Chất lượng dịch vụ hàng không của Hãng hàng không quốc gia Việt Nam

lường hợp lý hiện nay có khá nhiều cho các nhà nghiên cứu lựa chọn. Mỗi phương pháp đo lường GOF là duy nhất, thường được chia thành 3 phần: đo lường toàn bộ, đo lường phần tăng thêm, đo lường độ hợp lý tối thiểu. Trong phần sau, chúng ta sẽ để cập tới những vấn đề cơ bản trong quá trình tính toán phương pháp đo lường GOF

a. Các chỉ số đo tính hợp lý

Khi các lý thuyết được sử dụng để xác định một mô hình mà qua đó có thể ước lượng các biến thì tính hợp lý của mô hình lý thuyết được chứng minh thông qua việc so sánh giữa mô hình lý thuyết với thực tế. Nếu các lý thuyết nghiên cứu là đúng thì ma trận hiệp phương sai ước tính (∑k) và ma trận hiệp phương sai quan sát được (S) sẽ phải giống nhau. Vì thế, ma trận hiệp phương sai ước tính theo các mô hình toán học sẽ được so với ma trận hiệp phương sai quan sát được để đưa ra tính hợp lý của mô hình. Hai ma trận này càng gần nhau thì mô hình càng được coi là hợp lý.

Khi-bình phương (Chi-square (x2) GOF. Chênh lệch giữa ma trận phương sai (S-∑k) là giá trị chủ yếu trong đánh giá GOF của bất kỳ mô hình SEM nào. Công thức tính như sau:

X2 (Chi-square) = (N - 1)(Ma trận phương sai mẫu quan sát - Ma trận phương sai ước lượng SEM ) hoặc X2 (Chi square) = (N - 1)(S-∑k)

N là kích cỡ mẫu tổng thể. Giá trị X2 bị ảnh hưởng bởi N. Thậm chí nếu sự chênh lệch trong ma trận phương sai không đổi, giá trị X2 tăng khi kích cỡ mẫu tăng. Trong khi đó, ma trận phương sai ước lượng SEM bị ảnh hưởng bởi có bao nhiêu độ tự do được ước lượng (số k trong ∑k), vì vậy độ tự do cũng ảnh hưởng đến giá trị GOF.

Độ tự do (df). Theo các quy trình thống kê, độ tự do đại diện cho số thông tin toán học sẵn có cho thông số mô hình ước lượng. Số lượng độ tự do đối với một phân tích của một mô hình cấu trúc phương sai (SEM) được xác định bởi:

df = ½ [(p)(p + 1)] - k

Trong đó p là tổng số biến quan sát được và k là tổng số thông số ước lượng (tự do). Chênh lệch so sánh giữa việc tính toán mức độ tự do thảo luận ở phần đầu chương là cái mà họ dựa trên tổng số quan sát đối với các biến liên quan (ví dụ: trong hồi quy, df bằng kích cỡ mẫu trừ đi số hệ số ước lượng) trong khi tính toán SEM thì dựa trên số phương sai và biến duy nhất trong ma trận phương sai quan sát. Trong phương trình trước, ½ [(p)(p + 1)] đại diện số những phương sai ở dưới đường chéo cộng với những biến trên đường chéo.

Ý nghĩa thống kê của X2. Một giả thuyết của SEM là mẫu quan sát và các ma trận phương sai ước lượng SEM là bằng nhau, nghĩa là mô hình phù hợp hoàn toàn. Nếu không phải trường hợp hoàn toàn phù hợp, giá trị X2 sẽ tăng. Bởi vì giá trị tới hạn của phân phối X2 đã được biết, khả năng mà bất kỳ mẫu quan sát nào và ma trận phương sai ước lượng SEM thực sự bằng nhau trong một tổng thể nhất định có thể được tìm thấy. Khả năng này là giá trị p truyền thống kết hợp với thử nghiệm thống kê tham số. Chương trình phần mềm SEM cung cấp cả giá trị tính toán X2 và giá trị p, vì vậy người sử dụng không phải thực hiện tính toán này.

Trong những nghiên cứu khác, giá trị p nhỏ hơn (nhỏ hơn .05) thường được mong đợi để chỉ ra rằng mối quan hệ là tồn tại. Với thử nghiệm GOF X2 trong SEM, giá trị p càng nhỏ, cơ hội mà mẫu quan sát và ma trận phương sai ước lượng SEM không bằng nhau càng lớn. Vì vậy với SEM, nên có một giá trị X2 nhỏ (và tương ứng với giá trị p lớn) để kết luận được không có chênh lệch ý nghĩa thống kê giữa các ma trận.

b. Các chỉ số đánh giá mức độ phù hợp tuyệt đối của mô hình

Những chỉ số phù hợp tuyệt đối là thước đo trực tiếp mô hình được xây dưng mô phỏng tốt hay không các mối quan hệ thực tế. Chỉ số phù hợp tuyệt đối cung cấp sự đánh giá cơ bản nhất về mức độ phù hợp giữa lý thuyết của các nhà nghiên cứu với dữ liệu mẫu. Tuy nhiên, chúng không so sánh rõ ràng GOF của mô hình được chỉ ra với các mô hình khác. Gần như là mỗi mô hình được đánh giá độc lập với các mô hình khác.

Giá trị khi bình phương: Chỉ số phù hợp tuyệt đối cơ bản nhất là X2 (Chi square). Đây cũng là công cụ đo mức độ phù hợp có tính thống kê duy nhất dựa trên SEM. Thống kê X2 có 2 thuộc tính toán học khó giải quyết trong cách sử dụng của nó như là một thước đo GOF. Thứ nhất, xem lại rằng thống kê X2 là một hàm toán học của kích thước mẫu (N) và sự chênh lệch của hai ma trận hiệp phương sai. Khi N tăng lên thì giá trị X2 tăng lên. Thứ hai thống kê X2 cũng dường như trở nên lớn hơn khi số các biến đối tượng tăng lên. Do đó giả định các nhân tố khác không đổi, chỉ thêm các chỉ báo vào mô hình sẽ làm cho giá trị X2 tăng lên.

Vì lý do đó, phân tích X2GOF rất khó để sử dụng như là chỉ dẫn duy nhất của sự phù hợp SEM. Những nhà nghiên cứu đã phát triển nhiều thước đo sự phù hợp có thể thay thế cho X2 để điều chỉnh thiên lệch của chỉ số này đối với các mẫu lớn và phức tạp.

Chỉ số phù hợp (Goodness of Fit Index) GFI

Chỉ số này được đưa ra để kiểm tra sự phù hợp mô hình mà ít chịu ảnh hưởng của kích thước mẫu. Mặc dù N không được tính đến trong công thức, chỉ số thống kê này vẫn bị ảnh hưởng bởi kích thước mẫu một cách gián tiếp do N tác động lên phân phối mẫu. Trong dãy giá trị của GFI từ 0 đến 1 các giá trị lớn hơn cho ta sự phù hợp tốt hơn. Giá trị GFI lớn hơn .90 được coi là tốt (Hair, 2006)

CFI Có d = 2 - df trong đó df là độ tự do của mô hình. Chỉ số đo phù hợp

tương đối (Comparative Fit Index) bằng d (mô hình thực tế) – d (mô hình đề xuất)/d (mô hình thực tế)

Nếu chỉ số này lớn hơn 1 sẽ được làm tròn thành và nếu nhỏ hơn 0 sẽ được làm tròn thành 0. Giá trị CFI càng gần 1 càng tốt, trong đó nếu CFI lớn hớn 0.9 được coi là mô hình có sự phù hợp cao.

Xấp xỉ trung bình căn sai số (Root Mean Square Error of Approximation) RMSEA

Một thước đo khác đưa ra để bổ sung cho X2 GOF là RMSEA, phản ánh một mô hình có phù hợp thực tế hay không. Giá trị RMSEA thấp hơn cho thấy sự phù hợp cao hơn. Do vậy đây là chỉ số đánh giá sự “không phù hợp”.

Câu hỏi cần đặt ra là đâu là chỉ số RMSEA tốt. Các nghiên cứu trước đây chỉ ra giá trị dưới 0.10 cho tất cả các mô hình được chấp nhận. Kinh nghiệm chỉ ra rằng RMSEA là phù hợp nhất để đo sự phù hợp của mô hình khi kích thước mẫu trở nên lớn hơn. Kích thước mẫu trên 500 trả lời được coi là lớn.

Hoelter Index Chỉ số này chỉ nên sử dụng nếu chi square nhỏ hơn 0.05.

Công thức như sau:

(N - 1)X2(crit)

X2 + 1

Trong đó N là cỡ mẫu, X2 là kí hiệu chi bình phương của mô hình và X2 (crit) là giá trị của p tương ứng với chi bình phương. Nếu p không biết, có thể sử dụng công thức gần đúng sau:

[1.645 + √(2df - 1)]2

2X2/(N - 1) + 1

Trong đó df là độ tự do của mô hình. Chỉ số này chỉ ra cở mẫu tại đó Chi bình phương sẽ không có ý nghĩa. Hoelter đề xuất hệ số này thấp nhất 200, tuy nhiên có người lại chấp nhân mức 150 (Denny, 2006). Giá trị nhỏ hơn 75 chỉ ra mô hình có sự phù hợp rất kém.

Nói chung sử dụng 3 hoặc 4 chỉ số cho ta chứng cứ xác thực về mô hình phù hợp. Nghiên cứu này gợi ý đưa ra 1 bộ chỉ số chung cho hầu hết các trường hợp là CFI, TLI, RNI, Gamma Hat, SRMR và RMSEA.

Khi đánh giá mô hình không cần có tất cả các chỉ số phù hợp vì sự rườm rà giữa chúng. Tuy nhiên nhà nghiên cứu nên có ít nhất một chỉ số gia tăng và một chỉ số tuyệt đối thêm vào giá trị X2 và mức độ tự do liên quan. Ít nhất 1 chỉ số là chỉ số phù hợp không tốt. Một mô hình đưa ra giá trị X2 và mức độ phù hợp tốt, CFI và RMSEA sẽ cung cấp thông tin hỗ trợ tốt cho việc đánh giá mô hình. Khi so sánh mô hình với sự phức tạp thay đổi nên thêm vào chỉ số PNFI. Những chứng cứ khác cho thấy áp dụng một chỉ số phù hợp tốt duy nhất yêu cầu giá trị từ.95 trở lên không tốt hơn là mô hình đơn giản sử dụng một kiểm tra X2GOF duy nhất.

Điều chỉnh giá trị ngưỡng dựa trên đặc điểm mô hình

Bảng 2.7 cho một vài hướng dẫn sử dụng các chỉ số trong các tình huống khác nhau. Hướng dẫn này trước hết dựa vào nghiên cứu kích thước mẫu, sự phức tạp, mức độ sai lệch khác nhau trong mô hình để kiểm tra các chỉ số này cho ra kết

quả phù hợp như thế nào. Một điểm quan trọng của các kết quả này là các mô hình đơn giản, kích thước mẫu nhỏ sẽ bị đánh giá khắt khe hơn. Mô hình phức tạp hơn nhưng kích thước mẫu nhỏ hơn có thể đòi hỏi tiêu chuẩn ít khắt khe hơn với các chỉ số đánh giá.

Sử dụng chỉ số để so sánh mô hình

Mặc dù kiểm tra một cách tuyệt đối một mô hình có phù hợp hay không sẽ có những khó khăn nhất định nhưng sẽ dễ dàng hơn nhiều khi kiểm tra một mô hình tốt hơn mô hình khác hay không. Các chỉ số ở bảng 2.3-2 thể hiện rõ việc phân biệt mối quan hệ hơn kém của các mô hình 2 mô hình có cùng mức độ phức tạp nhưng mô hình với CFI bằng .95 sẽ phù hợp hơn là mô hình với CFI bằng .85, đặc biệt trường hợp các mô hình lồng nhau. Một mô hình được coi là lồng vào mô hình khác bằng việc tăng hay giảm mối tương quan, tăng giảm các đường biểu diễn.

Bảng 2.7. Qua các tình huống của mô hình, chỉ ra đặc điểm các chỉ số phù hợp tốt:

N < 250			N> 250
Số lượng biến Thống kê	m<=12	12<m<30	m>=30	m<=12	12<m<30	m>=30
X2 (Khi	Không có	Có ý	Có ý	Không có	Có ý	Có ý
bình	ý nghĩa.	nghĩa. P-	nghĩa	ý nghĩa	nghĩa	nghĩa
phương-	p-gía trị	gía trị có	p-giá trị	p- giá trị	p- giá trị	p- giá trị
Chi	được	thể cho ra	có thể	có thể cho	có thể	có thể
square)	mong đợi	Kết quả	được	kết quả	được	được
		thậm chí	mong đợi	với phù	mong đợi	mong đợi
		với phù		hợp tốt
		hợp tốt
CFI hoặc TLI	.97 hoặc tốt hơn	.95 hoặc tốt hơn	Trên .92	.95 hoặc tốt hơn	Trên .92	Trên .90
RMSEA	Giá trị	Giá trị	Giá trị	Giá trị	Giá trị	Giá trị
	<.08 với	<.08 với	<.08	<.07 với	<.07	<.07
	CFI =.97 hoặc cao hơn	CFI .95 hoặc cao hơn	Với CFI trên .92	CFI =.97 hoặc cao hơn	với CFI .92 hoặc cao hơn	với CFI .90 hoặc cao hơn

Có thể bạn quan tâm!

Xem toàn bộ 204 trang tài liệu này.

Ghi chú: N: số lượng mẫu quan sát, m số lượng các quan sát mỗi nhóm khi áp dụng CFA vào các nhóm phức tạp cùng một thời điểm.

Tóm tắt:

Bước 4 giới thiệu các thủ tục sử dụng để thiết lập nên giá trị của mô hình đo lường. Sự phù hợp là một tiêu chuẩn hữu ích trong việc đánh giá giá trị của một mô hình, nhưng đánh giá mức độ phù hợp không phải là một vấn đề đơn giản. Rất nhiều các chỉ số khác đã được xây dựng. Không có giá trị Cutoff tuyệt đối tồn tại trong các chỉ số đó mà có thể phân biệt mô hình tốt hay không. Điều đó là rõ ràng, tuy nhiên một mô hình đơn giản hơn yêu cầu tiêu chuẩn khắt khe hơn là một mô hình phức tạp.

Bước 5: Xây dựng Mô hình cấu trúc

Xác định mô hình đo lường (ví dụ: chỉ định các biến chỉ số cho các xây dựng mà nó đại diện) là một bước quyết định trong việc phát triển một mô hình SEM. Việc này đã được hoàn thành trong Bước 2. Bước 5 bao gồm việc xác định mô hình cấu trúc bằng việc định ra mối quan hệ của một biến tiềm ẩn với mốt biến tiềm ẩn khác dựa trên mô hình lý thuyết đề xuất. Sự xác định mô hình cấu trúc tập trung vào sử dụng kiểu liên hệ ở Hình minh hoạ 2.3-1c để miêu tả giả thuyết cấu trúc của mô hình nghiên cứu. Nói cách khác, mối liên hệ phụ thuộc nào tồn tại giữa các xây dựng? Mỗi giả thuyết mô tả cho một mối tương quan riêng cần phải được xác định.

Trong việc xác định một mô hình cấu trúc, cần phải lựa chọn biến tiềm ẩn nào trở thành nguyên nhân và biến nào là kết quả. Trong ví dụ về nghiên cứu dịch vụ hàng không trên không, sự hài lòng tổng thể của hành khách là biến kết quả và các nguyên nhân là các biến tiềm ẩn gồm có chất lượng tiếp viên (chất lượng chức năng); chất lượng kĩ thuật (bao gồm chất lượng ăn uống, chất lượng giải trí, chất lượng sách báo, vvv). Dựa trên các lý thuyết đề cập ở chương 1, các tương quan cấu trúc có thể được giả định như sau:

H1: Cảm nhận về giá có quan hệ âm đối với sự hài lòng của hành khách

H2: Cảm nhận về chất lượng của nhân viên thực hiện dịch vụ có quan hệ dương đối với sự hài lòng của hành khách

H3: Cảm nhận về chất lượng các yếu tố kĩ thuật có quan hệ dương đối với sự hài lòng

Những mối tương quan này được thể hiện trong hình minh hoạ 2.3-5 được thể hiện bằng mũi tên

nối từ các biến này đến sự hài lòng của hành khách.

Giá

(e1)

Dv chức năng

Hài lòng KH (n1)

Thị phần (n2)

Dv kĩ thuật

Hình 2.6. Đường biểu đồ hoàn chỉnh thể hiện Mối quan hệ cấu trúc giả thuyết được xác định và Xác định đo lường hoàn chỉnh.

Những sự tương quan này được thể hiện ở Hình 2.3-5 thể hiện với mũi tên nối từ chất lượng chức năng đến sự hài lòng của khách hàng, và được kí hiệu là H2. Tương tự với H1 và H3. Các đường cấu trúc xác định thể hiện cho mối tương quan giữa các biến tiềm ẩn cho mỗi mối liên hệ được giả thiết. Đường quan hệ không được vẽ giữa 3 biến tiềm ẩn nguyên nhân với giả thiết mối quan hệ là không trực tiếp. Do vậy các mối liên hệ đó trở thành bằng 0.

Mặc dù bước này tập trung vào mô hình cấu trúc, sự ước lượng mô hình SEM đòi hỏi cả việc xác định đo lường. Như vậy các đường biểu đồ sẽ đồng thời thể hiện cả bước đo lường và bước cấu trúc của SEM trong một mô hình gộp chung. Các đường biểu đồ trong Hình 2.3-5 thể hiện không chỉ thể hiện hoàn chỉnh

1 tập hợp các nhân tố và các chỉ báo trong mô hình đo lường, nó còn áp đặt một mối liên hệ cấu trúc giữa các biến tiềm ẩn. Mô hình có thể hoàn toàn dùng cho việc ước lượng tính toán.

Bước 6: Đánh giá giá trị của mô hình cấu trúc

Đây là bước cuối cùng, trong bước 6 này mục sẽ kiểm tra giá trị của mô hình cấu trúc và mối quan hệ giả thuyết tương ứng (H1-H2). Một mô hình đo lường không vượt qua được kiểm tra giá trị ở bước 4 thì không được xem xét đến ở các bước 5 và 6. Nếu như mô hình đo lường vượt qua được kiểm tra của bước 4 có nghĩa là mô hình đó có giá trị, có thể tiếp tục kiểm tra giá trị của các mối liên hệ cấu trúc.

Có 2 sự khác nhau rất quan trọng nảy sinh khi kiểm tra sự phù hợp của mô hình cấu trúc liên quan tới mô hình đo lường. Thứ nhất, mặc dù sự phù hợp của mô hình gộp phải được thiết lập, các mô hình có thể chuyển đổi hoặc cạnh tranh vẫn được so sánh nếu lựa chọn tiếp cận các mô hình đó. Thứ 2 là tham số được ước lượng có tầm quan trọng đặc biệt với mối liên hệ cấu trúc, bởi vì kinh nghiệm cho thấy nó cung cấp các bằng chứng liên quan tới mối quan hệ giả thuyết được miêu tả trong mô hình cấu trúc.

Đánh giá tính hiệu lực (giá trị) của mô hình cấu trúc

Quy trình tính toán các tham số đo tính hiệu lực của mô hình cấu trúc được làm như hướng dẫn trong bước 4. Mô hình đo lường chấp nhận tất cả các nhân tố tương quan với các nhân tố khác (mối liên hệ tương quan). Trong một mô hình cấu trúc sự liên hệ giữa một số nhân tố được coi như bằng 0. Do vậy, hầu hết các mô hình SEM, X2 GOF cho mô hình đo lường sẽ nhỏ hơn là X2 GOF cho mô hình cấu trúc. Khi giá trị X2 GOF khác nhau, sự phù hợp của mô hình cấu trúc phải được đánh giá lại.