CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3 Phương pháp phân tích dữ liệu
Thống kê mô tả là một phương pháp được các nhà nghiên cứu sử dụng rộng rãi trong việc hiểu rõ các mẫu nghiên cứu và là thước đo được sử dụng trong nghiên cứu. Thống kê mô tả được dùng nhằm mô tả đặc điểm của một nhóm các quan sát hoặc còn có thể được dùng để đưa ra kết luận và dùng dữ liệu từ một nhóm mẫu để khái quát về một nhóm hoặc dân số lớn hơn (Fisher & Marshall, 2009).
3.3.2 Kiểm định hệ số tin cậy Cronbach’s Alpha
Theo Nunnally và Bernstein (1994) , mức độ tin cậy được xác định nhằm thông qua việc xem xét mối tương quan giữa các biến ban đầu. Do vậy, hệ số Cronbach’s Alpha có thể được dùng để đánh giá độ tin cậy mà yếu tố có thể rút ra từ các biến.
Theo Nunnally (1978) và Peterson (1994), khi thực hiện kiểm định hệ số tin cậy Cronbach’s Alpha, 2 tham số cần quan tâm đến gồm:
43
(1) Hệ số Cronbach’s Alpha của tổng thể phải lớn hơn 0.6 (>0.6);
(2) Hệ số tương quan biến tổng (Corected Iterm – Total Correlation) phải lớn hơn 0.3 (>0.3).
Trường hợp biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 (<0.3), tiến hành loại biến ra khỏi mô hình và thực hiện chạy lại mô hình đã loại biến.
3.3.3 Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Phân tích nhân tố khám phá EFA là một trong những phương pháp phân tích đa biến, với mục đích rút gọn một tập hợp k các biến quan sát thành một tập F (với F< k) các nhân tố có ý nghĩa hơn. Theo Hair và cộng sự (2009), phân tích này giúp lọc các nhóm biến một cách hiệu quả, có ý nghĩa và vẫn đầy đủ từ tập biến ban đầu. Các tham số quan trọng khi thực hiện phân tích gồm:
Hệ số KMO (Kaiser – Meyer – Olkin Statistic): Tiêu chuẩn của hệ số đánh giá này nằm trong khoảng 0.5 < KMO < 1 thì dữ liệu được xem là phù hợp so với dữ liệu thực tế. Nếu hệ số KMO < 0.5, kết quả phân tích nhân tố không thể chấp nhận.
Kiểm định Barlett (Barlett’s test of Sphericity): Kiểm định này có ý nghĩa về mặt tương quan giữa các biến quan sát có trong nhân tố. Giá trị Sig. của kiểm định phải nhỏ hơn 0.05 (<0.05), mới cho thấy mức độ tương quan phù hợp giữa các biến quan sát trong tổng thể.
Chỉ số dừng nhân tố (Eigenvalues) : Đại diện cho sự biến thiên được giải thích bởi các nhân tố, tiêu chuẩn giá trị Eigenvalues phải lớn hơn 1 (>1) để nhân tố rút ra có ý nghĩa tốt nhất.
Tổng phương sai trích – Rotation sums of squared loading (Cumulative %) lớn hơn 50%.
Hệ số tải nhân tố (Factor loading): Theo Hair và cộng sự (2009) cho rằng nếu một mẫu bằng 100 thì hệ số tải nhân tố phải từ 0.55 trở lên, một mẫu có 50 thì hệ số tải phải đạt là 0.75 để có ý nghĩa và hệ số bằng 0.3 chỉ có ý nghĩa thống kê nếu kích thước mẫu từ 350 trở lên.
3.3.4 Phân tích nhân tố khẳng định – CFA (Confirmation Factor Analysis)
CFA là phương pháp kiểm định thống kê mức độ phù hợp của mô hình nghiên cứu với tình hình thực tế và kiểm định các giả thuyết theo đề xuất nhằm đo lường mức có ý nghĩa và có
44
thật sự phù hợp với đề tài nghiên cứu hay không. Để thực hiện CFA, dữ liệu cần có bảng ma trận xoay nhân tố Pattern Matrix của kiểm định EFA, sử dụng phần mềm IBM SPSS AMOS 20 để tiến hành kiểm định. Các tiêu chuẩn cần quan tâm đến phân tích nhân tố khẳng định CFA gồm:
(1) Độ phù hợp mô hình (Model Fit)
Theo Hair và cộng sự (2010), đã đưa ra các chỉ số để xem xét đánh giá độ phù hợp của mô hình như sau:
- Chi – square có giá trị P – value < 0.05 (tức 5%)
- Chi -Square điều chỉnh bậc tự do (CMIN/df) của CMIN≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận được
- Chỉ số thích hợp sánh CFI (Comparative Fit Index) biểu thị lượng phương sai đã được tính trong ma trận hiệp phương sai. Nó dao động từ 0,0 đến 1,0. Giá trị CFI cao hơn cho thấy mô hình phù hợp hơn. Tiêu chuẩn cơ bản của CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận.
- Chỉ số GFI (Goodness of Fit Index) là chỉ số dùng đo lường mức độ phù hợp tổng thể của mô hình, tiêu chuẩn GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt, GFI > 0.8 là chấp nhận.
- Chỉ số Tucker và Lewis (Tucker – Lewis Index) là chỉ số phù hợp không chuẩn hóa (NNFI) phần nào khắc phục được nhược điểm của NFI và cũng đề xuất một chỉ số phù hợp độc lập với cỡ mẫu (Bentler và Bonett 1980; Bentler 1990) TLI >0,90 được coi là chấp nhận được (Hu và Bentler 1999).
- RMSEA (Root Mean Square Error of Approximation) là chỉ số đo lường mức độ phù hợp của mô hình dựa trên giả thuyết nghiên cứu với các dữ liệu quan sát, giá trị của RMSEA ≤ 0.08 là tốt và RMSEA ≤ 0.03 là rất tốt.
(2) Đánh giá giá trị hội tụ
Theo Fornell & Lacker (1981), các tiêu chi để đánh giá giá trị hội tụ gồm:
45 - Hệ số Cronbach’s alpha > 0.7
- Các trọng số chuẩn hóa (CR) của thang đo > 0.5 (có mức ý nghĩa thông kê giá trị p < 0.05) - Phương sai trung bình AVE (Average variance extracted) > 0.5.
(3) Đánh giá giá trị phân biệt
Theo Fornell & Lacker (1981), các tiêu chi để đánh giá giá trị phân biệt:
- Hệ số căn bậc hai của AVE phải có giá trị lớn hơn hệ số tương quan giữa các khái niệm:
√𝐴𝑉𝐸 > inter – construct correlations (hệ số tương quan giữa các cặp biến).
- Chỉ số phương sai riêng lớn nhất MSV (Maximum shared variance) phải nhỏ hơn AVE (MSV < AVE) (Kline, 2016).
3.3.5 Phân tích mô hình cấu trúc tuyến tính – SEM (Structural Equation Modeling)
Nghiên cứu sử dụng mô hình cấu trúc tuyến tính SEM nhằm kiểm định mô hình và các giả thuyết nghiên cứu đã có trước đó. SEM cho phép nhà nghiên cứu khám phá những sai số đo lường và hợp nhất những khái niệm trừu tượng và khó phân biệt. Không chỉ liên kết lý thuyết với dữ liệu mà còn đối chiếu lý thuyết với dữ liệu (Fornell, 1982). Các tiêu chuẩn kiểm định mô hình cấu trúc tuyến tính SEM được xem là mô hình tương thích với dữ liệu thị trường nếu:
- Chi – square (CMIN) có giá trị p < 0.05
- Chi – square điều chỉnh bậc tự do (CMIN/df) ≤ 2, một số trường hợp khác có CMIN/df ≤ 3 (Ullman và Bentler, 2003)
- Các giá trị GFI, CFI, TLI ≥ 0.9 và được chấp nhận > 0.8 (Bentler & Bonett, 1980) - RMSEA ≤ 0.08 (MacCallum và cộng sự, 1996).