2. 4.2 Khái niệm văn hĩa ẩm thực
3.4.1Kích thước mẫu và phương pháp thu nhập số liệu
3.4.1.1 Phương pháp chọn mẫu
Việc thu nhập thơng tin sẽ được thực hiện theo phương pháp đại diện. Tác giả sẽ thực hiện việc phát bảng câu hỏi cùng với sự trợ giúp của các cộng sự là hướng dẫn viên du lịch, các lễ tân khách sạn, nhân viên nhà hàng và các điểm tham quan.
3.4.1.2 Kích thước mẫu
Phương pháp phân tích dữ liệu chủ yếu được sử dụng trong nghiên cứu này là phương pháp phân tích nhân tố khám phá EFA, phương pháp phân tích nhân tố khẳng định CFA và phương pháp mơ hình hĩa phương trình cấu trúc SEM. Theo Hair và các cộng sự (1998), để cĩ thể phân tích nhân tố khám phá cần thu thập dữ liệu với kích thước mẫu là ít nhất 5 mẫu trên 1 biến quan sát.
Mơ hình nghiên cứu cĩ 46 biến quan sát, do đĩ đề tài này cần khoảng trên 200 mẫu. Để đạt được kích thước mẫu đề ra, 300 bảng câu hỏi được gửi đi phỏng vấn.
3.5. Các phương pháp phân tích
3.5.1 Phân tích độ tin cậy Cronbach’s alpha
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau.
Như trên đã trình bày, hệ số Cronbach’s Alpha thường được dùng để đánh giá sơ bộ thang đo để loại các biến rác trước, chứ khơng tính được độ tin cậy cho từng biến quan sát. Những biến cĩ hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Thang đo cĩ hệ số Cronbach alpha từ 0.6 trở lên là cĩ thể sử dụng
được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thơng thường, thang đo cĩ Cronbach alpha từ 0.7 đến 0.8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo cĩ độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt.
Cơng thức của hệ số Cronbach’s Alpha là: α = Nρ/[1 + ρ(N – 1)]
Trong đĩ ρ là hệ số tương quan trung bình giữa các mục hỏi. ρ trong cơng thức tượng trưng cho tương quan trung bình giữa tất cả các cặp mục hỏi được kiểm tra. (Trích từ Hồ Huy Tựu, 2006).
3.5.2 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tĩm tắt các dữ liệu. Trong nghiên cứu, chúng ta cĩ thể thu thập được một số lượng biến khá lớn và hầu hết các biến này cĩ liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta cĩ thể sử dụng được. Phương pháp này rất cĩ ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer – Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải cĩ giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, cịn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố cĩ khả năng khơng thích hợp với các dữ liệu.
Ngồi ra, phân tích nhân tố cịn dựa vào eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố cĩ eigenvalue lớn hơn 1 thì mới được giữ lại trong mơ hình. Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố .Những nhân tố cĩ eigenvalue nhỏ hơn 1 sẽ khơng cĩ tác dụng tĩm tắt thơng tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hĩa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến cĩ liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp trích nhân tố Principal Axis nên các hệ số tải nhân tố phải cĩ trọng số lớn hơn 0.3 thì đạt yêu cầu. (Lược trích từ Hồ Huy Tựu, 2006).
3.5.3 Phương pháp phân tích nhân tố khẳng định CFA.
Phương pháp phân tích nhân tố khẳng định sử dụng thích hợp khi nhà nghiên cứu cĩ sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Trong đĩ mối quan hệ hay giả thuyết (cĩ được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Vì vậy, CFA là bước tiếp theo của EFA nhằm kiểm định xem cĩ một mơ hình lý thuyết cĩ trước làm nền tảng cho một tập hợp các quan sát khơng. CFA cũng là một dạng của SEM. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mơ hình đo lường, bởi vì chúng cùng ”tải” lên khái niệm lý thuyết cơ sở.
Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố.
X1 = λ11 ξ1 + δ1
X2 = λ22 ξ2 + δ2
X3 = λ31 ξ1 + λ32 ξ2 + δ3,
(ξ i là các nhân tố chung, Xi là các nhân tố xác định)
Trong đĩ: λ là các hệ số tải, các nhân tố chung ξ icĩ thể cĩ tương quan với nhau, các nhân tố xác định Xi cũng cĩ thể tương quan với nhau. Phương sai của một nhân tố xác định là duy nhất.
Phương trình biểu diễn mơ hình một cách tổng quát dạng ma trận của x như sau:
x = Λx ξ +δ
Cov(x, ξ) = Σ = E(xx’) = E [(Λx ξ +δ)(Λx ξ +δ)’] = E[(Λx ξ +δ)(Λ’x ξ ‘+δ’)]
= Λx E(ξξ’)Λx’ + ΛxE(ξδ’)Λx’ + E(δ’δ’) Đặt : Σ = E(xx’); Φ = E(ξξ’); Θ = E(δδ’)
Với x’; Λx’; ξ ‘; δ’ lần lượt là ma trận chuyển vị của ma trận x; Λx; ξ ;δ. Cuối cùng phương trình Covariance được viết gọn như sau:
Σx = Λx Φξ Λ’x + Θx (adsbygoogle = window.adsbygoogle || []).push({});
y = Λyη + ε
Σy = Λy Φη Λ’y + Θy
3.5.4 Phân tích mơ hình phương trình cấu trúc SEM
Mơ hình hĩa phương trình cấu trúc (SEM) xem xét một loạt các các mối quan hệ phụ thuộc lẫn nhau một cách đồng thời. Phương pháp này đặc biệt hữu dụng khi một biến phụ thuộc trở thành một biến độc lập trong một quan hệ phụ thuộc tiếp theo. SEM bao gồm một họ các mơ hình được biết đến với nhiều tên gọi khác nhau, như: “Phân tích cấu trúc phương sai”, “Phân tích biến mờ”, “Phân tích nhân tố xác định”, và thường nhất là “Phân tích quan hệ cấu trúc tuyến tính - LISREL”.
Giá trị của SEM xuất phát từ các lợi ích đạt được trong việc sử dụng đồng thời các mơ hình đo lường và mơ hình cấu trúc, mỗi mơ hình giữ các vai trị khác nhau trong phân tích chung. Để đảm bảo cả mơ hình đo lường và mơ hình cấu trúc được xác định đúng, và các kết quả là cĩ giá trị (hiệu lực), việc phân tích với SEM thường tuân theo 7 bước, mà được mơ tả vắn tắt như sau:
Bước 1: Phát triển mơ hình dựa trên cơ sở lý thuyết.
SEM dựa vào các quan hệ nhân quả, trong đĩ sự thay đổi của một biến xuất phát từ sự thay đổi của một biến số khác. Nĩi chung, cĩ 4 tiêu chuẩn được thiết lập để xác lập một quan hệ nhân quả: (1) Tồn tại quan hệ đủ mạnh giữa 2 biến; (2) Cĩ trình tự thời gian trước sau của nguyên nhân và kết quả; (3) Khơng tồn tại nguyên nhân hiện hữu nào khác; (4) Cĩ cơ sở lý thuyết vững chắc của mối quan hệ. Trong thực tế rất khĩ để đáp ứng đầy đủ cả 4 tiêu chuẩn này. Tuy nhiên, nếu những điều kiện đầu khơng được xác lập, nhưng cĩ cơ sở lý thuyết vững chắc thì quan hệ nhân quả vẫn được xác định.
Bước 2: Xây dựng biểu đồ đường dẫn của các quan hệ nhân quả.
Biểu đồ đường dẫn là một cơng cụ để biểu diễn bằng hình ảnh các quan hệ nhân quả. Để xây dựng biểu đồ đường dẫn, trước tiên chúng ta phải xây dựng các khái niệm dựa vào cơ sở lý thuyết, và tìm các chỉ báo để đo lường chúng. Tiếp theo chúng ta sử dụng các hình mũi tên để thể hiện cho từng quan hệ cụ thể giữa hai khái niệm. Hình mũi tên một chiều chỉ quan hệ nhân quả trực tiếp từ một khái niệm đến một khái niệm khác. Hình mũi tên cong hai chiều chỉ mối quan hệ tương quan giữa các khái niệm. Và hình hai mũi tên ngược chiều nhau chỉ mối quan hệ tác động qua lại giữa hai khái niệm. Với ba dạng mũi tên này, tất cả các quan hệ trong các mơ hình cấu trúc đều
được minh hoạ.
Bước 3: Chuyển biểu đồ đường dẫn thành một tập hợp các mơ hình đo lường và cấu trúc.
Sau khi phát triển mơ hình lý thuyết và minh hoạ bằng biểu đồ đường dẫn, tập hợp các quan hệ cấu trúc cĩ thể được chuyển thành một tập hợp các phương trình mà xác định: (1) Các phương trình cấu trúc liên kết các khái niệm; (2) Mơ hình đo lường xác định các biến số nào đo lường cho khái niệm nào; (3) Một tập ma trận chỉ ra bất cứ quan hệ nào được giả thuyết giữa các khái niệm và các biến. Mục đích chính ở bước này là liên kết các định nghĩa ứng dụng của các khái niệm với lý thuyết nhằm kiểm định sự phù hợp về mặt thực nghiệm.
Mơ hình cấu trúc: η = Bη + Гξ + ς Trong đĩ:
η = (η1 η2 η3… ηm): Là véc tơ các khái niệm nội sinh (biến phụ thuộc), khơng quan sát được.
ξ = (ξ1 ξ2 ξ3 … ξn ): Là véc tơ các khái niệm ngoại sinh (biến độc lập), khơng quan sát được.
ς = (ς1 ς2 ς3 … ςm) : Là véc tơ sai số ngẫu nhiên.
B (m x n) và Г(m x n) : Là các ma trận hệ số. B thể hiện tác động nhân quả trực tiếp của một khái niệm nội sinh lên một khái niệm nội sinh khác. Г thể hiện tác động nhân quả trực tiếp của một khái niệm ngoại sinh lên một khái niệm nội sinh.
Mơ hình đo lường:
Cho khái niệm ngoại sinh: x = Λx ξ + δ, với x = (x1 x2 x3… xq) là quan sát được.
Cho khái niệm nội sinh: y = Λy η + ε, với y = (y1 y2 y3… yp) là quan sát được.
Trong đĩ: δ và ε là các véc tơ của sai số đo lường của x và y. Λx (q x n),và Λy (p x m) là các ma trận hồi quy của x lên ξ và y lên η.
Bước 4: Chọn lựa ma trận đầu vào và ước lượng mơ hình đề xuất.
SEM sử dụng ma trận tương quan hoặc ma trận hiệp phương sai của các biến quan sát làm dữ liệu đầu vào. Việc sử dụng ma trận nào làm dữ liệu đầu vào cịn tùy thuộc vào mục đích nghiên cứu, sự khác biệt giữa chúng là việc giải thích kết quả đầu ra. Sử dụng ma trận hiệp phương sai cho phép chúng ta so sánh các tổng thể hoặc các
mẫu khác nhau, tuy nhiên sẽ rất khĩ khăn trong việc giải thích các hệ số do các đơn vị đo lường các biến khác nhau. Ma trận hệ số tương quan được sử dụng rộng rãi hơn do cĩ thể so sánh trực tiếp các hệ số trong một mơ hình, nhờ các biến đã được chuẩn hĩa. Khi chúng ta muốn hiểu đặc điểm quan hệ giữa các khái niệm thì sử dụng ma trận hệ số tương quan làm đầu vào của SEM là phù hợp hơn.
Bước 5: Đánh giá định dạng của mơ hình cấu trúc.
Vấn đề lỗi định dạng xảy ra khi các kết quả ước lượng là khơng logic hoặc khơng duy nhất. Yêu cầu của việc định dạng là số phương trình phải lớn hơn số tham số được ước lượng. Sự chênh lệch này thể hiện ra là số bậc tự do, mà là sai lệch giữa số hệ số tương quan hay số hiệp phương sai của ma trận đầu vào và số hệ số ước lượng trong mơ hình (df = 1/2 [(p +q) (p + q +1) – t, với t là số tham số ước lượng trong mơ hình). Mặc dù khơng cĩ một quy tắc nhất quán để thiết lập việc định dạng đúng một mơ hình, nhưng các nhà nghiên cứu cĩ một số “quy tắc ngĩn tay cái”. Hai quy tắc cơ bản nhất là các điều kiện về hạng và điều kiện thứ bậc. Điều kiện thứ bậc địi hỏi bậc tự do phải lớn hơn hoặc bằng 0. Nếu bậc tự do bằng 0, mơ hình định dạng đúng, lời giải là duy nhất, hồn hảo nhưng khơng cĩ tính khái quát hĩa. Mục đích của SEM phải là một mơ hình vơ định hay bậc tự do phải lớn hơn 0. Một mơ hình được chấp nhận và cĩ số bậc tự do lớn nhất cĩ thể được luơn là mong muốn của những nhà nghiên cứu. Điều kiện thứ bậc chỉ là điều kiện cần, chưa phải điều kiện đủ đối với việc định dạng mơ hình. Một mơ hình cần phải đáp ứng được điều kiện hạng mà yêu cầu rằng các ước lượng phải là duy nhất. Điều kiện hạng là điều kiện đủ, và để xác định điều kiện hạng là một vấn đề rất phức tạp, do đĩ thơng thường người ta sử dụng một “quy tắc ngĩn tay cái” như sau: Trước tiên là quy tắc ba đo lường mà khẳng định rằng bất cứ một khái niệm nào được đo lường bởi ít nhất ba chỉ báo đều định dạng được, và tiếp theo bất cứ một mơ hình nào khơng chứa quan hệ tác động qua lại cĩ các khái niệm được đo lường bởi ít nhất từ ba chỉ báo trở lên đều định dạng được.
Bước 6: Đánh giá các tiêu chuẩn độ phù hợp của mơ hình.
Bước trước tiên trong việc đánh giá các kết quả là kiểm tra đối với “các ước lượng phi lý”. Khi mơ hình được thiết lập với các ước lượng cĩ thể chấp nhận, thì độ phù hợp của mới được đánh giá ở một số cấp độ: đầu tiên là cho mơ hình chung, sau đĩ là cho các mơ hình đo lường và mơ hình cấu trúc tách rời.
cấu trúc là những hệ số được ước lượng vượt quá giới hạn cho phép, mà thơng thường rơi vào các trường hợp sau: (1) Các phương sai của sai số âm; (2) Các hệ số chuẩn hĩa vượt quá hoặc quá gần 1; (3) Các sai số chuẩn quá lớn liên quan đến bất kỳ ước lượng nào. Nếu mơ hình cĩ giá trị phi lý xuất hiện thì cần phải được giải quyết trước khi thực hiện các phân tích tiếp theo, vì một sự thay đổi trong một bộ phận của mơ hình cĩ thể cĩ những ảnh hưởng đáng kể lên các kết quả khác.
Độ phù hợp của mơ hình chung: Sau khi đã xác định khơng cĩ giá trị ước lượng phi lý, thì việc đánh giá độ phù hợp của mơ hình chung được thực hiện bằng một hay nhiều hơn các đo lường về độ phù hợp của mơ hình chung. Độ phù hợp đo lường sự tương thích của ma trận đầu vào và ma trận đầu ra được dự báo bởi mơ hình đề xuất. Cĩ ba loại đo lường về độ phù hợp: (1) Đo lường về độ phù hợp tuyệt đối: Đánh giá về độ phù hợp của mơ hình chung khơng cần xét đến vấn đề “phù hợp quá mức”; (2) Đo lường về độ phù hợp tăng thêm: So sánh độ phù hợp của mơ hình đề xuất với một mơ hình khác được xác định bởi nhà nghiên cứu; (3) Đo lường về độ phù hợp tiết kiệm: Đánh giá mơ hình với số tham số ước lượng khác nhau nhằm xác định độ phù hợp trên một tham số ước lượng (chỉ dùng đối với chiến lược so sánh mơ hình cạnh tranh). (adsbygoogle = window.adsbygoogle || []).push({});
Thơng thường, nếu khơng dùng chiến lược so sánh mơ hình cạnh tranh để định dạng mơ hình thì các nhà nghiên cứu thường đánh giá độ phù hợp của mơ hình chung bằng các đo lường sau:
- Thống kê Chi – bình phương: Thống kê Chi – bình phương là một đo lường về độ phù hợp tuyệt đối, nĩ cung cấp cơ sở để tin rằng sự khác biệt giữa ma trận dự báo và ma trận đầu vào là khơng cĩ ý nghĩa. Yêu cầu là mức ý nghĩa (p) phải lớn hơn 0.05 thì mơ hình được xem là cĩ thể chấp nhận. Tuy nhiên, thống kê này rất nhạy với kích cỡ mẫu, việc sử dụng nĩ để đánh giá độ phù hợp chỉ thích hợp khi cỡ mẫu từ 100 đến 200. Khi cỡ mẫu lớn hơn mức này thì thống kê này thường cĩ ý nghĩa (p < 0.05) mà nếu căn cứ vào nĩ để đánh giá thì dẫn đến một kết luận sai lầm là mơ hình chung khơng phù hợp.
- Chỉ số độ phù hợp tốt GFI (Goodness of Fit Index): GFI là một chỉ số đo lường độ