- Percentage of variance: phần trăm phương sai tồn bộ được giải thích bở
d)Tiến hành phân tích nhân tố Bước 1 Xác định vấn đề
Bước 1. Xác định vấn đề
Xác định vấn đề nghiên cứu gồm có nhiều bước. Đầu tiên, phải nhận diện các mục tiêu của phân tích nhân tố cụ thể là gì. Các biến tham gia vào phân tích nhân tố phải được phân tích dựa vào các nghiên cứu trong quá khứ, phân tích lý thuyết và đánh giá của các nhà nghiên cứu. Một vấn đề là các biến này phải được đo lường một cách thích hợp bằng thang đo định lượng và cỡ mẫu phải đủ lớn. Thơng thường thì số quan sát ít nhất phải bằng 4 hoặc 5 lần số biến trong phân tích nhân tố.
Bước 2. Xây dựng ma trận tương quan
Q trình phân tích được dựa trên ma trận tương quan của các biến này. Để có thể áp dụng được phân tích nhân tố thì các biến phải có liên hệ với nhau. Trong thực tế thường ln có điều này. Nếu hệ số tương quan giữa các biến nhỏ, phân tích nhân tố có thể khơng thích hợp. Các nghiên cứu kỳ vọng rằng các biến này có tương quan chặt chẽ với nhau và như vậy sẽ tương quan chặt với cùng một hay nhiều nhân tố.
Có thể sử dụng Bartlett's test of sphericity để kiểm định giả thuyết khơng (H0) là các biến khơng có tương quan với nhau trong tổng thể, nói cách khác là ma trận tương quan tổng thể là một ma trận đơn vị trong đó các giá trị trên đường chéo đều
bằng 1 cịn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng Chi-square (χ2) từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có nhiều khả năng bác bỏ giả thuyết H0 này. Nếu giả thuyết H0 khơng thể bị bác bỏ thì phân tích nhân tố rất có khả năng khơng thích hợp.
Bước 3. Số lượng nhân tố
Có thể tính ra một số lượng nhân tố nhiều bằng số biến, nhưng làm như vậy thì khơng có tác dụng gì cho mục đích tóm tắt thơng tin. Để tóm tắt thơng tin chứa đựng trong các biến gốc, chúng ta cần rút ra số lượng nhân tố ít hơn số biến. Vấn đề là xác định có bao nhiêu nhân tố? Có 5 phương pháp nhằm xác định số lượng nhân tố: xác định từ trước, dựa vào eigenvalue, biểu đồ dốc, phần trăm biến thiên giải thích được, chia đơi mẫu và kiểm định mức ý nghĩa. Ta tìm hiểu cụ thể 2 phương pháp sau:
- Phương pháp xác định từ trước: đơi khi từ kinh nghiệm và hiểu biết của mình, từ phân tích lý thuyết hay từ kết quả của các cuộc nghiên cứu trước… người nghiên cứu biết được có bao nhiêu nhân tố có thể rút ra và như vậy có thể chỉ định trước số lượng nhân tố có thể rút ra. Từ đó, có thể chỉ định trước số lượng nhân tố có thể rút ra để báo cho chương trình máy tính.
- Phương pháp dựa vào eigenvalue: chỉ có nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn biến gốc vì sau khi chuẩn hóa mỗi biến gốc có phương sai là 1.
Bước 4. Xoay nhân tố
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Những hệ số này (factor loading) biểu diễn tương quan giữa nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có quan hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố.
Mặc dù ma trận nhân tố ban đầu hay ma trận không xoay này cho thấy được mối quan hệ giữa các nhân tố và từng biến một nhưng nó ít khi tạo ra những nhân tố có thể giải thích được một cách dễ dàng bởi các nhân tố có tương quan với nhiều biến, trong những ma trận phức tạp việc giải thích kết quả khó khăn hơn. Vì vậy, thơng qua
việc xoay các nhân tố, ma trận nhân tố sẽ trở nên đơn giản hơn và dễ giải thích hơn. Khi xoay nhân tố, chúng ta muốn mỗi nhân tố có hệ số khác 0 (có ý nghĩa) chỉ trong vài biến. Tương tự, chúng ta cũng muốn mỗi biến chỉ có hệ số khác khơng chỉ với vài nhân tố hay nếu có thể chỉ với một nhân tố mà thơi. Nếu nhiều nhân tố có hệ số lớn trong cùng một biến, chúng ta cũng khó mà giải thích được. Việc xoay nhân tố khơng có ảnh hưởng đến communality và phần trăm của toàn bộ phương sai được giải thích. Tuy nhiên, phần trăm phương sai được giải thích bởi từng nhân tố có thay đổi. Phần trăm được giải thích bởi từng nhân tố sẽ được phân phối lại khi xoay nhân tố. Vì vậy, các phương pháp xoay khác nhau sẽ nhận diện những nhân tố khác nhau.
Bước 5. Đặt tên và giải thích các nhân tố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số tải (factor loading) lớn ở cùng một nhân tố. Như vậy, nhân tố này có thể được giải thích bằng các biến có hệ lớn đối với bản thân nó.
3.2.4.3. Phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng định CFA thơng qua phần mềm phân tích cấu trúc tuyến tính AMOS nhằm khẳng định rằng các thang đo lường đảm bảo về độ tin cậy, độ hội tụ, giá trị phân biệt. Trong kiểm định thang đo, phương pháp CFA có nhiều ưu điểm hơn so phương pháp truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA (Bagozzi và Foxall, 1996). Phương pháp CFA cho phép kiểm định cấu trúc lý thuyết của các thang đo lường như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp và Vantrip, 1991).
Trong CFA ta có thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất cả các khái niệm có trong mơ hình (gọi là mơ hình tới hạn). Về mặt lý thuyết, trong CFA, để đo lường mức độ phù hợp của mơ hình với thơng tin thị trường, người ta thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mơ hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value >0.05. Tuy nhiên khi thực hiện CFA, nên thực hiện các đánh giá khác như:
(composite reliability) và (b) Tổng phương sai trích được (variance extracted), (c) Hệ số Cronbach’s Alpha.
(2) Tính đơn hướng/ đơn nguyên (unidimensionality): Theo Steenkamp và Van Trijp (1991), mức độ phù hợp của mơ hình với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau. (3) Giá trị hội tụ (Convergent validity): Gerbring và Anderson (1988) cho rằng
thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hố của thang đo đều cao (>0,5); và có ý nghĩa thống kê (P <0,05).
(4) Giá trị phân biệt (Discriminant validity): Có thể kiểm định giá trị phân biệt của các khái niệm trong mơ hình tới hạn (saturated model) mơ hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thể giữa các khái niệm có thực sự khác biệt so với 1 hay khơng. Nếu nó thực sự khác biệt thì các thang đo đạt được giá trị phân biệt.
3.2.4.4. Phân tích mơ hình phương trình cấu trúc SEM
Mơ hình SEM là sự mở rộng của mơ hình tuyến tính tổng qt (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. SEM có thể cho một mơ hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn(Longitudinal), phân tích nhân tố khẳng định (CFA), các mơ hình khơng chuẩn hố, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn (Non-Normality), hay dữ liệu bị thiếu (Missing data). Đặc biệt, SEM sử dụng để ước lượng các mơ hình đo lường (Mesurement Model) và mơ hình cấu trúc (Structure Model) của bài tốn lý thuyết đa biến. Mơ hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (Observed variables). Nó cung cấp thơng tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). Mơ hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mơ tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.
Việc phân tích với SEM thường được thực hiện theo 7 bước sau:
Bước 1. Phát triển mơ hình dựa trên cơ sở lý thuyết: SEM dựa vào các
quan hệ nhân quả, tức là sự thay đổi của biến này có liên quan đến sự thay đổi của một biến số khác. Nói chung, có 4 tiêu chuẩn được thiết lập để xác lập một quan hệ nhân
quả: (1) Tồn tại quan hệ đủ mạnh giữa 2 biến; (2) Có trình tự thời gian trước sau của nguyên nhân và kết quả; (3) Không tồn tại nguyên nhân hiện hữu nào khác; và (4) Có cơ sở lý thuyết vững chắc của mối quan hệ. Tuy nhiên, rất khó để đáp ứng đầy đủ cả 4 tiêu chuẩn này trong thực tế. Mặc dù vậy, nếu những điều kiện đầu không được xác lập, nhưng có cơ sở lý thuyết vững chắc thì quan hệ nhân quả vẫn được xác định.
Bước 2. Xây dựng biểu đồ đường dẫn của các quan hệ nhân quả: Để xây
dựng biểu đồ đường dẫn, trước tiên chúng ta phải xây dựng các khái niệm dựa vào cơ sở lý thuyết, và tìm các chỉ báo để đo lường chúng. Tiếp theo chúng ta sử dụng các hình mũi tên để thể hiện cho từng quan hệ cụ thể giữa hai khái niệm. Hình mũi tên một chiều chỉ quan hệ nhân quả trực tiếp từ một khái niệm đến một khái niệm khác. Hình mũi tên cong hai chiều chỉ mối quan hệ tương quan giữa các khái niệm. Và hình hai mũi tên ngược chiều nhau chỉ mối quan hệ tác động qua lại giữa hai khái niệm. (adsbygoogle = window.adsbygoogle || []).push({});
Bước 3. Chuyển biểu đồ đường dẫn thành một tập hợp các mơ hình đo lường và cấu trúc: Sau khi phát triển mơ hình lý thuyết và minh họa bằng biểu đồ
đường dẫn, tập hợp các quan hệ cấu trúc có thể được chuyển thành một tập hợp các phương trình mà xác định: (1) Các phương trình cấu trúc liên kết các khái niệm; (2) Mơ hình đo lường xác định các biến số nào đo lường cho khái niệm nào; và (3) Một tập ma trận chỉ ra bất cứ quan hệ nào được giả thuyết giữa các khái niệm và các biến. Mục đích chính ở bước này là liên kết các định nghĩa ứng dụng của các khái niệm với lý thuyết nhằm kiểm định sự phù hợp về mặt thực nghiệm.
Bước 4. Chọn lựa ma trận đầu vào và ước lượng mơ hình đề xuất: SEM sử
dụng ma trận tương quan hoặc ma trận hiệp phương sai của các biến quan sát làm dữ liệu đầu vào. Việc sử dụng ma trận nào làm dữ liệu đầu vào cịn tùy thuộc vào mục đích nghiên cứu, sự khác biệt giữa chúng là việc giải thích kết quả đầu ra. Sử dụng ma trận hiệp phương sai cho phép chúng ta so sánh các tổng thể hoặc các mẫu khác nhau, tuy nhiên sẽ rất khó khăn trong việc giải thích các hệ số do các đơn vị đo lường các biến khác nhau. Ma trận hệ số tương quan được sử dụng rộng rãi hơn do có thể so sánh trực tiếp các hệ số trong một mơ hình, nhờ các biến đã được chuẩn hóa. Khi chúng ta muốn hiểu đặc điểm quan hệ giữa các khái niệm thì sử dụng ma trận hệ số tương quan làm đầu vào của SEM là phù hợp hơn.
Bước 5. Đánh giá định dạng của mơ hình cấu trúc: Vấn đề lỗi định dạng
có một quy tắc nhất quán để thiết lập việc định dạng đúng một mơ hình, nhưng các nhà nghiên cứu có một số “quy tắc ngón tay cái”. Hai quy tắc cơ bản nhất là các điều kiện về hạng và điều kiện thứ bậc. Điều kiện thứ bậc đòi hỏi bậc tự do phải lớn hơn hoặc bằng 0. Nếu bậc tự do bằng 0, mơ hình định dạng đúng, lời giải là duy nhất, hồn hảo nhưng khơng có tính khái qt hóa. Mục đích của SEM phải là một mơ hình vơ định hay bậc tự do phải lớn hơn 0. Điều kiện thứ bậc chỉ là điều kiện cần. Điều kiện hạng chính là điều kiện đủ, và để xác định điều kiện hạng là một vấn đề rất phức tạp, do đó thơng thường người ta sử dụng một “quy tắc ngón tay cái” như sau: Trước tiên là quy tắc ba đo lường mà khẳng định rằng bất cứ một khái niệm nào được đo lường bởi ít nhất ba chỉ báo đều định dạng được, và tiếp theo bất cứ một mơ hình nào khơng chứa quan hệ tác động qua lại có các khái niệm được đo lường bởi ít nhất từ ba chỉ báo trở lên đều định dạng được.
Bước 6. Đánh giá các tiêu chuẩn độ phù hợp của mơ hình: Bước trước tiên
trong việc đánh giá các kết quả là kiểm tra đối với “các ước lượng phi lý”. Sau khi đã xác định khơng có giá trị ước lượng phi lý, thì việc đánh giá độ phù hợp của mơ hình chung được thực hiện bằng một hay nhiều hơn các đo lường về độ phù hợp của mơ hình chung. Thơng thường, nếu khơng dùng chiến lược so sánh mơ hình cạnh tranh để định dạng mơ hình thì các nhà nghiên cứu thường đánh giá độ phù hợp của mơ hình chung bằng các đo lường sau:
Thống kê Chi – bình phương: là một đo lường về độ phù hợp tuyệt đối, nó
cung cấp cơ sở để tin rằng sự khác biệt giữa ma trận dự báo và ma trận đầu vào là khơng có ý nghĩa. u cầu là mức ý nghĩa (p) lớn hơn 0,05 thì mơ hình được xem là có thể chấp nhận. Tuy nhiên, thống kê này rất nhạy với kích cỡ mẫu, việc sử dụng nó để đánh giá độ phù hợp chỉ thích hợp khi cỡ mẫu từ 100 đến 200. Khi cỡ mẫu lớn hơn mức này thì thống kê này thường có ý nghĩa (p < 0,05) mà nếu căn cứ vào nó để đánh giá thì dẫn đến một kết luận sai lầm là mơ hình chung khơng phù hợp.