PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

3.5. PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU

Các bảng câu hỏi sau khi thu thập được loại đi những bảng không đạt yêu cầu.

Sau đó, dữ liệu sẽ được mã hóa, nhập liệu, làm sạch và xử lý bằng phần mềm thống kê SPSS 25.0 và AMOS 23.0.

3.5.1. Phương pháp thống kê mô tả

Phân tích mô tả sử dụng phương pháp phân tích thống kê mô tả trong SPSS 25.0. Nội dung này cho biết các đặc điểm thống kê của các thuộc tính mẫu như công ty cung cấp dịch vụ du lịch, giới tính, độ tuổi, tình trạng hôn nhân, trình độ học vấn và thu nhập của các đối tượng khảo sát.

3.5.2. Kiểm tra độ tin cậy thang đo

Độ tin cậy của thang đo là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát và sẽ được đánh giá qua hệ số tin cậy Cronbach’s Alpha, (Thọ, 2014). Các tiêu chí đánh giá kết quả kiểm tra độ tin cậy của thang đo là:

- Các biến có hệ số tương quan biến-tổng (Item- total correlation) lớn hơn 0,3 hay bằng 0,3 sẽ đạt yêu cầu (Thọ, 2014). (Nunnally & Burnstein, 1994).

- Thang đo sẽ được chấp nhận khi hệ số Cronbach’s Alpha lớn hơn 0,6. Nếu hệ số Cronbach’Alpha lớn hơn 0,95 cho thấy nhiều biến trong thang đo không có khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu) (Thọ, 2014).

3.5.3. Phương pháp phân tích nhân số khám phá EFA

Luận văn cần đánh giá độ tin cậy và độ giá trị của thang đo trước khi kiểm định lý thuyết khoa học. Phương pháp Cronbach Alpha để đánh giá độ tin cậy của thang đo. Vấn đề tiếp theo là thang đo cần được đánh giá độ giá trị của nó. Phân tích nhân tố khám phá được sử dụng chủ yếu để kiểm tra độ giá trị của các biến quan sát về khái niệm (Thọ, 2014). Thực hiện phân tích nhân tố khám phá của thang đo nhằm xem xét số lượng nhân tố trích có phù hợp với giả thuyết ban đầu về số lượng thành phần của thang đo nếu thang đo đa hướng. Số lượng nhân tố có thể trích không phù hợp (lớn hơn hoặc nhỏ hơn) đều có thể xảy ra. Do đó, cần xem xét nguyên nhân và hiệu chỉnh tên biến cho phù hợp.

Việc phân tích nhân tố EFA đối với các biến trong các thang đo của đề tài được tiến hành qua 3 bước (Thọ, 2014):

- Bước 1: phân tích EFA cho riêng từng thang đo để đánh giá tính đơn hướng của thang đo; kiểm định tính đơn hướng của thang đo trong nghiên cứu định lượng sơ bộ được thực hiện với phép trích principal components và phép quay varimax; kiểm định

tính đơn hướng của thang đo trong nghiên cứu định lượng chính thức thực hiện với phép trích principal axis factoring và phép quay là promax

- Bước 2: phân tích EFA chung cho tất cả các thang đo của các khái niệm trong mô hình nghiên cứu để đánh giá sơ bộ giá trị hội tụ và giá trị phân biệt. Bước này sẽ được thực hiện với phép trích principal axis factoring, phép quay promax.

- Bước 3: kiểm tra lại độ tin cậy Cronbach’s Alpha lần nữa cho các nhân tố mới được thiết lập

Các tiêu chí đánh giá kết quả của phân tích nhân tố khám phá là:

- 0,5 ≤ KMO (Kaiser-Meyer-Olkin) ≤ 1 thì phép phân tích nhân tố được xem là thích hợp (Thọ, 2014). Kiểm định KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến với độ lớn của hệ số tương quan riêng của chúng (Norusis, 1994).

KMO càng lớn càng tốt: KMO ≥ 0,6 tạm được, KMO ≥ 0,7 được, KMO ≥ 0,8 tốt, KMO ≥ 0,9 rất tốt (Kaiser, 1974).

- Kiểm định Bartlett (Bartlett’s test of sphericity): dùng để xem xét ma trận tương quan có phải là ma trận đơn vị, là ma trận có các thành phần (hệ số tương quan giữa các biến) bằng 0 và đường chéo (hệ số tương quan với chính nó) bằng 1.

Nếu kiểm định Bartlett có Sig. < 0.05 thì chúng ta từ chối giả thuyết H0 (Ma trận tương quan là ma trận đơn vị) nghĩa là các biến có quan hệ với nhau (Thọ, 2014).

- Hệ số tải nhân tố (factor loading) là tiêu chí để đảm bảo mức ý nghĩa thiết thực của nhân tố xét theo mô hình EFA. Hệ số tải nhân tố có trọng số lớn hơn 0,4 được xem là quan trọng và nếu lớn hơn 0,5 được xem là có ý nghĩa thiết thực (Thọ, 2014).

- Tổng phương sai trích được phải lớn hơn 50% (Thọ, 2014). Nghĩa là nhân tố trọng số và tổng phương sai trích, với thang đo đơn biến hay nhiều biến đo lường trong thực tiễn nghiên cứu lớn hơn hoặc bằng 0,5 là chấp nhận được.

- Số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có eigenvalue tối thiểu bằng 1 (Thọ, 2014).

3.5.4. Kiểm định mô hình đo lường CFA

Thang đo được kiểm định chính thức 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, 2011). 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).

Các tiêu chí đánh giá kết quả của phân tích nhân tố khẳng định là:

- Để đo lường mức độ phù hợp của mô hình với dữ liệu thị trường, nghiên cứu sử dụng các chỉ tiêu Chi-square (CMIN), Chi-square điều chỉnh theo bậc tự do đạt được khi Chi-square/df ≤ 3, với mức ý nghĩa lớn hơn 0,05 (p > 0,05) và các chỉ số thích hợp so sánh TLI (Tucker-Lewis Index), CFI (Comparative Fit Index), GFI (Goodness of Fit Index) tối thiểu bằng 0,9 (≥ 0,9), AGFI (Adjusted goodness of fit index)> 0.8 và RMSEA (Root Mean Square Residual) tối đa bằng 0,08 (≤ 0,08) (Hair & cộng sự., 2014). RMSEA là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình với tổng thể. Tuy nhiên, Chi-square có nhược điểm là phụ thuộc kích thước mẫu.

Trong phân tích nhân tố khám phá (CFA) có thể sử dụng để kiểm tra tính đơn hướng, độ giá trị hội tụ và độ giá trị phân biệt. Ba tính chất quan trọng của một thang đo: (1) thang đo đơn hướng hay đa hướng, (2) độ tin cậy, (3) độ giá trị của nó. Do vậy, các đo lường phải thỏa mãn những tiêu chí cần thiết để có thể sừ dụng trong nghiên cứu khoa học (Thọ, 2014). 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 cũng có năm loại giá trị đo lường khái niệm: (1) giá trị nội dung, (2) giá trị hội tụ, (3) giá trị phân biệt, (4) giá trị liên hệ lý thuyết và (5) giá trị tiêu chuẩn. 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 (Thọ, 2014).

- Tính đơn hướng của một thang đo nói lên tập các biến đo lường chỉ đo lường một biến tiềm ẩn mà thôi (Hattei, 1985), tức là một một biến quan sát chỉ đo lường một biến tiềm ẩn duy nhất (Thọ, 2014). 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 các số đo có mối quan hệ chặt chẽ với nhau (Thọ, 2014). Thang đo đạt giá trị hội tụ nếu các trọng số chuẩn hóa đều cao (>0,5) và có ý nghĩa thống kê (p< 0,05)

- 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 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) (Hair & cộng sự, 2014).

+ 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 & cộng sự, 2014).

Trong luận văn dùng phương pháp kiểm định giá trị theo từng cặp khái niệm.

Bởi lẽ, phương pháp này có nhiều ưu điểm hơn so với 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 khái niệm bậc cao, phương pháp này có thể so sánh với 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 cấu trúc 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. 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 & cộng sự, 2014). 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 (độ tin cậy, và độ giá trị).

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 & cộng sự, 2014). 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, và 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 (Vaserson & 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 & cộng sự, 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 qui 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, 2011). 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, 2011). Mô hình được xem là thích hợp nếu TLI (Tucker-Lewis Index), CFI (Comparative Fit Index), GFI (Goodness of Fit Index) tối thiểu bằng 0,9 (≥ 0,9), CMIN/df ≤ 3 và RMSEA (Root Mean Square Residual) tối đa bằng 0,08 (≤

0,08) (Hair & cộng sự 2014). Bên cạnh đó, để kiểm tra mối quan hệ giữa các khái niệm ta xem xét đến hệ số p, nếu p<0,05 (độ tin cậy 95%) thì giả thuyết phát biểu về mối quan hệ giữa hai nhân tố đó ủng hộ cho mô hình nghiên cứu, ngược lại nếu p>0,05 thì giả thuyết bị bác bỏ (không ủng hộ). Hệ số hồi quy chuẩn hóa cho thấy mức độ ảnh hưởng của nhân tố này lên nhân tố kia (Hair & cộng sự, 2014).

3.5.6. 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 & Lomax, 1996).

Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò là đám đông (Thọ, 2014). Số lần lấy mẫu lặp lại trong nghiên cứu này được chọn là N=1000 lần. Kết quả ước lượng N=1000 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.

Tóm tắt chương 3

Trong chương này đã trình bày phương pháp nghiên cứu thực hiện trong luận văn nhằm xây dựng và đánh giá các thang đo cũng như mô hình lý thuyết. Phương pháp nghiên cứu được thực hiện qua nghiên cứu định tính và nghiên cứu định lượng.

Nghiên cứu định tính được thực hiện thông qua hình thức phỏng vấn sâu và khảo sát sơ bộ để đưa ra bảng câu hỏi khảo sát chính thức. Dữ liệu sau khi thu thập sẽ được tiến hành mã hóa, nhập dữ liệu vào chương trình SPSS 25.0 để phân tích kết quả nghiên cứu.