Xem mẫu
- Chương Ⅴ: PHÂN TÍCH Dữ LIệU VÀ BÁO CÁO KếT QUẢ 5.1. TổNG QUAN Về Dữ LIệU ĐƯợC THU THậP Dữ liệu phục vụ cho nghiên cứu này được thu thập thông qua cuộc điều tra với khung mẫu người tiêu dùng của công ty goo Research trên Internet. Cuộc điều tra này bắt đầu từ ngày 4 tháng 12 năm 2003 với tên cuộc điều tra là “Điều tra về ngoại quốc”, và gửi 1150 thư điện tử mời tham gia (Phụ lục A.5) vào cuộc điều tra này cho các người monitor được truy xuất từ khung mẫu người tiêu dùng một cách hoàn toàn ngẫu nhiên, để nhằm thu được 300 câu trả lời. 3 ngày sau, đã thu thập được hơn 300 trả lời, cuộc điều tra ngừng việc thu thập dữ liệu trên trang Web và kết thúc. Sau khi thu thập dữ liệu thông qua Internet, dữ liệu được kiểm tra về mặt tính hữu hiệu. Cuối cùng, 314 câu trả lời do người tiêu dùng ở Nhật được sử dụng trong việc phân tích dữ liệu. Một số đặc tính của người trả lời về nhân khẩu học được trình bày ở trang 93 trong phụ lục C. Trong đó, chúng ta nhận thấy một số đặc điểm của tập hợp mẫu đã thu được như sau đây: Tỷ lệ Nữ hơi cao hơn so với tỷ lệ của tổng thể nhân dân Nhật. Có thể là vì tên điều tra là “điều tra về ngoại quốc”. Thông thường phụ nữ quan tâm nhiều hơn về văn hoá, du lịch ngoại quốc. (Cụ thể là Nam: 43.6%, Nữ: 56.4%) Tỷ lệ theo tuổi của tập hợp mẫu tương tự như khung mẫu của người tiêu dùng của công ty goo Research, tức là tập hợp mẫu bao gồm nhiều người tuổi trẻ hơn tổng thể người tiêu dùng ở thị trường Nhật.
- (Cụ thể, tập hợp mẫu có Ave.: 36.2 tuổi, Min.: 15 tuổi, Max.: 69 tuổi) Như vậy, chúng ta không thể nói là tập hợp mẫu của nghiên cứu này đủ đại diện cho các đặc tính nhân khẩu học của tổng thể người tiêu dùng Nhật. Nhưng ở đây không quan tâm đến ảnh hưởng do sự khác biệt nhân khẩu học giữa tập hợp mẫu và tổng thể lên mô hình. Anh hưởng sự khác biệt về nhân khẩu học được đánh giá sơ bộ ở phần sau. Về kinh nghiệm của người tiêu dùng Nhật tiếp xúc trực tiếp với đất nước Việt Nam, thì hơn 95 % người tiêu dùng trong tập hợp mẫu không có kinh nghiệm đến Việt Nam (Xin xem chi tiết ở trang 94 trong phụ lục C). Tỷ lệ đã có kinh nghiệm đến Việt Nam chỉ là dưới 5 %, tương đối thấp, và ảnh hưởng của yếu tố này lên mô hình là nhỏ (Balabanis et al., 2001), cho nên trong nghiên cứu này không quan tâm đến sự ảnh hưởng lên mô hình do sự khác biệt về kinh nghiệm đến Việt Nam trong quá trình phân tích kết quả. Nghiên cứu này còn thu thập rất nhiều thuộc tính của người tiêu dùng nhờ hệ thống quản lý người Monitor do công ty goo Research. Các thuộc tính khác cũng có thể ảnh hưởng đến mô hình, nhưng sự ảnh hưởng đó không nằm phạm vi của mô hình và nghiên cứu, cho nên nghiên cứu này không quan tâm đến chúng. 5.2. KIểM TRA Về TÍNH PHÂN PHốI CHUẩN CủA Dữ LIệU Lý thuyết về phương pháp Structual Equation Modeling (SEM) và các phần mềm như Amos được thiết lập dựa trên giả thiết phân phối chuẩn đa biến (Multivariate normality) cho dữ liệu được phân tích. Do đó, nghiên cứu này kiểm tra về tính phân phối chuẩn của dữ liệu trước khi chuyển sang phân tích nhân tố
- khám phá. Trong nghiên cứu này dữ liệu chủ yếu được đo lường bằng thang đo 5 điểm. Dữ liệu do thang đo 5 điểm không phải là dữ liệu liên tục để hình thành phân phối chuẩn về mặt ý nghĩa chính xác. Nhưng trong nghiên cứu gần đây, “các dữ liệu do thang đo trên 5 điểm có thể được coi là dữ liệu liên tục để phục vụ cho các phân tích đa biến” (Hagyuda, 1996; Kano and Miura, 2002). Vì vậy, ở đây coi các dữ liệu đã được thu thập là dữ liệu liên tục, và kiểm tra về tính phân phối chuẩn của các biến, dựa trên hai chỉ số là độ méo (skewness)” và hệ số nhọn của đỉnh (kurtosis). Các hệ số mô tả chỉ số thống kê được trình bày ở C.2 trang 95 trong phụ lục C. Thông thường, chúng ta có thể nói hệ số skewness nằm trong phạm vi từ – 1.0 đến 1.0 thì phân phối dữ liệu không bị méo (Hair et al., 1992). Tất cả các hệ số skewness cho các biến trong nghiên cứu này đều nằm trong khoảng từ - 1.0 đến 1.0, cho nên kết luận rằng, về mặt skewness các dữ liệu đã được thu thập đạt yêu cầu của tính phân phối chuẩn. Còn đối với tính kurtosis, thì một số biến có giá trị hệ số kurtosis hơi lớn như câu 3-3, 3-6 trong bảng Questionnaire. Nhưng chúng ta có thể kết luận rằng dữ liệu cho các biến trong nghiên cứu này không vi phạm với giả thiết phân phối chuẩn đa biến, và sự ảnh hưởng do hệ số Kurtosis hơi lớn cho một số biến được đánh giá sau khi thực hiện phân tích nhân tố. Sự ảnh hưởng do kurtosis được đánh giá thông qua Bootstrap (1000 lần) trong phần mềm Amos 4.0 và đã xác nhận được là kurtosis trong dữ liệu nghiên cứu này không ảnh hưởng nhiều đến kết quả nghiên cứu. 5.3. PHÂN TÍCH NHÂN Tố KHÁM PHÁ
- Trước khi phân tích phương pháp SEM, nghiên cứu này thực hiện phân tích nhân tố khám phá, để đánh giá sơ bộ độ đúng đắn (validity) và độ tin cậy (Reliability) cho bộ thang đo của mô hình. Quá trình này nhằm xem xét các biến trong bộ thang đo có thực sự hình thành các nhân tố của mô hình nghiên cứu hay không, tức là 4 nhân tố trong mô hình (Hình 2.4), ấn tượng nước xuất xứ về con người (People), ấn tượng nước xuất xứ về sản phẩm (Products), niềm tin vào sản phẩm (Beliefs), thái độ người tiêu dùng (Attitudes). Joreskog-Lawley (1968), người đề xuất sự quan trọng của việc phân tích nhân tố khẳng định, cho rằng “trong phân tích nhân tố khám phá, chúng ta nên lấy các biến đạt hệ số loading > | 0.3 | để hình thành mô hình cho việc phân tích tiếp theo và sau đó kiểm chứng sự phù hợp của mô hình trong phân tích khẳng định”. Vì độ tin cậy là điều kiện tiên quyết phải xét trước, cho nên trong quá trình này cũng phân tích trước cho độ tin cậy, cụ thể là tính hệ số Cronbach alpha và Item-total correlation, cho các bộ thang đo của mỗi nhân tố trong mô hình nghiên cứu đã được thiết kế. Các kết quả phân tích độ tin cậy trên SPSS được trình bày chi tiết ở C.3 trang 96 trong phụ lục C. Hệ số Cronbach alpha cho mỗi thang đo là: thang đo cho People: 0.8752, cho Products: 0.8049, cho Beliefs: 0.9083, cho Attitudes: 0.9596, và các giá trị Item-total colleration của mọi biến đều lớn hơn 0.4, do đó, kết luận là độ tin cậy của các bộ thang đo đủ cao. Tức là thang đo đủ nhất quan và ổn định. Tiếp theo, thực hiện hai kiểm định là “KMO and Bartlett's Test”. Kết quả chứng tỏ là việc sử dụng phân tích nhân tố trong trường hợp là thích hợp (Bảng 5.1). Phân tích nhân tố cho tất cả mọi biến trong mô hình được thực hiện với phương pháp rút trích nhân tố là “Principal axis factoring” và phương pháp xoay là “Promax”. Còn
- tiêu chuẩn rút trích là Eigenvalues > 1. Trong đó tôi hy vọng rằng kết quả truy xuất 4 nhân tố đúng như mô hình nghiên cứu. Kết quả phân tích nhân tố được trình bày ở bảng 5.2.
- Baûng 5.1: KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .932 Bartlett's Test of Approx. Chi-Square 8074.531 Sphericity df 561 Sig. .000 a Baûng 5.2' Pattern Matrix cho taát caû moïi bieán trong moâ hình Factor 1 2 3 4 5 6 4-10Thai do hang VN=tat ca yeu to .954 4-8Thai do hang VN=C.luong T.Bo .929 4-4Thai do hang VN=An toan .911 4-9Thai do hang VN=C.luong va Gia .900 4-5Thai do hang VN=Suc khoe .887 4-6Thai do hang VN=Dinh duong .836 4-2Thai do hang VN=Uy tin .785 4-1Thai do hang VN=T.bo Ky Thuat .769 4-7Thai do hang VN=Ngon .737 4-3Thai do hang VN=Gia ban .636 3-5Nhan xet T.san VN-Suc Khoe .919 3-4Nhan xet T.san VN-An Toan .916 3-8Nhan xet T.san VN-C.luongTBTot .774 3-2Nhan xet T.san VN-Uy tin Tot .734 3-6Nhan xet T.san VN-Dinh Duong .669 3-1Nhan xet T.san VN-T.bo ky thuat .594 2-7Thuc pham VN an toan .568 .398 3-7Nhan xet T.san VN-Ngon .521 .441 1-1Nguoi VN duoc giao duc tot .787 1-6Ky nang cua lucluong LD cao .784 1-3Nguoi VN sieng nang .763 1-4Nguoi VN sang tao .756 1-5Nguoi VN than thien va thu vi .588 1-2Dao tao KT duoc chu trong .531 1-7VN tich cuc tham gia XH Q.te .506 .316 2-6Muc do pho bien cua SP VN cao .747 2-2SP VN duoc p.phoi tren the gioi .499 .354 .337 3-3Nhan xet T.san VN-Gia re .691 1-8Nguoi VN nang cao chuan muc SH .355 .424 2-5Thuc an VN ngon .391 2-4VN la noi cung cap thuy san lon .368 2-3VN huu nghi trong XH quoc te .315 .305 .367 2-1SP VN duoc lam voi ky nang cao .395 .573 1-9Nguoi VN SX san pham KT cao .414 .490 Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 9 iterations.
- Như vậy, bảng Pattern Matrix cho thấy là các nhân tố trích được đại diện cho sáu thành phần, trong khi mô hình nghiên cứu chứa bốn thành phần. Ba nhân tố đầu trong bảng 5.2 đại diện cho ba thành phần là Attitudes, Beliefs, People, và các biến trong bộ thang đo có hệ số Loading có giá trị ý nghĩa, tức là > 0.3 với nhân tố của mình, chỉ trừ câu 3-3. Nhưng đối với Products thì hệ số Loading của các biến chia thành 3 nhân tố nhỏ với sự kết hợp với một số biến của thành phần khác, đặc biệt với một số biến của thành phần People. Như vậy, chúng ta đánh giá được là bộ thang đo cho Products có tính đúng đắn không cao, kể cả tính đúng đắn hội tụ (Convergent validity) và tính đúng đắn khác biệt (Discriminant validity). Còn bộ thang đo cho People có tính đúng đắn khác biệt không cao. Điều này cho thấy thành phần về ấn tượng nước xuất xứ giữa về con người và sản phẩm có sự khác biệt nhỏ. Trong trường hợp này, chúng ta nghĩ đến khái niệm về ấn tượng nước xuất xứ thì có thể hình dung được là khái niệm ấn tượng về một quốc gia chứa rất nhiều nội dung và phức tạp. Do đó, khi khái niệm về ấn tượng một quốc gia được chuyển thành hai thành phần một cách đơn giản, con người và sản phẩm, chúng ta rất khó phân biệt là nội dung nào sẽ phụ thuộc vào ấn tượng về con người hoặc ấn tượng về sản phẩm. Như vậy, kết quả ở đây cho thấy điều mà tính đúng đắn phân biệt không cao cũng là một điều hợp lý. Để phân tích thêm cho kết quả nghiên cứu này, chúng ta cần phải phân biệt nhân tố cho hai thành phần là ấn tượng về con người và ấn tượng về sản phẩm. Cho nên thực hiện một cuộc phân tích nhân tố, bao gồm hai bộ thang đo cho People và Products, để truy xuất hai nhân tố. Kết quả được trình bày ở bảng 5.3. Trong phân tích nhân tố này sử dụng tiêu chuẩn rút trích là “A Priori Criterion”, tức là trong phần mềm SPSS, tôi chỉ định số nhân tố rút trích là hai. “A Priori Criterion” là một
- tiêu chuẩn rút trích mà có thể áp dụng khi nào nhà phân tích đã biết số nhân tố được trích ra trước khi thực hiện phân tích nhân tố. Tiêu chuẩn này hữu ích nếu nhà phân tích đang kiểm tra một lý thuyết hoặc giả thiết về số nhân tố được truy xuất. Còn việc sử dụng tiêu chuẩn này vào trường hợp đang thực hiện việc sao chép lại nghiên cứu trước đây và rút trích đúng số nhân tố mà đã được thiết lập, được chứng tỏ là đúng (Hair et al., 1992). Trong trường hợp nghiên cứu này, điều kiện sử dụng tiêu chuẩn rút trích không đúng lắm so với các điều trên, vì một là bộ thang đo được sử dụng trong nghiên cứu này đã được dịch chuyển từ tiếng Anh sang tiếng Nhật, hai là các câu hỏi trong bộ thang đo đã được phát triển và sữa đổi cho trường hợp nghiên cứu này. Nhưng vì hai thành phần cho ấn tượng quốc gia có tính đúng đắn khác biệt không cao và khó phân biệt biến nào hình thành nhân tố nào, cho nên ở đây sử dụng điều kiện rút trích này để phân biệt hai nhân tố này và sự không hợp lý của việc sử dụng điều kiện này sẽ được hiệu chỉnh lại trong quá trình phân tích nhân tố khẳng định tiếp theo.
- Baûng 5.3' Pattern Matrixacho People vaø Products Factor 1 2 1-3Nguoi VN sieng nang .848 1-1Nguoi VN duoc giao duc tot .802 1-5Nguoi VN than thien va thu vi .745 1-6Ky nang cua lucluong LD cao .689 1-2Dao tao KT duoc chu trong .580 1-8Nguoi VN nang cao chuan muc SH .573 1-4Nguoi VN sang tao .568 2-3VN huu nghi trong XH quoc te .526 2-5Thuc an VN ngon .438 2-4VN la noi cung cap thuy san lon .391 1-7VN tich cuc tham gia XH Q.te .347 2-6Muc do pho bien cua SP VN cao .764 2-2SP VN duoc p.phoi tren the gioi .703 2-1SP VN duoc lam voi ky nang cao .617 1-9Nguoi VN SX san pham KT cao .585 2-7Thuc pham VN an toan .503 Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 3 iterations. Bảng 5.3 trình bày các hệ số Loading của mỗi biến với hai nhân tố là People: Factor 1 và Products: Factor 2. Trong đó có một số biến nhảy qua nhân tố khác từ vị trí đã được thiết kế, như 1-9 (chuyển vào Products), 2-3, 2-4, 2-5 (Chuyển sang People). Nhưng ngoài trừ câu 2-3, các biến ở đây không được coi là có tính đúng đắn nội dung (Face validity) vì ý nghĩa của những câu này không chứa nội dung của nhân tố mà chúng có hệ số loading cao trong bảng 5.3. Thí dụ, câu 1-9 có hệ số loading khá với nhân tố Products nhưng câu này nói đến con người chứ, không mô tả về sản phẩm. Vì vậy, những câu này đều được loại bỏ, do vi phạm về tính đúng đắn nội dung. Còn câu 2-3 thì câu này được xếp loại vào nhân tố Products do nghiên cứu trước đây của Knight et al. (1999), nhưng kết quả trong bảng 5.3 chứng tỏ nó có quan hệ chặt với nhân tố People, và nội dung của câu này hoàn toàn không mô tả về sản phẩm, mà mô tả về con người và quốc gia như các câu khác trong bộ thang đo People. Vì vậy, có thể kết luận là việc xếp câu này vào thang đo Products
- trong nghiên cứu trước đây là sai lầm do sự ảnh hưởng của một số yếu tố nằm bên ngoài mô hình, và trong quá trình phân tích nhân tố khám phá này xếp câu 2-3 vào nhân tố People. Kết quả ở đây cũng không mâu thuẫn với kết quả trong bảng 5.2. Như vậy, phân tích nhân tố khám phá đến đây đã rút trích 4 nhân tố trong mô hình nghiên cứu với các biến như sau: Attitudes: tất cả mọi biến từ 4-1 đến 4-10 Beliefs: tất cả mọi biến từ 3-1 đến 3-8, chỉ trừ câu 3-3. People: tất cả mọi biến từ 1-1 đến 1-8 và biến 2-3 Products: 4 biến, 2-1, 2-2, 2-6, 2-7 Tiếp theo, thực hiện phân tích độ tin cậy và phân tích nhân tố cho mỗi nhân tố đã được rút trích với thành phần đã được trình bày trên (Xin xem kết quả chi tiết ở trang 100 và 103, phần C.4 và C.5 trong phụ lục C). Kết quả cho thấy các nhân tố đã được trích ra đều tốt về mặt độ tin cậy, vì các hệ số Cronbach alpha đều đủ lớn và không có giá trị Item-total correlation nào nhỏ hơn 0.4. Còn về mặt tính đúng đắn thì các biến trong bốn nhân tố đều có hệ số loading đủ lớn. Nhưng phương sai tích lũy của một số nhân tố không lớn như People (51.177%) và Products (58.580%). Thông thường phương sai tích lũy được yêu cầu > 60%, nhưng > 50% cũng có thể chấp nhận được. Như vậy, trong quá trình phân tích nhân tố khám phá đã trích ra đủ 4 nhân tố cho mô hình nghiên cứu, và tiếp theo, mô hình được phân tích và hiệu chỉnh lại trong quá trình phân tích nhân tố khẳng định. 5.4. PHÂN TÍCH NHÂN Tố KHẳNG ĐịNH Trước khi chuyển vào phân tích nhân tố khẳng định bằng phương pháp
- Structural equation modeling(SEM), tên gọi biến cho các nhân tố trong mô hình SEM được đặt như sau: Attitudes: Từ câu 4-1 đến 4-10 được đặt là [attitu01] đến [attitu10] Beliefs: Từ câu 3-1 đến 3-8, ngoại trừ 3-3, được gọi là [belief01] đến [belief08] People: Từ câu 1-1 đến 1-8 được gọi [people01] đến [people08], và 2-3 được gọi [produc03] Products: câu 2-1, 2-2, 2-6, 2-7, được gọi là [produc01], [produc02], [produc06], [produc07] Phần mềm được sử dụng là “Amos 4.0” và sử dụng phương pháp ước tính là Maximum likelihood Estimation (MLE). Dựa trên kết quả phân tích nhân tố khám phá, mô hình nghiên cứu đã nhập vào phần mềm Amos 4.0 như sau đây (Hình 5.1).
- 1 e11 PEOPLE01 1 e12 1 PEOPLE02 Hinh 5.1: Flexiblemodel e13 PEOPLE03 Model Specification 1 e16 PEOPLE06 1 res1 e18 PEOPLE08 1 1 1 ATTITU01 e41 1 e14 PEOPLE04 1 1 people 1 ATTITU02 e42 e15 PEOPLE05 1 1 res4 ATTITU03 e43 e17 PEOPLE07 1 1 1 ATTITU04 e44 1 e23 PRODUC03 COI attitudes ATTITU05 1 e45 1 e21 PRODUC01 1 1 ATTITU06 e46 1 1 e22 PRODUC02 product ATTITU07 e47 1 1 1 e26 PRODUC06 1 ATTITU08 e48 res2 e31 BELIEF01 1 1 1 e32 BELIEF02 ATTITU09 e49 e27 PRODUC07 1 1 beliefs 1 e34 BELIEF04 1 ATTITU10 e40 1 e35 BELIEF05 res3 1 e36 BELIEF06 1 e37 BELIEF07 1 e38 BELIEF08 Nghiên cứu này sử dụng một số chỉ số thống kê để đánh giá độ thích hợp của mô hình với dữ liệu thực tế (Measure of fit). Ở đây giới thiệu ý nghĩa của các chỉ số thống kê và tiêu chuẩn đánh giá (tham khảo Amos 4.0 User’s Guide, 1999): CMIN: giá trị chi-square P: p-value cho kiểm định giả thiết là mô hình hoàn toàn phù hợp với dữ liệu thực tế DF: Degree of freedom CMIN/DF: Chi-square chia cho DF; Rule of Thumb: Chỉ số nằm từ 2 đến 1, hoặc 3 đến 1 thì độ thích hợp có thể được chấp nhận (Carmines and McIver, 1981); Chỉ số thấp như 2 hoặc cao như 5, chỉ rằng sự phù hợp (Marsh and Hocevar, 1985). Chỉ số
- > 2.00 chứng tỏ rằng độ thích hợp không đủ (Byrne, 1989). RMSEA: “root mean square error of approximation” Rule of Thumb: 0.9 thì mô hình thích hợp với dữ liệu (Tanaka, 1987; Toyota, 1992) GFI: “goodness of fit index”, sẽ có giá trị từ 0 đến 1. Chỉ số gần đến 1 thì thích hợp. Rule of Thumb: > 0.9 thì mô hình thích hợp với dữ liệu (Tanaka, 1987; Toyota, 1992) AGFI: “adjusted goodness of fit index”, tương tự như GFI, nhưng hiệu chỉnh với độ tự do mô hình. Có quan hệ GFI > AGFI. HOELTER: số mẫu lớn nhất cho giả thiết là mô hình đúng. Hoelter (1983) cho rằng giá trị > 200 chỉ sự thoả mãn về độ thích hợp, thông thường sử dụng với mức ý nghĩa là 0.05. Riêng về CMIN và P của nó thì có một điều cần quan tâm. Đó là, Chi-square và p-value thường không được các nhà nghiên cứu quan tâm nhiều trong việc đánh giá độ thích hợp của mô hình khi sử dụng cỡ mẫu lớn. Vì “..., Đối với mẫu lớn, gần như tất cả mô hình sẽ bị bác bỏ do sự không được ứng hộ về mặt thống kê,...” (Bentler and Bonett, 1980). Như vậy, một số tác giả đề nghị việc sử dụng tỷ số CMIN/DF như tiêu chuẩn đánh giá độ thích hợp mô hình (Amos 4.0 User’s Guide, 1999). Cỡ
- mẫu của nghiên cứu này (314 mẫu) cũng có thể được coi là cỡ mẫu lớn, so với cỡ mẫu thích hợp của phương pháp ước tính MLE là 100 – 200 mẫu. Vì vậy, nghiên cứu này cũng sử dụng tỷ số CMIN/DF để đánh giá độ thích hợp mô hình mà không quan tâm nhiều đến giá trị CMIN và p-value. Kết quả chạy mô hình ban đầu (Hình 5.1) trên phần mềm Amos 4.0 cho thấy là mô hình không phù hợp với dữ liệu, vì các chỉ số thống kê có kết quả như sau:
- Bảng 5.4: Kết quả của Flexible model ban đầu (Hình 5.1) CMIN 1369.086 GFI/AGFI 0.765/ 0.727 P 0.000 CFI 0.864 DF 400 RMSEA 0.088 CMIN/DF 3.423 HOELTER(0.05) 103 Như vậy, cần hiệu chỉnh lại mô hình nghiên cứu và các nhân tố đã được trích ra trong phân tích nhân tố khám phá, để có được một mô hình thích hợp với dữ liệu thực tế. Trong phầm mềm Amos có một chỉ số hỗ trợ cho việc sửa lại mô hình là Modification Index (M.I.). Chỉ số M.I. này cho biết giá trị chi-square nhỏ nhất có thể được giảm, nếu cho phép mối quan hệ tương quan giữa hai biến trong mô hình, tức là cho biết quan hệ tương quan giữa các biến mà chưa được định nghĩa trong mô hình. Như vậy, chỉ số này cho chúng ta có thể kiểm tra thử tất cả phương án hiệu chỉnh tiềm năng. Nhưng mặc dù về mặt thống kê có thể cho phép mối quan hệ tương quan, chúng ta thường khó chứng tỏ điều đó đúng về mặt lý thuyết. Chỉ số thống kê này chỉ cho biết mối quan hệ về mặt thống kê và nếu không có lý thuyết nào ửng hộ điều đó thì không nên thêm quan hệ vào mô hình. Do đó, trong nghiên cứu này chủ yếu thực hiện hiệu chỉnh mô hình bằng cách bỏ bớt biến có quan hệ tương quan với biến hoặc nhân tố khác. Nhưng trong việc xóa bỏ biến ra khỏi mô hình, chúng ta cũng phải quan tâm đến tính đúng đắn nội dung (Face validity) của các nhân tố trong mô hình, vì chỉ số M.I. này chỉ cung cấp thông tin về mặt thống kê mà thôi, và không phải là mô hình chỉ số thống kê tốt nhất là mô hình tốt nhất. Trong việc hiệu chỉnh lại mô hình có một điều cần quan tâm nữa là số biến được bao gồm cho các nhân tố trong mô hình SEM. Kenny (1979) cho biết một rule of
- thumb là “Hai thì tốt, Ba thì tốt hơn, Bốn là tốt nhất, và hơn nữa thì nặng nề” Như vậy, trong nghiên cứu này cố gắng tìm kiếm một mô hình được hiệu chỉnh lại tốt về độ thích hợp với dữ liệu thực tế, mà ít nhất chứa 2 hoặc 3 biến cho mỗi nhân tố. Còn về mặt sự thích hợp của mô hình thang đo (Measurement model fit), chúng ta phải kiểm tra về hai điều sau. Thứ nhất, phải kiểm tra hệ số Cronbach alpha cho các nhân tố đã được hiệu chỉnh. Thứ hai, kiểm tra hệ số Loading của các biến và ý nghĩa thống kê của nó. Trong quá trình phân tích nhân tố khẳng định, hệ số Cronbach alpha và hệ số Loading được yêu cầu là > 0.7 và > 0.6. Mô hình được hiệu chỉnh lại được trình bày ở hình 5.2.
- Hinh 5.2: Flexible Model Refined Standardized estimates CMIN(DF)=138.098(72), P=.000 GFI/AGFI=.941/.915, CFI=.974, RMSEA=.054 .58 e11 PEOPLE01 .61 .76 res1 e13 PEOPLE03 .78 .91 .77 .58 .76 ATTITU04 e44 e16 PEOPLE06 people .48 .70 .95 res4 .88 .72 e14 PEOPLE04 .85 ATTITU06 e46 .40 .21 e15 PEOPLE05 .63 .26 COI attitudes .91 .82 ATTITU08 e48 .78 .90 .76 e21 PRODUC01 .87 .60 .69 .25 ATTITU10 e40 .41 .64 product e22 PRODUC02 .80 .60 res2 e32 BELIEF02 .77 .66 .81 .48 e35 BELIEF05 .87 beliefs .76 e38 BELIEF08 res3
- Trong sơ đồ SEM trên Amos, các con số trên “→”(mũi tên một chiều) chỉ là hệ số hồi qui được chuẩn hoá (Standardized regression weights), hệ số này có ý nghĩa tương tự hệ số loading cho các mũi tên một chiều giữa biến quan sát và nhân tố tiềm năng. Còn các con số gần các biến quan sát và nhân tố tiềm năng là giá trị bình phương của hệ số tương quan (R2), tức là tỷ lệ phầm trăm được giải thích. Như vậy, sau quá trình phân tích nhân tố khẳng định, nghiên cứu này tìm kiếm được một mô hình mô tả ảnh hưởng của ấn tượng nước xuất xứ đối với thái độ người tiêu dùng, đã được kiểm nghiệm với dữ liệu thực tế (Hình 5.2). Trong mô hình này, không có giá trị hệ số được chuẩn hoá nào lớn hơn 1.0 hay rất gần với 1.0. Nếu có giá trị trên 1.0 hoặc rất gần với 1.0 thì mô hình được đánh giá là một mô hình ước tính sai (offending estimates) (Hair et al., 1992). Tiếp theo, tôi trình bày các chỉ số thống kê để đánh giá toàn bộ mô hình với dữ liệu (Bảng 5.5). Bảng 5.5: Kết quả của Flexible model-refined (Hình 5.2) CMIN 138.098 GFI/AGFI 0.941/ 0.915 P 0.000 CFI 0.974 DF 72 RMSEA 0.054 CMIN/DF 1.918 HOELTER(0.05) 211 Theo kết quả chỉ số thống kê, mô hình được hiệu chỉnh (Hình 5.2) đạt độ thích hợp toàn bộ mô hình khá tốt, đã đạt tất cả tiêu chuẩn đánh giá cho độ thích hợp của mô hình, như đã được thảo luận ở phần trước. Mỗi nhân tố trong mô hình đều có 2 đến 5 biến quan sát. Các biến quan sát trong mô hình có hệ số loading đủ lớn với các nhân tố tiềm năng của mô hình và tất cả hệ số đó có ý nghĩa về mặt thống kê với
- mức ý nghĩa là 0.01 (Bảng 5.6 và 5.7). Các nhân tố trong mô hình hiệu chỉnh được kiểm tra lại về mặt độ tin cậy (Xin xem chi tiết ở trang 106, phần C.6 trong phụ lục C). Kết quả cho thấy là tất cả nhân tố có hệ số Cronbach alpha đủ lớn (tất cả đều lớn hơn 0.7), do đó, mô hình này được đánh giá là mô hình có độ thích hợp thang đo đủ cao. Như vậy, ở đây có thể kết luận rằng mô hình được hiệu chỉnh lại (Hình 5.2), được tìm kiếm trong quá trình phân tích nhân tố khẳng định, là một mô hình hợp lý để phân tích mối quan hệ giữa các nhân tố trong mô hình. Xin xem chi tiết kết quả phân tích trên Amos 4.0 cho mô hình được hiệu chỉnh lại ở trang 113 trong phụ lục D. Bảng 5.6: Hệ số hồi qui chuẩn hoá giữa các thành phần trong mô hình Standardized Regression Weights: Estimate -------------------------------- -------- beliefs
- PRODUC01
Chính trị học
Báo chí - Truyền thông
Xã hội học
Giáo dục học
Tâm lý học
Lịch sử - Văn hoá
Triết học
Ngôn ngữ học
Thư viện thông tin
Văn học nước ngoài
Ngư nghiệp
Hành chính - Pháp luật
Địa lý - Địa danh
Văn học Việt nam
Lịch sử Đảng
CNXH - KH
Tư Tưởng HCM
Ngụ ngôn - Cổ tích
Ca dao - Tục ngữ
Hoá học
Sinh học
Y khoa - Dược
Kinh tế học