Luận án Lòng tin và hành vi mua của người tiêu dùng trực tuyến

nhiên, trị số Engenvalue và phương sai trích còn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Theo Gerbing và Anderson (1988), phương pháp trích Pricipal Axis Factoring với phép xoay Promax (Obtique) có phương sai trích nhỏ, nhưng lại phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Pricipal components với phép xoay Varimax. 122 - Hệ số tải nhân tố (Factor loadings) cho biết mức tương quan giữa các chỉ báo với các nhân tố. Theo Hair và ctg (2014) nếu phân tích có Factor loading lớn hơn 0,3 được xem là đạt mức tối thiểu; nếu biến có giá trị Factor loading lớn hơn 0,4 được xem là quan trọng; nếu Factor loading lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Có một số yêu cầu khác nhau về mẫu chẳng hạn nếu Factor loading lơn hơn 0,3 thì yêu cầu cỡ mẫu tối thiểu phải là 350; nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì Factor loading nên lớn hơn 0,75, tức là cỡ mẫu càng cao thì yêu cầu factor loading sẽ thấp, ngược lại nếu cỡ mẫu ít thì hệ số factor loading cần phải cao. Trong một số trường hợp có thể giữ lại biến có Factor loading < 0,3, nhưng biến đó phải có giá trị nội dung theo lý thuyết. Ngoài ra đối với trường hợp các chỉ báo có Factor loading không không đạt yêu cầu hoặc hệ số loading cho các nhân tố khác nhau mà chênh lệch trọng số giữa các nhân tố nhỏ (nhỏ hơn 0,3), nghĩa là không có sự khác biệt rõ ràng khi giải thích cho nhân tố nhất định, thì biến đó nên bị loại và các biến còn lại sẽ được nhóm vào nhân tố đã được rút trích trong ma trận. Trong quá trình phân tích độ tin cậy thang đo Cronbach alpha, sẽ giữ lại các thang đo có trị số Cronbach alpha ≥ 0,7 và loại các biến quan sát có tương quan biến tổng < 0,3; quá trình phân tích EFA, sử dụng phương pháp trích Trục nhân tố chính (Pricipal Axis Factoring) với phép xoay Promax; và tiến hành loại bỏ các chỉ báo có hệ số Factor loading nhỏ hơn 0,5 hoặc các chỉ báo trích vào các nhân tố khác nhau mà chênh lệch trọng số Factor loading giữa các nhân tố nhỏ hơn 0,3. 3.4.6. Kiểm định và phân tích mô hình đo lường Kiểm định và phân tích mô hình đo lường là một trong 2 thành phần quan trọng để xây dựng mô hình cấu trúc tuyến tính (SEM), trong đó bao gồm mô hình đo lường (measurement model) và mô hình cấu trúc (structural model). Để xây dựng được mô hình cấu trúc đạt yêu cầu Hair và ctg (2014) đề xuất 6 bước như sau: 123 1. Xác định các biến tiềm ẩn (khái niệm nghiên cứu) 2. Xây dựng mô hình đo lường 3. Thiết kế nghiên cứu để kiểm chứng mô hình 4. Kiểm định tính tin cậy (reliability) và giá trị (validity) của mô hình 5. Thiết lập mô hình nghiên cứu (cấu trúc tuyến tính) 6. Kiểm định tính hiệu dụng của mô hình cấu trúc tuyến tính Trong đó từ bước 1 đến bước 4 là việc xây dựng và củng cố mô hình đo lường, sau khi đạt yêu cầu, bước 5 và 6 sẽ xây dựng và đánh giá tính giá trị của mô hình cấu trúc, từ đó có thể xác định các mối quan hệ giữa các khái niệm nghiên cứu được đề cập trong mô hình. Theo Hair và ctg (2014) việc xác định khái niệm trong bước một cần phải dựa trên lý thuyết và các nghiên cứu trước để có thể xây dựng được khái niệm nghiên cứu rõ ràng với các biểu hiện để có thể xây dựng thang đo cho khái niệm cần nghiên cứu. Bảng 3.8 Bảng tiêu chuẩn đo lường độ phù hợp của mô hình Chỉ báo N 250 m ≤ 12 12 < m < 30 m ≥ 30 m < 12 12 < m < 30 m ≥ 30 𝜒ଶ kỳ vọng p- value không ý nghĩa p-value có ý nghĩa kỳ vọng p-value có ý nghĩa p-value không có ý nghĩa Kỳ vọng p- value có ý nghĩa Kỳ vọng p-value có ý nghĩa CFI hoặc TLI ≥0,97 ≥0,95 >0,92 ≥0,95 >0,92 >0,90 RNI Không hiệu quả để đánh giá ≥0,95 >0,92 ≥0,95 không áp dụng khi N>1000 >0,92 không áp dụng khi N>1000 >0,90 không áp dụng khi N>1000 SRMR Nên dùng các chỉ báo khác ≤0,08 (với CFI ≥ 0,95) <0,09 (với CFI >0,92) Nên dùng các chỉ báo khác ≤0,08 (với CFI >0,92) ≤0,08 (với CFI > 0,92) RMSEA Giá trị <0,08 với CFI ≥ 0,97 Giá trị < 0,08 với CFI ≥ 0,95 Giá trị <0,08 với CFI ≥ 0,92 Giá trị < 0,07 với CFI ≥ 0,97 Giá trị < 0,07 với CFI ≥ 0,92 Giá trị < 0,07 với CFI ≥ 0,90 Ghi chú: m: số lượng biến quan sát, N: số quan sát từng nhóm khi sử dụng CFA Nguồn: Hair và ctg, 2014 124 Trong bước hai chỉ ra các thang đo đo lường cho khái niệm nào, cũng như là sự tương quan giữa các khái niệm nghiên cứu, trong bước này cần lưu ý đến tính giá trị và đơn hướng khái niệm, số lượng quan sát cần thiết để đo lường cho các khái niệm nghiên cứu, và liệu các thang đo này có mô tả được chính xác khái niệm cần nghiên cứu hay không. Trong bước 3 chỉ ra loại dữ liệu nào cần được thu thập cho phân tích tương quan và hiệp hương sai; những tác động và giải pháp cho dữ liệu bị khuyết; kích thước mẫu cần thiết và ảnh hưởng của nó đến kết quả nghiên cứu; kỹ thuật phân tích (ước lượng) nào nên được sử dụng (OLS, MLE, WLS, GLS, ADF) hay phần mềm nào (LISREL, AMOS, EQS, CALIS, Mplus,..) sẽ được sử dụng cho việc phân tích và xử lý dữ liệu. Trong đề tài này sẽ sử dụng phần mềm SPSS và AMOS 24 để phân tích dữ liệu. Tính giá trị của mô hình đo lường sẽ được đánh giá trong bước 4 với một số các tiêu chí khác nhau, trong đo các tiêu chí này được chia ra thành 3 nhóm là đo lường tuyệt đối/trực tiếp (absolute measures) gồm ꭓ2, GFI, RMSEA,.., đo lường gia tăng (incremental measures) gồm NFI, TLI, ., đo lường kiểm soát (parsimony measures) gồm AGFI, PNFI,. Bảng 3.8 trình bày một số các tiêu chuẩn này và yêu cầu trong một số tình huống khác nhau (Hair và ctg, 2014). 3.4.7. Phân tích nhân tố khẳng định (CFA) Phương pháp phân tích nhân tố khẳng định (Confirmation Factor Analysis-CFA) là một loạt các bước phân tích tương tự như phân tích nhân tố khám phá EFA tuy nhiên cách tiếp cận thì lại khác, trong đó phương pháp CFA sẽ xác định trước các biến quan sát đo lường cho khái niệm tiềm ẩn, việc xác định các biến quan sát hay chỉ báo cho các khái niệm nghiên cứu cần dựa vào lý thuyết và các nghiên cứu thực nghiệm trước đó. Các biến chỉ báo chỉ nên tải lên (loading) một nhân tố thay vì load lên nhiều các nhân tố khác nhau. CFA được dùng để kiểm định mô hình lý thuyết với các giả thuyết được đưa ra trong mối quan hệ cấu trúc tuyến tính giữa các biến và khái niệm nghiên cứu với nhau. Về mặt ý tưởng CFA so sánh mô hình với dữ liệu thực tế thu thập được 125 so sánh với mô hình lý thuyết, nếu 2 mô hình không có sự khác biệt thì có thể kết luận mô hình dữ liệu thực tế phù hợp với mô hình lý thuyết và do đó có thể dùng xác nhận hoặc từ chối mô hình nghiên cứu (giả thuyết) đề xuất. CFA thường dùng để kiểm định và xác nhận mô hình đo lường, trong đó mô hình đo lường cho biết những biến quan sát (chỉ báo) nào phù hợp để đo lường cho khái niệm nghiên cứu liên quan đến mô hình lý thuyết. Mô hình hình đo lường này sau đó kết hợp với phân tích mô hình cấu trúc các mối quan hệ giữa các khái niệm nghiên cứu theo các giả thuyết đã đề ra cho mô hình nghiên cứu. Phân tích CFA có thể kiểm định cấu trúc lý thuyết của các thang đo cũng như mối quan hệ giữa một biến tiềm ẩn với các biến tiềm ẩn khác mà không bị thiên lệch do sai số đo lường (Steenkamp & Van-Trijp, 1991). Ngoài ra với việc sử dụng CFA cho phân tích có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo mà không cần dùng nhiều nghiên cứu như các phương pháp truyền thống MTMM. Vì thế cho nên phương pháp phân tích nhân tố khẳng định CFA có nhiều ưu điểm hơn so với phương pháp khác (Bagozzi & Foxall, 1996; Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007). Trong nghiên cứu này, tác giả ứng dụng CFA để kiểm định mức độ phù hợp của mô hình thang đo với dữ liệu thu thập được (thông tin thị trường) sau khi đã đánh giá sơ bộ bằng hệ số tin cậy Cronbach alpha và phân tích nhân tố khám phá (EFA). Tiêu chuẩn phân tích CFA bao gồm các tiêu chuẩn đánh giá mức độ phù hợp chung của mô hình lý thuyết và mô hình thực tế và tiêu chuẩn đánh giá mức độ phù hợp theo các khía cạnh của giá trị nội dung. Để đánh giá mức độ phù hợp của mô hình đo lường, có thể sử dụng một số các tiêu chuẩn như: Chi-Square (Chi bình phương - CMIN); Chi-Square có hiệu chỉnh theo số bậc tự do (CMIN/df); hệ số CFI (Comparative Fit Index); hệ số TLI (Tucker & Lewis Index); hệ số GFI (Goodness of Fit Index); hệ số RMSEA (Root Mean Square 126 Error Approximation). Mô hình đo lường phù hợp là mô hình có kiểm định Chi- square có giá trị P ≥ 0,05 tức là có sự tương thích giữa ma trận dữ liệu theo lý thuyết và thực tế. Mặc dù vậy Chi-square lại bị phụ thuộc vào kích thước mẫu nghiên cứu do đó khi kích thước mẫu tăng lên thì giá trị Chi-square cũng tăng lên vì vậy có thể làm giảm mức độ phù hợp của mô hình, như vậy tiêu chí này không phản ánh đúng hoàn toàn mức độ phù hợp của mô hình khi kích thước mẫu lớn. Do đó, bên cạnh việc xác định P-value có thể xem xét thêm tiêu chuẩn Chi-square/df mà theo McIver & Carmines (1981) thì nếu hệ số hiệu chỉnh này nhỏ hơn 2 thì mô hình được xem là phù hợp (một số trường hợp có thể chấp nhận Chi-square/df ≤ 3, theo Wheaton (1977) chỉ số Chi-square/df nhỏ hơn 5 là chấp nhận được trong một số trường hợp), ngoài ra nên cân nhắc thêm một số các tiêu chuẩn khác như GFI, CFI, TLI, các chỉ số này nên lớn hơn 0,8 nếu các chỉ số này nằm trong khoảng từ 0,9 đến gần 1 được xem là mô hình có độ phù hợp cao (Bentler & Bonett, 1980); hệ số RMSEA cho biết về sai số của mô hình nên nhỏ hơn 0,08, trong trường hợp hệ RMSEA có giá trị nhỏ hơn 0,05 được xem là rất tốt (Steiger, 1998). Các thang đo lường phải thỏa mãn những tiêu chí cần thiết để có thể sử dụng trong nghiên cứu khoa học 3 tiêu chí quan trọng của một thang đo là hướng (dimension), độ tin cậy (reliability), và giá trị hiệu dụng (validity). Độ tin cậy đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát dùng để đo lường khái niệm nghiên cứu. Độ tin cậy của thang đo được đánh giá thông qua hệ số tin cậy tổng hợp (ρc - Composite reliability), phương sai trích được (ρvc - Variance extracted, AVE), hoặc hệ số tin cậy (Cronbach alpha - α). Trong đó, phương sai trích phản ánh sự biến thiên chung của các biến quan sát được giải thích bởi biến tiềm ẩn (Hair và ctg, 2014); độ tin cậy tổng hợp đo lường độ tin cậy của tập các chỉ báo đo lường một khái niệm (nhân tố); hệ số tin cậy hoặc Cronbach alpha đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát (Schumacker & Lomax, 2016). Tiêu chuẩn đánh giá mức độ phù hợp của mô hình bởi độ tin cậy của thang đo là ρc > 0,5 hoặc ρvc> 0,5; hoặc Cronbach α ≥ 0,6. 127 Hệ số tin cậy tổng hợp của thang đo (ρc) (Jöreskog, 1971) Phương trình (1) (1) Công thức tính AVE (ρvc) (Fornell & Larcker, 1981) phương trình (2) (2) Công thức tính hệ số α (Cronbach, 1951) phương trình (3) (3) λ: hệ số (chuẩn hóa) của chỉ báo thứ i; (1- λi 2): phương sai sai số đo lường chỉ báo thứ i; p: tổng số chỉ báo của thang đo. Trong công thức tính Cronbach α: k là số chỉ báo trong thang đo; σi 2: phương sai chỉ báo thứ i; σr 2: là phương sai của thang đo tổng Giá trị của một thang đo là khả năng thang đo đó có đo lường được những gì muốn nó đo lường (Bagozzi, 1994; Bollen, 1989; Carmines & Zeller, 1979). Để đánh giá thang đo có năm loại giá trị thang đo cần đạt được là giá trị nội dung, giá trị hội tụ, giá trị phân biệt, giá trị liên hệ lý thuyết, và giá trị tiêu chuẩn (Bagozzi, 1980; DeVellis, 2003; Steenkamp & Van-Trijp, 1991) Giá trị nội dung (Content validity) của một thang đo mang tính định tính trong đó nội dung của một khái niệm nghiên cứu được trình bày rõ ràng để xác định được thang đo có mô tả đầy đủ được miền khái niệm (Bollen 1989). Đối với các khái niệm đa hướng hoặc bậc cao thì cần làm rõ các thành phần của khái niệm nghiên cứu và các thành phần đo lường cuối cùng phải là các khái niệm đơn hướng và đo lường thông qua tập biến quan sát nhất định. 𝜌௖ = ൫∑ 𝜆௜ ௣ ௜ୀଵ ൯ ଶ ൫∑ 𝜆௜ ௣ ௜ୀଵ ൯ ଶ + ∑ (1 − 𝜆௜ଶ) ௣ ௜ୀଵ 𝜌௩௖ = ∑ 𝜆௜ଶ ௣ ௜ୀଵ ∑ 𝜆௜ଶ ௣ ௜ୀଵ + ∑ (1 − 𝜆௜ ଶ)௣௜ୀଵ 𝛼 = 𝑘 𝑘 − 1 ቆ 1 − ∑ 𝜎௜ଶ௞௜ୀଵ 𝜎௥ଶ ቇ 128 Tính đơn hướng (Unidimensionality) của 1 thang đo là việc đảm bảo các biến quan sát chỉ đo lường cho một biến tiềm ẩn duy nhất, một biến quan sát không nên dùng để đo lường cho nhiều biến tiềm ẩn khác nhau, như vậy thì thang sẽ không đạt được tính đơn hướng. Theo Steenkamp & Van-Trijp (1991), mức độ phù hợp của mô hình đo lường với dữ liệu thị trường là điều kiện cần và đủ để kết luận mô hình đo lường với tập các chỉ báo đạt được tính đơn hướng, trừ khi các sai số của tập các biến quan sát có tương quan với nhau. Bảng 3.9 Các tiêu chí và cách thức đánh giá độ tin cậy và giá trị của thang đo Chỉ tiêu đánh giá Thông số Nguồn - Độ phù hợp - So sánh ma trận hiệp phương sai ước lượng và quan sát - Tính đơn hướng của thang đo Chi-bình phương có giá trị P > 0,05 (Bagozzi & Yi, 1988; Hair và ctg, 2014) CMIN/df : (2-5) (L. T. Hu & Bentler, 1999) GFI (Goodness of fit index) ≥ 0,90 (Byrne, 2016; Hair và ctg, 2014; Hu & Bentler, 1999; McIver & Carmines, 1981; Wheaton và ctg, 1977) TLI (Tucker-Lewis Index) ≥ 0,90 CFI (Comparative Fit Index) ≥ 0,90 RMSEA (Root Mean Square Error of Approximation) nhỏ hơn 0,01 (rất tốt), nhỏ hơn 0,05 (tốt), từ 0,05-0,10 chấp nhận được, lớn hơn 0,1 (không tốt) (L. T. Hu & Bentler, 1999; Steiger, 1998) - Giá trị hội tụ Trọng số chuẩn hóa của thang đo có ý nghĩa thống kê (p-value < 0,05) và có hệ số lớn hơn 0,5. (Bagozzi & Yi, 1988; Gerbing & Anderson, 1988; Malhotra & Dash, 2011) - Độ tin cậy - Độ tin cậy thang đo Cronbach’s alpha - Độ tin cậy tổng hợp ρc ≥ 0,60 (0,60 – 0,70: Chấp nhận, ≥ 0,70: tốt) - Phương sai trích ρvc ≥ 0,5 (Bagozzi & Yi, 1988; Hair và ctg, 2014) - Giá trị phân biệt - Hệ số tương quan r ≠ 1 (Có ý nghĩa thống kê, p < 0,05) và nhỏ hơn 0,9 - MSV < AVE - Căn bậc hai AVE lớn hơn tương quan giữa các khái niệm (Hair và ctg, 2014; Kline, 2016; Malhotra & Dash, 2011; Steenkamp & Van- Trijp, 1991) Nguồn: tác giả tổng hợp, 2017 Giá trị hội tụ (Convergent validity) nói lên mức độ hội tụ của một thang đo cho khái niệm nghiên cứu mà nếu lặp lại việc đo lường sẽ cho kết quả tương tự. Theo Gerbing 129 và Anderson (1988) cho biết giá trị hội tụ của thang đo đạt yêu cầu khi các trọng số chuẩn hóa của khái niệm nghiên lên các biến quan sát đều cao (lớn hơn 0,5) và giả thuyết H0 cho các hệ số này đều bị bác bỏ với p<0,05. Giá trị phân biệt (Discriminant validity) nó về ý tưởng 2 khái niệm khác nhau thì phải tách biệt nhau, do đó hệ số tương quan giữa các khái niệm này không nên quá cao (không đường gần giá trị 1) và khác biệt này phải có ý nghĩa thống kê. Để đánh giá giá trị phân biệt khi phân tích nên kiểm định các khái niệm từng đôi một, do hệ số tương quan thường thay đổi khi có thêm khái niệm khác. Trong trường hợp khái niệm nghiên cứu là một khái niệm bậc cao thì khi so sánh hệ số tương quan giữa hai khái niệm và hệ số tương quan giữa hai thành phần của cùng một khái niệm nghiên cứu. Hoặc cũng có thể kiểm định giá trị phân biệt của các khái niệm nghiên cứu trong mô hình tới hạn, tuy nhiên kích thước mẫu khi dùng mô hình tới hạng phải lớn vì số tham số cần ước lượng trong mô hình nhiều hơn (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007) Giá trị liên hệ lý thuyết (Nomological validity) thể hiện sự phù hợp giữa mô hình nghiên cứu với cơ sở lý thuyết và các nghiên cứu trước. Theo Gerbing & Anderson (1988) giá trị liên hệ lý thuyết được đánh giá là phù hợp khi “mỗi một khái niệm nghiên cứu có mối liên hệ với các khái niệm khác như đã kỳ vọng về mặt lý thuyết”. Giá trị tiêu chuẩn (criterion validity) thể hiện mức độ liên kết của khái niệm đang nghiên cứu với một khái niệm khác đóng vai trò là biến tiêu chuẩn để đánh giá. Ngoài ra, theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang (2007) phương pháp ước lượng thường được sử dụng là Maximum Likelihood, vì khi kiểm định cho phép phân phối của các biến quan sát lệch một ít so với phân phối chuẩn đa biến (Muthen & Kaplan, 1985). Tuy nhiên ít có mô hình đo lường nào đạt được cùng lúc tất cả các tiêu chuẩn trên. 130 Bảng 3.9 tóm tắt các chỉ tiêu đánh giá thang đo lường và cách thức đánh giá độ tin cậy và các giá trị cần xem xét của thang đo. 3.4.8. Kiểm định mô hình cấu trúc tuyến tính (SEM) Trong bước 5 sẽ xây dựng và đưa ra các mối quan hệ dựa trên các giả thuyết được phát triển giữa các khái niệm nghiên cứu. Trong đó các mô hình đo lường và mối tương quan giữa các khái niệm nghiên cứu đã được xác định trong các bước trước. Trong bước này xác định rõ mối quan hệ nhân quả hay phụ thuộc giữa các khái niệm nghiên cứu qua đó cho thấy mối quan hệ nhân và phụ thuộc của các khái niệm. Các mối quan hệ này được thể hiện bằng đường dẫn từ một khái niệm này đến một khái niệm với mũi tên một chiều, khác với đường cong với mũi tên 2 chiều giữa 2 khái niệm được xem là mối quan hệ tương quan giữa 2 biến. Bước 6 đánh giá tính giá trị của mô hình cấu trúc và cũng là đánh giá tính giá trị của các giả thuyết về mối quan hệ của các khái niệm. Cần lưu ý là nếu mô hình đo lường không đạt yếu cầu về tính giá trị trong bước 4 thì bước 5 bước 6 không thể thực hiện được. Nếu mô hình kiểm định đạt yêu cầu thì việc có một mô hình cạnh tranh để so sánh sẽ giúp cho mô hình có giá trị hơn nữa. Một mục tiêu khác việc kiểm định mô hình SEM là ước lượng các tham số của các mối quan hệ bởi vì nó đưa ra bằng chứng về mối quan hệ giả thuyết đã được kiểm định trong mô hình cấu trúc. Các tiêu chí để đánh giá độ phù hợp của mô hình cũng được sử dụng như trong bước 4. Một chiến lược cũng được sử dụng để đánh giá độ giá trị của mô hình là so sánh với các mô hình cạnh tranh hoặc tương đương để cho thấy độ phù hợp của mô hình là tốt nhất. Trong suốt quá trình xây dựng thang đo, mô hình đo lường, và mô hình cấu trúc tuyến tính cần đảm bảo được 5 tiêu chí là (1) giá trị nội dung (content validity), (2) giá trị hội tụ (convergent validity), (3) giá trị phân biệt (discriminant validity), (4) giá trị liên hệ lý thuyết (nomological validity), và giá trị tiêu chuẩn (criterion validity) (Hair và ctg, 2014; Nguyễn Đình Thọ, 2011). 131 3.4.9. Đo lường hành vi mua hàng a) Mô hình nghiên cứu đề xuất đo lường hành vi mua qua các mục hỏi Hành vi mua được đo lường dưới dạng là các mục hỏi (thang đo khoảng) được phát triển và tham khảo từ một số nghiên cứu trước (Bearden & Netemeyer, 1999; Kim và ctg, 2009). Về cơ bản mô hình trong đó khái niệm hành vi mua sẽ được đo lường thông qua các phát biểu về hành vi mà họ đã thực hiện. Trong phụ lục F giới thiệu các thang đo cho các khái niệm nghiên cứu trong mô hình, trong đó trình bày khái niệm hành vi mua được đo lường dưới dạng là biến tiềm ẩn với các quan sát là các phát biểu (thang đo khoảng) giúp người mua xác nhận và đánh giá về các hành vi đó. b) Mô hình nghiên cứu cạnh tranh đo lường hành vi mua thông qua trị giá đơn hàng Karimi, Papamichail và Holland (2015) cho rằng hành vi mua thể hiện qua một số dạng như số lần mua, thời gian mua, số lượng các giải pháp thay thế được cân nhắc, số lượng các tiêu chuẩn lựa chọn. Trong một số các nghiên cứu khác đo lường hành vi mua theo một số cách khách nhau như Kim và ctg (2009) đo lường ở hai thái cực mua hoặc không mua, De Pelsmacker & Janssens (2007) đo lường hành vi mua thông qua tổng số tiền chi tiêu mua sắm trong một khoảng thời gian; Forsythe & Shi (2003) đo lường hành vi mua thông qua tần số mua hàng, tần số tìm kiếm và số tiền chi tiêu mua sắm trên web. Trong nghiên cứu này hành vi mua được đo lường thông qua trị giá đơn hàng (thang đo tỷ lệ) để so sánh kết quả với việc đo lường hành vi mua bằng các phát biểu thể hiện hành vi mua . Tuy nhiên do các đơn hàng có độ dao động lớn và nhiều khác biệt về các giá trị do đó các biến này được mã hóa lại từ 1 đến 7. Theo thống kê về các trị giá đơn hàng dựa trên tần số xuất hiện cho thấy một số các trị giá đơn hàng phổ biến có tần số xuất hiện nhiều hơn các giá trị khác và được xem là các mốc chuyển quan trọng trong hành vi mua của khách hàng. Qua Hình 5.1 có thể thấy có các mốc quan trọng trong hành vi mua của khách hàng là các giá trị như 100 (ngàn đồng), 150, 132 200, 300, 500, 1000. Như vậy có thể dựa theo các mốc này để mả hóa lại thông tin trị giá đơn hàng, từ thang đo tỷ lệ chuyển sang thang đo khoảng, cụ thể các giá trị sẽ được mã hóa bằng thang đo 7 điểm từ thấp đến cao như sau:  Nhận giá trị 1: cho đơn hàng từ 1-100 ngàn đồng  Nhận giá trị 2: cho đơn hàng từ 101 ngàn đồng -150 ngàn đồng  Nhận giá trị 3: cho đơn hàng từ 151 ngàn đồng -200 ngàn đồng  Nhận giá trị 4: cho đơn hàng từ 201 ngàn đồng -300 ngàn đồng  Nhận giá trị 5: cho đơn hàng từ 301 ngàn đồng -500 ngàn đồng  Nhận giá trị 6: cho đơn hàng từ 501 ngàn đồng-1 triệu đồng  Nhận giá trị 7: cho đơn hàng lớn hơn 1 triệu đồng Các trị giá đơn hàng trong cột dữ liệu sẽ được mã hóa lại theo các mốc giá trị đã nêu trên, sau đó được đưa vào mô hình cấu trúc tuyến tính để phân tích như là một biến quan sát. Qua việc đo lường hành vi mua dưới dạng thang đo tỷ lệ và thang đo khoảng giúp cho nghiên cứu có thể so sánh với các kết quả đo lường theo phương pháp khác nhau. 3.4.10. Phân tích tác động của biến điều tiết Trong nghiên cứu này sử dụng phương pháp phân tích đa nhóm để so sánh mô hình lý thuyết theo các biến kiểm soát là kinh nghiệm dùng internet, xu hướng tránh rủi ro và đặc điểm cá nhân. Các biến này sẽ được tách ra làm 2 nhóm dựa vào trung vị, mod, hoặc đối với biến có nhiều thang đó có thể tính trung bình và tách theo trung vị để chia làm 2 nhóm. Chẳng hạn như kinh nghiệm dùng internet sẽ tách ra thành 2 nhóm có kinh nghiệm và chưa có nhiều kinh nghiệm; với biến xu hướng tránh rủi ro có 3 thang đo do đó sẽ tính trung bình tách thành 2 nhóm có xu hướng tránh rủi ro cao và tránh rủi ro thấp; đối với đặc điểm cá nhân sẽ sử dụng các biến nhân khẩu học (ví dụ: giới tính, kinh nghiệm sử dụng internet, xu hướng tránh rủi ro). Đối với nhóm giới tính, nam được mã hóa là 1 và nữ được mã hóa là 2 khi đưa vào phân tích cấu trúc đa nhóm. Đối với các nhóm có xu hướng tránh rủi ro rủi ro, 3 câu 133 hỏi về xu hướng tránh rủi ro trong bảng câu hỏi (câu 87 đến 89 trong bảng câu hỏi khảo sát, xem thêm phụ lục C) được tính trung bình và mã hóa lại theo đó quan sát có điểm trung bình của 3 câu hỏi nhỏ hơn 3 sẽ được mã hóa là 1 (là nhóm thích rủi ro), đối với các quan sát có điểm trung bình 3 câu hỏi lớn hơn 3 sẽ được mã hóa là 2 (là nhóm tránh rủi ro). Phương pháp phân tích đa nhóm sẽ so sánh mô hình bất biến từng phần và khả biến. Trong mô hình khả biến các tham số ước lượng trong từng mô hình của các nhóm không bị ràng buộc. Trong mô hình bất biến từng phần, thành phần đo lường không bị ràng buộc nhưng các mối quan hệ giữa các khái niệm trong mô hình lý thuyết được ràng buộc có giá trị như nhau cho cả hai nhóm. Hình 3.3 Số năm kinh nghiệm mua sắm của đáp viên Nguồn: Tác giả tổng hợp, 2018 Phương pháp ước lượng cực đại (Maximum likelihood) được sử dụng trong phân tích đa nhóm. Kiểm định Chi-bình phương được dùng để so sánh hai mô hình (bất biến và khả biến từng phần). Nếu kiểm định cho thấy sự khác biệt có ý nghĩa thì sẽ chọn mô hình khả biến tức là các biến kiểm soát có tác động, nếu kiểm định cho thấy sự khác biệt không có ý nghĩa thì mô hình bất biến từng phần sẽ được chọn tức là các biến kiểm soát không có tác động trong các mối quan hệ. Các mô hình bất biến và 104 163 141 65 79 16 15 6 2 4 0 20 40 60 80 100 120 140 160 180 1 2 3 4 5 6 7 8 9 10 Tầ n số Số năm kinh nghiệm 134 khả biến được xây dựng và kiểm định, trong đó mô hình khả biến là mô hình được phân nhóm theo biến giới tính, biến xu hướng tránh rủi ro, và biến kinh nghiệm mua sắm trực tuyến. Sau đó Chi-square và bậc tự do của 2 mô hình khả biến và bất biến được ghi nhận để kiểm tra sự khác biệt của 2 mô hình. Nếu kết quả cho thấy không có sự khác biệt có ý nghĩa thống kê, mô hình bất biến được lựa chọn do có bậc tự do cao hơn. Đối với nhóm có kinh nghiệm mua sắm câu hỏi về kinh nghiệm mua hàng trực tuyến trước đó (câu số 3 trong bảng câu hỏi, xem thêm phụ lục C) được mã hóa lại theo số năm kinh nghiệm. Hình 3.3 cho thấy đáp viên có kinh nghiệm 2 năm xuất hiện nhiều nhất, từ đó làm căn cứ để chia nhóm, trong đó các đáp viên có kinh nghiệm từ 2 năm trở xuống được mã hóa là 1 (nhóm có ít kinh nghiệm) và những đáp viên có kinh nghiệm nhiều hơn 2 năm sẽ được mã hóa là 2 (nhóm có nhiều kinh nghiệm). 3.4.11. Kiểm định ước lượng mô hình nghiên cứu bằng Bootstrap Ý tưởng của kỹ t