V MÔ HÌNH NGHIÊN CỨU
CHƯƠNG 3: PHƯƠNG PH P NGHIÊN CỨU 3.1 Thiết kế nghiên cứu
3.5 Phương pháp phân tích dữ liệu
Dữ liệu ƣợc xử lý qua hai ƣớc phổ biến về phân tích cấu trúc tuyến tính (SEM) (Hair et al, 2014) với hai mô hình o lường và mô hình cấu trú ượ ánh giá bằng phần mềm AMOS 22.0. Với mô hình o lường, trước hết là kiểm ịnh Cron a h’Alpha và ph n tí h nh n tố khám phá EFA ể ánh giá sơ ộ thang o.
Kế tiếp, phân tích nhân tố khẳng ịnh CFA ƣợc d ng ể kiểm ịnh ộ tin cậy tổng hợp, giá trị hội tụ, giá trị phân biệt và mứ ộ phù hợp chung của thang o.
Với mô hình cấu trúc, kỹ thuật SEM với ƣớ lƣợng ML Maximum Likehoo ƣợc ng ể ánh giá ộ phù hợp tổng thể của mô hình nghiên cứu và các gi thuyết nghiên cứu ã phát iểu.
3.5.1 Phân tích mô tả
Phân tích mô t sử dụng phương pháp ph n tí h thống kê mô t trong SPSS.
Nội dung này sẽ cho biết á ặ iểm của mẫu nhƣ ộ tuổi, giới tính, thu nhập của á ối tƣợng kh o sát.
3.5.2 Phân tích độ tin cậy thang đo
Độ tin cậy của thang o h sự nhất quán của một công cụ o lường khi nó sử dụng ể o ng một ối tƣợng trong cùng một iều kiện. Độ tin cậy của thang o ượ ánh giá thông qua hệ số Cron a h’s Alpha và sự tương quan giữa biến o lường xem xét với tổng các biến còn l i trong thang o Nguyễn Đình Thọ, 2011).
Độ tin cậy của thang o ƣợc kiểm tra qua hai ch số (Hair và ctg, 1998):
- Hệ số tương quan iến tổng (Item-total correlation) không nhỏ hơn 0.3.
- Độ tin cậy Cron a h’s Alpha từ 0.6 trở lên.
Nếu hệ số Cron a h’s Alpha < 0.6 thì tá gi sẽ tiếp tục lo i bớt biến quan sát có giá trị Cron a h’s Alpha nếu bỏ biến Cron a h’s Alpha If Item Delete lớn nhất. Khi thang o mới ƣợc chọn sẽ có hệ số Cron a h’s Alpha hính là giá trị Cron a h’s Alpha If Item Delete tương ứng với biến quan sát ã ị lo i.
3.5.3 Phân tích nhân tố khám phá EF
Sau khi phân tích hệ số Cro a h’s Alpha, thang o sẽ ƣợ ánh giá giá trị hội tụ, giá trị phân biệt thông qua phân tích nhân tố EFA với các tiêu chí kiểm tra nhƣ sau:
- Hệ số KMO (Kaiser-Mayer-Olkin) >0,5 với mứ ý ngh a kiểm ịnh Barlett
<0,05
- Phương sai trí h Varian e explaine riteria : Tổng phương sai trí h không nhỏ hơn 50%
Quá trình phân tích nhân tố EFA gồm hai ƣớc:
- Bước 1: phân tích EFA cho riêng từng thang o ể ánh giá tính ơn hướng của thang o. Bướ này ược thực hiện với phép trích principal component và phép quay vairmax.
- Bướ 2: ph n tí h EFA hung ho á thang o ủa khái niệm trong mô hình ể ánh giá sơ ộ giá trị hội tụ và giá tri phân biệt nội bộ. Bướ này ược thực hiện với phép trích pricipal axis factoring vì tính chất a hướng của thang o và phép xoay promax.
3.5.4 Phân tích nhân tố khẳng định CF
Thang o ược kiểm ịnh bằng phương pháp ph n tí h nh n tố khẳng ịnh CFA, thông qua phần mềm phân tích cấu trúc tuyến tính AMOS. Trong kiểm ịnh thang o, phương pháp CFA trong ph n tí h mô hình ấu trúc tuyến tính có nhiều ưu iểm hơn so với á phương pháp truyền thống (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011). Lý do là CFA cho phép chúng ta kiểm ịnh cấu trúc lý thuyết của á thang o lường ũng như mối quan hệ giữa các khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số o lường (Steenkamp & van Tripjp, 1991).
Để o lường mứ ộ phù hợp của mô hình với dữ liệu thị trường, nghiên cứu này sử dụng các ch ti u Chi ình phương CMIN , Chi ình phương iều ch nh theo bậc tự do (CMIN/df), ch số thích hợp so sánh CFI (Comparative Fit Index), ch số TLI (Tucker & Lewis Index) và ch số RMSEA (Root mean square error approximation).
Mô hình uợc gọi là thích hợp khi phép kiểm ịnh Chi - ình phương giá trị p > 5% (Nguyễn Đình Thọ, 2011). Tuy nhi n, Chi ình phương một nhược iểm là phụ thuộ kí h thước mẫu. Nếu một mô hình nhận ược các giá trị TLI, CFI
≥ 0.9 Bentler & Bonett, 1980 , CMIN/ f ≤ 2, RMSEA ≤ 0.08 Steiger, 1990 thì mô hình ược xem là phù hợp với dữ liệu thị trường. RMSEA là một ch tiêu quan trọng, n xá ịnh mứ ộ phù hợp của mô hình so với tổng thể. Theo , CFA thể sử dụng ể kiếm tra tính ơn hướng, ộ giá trị hội tụ và ộ giá trị phân biệt.
Thật vậy, như Nguyễn Đình Thọ 2011 ã h ra, á o lường ph i thỏa mãn những tiêu chí cần thiết ể có thể sử dụng trong nghiên cứu khoa học. Ba tính chất quan trọng của một thang o là 1 hướng, ngh a là thang o ơn hướng uni imensionality hay a hướng multi imensionality , 2 ộ tin cậy (reliability), (3) và giá trị (validity) của nó.
Giá trị của một thang o n i l n kh n ng thang o o lường ược những gì mà nhà nghiên cứu muốn n o lường (Bagozzi 1994; Bollen 1989;
Carmines & Zeller 1980 . Chúng ta n m lo i giá trị trong o lường khái niệm onstru t vali ity , là 1 giá trị nội dung (content validity), (2) giá trị hội tụ
(convergent validity), (3) giá trị phân biệt (discriminant validity), (4) giá trị liên hệ lý thuyết (nomological validity), và (5) giá trị tiêu chuẩn (criterion validity). Và trong nghiên cứu, iều quan trọng là cần ph i ánh giá á ti u hí này ủa thang o trướ khi ng n ể kiểm ịnh mô hình lý thuyết và gi thuyết nghiên cứu (Bagozzi 1980, 1994; Steenkamp & van Trijp 1991).
Tính đơn hướng của một thang o n i l n tập các biến o lường ch o lường cho một biến tiềm ẩn mà thôi (Hattei, 1985), tức là một biến quan sát ch ng ể o lường một biến tiềm ẩn duy nhất (Nguyễn Đình Thọ, 2011). Khi không tương quan giữa sai số của các biến quan sát, mứ ộ phù hợp của mô hình o lường với dữ liệu thị trường là iều kiện cần và ủ ể cho tập biến quan sát có tính ơn hướng (Steenkamp & Van Trijp, 1991).
Độ giá trị hội tụ nói lên mứ ộ hội tụ của một thang o sử dụng ể o lường một khái niệm sau nhiều lần (lặp l i), tức là sau những lần lặp l i các số o mối quan hệ chặt chẽ với nhau (Nguyễn Đình Thọ, 2011 . Thang o t giá trị hội tụ nếu các trọng số chuẩn h a ều ao >0.5 và ý ngh a thống kê (p < 5%).
Độ giá trị phân biệt n i l n hai thang o o lường hai khái niệm khác nhau ph i khác biệt nhau Bagozzi 1994 , ngh a là hệ số tương quan ủa hai khái niệm này ph i khác với ơn vị. Kiểm ịnh giá trị phân biệt của các khái niệm dựa trên mô hình tới h n (saturated model) là mô hình mà các khái niệm nghiên cứu ƣợc tự do quan hệ với nhau. C hai phương pháp kiểm ịnh ộ giá trị phân biệt:
- Phương pháp sử dụng hệ số tương quan: Hai khái niệm t ược giá trị phân biệt khi hệ số tương quan giữa chúng nhỏ hơn 1 và ý ngh a thống kê (p- value < 0.05).
- Phương pháp kiểm định giá trị theo từng cặp khái niệm: Hai cặp khái niệm t ược giá trị phân biệt khi so sánh phương sai trí h trung ình AVE (Average Variance Extracted) của từng khái niệm với ình phương hệ số tương quan r2, nếu AVE > r2 thì hai cặp khái niệm t ƣợ ộ giá trị phân biệt. Ngƣợc l i, nếu AVE < r2 thì hai khái niệm không t ƣợ ộ giá trị phân biệt (Hair và ctg, 2006). Phương pháp này nhiều ưu iểm hơn phương pháp sử dụng hệ số tương quan vì hệ số tương quan sẽ thay ổi nếu có sự tham gia của các khái niệm khác.
Hơn nữa, trong trường hợp với khái niệm bậ ao, phương pháp này thể so sánh hệ số tương quan giữa hai khái niệm với hệ số tương quan giữa các thành phần của cùng một khái niệm.
3.5.5 Kiểm định mô hình lý thuyết
Sau khi mô hình t ƣợ á iều kiện phù hợp trong á ƣớc phân tích nhân tố khẳng ịnh CFA, mô hình lý thuyết ược kiểm ịnh với phương pháp ước lƣợng ML và kiểm ịnh Bootstrap. Các gi thuyết của mô hình sẽ ƣợc chấp nhận nếu p-value<0,005, ngƣợc l i, gi thuyết sẽ bị bác bỏ.