Giới thiệu về mô hình cấu trúc tuyến tính SEM

CHƯƠNG III: PHƯƠNG PHÁP NGHIÊN CỨU

3.5. Các phương pháp phân tích dữ liệu

3.5.4. Kiểm định mô hình và các giả thiết

3.5.4.1. Giới thiệu về mô hình cấu trúc tuyến tính SEM

Phương pháp phân tích mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) thông qua phần mềm AMOS (Analysis of Moment Structures) được sử dụng để kiểm định thang đo và mô hình nghiên cứu. Mô hình cấu trúc tuyến tính SEM

được sử dụng rộng rãi trong khoa học nghiên cứu hành vi. Theo đó, SEM bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (path analysis), phân tích nhân tố khẳng định, mô hình nhân quả với các biến tiềm ẩn (causual modeling with latent variables), phân tích phương sai, và mô hình hồi qui tuyến tính bội (Thọ &

Trang, 2008). SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trải dài theo thời gian (longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hóa, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn (non-normality), gần chuẩn (asymptotic – normality), hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM còn được sử dụng để ước lượng các mô hình đo lường (mesurement model) và mô hình cấu trúc (structure Model) của bài toán lý thuyết đa biến (Hair et al., 2006). Nói riêng, mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (latent variables) và các biến quan sát (observed variables), từ đó cung cấp thông tin về thuộc tính đo lường của các biến quan sát (Sự tin cậy và độ giá trị). Trong khi đó, mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau - các mối quan hệ này có thể chỉ ra những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm. Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ tương hỗ để cho phép nhà nghiên cứu kiểm tra các mối quan hệ phức hợp trong mô hình (Hair et al., 2006).

Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả của các khái niệm tiềm ẩn (latent constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo lường và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định (CFA), SEM cung cấp công cụ mạnh để tiến hành kiểm định, khẳng định lại thang đo (sau khi kiểm định EFA).

Một trong những ưu điểm lớn nhất của SEM có lẽ là khả năng kiểm định cùng một lúc tất cả các giả thuyết trong mô hình lý thuyết, cho phép nhà nghiên cứu linh động tìm kiếm mô hình phù hợp nhất (chứ không phải tốt nhất) trong các mô hình đề nghị.SEM mang lại cho nhà nghiên cứu một công cụ toàn diện và hữu hiệu để đánh giá mô hình lý thuyết (Anderson & Gerbing, 1988). SEM có thể đo lường mô hình hồi quy tuyến tính bội đa cấp, điều không thể thực hiện với một số mô hình hồi quy bội đơn.

Hơn nữa, SEM có thể thể hiện được các tiềm ẩn trong mô hình và ước lượng các phần dư đối với mỗi biến trong quá trình phân tích (Hair et al., 2006).

Một cách chi tiết, biến đo lường được hay còn gọi là biến quan sát được (observed variable), hoặc biến chỉ báo (indicators). Biến tiềm ẩn là biến không thể quan sát được mà phải suy ra từ biến đo lường được. Biến tiềm ẩn được ám chỉ bởi hiệp phương sai giữa hai hay nhiều biến đo lường được. Chúng được biết đến như các nhân tố, các biến kiến trúc hay các biến không quan sát được (Hair et al., 2006). Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình cấu trúc tuyến tính cũng có lợi thế hơn các phương pháp truyền thống như hồi quy đa biến vì nó có thể tính được sai số đo lường. Hơn nữa phương pháp này cho phép kết hợp các khái niệm tiềm ẩn với đo lường của chúng và có thể xem xét các đo lường độc lập hay kết hợp chung với mô hình lý thuyết cùng một lúc (Thọ & Trang, 2008).

Chính vì vậy, phương pháp phân tích cấu trúc tuyến tính được sử dụng rất phổ biến trong ngành tiếp thị trong những năm gần đây và thường được gọi là phương pháp phân tích thông tin thế hệ thứ hai (Thọ & Trang, 2008).

3.5.4.2. Các chỉ tiêu kiểm định phân tích nhân tố khẳng định CFA

Thang đo được kiểm định bằng phương pháp phân tích nhân tố khẳng định CFA, thông qua phần mềm phân tích cấu trúc tuyến tính AMOS. Trong kiểm định thang đo, phương pháp CFA trong phân tích mô hình cấu trúc tuyến tính có nhiều ưu điểm hơn so với các phương pháp truyền thống (Thọ & Trang, 2008). Lý do là CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo lường cũng như mối

quan hệ giữa các khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp & Van Trijp, 1991).

Để đo lường mức độ phù hợp của mô hình với dữ liệu thị trường, nghiên cứu này sử dụng các chỉ tiêu Chi bình phương (CMIN), Chi bình phương điều chỉnh theo bậc tự do (CMIN/df), chỉ số thích hợp so sánh CFI (Comparative Fit Index), chỉ số TLI (Tucker & Lewis Index) và chỉ số RMSEA (Root mean square error approximation).

Mô hình đuợc gọi là thích hợp khi phép kiểm định Chi - bình phương có giá trị p> 5%

(Thọ, 2003). Tuy nhiên, Chi bình phương có một nhược điểm là phụ thuộc kích thước mẫu. Nếu một mô hình nhận được các giá trị TLI, CFI, GFI ≥ 0,9, P< 0,05, CMIN/df≤

3, RMSEA ≤ 0,08 (Hair et al., 2006) thì mô hình được xem là phù hợp với dữ liệu thị trường. RMSEA là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể. Theo đó, CFA có thể sử dụng để kiểm tra tính đơn hướng, độ giá trị hội tụ và độ giá trị phân biệt. Thật vậy, (Thọ, 2011) đã chỉ ra, các đo lường phải thỏa mãn những tiêu chí cần thiết để có thể sử dụng trong nghiên cứu khoa học.

Ba tính chất quan trọng của một thang đo là (1) hướng, nghĩa là thang đo đơn hướng (unidimensionality) hay đa hướng (multidimensionality), (2) Sự tin cậy (reliability), (3) và giá trị (validity) của nó. Giá trị của một thang đo nói lên khả năng thang đo đó có đo lường được những gì mà nhà nghiên cứu muốn nó đo lường (Bagozzi, 1994; Bollen, 1989; Carmines & Zeller, 1980). Chúng ta có năm loại giá trị trong đo lường khái niệm (construct validity), đó 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, điều quan trọng là cần phải đánh giá các tiêu chí này của thang đo trước khi dùng nó để kiểm định mô hình lý thuyết và giả thuyết nghiên cứu (Bagozzi, 1980; Steenkamp & Van Trijp, 1991).

Tính đơn hướng của một thang đo nói lên tập các biến đo lường chỉ đo lường cho một biến tiềm ẩn mà thôi (Hattei, 1985), tức là một biến quan sát chỉ dùng để đo

lường một biến tiềm ẩn duy nhất (Thọ, 2003). Khi không có tương quan giữa sai số của các biến quan sát, mức độ phù hợp của mô hình đo lường với dữ liệu thị trường là điều kiện cần và đủ để cho tập biến quan sát có tính đơn hướng (Steenkamp & Van Trijp, 1991).

Độ giá trị hội tụ nói lên mức độ hội tụ của một thang đo sử dụng để đo lường một khái niệm sau nhiều lần (lặp lại), tức là sau những lần lặp lại các số đo có mối quan hệ chặt chẽ với nhau (Thọ, 2003). Thang đo đạt giá trị hội tụ nếu các trọng số chuẩn hóa đều cao (>0,5) và có ý nghĩa thống kê (p < 5%). Độ giá trị phân biệt nói lên hai thang đo đo lường hai khái niệm khác nhau phải khác biệt nhau (Bagozzi, 1994), nghĩa là hệ số tương quan của hai khái niệm này phải khác với đơn vị. Kiểm định giá trị phân biệt của các khái niệm dựa trên mô hình tới hạn (saturated model) là mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau. Có hai phương pháp kiểm định độ giá trị phân biệt:

- Phương pháp sử dụng hệ số tương quan:

Hai khái niệm đạt được giá trị phân biệt khi hệ số tương quan giữa chúng nhỏ hơn 1 và có ý nghĩa thống kê (p-value < 0,05).

- Phương pháp kiểm định giá trị theo từng cặp khái niệm:

Hai cặp khái niệm đạt được giá trị phân biệt khi so sánh phương sai trích trung bình AVE (Average Variance Extracted) của từng khái niệm với bình phương hệ số tương quan r2, nếu AVE > r2 thì hai cặp khái niệm đạt được độ giá trị phân biệt. Ngược lại, nếu AVE < r2 thì hai khái niệm không đạt được độ giá trị phân biệt (Hair et al., 2006). Phương pháp này có nhiều ưu điểm hơn phương pháp sử dụng hệ số tương quan vì hệ số tương quan sẽ thay đổi nếu có sự tham gia của các khái niệm khác. Hơn nữa, trong trường hợp với khái niệm bậc cao, phương pháp này có 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.

3.5.4.3. Kiểm định mô hình lý thuyết

Mô hình lý thuyết được kiểm định với phương pháp ước lượng ML, và kiểm định Bootstrap. Điều kiện ban đầu là mô hình phải đạt được độ phù hợp chung với các chỉ số đánh giá như bước phân tích CFA. Bên cạnh đó, để kiểm tra mối quan hệ giữa các khái niệm ta xem xét hệ số p-value. Nếu p-value < 0,05 thì giả thuyết phát biểu về mối quan hệ của 2 nhân tố đó ủng hộ cho mô hình nghiên cứu, ngược lại p-value >

0,05 thì giả thuyết sẽ bị bác bỏ. Hệ số hồi quy chuẩn hóa cho thấy mức độ ảnh hưởng của nhân tố này lên nhân tố kia (Hair et al., 2006).

3.5.4.4. Kiểm định ước lượng mô hình lý thuyết bằng Bootstrap

Trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia làm hai mẫu con. Một mẫu dùng để ước lượng các tham số mô hình. Một mẫu còn lại dùng để đánh giá lại. Hay nói cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên thường không thực tế vì phương pháp phân tích cấu trúc tuyến tính (SEM) thường đòi hỏi mẫu lớn, nên việc làm này đòi hỏi tốn thời gian và chi phí (Anderson & Gerbing, 1988). Trong trường hợp như vậy thì bootstrap là phương pháp phù hợp để thay thế (Schumacker và Lomax,1996).

Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò là đám đông (Nguyễn Đình Thọ, 2014). Số lần lấy mẫu lặp lại trong nghiên cứu này được chọn là n=400 lần. Kết quả ước lượng n=400 lần từ số mẫu ban đầu được tính trung bình và giá trị này có xu hướng gần đến ước lượng của tổng thể. Khoảng chênh lệch (bias) giữa giá trị trung bình ước lượng bằng boostrap và ước lượng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ước lượng mô hình có thể tin cậy được

3.5.4.5. Kiểm định sự khác biệt mô hình bằng phân tích đa nhóm

Kiểm định mô hình đa nhóm là so sánh sự khác biệt của các nhóm trong các biến định tính: Kiểm định khác biệt Chi-square được sử dụng để so sánh hai mô hình bất biến và khả biến. Nếu kiểm định Chi-square cho thấy mức độ khác biệt của hai mô hình bất biến từng phần và khả biến không có ý nghĩa (p>0,05) thì mô hình bất biến

từng phần sẽ được chọn (vì có bậc tự do cao hơn). Ngược lại, nếu có sự khác biệt Chi- bình phương có ý nghĩa (p<0,05) thì sẽ chọn mô hình khả biến (vì có độ tương thích cao hơn) (Nguyễn Đình Thọ, 2014).

3.6. Tóm tắt chương 3

Chương 3 trình bày về phương pháp và thiết kế nghiên cứu để đánh giá thang đo của các khái niệm nghiên cứu và kiểm định mô hình. Chương này bao gồm các nội dung chính như là qui trình nghiên cứu, phương pháp nghiên cứu sơ bộ (định tính), phương pháp nghiên cứu định lượng sơ bộ, phương pháp nghiên cứu định lượng chính thức, thang đo các khái niệm nghiên cứu, cách chọn mẫu nghiên cứu và phương pháp phân tích dữ liệu bao gồm thống kê mô tả, phân tích nhân tố khám phá (EFA), kiểm định mô hình đo lường bằng phương pháp phân tích nhân tố khẳng định (CFA). Kiểm định mô hình cấu trúc bằng phương pháp phân tích cấu trúc tuyến tính (SEM), kiểm định ước lượng mô hình lý thuyết bằng bootstrap và kiểm định sự khác biệt bằng phân tích đa nhóm.