CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.2. Phương pháp phân tích dữ liệu
Dữ liệu điều tra định lượng sau khi thu thập sẽ được làm sạch và nhập theo các trường dữ liệu sau đó phân tích, xử lý với sự hỗ trợ của phần mềm SPSS 22.0. và AMOS 20. Thống kê mô tả được sử dụng để trình bày các chỉ số và điểm hài lòng của người bệnh.
3.2.1.1. Mô tả hoạt động của các bệnh viện trong nghiên cứu và các khía cạnh ảnh hưởng đến sự hài lòng của người bệnh
Các chỉ tiêu liên quan đến hoạt động của các bệnh viện (đặc điểm kỹ thuật, chỉ tiêu tài chính, chỉ tiêu về chuyên môn) được mô tả sử dụng giá trị trung bình và phân theo ba giai đoạn: Các bệnh viện Nhóm 1 và Nhóm 2 đều chưa thực hiện tự chủ (2015- 2017); Các bệnh viện Nhóm 1 đã thực hiện tự chủ và các Bệnh viện nhóm 2 chưa thực hiện tự chủ (2018-2019) và Các bệnh viện Nhóm 1 và Nhóm 2 đều thực hiện tự chủ (2020-2022). Sự thay đổi giữa các giai đoạn được tính toán sử dụng giá trị tuyệt đối và tương đối (phần trăm - %) nhằm thể hiện mức tăng/giảm của các chỉ tiêu nói trên.
Để mô tả các khía cạnh ảnh hưởng đển sự hài lòng của người bệnh, giá trị tỷ lệ
% được sử dụng theo 5 mức độ hài lòng sử dụng thang đo Likert từ “Rất không hài lòng”
đến “Rất hài lòng”. Các khía cạnh ảnh hưởng cụ thể được trình bày đồng thời theo phân loại bệnh viện (đã thực hiện tự chủ hay chưa) và thời điểm thu thập (tương ứng với thời điểm trước khi các bệnh viện nhóm 1 thực hiện tự chủ hay sau thời điểm này).
3.2.1.2. Phân tích nhân tố khẳng định (CFA - Confirmatory Factor Analysis) Phương pháp phân tích nhân tố khẳng định (CFA) là một trong những phương pháp phân tích thống kê được sử dụng trong nghiên cứu khoa học, đặc biệt là trong lĩnh vực khoa học xã hội và tâm lý học. Phương pháp CFA giúp kiểm tra mô hình giả thuyết
về cấu trúc dữ liệu. Phương pháp này tập trung vào việc xác định và đo lường mức độ tương quan giữa các biến tiềm ẩn (latent variables) và các biến đã thu thập được. Phương pháp CFA thường được sử dụng để xác minh tính hợp lệ và đáng tin cậy của các công cụ đo lường, như các câu hỏi trong bảng câu hỏi, các chỉ số trong bộ công cụ đánh giá...
Bằng cách đưa ra một mô hình giả thuyết về cấu trúc dữ liệu và kiểm tra xem liệu mô hình đó có phù hợp với dữ liệu thực tế hay không.
Trong nghiên cứu này, quá trình CFA bắt đầu bằng việc xác định các biến tiềm ẩn và xác định mối quan hệ giữa chúng dựa vào bộ câu hỏi phỏng vấn đã được thực hiện. Sau đó, các mô hình thống kê được tạo ra để kiểm tra sự phù hợp của mô hình giả thuyết với dữ liệu quan sát được. Kết quả của CFA cung cấp thông tin quan trọng về độ tin cậy của mô hình và mức độ tương quan giữa các biến tiềm ẩn, giúp rút ra kết luận về sự tương quan giữa các khái niệm và đặc tính mà nghiên cữu quan tâm.
Kết quả kiểm định bộ công cụ đánh giá hài lòng người bệnh: Từ năm (05) nhân tố (biến quan sát) trong bộ công cụ ban đầu đã hình thành nên ba (03) nhóm nhân tố mới (biến tiềm ẩn), gồm: Nhóm nhân tố 1: Thái độ ứng xử, năng lực chuyên môn của nhân viên y tế và Kết quả cung cấp dịch vụ (TD-DV); Nhóm nhân tố 2: Cơ sở vật chất và phương tiện phục vụ người bệnh (CSVC); Nhóm nhân tố 3: Khả năng tiếp cận và Sự minh bạch thông tin và thủ tục khám, chữa bệnh (KN-MB). Kiểm định cũng loại bỏ 03 chỉ báo thuộc phần đánh giá “Sự minh bạch thông tin và thủ tục khám, chữa bệnh”.
(Kết quả chi tiết phân tích nhân tố khẳng định CFA được trình bày tại Phụ lục 5).
3.2.1.3. Kiểm định sự khác biệt và đánh giá ảnh hưởng của tự chủ bệnh viện đến sự hài lòng của người bệnh đối với dịch vụ khám chữa bệnh
Nhằm xem xét sự khác biệt về mức độ hài lòng của người bệnh trong các phân nhóm đánh giá khác nhau, luận án sử dụng phương pháp kiểm định sau phân tích (post hoc tests) để kiểm tra và so sánh sự khác biệt giữa các nhóm. Cụ thể, kiểm định này được sử dụng khi thực hiện phân tích ANOVA (Analysis of Variance) nhằm mục đích xem xét giá trị trung bình của một biến trong mô hình liệu rằng có sự khác biệt đáng kể giữa đánh giá của người bệnh ở các nhóm bệnh viện hay các khoảng thời gian khác nhau hay không. Triển khai thực hiện, luận án sẽ so sánh từng cặp nhóm riêng biệt và xác định chúng có khác nhau thực sự (có ý nghĩa thống kê) hay không để đưa ra các nhận định khác biệt giữa các nhóm, các giai đoạn. Đây là bước đầu tiên nhằm xem xét cụ thể mức độ hài lòng của người bệnh theo từng nhóm yếu tố đã xác định ở trên khác nhau như thế nào.
Kết quả của kiểm định này cho biết mức độ hài lòng của người bệnh trong từng khía cạnh như “Khả năng tiếp cận, sự minh bạch thông tin và thủ tục khám, chữa bệnh”, “Cơ sở vật chất và phương tiện phục vụ người bệnh”, “Thái độ ứng xử, năng lực chuyên môn của nhân
viên y tế và Kết quả cung cấp dịch vụ” khác nhau như thế nào giữa nhóm bệnh viện đã tự chủ và chưa tự chủ, giữa thời điểm trước và sau khi thực hiện tự chủ.
Tuy nhiên, tác động của tự chủ lên mức độ hài lòng của người bệnh khó có thể là tác động một cách trực tiếp. Do vậy, để đánh giá ảnh hưởng của việc giao quyền tự chủ bệnh viện đến sự hài lòng của người bệnh, trong bối cảnh xét đến các tác động gián tiếp, luận án này cũng sử dụng mô hình cấu trúc tuyến tính (SEM - Structural Equation Modeling) nhằm kiểm tra mối quan hệ giữa các biến đo lường và các biến giải thích ẩn (latent variables). Mô hình SEM cho phép đo lường và mô hình hóa các mối quan hệ phức tạp giữa các biến, bao gồm cả mối quan hệ trực tiếp và gián tiếp. Điều này cho phép kiểm tra các giả thuyết, đồng thời giúp xác định mức độ phù hợp của dữ liệu với mô hình.
Bên cạnh mô hình SEM, để đánh giá ảnh hưởng của việc giao quyền tự chủ bệnh viện tới sự hài lòng của người bệnh, luận án sử dụng phương pháp khác biệt trong khác biệt (DID - Difference-in-Differences) thông qua việc thiết kế hai nhóm đối tượng nghiên cứu (Nhóm 1 – Các bệnh viện đã thực hiện tự chủ và Nhóm 2 – Các bệnh viện chưa thực hiện tự chủ) ở các mốc thời gian tương ứng với các thời điểm những bệnh viện Nhóm 1 đã thực hiện và chưa thực hiện tự chủ. Đây là phương pháp thống kê thường được sử dụng trong lĩnh vực kinh tế học và nghiên cứu xã hội để nghiên cứu tác động của các biến can thiệp lên các biến kết quả. Trong nghiên cứu này, DID được sử dụng để so sánh sự thay đổi trong biến kết quả (mức độ hài lòng của người bệnh) của nhóm can thiệp với sự thay đổi trong biến kết quả của nhóm kiểm soát ở các thời điểm tương ứng với trước và sau khi can thiệp được thực hiện. Phương pháp này giúp loại bỏ các yếu tố không ảnh hưởng liên quan đến can thiệp (như sự khác biệt ban đầu giữa nhóm can thiệp và nhóm kiểm soát) và tập trung vào tác động thực sự của can thiệp. Phương pháp DID có thể được sử dụng để đo lường tác động của tự chủ bệnh viện đối với mức độ hài lòng của người bệnh trong các nhóm can thiệp và nhóm kiểm soát. Phương pháp này được tích hợp cùng với SEM để nâng cao khả năng nghiên cứu và hiểu rõ hơn về các mối quan hệ trong dữ liệu.
3.2.1.4. Phương pháp xây dựng mô hình SEM
Để ước lượng mô hình nhằm đánh giá ảnh hưởng của tự chủ bệnh viện đến sự hài lòng của người bệnh đối với dịch vụ KCB của các bệnh viện, luận án sử dụng mô hình hồi quy cấu trúc tuyến tính (SEM) với các biến trong mô hình như sau:
• Biến phụ thuộc:
- g1i2: Mức độ hài lòng của người bệnh, được đo bằng % mức độ đáp ứng của bệnh viện so với mong đợi của người bệnh khi khám, chữa bệnh tại bệnh viện.
• Các biến độc lập sử dụng trong mô hình bao gồm:
-TD-DV: Thái độ ứng xử, năng lực chuyên môn của NVYT và Kết quả cung cấp dịch vụ.
- CSVC: Cơ sở vật chất và phương tiện phục vụ người bệnh.
- KN-MB: Khả năng tiếp cận và Sự minh bạch thông tin và thủ tục khám, chữa bệnh.
- NhomBVdaTC (Datuchu): biến thể hiện sự tự chủ của các BV, biến này nhận giá trị bằng 1 nếu người bệnh KCB ở nhóm bệnh viện đã tự chủ; nhận giá trị bằng 0 nếu người bệnh KCB ở nhóm chưa tự chủ.
- intervar1: biến tương tác giữa biến NhomBVdaTC và SauthoigianTC, biến số này nhận giá trị bằng 1 nếu người bệnh ở nhóm bệnh viện đã thực hiện tự chủ và được khảo sát sau thời điểm tự chủ, bằng 0 trong các trường hợp còn lại. Như vậy biến số này sẽ phản ảnh gần nhất tác động của việc tự chủ tài chính bệnh viện đến sự hài lòng của người bệnh. (Trong đó: SauthoigianTC là biến thể hiện thời gian tự chủ của các BV, nhận giá trị bằng 1 nếu người bệnh KCB được khảo sát sau thời điểm tự chủ, nhận giá trị bằng 0 nếu người bệnh KCB được khảo sát trước thời điểm tự chủ).
Nhằm mục đích đánh giá độ tin cậy của ước lượng từ mẫu nghiên cứu, luận án cũng sử dụng phương pháp lấy mẫu lặp lại Bootstrap có thay thế để so sánh. Phương pháp Bootstrap lựa chọn 500 mẫu khác theo cách thức lặp lại và có thay thế. Từ 500 mẫu này máy tính sẽ ước lượng ra 500 cặp hệ số ước lượng và tính trung bình của các ước lượng đó. Sai lệch giữa giá trị ước lượng từ mẫu ban đầu và giữa giá trị trung bình các ước lượng từ Bootstrap gọi là độ chệch. Trị tuyệt đối các độ chệch này càng nhỏ và càng không có ý nghĩa thống kê thì mô hình càng tốt.
3.2.1.5. Đánh giá sự phù hợp của mô hình
Trong phân tích CFA, các chỉ số được sử dụng để đánh giá chất lượng mô hình bao gồm RMSEA (Root Mean Square Error of Approximation), CFI (Comparative Fit Index), TLI (Tucker-Lewis Index) và SRMR (Standardized Root Mean Square Residual). Các chỉ số này giúp xác định mức độ phù hợp của mô hình với dữ liệu thu thập trong nghiên cứu và mô tả mức độ “phù hợp” của mô hình đề xuất.
Nghiên cứu xem xét mức độ phù hợp mô hình thông qua các chỉ số đo độ phù hợp của mô hình (Goodness of fit) được liệt kê dưới đây, kèm theo với ngưỡng giá trị chấp nhận. Độ phù hợp mô hình nghịch đảo với kích cỡ mẫu và số biến quan sát trong mô hình. Chi tiết về ngưỡng cụ thể của các chỉ số đo độ phù hợp của mô hình được tham khảo từ nghiên cứu của Hair và cộng sự (2010).
Bảng 3.5. Một số chỉ số sử dụng để đo độ phù hợp của mô hình
Chỉ số Ngưỡng chấp nhận
Chi-square/df (cmin/df) < 3: tốt, < 5: chấp nhận được
CFI > 0,9
GFI > 0,9
TLI > 0,9
RMSEA < 0,05
PCLOSE > 0,05
Nguồn: Hair và cộng sự (2010) 3.2.1.6. Cách thức cải thiện độ phù hợp của mô hình
Chỉ số MI (Modification indices): Khi thực hiện phân tích CFA, có thể mô hình ban đầu không đáp ứng đủ các tiêu chí đánh giá chất lượng mô hình như RMSEA, CFI, TLI và các chỉ số khác. Trong trường hợp này, chỉ số MI là một công cụ hữu ích giúp nghiên cứu cải tiến mô hình. Chỉ số MI trong mô hình CFA được sử dụng để xác định các điều chỉnh (modifications) tiềm năng để cải thiện mô hình. Chỉ số MI đo lường ảnh hưởng của việc thêm hoặc loại bỏ các đường nối giữa yếu tố ẩn và biến đo lường trong mô hình. Khi chỉ số MI có giá trị cao, điều đó cho thấy việc thay đổi mô hình bằng cách thêm một đường nối mới giữa các yếu tố ẩn và biến đo lường sẽ làm cải thiện mức độ “phù hợp” của mô hình với dữ liệu. Như vậy, chỉ số MI đưa ra các biện pháp khắc phục cho các sai lệch giữa mô hình được đề xuất và mô hình ước lượng (estimated model).
Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số được sử dụng để đánh giá tính phù hợp của dữ liệu cho phân tích nhân tố (Factor Analysis) và phân tích theo cấu phần chính (Principal Component Analysis). Đây là một công cụ quan trọng trong việc xác định xem liệu dữ liệu có phù hợp để thực hiện phân tích nhân tố hay không. Cụ thể, hệ số KMO đo lường mức độ phù hợp của dữ liệu cho phân tích nhân tố bằng cách kiểm tra tính đồng nhất và tương quan giữa các biến đo lường. Nó đánh giá mức độ mà các biến đo lường trong dữ liệu có thể được phân chia thành các yếu tố (factors). KMO có giá trị trong khoảng 0 đến 1. Nếu giá trị KMO thấp, có thể có một số vấn đề về tính đồng nhất hoặc tương quan giữa các biến đo lường và cần xem xét cải thiện dữ liệu hoặc loại bỏ một số biến trước khi thực hiện phân tích nhân tố. Nếu giá trị KMO cao, có thể tiếp tục thực hiện phân tích nhân tố và sử dụng các yếu tố ẩn để giải thích mối quan hệ giữa các biến đo lường. Cụ thể: Nếu KMO < 0.5 thì dữ liệu không phù hợp cho phân tích
nhân tố, không nên tiếp tục thực hiện phân tích; nếu giá trị KMO cao (gần 1) cho thấy dữ liệu có tính phù hợp tốt cho phân tích nhân tố.
Dựa vào những tiêu chí trên, nghiên cứu lựa chọn các biến phù hợp với điều kiện: Hệ số kiểm định KMO: 0,5≤ KMO ≤ 1; Kiểm định Bartlett (Bartlett’s Test) có ý nghĩa thống kê (sig ≤ 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể; Phương sai trích > 50%: Với các mô hình nghiên cứu thông thường trên mẫu điều tra nhỏ (<100) mới cần áp dụng tiêu chuẩn này ở mức 0,5; tuy nhiên, để kết quả điều tra mang tính thực tiễn, nghiên cứu vẫn sử dụng mức kiểm định chặt chẽ này.
Kết quả thực hiện cải thiện độ phù hợp của mô hình được trình bày tại Phụ lục 5.
3.2.2. Đối với dữ liệu định tính
Các cuộc phỏng vấn sâu sẽ được ghi chép hoặc ghi âm sau đó gỡ băng để phục vụ phân tích. Dữ liệu phỏng vấn định tính được phân tích bằng phương pháp phân tích theo chủ đề. Phần mềm NVivo 12 được sử dụng để hỗ trợ quản lý dữ liệu và tiến hành phân tích thông tin định tính theo các chủ đề đã được trình bày ở trên.