Trong ki m đ nh thang đo, ph ng pháp CFA trong phân tích c u trúc tuy n tính SEM có nhi u u đi m h n so v i ph ng pháp truy n th ng nh ph ng pháp h s
t ng quan, ph ng pháp phân tích nhân t khám phá EFA,… (Bagozzi & Foxall, 1996).
Lý do là CFA cho phép chúng ta ki m đnh c u trúc lý thuy t c a các thang đo l ng nh
m i quan h gi a m t khái ni m nghiên c u v i các khái ni m khác mà không b ch ch do sai s đo l ng. H n n a, chúng ta có th ki m đ nh giá tr h i t và giá tr phân bi t c a thang đo mà không c n dùng nhi u nghiên c u nh trong ph ng pháp truy n th ng MTMM (Steenkamp & Trijp, 1991).
Trong ki m đ nh gi thi t và mô hình nghiên c u, mô hình c u trúc tuy n tính
c ng có l i th h n các ph ng pháp truy n th ng nh h i quy đa bi n vì nó có th tính
đ c sai s đo l ng. H n n a, ph ng pháp này cho phép chúng ta k t h p đ c các khái ni m ti m n v i đo l ng c a chúng và có th xem xét các đo l ng đ c l p hay k t h p chung v i mô hình lý thuy t cùng m t lúc. Chính vì v y, ph ng pháp phân tích mô hình c u trúc tuy n tính đ c s d ng r t ph bi n trong ngành ti p th trong nh ng n m
g n đây và th ng đ c g i là ph ng pháp phân tích thông tin th h th hai (Hulland & ctg, 1996).
GVHD: Nguy n Khánh Duy Page 37
đo l ng m c đ phù h p c a mô hình v i thông tin th tr ng, nghiên c u này s d ng các ch tiêu Chi-bình ph ng, ch s thích h p so sánh CFI (comparative fit index), ch s TLI (Tucker & Lewis index) và ch s RMSEA (root mean square error
approximation). Mô hình đ c g i là thích h p khi phép ki m đnh Chi-bình ph ng có
giá tr p>5%. Tuy nhiên, Chi-bình ph ng có nh c đi m là nó ph thu c vào kích th c m u. N u m t mô hình nh n đ c giá tr TIL và CFI t 0.9 đ n 1, RMSEA có giá tr <.08
thì mô hình đ c xem là phù h p (t ng thích) v i d li u th tr ng.
Các ch tiêu đánh giá là: (1) h s tin c y t ng h p (composite reliability), (2) t ng
ph ng sai trích đ c (variance extracted), (3) tính đ n nguyên (unidimensionality), (4)
giá tr h i t (convergent validity) và (5) giá tr phân bi t (discriminant validity).
Ph ng pháp c l ng ML (maximum likelihood) đ c s d ng đ c l ng các tham s trong các mô hình. Lý do là khi ki m đnh phân ph i c a các bi n quan sát thì phân ph i này l ch m t ít so v i phân ph i chu n đa bi n, tuy nhiên h u h t các
kurtoses và skewnesses đ u n m trong kho ng [-1;+1] nên ML v n là ph ng pháp c
l ng thích h p (Muthe & Kaplan, 1985) (xem ph l c II.7 v k t qu ki m đ nh phân ph i).