CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.5. Thiết kế chương trình nghiên cứu chính thức
3.5.2. Đánh giá mô hình
3.5.2.1. Phân tích nhân tố khẳng định (CFA – Confirmatory Factor Analysis) a. Đánh giá mức độ phù hợp của mô hình
Trước khi một lý thuyết có thể được kiểm định, điều kiện quan trọng là cấu trúc phải đạt tính đơn hướng (Anderson và Gerbing, 1988). Tính đơn hướng có nghĩa là một tập hợp các biến đo lường (items hoặc indicators) chỉ đo lường một cấu trúc mà thôi. Không có hiện tượng tải trên nhiều cấu trúc khác nhau. Nói cách khác những tải chéo (nếu có) đều được giả định bằng 0.
Mô hình phù hợp với dữ liệu thị trường là điều kiện cần và đủ để đạt được tính đơn hướng, trừ trường hợp sai số của các biến quan sát có tương quan với nhau (Hair và cộng sự, 2010). Mô hình được xem là phù hợp với dữ liệu thị trường khi các chỉ số thỏa mãn các điều kiện sau:
Chi-square/df (Chi-square điều chỉnh theo bậc tự do) nhỏ hơn 3 (Hair và cộng sự, 2010). Trong một số nghiên cứu thực tế người ta phân biệt thành 2 trường hợp Chi-square/df nhỏ hơn 3 (với mẫu N ≤ 200) và Chi-square/df nhỏ hơn 5 (với mẫu N
≥ 200) (Kettinger và Lee,1995).
Chỉ số thích hợp so sánh (CFI – Comparative fit index) và chỉ số Turker – Lewis (TLI – Turker và Lewis index) lớn hơn 0,9. Chỉ số thích hợp tốt (GFI – Good of Fitness Index) có thể nhỏ hơn 0,9 cũng có thể chấp nhận được (Hair và cộng sự, 2010) và chỉ số RMSEA (Root Mean Square Error Approximation) nhỏ hơn 0,08 (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008).
Có bốn yếu tố quan trọng của cấu trúc giá trị của đo lường cần phải được xem xét: (1) Độ tin cậy, (2) Giá trị hội tụ, (3) Giá trị phân biệt, (4) Giá trị liên hệ lý thuyết (Peter, 1981; John và Reve, 1982).
(1) Độ tin cậy
Độ tin cậy nói lên tính nhất quán của đo lường (Kết quả tương đương sau nhiều lần lặp lại). Độ tin cậy được đo lường thông qua 3 chỉ số: Hệ số tin cậy tổng hợp (C), hệ số tổng phương sai trích (VC) và hệ số Cronbach’s alpha (đã trình bày ở mục 3.4.2.3).
𝜌𝑐 =(∑ 𝜆(∑𝑝𝑖=1𝜆𝑖)2
𝑝 𝑖
𝑖=1 )2+∑𝑝𝑖=1(1−𝜆𝑖2) ; 𝜌𝑣𝑐 =∑ 𝜆∑𝑝𝑖=1𝜆𝑖2
𝑖2 𝑝
𝑖=1 +∑𝑝𝑖=1(1−𝜆𝑖2)
Trong đó: I là trọng số chuẩn hóa của biến quan sát thứ i, (1-i2) là phương sai của sai số đo lường biến quan sát thứ i.
Tổng phương sai trích phản ánh biến thiên chung của các biến quan sát dùng để đo lường độ tin cậy. Phương sai trích lớn hơn 0,5 là đạt yêu cầu (Hair và cộng sự, 2010).
(2) Giá trị hội tụ
Nói lên mức độ hội tụ của thang đo, nghĩa là khi thực hiện đo lường khái niệm qua hai lần thì số đo hai lần đó phải có tương quan chặt chẽ với nhau. Thang đo đạt được giá trị hội tụ khi giá trị trọng số chuẩn hóa tối thiểu là 0,5 và có ý nghĩa thống kê (sig < 0,05) (Gerbing và Anderson, 1988).
(3) Giá trị phân biệt
Nói lên sự phân biệt giữa hai khái niệm đo lường. Giá trị phân biệt đạt được khi tương quan giữa 2 khái niệm khác biệt so với 1.
(4) Giá trị liên hệ lý thuyết
Đề cập đến mối quan hệ quan sát được giữa những cấu trúc và cung cấp bằng chứng cho thấy có mối quan hệ khái niệm giữa các biến được quan sát và những cấu trúc nền tảng của nó (Peter, 1981). Giá trị liên hệ lý thuyết được kiểm định cùng với mô hình lý thuyết, khi xem xét mối quan hệ của nó với các khái niệm khác trong mô hình (Anderson và Gerbing, 1988). Mô hình cấu trúc tuyến tính
(SEM) được sử dụng để kiểm định mô hình lý thuyết và kiểm định các giả thuyết nghiên cứu.
b. Cải thiện mức độ phù hợp của mô hình
Khi mô hình chưa phù hợp với dữ liệu thị trường, đánh giá về phần dư chuẩn hóa (SR - standardised residuals) và chỉ số điều chỉnh mô hình (MI - modification indexes) rất hữu ích để tránh các lỗi sai sót kỹ thuật và chỉnh sửa nó đúng cách (Joreskog và Sorbom, 1993). Phần dư chuẩn hóa bằng phần dư chia cho sai số chuẩn hóa (Hair và cộng sự, 2010), giá trị tuyệt đối của phần dư chuẩn hóa lớn hơn 4 chỉ ra sự sai lệch và làm tăng mối quan tâm (Hair và cộng sự, 2010). Nếu các biến có phần dư chuẩn hóa lớn so với các biến khác trong cùng một nhân tố, thì chúng có thể đại diện cho nhân tố khác (Steenkamp và van Trijp, 1991). Vì vậy, các biến cần được xem xét kỹ lưỡng, nếu cần thiết có thể xóa những biến đó khỏi mô hình (Grarver và Mentzer, 1999).
Một chỉ số khác thường được sử dụng để đánh giá sự thiếu chính xác của mô hình là chỉ số điều chỉnh mô hình (MI - modification index). MI đặc biệt hữu ích cho việc sửa đổi mô hình đo lường (Joreskog và Sorbom, 1993). Nếu giá trị MI cao, thì cần phải cải thiện sự phù hợp. Điều này có nghĩa là nhà nghiên cứu cần xem xét giá trị này để sửa đổi.
Như vậy, việc đánh giá phần dư chuẩn hóa và chỉ số điều chỉnh mô hình cần được xem xét cẩn thận dựa trên việc xem xét lý thuyết. Điều này là do việc điều chỉnh dựa trên dữ liệu mẫu, có thể dẫn đến phù hợp với những đặc điểm riêng có của mẫu và do đó, sự phù hợp sẽ giảm đáng kể khi mô hình được kiểm tra với mẫu dữ liệu khác (Crowley và Fan, 1997).
3.5.2.2. Mô hình cấu trúc tuyến tính (SEM – Structural Equation Modeling)
Mô hình cấu trúc tuyến tính là một phương pháp thống kê trong đó xem xét mối quan hệ đa biến (biến độc lập và phụ thuộc) tham gia vào việc phân tích (Hair và cộng sự, 2010). SEM kết hợp các mô hình đo lường (biến quan sát) và mô hình cấu trúc để kiểm tra mối quan hệ giữa cấu trúc tiềm ẩn (biến không quan sát được).
SEM được áp dụng theo hai giai đoạn tuần tự. Phân tích nhân tố khẳng định được
thực hiện đầu tiên để đánh giá tính hợp lệ của các mô hình đo lường và sau đó phân tích mô hình cấu trúc tuyến tính được thực hiện (Anderson và Gerbing, 1988).
(1) Các giả định của SEM
SEM giả định rằng dữ liệu đạt phân phối chuẩn. Phân phối chuẩn có thể được phát hiện bằng cách kiểm tra skewness và kurtosis của mỗi biến (Hair và cộng sự, 2010). Kline (2005) cho rằng nếu skewness lớn hơn 3 là "vô cùng sai lệch" và nếu kurtosis là lớn hơn 10 chứng tỏ có vấn đề. Nếu kurtosis là lớn hơn 20 điều này cho thấy một vấn đề nghiêm trọng của trạng thái phân phối chuẩn.
Một giả định quan trọng của SEM là không có đa cộng tuyến. Đa cộng tuyến có thể xảy ra khi các biến riêng biệt có tương quan rất cao và điều này cho thấy rằng nó thực sự đo lường các khái niệm tương tự (Kline, 2005). Đa cộng tuyến có thể được đánh giá bằng cách kiểm tra các ma trận tương quan và hệ số tương quan bình phương (R2).
Kích thước mẫu là quan trọng để phân tích SEM. Nếu các mô hình phức tạp, điều này có nghĩa là nhiều tham số hơn được ước tính. Do đó, trong trường hợp này mẫu cần được tăng lên để đạt được một kết quả ổn định.
(2) Đánh giá tính hợp lệ của mô hình
Trong SEM, một mô hình được xác định bằng cách đánh giá giá trị của nó.
Giá trị có liên quan với mức độ chính xác của mô hình nghiên cứu. Giá trị của mô hình được ước tính dựa trên giá trị thang đo, giá trị hội tụ, giá trị phân biệt và tính đơn hướng. Giá trị thang đo là yếu tố chung nhất của giá trị và là phạm vi mà các biến đo lường (hoặc chỉ số) phản ánh cấu trúc tiềm ẩn lý thuyết chính xác (Kline, 2005). Theo Hair và cộng sự (2010), về cơ bản CFA là một dạng của SEM, vì vậy các chỉ số sử dụng trong mô hình SEM được xem xét như trong kiểm định CFA (đã trình bày phần 3.5.2.1).