Chương 3. PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Quy trình thực hiện nghiên cứu
3.1.3. Phương pháp phân tích dữ liệu
3.1.3.4. Phân tích mô hình cấu trúc tuyến tính SEM
Một trong những kỹ thuật phức hợp và linh hoạt nhất nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân qủa là mô hình SEM (Structural Equation Modeling). Mô hình này cũng ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như: ngành dịch vụ thông tin di động Hàn Quốc (Kim và Park, 2003), Mô hình nghiên cứu sự trung thành của khách hàng Dịch vụ thông tin di động Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)…
Thông thường, nếu không dùng chiến lược so sánh mô hình cạnh tranh để định dạng mô hình thì các nhà nghiên cứu thường đánh giá độ phù hợp của mô hình chung bảng các đo lường sau:
- Thống kê Chi – bình phương: Thông kê Chi – bình phương là một đo lường về độ phù hợp tuyệt đối, nó cung cấp cơ sở để tin rằng sự khác biệt giữa ma trận dự báo và ma trận đầu vào là không có nghĩa. Yêu cầu là mức ý nghĩa (p) phải lớn hơn 0.05 thì mô hình được xem là chấp nhận được. Tuy nhiên, thống kê này rất nhạy với kích cỡ mẫu, việc sử dụng nó để đánh giá độ phù hợp khi cỡ mẫu 100 đến 200. Khi cỡ mẫu lớn hơn mức này thì thống kê này thường có ý nghĩa (p < 0.05) mà nếu căn cứ vào nó để đánh giá thì dẫn đến một kết luận sai lầm là mô hình chung không phù hợp.
- Chỉ số độ phù hợp tốt GFI (Goodness of Fit Index): GFI là một chỉ số đo lường độ phù hợp tuyệt đối. Nó là một đo lường phi thống kê có giá trị dài từ 0 (độ phù hợp tồi) đến 1 (độ phù hợp hoàn hảo). Giá trị của GFI càng cao mô hình càng phù hợp, các nhà nghiên cứu (Browne và Cudek, 1992) đề nghị rằng GFI lớn hơn 0.9 thì mô hình được xem là có thể chấp nhận được.
- Chỉ số RMSEA (Root Mean Square Error of Approximation): Chỉ số này dùng để khắc phục cho khuynh hướng bác bỏ mô hình của thông kê Chi – bình phương do kích cỡ mẫu lớn. RMSEA cũng là một chỉ số đo lường tuyệt đối, giá trị của RMSEA càng nhỏ thể hiện độ phù hợp của mô hình càng cao, thông thường RMSEA rơi vào khoảng 0.05 đến 0.08 thì mô hình dường như có thể chấp nhận được.
- Chỉ số CFI (Comparative Fit Index): là một chỉ số đo lường độ phù hợp tăng thêm của mô hình, nó cho biết một so sánh giữa mô hình đề xuất với một mô hình
“null” (có bậc tự do bằng 0) hay một mô hình độc lập (có bậc tự do lớn nhất). Giá trị CFI nằm trong khoảng từ 0 đến 1. Giá trị của CFI càng cao thì mô hình càng phù hợp.
Tương tự GFI, Browne và Cudek (1992) đề nghị CFI lớn hơn 0.9 thì mô hình được xem là có thể chấp nhận được.
Mô hình chung không đạt được độ phù hợp có nghĩa là có mô hình đo lường và mô hình cấu trúc đều tồi, nhưng nếu nó đạt được do phù hợp không có nghĩa là tất cả các khái niệm và thang đều tốt, do đó cần phải các mô hình đo lường và cấu trúc tách rời để xem xét những vấn đề tiềm ẩn có ảnh hưởng đến độ phù hợp của mô hình chung.
Độ phù hợp của mô hình đo lường : Sau khi mô hình chung đạt được đọ phù hợp, việc đo lường cho mỗi khái niệm có thể được đánh giá đối với tính đơn nghĩa và độ tin cậy.
Tính đơn nghĩa là một giả thuyết cơ bản nằm dưới việc tính toán độ tin cậy và được thể hiện khi các chỉ báo của một khái niệm có độ phù hợp được chấp nhận (có trọng số nhân tố rất cao) lên một nhân tố duy nhất. Tính đơn nghĩa có thể được xác định thông qua phân tích nhân tố khám phá hoặc phân tích nhân tố xác định mà mô hình đo lường có độ phù hợp chấp nhận được.
Sau khi xem xét tính đơn nghĩa thì độ tin cậy của thang đo mới đánh giá. Độ tin cậy của thang đo thường được đánh giá thông qua 3 hệ số: (1) Alpha của Cronbach (1951); Độ tin cậy của tổng hợp của Joreskog (1971); (3) Phương sai chiết suất (Fornell và Lacker, 1981).
Độ phù hợp của mô hình cấu trúc: đánh giá hiển nhiên nhất đối với mô hình Cấu trúc liên quan đến mức ý nghĩa của các hệ số ước lượng, cũng như sai số chuẩn và giá trị thống kê student cho mọi hệ số. Thông thường mức ý nghĩa được xác định cho thống kê student là 0.05, tuy nhiên các mức ý nghĩa thấp hơn 0.025, hoặc 0.01 cũng được khyến khích sử dụng, đặc biệt khi sử dụng phương pháp ước lượng hợp lý tối đa (ML) với khích thước mẫu nhỏ. Ngoài ra độ phù hợp của mô hình cấu trúc còn được xem xét bởi hệ số xác định R2, tương tự như phương pháp hồi quy.
Bước 7: Giải thích và hiệu chỉnh mô hình
Sau khi mô hình có độ phù hợp được chấp nhận, các kết quả sẽ được xem xét sự phù hợp của chúng so với lý thuyết được đề xuất. Những câu hỏi cần phải trả lời là:
(1) Liệu những quan hệ cơ bản trong lý thuyết có được ủng hộ và tìm thấy có nghĩa về thực nghiệm không ? (2) Liệu có mô hình cạnh tranh nào tốt hơn không ? (3) Các mối quan hệ có đúng với chiều hướng được giả thuyết không ? và một số vấn đề khác. Để
trả lời những câu hỏi này, có hai lời giải cần phải lựa chọn là sử dụng các lời giải chuẩn hóa hay không chuẩn hóa và cuối cùng là xem xét việc định dạng lại mô hình.
Các lời giải chuẩn hóa có phương sai bằng nhau và giá trị tối đa bằng 1 là hữu dụng trong việc so sánh tâm quan trọng tương đối, cho một mẫu cá thể và không thể so sánh cho các mẫu khác nhau. Trong khi các lời giải không chuẩn hóa cho phép ta đánh giá được phương sai của thang đo, nên có thể so sánh giữa các mẫu khác nhau.
Việc định dạng mô hình nhằm mục đích cải thiện độ phù hợp của mô hình với lý thuyết nền tảng của nó. Việc định dạng mô hình thường là thêm vào hay bớt đi một hay một số các tham số ước lượng, điều này sẽ tạo ra một loạt các mô hình cạnh tranh trong cùng một khung lý thuyết. Thông thường có hai cơ sở làm căn cứ cho việc định dạng lại mô hình là xem xét phần dư chuẩn hóa và các chỉ số hiệu chỉnh. Các phân dư chuẩn hóa có trị tuyệt đối lớn hơn 2.58 được xem là có ý nghĩa thống kê ở mức 5%
hoặc 10% , điều này thường xảy ra khi các biến đo lường vi phạm giả thuyết phân phối chuẩn. Các chỉ số hiệu chỉnh được tính toán cho các hệ số chưa được ước lượng, và những chỉ số này cho biết mức độ giảm tối thiểu trong thống kê Chi – bình phương nêu như hệ số tương ứng được ước lượng. Một giá trị của chỉ số hiệu chỉnh từ 3.84 trở lên thể hiện một mức giảm có ý nghĩa thống kê trong thông kê Chi – bình phương nêu hệ số tương ứng được ước lượng, tuy nhiên khi sử dụng hệ số này cần phải dựa vào cơ lý thuyết một cách chặt chẽ (trích từ Hồ Huy Tựu, 2007).
Thủ tục phân tích mô hình
Mục đích trước hết của nghiên cứu là khẳng định các thang đo lường về độ tin cậy. Mỗi chỉ báo tiếp cận tốt các miền giá trị các khái niệm sử dụng trong mô hình hay đảm bảo giá trị hội tụ của các thang đo, các khái niệm sử dụng là khác biệt nhau tức là đạt được độ giá trị phân biệt. Mục đích thứ hai là kiểm định các quan hệ cấu trúc các khái niệm trong mô hình đề xuất của đề tài.
Để đạt được các mục tiêu trên, nghiên cứu phải thực hiện các thang đo lường qua ba bước:
Thứ nhất: Phân tích độ tin cậy bằng hệ số Cronbach alpha để loại bỏ các chỉ báo được sử dụng cho các thang đo tương ứng với các khái niệm sử dụng trong mô hình đề xuất phát hiện các chỉ báo không tốt.
Thứ hai: Phân tích nhân tố khám phá cho tất cả các chỉ báo để xác định xem các chỉ báo có tạo ra số nhân tố như dự định không, cũng như xem xét các chỉ báo có trọng
số nhân tố lớn trên khái niệm dự định không. Hai kiểm định trên được sử lý qua SPSS18.0
Thứ ba: Cuối cùng, một phân tích mô hình đo lường cho tất cả các thang đo phương pháp phân tích nhân tô xác định nhằm đánh giá các chỉ báo một cách nghiêm ngặt hơn, đặc biệt phân tích nhân tố xác định được sử dụng để kiểm tra tính đơn nghĩa của các khái niệm, tính đơn nghĩa là bằng chỉ tiêu thể hiện có một khái niệm duy nhất ẩn dưới một tập các chỉ báo (Anderson và Gerbing, 1988), thủ tục ước lượng ML được sử dụng thông qua phần mềm AMOS 20.0 (Arbuckle và các đồng nghiệp, 1995).
Phương sai của các khái niệm được cố định bằng 1. Riêng độ fix phương sai của sai sô chi tiêu bằng 0 và chỉ có 1 đo lường.
Thống kê về sự phù hợp của mô hình, Chi – bình phương, sẽ được báo cáo. Tuy nhiên, việc thông kê này rất nhảy cảm với kích thước mẫu (Browne và Cudek, 1992), nên ba chỉ số khác cũng được thự hiện là: RMSEA (Root mean square error of approximation), GFI (Goodness of fit index); và CFI (Comparative fit index). Chỉ số GFI được phát hiện là nhạy với kích thước mẫu, trong khi CFI lại độc lập vì kích thước mẫu (Anderson và Gerbing, 1988). Độ phù hợp của mô hình được chấp nhận được chỉ ra bởi hoặc là giá trị xác suất của thông kê Chi – bình phương lớn hơn 0.08, hoặc hai chỉ số GFI và CFI có giá trị lớn hơn 0.9 và chỉ số RMSEA dưới 0.08. Nếu RMSEA dưới 0.05 thì mô hình được xem là tốt (Browne và Cudek, 1992) ( Trích từ Hồ Huy Tựu, 2007).