MỤC LỤC
Phụ bìa
Lời cam đoan
Lời cảm ơn
Mục lục
Danh mục các chữ viết tắt
Danh mục các hình vẽ . .2
Danh mục các bảng biểu. .4
LỜI NÓI ĐẦU. .8
Chương 1: LÝ LUẬN CHUNG VỀ CHẤT LƯỢNG DỊCH VỤ HÀNG
KHÔNG VÀ QUẢN TRỊ CHẤT LƯỢNG DỊCH VỤ HÀNG KHÔNG .12
1.1. Chất lượng dịch vụ hàng không . 12
1.2. Quản trị chất lượng dịch vụ hàng không . 30
Chương 2: MỘT SỐ PHƯƠNG PHÁP THỐNG KÊ TRONG NGHIÊN CỨU
CHẤT LƯỢNG DỊCH VỤ QUA SỰ CẢM NHẬN CỦA KHÁCH HÀNG .53
2.1. Khái niệm và đặc tính của biến thuộc tính tiềmẩn. 53
2.2. Một số phương pháp thống kê nghiên cứu về các biến tiềm ẩn . 58
Chương 3: VẬN DỤNG CÁC PHƯƠNG PHÁP THỐNG KÊ NGHIÊN CỨU
CÁC NHÂN TỐ ẢNH HƯỞNG CHẤT LƯỢNG DỊCH VỤ MẶT ĐẤT VÀTRÊN
KHOANG CỦA HÃNG HÀNG KHÔNG QUỐC GIA VIỆT NAM (VNA) .107
3.1. Mô hình lý thuyết về các nhân tố ảnh hưởng đếnsự hài lòng của khách hàng . 107
3.2. Áp dụng phương pháp hồi qui bội để nghiên cứu các nguyên nhân ảnh
hưởng đến chất lượng dịch vụ hàng không . 108
3.3. Áp dụng kết hợp phân tích nhân tố và phương pháp mô hình phương trình
cấu trúc (SEM) nghiên cứu các yếu tố ảnh hưởng đến chất lượng dịch vụ
hành khách mặt đất và trên không. . 115
KẾT LUẬN VÀ KIẾN NGHỊ . .161
KẾT LUẬN CHUNG. . 161
DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ
TÀI LIỆU THAM KHẢO . .170
PHỤ LỤC . .174
199 trang |
Chia sẻ: maiphuongdc | Lượt xem: 3138 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu 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, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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
Các file đính kèm theo tài liệu này:
- Vận dụng các phương pháp thống kê nghiên cứu các nhân tố ảnh hưởng chất lượng dịch vụ mặt đất và trên khoang của hãng hàng không quốc gia VN.pdf