Luận án Vận dụng các phương pháp pháp thông kê nghiên cứu các nhân tố ảnh hưởng chất lượng dịch vụ mặt đất và trên không của Vietnam Airlines

trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố này không được quan sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau: Xi = Ai1F1 + Ai2F2+... + AimFm +ViUi (2.12) Trong đó: Xi: Biến được chuẩn hóa thứ i Aịj: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j F: Nhân tố chung 72 Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố di biệt i Ui: Nhân tố dị biệt của biến i m: Số nhân tố chung. Mỗi nhân tố duy nhất tương quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát. Fi = wi1x1 + wi2x2 +...+ wikxk (2.13) Trong đó: Fi: Ước lượng nhân tố thứ i wi: Trọng số hay hệ số điểm nhân tố k: Số biến Trong phân tích này có thể chọn trọng số (hay hệ số điểm nhân tố) để nhân tố thứ nhất có tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó. Theo ước lượng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai, vvv. 2.2.2.3. Các bước trong quá trình phân tích nhân tố Tiến trình thực hiện phân tích nhân tố được trình bày theo các bước trong sơ đồ dưới đây: 73 Bước 1: Xác định vấn đề Đây là bước đầu tiên và đóng vai trò quan trong trong toàn bộ quá trình nghiên cứu và phân tích. Bước 1 bao gồm các nhiệm vụ dưới đây 1)Xác định mục tiêu nghiên cứu; 2)Xây dựng mô hình nghiên cứu và các tập hợp chỉ báo đo; 3)Lựa chọn cỡ mẫu; 4)Xác định phương pháp thu thập thông tin. Trước tiên, mục tiêu nghiên cứu phải được xác định. Việc xác định đúng mục tiêu nghiên cứu sẽ giúp cho việc định hình các mô hình. Nếu xác định mục tiêu nghiên cứu là các yếu tố ảnh hưởng chất lượng dịch vụ đặt chỗ, các biến trong mô hình sẽ hoàn toàn khác khi mục tiêu nghiên cứu là chất lượng dịch vụ trên máy bay. Sau khi đã xác định mục tiêu rõ ràng, nhiệm vụ 2 là xác định các nhân tố trong mô hình phân tích nhân tố. Các nhân tố có thể được xác định dựa trên các nghiên cứu đã được tiến hành trước đây, dựa trên lý thuyết hoặc sự cân nhắc của nhà nghiên cứu. Mỗi nhân tố sẽ được gắn với một tập hợp các chỉ báo là các biến quan sát được trực tiếp. Việc xác định xem có bao nhiêu chỉ báo trong một nhân tố cũng là một quyết định cần phải cân nhắc kĩ càng, do việc có quá nhiều chỉ báo sẽ dẫn đến những khó khăn trong việc thu thập thông tin, và có quá ít chỉ báo sẽ không đầy đủ để đo một nhân tố. Cần phải có đủ số biến sao cho mỗi nhân tố đươc đại diện bởi ít nhất ba đến bốn biến. Velicer & Fava đã tóm tắt các nghiên cứu về lựa chọn số biến và đưa ra các điểm chính sau: 1. Những nhân tố không có ít nhất ba biến với hệ số tải cao không nên được lựa chọn. Điều đó có nghĩa là cần phải có ít nhất ba biến mỗi nhân tố. Vì không phải lúc nào kết quả phân tích cũng diễn ra đúng như dự kiến nên khi xây dựng mô hình nên đưa ít nhất 6-10 biến vào mỗi nhân tố. 2. Cần phải có số lượng biến lớn hơn nếu hệ số tải thấp, 10 đến 20 biến mỗi nhân tố. Số quan sát càng lớn, số lượng biến mỗi nhân tố càng lớn và các hệ số tải càng lớn thì mô hình được lấy ra từ mẫu sẽ càng gần với mô hình nhân tố của toàn bộ tổng thể do điểm mạnh và điểm yếu được bổ sung cho nhau – ví dụ: hệ số tải thấp 74 và số biến nhỏ sẽ được bù lại bởi số lượng quan sát lớn. Nếu không có số quan sát lớn, có thể bù lại bằng số lượng biến mỗi nhân tố lớn (lưu ý tránh trường hợp có nhiều biến hơn số quan sát). Mac Callum & AustinJT (2000) [22] đã chứng minh qua lý thuyết và thực nghiệm rằng tỉ lệ cỡ mẫu và số biến không phải bất biến, mà có quan hệ với các khía cạnh khác của việc nghiên cứu. Kết luận được đưa ra là không nên đưa ra các nguyên tắc chung về cỡ mẫu. Các kết luận cơ bản khác như sau: 1. Cỡ mẫu càng lớn thì càng có hệ số communalties cao (Communality : là tỉ lệ của phương sai của một biến được giải thích bởi nhân tố tiềm ẩn, hệ số communalities thấp thường có nghĩa là có những nhân tố dị biệt có tương quan với nhau và với các nhân tố chung), và có ra được mô hình được định nghĩa tốt [mỗi nhân tố có ít nhất ba hoặc bốn hệ số tải cao và có một cấu trúc đơn giản (số nhân tố ít và không bị trùng lắp)]. Điều này sẽ làm tăng cơ hội có được mô hình nhân tố phản ánh đúng bản chất của toàn bộ tổng thể. 2. Khi hệ số communalities lớn (> .6), N dưới 100 vẫn có các kết quả phân tích tin cậy. 3. Với communalities trung bình (khoảng .5) và các nhân tố được định nghĩa tốt, nên có 100 đến 200 quan sát. 4. Với hệ số communalities thấp (< .5) nhưng có số nhân tố không nhiều và mỗi nhân tố đại diện cho 6-7 biến, cần có hơn 100 quan sát. 5. Với communalities thấp và chỉ có 3 hoặc 4 hệ số tải cao trên mỗi nhân tố, cần khoảng hơn 300 quan sát. 6. Với communalities thấp và các nhân tố không được định nghĩa tốt, cần phải có hơn 500 quan sát. Tuy nhiên, do không thể biết trước được liệu các hệ số communalities cao hay thấp hoặc các nhân tố có được định nghĩa tốt hay không, nên có một nguyên tắc là “càng nhiều quan sát càng tốt”. 75 Một lý luận khác do Darlington, 2006, đưa ra cũng có kết luận gần tương tự. Cỡ mẫu cần thiết được xác định dựa trên nhiều yếu tố. Mô hình có cấu trúc càng rõ ràng thì số lượng đơn vị trong mẫu càng giảm. Tuy nhiên, theo Darlington, 2006, một mô hình rất mạch lạc và rõ ràng cũng cần ít nhất 50 quan sát và cần 100 quan sát hoặc nhiều hơn cho các mô hình có cấu trúc thiếu mạch lạc hơn. Nguyên tắc về số lượng biến trong phân tích nhân tố rất khác so với hồi qui. Trong phân tích nhân tố, số biến nhiều hơn số quan sát có thể được chấp nhận. Trên thực tế số biến càng nhiều càng tốt, với điều kiện là các biến đó phù hợp với các nhân tố tiềm ẩn mà chúng đang đo (Darlington, 2006). Điều này khá mâu thuẫn với các kết luận của các tác giả khác rằng số biến không nên nhiều hơn số quan sát. Trong ví dụ trên về dịch vụ hàng không, mục tiêu nghiên cứu là các nhân tố ảnh hưởng đến sự hài lòng của hành khách về chất lượng dịch vụ trên máy bay. Số biến được nghiên cứu là 33 biến, bao gồm tất cả các khía cạnh cấu thành nên dịch vụ trên khoang máy bay. 33 câu hỏi tương ứng với 33 biến được thiết kế trong bảng hỏi. Nếu theo nguyên tắc số quan sát cần gấp ít nhất 4-5 lần số biến thì cỡ mẫu tối thiếu cần thiết là 165 hành khách điền vào bảng hỏi. Bước tiếp theo là giảm bớt số biến xuống thành các nhân tố, trong đó mỗi nhân tố là một biến độc lập có quan hệ nhân quả với các biến quan sát “kết quả” trong tập hợp biến-nhân tố đó. Bước 2: Xác định mức độ tương quan giữa các biến qua ma trận tương quan Sau khi thông tin đã được thu thập và tổng hợp, một ma trận hệ số tương quan sẽ được thiết lập. Đây là một ma trận thể hiện các tương quan cặp của từng cặp biến. Trong thực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố có thể không phù hợp. Để minh họa, có thể đơn giản hóa ví dụ trên bằng cách giả định rằng 7 biến đầu tiên (trong số 33 biến ) có tương quan cặp như sau (vì là ví dụ minh họa nên tác giả chỉ lấy 7 biến cho ngắn gọn, thay vì đưa ví dụ cả 33 biến): 76 Bảng 2.1 : Ma trận tương quan Biến V1 V2 V3 V4 V5 V6 V7 V1 1.00 V2 0.78 1.00 V3 0.82 0.75 1.00 V4 0.23 0.16 0.12 1.00 V5 0.15 0.23 0.36 0.81 1.00 V6 0.35 0.59 0.12 0.84 0.67 1.00 V7 0.41 0.20 0.23 0.72 0.87 0.73 1.00 Trong đó: V1: Máy bay của hãng rất hiện đại V2: Ghế ngồi rộng rãi, thoải mái V3: Độ ngả thân ghế V4: Sử dụng các thiết bị tại ghế ngồi rất thuận lợi V5: Thái độ của tiếp viên chân thành, thân thiện V6: Tiếp viên nhã nhặn, lịch sự khi giao tiếp V7: Tiếp viên nhiệt tình chu đáo với hành khách Nhận xét: Ma trận tương quan giữa 7 biến (V1(V7) biểu hiện quan hệ tương quan theo từng cặp biến. Theo kết quả bảng ...., các biến V4, V6, V5 và V7 có tương quan rất cao. Nhóm này sẽ được đặt tên là nhân tố F2, cụ thể là nhân tố “tiếp viên” . Tương tự, các biến V1, V2 và V3 được đại diện bởi nhân tố chung F1, được đặt tên là nhân tố “thiết bị”. Bước tiếp theo sẽ giúp khẳng định lại giả thuyết này. 77 Bảng 2.2 : Các nhân tố được tập hợp từ các biến Nhân tố Eigenvalue % of variance Cumulative % of variance 1 2.6379 44.5 44.5 2 1.9890 31.3 75.8 3 0.8065 11.2 87.0 4 0.6783 5.7 92.7 5 0.5421 3.4 96.1 6 0.3420 2.3 98.4 7 0.2341 1.6 100% Giải thích: Eigenvalue: Phương sai tổng hợp của từng nhân tố Percent of variance: Phương sai của từng nhân tố tính bằng % Cumulative Percentage: Phương sai tích lũy [cột (6) = cột (5) cộng dồn] Bước 3: Xác định số nhân tố Trong nghiên cứu thường số nhân tố sau khi xử lý ít hơn số biến ban đầu. Rất hiếm có trường hợp tất cả các biến ban đầu đều là các nhân tố ảnh hưởng hay tác động đến vấn đề nghiên cứu. Theo ví dụ trên, trong 7 biến ban đầu nhưng chỉ có hai nhân tố (V1) và (V2) là có trọng số cao về phương sai thể hiện kết quả trong cột 5 (48,3% và 28,0%) làm đại diện. Tuy nhiên, có rất nhiều cách để xác định số nhân tố trong mô hình phù hợp: 1. Quyết định trước số nhân tố: thỉnh thoảng nhà nghiên cứu biết trước có bao nhiêu nhân tố trước khi tiến hành phân tích. Số nhân tố có giảm đi hay không là do nhà nghiên cứu hoàn toàn quyết định. 2. Quyết định dựa vào phương sai tổng hợp của từng nhân tố (Eigenvalue): Trong cách tiếp cận này chỉ có những nhân tố có Eigenvalue lớn hơn 1 mới được đưa vào mô hình. Nguyên tắc này do Henry Kaiser đưa ra. Tiêu chuẩn này cho phép 78 chắc chắn rằng những nhân tố được giữ lại trong mô hình sẽ nắm giữ phương sai của ít nhất một trong số các biến được sử dụng trong mô hình. Tuy nhiên khi áp dụng tiêu chuẩn này, nếu số biến quá nhỏ, kết quả phân tích có thể dẫn đến việc có ít nhân tố hơn số nhân tố tồn tại thực tế, và nếu số biến quá lớn sẽ dẫn đến có nhiều nhân tố hớn là những nhân tố thực sự có ý nghĩa. 3. Quyết định dựa trên phép kiểm tra Scree test của Raymond B. Cattell. Với phương pháp này các giá trị Eigenvalues sẽ được vẽ kế tiếp trên đồ thị, và tìm kiếm các điểm tại đó đồ thị đồ thị đột ngột trở nên phẳng. Nhược điểm của phương pháp này tác giả không giải thích được vì sao Eigenvals lại là một chỉ tiêu tốt nhất để vẽ đồ thị, thay vì dùng các chỉ tiêu khác. 4. Theo Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J.,1999), quá nhiều nhân tố thì tốt hơn là quá ít nhân tố. Quá nhiều nhân tố có thể dẫn đến việc có một số nhân tố được ước lượng rất tốt từ các hệ số tải nhưng cũng có cả những nhân tố không được định nghĩa tốt đưa vào mô hình. Quá ít nhân tố đẫn đến việc có những nhân tố không được ước lượng tốt (sự kém tướng ứng giữa cấu trúc thực sự của nhân tố và cấu trúc ước lượng của nhân tố). 5. Cũng theo Wegner, 2004, hai tiêu chuẩn Kaiser "Eigenvalue lớn hơn 1" và Cattell's scree test đã trở nên lạc hậu. Một đề xuất được đưa ra là so sánh giá trị Eigenvalues tính được với các giá trị mà nhà nghiên cứu kì vọng sẽ xuất hiện từ một tập hợp dữ liệu ngẫu nhiên. Nếu m Eigenvalues đầu tiên có giá trị lớn hơn những giá trị được kì vọng từ tập hợp dữ liệu ngẫu nhiên, như vậy giải pháp với m nhân tố sẽ được chấp nhận. Tuy nhiên không có phần mềm thống kê nào được lập trình trên quan điểm này. 6. Tiêu chuẩn thống kê GOF (mức độ phù hợp của mô hình) từ lệnh ML trong phân tích nhân tố cũng có ích trong việc xác định số lượng nhân tố trong mô hình. Nhà nghiên cứu trước hết xác định xem nên có nhiều nhất bao nhiêu nhân tố trong mô hình, được gọi là e. Sau đó lần lượt chạy thử các mô hình với e bằng 0, 1, 2, 3, ... lần lượt cho tới số lượng nhân tố lớn nhất, sau đó so sánh các GOF của các mô hình với nhau. 79 Việc lựa chọn mô hình cuối cùng mang tính khá cảm tính. Theo Wegner, một mô hình không đưa ra được một giải pháp có thể diễn giả được và không phù hợp với các lập luận lý thuyết sẽ không có nhiều giá trị”. Các nhà nghiên cứu khác cũng đồng ý với quan điểm này. Một cách diễn đạt khác về lựa chọn mô hình như sau “tôi sẽ lựa chọn thêm các mô hình, bên cạnh mô hình dường như có số nhân tố chính xác nhất, các giải pháp về mô hình có 1 hoặc 2 nhân tố. Sau đó tôi sẽ chọn mô hình hợp lý nhất đối với tôi” (Wuesch, 2004) 7. Cũng theo Wuesch, 2004, có một số lựa chọn khác nhau về phương pháp “chiết xuất nhân tố” (Factor extraction). Phương pháp Maximum Likelihood hay gọi tắt là ML cho phép tính các chỉ số “phù hợp của mô hình” hay GOF (của các dữ liệu của mô hình)” và kiểm định mức ý nghĩa của các hệ số tải và tương quan giữa các nhân tố, nhưng đi với giả thiết là các biến phân phối chuẩn. Tuy nhiên phương pháp ML được nhiều tác giả ưa thích hơn. Để thực hiện ML, trước hết kiểm tra tính chuẩn của các biến quan sát được. Trừ khi |skew| > 2 và kurtosis > 7, phương pháp ML có thể được áp dụng. Nếu tính chuẩn bị vi phạm, nên sửa chữa vấn đề này bằng cách chuyển hóa các biến hơn là sử dụng phương pháp PF. Quay trở lại ví dụ về chất lượng dịch vụ trên máy bay, vì chỉ có hai nhân tố đầu tiên có Eigenvalues >1, mô hình hai nhân tố sẽ đại diện cho 75.8% toàn bộ phương sai trong dữ liệu. Hệ số tải (loadings) ở cột “nhân tố” thể hiện mối quan hệ giữa biến đó với toàn bộ nhân tố. Tương tự như hệ số tương quan Pearson, hệ số này có khoảng từ -1 to 1. Bước tiếp theo của phân tích nhân tố sẽ cho kết quả như bảng dưới đây: Bảng 2.3 : Ma trận nhân tố chưa quay Biến Nhân tố 1 Nhân tố 2 Communality V1 .62 0.32 .69 V2 .81 -.45 .87 V3 .84 -.31 .79 V4 .80 -.29 .90 V5 .89 .37 .88 V6 .79 .51 .67 V7 .45 .43 .72 80 Communality : là tỉ lệ của phương sai của một biến được giải thích bởi nhân tố tiềm ẩn. Tất cả các biến đều có hệ số tải cao trong nhân tố 1. Đây là điều thường gặp khi chưa quay các biến vào trong các nhân tố. Giải pháp cho vấn đề này là thực hiện phép quay, và thông thường các phần mềm thường sử dụng phép varimax để thực hiện việc xoay các biến. Varimax là phép quay cho ra các nhân tố không tương quan với nhau. Tuy nhiên, có khá nhiều tranh luận về việc dùng phép quay nào là hợp lý nhất. Wuesch, 2004 rất ủng hộ việc dùng phép quay trong đó vẫn duy trì sự tương quan giữa các nhân tố hơn là (oblique rotations) hơn là phép quay tạo ra các nhân tố không tương quan với nhau (orthogonal solutions). Nguyên nhân là các nghiên cứu áp dụng phân tích nhân tố thường gắn với yếu tố tâm lý (nghiên cứu về sự hài lòng của hành khách cũng gắn liền với tâm lý-TG), do vậy thường các nhân tố vẫn có sự tương quan với nhau. Nếu trên thực tế các nhân tố tiềm ẩn vẫn có sự tương quan, lúc đó phép quay oblique rotation sẽ đưa ra kết quả tốt hơn và có một cấu trúc mô hình đơn giản hơn phép quay orthogonal rotation – và nếu phép quay oblique rotation chỉ ra rằng các nhân tố có hệ tương quan gần zero, lúc đó các nhà nghiên cứu có thể thực hiện phép quay orthogonal rotation (lúc đó cũng sẽ có kết quả như phép quay oblique rotation). Bảng dưới đây chỉ ra kết quả sau khi đã xoay các biến và các nhân tố: Bảng 2.4 : Kết quả sau khi quay Variables Factor 1 (Nhân tố 1) Factor 2 (Nhân tố 2) Communality V1 .68 .17 .87 V2 .87 .24 .79 V3 .65 .07 .90 V4 .21 .79 .69 V5 .16 .76 .88 V6 .30 .83 .67 V7 .19 .69 .72 81 Bước 4: Giải thích các nhân tố Bảng trên chứa các biến đã được chuẩn hóa, ma trận này thể hiện mối tương quan giữa hai nhân tố (F1) và (F2) với 7 biến (V1-V7). Các biến V1, V2, V3 có quan hệ tương quan khá chặt chẽ với nhân tố F1, trong khi các biến V4-V7 có quan hệ tương quan khá chặt chẽ với nhân tố F2. Bước 5: Xác định điểm nhân tố và chọn nhân tố thay thế Ðiểm nhân tố (hay trọng số) để kết hợp các biến chuẩn hóa (F) được lấy từ ma trận hệ số điểm (bảng 2.5: Factor score coefficient matrix). Theo ví dụ trên, trong mô hình có hai nhân tố chung F1 và F2, trong đó F1 có ba biến liên quan là V1, V2, V3, và F2 có ba biến liên hệ là V45, V4, V7 và V6. Cụ thể ước lượng điểm nhân tố của hai nhân tố F1 và F2 như sau: F2= 0.680,31x4 + 0,39 x5 + 0,3x6 +0,29x7 F1= 0,30x1 + 0,38x2 + 0,37x3 Các tham số của hai phương trình trên được rút ra từ bảng kết quả phân tích Ma trận hệ số điểm nhân tố. Trong hai phương trình trên, biến nào có hệ số điểm nhân tố cao nhất thì biến đó ảnh hưởng lớn nhất đến nhân tố chung. Vì kết quả phân tích nhân tố có thể bị ảnh hưởng lớn bởi các lỗi trong tập dữ liệu gốc. Hair, et al. kiến nghị rằng, có thể sử dụng điểm nhân tố nếu các thang đo được “xây dựng tốt, tin cậy và hợp lý”. Bảng 2.5: Ma trận hệ số điểm nhân tố Variable Factor 1 Factor 2 V1 V2 V3 V4 V5 V6 V7 .30931 .38315 .37478 -.04918 .00145 -.04160 0.0123 -.06814 -.03331 0.0321 .68031 .3902 .3041 .29173 82 Bước 6: Xác định mô hình phù hợp Một giả thuyết cơ bản trong phân tích nhân tố là sự tương quan giữa các biến ảnh hưởng đến các nhân tố chung. Vì vậy, tương quan giữa các biến có thể được suy ra hoặc mô phỏng từ mối tương quan được ước lượng giữa các biến và các nhân tố (bảng 2.6). Sự khác biệt giữa ma trận tương quan giữa các biến (bảng 2.1) và ma trận tương quan giữa các biến và nhân tố (bảng 2.6) gọi là các dư số. Nếu các dư số có giá trị lớn thì mô hình sẽ không phù hợp, và vì vậy cần phải xem xét lại mô hình. Với ví dụ này, so sánh giữa bảng 2.1 và bảng 2.6 cho thấy không có chênh lệch nào quá lớn, do vậy mô hình hai nhân tố có thể chấp nhận được. Bảng 2.6. Ma trận tương quan sau khi chuẩn hóa các biến V1 V2 V3 V4 V5 V6 V7 V1 V2 V3 V4 V5 V6 V7 0.74 0.76 0.72 0.13 0.24 0.14 0.24 0.80 0.78 0.28 0.14 0.19 0.26 0.70 0.19 0.71 0.20 0.73 0.80 0.15 0.79 0.28 0.72 0.17 0.74 0.79 0.29 0.78 2.2.3 Kết hợp phân tích nhân tố và hồi qui để nghiên cứu mối quan hệ nhân quả Do phân tích nhân tố không phải nghiên cứu quan hệ nhân quả mà chỉ “cô đọng” các biến, do vậy cần thiết phải kết hợp với hồi qui bội để nghiên cứu về quan hệ nhân quả giữa các nhân tố (biến tiềm ẩn) độc lập với biến kết quả (tiềm ẩn hoặc quan sát được trực tiếp). Qui trình kết hợp được thực hiện như sau: • Vận dụng phân tích nhân tố, đồng thời xác định các nhân tố chung trong các mô hình nhân tố ảnh hưởng mức độ hài lòng chung của hành khách đối với dịch vụ hàng không. • Đánh giá độ tin cậy của đo lường bằng phương pháp tính hệ số Cronbach’s Alpha 83 • Tính hệ số Cronbach’s Alpha được thực hiện đối với mỗi nhóm biến hình thành nên từng nhân tố. • Đo lường đảm bảo độ tin cậy khi có hệ số 5,0≥α . • Từ kết quả phân tích nhân tố vận dụng phân tích hồi qui bội để đánh giá mức độ ảnh hưởng của từng nhân tố ảnh hưởng đến chất lượng dịch vụ hàng không nói chung. Các nhân tố tiềm ẩn xác định được ở bước trên được sử dụng làm các biến độc lập và cùng với một biến phụ thuộc từ số liệu điều tra (thể hiện đánh giá chung về chất lượng dịch vụ chung do hành khách cảm nhận) được đưa vào mô hình phân tích hồi qui bội. Với các biến độc lập là những biến tổng hợp có được từ phân tích nhân tố cho phép loại trừ được hiện tượng đa cộng tuyến. 2.2.4. Phương pháp mô hình phương trình cấu trúc (Structral equation Model-SEM) 2.2.4.1 Bản chất của phương pháp mô hình phương trình cấu trúc Theo Hair, 2006, mô hình phương trình cấu trúc là một dạng của các mô hình thống kê nhằm giải thích quan hệ giữa các biến đa chiều. Trong đó, mô hình cho phép khảo sát cấu trúc của các mối quan hệ lẫn nhau được thể hiện bởi một hệ phương trình, tương tự như hệ phương trình hồi quy. Những hệ phương trình này mô tả tất cả các mối quan hệ của các biến (phụ thuộc và không phụ thuộc) liên quan đến việc phân tích. Các biến này không quan sát được và là các biến tiềm ẩn được đo bởi các chỉ báo tương tự như các chỉ báo đại diện cho một nhân tố trong phân tích nhân tố. Gần đây kỹ thuật biến đa chiều được phân loại thành kỹ thuật phụ thuộc và phụ thuộc lẫn nhau. Nếu như phân tích nhân tố chỉ cho phép đo được các biến tiềm ẩn thông qua hệ thông chỉ báo thì mô hình phương trình cấu trúc cho phép kết hợp hai kỹ thuật là phân tích nhân tố và phân tích hồi quy đa chiều. Mô hình phương trình cấu trúc còn được biết đến nhiều tên như: phân tích cấu trúc tương quan, phân tích biến tiềm ẩn… Mặc dù có nhiều cách có thể được sử dụng để kiểm định mô hình, nhưng tất cả những mô hình phương trình cấu trúc được phân biệt bởi ba yếu tố sau: 84 1. Ước lượng những mối quan hệ phụ thuộc đa chiều lẫn nhau 2. Khả năng biểu diễn những biến tiềm ẩn các mối quan hệ này và làm chính xác những sai số đo lường trong quá trình ước lượng 3. Định nghĩa mô hình để giải thích toàn bộ các mối quan hệ. 2.2.4.1.1 Ước lượng những mối quan hệ phụ thuộc đa chiều lẫn nhau Sự khác biệt rõ ràng nhất giữa mô hình phương trình cấu trúc với các mô hình đa nhân tố khác là sự bóc tách những mối quan hệ với mỗi một tập hợp các biến phụ thuộc. Một cách đơn giản, mô hình ước lượng riêng từng phần nhưng phụ thuộc qua lại và hồi quy đa chiều đồng thời bằng cách xác định mô hình cấu trúc trên cơ sở những chương trình thống kê. Dựa trên phân tích lý thuyết và tư duy logic, một nhà nghiên cứu có thể phác thảo biến độc lập dự báo cái gì với mỗi biến phụ thuộc. Trong mô hình đó, một số biến phụ thuộc trở thành biến độc lập trong quan hệ tiếp theo làm tăng tính phụ thuộc qua lại của mô hình cấu trúc. Mô hình cấu trúc thể hiện các mối quan hệ đó giữa những biến độc lập và phụ thuộc, thậm chí khi biến phụ thuộc trở thành biến độc lập với những mối quan hệ khác. 2.2.4.1.2 Kết hợp những biến tiềm ẩn không đo lường được trực tiếp Phương pháp mô hình phương trình cấu trúc cũng có khả năng kết hợp những biến tiềm ẩn vào phân tích. Những biến tiềm ẩn được giả định và không quan sát được được đại diện bởi những chỉ báo có thể quan sát và đo lường được. Trong phương pháp này khi xây dựng mô hình có hai loại biến là biến ngoại sinh và biến nội sinh. Việc phân biệt hai loại biến này được trình bày dưới đây. Phân biệt các biến ẩn ngoại sinh và nội sinh Biến ngoại sinh là biến tiềm ẩn đa chiều tương đương với biến độc lập. Biến ngoại sinh được quyết định bởi các yếu tố bên ngoài mô hình (không được giải thích bởi bất kỳ một biến nào trong mô hình) nên được gọi là biến độc lập. Mô hình thường được mô tả bởi một sơ đồ, vì vậy rất hữu dụng để biết bằng cách nào để nhận ra biến ngoại sinh. Giả sử một biến độc lập với các biến khác trong mô hình, có thể thấy một biến ngoại sinh không có một đường dẫn từ một biến khác tới nó. Vấn đề xây dựng sơ đồ được đề cập trong phần dưới đây. Biến nội sinh là các biến tiềm ẩn đa chiều tương đương với với biến phụ thuộc (hay một sự kết hợp của biến cá nhân phụ thuộc). Những biến này về mặt lí 85 thuyết được xác định bởi các yếu tố trong mô hình, và sự phụ thuộc này được biểu diễn bằng mắt bởi một đường dẫn tới tới biến nội sinh từ các biến ngoại sinh (hoặc từ biến ngoại sinh khác mà chúng ta sẽ nhìn thấy sau). 2.2.4.1.3 Định nghĩa mô hình Mô hình được sử dụng dụng để mô tả lí thuyết. Lí thuyết có thể được hiểu như là tập hợp có hệ thống các mối quan hệ cho phép giải thích sự biến động của các hiện tượng. Từ định nghĩa này, chúng ta thấy rằng lí thuyết không phải là vùng dành riêng cho giới học thuật mà có thể được xây dựng trên kinh nghiệm và thực nghiệm đạt được bởi sự quan sát các hành vi thế thế giới thực. Một mô hình quy ước trong mô hình phương trình cấu trúc thực tế bao gồm hai mô hình: Mô hình đo (các biến tiềm ẩn được đo bằng các tập hợp chỉ báo nào) và mô hình cấu trúc (Các biến tiềm ẩn liên kết với nhau theo mối quan hệ nào). Mô tả mô hình được xây dựng theo phương pháp SEM Một mô hình phương trình cấu trúc hoàn chỉnh bao gồm mô hình đo lường và mô hình cấu trúc có thể sẽ khá phức tạp. Rất nhiều cách được sử dụng để xác định tất cả các mối quan hệ trong một mô hình toán nhưng nhiều nhà nghiên cứu nhận ra rằng nó sẽ thuận tiện hơn khi mô tả trong một dạng có thể quan sát bằng mắt, sơ đồ đường dẫn. Mô hình các mối quan hệ này quy ước cụ thể cho cả biến ẩn và các biến được đo lường tốt như các các mối quan hệ giữa chúng. Mô hình đo Qui tắc cơ bản để xây dựng sơ đồ đường dẫn của mô hình đo lường như sau: • Để phân biệt các chỉ báo của biến ngoại sinh và biến nội sinh, các biến đo lường (indicators) của biến ngoại sinh ký hiệu là X và cho biến nội sinh kí hiệu là Y. • Các biến tiềm ẩn được biểu diễn bởi hình ô van hoặc hình tròn trong khi các biến chỉ báo là hình vuông. • Các biến chỉ báo của X hoặc Y được liên kết với riêng từng biến bằng những đường thẳng từ biến tiềm ẩn tới biến chỉ báo. Hình 2.3-1 mô tả những cách mô tả quan hệ giữa biến và một trong những biến đo lường của nó. 86 Mô hình mô tả quan hệ cấu trúc. Mô hình cấu trúc liên quan đến xác định quan hệ cấu trúc giữa các biến ẩn. Xác định các mối quan hệ này nghĩa chúng ta xác định xem có tồn tại quan hệ hay không. Hai dạng quan hệ có thể có giữa các biến là quan hệ phụ thuộc và quan hệ tương qu