CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.5. PHƯƠNG PHÁP PHÂN TÍCH DỮ LIỆU
Dữ liệu sau khi được thu thập, nhóm nghiên cứu sẽ tiến hành mã hóa dữ liệu nghiên cứu, sau đó với sự hỗ trợ của các phần mềm thống kê cụ thể là phần mềm SPSS và SEM để thực hiện phân tích đánh giá dữ liệu.
3.5.1. Thống kê mô tả mẫu
Trong nhóm thông tin chung, các tiêu chí về khách hàng được phỏng vấn như:
giới tính, độ tuổi, ngành nghề, thu nhập,... nhóm nghiên cứu sẽ sử dụng để phân loại bằng tỷ lệ thông qua lựa chọn của người được phỏng vấn.
3.5.2. Đánh giá độ tin cậy của thang đo
Trong nghiên cứu có nhiều vấn đề phức tạp, quá trình đánh giá thang đo được nhóm nghiên cứu thực hiện qua việc xem xét: (1) giá trị hội tụ, (2) giá trị hội tụ và giá trị phân biệt, và (3) mức độ tin cậy của các nhân tố trong mô hình nghiên cứu để giải quyết vấn đề.
Thứ nhất, để đánh giá giá trị hội tụ (tính đơn hướng) của các nhân tố tiềm ẩn, nhóm nghiên cứu sử dụng phương pháp phân tích nhân tố khám phá (exploratory factor analysis - EFA). Từ nhiều biến quan sát thông qua phương pháp này các biến được rút gọn tập hợp thành một biến tiềm ẩn có ý nghĩa (Hair và cộng sự, 2010). Các tham số thống kê quan trọng và tiêu chí chấp nhận trong phân tích nhân tố gồm: (1) Hệ số tải nhân tố lớn hơn 0,5; (2) hệ số tải chéo (cross-loading) của thang đo nhỏ hơn đáng kể so với hệ số tải tại chính biến tiềm ẩn mà nó đo lường; (3) Chỉ số Kaiser- Meyer-Olkin (KMO) lớn hơn 0,5; (4) Kiểm định Bartlett cho p-value < 0,05; và (5) Phương sai trích lớn hơn 0,5. Phương pháp phân tích nhân tố được sử dụng đánh giá sơ bộ này là phân tích thành phần chính (Principal component analysis - PCA) với phép quay varimax.
Thứ hai, để kiểm chứng tính thích hợp của mô hình với dữ liệu thực tế cũng như sự tồn tại của các khái niệm có trong mô hình, nhóm nghiên cứu tiếp tục áp dụng phương pháp phân tích nhân tố khẳng định (confirmatory factor analysis – CFA). Mô hình tới hạn thực hiện phân tích với tất cả các khái niệm, xem xét tính tương thích với trường dữ liệu, đánh giá các cấu trúc khái niệm trong mô hình với nhau, các khái niệm này có đạt giá trị phân biệt, giá trị hội tụ hay không. Theo phương pháp này, hệ số tải trong mỗi nhân tố phải lớn hơn 0,5 để thang đo đạt giá trị hội tụ (convergent validity);
phương sai trích (AVE) lớn hơn 0,5 nhằm đảm bảo các khái niệm nghiên cứu đạt mức độ tin cậy cần thiết. Để đánh giá độ phân biệt của biến quan sát, đề tài sử dụng hai tiêu chuẩn là hệ số tương quan Heterotrait-Monotrait và tiêu chuẩn Fornell-Larcker. Theo đó, độ phân biệt được thỏa mãn khi: hệ số tương quan Heterotrait-Monotrait thấp hơn
0,9; hệ số Fornell-Larcker nhỏ hơn AVE của chính biến tiềm ẩn đó (Hair và cộng sự, 2010).
Thứ ba, nhóm nghiên cứu thực hiện đo lường độ tin cậy của thang thông qua hệ số Cronbach’s Alpha và nhóm hệ số rho. Để đảm bảo độ tin cậy thống kê của các nhân tố, trong nghiên cứu nhóm sử dụng tiêu chuẩn Cronbach’s Alpha lớn hơn 0,6 (Peterson, 1994). Nhóm nghiên cứu cũng sử dụng trong mô hình hai tiêu chuẩn đánh giá bổ sung là Dillon-Goldstein rho and Dijkstra-Henseler rho lớn hơn 0.6, và phù hợp nhất là lớn hơn 0.7 để đảm bảo các thang đo là đáng tin cậy (Cortina, 1993; Chin, 1998; Dijkstra & Henseler, 2015).
3.5.3. Phân tích bằng mô hình cấu trúc tuyến tính
Để kiểm định các giả thuyết đặt ra, nhóm nghiên cứu sử dụng mô hình phân tích cấu trúc tuyến tính (Structural equation modeling - SEM) ở mức ý nghĩa 5%.
Phương pháp này cho phép chúng tôi kiểm định đồng thời các giả thuyết về mối quan hệ và chiều hướng của biến quan sát và nhân tố tiềm ẩn thông qua sử dụng các mô hình đo lường và mô hình cấu trúc (Cooper & Schindler, 2011). Mô hình đo lường khám phá mối quan hệ giữa các nhân tố quan sát và biến tiềm ẩn mà chúng đo được, trong khi mô hình cấu trúc xác định mối quan hệ giữa các biến tiềm ẩn. Tiêu chuẩn đánh giá tính thích hợp của mô hình SEM được xem xét như trong phân tích khẳng định nhân tố (chi-square/df < 3; CFI, IFI, TLI > 0,9; RMSEA < 0,08)