Phân Tích Nhân Tố Khẳng Định Cfa Để Kiểm Định Thang Đo

Hair và cộng sự có đề xuất hệ số tải nhân tố tương ứng với quy mô mẫu như trên, tuy nhiên tùy vào cách tiếp cận, phương pháp nghiên cứu, nhân tố mới... Ngày nay, các nhà nghiên cứu thường loại bỏ các biến có hệ số tải nhân tố nhỏ hơn 0,5. Tuy nhiên, có những biến quan sát 0,5 < X ≤ 0,4, nhưng giá trị nội dung của biến đo lường đó có ý nghĩa quan trọng thì ta nên giữ lại để tiếp tục kiểm định biến đó (Nguyễn Đình Thọ, 2011). Chính vì lý do trên, nên trong nghiên cứu tính hấp dẫn điểm đến thu hút vốn đầu tư thì tác giả chọn hệ số tải lớn hơn bằng 0,5.

2. Hair và cộng sự (2010) đề xuất hệ số Total Variance Explained ≥ 50%, nghĩa là các biến quan sát dùng để đo lường nhân tố giải thích được tối thiểu 50%.

3. Hair và cộng sự (2010); Nguyễn Đình Thọ (2011) đề xuất hệ số trích xuất nhân tố Eigenvalue có giá trị phải lớn hơn 1.

4. Đạt giá trị hội tụ (GTHT)

Gerbing và Anderson (1988) cho rằng: “Giá trị hội tụ có nghĩa là các biến đo lường trong một nhân tố có mối tương quan cao. Thang đo đạt giá trị hội tụ khi các hệ số chuẩn hóa của thang đo đều lớn hơn 0,5 và có ý nghĩa thống kê (thông thường p < α

=0,05)”. Các giá trị này thỏa mãn điều kiện trên tuy nhiên phải tập trung đo lường cho 1 nhân tố nhất định, thì mới thỏa mãn đạt giá trị hội tụ.

5. Giá trị phân biệt (GTPB)

Steenkamp và Van Trijp (1991), Bagozzi và Foxall (1996) cho rằng: “Giá trị phân biệt thể hiện được cấp độ phân biệt giữa các khái niệm đo lường”. Với khái niệm này, thì ta có thể loại bỏ những biến mà 1 biến mà đo lường cho nhiều nhân tố.

3.2.2 Nghiên cứu chính thức

Giai đoạn nghiên cứu chính thức này thông thường được thực hiện qua 6 giai đoạn: (1) Thu thập dữ liệu; (2) Kiểm định thang đo và phân tích EFA; (3) Phân tích CFA; (4) Kiểm định mô hình và giả thuyết nghiên cứu (SEM); (5) Phân tích cấu trúc đa nhóm; (6) Khảo sát định tính nhằm khẳng định kết quả nghiên cứu.

3.2.2.1 Thu thập dữ liệu nghiên cứu

Việc thu thập dữ liệu với quy mô mẫu là bao nhiêu quan sát là đủ là vấn đề không phải dễ trả lời đối với các nhà khoa học. Quy mô mẫu càng lớn thì càng đại diện tốt cho tổng thể, tốt cho nghiên cứu. Tuy nhiên, việc lấy mẫu càng lớn thì càng tốn kém thời gian, công sức và chi phí. Do vậy, các nhà khoa học đã đề xuất một số quy luật chọn quy mô mẫu ở mức tối thiểu có thể đại diện cho tổng thể có thể kể đến như:

Cochran (1963) đã đưa ra công thức tính được quy mô mẫu tương ứng với quy mô tổng thể với độ tin cậy và xác xuất mắc sai lầm tương ứng như sau:

Z2.p.q

Biết rằng:

no =

Z: hệ số tra trong bảng xác suất tương ứng với độ tin cậy P: Ước lượng quy mô đại diện cho tổng thể

q = 1- p

e2: Mức độ mắc sai số

Chẳng hạn: với độ tin cậy 95%, tra bảng ta có Z= 1,96; với p đại diện 50% thì no=385. Tiếp tục sử dụng no cho công thức sau:

N = (no – 1) 1 +

Với công thức trên thì N là kích thước tổng thể. Giả sử quy mô tổng thể lúc này là N= 2000 thì n = 323 quan sát.

Yamane (1973), Miaoulis và Michener (1976), trong các nghiên cứu của mình đã đưa ra đề nghị cho công thức tính toán quy mô mẫu trong nghiên cứu định lượng như sau:

Biết rằng:

n =

n: Quy mô mẫu

N: Quy mô tổng thể e2: Mức độ mắc sai số

1 + N.e2

Cũng với quy mô tổng thể N =2000, thì lúc này chúng ta tính ra được n= 333 quan sát. Israel (1992) trong nghiên cứu của mình đã đề xuất thông thường quy mô mẫu đạt 10% tổng thể, nhưng khi khảo sát có thể tăng lên gần 30% đề phòng cho những người không phản hồi.

Với kết quả trên thì ta có thể thấy được rằng các nhà nghiên cứu trước đây đã đề

xuất các công thức tính toán quy mô mẫu cho kết quả gần nhau. Tuy nhiên, nếu tính

toán theo những công thức trên, nếu N là rất lớn hoặc khó ước lượng thì việc khảo sát quy mô mẫu sẽ rất lớn, tạo nên sự tốn kém thời gian và tiền bạc.

Để giảm quy mô mẫu quá lớn góp phần giảm công sức, chi phí và thời gian điều tra, một số nhà khoa học đã đề xuất cách lấy mẫu dựa vào kinh nghiệm, dựa vào số biến quan sát để đề xuất quy mô mẫu đại diện cho tổng thể như sau:

Theo Hoelter (1983), cỡ mẫu ít nhất là 200.

Ngoài ra, Bollen (1989), Muthén và Muthén (2005) thì cho rằng quy mô mẫu tối thiểu phải gấp 5 lần số biến quan sát.

Hair và cộng sự (2010), Nguyễn Đình Thọ (2011) cũng đồng quan điểm với Muthén và Muthén (2005). Ngoài ra, Hair và cộng sự (2010) cho rằng nếu không đáp ứng được tiêu chí tối thiểu trên, thì tùy vào phương pháp nghiên cứu, phương pháp xử lý số liệu, loại hình nghiên cứu, đối tượng nghiên cứu... mà quy mô mẫu tối thiểu khác nhau. Hair và cộng sự (2010) cho rằng kích thước mẫu tối thiểu phải 100 đến 150 trong trường hợp đối tượng khảo sát của tổng thể quy mô nhỏ.

Tabachnick và Fidell (2007) thì cho rằng với nghiên cứu tiến hành phân tích EFA và phân tích hồi quy thì yêu cầu quy mô mẫu thông thường nhỏ hơn là phân tích CFA và SEM. Theo kinh nghiệm của Tabachnick và Fidell thì quy mô mẫu thông thường là 300 quan sát, 500 quan sát là tốt và 1000 quan sát là rất tốt.

Đối với bài nghiên cứu của tác giả, các nhân tố tạo nên tính hấp dẫn trong việc thu hút vốn đầu tư du lịch, chúng ta khó ước lượng được các nhân tố này tác động đến bao nhiêu nhà đầu tư. Chính vì vậy, chúng ta khó xác định N theo công thức ước lượng trên của Cochran (1963), Yamane (1973), Miaoulis và Michener (1976). Chính vì vậy, tác giả sẽ ước lượng quy mô mẫu theo kinh nghiệm của các nhà nghiên cứu trước đây theo biến quan sát.

Tổng số biến quan sát của bài nghiên cứu này là 32 biến quan sát, với tỷ lệ 5:1 thì suy ra số quan sát của nghiên cứu phải tối thiểu là 160 quan sát. Do vậy, tác giả sẽ khảo sát khoảng 500 chủ doanh nghiệp, cán bộ quản lý các khu tham quan giải trí, các khách sạn 3 sao trở lên để dự phòng cho trường hợp các phiếu khảo sát không được trả lời, hoặc trả lời không hợp lệ... Số phiếu khảo sát này sẽ gửi đến các nhà đầu tư, các nhà quản lý thuộc 8 tỉnh thuộc vùng Duyên hải Nam Trung Bộ, với phương pháp lấy mẫu ngẫu nhiên.

3.2.2.2 Đánh giá độ tin cậy thang đo và phân tích EFA

Về cơ bản chúng ta tiến hành phân tích độ tin cậy thang đo và phân tích nhân tố khám phá giống với nghiên cứu định lượng sợ bộ. Tác giá tổng hợp các hệ số cần đánh giá ở bảng sau:

Chỉ tiêu đánh giá

Điều kiện	Nguồn
1. Kiểm định thang đo bằng phân tích Cronbach’s Alpha
1.1 Hệ số Cronbach’s Alpha	> 0,7	Nunnally và Bernstein, (1994); Peterson, (1994); Hoàng Trọng và Chu Nguyễn Mộng Ngọc, (2008); Hair và cộng sự (2010); Nguyễn Văn Thắng (2014)
1.2 Hệ số tương quan biến tổng	> 0,3
2. Kiểm định thang đo bằng phân tích EFA
2.1 Kiểm định KMO (Kaiser – Meyer – Olkin)	0,6< KMO <1	(Kaiser, 1974; Kaiser và Rice, 1974)
2.2 Kiểm định Bartlett	Sig < 0,05	(Bartlett, 1937; Bartlett, 1950)
2.3 Hệ số tải nhân tố	> 0,3 , nhưng tốt nhất là >0,5	Hair và cộng sự (2010); Nguyễn Đình Thọ, (2011)
2.4 Hệ số Total Variance Explained	≥50%	Hair và cộng sự (2010)
2.5 Hệ số Eigenvalue	> 1	Hair và cộng sự (2010)
2.6 Đạt giá trị hội tụ và phân biệt		Steenkamp và Van Trijp (1991), Bagozzi và Foxall (1996); Gerbing và Anderson (1988)

Có thể bạn quan tâm!

Xem toàn bộ 178 trang tài liệu này.

Như vậy, về cơ bản ở phần này ta tiến hành kiểm định thang đo bằng hệ số Cronbach’s Alpha và phân tích nhân tố khám phá ta cần kiểm định các giá trị phải đủ điều kiện như đã chỉ ra ở bảng trên.

3.2.2.3 Phân tích nhân tố khẳng định CFA để kiểm định thang đo

Các giá trị của thang đo đạt yêu cầu sau khi phân tích EFA hoặc kiểm tra lại thang đo nếu thay đổi. Nếu tất cả đều đạt yêu cầu thì ta tiến hành phân tích CFA nhằm kiểm định sự phù hợp giữa mô hình đề xuất có phù hợp với dữ liệu thị trường.

Phân tích nhân tố khẳng định chúng ta cần kiểm tra các nội dung sau đây:

a. Kiểm tra tính đơn hướng (Unidimensionality)

Sự phù hợp giữa mô hình nghiên cứu cần đo lường với dữ liệu thực tế khảo sát điều này chứng tỏ nhóm biến quan sát đo lường cho nhân tố đạt được tính đơn hướng. Hay nói cách khác, tính đơn hướng chỉ đạt được khi không có sự tương quan sai số giữa các biến quan sát với nhau (Steenkamp và Van Trijp, 1991).

Để kiểm tra sự phù hợp của mô hình thì theo Hair và cộng sự (2010, trang 654) cho rằng cần kiểm tra các giá trị: “Chi-square (CMIN), CMIN/df: Chi-square điều chỉnh theo bậc tự do, GFI (Good of Fitness Index) chỉ số phù hợp tuyệt đối, CFI (Comparative Fit Index) chỉ số phù hợp so sánh, TLI (Tucker and Lewis Index), RMSEA (Root Mean Square Error Approximation)”.

Chỉ số CMIN: Theo Jöreskog và Sörbom (1989) thì Chi-square (CMIN) dùng để kiểm định mức độ phù hợp tổng quát của mô hình. Tuy nhiên hệ số này phản ứng rất nhạy với quy mô mẫu lớn và độ mạnh của kiểm định. Do vậy, trên thực tế người ta hay dùng chỉ số CMIN/df.

Chỉ số CMIN/df: Theo Hair và cộng sự (2010) thì yêu cầu: 1 < CMIN/df < 3

Theo Kettinger và Lee (1994) thì cho rằng: CMIN/df < 5 khi mẫu N > 200; còn khi mẫu N < 200 thì CMIN/df < 3 thì được cho là đạt yêu cầu.

Chỉ số GFI, CFI, TLI: Theo Chin và Todd (1995) và Hair và cộng sự (2010) thì các giá trị này phải lớn hơn 0,9. Tuy nhiên, theo Hair và cộng sự (2010) thì GFI nhỏ hơn 0,9 vẫn đạt yêu cầu.

Chỉ số RMSEA: Theo Taylor và cộng sự (1993) thì RMSEA < 0,05 thì rất tốt, tuy nhiên nếu giá trị này nhỏ hơn 0,08 thì vẫn chấp nhận được.

Chỉ số PCLOSE: Thực chất chỉ số này dùng để kiểm định giả thuyết H0 của chỉ số RMSEA. Giả thuyết H0 cho rằng RMSEA nhỏ hơn 0,05 thì mô hình phù hợp tốt (Close Fit) nên giá trị kiểm định có tên gọi là PCLOSE. Do vậy, theo Browne và Cudeck (1993) thì giá trị PCLOSE này phải lớn hơn 0,05.

Tác giả có thể tóm tắt lại các chỉ số cần đo lường tính đơn hướng như sau:

Bảng 3.5: Tổng hợp chỉ số đo lường tính đơn hướng

Chỉ số

CMIN	CMIN/df	GFI	CFI	TLI	RMSEA	PCLOSE
Mức	P-value > 0,05	1 < CMIN/df < 3	> 0,9	> 0,9	> 0,9	<0,05	>0,05

Nguồn: tổng hợp của tác giả

b. Kiểm định độ tin cậy thang đo

Độ tin cậy thang đo trong phân tích CFA thường được đánh giá qua 2 chỉ tiêu đó là:

1. Độ tin cậy tổng hợp (Composite Reliability)

Theo Jöreskog (1971) đề xuất tính độ tin cậy thang đo tổng hợp bằng công thức:

Trong đó:

P: là số biến quan sát

: là hệ số chuẩn hóa của biến quan sát i

Theo Gerbing và Anderson (1988) thì hệ số độ tin cậy thang đo không mắc phải sai lầm giả định độ tin cậy các biến giống nhau như trong phân tích Cronbach’s Alpha, do đó nó tốt hơn. Và theo Hair và cộng sự (2010) thì hệ số này phải lớn hơn 0,6.

2. Phương sai trích (Average Variance Extracted)

Fornell và Larker (1981) cho rằng: “Phương sai trích phản ánh lượng biến thiên chung của biến quan sát được tính toán bởi biến tiềm ẩn”. Công thức được đề xuất như sau:

Gerbing và Anderson (1988) thì hệ số chặn để loại biến trong phương pháp trích nhân tố với phép quay Promax là 0,4. Và theo Hair và cộng sự (2010) thì hệ số phương sai trích phải lớn hơn 0,5.

c. Kiểm định giá trị hội tụ (Convergent Validity)

Theo Gerbing và Anderson (1988) cho rằng: “hệ số chuẩn hóa phải lớn hơn 0,5 và hệ số P-value phải nhỏ hơn 0,05 thì thang đo mới đạt giá trị hội tụ”.

d. Kiểm định giá trị phân biệt

Theo Bagozzi và Foxall (1996) thì cần kiểm định hai nội dung:

Một là, kiểm định sự tương quan giữa 2 thành phần cùng một khái niệm. Hệ số tương quan này phải nhỏ hơn 1.

Hai là, kiểm định sự tương quan từng cặp giữa các khái niệm với nhau. Hệ số tương quan này phải nhỏ hơn 1. Và hệ số tương quan này phải nhỏ hơn hệ số tương quan thành phần của cùng 1 khái niệm (Gerbing và Anderson, 1988).

Như vậy, ta có thể tổng kết lại quá trình phân tích CFA như sau:

Một là, phân tích nhân tố khẳng định cho từng nhân tố để kiểm tra độ tin cậy tổng hợp, kiểm định phương sai trích, kiểm định tính đơn hướng, kiểm định giá trị phân biệt và giá trị hội tụ.

Hai là, phân tích nhân tố khẳng định cho tất cả các khái niệm để kiểm định giá trị phân biệt và giá trị hội tụ.

3.2.2.4 Kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu bằng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling)

Thông thường trong nghiên cứu định lượng, từ 1 một mẫu lớn chúng ta phải chia thành hai mẫu nhỏ dùng để ước lượng và đánh giá chéo. Theo Gerbing và Anderson (1988) thì việc làm như vậy rất mất thời gian và công sức. Chính vì vậy, Schumacker và Lomax (1996) đã đề xuất sử dụng phương pháp Boostrap để kiểm định mô hình. Phương pháp này là phương pháp lấy mẫu tạo ra n mẫu từ một mẫu nghiên cứu ban đầu. Kết quả ước lượng trung bình từ n mẫu nếu gần sát với ước lượng mô hình mẫu ban đầu thì có thể coi là ước lượng mô hình nghiên cứu đáng tin cậy.

Phần này nghiên cứu sẽ kiểm định giả thuyết nghiên cứu và mô hình nghiên cứu bằng phân tích SEM. Sau đó, tiến hành phân tích cấu trúc đa nhóm để kiểm định có sự khác biệt trong nhận định của những nhà đầu tư vào khách sạn khác biệt với nhà đầu tư vào điểm tham quan giải trí về vấn đề tính hấp dẫn điểm đến hay không. Ngoài ra, tác giả cũng tiến hành kiểm định sự khác biệt giữa nhà đầu tư trong nước và nhà đầu tư nước ngoài xem thử có sự khác biệt trong nhận định của họ về tính hấp dẫn điểm đến hay không.

3.3 Kết quả phát triển thang đo nghiên cứu

3.3.1 Kết quả phát triển thang đo bằng nghiên cứu định tính

Tác giả gửi những bảng câu hỏi mở có gợi ý chia làm 5 nhóm nhân tố chính có ảnh hưởng đến tính hấp dẫn của điểm đến trong việc thu hút vốn đầu tư du lịch. Phiếu khảo sát được gửi đến các chuyên gia về lĩnh vực đầu tư du lịch: gồm có 6 giảng viên các trường đại học Đà Nẵng, đại học Nha Trang, đại học Kinh tế Quốc dân, Đại học Quy Nhơn, Đại học Kinh tế HCM là các chuyên gia nghiên cứu trong lĩnh vực du lịch và thu hút vốn đầu tư. Ngoài ra, 8 phiếu khảo sát được gửi đến các lãnh đạo

trưởng/phó của sở kế hoạch đầu tư, sở du lịch thuộc 8 tỉnh Duyên hải Nam Trung Bộ. Đồng thời 20 phiếu khảo sát được gửi đến cho các nhà đầu tư, nhà lãnh đạo thuộc các khách sạn, resort, khu du lịch có quy mô từ 3 sao trở lên. Kết quả thu về được 6 phiếu từ các giảng viên đại học, 4 phiếu từ các lãnh đạo sở, và 12 phiếu từ các nhà đầu tư, chủ doanh nghiệp du lịch.

Đầu tiên, ta xem xét thang đo “Lợi thế tài nguyên”

Dunning (1988) đã chỉ ra rằng động cơ chính để các nhà đầu tư quyết định đầu tư vào một quốc gia, một địa phương khác đó là: (1) tìm kiếm tài nguyên; (2) tìm kiếm thị trường; (3) tìm kiếm sự hiệu quả.

Tuy nhiên, trong nhiều nghiên cứu về tính hấp dẫn điểm đến thu hút vốn đầu tư du lịch thì thường chỉ tập trung vào nguồn tài nguyên tự nhiên mà chưa đề cập đến tài nguyên văn hóa. Đa phần các nghiên cứu tập trung vào vị trí khách sạn cho nên hay đề cập đến yếu tố cảnh quan, khí hậu hay nói cách khác là nhân tố tài nguyên tự nhiên. Về sau có rất nhiều nghiên cứu có đề cập đến tài nguyên văn hóa (tài nguyên nhân văn) nhưng chưa đầy đủ, hoặc có đầy đủ nhưng ở khía cạnh thu hút khách du lịch mà không phải là thu hút nhà đầu tư (Ritchie và Crouch, 2003; Crouch, 2007; Faust, 2010; Dugulan và cộng sự, 2010; Drakulić Kovačević và cộng sự, 2017).

Kết quả phát phiếu khảo sát với bảng câu hỏi mở và phỏng vấn sâu các chuyên gia và nhà đầu tư lĩnh vực khách sạn, khu du lịch được trình bày ở bảng sau:

Bảng 3.6 Kết quả khảo sát và phỏng vấn sâu nhân tố “Lợi thế tài nguyên” TT Tên biến đo lường Nguồn

1 Hệ thống sông ngòi, núi non có nhiều cảnh đẹp chưa được khai phá

Phỏng vấn sâu

2 Hệ động thực vật đa dạng và độc đáo Phiếu khảo sát

3 Khí hậu mát mẻ, thời tiết dễ chịu Phiếu khảo sát

4 Nhiều danh lam thắng cảnh đẹp Phiếu khảo sát

5 Môi trường sạch sẽ, ít ô nhiễm Phiếu khảo sát

6 Di tích lịch sử, bảo tàng, tháp đẹp Phỏng vấn sâu

7 Nghệ thuật truyền thống, văn hóa dân gian đặc sắc Phỏng vấn sâu

8 Nhiều món ăn ngon hấp dẫn Phiếu khảo sát

9 Có nhiều hoạt động giải trí Phỏng vấn sâu

10 Nhiều bãi biển, hòn đảo đẹp ít được khai phá Phỏng vấn sâu

Nguồn: Tác giả tổng hợp từ phiếu khảo sát và phỏng vấn sâu