CHƯƠNG 2. THIẾT KẾ NGHIÊN CỨU
2.2. Phương pháp nghiên cứu
2.2.2. Phương pháp xử lý số liệu
Phương pháp thống kê mô tả (tần suất, tỷ lệ, số trung bình, độ lệch chuẩn…) để phân tích thực trạng PTNT ở tỉnh Trà Vinh. Ngoài ra, phương pháp thống kê mô tả còn dùng tính tốc độ tăng trưởng, tính tỷ lệ phần trăm, giá trị trung bình, phương pháp đồ thị... Nhằm đánh giá xu hướng phát triển thông qua việc đo lường các chỉ tiêu đánh giá sự phát triển về qui mô nuôi, sự phát triển về các kênh tiêu thụ, liên kết trong sản xuất và tiêu thụ sản phẩm, kết quả trong nuôi tôm, từ đó có thể đánh giá đƣợc mức độ các nhân tố ảnh hưởng đến PTNT. Hơn nữa, thông qua các giá trị trung bình (mean) để đánh giá sự thuận lợi và khó khăn của từng chỉ tiêu ảnh hưởng đến ngành nuôi tôm tại địa bàn nghiên cứu.
2.2.2.2. Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach' Alpha
Hệ số tin cậy Cronbach alpha đƣợc tác giả sử dụng nhằm tìm ra những mục hỏi nào cần giữ lại và những mục hỏi nào cần bỏ đi trong các mục đƣa vào kiểm tra hay nói cách khác là giúp loại đi những biến quan sát, những thang đo không đạt. Khi hệ số Cronbach' Alpha biến thiên trong khoảng [0,1] đƣợc coi thang đo có độ tin cậy tốt.
Tuy nhiên, nếu hệ số Cronbach' Alpha 0,60 là thang đo có thể chấp nhận đƣợc, nếu hệ số này quá lớn hơn 0,95 cho biết nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong đo lường (Nguyễn Đình Thọ, 2013) (Hoàng Trọng, 2008). Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,80 trở lên đến gần 1 thì thang đo tốt, từ 0,60 đến gần 0,80 là sử dụng đƣợc. Trong nghiên cứu này, tác giả lấy tiêu chuẩn hệ số Cronbach alpha lớn hơn 0,60 và nhỏ hơn 0,90.
Ngoài ra, hệ số tương quan giữa biến và biến tổng phải lớn hơn 0,30.
2.2.2.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố đƣợc sử dụng chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt nhằm rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn để chúng có ý nghĩa hơn nhƣng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu. Các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn khi phân tích nhân tố EFA nhƣ sau:
+ Chỉ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy) dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải nằm trong khoảng (0,50; 1) là điều kiện đủ để phân tích nhân tố thích hợp. Kiểm định Bartlett’s xem xét giả thuyết về độ tương quan giữa các biến quan sát trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig Barleet’s test < 5% và Eigenvalue > 1) thì các biến quan sát có tương quan với nhau trong tổng thể (J.C Gerbing. D.W and Anderson, 1988).
+ Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (D.W & Anderson Gerbing, J.C, 1988).
+ Hệ số tải nhân tố (factor loading) dùng để đánh giá mức ý nghĩa giữa các biến trong phân tích nhân tố khám phá. Theo Hair & ctg (1998) hệ số này lớn hơn 0,30 đƣợc xem là đạt mức tối thiểu, hệ số tải nhân tố > 0,40 đƣợc xem là quan trọng; hệ số tải > 0,50 đƣợc xem là có ý nghĩa thực tiễn. Theo Nguyễn Đình Thọ (2013) những biến với độ tải nhân tố thấp < 0,40 sẽ bị loại.
Sau phân tích EFA, sẽ thực hiện tính lại hệ số Cronbach’s alpha cho từng khái niệm của mô hình lý thuyết nhằm kiểm định lại một lần nữa độ tin cậy của các thang đo sau khi một số biến từ kết quả của phân tích EFA.
50
2.2.2.4. Phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng định CFA sử dụng để khẳng định rằng các thang đo, làm sáng tỏ một số phương diện: (1) Đo lường tính đơn hướng; (2) Đánh giá độ tin cậy của thang đo; (3) Giá trị hội tụ; (4) Giá trị phân biệt; (5) Giá trị liên hệ lý thuyết.
Tính đơn hướng: để đo lường mức độ phù hợp của dữ liệu với thông tin các chỉ tiêu Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số tích hợp so sánh CFI (comparative Fit Index), chỉ số TLI (Tucker & Lewis index) và chỉ số RMSEA (Root Mean Square Error Approximation) và chỉ số MI (Modification Indices) đƣợc sử dụng; Nếu một mô hình nhận đƣợc giá trị TLI, CFI ≥ 0,90; CMIN/df ≤ 2; hoặc một số trường hợp CMIN/df ≤ 3; RMSEA ≤ 0,08) thì dữ liệu được xem là phù hợp với thị trường (Hair & ctg,1998). Nhưng các nhà nghiên cứu gần đây. Tuy nhiên, theo quan điểm gần đây của các nhà nghiên cứu vẫn có thể chấp nhận giá trị GFI nhỏ hơn 0,90 (Hair J. F.; Black W. C.; Babin B J & Anderson R. E., 2009).
Đánh giá độ tin cậy của thang đo: Độ tin cậy của thang đo đƣợc đánh giá thông qua: (1) hệ số tin cậy tổng hợp (composite reliability); (2) tổng phương sai trích (variance extracted) và (3) Cronbach’s alpha.
Giá trị hội tụ: Thang đo đạt đƣợc giá trị hội tụ khi các trọng số chuẩn hóa của các thang đo đều cao (lớn hơn 0,50) và có ý nghĩa thống kê (Pvalue < 0,05) (D.W. and Anderson Gerbing, J.C.,1988).
Giá trị phân biệt: Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn, mô hình mà các khái niệm nghiên cứu tự do liên hệ với nhau. Giá trị này đạt khi tương quan giữa hai thành phần của khái niệm hoặc hai khái niệm thực sự khác biệt so với 1.
Kiểm định sự phù hợp của thang đo là mục đích cần hướng tới trong phân tích CFA với: Độ tin cậy tổng hợp, phương sai trích, tính đơn hướng, hội tụ và phân biệt.
Kết quả CFA đạt tốt sẽ đến bước kiểm định các giả thuyết được đề nghị trong mô hình lý thuyết bằng SEM.
2.2.2.5. Phân tích mô hình cấu trúc tuyến tính SEM.
Phương pháp phân tích mô hình cấu trúc tuyến tính SEM để kiểm định mô hình nghiên cứu, các giả thuyết và phương pháp phân tích đa biến được áp dụng để xác
định mức độ tác động của từng nhóm nhân tố độc lập lên biến phụ thuộc. SEM bao gồm một hoặc nhiều phương trình hồi quy tuyến tính mô tả cách các cấu trúc nội sinh phụ thuộc vào cấu trúc ngoại sinh và các cấu trúc nội sinh khác (B.M. Byrne, 2010).
Khác biệt quan trọng tồn tại giữa các mô hình hồi quy truyền thống và mô hình SEM là mô hình hồi quy truyền thống có thể không đánh giá cũng không đo lường chính xác sai số bởi vì các phương pháp thay thế bắt nguồn từ hồi quy hoặc các mô hình tuyến tính tổng quát giả sử rằng các sai sót trong giải thích biến (độc lập) biến mất.
Tuy nhiên, SEM cung cấp ước lượng rõ ràng các tham số phương sai sai số. Hơn nữa, dữ liệu phân tích sử dụng phương pháp hồi quy dựa trên các phép đo quan sát, sử dụng SEM có thể kết hợp cả biến quan sát và biến không quan sát đƣợc. Thêm vào đó, SEM đặc biệt hữu ích bởi vì một biến phụ thuộc đồng thời có thể tác động đến một biến phụ thuộc khác. Trong trường hợp này, SEM là một phương pháp hữu hiệu để xem xét tác động trực tiếp và gián tiếp hiệu quả nhằm đối phó với hiện tƣợng đa cộng tuyến (B.M.
Byrne, 2010). Mặc dù, các tài liệu tham khảo khác chỉ ra rằng SEM tập trung vào phân tích phương sai, SEM cũng có thể phân tích cấu trúc trung bình của mô hình. Không giống như mô hình hồi quy đa biến truyền thống, mô hình SEM sử dụng phương trình đồng thời các biến (cả hai quan sát được và tiềm ẩn) có thể ảnh hưởng hỗ tương lẫn nhau. Điều này, cho thấy SEM là một phương pháp rất phù hợp cho việc phân tích các nhân tố ảnh hưởng đến PTNT, vì nó cho phép thể hiện các mối quan hệ nhân quả giữa vô số các biến liên quan đến tác động của một nhân tố phát triển thể hiện với 2 biến là hiệu suất hoạt động và hiệu quả thị trường. Mô hình phù hợp khi các hệ số CMIN/df ≤ 2 hoặc CMIN/df ≤ 3, chỉ số CFI, TLI ≥ 0,9; chỉ số RMSEA ≤ 0,08. Mức độ ảnh hưởng của biến độc lập xác định qua hệ số ước lượng với mức ý nghĩa p tương ứng.
2.2.2.6. Kiểm định Bootstrap
Để kiểm tra độ tin cậy của các ước lượng, phương pháp bootstrap sẽ được tiến hành ƣớc lƣợng lại các tham số trong mô hình. Kết quả ƣớc lƣợng ML sẽ đƣợc sử dụng để kiểm định lại các giả thuyết.
2.2.2.7. Kết quả nghiên cứu
Qua kết quả phân tích định lƣợng, tác giả có thể trả lời đƣợc câu hỏi nhân tố nào đang thúc đẩy hoặc cản trở sự phát triển ngành nuôi tôm ở Trà Vinh? Mức độ ảnh
52
hưởng của nhân tố đó đến sự phát triển nuôi tôm ở Trà Vinh là cao hay thấp? Từ đó giúp tác giả có thể thấy đƣợc cần tập trung nỗ lực để giải quyết vấn đề gì, chính sách nào cần thực hiện để thúc đẩy nuôi tôm ở Trà Vinh tiếp tục phát triển bền vững trong tương lai.