D. CÂU HỎI NGHIÊN CỨU
H. KẾT CẤU BÁO CÁO NGHIÊN CỨU
3.5 PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH CFA
Phần này trình bày kết quả kiểm định các mô hình thang đo bằng phương pháp phân tích nhân tố khẳng định CFA thông qua phần mềm cấu trúc tuyến tính AMOS.
Để đo lường mức độ phù hợp của mô hình so với thông tin thị trường, nghiên cứu này sử dụng các chỉ tiêu Chi-bình phương, Chi-bình phương điều chỉnh theo bậc tự do (CMIN/df), chỉ số thích hợp so sánh CFI, chỉ số TLI và chỉ số RMSEA.
Mô hình được gọi là thích hợp khi phép kiểm định Chi-bình phương có giá trị p < 5%. Tuy nhiên vì Chi-bình phương có nhược điểm là phụ thuộc vào kích thước mẫu nghĩa là khi mẫu có kích thước N càng lớn thì giá trị thống kê Chi-bình phương càng lớn và điều này làm giảm mức độ phù hợp của mô hình.
Nếu một mô hình nhận được giá trị TLI và CFI từ 0.9 đến 1, CMIN/df có giá trị < 2, RMSEA có giá trị < 0.08 thì mô hình này được xem là phù hợp (tương thích với dữ liệu thị trường)
Bagozzi & Heatherington (1994) đề xuất bốn cách tiếp cận khi phân tích mô hình cấu trúc phức tạp là: total disaggregation (TD), total aggregation (TA), partial aggregation (PA) và partial disaggregation (PD). Trong bốn cách trên thì phương pháp TD được sử dụng rộng rãi vì nó cung cấp kết quả một cách chi tiết nhất khi kiểm định mô hình. Tuy nhiên phương pháp thường khó thực hiện trong thực tế vì nó có thể gây nên việc các sai số ngẫu nhiên của các biến quan sát bị đẩy lên quá cao và có nhiều tham số cần phải được ước lượng, đặc biệt khi số lượng biến quan sát là tương đối lớn (Bagozzi & Heatherton 1994). Kết quả là giả thiết null (Ho) được chấp nhận trong khi phải là ngược lại. Trong mô hình nghiên cứu có số lượng biến quan sát tương đối lớn (46) và cỡ mẫu tương đối nhỏ (209), vì vậy áp dụng phương pháp CFA truyền thống có thể sẽ mang lại kết quả không chính xác. Kết quả phân tích CFA theo phương pháp truyền thống (TD) (Hình 3.1) cho thấy CMIN/df = 1.792 < 2, RMSEA = 0.062 < 0.08 nhưng giá trị GFI, TLI và CFI đều nhỏ hơn 0.9 do đó kết quả chưa đạt yêu cầu.
Theo Bagozzi & Heatherington (1994) và Dabholkar & Thorpe (1996) thì áp dụng phương pháp PD sẽ giảm được sai số ngẫu nhiên, kết quả ước lượng chính xác hơn do giảm được lượng tham số cần ước lượng cũng như cải thiện sự xấp xỉ phân phối chuẩn (Bagozzi & Heatherton 1994; Dabholkar, Thorpe et al. 1996)
Hình 3.1: Kết quả phân tích CFA lần 1 (chuẩn hóa)
Áp dụng phương pháp PD, 2 hoặc 3 biến quan sát trong cùng một thang đo sẽ được chọn ngẫu nhiên để gộp chung lại với nhau thành các chỉ báo (indicators) của thang đo (Dabholkar, Thorpe et al. 1996). Kết quả gộp các biến quan sát được mô tả trong hình 3.2
Giai đoạn bắt đầu Giai đoạn thể chế hóa Nếu chấp nhận ứng dụng POER PEER Nhận thức A12, A34, A57
Nguồn nhân lực
HR12, HR34
Tài nguyên kinh doanh
BR12, BR34, BR56
Tài nguyên công nghệ
TR12, TR34, TR56 Cam kết hỗ trợ C12, C35 Quản lý G13, G46, G78 Lực lượng thị trường MFeR1, MFeR2 Chính quyền GVeR12, GVeR34 Ngành công nghiệp phụ trợ SIeR12, SIeR34 HR12 = HR1 + HR2; HR3,4 = HR3 + HR4; C12 = C1 + C2; C35 = C3 + C5;
A12 = A1 + A2; A34 = A3 + A4; A57 = A5 + A6 + A7; BR12 = BR1 + BR2; BR34 = BR3 + BR4; BR56 = BR5 + BR6;
TR12 = TR1 + TR2; TR34 = TR3 + TR4; TR56 = TR5 + TR6 G13 = G1 + G2 + G3; G46 = G4 + G5 + G6; G78 = G7 + G8
MFeR1 = MFeR1; MFeR2 = MFeR2;
GVeR12 = GVeR1 + GVeR2; GVeR34 = GVeR3 + GVeR4; SIeR12 = SIeR1 + SIeR2; SIeR34 = SIeR3 + SIeR4
Thực hiện CFA lần 2 cho kết quả như hình 3.3
Hình 3.3: Kết quả phân tích CFA lần 2 (chuẩn hóa)