Dữ liệuđiềutra định lượng sau khi thu thập sẽ được làm sạch và nhập theo các trườngdữliệusauđóphântích,xửlývớisựhỗtrợcủaphầnmềmSPSS22.0.vàAMOS
20. Thốngkêmôtảđượcsửdụngđểtrìnhbàycácchỉsốvàđiểmhàilòngcủangườibệnh.
3.2.1.1. Môtảhoạtđộngcủacácbệnhviệntrongnghiêncứuvàcáckhíacạnh 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
%đượcsửdụngtheo5mứcđộhàilòngsửdụngthangđoLikerttừ“Rấtkhônghàilòng”
đến“Rấthàilòng”.Cáckhíacạnhảnhhưởngcụthểđượctrìnhbàyđồngthờitheophân
loạibệnhviện(đãthựchiệntựchủhaychưa)vàthờiđiểmthuthập(tươngứngvớithời điểm trước khi các bệnh viện nhóm 1 thực hiện tự chủ hay sau thời điểmnày).
3.2.1.2. Phân tích nhân tố khẳng định (CFA - Confirmatory FactorAnalysis) Phương pháp phân tích nhân tố khẳng định (CFA) là một trong những phương phápphântíchthốngkêđượcsửdụngtrongnghiêncứukhoahọc,đặcbiệtlàtronglĩnh
vựckhoahọcxãhộivàtâmlýhọc.PhươngphápCFAgiúpkiểmtramôhìnhgiảthuyết
về cấu trúc dữ liệu. Phương pháp này tập trung vào việc xác định và đo lường mức độ tươngquangiữacácbiếntiềmẩn(latentvariables)vàcácbiếnđãthuthậpđược.Phương pháp CFA thường được sử dụng để xác minh tính hợp lệ và đáng tin cậy của các công cụđolường,nhưcáccâuhỏitrongbảngcâuhỏi,cácchỉsốtrongbộcôngcụđánhgiá... 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 haykhông.
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.Sauđó,cácmôhìnhthốngkêđượctạorađểkiểmtrasựphùhợpcủamôhìnhgiả
thuyếtvớidữliệuquansátđược.Kếtquảcủa CFAcungcấpthôngtinquantrọngvềđộ tincậycủamôhìnhvàmứcđộtươngquangiữacácbiếntiềmẩn,giúprútrakếtluậnvề sự tương quan giữa các khái niệm và đặc tính mà nghiên cữu quantâm.
Kết quả kiểm định bộ công cụ đánh giá hài lòng người bệnh:Từ năm (05) nhân tố(biếnquansát)trongbộcôngcụbanđầuđãhìnhthànhnênba(03)nhómnhântốmới (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, chữabệnh”.
(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 đếnsự hài lòng của người bệnh đối với dịch vụ khám chữabệnh
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 đángkể giữađánhgiácủangườibệnhởcácnhómbệnhviệnhaycáckhoảngthờigiankhácnhau hay không.
Triển khai thực hiện, luận án sẽ so sánh từng cặp nhóm riêng biệt và xácđịnhchúngcókhácnhauthựcsự(cóýnghĩathốngkê)hay
khôngđểđưaracácnhậnđịnhkhácbiệtgiữacácnhóm,cácgiaiđoạn.Đâylàbướcđầutiênnhằmxe mxétcụthểmứcđộhài lòngcủa người bệnhtheotừngnhómyếutốđã xácđịnhởtrênkhác nhaunhư thếnào. Kếtquả của kiểm địnhnàychobiếtmức độ hàilòngcủa ngườibệnh trongtừngkhía cạnh như “Khảnăngtiếpcận, sựminh bạch thôngtin vàthủ tụckhám, chữa bệnh”,“Cơsởvậtchấtvàphươngtiệnphụcvụngườibệnh”,“Tháiđộứngxử,nănglựcchuyênmôn củanhân
viênytếvàKếtquảcungcấpdịchvụ”khácnhaunhưthếnàogiữanhómbệnhviệnđãtự chủ và chưa tự chủ, giữa thời điểm trước và sau khi thực hiện tựchủ.
Tuynhiên,tácđộngcủatựchủlênmứcđộhàilòngcủangườibệnhkhócóthểlà tác động một cách trực tiếp. Do vậy, để đánh giá ảnh hưởng của việc giao quyền tựchủ bệnh viện đến sự hàilòng
của ngườibệnh,trong bốicảnhxét đếncáctác độnggián
tiếp,luậnánnàycũngsửdụngmôhìnhcấutrúctuyếntính(SEM-
StructuralEquationModeling)nhằmkiểm tra mối quanhệgiữa cácbiếnđolườngvàcácbiến
giải thíchẩn(latent
variables).MôhìnhSEMchophépđolườngvàmôhìnhhóacácmốiquanhệphứctạpgiữacácbiến, baogồmcảmốiquanhệtrựctiếpvàgiántiếp.Điềunàychophépkiểmtracácgiả
thuyết,đồngthờigiúpxácđịnhmứcđộphùhợpcủadữliệuvớimôhình.
BêncạnhmôhìnhSEM,đểđánhgiáảnhhưởngcủaviệcgiaoquyềntựchủbệnh viện tới sự hài lòngcủa ngườibệnh, luậnánsửdụngphươngpháp khácbiệttrongkhácbiệt (DID- Difference-in-Differences) thôngquaviệcthiếtkế hai nhóm đối tượngnghiêncứu(Nhóm1 – Các bệnhviệnđã thực hiện tự chủ vàNhóm2 –Các bệnhviệnchưa thựchiệntựchủ)ởcácmốcthờigiantươngứngvớicácthờiđiểmnhữngbệnhviệnNhóm1đãthực hiệnvàchưa thựchiệntự chủ. Đây là phươngpháp thốngkê thường được sử dụngtronglĩnh vựckinhtế học vànghiêncứu xã hội đểnghiêncứutácđộng của cácbiếncanthiệplêncác biếnkết quả.Trong nghiên cứu này, DID được sử dụng để so sánh sự thay đổitrongbiếnkếtquả(mứcđộhàilòngcủangườibệnh)củanhómcanthiệpvớisựthay đổi trong biến kết quả của nhóm kiểm soát ở các thời điểm tương ứng với trước và sau khicanthiệpđượcthựchiện.Phươngphápnàygiúploạibỏcácyếutốkhôngảnhhưởng 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 phápDID có thể đượcsửdụngđể đolườngtác động
củatựchủbệnhviện đối với mứcđộhài lòng củangười
bệnhtrongcácnhómcanthiệpvànhómkiểmsoát. Phương phápnày
đượctíchhợpcùngvớiSEMđểnângcaokhảnăngnghiêncứuvàhiểurõhơnvềcácmốiquanhệtron gdữliệu.
3.2.1.4. Phương pháp xây dựng mô hìnhSEM
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 phụthuộc:
- 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 baogồm:
-TD-DV:Tháiđộứngxử,nănglựcchuyênmôncủaNVYTvàKếtquảcungcấp dịchvụ.
- CSVC:Cơ sở vật chất và phương tiện phục vụ ngườibệnh.
-KN-MB:KhảnăngtiếpcậnvàSựminhbạchthôngtinvàthủtụckhám,chữabệnh.
-NhomBVdaTC (Datuchu):biến thể hiện sự tự chủ của các BV, biến nàynhận giátrịbằng1nếungườibệnhKCBởnhómbệnhviệnđãtựchủ;nhậngiátrịbằng0nếu người bệnh KCB ở nhóm chưa tựchủ.
-intervar1:biến tương tác giữa biếnNhomBVdaTCvàSauthoigianTC, 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 sốnàysẽphảnảnhgầnnhấttácđộngcủaviệctựchủtàichínhbệnhviệnđếnsựhàilòng của người bệnh.
(Trong đó:SauthoigianTClà biến thể hiện thời gian tự chủ của cácBV, 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 tựchủ).
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 nhỏvà càng không có ý nghĩa thống kê thì mô hình càngtốt.
3.2.1.5. Đánh giá sự phù hợp của môhình
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 môhình.Chitiếtvềngưỡngcụthểcủacácchỉsốđođộphùhợpcủamôhìnhđượctham 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 môhình
ChỉsốMI(Modificationindices):KhithựchiệnphântíchCFA,cóthểmôhình
banđầukhôngđápứngđủcáctiêuchíđánhgiáchấtlượngmôhìnhnhưRMSEA,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. Khichỉsố MI có giá trị cao, điều đó cho thấy việc thay đổi mô hình bằng cách thêm mộtđườngnối mới giữacácyếu 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 (estimatedmodel).
HệsốKMO(Kaiser-Meyer-Olkin)làmộtchỉsốđượcsửdụngđểđánhgiátính
phùhợpcủadữliệuchophântíchnhântố(FactorAnalysis)vàphân tíchtheocấuphần 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 giátrịtrongkhoảng0đến1.NếugiátrịKMOthấp,cóthểcómộtsốvấnđềvềtínhđồng nhất hoặc tương quan giữa các biến đo lường và cần xem xét cải thiện dữ liệu hoặcloại 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 cácbiếnđolường.Cụthể:NếuKMO<0.5thìdữliệukhôngphùhợpchophântích
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.
Dựavàonhững tiêuchítrên, nghiên cứulựachọncácbiếnphù hợpvới
điềukiện:HệsốkiểmđịnhKMO: 0,5≤ KMO≤1;Kiểm địnhBartlett
(Bartlett’sTest)cóýnghĩa thốngkê(sig≤0,05), chứngtỏ cácbiến quan sátcótương quanvớinhautrongtổng thể;Phươngsaitrích>50%:Với cácmôhình nghiên cứu thôngthườngtrênmẫuđiềutranhỏ(<100)mớicầnápdụngtiêuchuẩnnàyởmức
0,5;tuynhiên,đểkếtquảđiềutramang tính thực tiễn,nghiêncứu vẫnsửdụng mức kiểm định chặtchẽnày.
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 địnhtính
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.