CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
3.6. KIỂM ĐỊNH MÔ HÌNH NGHIÊN CỨU BẰNG MÔ HÌNH SEM
3.6.3. Cải thiện mô hình SEM
Mô hình có Chi-square càng nhỏ thì càng tốt. Cột MI trong bảng 3.21 gợi ý cho ta biết nên móc mũi tên hai đầu vào cặp sai số nào để có thể cải thiện Chi-square. Nếu móc giữa e9 – e11 thì Chi-square sẽ giảm một lƣợng là 16,901 so với Chi-square của mô hình ban đầu. Khi đó giá trị của các thông số GFI, TLI, CFI… cũng sẽ đƣợc cải thiện.
Bảng 3.21: Covariances (Mô hình cải thiện)
M.I. Par Change
e22 <--> e21 7,761 ,072
e24 <--> e21 9,717 -,093
e25 <--> giaiquyetkhieunai 9,309 -,069
e25 <--> suthuantien 4,514 ,044
e25 <--> e24 7,359 ,067
e18 <--> e24 5,358 ,052
e15 <--> e25 6,367 ,054
e7 <--> giaiquyetkhieunai 14,076 ,068
e7 <--> e23 4,270 ,042
e7 <--> e17 4,832 ,037
e8 <--> z1 6,856 -,040
e10 <--> giaiquyetkhieunai 5,213 -,046
e10 <--> e24 4,014 ,044
e10 <--> e7 6,505 -,043
e11 <--> e25 9,084 ,065
e11 <--> e17 4,576 ,042
e11 <--> e8 5,145 -,045
M.I. Par Change
e11 <--> e9 16,901 ,076
e11 <--> e10 6,321 ,048
e12 <--> e22 5,440 ,042
e12 <--> e11 5,890 -,043
e14 <--> e23 9,030 -,060
e14 <--> e9 14,808 -,061
e14 <--> e12 4,612 ,032
Sau khi móc giữa e11 và e9 thì đƣợc kết quả nhƣ hình 3.4
Hình 3.4: Mô hình cấu trúc tuyến tính SEM sau khi cải thiện
Bảng 3.22 : So sánh độ phù hợp của mô hình trước và sau khi cải thiện Các chỉ số đánh giá Mô hình ban đầu
(Mô hình sau khi loại bỏ biến)
Mô hình cải thiện
Chi_square 232,070 214,397
df 113 112
Cmin/df 2,054 1,914
P 0,000 0,000
GFI 0,896 0,905
CFI 0,925 0,935
TLI 0,909 0,921
RMSEA 0,067 0,062
Kết quả sau khi cải thiện cho thấy các chỉ số độ phù hợp của mô hình theo hình 3.4 rất phù hợp so với dữ liệu khảo sát thị trường.
Bảng 3.23: Giá trị các mối liên hệ của mô hình sau khi cải thiện Regression Weights: (group 1 - Default model)
Estimate S.E. C.R. P Kết luận suhailong <--- giaiquyetkhieunai ,224 ,082 2,740 ,006 Chấp nhận suhailong <--- suthuantien ,236 ,081 2,906 ,004 Chấp nhập suhailong <--- Nhanvienphucvu ,572 ,106 5,392 *** Chấp nhận
Xem bảng 3.23 cho thấy sau khi cải thiện mô hình thì các biến giải quyết khiếu nại, sự thuận tiện và nhân viên phục vụ có ý nghĩa thống kê ở độ tin cậy 95% vì P-value < 0,05. Các trọng số chưa chuẩn hóa mang dấu dương cho thấy các biến giải quyết khiếu nại, sự thuận tiện và nhân viên phục vụ có ảnh hưởng tỷ lệ thuận với sự hài lòng của khách hàng.
Bảng 3.24: Bảng các trọng số đã chuẩn hóa của mô hình sau khi cải thiện Standardized Regression Weights: (group 1 - Default model)
Estimate Suhailong <--- giaiquyetkhieunai ,238 Suhailong <--- suthuantien ,242 Suhailong <--- Nhanvienphucvu ,513
Các trọng số chuẩn hóa đều dương nên các biến giải quyết khiếu nại, sự thuận tiện, nhân viên phục vụ có ảnh hưởng thuận chiều đến sự hài lòng.
Trong đó, biến nhân viên phục vụ có tác động mạnh nhất đến sự hài lòng vì giá trị của trọng số chuẩn hóa là 0,513 lớn nhất so với các trọng số của biến giải quyết khiếu nại (0,238) và sự thuận tiện (0,242)
Sau khi cải thiện mô hình thì ba biến nhân viên phục vụ, giải quyết khiếu nại và sự thuận tiện giải tích 72% sự biến thiên của mô hình (xem bảng 3.25)
Bảng 3.25 : Squared Multiple Correlations (Mô hình cải thiện) Estimate
suhailong ,720
3.7. KIỂM ĐỊNH ƢỚC LƢỢNG MÔ HÌNH NGHIÊN CỨU BẰNG BOOTSTRAP
Bootstrap là phương pháp lấy mẫu lặp lại có thay thế, trong đó mẫu ban đầu đóng vai trò là đám đông.Nghiên cứu này sử dụng số lƣợng mẫu lặp lại N=470. Kết quả ƣớc lƣợng đƣợc trình bày ở Bảng 3.26
Bảng 3.26: Kết quả kiểm định ƣớc lƣợng bằng Boostrap với N = 470
Parameter Estimate SE
SE-SE
Mean Bias SE-
Bias CR
Suhailong <--
Giaiquyet
khieunai 0,238 0,105 0,003 0,236 -0,002 0,005 -0,4
Suhailong <--
Suthuan
tien 0,242 0,082 0,003 0,245 0,004 0,004 1
Suhailong <--
Nhanvien
phucvu 0,513 0,085 0,003 0,512 -0,001 0,004 -0,25 Cột Mean cho ta trung bình các ƣớc lƣợng Bootstrap. Bias (độ chệch) bằng cột Mean trừ cột Estimate.Cột CR bằng cột Bias chia cho cột SE-Bias.
Độ chệch tuy xuất hiện nhƣng trị tuyệt đối CR < 2 nên có thể nói là độ chệch là rất nhỏ, không có ý nghĩa thống kê ở độ tin cậy 95%. Và nhƣ vậy, ta có thể
kết luận là các ƣớc lƣợng trong mô hình nhƣ hình 3.4 là tin cậy đƣợc.
3.8. PHÂN TÍCH CẤU TRệC ĐA NHểM
Phương pháp phân tích cấu trúc đa nhóm để so sánh mô hình nghiên cứu theo các nhóm nào đó của một biến định tính. Nhƣ so sánh mô hình thể hiện tác động của các nhân tố Nhân viên phục vụ, Giải quyết khiếu nại và sự thuận tiện đến mức độ hài lòng của khách hàng theo: nhóm giới tính (nam/nữ), độ tuổi, thời điểm đi siêu thị.
Đề tài nghiên cứu sử dụng phân tích cấu trúc đa nhóm với hai nhóm giới tính, năm nhóm tuổi, bảy nhóm nghề nghiệp và bốn nhóm thời điểm đến siêu thị.
Kiểm định giả thuyết:
H0: Chi-square của mô hình khả biến bằng chi-square của mô hình bất biến H1: Có sự khác biệt về Chi-square giữa mô hình khả biến và mô hình bất biến.
Kiểm định Chi-square đƣợc sử dụng để so sánh giữa 2 mô hình. Nếu kiểm định Chi-square cho thấy giữa mô hình bất biến và mô hình khả biến không có sự khác biệt (P-value > 0.05) thì mô hình bất biến sẽ đƣợc chọn (có bậc tự do cao hơn). Ngƣợc lại nếu sự khác biệt Chi- square là có ý nghĩa giữa hai mô hình ( P-value <0.05) thì chọn mô hình khả biến (có độ tương thích cao hơn).
3.8.1. Kiểm định sự khác biệt theo giới tính
Bảng 3.27: Kiểm định sự khác biệt theo giới tính
Mô hình χ2 df P-value
Khả biến 403,903 224 0.000
Bất biến 406,180 227 0.000
Giá trị khác biệt 2,277 3 0,517
Phương pháp khả biến (tất cả các thông số trong hai mô hình không bị ràng buộc) và phương pháp bất biến (các trọng số hồi quy được ràng buộc bằng nhau giữa hai nhóm). Kết quả phân tích SEM cho thấy sự khác biệt giữa hai mô hình không có ý nghĩa (P-value = 0.517 > 0.05) (xem bảng 3.27). Nói
cách khác là không có sự khác biệt về Chi-square giữa hai mô hình. Do đó, ta chọn mô hình bất biến. Có nghĩa là không có sự khác biệt trong mối ảnh hưởng giữa nhân viên phục vụ, sự thuận tiện, giải quyết khiếu nại đến sự hài lòng của khách hàng đối với siêu thị Quảng Ngãi giữa nhóm khách hàng nam và nhóm khách hàng nữ.
3.8.2. Kiểm định sự khác biệt theo độ tuổi
Đề tài nghiên cứu có 5 nhóm tuổi là nhóm tuổi dưới 24, nhóm tuổi 24 – 35, nhóm tuổi 36-44, nhóm tuổi 45 – 60, nhóm tuổi trên 60.
Kết quả kiểm định đa nhóm khả biến và bất biến đƣợc thể hiện trong bảng sau:
Bảng 3.28: Kiểm định sự khác biệt theo độ tuổi
Mô hình χ2 Df P-value
Khả biến 588,441 339 0.000
Bất biến 595,395 342 0.000
Giá trị khác biệt 6,954 3,000 0,073
Kết quả phân tích SEM cho thấy sự khác biệt giữa hai mô hình có ý nghĩa (P-value = 0.073 > 0.05) (xem bảng 3.28). Nói cách khác là không sự khác biệt về Chi-square giữa hai mô hình. Do đó, ta chọn mô hình bất biến.
Có nghĩa là không sự khác biệt trong mối ảnh hưởng giữa nhóm tuổi dưới 24, nhóm tuổi từ 24 đến 35, nhóm tuổi từ 36 đến 44 đến sự hài lòng của khách hàng đối với siêu thị Quảng Ngãi giữa nhóm tuổi trên.
3.8.3. Kiểm định sự khác biệt theo thời điểm đi siêu thị
Bảng 3.29: Kiểm định sự khác biệt theo thời điểm đi siêu thị
Mô hình χ2 Df P-value
Khả biến
784,095 454 0.000
Bất biến
796,311 457 0.000
Giá trị khác biệt
12,216 3,000 0,006
Kết quả phân tích SEM cho thấy sự khác biệt giữa hai mô hình có ý nghĩa (P-value = 0.006< 0.05) (xem Bảng 3.29) nghĩa là có sự khác biệt về Chi-square giữa hai mô hình. Do đó, ta chọn mô hình khả biến. Nghĩa là có sự khác biệt trong mối ảnh hưởng giữa nhân viên phục vụ, sự thuận lợi và giải quyết khiếu nại đến sự hài lòng của các nhóm khách hàng có thời điểm đi siêu thị khác nhau trong ngày.
KẾT LUẬN CHƯƠNG 3
Chương 3 tác giả đã tiến hành tìm hiểu những nét sơ lược về siêu thị Quảng Ngãi; ngoài việc tiến hành các thông kê mô tả, các phân tích thì quan trọng hơn là nghiên cứu đã đi các kiểm định quan trọng của đề tài nhƣ: kiểm định độ tin cậy của thang đo bằng hệ số Cronbach‟s alpha, phân tích nhân tố khám phá để loại bỏ những quan sất không đạt yêu cầu ra khỏi mô hình.
Những biến đủ điều kiện đƣợc đƣa vào phân tích CFA để kiểm tra về độ phù hợp của mô hình so với dữ liệu thị trường, giá trị phân biệt, giá trị hội tụ của các khái niệm thành phần. Sau khi các chỉ tiêu đạt đƣợc yêu cầu thì các khái niệm thành phần đƣợc kiểm định thông qua mô hình SEM.
Trong chương này tác giả cũng tiến hành kiểm định ước lượng mô hình bằng Bootstrap và tiến hành một số phân tích cấu trúc đa nhóm để kiểm định có hay không sự khác biệt trong mối ảnh hưởng giữa nhân viên phục vụ, sự thuận lợi và giải quyết khiếu nại đến sự hài lòng của các nhóm khách hàng có thời điểm đi siêu thị khác nhau trong ngày .
Kết quả của kiểm định mô hình SEM rút ra có ba biến tác động đến sự hài lòng của khách hàng về CLDV của siêu thị Quảng Ngãi là nhân viên phục vụ, giải quyết vấn đề và sự thuận tiện.