CHƯƠNG 3 THIẾT KẾ NGHIÊN CỨU
3.2 PHƯƠNG PHÁP XỬ LÝ SỐ LIỆU
3.2.1 Đánh giá hệ số tin cậy Cronbach’s Alpha
Các thang đo sẽ được đánh giá độ tin cậy thông qua hệ số tin cậy. Mục đích nhằm tìm ra những mục cần hỏi cần giữ lại và những mục hỏi cần bỏ đi trong các mục đưa vào kiểm tra hay nói cách khác là giúp loại đi những biến quan sát, những thang đo không đạt. Các biến quan sát có hệ số tương quan biến tổng (Corrected Item-Total Correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0.6 trở lên (Nunnally & Bernsteri, 1994; Slater, 1995).
Nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0.8 trở lên đến gần 1 thì thang đo tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Hoàng Trọng, 2008). Trong nghiên cứu này, tác giả sử dụng hệ số Cronbach’s Alpha từ 0.7 trở lên.
3.2.2 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố được sử dụng chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt. Trong phân tích nhân tố EFA, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn sau:
Thứ nhất, chỉ số KMO (Kaiser-Meyer-Olkin measure of sampling adequacy) là một chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố thích hợp. Kiểm định Bartlett’s xem xét giả thuyết về độ tương quan giữa các biến quan sát trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig nhỏ hơn hoặc bằng 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Gerbing and Anderson, 1988).
Thứ hai, hệ số tải nhân tố (factor loading) là những hệ số tương quan đơn giữa các biến và các nhân tố dùng để đánh giá mức ý nghĩa giữa các biến trong phân tích nhân tố khám phá. Theo Hair & ctg (1998) hệ số này lớn hơn 0.3 được xem là đạt mức tối thiểu, hệ số tải nhân tố lớn hơn 0.4 được xem là quan trọng; hệ số tải lớn hơn 0.5 được xem là có ý nghĩa thực tiễn. Những biến với độ tải nhân tố thấp (< 0.4) sẽ bị loại (Nguyễn Đình Thọ, 2011).
Thứ ba, thang đo được chấp nhận khi tổng phương sai trích lớn hơn 50%
(Gerbing & Anderson, 1988). Thứ tư, hệ số eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) lớn hơn.
Thứ năm, khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố lớn hơn hoặc bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố.
Sau phân tích EFA, sẽ thực hiện tính lại hệ số Cronbach’s alpha cho từng khái niệm của mô hình lý thuyết nhằm kiểm định lại một lần nữa độ tin cậy của các thang đo sau khi một số biến từ kết quả của phân tích EFA.
3.2.3 Phân tích nhân tố khẳng định (CFA)
Phân tích nhân tố khẳng định giúp làm sáng tỏ một số phương diện: (1) Đo lường tính đơn hướng; (2) Đánh giá độ tin cậy của thang đo; (3) Giá trị hội tụ; (4) Giá trị phân biệt; (5) Giá trị liên hệ lý thuyết.
Phân tích CFA được thực hiện với mục đích kiểm định sự phù hợp của thang đo: Độ tin cậy tổng hợp, phương sai trích, tính đơn hướng, hội tụ và phân biệt. Khi
phân tích CFA đạt kết quả tốt, bước tiếp theo là kiểm định những giả thuyết được đề nghị trong mô hình lý thuyết bằng SEM.
Tính đơn hướng: Mức độ phù hợp của mô hình với dữ liệu thị trường giúp cho tập các biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau. Vì thế, để đo lường mức độ phù hợp của dữ liệu với thông tin thị trường các chỉ tiêu Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số tích hợp so sánh CFI (comparative Fit Index), chỉ số TLI (Tucker & Lewis index) và chỉ số RMSEA (Root Mean Square Error Approximation) và chỉ số MI (Modification Indices) được sử dụng; Nếu một mô hình nhận được giá trị TLI, CFI ≥ 0.9 ; CMIN/df ≤ 2; hoặc một số trường hợp CMIN/df ≤ 3; RMSEA ≤ 0.08) thì sữ liệu được xem là phù hợp với thị trường (Hair & cộng sự ,1998). Tuy nhiên, theo quan điểm gần đây của các nhà nghiên cứu thì GFI vẫn có thể chấp nhận được khi nhỏ hơn 0.9 (Hair và cộng sự, 2010).
Đánh giá độ tin cậy của thang đo: Độ tin cậy của thang đo được đánh giá thông qua: (1) hệ số tin cậy tổng hợp (composite reliability); (2) tổng phương sai trích (variance extracted) và (3) Cronbach’s alpha.
Giá trị hội tụ: Thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa của các thang đo đều cao (lớn hơn 0.5) và có ý nghĩa thống kê (Pvalue < 0.05) (Gerbing and Anderson, 1988).
Giá trị phân biệt: Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn, mô hình mà các khái niệm nghiên cứu tự do liên hệ với nhau. Giá trị này đạt khi tương quan giữa hai thành phần của khái niệm hoặc hai khái niệm thực sự khác biệt so với 1.
3.2.4 Phân tích mô hình cấu trúc tuyến tính
Mục đích chính của SEM là để mô tả mô hình của một loạt các liên liên quan phụ thuộc các mối quan hệ cùng một lúc trong một tập hợp các cấu trúc tiềm ẩn, SEM bao gồm một hoặc nhiều phương trình hồi quy tuyến tính mô tả cách các cấu trúc nội sinh phụ thuộc vào cấu trúc ngoại sinh và các cấu trúc nội sinh khác (Byrne, 2010). Các hệ số trong mô hình thường được gọi là hệ số đường dẫn hoặc trọng số hồi quy. SEM giống như kết hợp phân tích nhân tố và hồi quy đa biến.
Khác biệt quan trọng tồn tại giữa các mô hình hồi quy truyền thống và mô hình SEM là mô hình hồi quy truyền thống có thể không đánh giá cũng không đo lường chính xác sai số bởi vì các phương pháp thay thế bắt nguồn từ hồi quy hoặc các mô hình tuyến tính tổng quát giả sử rằng các sai sót trong giải thích biến (độc lập) biến mất. Tuy nhiên, SEM cung cấp ước lượng rõ ràng các tham số phương sai sai số. Hơn nữa, dữ liệu phân tích sử dụng phương pháp hồi quy dựa trên các phép đo quan sát, sử dụng SEM có thể kết hợp cả biến quan sát và biến không quan sát được. Thêm vào đó, SEM đặc biệt hữu ích bởi vì một biến phụ thuộc đồng thời có thể tác động đến một biến phụ thuộc khác. Trong trường hợp này, SEM là một phương pháp hữu hiệu để xem xét tác động trực tiếp và gián tiếp hiệu quả nhằm đối phó với hiện tượng đa cộng tuyến.
Mặc dù, các tài liệu tham khảo khác chỉ ra rằng SEM tập trung vào phân tích phương sai, SEM cũng có thể phân tích cấu trúc trung bình của mô hình. Không giống như mô hình hồi quy đa biến truyền thống, mô hình SEM sử dụng phương trình đồng thời các biến (cả hai quan sát được và tiềm ẩn) có thể ảnh hưởng hỗ tương lẫn nhau. Điều này, cho thấy SEM là một phương pháp rất phù hợp cho việc phân tích mối quan hệ giữa các khái niệm QTNNL, TNXH, cam kết tổ chức và kết quả hoạt động của doanh nghiệp, vì nó cho phép thể hiện các mối quan hệ nhân quả giữa vô số các biến liên quan đến tác động của hai nhân tố QTNNL và TNXH đến sự gắn kết của các nhân viên trong tổ chức và kết quả hoạt động doanh nghiệp.
Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mô hình. Phương pháp bootstrap sẽ được sử dụng để ước lượng lại các tham số mô hình để kiểm tra độ tin cậy của các ước lượng. Kết quả ước lượng ML sẽ được sử dụng để kiểm định lại các giả thuyết.
3.2.5 Kiểm định Bootstrap
Phương pháp Bootstrap là phương pháp coi mẫu gốc ban đầu đóng vai trò tổng thể từ đó nó được rút ra. Từ mẫu ban đầu lấy lại các mẫu ngẫu nhiên cùng cỡ với mẫu gốc bằng phương pháp lấy mẫu có hoàn lại, gọi là mẫu bootstrap. Phương pháp ước lượng ML (Maximum Likelihood) được sử dụng để ước lượng các tham số trong các mô hình. Phương pháp bootstrap được sử dụng để ước lượng lại các
tham số mô hình để kiểm tra độ tin cậy của các ước lượng. Kết quả ước lượng ML sẽ được sử dụng để kiểm định lại các giả thuyết.