Phân tích mô hình phương trình cấu trúc SEM

Một phần của tài liệu MỘT số NHÂN tố ẢNH HƯỞNG đến sự hài LÒNG và LÒNG TRUNG THÀNH của KHÁCH HÀNG MẠNG DI ĐỘNG MOBIFONE tại THÀNH PHỐ NHA TRANG (Trang 70)

- Percentage of variance: phần trăm phương sai toàn bộ được giải thích bở

d) Tiến hành phân tích nhân tố Bước 1 Xác định vấn đề

3.2.4.4. Phân tích mô hình phương trình cấu trúc SEM

Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. SEM có thể cho một mô 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 mô hình không chuẩn hoá, 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 mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến. Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (Observed variables). Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô 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 mô 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.

Bước 3. Chuyển biểu đồ đường dẫn thành một tập hợp các mô hình đo lường và cấu trúc: Sau khi phát triển mô 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) Mô 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 mô 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 còn 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 mô 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 mô hình cấu trúc: Vấn đề lỗi định dạng xảy ra khi các kết quả ước lượng là không lôgíc hoặc không duy nhất. Mặc dù không

có một quy tắc nhất quán để thiết lập việc định dạng đúng một mô 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, mô hình định dạng đúng, lời giải là duy nhất, hoàn hảo nhưng không có tính khái quát hóa. Mục đích của SEM phải là một mô hình vô 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 thông 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 mô hình nào không 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 mô 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 không có giá trị ước lượng phi lý, thì việc đánh giá độ phù hợp của mô hình chung được thực hiện bằng một hay nhiều hơn các đo lường về độ phù hợp của mô hình chung. Thông thường, nếu không dùng chiến lược so sánh mô hình cạnh tranh để định dạng mô hình thì các nhà nghiên cứu thường đánh giá độ phù hợp của mô 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 không có ý nghĩa. Yêu cầu là mức ý nghĩa (p) lớn hơn 0,05 thì mô 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 mô hình chung không phù hợp.

Chỉ số độ phù hợp tốt GFI: là một chỉ số đo lường độ phù hợp tuyệt đối. Nó

là một đo lường phi thống kê có giá trị trãi dài từ 0 (độ phù hợp tồi) đến 1 (độ phù hợp hoàn hảo). Giá trị của GFI càng cao mô hình càng phù hợp, các nhà nghiên cứu

(Browne và Cudek, 1992) đề nghị rằng GFI lớn hơn 0,9 thì mô hình được xem là có thể chấp nhận.

mô hình của thống kê Chi – bình phương do kích cỡ mẫu lớn. RMSEA cũng là một chỉ số đo lường độ phù hợp tuyệt đối, giá trị của RMSEA càng nhỏ thể hiện độ phù hợp của mô hình càng cao, thông thường RMSEA rơi vào khoảng 0,05 đến 0,08 thì mô hình dường như có thể chấp nhận được.

Chỉ số CFI: Là chỉ số đo lường độ phù hợp tăng thêm của mô hình, nó cho

biết một so sánh giữa mô hình đề xuất với một mô hình “null” (có bậc tự do bằng 0) hay một mô hình độc lập (có bậc tự do lớn nhất). Giá trị CFI nằm trong khoảng từ 0 đến 1. Giá trị của CFI càng cao thì mô hình càng phù hợp. Tương tự GFI, Browne và Cudek (1992) đề nghị CFI lớn hơn 0,9 thì mô hình được xem là có thể chấp nhận.

Sau khi mô hình chung đã đạt được độ phù hợp, việc đo lường cho mỗi khái niệm có thể được đánh giá đối với tính đơn nghĩa và độ tin cậy. Tính đơn nghĩa có thể được xác định thông qua phân tích nhân tố khám phá hoặc phân tích nhân tố xác định mà mô hình đo lường có độ phù hợp được chấp nhận.

Sau khi xem xét tính đơn nghĩa thì độ tin cậy của thang đo mới được đánh giá. Đô tin cậy của thang đo thường được đánh giá thông qua 3 hệ số: (1) Hệ số

Cronbach’s alpha (1951); Độ tin cậy tổng hợp của Joreskog (1971); và (3) Phương sai chiết suất (Fornell và Lacker, 1981). Và tiếp theo là đánh giá độ phù hợp của mô hình cấu trúc. Đánh giá hiển nhiên nhất đối với mô hình cấu trúc liên quan đến mức ý nghĩa của các hệ số ước lượng, cũng như sai số chuẩn và giá trị thống kê student cho mỗi hệ số. Thông thường mức ý nghĩa được xác định cho thống kê Student là 0,05. Ngoài ra độ phù hợp của mô hình cấu trúc còn được xem xét bởi hệ số xác định R2, tương tự như phương pháp hồi quy.

Bước 7. Giải thích và hiệu chỉnh mô hình: Sau khi mô hình có độ phù hợp được chấp nhận, các kết quả sẽ được xem xét sự phù hợp của chúng so với lý thuyết được đề xuất. Việc định dạng lại mô hình nhằm mục đích cải thiện độ phù hợp của mô hình đối với lý thuyết nền tảng của nó. Việc định dạng lại mô hình thường là thêm vào hay bớt đi một hay một số các tham số ước lượng, điều này sẽ tạo ra một loạt các mô hình cạnh tranh trong cùng một khung lý thuyết. Thông thường có hai cơ sở làm căn cứ cho việc định dạng lại mô hình là xem xét phần dư chuẩn hóa và các chỉ số hiệu chỉnh. (Hồ Huy Tựu, 2006).

Một phần của tài liệu MỘT số NHÂN tố ẢNH HƯỞNG đến sự hài LÒNG và LÒNG TRUNG THÀNH của KHÁCH HÀNG MẠNG DI ĐỘNG MOBIFONE tại THÀNH PHỐ NHA TRANG (Trang 70)

Tải bản đầy đủ (DOCX)

(154 trang)
w