CHƯƠNG 4 KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH NGHIÊN CỨU
4.1. Tiêu chuẩn kiểm định
Nghiên cứu này sử dụng SEM để kiểm định mô hình, quá trình kiểm định sẽ qua hai giai đoạn là kiểm định mô hình đo lường và kiểm định mô hình cấu trúc.
Mô hình nghiên cứu có chín khái niệm với bốn mươi quan sát, bao gồm hai biến phụ thuộc là (1) sự thỏa mãn có ba quan sát và (2) lòng trung thành có bốn quan sát, bảy biến độc lập là (1) thu nhập gồm bảy quan sát, (2) điều kiện làm việc có bốn quan sát, (3) lãnh đạo bốn quan sát, (4) đồng nghiệp bốn quan sát, (5) bản chất công việc năm quan sát, (6) an toàn công việc bốn quan sát, và (7) đào tạo và thăng tiến năm quan sát.
4.1.1 Độ tin cậy thang đo
Hệ số Cronbach’s alpha được sử dụng để đo độ tin cậy của thang đo.
Hệ số Cronbach’s alpha chỉ đo lường độ tin cậy của thang đo bao gồm từ ba biến quan sát trở lên, có giá trị biến thiên trong khoảng [0,1]. Về lý thuyết, Cronbach’s alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên, hệ số Cronbach’s alpha quá lớn (>.95) cho thấy có nhiều biến trong thang đo trùng lắp, không có khác biệt. Các biến đo lường cùng một khái niệm nghiên cứu nên
chúng phải có tương quan chặt chẽ với nhau. Vì vậy, nếu một biến đo lường có hệ số tương quan biến tổng từ .3 trở lên thì biến đó đạt yêu cầu (Thọ, 2011).
Hệ số Cronbach’s alpha thường được sử dụng để đánh giá độ tin cậy của thang đo (Antony et al., 2002). Hệ số Cronbach’s alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các biến đo quan sát trong thang đo tương quan với nhau (Hoàng Trọng, 2005). Bởi vì chúng ta đo lường một khái niệm bằng một tập các biến quan sát bao phủ toàn bộ nội dung của khái niệm. Vì vậy, chúng phải có mối quan hệ với nhau rất cao. Nếu một thang đo có hệ số alpha quá thấp (< .60) thì thang đo không đạt độ tin cậy, nhưng nếu nó quá cao (> .95) thì thang đo cũng không tốt vì các biến đo lường hầu như là một (Thọ & Trang, 2007 dẫn theo Loan, 2009).
Như vậy, tiêu chuẩn độ tin cậy Cronbach’s alpha trong nghiên cứu này được đánh giá ở mức .6< α <.95 và tương quan biến - tổng >.3.
4.1.2 Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá EFA dùng để đánh giá giá trị hội tụ và giá trị phân biệt. EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn (Thọ, 2011).
Số lượng nhân tố trích: nếu số lượng nhân tố trích phù hợp với giả thuyết ban đầu thì các khái niệm đạt được giá trị phân biệt (Thọ, 2011).
Trọng số nhân tố và tổng phương sai trích: Yêu cầu chung là trọng số của một biến lên nhân tố mà nó đo lường (sau khi quay) phải cao và trọng số lên các nhân tố nó không đo lường phải thấp. Lúc đó, thang đo đạt được giá trị hội tụ. Tổng phương sai trích thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường (Thọ, 2011).
Phương pháp trích PAF (Principal Axis Factoring) với phép quay Promax phản ánh cấu trúc dữ liệu chính xác hơn PCA (Gerbing & Anderson 1988, dẫn theo Thọ, 2011). Do đó, nghiên cứu này cũng sử dụng phép trích PAF với phép quay Promax.
Tiêu chuẩn đánh giá EFA bao gồm:
- Hệ số tải nhân tố (factor loading): >.5.
- Chênh lệch trọng số của một biến lên hai nhân tố: >.3.
- Kiểm định Bartlett có p<.05, hệ số KMO: [0.5 , 1].
- Tổng phương sau trích: >50%.
- Eigenvalue : ≥ 1.
(nguồn: Thọ, 2011).
4.1.3 Phân tích nhân tố khẳng định CFA
CFA (Confirmatory Factor Analysis) cũng được sử dụng để đánh giá thang đo về tính đơn hướng, độ tin cậy và độ giá trị. Phân tích nhân tố khẳng định (CFA) được sử dụng kết hợp sau khi EFA, sau đó sẽ kiểm định mô hình bằng SEM. CFA được cho là tốt hơn EFA (Thọ, 2011). EFA thì thích hợp hơn cho việc xây dựng thang đo và CFA thích hợp hơn trong việc đánh giá thang đo (Hậu, 2005 dẫn theo Loan, 2009).
Để đo lường mức độ phù hợp của bộ dữ liệu nghiên cứu với dữ liệu thị trường, sử dụng các chỉ tiêu Chi-bình phương (CMIN), chỉ số CFI (Comparative Fix Index), chỉ số TLI (Turker & Lewis Index) và RMSEA (Root Mean Square Error Approximation). Mô hình được gọi là thích hợp với dữ liệu khi kiểm định CMIN có p > .05, tuy nhiên Chi-square phụ thuộc vào kích thước mẫu. Mô hình được coi là phù hợp với dữ liệu thị trường nếu có CMIN/df < 2, giá trị TLI và CFI ≥ .9, TLI và CFI ≤ 1, RMSEA < .08 (Thọ & Trang, 2011, p.44). Tác giả cũng sử dụng quy tắc này để đánh giá sự phù hợp của dữ liệu.
Phương pháp trích ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong mô hình. Khi kiểm định phân phối của các biến quan sát thì phân phối này lệch một ít so với phân phối chuẩn đa biến, tuy nhiên hầu hết các kurtoses và skewnesses đều nằm trong khoản [-1, +1] nên ML vẫn là phương pháp ước lượng thích hợp (Murthen & Kaplan, 1985 dẫn theo Thọ & Trang, 2011).
Khi thực hiện CFA cũng cần những đánh giá khác như:
- Độ tin cậy thang đo: hệ số tin cậy tổng hợp pc > .05, tổng phương sai trích pvc > .05.
- Tính đơn hướng: một biến quan sát chỉ để sử dụng đo lường duy nhất một biến tiềm ẩn.
- Giá trị hội tụ: thang đo đạt được giá trị hội tụ khi trọng số chuẩn hóa đều cao (>.5) và có ý nghĩa thống kê (p < .05).
- Giá trị phân biệt: thể hiện sự khác biệt giữa các khái niệm.
Thang đo đạt giá trị phân biệt khi hệ số tương quan giữa các khái niệm trong tổng thể đều khác 1 và có ý nghĩa thống kê (p < .05).
- Giá trị liên hệ lý thuyết: được đánh giá khi liên hệ với mô hình lý thuyết.