Đánh Giá Độ Tin Cậy Của Thang Đo Bằng Cronbach’S Alpha

cuộc phỏng vấn kéo dài từ 45 đến 90 phút. Các thông tin thu thập được từ các câu trả lời, trao đổi được ghi chép lại cẩn thận, lưu trữ trên máy tính nhằm phục vụ việc phân tích thông tin về sau.

Phỏng vấn sâu khách du lịch: 10 khách du lịch tham gia tour du lịch nước ngoài được lựa chọn ngẫu nhiên tham gia phỏng vấn sâu trong nghiên cứu này. Các khách được lựa chọn đến từ bất cứ tỉnh thành nào nhằm đảm bảo tính chất đại diện cho các đặc trưng về văn hóa ba miền Bắc, Trung, Nam và có thể có những yếu tố ảnh hưởng từ văn hóa tiêu dùng đặc trưng. Các địa điểm này cũng được thiết kế để thu thập dữ liệu trong phỏng vấn bằng bảng hỏi chính thức. Cách thức lựa chọn một cách ngẫu nhiên cách khách du lịch từ các tour khác nhau, các khách du lịch này không biết nhau, nhằm đảm bảo tính chất khách quan của mẫu nghiên cứu. Nội dung phỏng vấn đề cập đến những câu hỏi (câu hỏi nháp) của bảng hỏi. Thông tin thu thập được sau đó được lưu trữ cẩn thận vào máy tính. Một số phát hiện về thang đo cần điều chỉnh thông qua việc so sánh thông tin thu thập được với những thang đo được đề cập trong các nghiên cứu trước đây có thể được kiểm tra lại với ý kiến chuyên gia để đảm bảo tính chắc chắn của thang đo. Thời lượng của mỗi cuộc phỏng vấn sâu với khách du lịch kéo dài từ 40 đến 60 phút.

3.4 Phương pháp nghiên cứu định lượng

3.4.1 Thống kê mô tả các biến quan sát

Luận án sử dụng phân tích mô tả bước đầu phản ánh tổng quan thực trạng dữ liệu thu thập được. Dữ liệu được phân tích khái quát và chi tiết thông qua các bảng được trình bày tại Phụ lục 3. Trong đó dữ liệu được diễn tả theo các tiêu chí phân loại gồm các đặc điểm nhân khẩu học (giới tính, độ tuổi, tình trạng hôn nhân, thu nhập...) hoặc đặc điểm chuyến du lịch (khu vực tour, độ dài, người đi cùng...).

Thống kê mô tả các biến quan sát bước đầu nhằm loại bỏ những câu trả lời không hợp lệ đối với các phát biểu thể hiện thang đo các biến quan sát. Các ý kiến từ “rất không đồng ý” và những ý kiến “rất đồng ý” tương ứng các giá trị nhỏ nhất (minimum) và lớn nhất (maximum) của các thang đo likert (nằm trong khoảng từ 1 đến 5). Thống kê mô tả cho thấy mức độ giới hạn về mặt biến động đối với các thang đo được sử dụng.

Nghiên cứu tiến hành phân tích mô tả thống kê các biến quan sát trong mô hình qua các tiêu chí gồm: giá trị lớn nhất, giá trị nhỏ nhất, giá trị trung bình và độ lệch chuẩn (xem Phụ lục 3).

3.4.2 Đánh giá độ tin cậy của thang đo bằng Cronbach’s Alpha

Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha. Theo Nguyễn Đình Thọ (2011) thì để tính hệ số Cronbach Alpha cho một thang đo thì thang

đo phải có tối thiểu là ba biến quan sát. Thang đo có hệ số Cronbach Alpha ≥ 0,60 là thang đo chấp nhận được về mặt độ tin cậy (Nguyễn Đình Thọ, 2011). DeVellis (2016) cho rằng chỉ số Cronbach’s Alpha tối thiểu áp dụng được đối với một thang đo là 0,63 và độ tin cậy tốt nhất từ 0,70 trở lên. Một số tác giả khác như Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) lại cho rằng các thang đo có hệ số Cronbach’s Alpha từ 0,6

– 1 là có thể chấp nhận được, các thang đo có hệ số Cronbach’s Alpha từ 0,7 - 0,8 là sử dụng được và các thang đo có hệ số Cronbach’s Alpha từ 0,8 - gần 1 là thang đo lường tốt. Trong nghiên cứu này, để đảm bảo độ tin cậy tốt, các thang đo có hệ số Cronbach’s Alpha từ 0,6 trở lên được giữ lại để sử dụng cho các bước phân tích tiếp theo.

Tuy nhiên, hệ số Cronbach’s Alpha chỉ cho biết các thang đo có liên kết với nhau hay không mà không giúp cho việc quyết định giữ lại hay bỏ đi biến quan sát nào. Nunnally và I.H (1994) cho rằng đối với một biến đo lường, hệ số tương quan biến tổng đã hiệu chỉnh (Corrected item-total correlation) ≥ 0,30 thì được coi là đạt yêu cầu. Do vậy, nghiên cứu sử dụng thêm hệ số tương quan biến tổng (item - total correclation) để có thêm cơ sở cho việc đưa ra quyết định giữ lại hay loại bỏ biến quan sát.

Hệ số tương quan biến tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do vậy hệ số này càng cao thì sự tương quan của biến này với các biến khác trong thang đo càng cao. Theo Nunnally và I.H (1994) các biến có hệ số tương quan biến tổng < 0,3 được coi là biến rác và loại biến này khỏi thang đo. Vì vậy, theo tiêu chuẩn chọn biến đã trình bày ở trên, để đảm bảo độ tin cậy của thang đo, luận án sẽ lựa chọn các thang đo đảm bảo hệ số Cronbach’s Alpha ≥ 0,6 và có hệ số tương quan biến tổng ≥ 0,3.

3.4.3 Kiểm định thang đo bằng phương pháp phân tích nhân tố khám phá EFA

Luận án áp dụng phương pháp kiểm định nhân tố khám phá (EFA- Explore Factor Analysis) với phép trích nhân tố PAF (Principal Axis Factoring) với phép quay không vuông góc Promax để đánh giá mối tương quan giữa các biến với nhau. Dựa trên mối quan hệ tuyến tính của các nhân tố với biến quan sát, số lượng lớn biến quan sát ban đầu sẽ được rút gọn thành tập nhỏ hơn.

Tiêu chí được sử dụng để kiểm định sự hội tụ của các biến thành phần và là cơ sở để khẳng định dữ liệu phân tích là phù hợp và có độ tin cậy cao. Luận án sử dụng các tiêu chí sau:

Hệ số KMO (Kaiser - Meyer - Olkin) phải đạt giá trị từ 0,5 trở lên (0,5≤KMO≤1) thể hiện phân tích nhân tố là phù hợp. Dựa vào những tiêu chí trên, nghiên cứu lựa chọn các biến phù hợp với điều kiện: Hệ số kiểm định KMO: 0,5≤ KMO ≤ 1.

Kiểm định Bartlett (Bartlett’s Test) cho kết quả có ý nghĩa thống kê (sig ≤ 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.

Tổng phương sai trích (Total Variance Explained) được áp dụng để đánh giá trong kiểm định thang đo của luận án. Theo Hair và cộng sự (1998), tổng phương sai trích đòi hỏi phải ≥ 50% đối với các mô hình nghiên cứu. Thông thường đối với các điều tra có cỡ mẫu nhỏ (<100) mới cần áp dụng tiêu chuẩn này ở mức 0,5. Tuy nhiên để kết quả điều tra mang tính tin cậy cao hơn, nghiên cứu vẫn sử dụng mức kiểm định chặt chẽ này.

Bảng 3.2 Tiêu chí áp dụng trong kiểm định phân tích nhân tố khám phá – EFA

Chỉ số

Ngưỡng chấp nhận
Hệ số KMO (Kaiser-Meyer-Olkin)	0,5 ≤ KMO ≤ 1
Kiểm định Bartlett (Sig)	< 0,05
Hệ số tải nhân tố (Factor loading )	≥ 0,5
Phương sai trích (Total Variance Explained)	≥ 50%

Có thể bạn quan tâm!

Xem toàn bộ 252 trang tài liệu này.

Nguồn: Hair và cộng sự (1998); Nguyễn Đình Thọ (2011)

Ngoài ra, hệ số tải nhân tố (Factor loading) là tiêu chí đảm bảo mức ý nghĩa cần thiết đối với kiểm định giá trị của thang đo bằng phương pháp phân tích nhân tố khám phá. Trong nghiên cứu này, tiêu chí đánh giá hệ số tải nhân tố của Hair và cộng sự (1998) được áp dụng. Dựa trên cỡ mẫu khảo sát là 754 mẫu, tức đạt mức lớn hơn 350 mẫu. Như vậy với kích cỡ mẫu của nghiên cứu này là 754 thì hệ số tải nhân số sẽ áp dụng là ≥ 0,3. Điều đó có nghĩa là những biến quan sát có hệ số tải <0,3 sẽ bị loại. Ngoài ra, chênh lệch hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 là giá trị thường được các nhà nghiên cứu chấp nhận. Tuy nhiên, nếu chênh lệch hệ số tải nhân tố của một biến quan sát giữa các nhân tố < 0,3 nhưng ý nghĩa thực tế của biến quan sát đóng vai trò quan trọng trong thang đo thì có thể được xem xét giữ lại.

Bảng 3.3 Hệ số tải nhân tố và kích thước mẫu tương ứng

Hệ số tải nhân tố

Kích thước mẫu
0,30	350
0,35	250
0,40	200
0,45	150
0,50	120
0,55	100
0,60	85
0,65	70
0,70	60
0,75	50

Nguồn: Hair và cộng sự (1998)

3.4.4 Phân tích nhân tố khẳng định CFA

Luận án sử dụng phương pháp phân tích nhân tố khẳng định (CFA – Confirmation Factor Analysis) để kiểm định giả thiết nghiên cứu, kiểm định các mối quan hệ từ khung phân tích. Các chỉ số khi phân tích CFA bao gồm: Mức độ phù hợp của mô hình; các hệ số độ tin cậy và giá trị của kết quả CFA. Trong đó:

Mức độ phù hợp mô hình: Sự phù hợp của mô hình được xác định bởi sự tương ứng giữa ma trận hiệp phương sai quan sát được và ma trận hiệp phương sai ước lượng lấy kết quả từ mô hình được đề xuất (proposed model). Trong nghiên cứu này, các chỉ số đo mức độ phù hợp của mô hình được sử dụng nhằm hướng đến việc giải thích được tất cả các mối tương quan chính vốn có trong tập dữ liệu (liên quan đến các biến trong mô hình đề xuất). Và ngược lại, nếu có sự khác biệt giữa những mối tương quan đề xuất và những mối tương quan quan sát được, sẽ có một mô hình có độ phù hợp thấp (poor fit) và không "phù hợp" với mô hình ước lượng của nghiên cứu này. Các chỉ số đo độ phù hợp của mô hình: Các chỉ số đo độ phù hợp của mô hình (goodness of fit) được liệt kê dưới đây, kèm theo với ngưỡng giá trị chấp nhận. Độ phù hợp mô hình nghịch đảo với kích cỡ mẫu và số biến quan sát trong mô hình. Nghiên cứu này sử dụng các ngưỡng đánh giá được thể hiện ở bảng dưới đây trên cơ sở nghiên cứu của tác giả Hair và cộng sự (2010); Baumgartner và Homburg (1996).

Bảng 3.4 Ngưỡng kiểm định sự phù hợp của mô hình

Chỉ số

Ngưỡng chấp nhận	Tham khảo
Chi-square/df (cmin/df)	≤ 3 là tốt, < 5 là chấp nhận được	Hair và cộng sự (2010)
CFI	≥ 0,9 là tốt, ≥ 0,8 là chấp nhận được	Hair và cộng sự (2010)
GFI	> 0,8	Baumgartner và Homburg (1996)
TLI	> 0,9	Hair và cộng sự (2010)
RMSEA	≤ 0,08 là tốt, ≤ 0,03 là rất tốt	Hair và cộng sự (2010)

Nguồn: Hair và cộng sự (2010); Baumgartner và Homburg (1996)

Trong đó chỉ số Chi-square/df (cmin/df): Dùng để đo mức độ phù hợp một cách chi tiết hơn của mô hình, dùng so sánh mô hình với dữ liệu thực tế khi kiểm định, càng nhỏ càng tốt, tuy nhiên ngưỡng < 3 được coi là tốt, hoặc < 5 trong một số trường hợp vẫn được chấp nhận.

Chỉ số CFI (Comparative Fix Index): là chỉ số phản ánh độ phù hợp của một mô hình với một bộ dữ liệu và so sánh với độ phù hợp của một mô hình khác với chính bộ dữ liệu đó. Chỉ số CFI nhận giá trị từ 0 đến 1. CFI càng lớn thì độ phù hợp càng cao. Thông thường CFI ≥ 0,9 được coi là đạt yêu cầu tốt.

Chỉ số TLI (Tucker Lewis Index) là một trong những chỉ số đánh giá độ phù hợp ban đầu của mô hình. Thông thường, các mô hình được xem là phù hợp có TLI gần 1 và giá trị TLI càng lớn cho thấy mô hình phù hợp tốt hơn mô hình với giá trị TLI thấp.

Chỉ số RMSEA (Root Mean Square Errors of Approximation), là một trong những chỉ số được sử dụng phổ biến nhằm khắc phục xu hướng bác bỏ các mô hình với cỡ mẫu lớn hoặc nhiều quan sát của thống kê Chi-square. Giá trị RMSEA càng nhỏ cho thấy mô hình càng phù hợp. Thông thường RMSEA <0,05 được coi là tốt, đồng nghĩa với độ tin cậy về mặt thống kê đạt trên 95% (Hair và cộng sự, 2010).

Các hệ số độ tin cậy và giá trị trong kiểm định CFA: sau khi khẳng định mức độ phù hợp của mô hình với bộ dữ liệu được sử dụng trong nghiên cứu này, tác giả xem xét các hệ số độ tin cậy (reliability), kiểm định giá trị hội tụ (convergent validity); giá trị phân biệt (discriminant validity) để đánh giá mức độ tin cậy của nghiên cứu. Đây là cơ sở quan trọng để loại bỏ những nhân tố (biến quan sát trong nhân tố) không đảm bảo về mặt thống kê, có thể gây sai lệch trong kết quả thống kê và có thể ảnh hưởng đến độ ý nghĩa của kiểm định mô hình và dữ liệu thực tế.

Bảng 3.5 Ngưỡng kiểm định độ tin cậy và các giá trị trong phân tích CFA

Hệ số

Ngưỡng chấp nhận

Độ tin cậy

Cronbach’s Alpha

≥ 0,6

Hệ số ước lượng hồi quy đã chuẩn hóa

(Standardized Regression Estimate)

≥ 0,5

(tốt nhất là ≥ 0,7)

Độ tin cậy tổng hợp

(Composite Reliability – CR)

≥ 0,7

Giá trị hội tụ

Phương sai trung bình trích

(Average variance extracted - AVE)

≥ 0,5

Giá trị phân biệt

Phương sai riêng lớn nhất

(Maximum Shared Variance – MSV)

MSV < AVE

Căn bậc hai của phương sai trung bình

trích (Square Root of AVE – SQRTAVE)

SQRTAVE > Tương

quan giữ hai nhân tố

Nguồn: Hair và cộng sự (2010)

3.4.5 Phân tích mô hình cấu trúc tuyến tính SEM

Để phân tích mối quan hệ một cách đồng thời trong mô hình nghiên cứu được đề xuất, phân tích mô hình cấu trúc tuyến tính (SEM – Structural Equation Modeling) được sử dụng trong nghiên cứu này. Bản chất phân tích SEM là kiểm định một tập hợp phương trình hồi quy cùng một lúc và là mô hình mở rộng của mô hình tuyến tính tổng quát. SEM cho phép sử dụng để ước lượng các mô hình đo lường và mô hình cấu trúc của bài toán lý thuyết đa biến phù hợp với mô hình đề xuất của luận án này. Trong đó, mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn và các biến quan sát. Đồng thời, nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). Kết quả phân tích của mô hình cấu trúc tuyến tính cho thấy rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô tả dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.

Sự phù hợp của phân tích mối quan hệ theo mô hình SEM đối với các biến độc lập, các biến tiềm ẩn và biến phụ thuộc là nó cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết. Phù hợp với yêu cầu về kiểm định mô hình lý thuyết các nhân tố ảnh hưởng tới quyết định đi du lịch nước ngoài được đề xuất trong Chương 2 của luận án. Phân tích SEM giúp kiểm định các giả thuyết đưa ra và được trình bày chi tiết trong phần kết quả nghiên cứu ở Chương 4 của luận án. Các chỉ số được xem xét trong phân tích SEM bao gồm trọng số hồi quy (Estimate) và P-value (phản ánh ý nghĩa thống kê).

Ngoài ra, để đánh giá mức phù hợp và ổn định của mô hình đòi hỏi phải có bộ dữ liệu độc lập với nhau do đó tác giả sử dụng phương pháp kiểm định Bootstrap. Bản chất của kiểm định Bootstrap là phương pháp lấy mẫu ngẫu nhiên từ bộ dữ liệu ban đầu, thực hiện với số mẫu lặp lại là N lần. Để đảm bảo tính chặt chẽ của kiểm định Bootstrap trong luận án, tác giả sử dụng số mẫu lặp là N=800 lần. Giá trị tới hạn C.R (Critical Ratios) được sử dụng để so sánh với 1,96 (do 1,96 là giá trị của phân phối chuẩn ở mức 0,9750). Các trường hợp có thể xảy ra như sau:

a) Nếu giá trị C.R này > 1,96 đồng nghĩa với p-value < 5% giả thuyết Ha được chấp nhận dựa trên kết luận độ lệch khác 0 có ý nghĩa thống kê ở mức tin cậy 95%.

b) Nếu C.R < 1,96, đồng nghĩa với P-value > 5%, giả thuyết H0 được chấp nhận kết luận độ lệch khác 0 không có ý nghĩa thống kê ở mức tin cậy 95%, và như thế ta kết luận được mô hình ước lượng trước khi sử dụng Bootstrap có thể tin cậy được.

3.4.6 Phân tích phương sai

Luận án sử dụng phương pháp phân tích phương sai nhằm làm rõ sự chênh lệch giữa biến kiểm soát với giá trị trung bình biến khác trong mô hình nghiên cứu. Cụ thể với mô hình nghiên cứu trong luận án là sự chênh lệch giữa các nhóm biến kiểm soát với giá trị trung bình biến Quyết định đi du lịch nước ngoài; và giá trị trung bình biến Động cơ du lịch. Kết quả phân tích phương sai sẽ cung cấp hệ số chênh lệch sự khác biệt về trung bình Quyết định đi du lịch nước ngoài và trung bình Động cơ du lịch giữa các nhóm trong biến kiểm soát. Sự khác biệt về độ ảnh hưởng của các nhóm yếu tố được thể hiện thông qua kết quả của các kiểm định sau: 1) Kiểm định trung bình 2 nhóm (T- test): được sử dụng để đánh giá với những yếu tố chỉ có 2 nhóm; 2) Kiểm định bằng phân tích phương sai, sử dụng phân tích ANOVA, Welch: cho phép đánh giá sự khác biệt của các yếu tố được chia thành từ 3 nhóm trở lên. Căn cứ với mỗi trường hợp nhóm biến kiểm soát cụ thể để áp dụng.

Kết quả phân tích phương sai trong luận án phản ánh sự khác biệt khi so sánh giá trị trung bình Quyết định đi du lịch nước ngoài và trung bình Động cơ du lịch và trung

bình của biến định tính (trong nghiên cứu này là biến kiểm soát như độ tuổi, giới tính, thu nhập...vv).

Biến có 2 nhóm

Kiểm định T-test

Independent- Samples T-test

Sig F ≥ α

Sử dụng Sig (Equal Variances Assumed)

Sig F < α

Sử dụng Sig (Equal Variances Not Assumed)

Kiểm định phương sai

Kiểm định Levene

Sig F ≥ α

ANOVA Sig ≥ α

H0 - không có sự khác biệt được chấp nhận

Biến trên 2 nhóm

ANOVA Sig < α

Ha – có sự khác biệt được chấp nhận Phân tích tiếp theo Post Hoc

Welch Sig ≥ α

H0 – không có sự khác biệt được chấp nhận

Kiểm định

Levene

Sig F < α Welch Sig < α

Ha – có sự khác biệt được chấp nhận

Hình 3.2 Mô hình kiểm định phương sai giữa các nhóm biến kiểm soát

Nguồn: Field (2013) Với nhóm biến chỉ có 2 nhóm như giới tính (Nam và Nữ), khu vực sinh sống (Nông thôn và Thành thị), kiểm định khác biệt trung bình Independent-Samples T-test được áp dụng. Thực chất của kiểm định này là nhằm so sánh từng cặp giữa các nhóm với giá trị trung bình biến định lượng. Hệ số khác biệt phương sai giả định (Sig) trong kiểm định Levene là căn cứ để xác định giả thuyết H0 – không có sự khác biệt trung bình biến định lượng giữa các nhóm hoặc giả thuyết Ha – có sự khác biệt trung bình biến định lượng giữa các nhóm biến kiểm soát. Khi đó sẽ xảy ra các trường hợp như sau Trường hợp Sig F ≥ 0,05: Đồng nghĩa giả định sự tương đồng về phương sai là

có cơ sở. Căn cứ để xem xét tiếp theo là hệ số Sig (2-tailed : Equal Variances Assumed) trong kiểm định T-test phương sai đồng nhất. Nếu hệ số Sig trong kiểm định t > α (mức ý nghĩa, trong nghiên cứu này áp dụng 0,05 hay 5%) thì không có ý nghĩa thống kê. Khi đó giả thuyết H0 được chấp nhận. Có thể khẳng định rằng không có sự khác biệt trung bình biến định lượng giữa các nhóm biến kiểm soát. Nếu hệ số Sig trong kiểm định t ≤ α, có ý nghĩa thống kê. Khi đó giả thuyết Ha được chấp nhận. Có thể khẳng định có sự khác biệt trung bình biến định lượng giữa các nhóm biến kiểm soát.

Trường hợp Sig F <0,05 thì hệ số Sig (2-tailed : Equal Variances Not Assumed) trong kiểm định T-test phương sai đồng nhất được lấy làm căn cứ xem xét. Nếu hệ số