đo lường thông qua các biến quan sát (chỉ báo). Nếu một hoặc nhiều biến quan sát cùng đo lường cho hai biến tiềm ẩn trở lên, giá trị của các biến tiềm ẩn này có xu hướng dao động giống nhau. Vì vậy, cần xem xét liệu biến quan sát có đang đo lường cho cùng một khái niệm hay không. Henseler, Ringle và Sarstedt (2015) đề xuất kiểm định độ giá trị phân biệt của thang đo thông qua ma trận HTMT (heterotrait-monotrait test
of correlations) với lý do cho rằng độ giá trị phân biệt đánh giá theo Fornell Larcker
và hệ số tải chéo (Cross Loadings) có độ tin cậy thấp. Tương tự, Hair và cộng sự (2021) khuyên dùng ma trận HTTM vì cả tiêu chí Fornell Larcker và hệ số tải chéo
vì đều không đánh giá chính xác độ giá trị phân biệt của các cấu trúc nghiên cứu. Theo đó, giá trị HTTM được đề xuất là nhỏ hơn 0,9 sẽ đảm bảo giá trị phân biệt (Henseler và cộng sự, 2015). Trong khi một số nghiên cứu khác yêu cầu ngưỡng tiêu chuẩn nghiêm ngặt hơn với giá trị HTTM <0,85 (Kline, 2023).
b. Kiểm định mô hình cấu trúc
Sau khi các thang đo đã được kiểm định về sự đáng tin cậy và hợp lệ, bước tiếp theo nghiên cứu tiến hành kiểm định các kết quả của mô hình cấu trúc bằng cách kiểm tra mối quan hệ giữa các cấu trúc. Các tiêu chí cần lưu ý khi đánh giá kết quả ước lượng mô hình cấu trúc PLS-SEM theo Hair và cộng sự (2021) gồm các bước đánh giá sau:
+ Kiểm tra hiện tượng đa cộng tuyến: theo Hair và cộng sự (2021), hiện tượng
đa cộng tuyến được đánh giá thông qua chỉ số VIF Inner value. Nếu VIF < 3 cho thấy không có hiện tượng đa cộng tuyến trong mô hình. Nếu 3<VIF <5 cho thấy có một mối tương quan vừa phải, nhưng không nghiêm trọng. Nếu VIF > 5 thì mô hình xuất hiện hiện tượng đa cộng tuyến.
75 + Đánh giá sự phù hợp của mô hình: Henseler và cộng sự (2014) đề xuất một thước đo mức độ phù hợp của mô hình PLS-SEM là chỉ số SRME. Theo đó, SRMR được định nghĩa là sự khác biệt bình phương trung bình gốc giữa các mối tương quan được quan sát và các mối tương quan ngụ ý của mô hình và phải thấp hơn 0.08
là phù hợp (Hu và Bentler, 1999).
+ Đánh giá mức ý nghĩa và sự phù hợp thông qua hệ số đường dẫn (Path Coefficient): theo Nitzl (2016) đánh giá các hệ số đường dẫn là tiêu chuẩn rất quan trọng để xác định liệu các mối tương quan đã giả định có được chấp nhận hay không. Theo đó, hệ số đường dẫn có giá trị chuẩn hóa xấp xỉ từ –1 đến +1, dấu (+) đại diện cho các mối quan hệ thuận và dấu (-) đại diện cho mối quan hệ nghịch, các
hệ số ước lượng càng gần 0 thì các mối quan hệ càng yếu (Hair và cộng sự, 2021). Tuy nhiên, các nhà nghiên cứu không chỉ dựa nhiều vào mức độ thống kê mà còn cần phải quan tâm đến độ lớn tuyệt đối của quan hệ đường dẫn. Thậm chí khi một mối quan hệ là quan trọng, độ lớn của hệ số đường dẫn có thể quá nhỏ để thu hút sự chú ý của các nhà quản lý (Nitzl, 2016).
+ Đánh giá hiệu quả tác động thông qua hệ số f2: đây là hệ số đánh giá hiệu quả tác động của từng biến độc lập lên biến phụ thuộc nhằm xem xét mức độ tác độ quan trọng của biến độc lập đó với biến phụ thuộc (Hair và cộng sự, 2021). Theo
đó, bảng chỉ số f2 tại các mức 0.02, 0.15 và 0.35 tương ứng độ lớn của tác động:
f 2 < 0.02: không có tác động.
0.02 ≤ f 2 < 0.15: mức độ tác động yếu.
0.15 ≤ f 2 < 0.35: mức độ tác động trung bình.
f 2 ≥ 0.35: mức độ tác động lớn.
+ Đánh giá sự mạnh dự báo thông qua thủ tục PLSPredict: Để đánh giá sự mạnh
dự báo của mô hình, những nghiên cứu trước đây thường sử dụng giá trị Q2 được tính bằng thủ tục Blindfolding. Với giá trị Q2 lớn hơn 0 có nghĩa là mô hình có giá trị dự đoán tốt đối với một biến phụ thuộc. Tuy nhiên, theo Hair và cộng sự (2021) cho rằng hệ số Q2 không thực sự đánh giá khả năng dự đoán của mô hình. Do vậy, Hair và cộng sự (2021) đã trình bày một thủ tục dự đoán PLS predict. Theo đó, điều
76 kiện để mô hình có sức mạnh dự báo tốt thì tất cả chỉ báo của biến số phải có
Q2_predict > 0. Bên cạnh đó, sai số dự báo bởi PLS-RMSE nhỏ hơn sai số dự báo bởi LM-RMSE, khi so sánh hai chỉ số này có thể xảy ra những trường hợp sau:
Nếu tất cả chỉ báo đều có PLS-RMSE < LM-RMSE thì mô hình có sức mạnh dự báo tốt.
Nếu phần lớn chỉ báo có PLS-RMSE < LM-RMSE thì mô hình có sức mạnh dự báo trung bình.
Nếu một nửa hoặc một phần nhỏ số lượng chỉ báo có PLS-RMSE < LM-RMSE thì mô hình có sức mạnh dự báo thấp.
Nếu không có chỉ báo nào có PLS-RMSE < LM-RMSE thì mô hình không có sức mạnh dự báo.
Bên cạnh đó, khi đánh giá năng lực dự báo của mô hình bằng thủ tục PLSpredict thì không cần đánh giá hệ số q2 để kiểm tra hiệu quả dự báo của biến giải thích như khi sử dụng thủ tục Blindfolding, mà chỉ cần đánh giá R2 và f2 là được (Hair và cộng sự, 2021)
Kiểm định Bootstrap: Nghiên cứu dựa vào phân tích Bootstrap phi tham số
để kiểm tra ý nghĩa hệ số (Hair và cộng sự, 2016). Đây là thủ tục được sử dụng trong PLS-SEM với mẫu Bootstrap được tạo ra bằng cách vẽ một cách ngẫu nhiên các trường hợp có thể thay thế từ các mẫu ban đầu để cung cấp khoảng tin cậy cho tất cả các ước lượng tham số, xây dựng cơ sở để suy luận thống kê.