3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Phương pháp xử lý và phân tích số liệu
Dữ liệu sau khi thu thập sẽ được sàng lọc, mã hóa để tạo cơ sở dữ liệu phần mềm SPSS. Kiểm định sơ bộ thang đo nhằm đánh giá thang đo, loại bỏ các biến quan sát không phù hợp.
3.3.1.1. Kiểm định độ tin cậy thang đo
Thực hiện phân tích Cronbach’s Alpha để kiểm tra tính tương quan giữa các biến quan sát. Nếu chỉ số Cronbach’s Alpha cao thể hiện tính đồng nhất của các biến đo lường cùng đo một thuộc tính. Tiêu chuẩn để kiểm định độ tin cậy như sau:
- Hệ số Cronbach’s Alpha tổng ≥ 0.6 thì thang đo được chấp nhận về độ tin cậy. Tuy nhiên nếu kết quả cho giá trị ≥ 0.95 thì có thể thang có có nhiều biến quan sát bị trùng lắp (Thọ, 2014).
- Hệ số tương quan giữa biến-tổng đã hiệu chỉnh (corrected item-total correlation ) ≥ 0.3 thì biến quan sát đạt yêu cầu.
- Cronbach’s Alpha nếu loại biến (Cronbach's Alpha if item deleted) ≥ Cronbach’s Alpha tổng thì cân nhắc để loại biến quan sát tương ứng để cải thiện độ tin cậy.
3.3.1.2. Kiểm định giá trị hội tụ của thang đo.
Phân tích nhân tố khám phá EFA mục đích rút gọn một tập gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một tập biến thu nhỏ hơn dựa trên tính tương quan nhưng vẫn đảm bảo chứa đựng hầu hết các nội dung thông tin. Thực hiện EFA được sử dụng phép trích nhân tố Principal Axis Factoring với phép quay promax.
Tiểu chuẩn phân tích EFA thực hiện trong phạm vị luận văn dựa trên Hair
& ctg (2010):
- Hệ số KMO ≥ 0.5, mức ý nghĩa kiểm định Batllet ≤ 0.05. Để phân tích được EFA thì các biến phải có tương quan nhau. Kiểm định Batllet xem độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể.
- Tiêu chuẩn Kaiser: loại bỏ những nhân tố kém quan trọng. Giữ lại nhân tố có Eigenvalue ≥ 1
- Tiêu chuẩn phương sai trích: Tổng phương sai trích không nhỏ hơn 50%.
- Hệ số tải nhân tố (Factor loading) ≥ 0.3 là mức tối tiểu để đảm bảo mức ý nghĩa, EFA ≥ 0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn.
Trong giai đoạn kiểm đinh sơ bộ thang đo, do giới hạn về kích cỡ mẫu khảo sát nên không phân tích EFA chung cho toàn bộ thang đo để đánh giá giá trị phân biệt của các khái niệm trong mô hình.
3.3.2. Xử lý số liệu trong thang đo chính thức.
Dữ liệu thu thập được làm sạch để loại bỏ các khảo sát không đáng tin cậy. Dữ liệu trước khi tiến hành kiểm định mô hình thang đo và mô hình nghiên cứu chính thức đã được kiểm tra độ tin cậy và độ giá trị thông qua phân tích Cronbach’s Alpha và phân tích EFA. Phân tích nhân tố khám phá (EFA) với thang đo chính thức được thực hiện để đánh giá giá trị hội tụ và giá trị phân biệt cho toàn bộ thang đo.
3.3.2.1. Kiểm định mô hình thang đo bằng phương pháp CFA
Phương pháp CFA với kỹ thuật ước lượng Maximum Likelihood được thực hiện nhằm kiểm định tính đơn hướng (unidimensionality), độ tin cậy (reliability), giá trị hội tụ (convergent validity) và giá trị phân biệt (discriminant validity) của mô hình thang đo.
Tính đơn hướng của thang đo được định nghĩa là có sự tồn tại của một khái niệm tiềm ẩn duy nhất trong tập biến quan sát (Garver & Mentzer, 1999). Tính đơn hướng đạt được khi mô hình thang đo đạt được mức phù hợp với bộ dữ liệu thị trường.
Mô hình được xem là thích hợp khi kiểm định có giá trị Chi-square (CMIN) có p-value < 0.05, Chi-square điều chỉnh theo bậc tự do (chi-square/df) < 3, chỉ số Tucker & Lewis (TLI) ≥ 0.9, chỉ số thích hợp so sánh (Comparative Fit Index -CFI)
≥ 0.9, chỉ số GFI ≥ 0.9, chỉ số RMSEA (Root Mean Square Error Approximation) ≤ 0.08 (Hu & Bentler, 1999) .
Độ tin cậy của thang đo được đánh giá dựa trên tiêu chuẩn hệ số Cronbach’s Alpha ≥ 0.6, hệ số tin cậy tổng hợp (Composite Reliability - CR) ≥ 0.6, phương sai trích trung bình (Average Variance Extracted – AVE) ≥ 50% (Hair & ctg, 2010).
Giá trị hội tụ của thang được đánh giá dựa trên tiêu chuẩn hệ số tải chuẩn hóa (Standardized loading estimates) ≥ 0.5 có ý nghĩa thống kê (Hair & ctg, 2010).
Giá trị phân biệt được đánh giá dựa trên hệ số tương quan giữa các cặp khái niệm r < 1, với mức ý nghĩa p ≤ 0.05 (Hair & ctg, 2010).
3.3.2.2. Kiểm định mô hình nghiên cứu
Kiểm định mô hình nghiên cứu bằng phương pháp SEM thông qua kỹ thuật ước lượng Maximum Likelihood.
- Mô hình phải đạt độ phù hợp chung khi các chỉ số đạt trong ngưỡng tiêu chuẩn : NFI, GFI, TLI ≥ 0,9; RMSEA ≥ 0,08; Chi- square/df ≤ 3
- Kiểm định giả thuyết: hệ số hồi quy có ý nghĩa thống kê (p < 0,05).
3.3.2.3. Phân tích cấu trúc đa nhóm
Phương pháp phân tích cấu trúc đa nhóm (multigroup analysis) trong phân tích cấu trúc tuyến tính SEM được sử dụng trong nhiều nghiên cứu Luca & Atuahene- gima (2007) để đánh giá tác động điều tiết của KIM, trong nghiên cứu Carbonell,
Rodríguez-Escudero, & Pujari, (2009) tác giả sử dụng phương pháp phân tích này để đánh giá điều tiết của biến giai đoạn phát triển sản phẩm ảnh hưởng lên quan hệ giữa mức độ không chắc chắc của công nghệ đến gắn kết khách hàng, cũng như quan hệ CI và kết quả phát triển sản phẩm (operational outcome, market outcomes).
Phân tích đa nhóm dựa trên: (1) Mô hình khả biến, là các tham số ước lượng trong mô hình của các nhóm không bị ràng buộc (Unconstrained); (2) Mô hình bất biến, mối quan hệ giữa các khái niệm trong mô hình nghiên cứu bị ràng buộc bằng nhau giữa các nhóm (Constrained model) nhưng các thành phần đo lường không bị ràng buộc. Thực hiện kiểm định sự khác biệt Chi-square để lựa chọn mô hình được thực hiện bằng cách đánh giá sự khác biệt giá trị P-value (ΔP) của hai mô hình ứng dựa trên sự khác biệt Chi-square (Δχ2) và khác biệt bậc tự do (Δdf):
- Nếu ΔP > 0,05, chứng tỏ hai mô hình không có sự khác biệt, khi đó mô hình bất biến sẽ được lựa chọn.
- Nếu ΔP < 0,05 chứng tỏ hai mô hình có sự khác biệt và mô hình khả biến sẽ được lựa chọn (Thọ & Trang, 2008)
Phương pháp ước lượng ML được được sử dụng trong phân tích cấu trúc đa nhóm. Quy trình chi tiết thực hiện được tham khảo theo tài liệu Handbook on SEM (Zainudin Awang, 2012), (Duy, 2009)