CHƯƠNG 4: THIẾT KẾ NGHIÊN CỨU
4.6 Phương pháp phân tích dữ liệu
Các phương pháp phân tích dữ liệu được sử dụng trong nghiên cứu là phân tích EFA, Cronbach’s Alpha, phân tích CFA và SEM.
4.6.1 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA ( Exploratory Factor Analysis) được sử dụng để rút gọn một tập nhiều biến thành một tập có số lượng biến ít hơn trong điều kiện các biến phải có liên quan với nhau. Vì vậy, các biến có thể được rút gọn lại mà không bị thay đổi về mặt ý nghĩa (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011). Trong nghiên cứu này áp dụng phương pháp trích Principle Axis Factoring với phép quay Promax. Các chỉ số được quan tâm trong phân tích EFA bao gồm:
- Chỉ số KMO (Kaiser- Meyer- Olkin) xem xét sự thích hợp của phân tích nhân tố. Trị số KMO nên nằm trong khoảng (0.5,1), cho thấy tập dữ liệu thích hợp cho phân tích nhân tố
- Tiêu chuẩn phương sai trích (Varance explained criteria): tổng phương sai trích không nhỏ hơn 50% (Gerbing& Anderson, 1988)
- Giá trị Eigenvalues đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố (Hoàng Trọng & Mộng Ngọc, 2008) phải lớn hơn 1. Từ giá trị Eigenvalues xác định được số lượng nhân tố quan trọng trong tập dữ liệu.
Bên cạnh đó, hệ số tải nhân tố (factor loading) của các biến trong thang đo nhỏ hơn 0.3 sẽ bị loại khỏi thang đo (Hair& ctg, 1998).
4.6.2 Phân tích nhân tố khẳng định CFA
CFA (confirmatory factor analysis)- phân tích nhân tố khẳng định, là 1 cách thức kiểm định dựa trên nền tảng lý thuyết đã cho. Vì vậy, số lượng nhân tố và biến quan sát nào biểu hiện cho nhân tố nào cần phải được xác định rõ ràng. Vì vậy, phân tích nhân tố khẳng định được dùng để kiểm định mức độ phù hợp của lý thuyết với dữ liệu thực tế như thế nào. (Hair & ctg, 2010).
Phân tích nhân tố CFA thường được dùng để đánh giá về thang đo với các tiêu chí đánh giá:
- Tính đơn hướng (unidimensionality): đạt được khi mô hình phù hợp với dữ liệu và các sai số không có tương quan với nhau (Steenkam&Vantrijp, 1991), các chỉ số phù hợp bao gồm
GFI- goodness of fit index: Chỉ số này có thể đạt giá trị từ 0 đến 1. Yêu cầu GFI phải ≥ 0.9
CFI - Comparative Fit Index: Chỉ số này có thể đạt giá trị từ 0 đến 1. Yêu cầu GFI phải ≥ 0.9
RMSEA - Root Mean Square Error of Approximation: chỉ số này cho thấy mô hình phù hợp với đám đông như thế nào chứ không phải chỉ phù hợp đối với mẫu. Yêu cầu chỉ số này càng nhỏ càng tốt và tiêu chí được sử dụng trong nghiên cứu này là RMSEA nằm trong khoảng (0.03, 0.08)
TLI- Tucker and Lewis Index: giá trị có thể dao động dưới 0 hoặc trên 1. Chỉ số TLI càng cao cho thấy mô hình càng phù hợp hơn so với mô hình có chỉ số thấp. Yêu cầu TLI ≥ 0.9
- Giá trị hội tụ: cho thấy các biến đo lường 1 khái niệm cụ thể có thể đo lường cùng 1 khái niệm.
Hệ số tải đã chuẩn hoá phải ≥ 0.5 và tốt nhất là ≥ 0.7.
Phuơng sai trích trung bình (Average Variance Extracted - AVE): ≥ 0.5 đạt được độ giá trị hội tụ. (Hair & ctg, 2010)
Độ tin cậy: đánh giá thông qua hệ số tin cậy tổng hợp (Composite Reliability – CR) ≥ 0.6 là tốt.
- Giá trị phân biệt: các khái niệm trong mô hình nghiên cứu đòi hòi phải khác biệt với nhau. Hay nói cách khác, các thang đo đạt độ giá trị phân biệt có nghĩa là thang đo đo lường đúng khái niệm cần đo mà những thang đo khác không đo được. Có 4 cách để xét độ giá trị phân biệt theo mức độ nghiêm ngặt của nghiên cứu. Trong đó cách nghiêm ngặt nhất là xét bình phương hệ số tương quan giữa 2 khái niệm phải nhỏ hơn phương sai trích trung bình của mỗi khái niệm.
4.6.3 Phân tích mô hình cấu trúc tuyến tính SEM
SEM đo lường mô hình hồi quy tuyến tính đa bội cấp, tức là giải cùng 1 lúc các hệ phương trình với những điều kiện giả định ban đầu nhằm giúp giải quyết được các mô hình phức tạp hơn so với phân tích hồi quy (Hair & ctg., 2010). Sau khi thực hiện CFA để đánh giá về độ giá trị của các thang đo thì phân tích SEM xem xét độ giá trị liên hệ lý thuyết, tức là mối quan hệ giữa các khái niệm trong mô hình như thế nào? (Nomological validity). Phương pháp ước lượng ML được sử dụng để kiểm định các giả thuyết, p-value ≤ 0.05, giả thuyết được ủng hộ ở mức ý nghĩa thống kê 95%.
Thực hiện kiểm định bằng phương pháp Bootstrap là một phương pháp lấy mẫu lặp lại với mẫu là 500
4.6.4 Phân tích đa nhóm- Multigroup Analysis
Phân tích đa nhóm xem xét sự khác biệt giữa 2 nhóm đáp viên trả lời khác nhau. Sự khác biệt này có thể dựa trên sự khác biệt cá nhân, sự khác biệt văn hóa, trong các bối cảnh nghiên cứu khác nhau… Cách thức phân tích đa nhóm dựa trên sự khác biệt giữa 2 mô hình khi gán các giá trị bằng nhau giữa các nhóm. Quy trình thực hiện phân tích đa nhóm với các mô hình được quy định
- Mô hình 0: các chỉ số được tự do ước lượng
- Mô hình 1: Hệ số Alpha được gán bằng nhau giữa các nhóm, hệ số beta được tự do ước lượng
- Mô hình 2: hệ số Alpha và Beta được gán bằng nhau giữa 2 nhóm
- Mô hình 3: hệ số Alpha được tự do ước lượng, hệ số Beta được gán bằng nhau giữa các nhóm
So sánh giữa mô hình 0 và mô hình 1: nếu p-value ≤ 0.05, hai mô hình không tương đương. So sánh tiếp tục mô hình 0 và 3, nếu p-value ≤ 0.05, có sự khác biệt giữa 2 mô hình và mô hình 0 và mô hình được chọn.
So sánh giữa mô hình 0 và mô hình 1: nếu p-value ≥ 0.05, hai mô hình tương đương. So sánh tiếp tục mô hình 1 và mô hình 2, nếu p-value ≤ 0,05, có sự khác biệt giữa 2 mô hình, mô hình 1 là mô hình được chọn.
Tóm tắt chương 4
Chương 4 đã trình bày về quy trình nghiên cứu thông qua 2 bước là nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ thực hiện thảo luận nhóm 4 nhân viên khối văn phòng điều hành tour của 2 công ty du lịch là Hương Giang Travel và Hue Tourist. Sau khi thảo luận nhóm thang đo được hiệu chỉnh phù hợp để phỏng vấn thử 24 hướng dẫn viên. Kết thúc giai đoạn này phiếu khảo sát chính thức được sử dụng bao gồm 34 câu hỏi. Nghiên cứu định lượng chính thức được thực hiện thông qua phân tích EFA, Cronbach’s Alpha và CFA, SEM.