tuy nhiên do mới thành lập (tách từ huyện Mộc Hóa cũ) nên cơ cấu kinh tế khu vực I vẫn còn cao (Bảng 3.2).
Bảng 3.3: Tỷ lệ lực lượng lao động có việc làm phân theo khu vực kinh tế
(ĐVT: %)
Khu vực kinh tế | TX. Kiến Tường | H. Tân Hưng | H. Vĩnh Hưng | H. Mộc Hóa | H. Tân Thạnh | H. Thạnh Hóa | H. Thủ Thừa | Bình quân toàn tỉnh | |
2015 | KVI | 14,41 | 17,45 | 18,22 | 10,26 | 28,07 | 20,15 | 32,25 | 31,60 |
KVII | 8,46 | 9,25 | 9,66 | 5,44 | 14,88 | 10,68 | 18,93 | 21,96 | |
KVIII | 3,41 | 2,96 | 3,09 | 1,74 | 4,76 | 3,41 | 7,63 | 10,21 | |
2016 | KVI | 14,05 | 16,92 | 17,69 | 9,94 | 27,30 | 19,63 | 31,54 | 30,12 |
KVII | 8,72 | 9,48 | 9,91 | 5,57 | 15,29 | 11,00 | 19,57 | 23,39 | |
KVIII | 3,38 | 2,91 | 3,04 | 1,71 | 4,69 | 3,38 | 7,59 | 11,20 | |
2017 | KVI | 14,37 | 17,11 | 17,93 | 10,08 | 27,69 | 19,95 | 32,27 | 27,48 |
KVII | 8,43 | 9,07 | 9,50 | 5,34 | 14,67 | 10,57 | 18,93 | 25,84 | |
KVIII | 3,40 | 2,90 | 3,04 | 1,71 | 4,70 | 3,39 | 7,64 | 11,57 | |
2018 | KVI | 14,23 | 16,81 | 17,64 | 9,93 | 27,28 | 19,69 | 31,99 | 24,78 |
KVII | 8,84 | 9,43 | 9,90 | 5,57 | 15,31 | 11,05 | 19,87 | 27,59 | |
KVIII | 3,20 | 2,65 | 2,78 | 1,57 | 4,30 | 3,11 | 7,19 | 14,16 | |
2019 | KVI | 14,77 | 17,31 | 18,19 | 10,23 | 28,17 | 20,37 | 33,26 | 19,71 |
KVII | 9,28 | 9,83 | 10,33 | 5,81 | 16,00 | 11,57 | 20,90 | 33,95 | |
KVIII | 3,28 | 2,68 | 2,82 | 1,58 | 4,36 | 3,15 | 7,38 | 16,23 | |
sơ bộ 2020 | KVI | 13,16 | 15,46 | 16,30 | 9,16 | 25,18 | 18,30 | 29,59 | 17,92 |
KVII | 9,79 | 10,36 | 10,92 | 6,14 | 16,88 | 12,27 | 22,03 | 32,07 | |
KVIII | 3,50 | 2,95 | 3,11 | 1,75 | 4,80 | 3,49 | 7,88 | 16,53 |
Có thể bạn quan tâm!
-
Mối Quan Hệ Giữa Thu Nhập Và Đa Dạng Hóa Thu Nhập Của Hộ Gia Đình -
Vốn xã hội tác động đến việc làm và thu nhập của hộ gia đình - 15 -
Kết Quả Thu Thập Ý Kiến Chuyên Gia -
Vốn Xã Hội Của Hộ Gia Đình Tại Địa Bàn Nghiên Cứu -
Thống Kê Mô Tả Các Thang Đo Vxh Của Cá Nhân -
Vốn Xã Hội Cá Nhân Tác Động Trực Tiếp Đến Thu Nhập Và Đa Dạng Hóa Thu Nhập Của Hgđ
Xem toàn bộ 222 trang tài liệu này.
Nguồn: Số liệu do Cục Thống kê tỉnh Long An cung cấp (2021)
Ngoài trừ H. Thủ Thừa, 6 huyện thị vùng ĐTM có tỷ lệ thất nghiệp cao gấp đôi mức bình quân chung của toàn tỉnh (Bảng 3.4). Huyện Tân Hưng có tỷ lệ thất nghiệp cao nhất trong 7 huyện, thị. Đây là huyện cuối cùng của tỉnh và tiếp giáp với huyện Tân Hồng của tỉnh Đồng Tháp, tiếp giáp biên giới Campuchia nhưng không có cửa khẩu chính thức, do đó điều kiện đi lại, làm việc, số lượng việc làm của địa phương này cũng khá hạn chế. TX. Kiến Tường, H. Mộc Hóa và H. Thạnh Hóa có tỷ lệ thất nghiệp cao do nhiều nguyên nhân, trong đó có một nguyên nhân phổ biến là các HGĐ chuyển nhượng đất đai khi địa phương thực hiện đô thị hóa, công nghiệp hóa. Nhưng khi có được số tiền từ việc chuyển nhượng đất đai, các HGĐ ít đầu tư, sản xuất kinh doanh hay làm những công việc
khác mà chỉ nhàn hạ sinh sống với số tiền có được.
Bảng 3.4: Tỷ lệ thất nghiệp phân theo địa phương
(ĐVT: %)
2015 | 2016 | 2017 | 2018 | 2019 | sơ bộ 2020 | |
TX. Kiến Tường | 5,45 | 4,33 | 4,00 | 4,39 | 2,51 | 4,11 |
H. Tân Hưng | 6,67 | 5,34 | 4,98 | 5,51 | 3,17 | 5,22 |
H. Vĩnh Hưng | 4,62 | 3,70 | 3,44 | 3,80 | 2,19 | 3,58 |
H. Mộc Hóa | 6,75 | 4,44 | 3,79 | 4,64 | 3,10 | 4,99 |
H. Tân Thạnh | 4,14 | 3,31 | 3,08 | 3,40 | 1,95 | 3,20 |
H. Thạnh Hóa | 5,77 | 4,60 | 4,27 | 4,71 | 2,70 | 4,41 |
H. Thủ Thừa | 2,43 | 1,93 | 1,78 | 1,95 | 1,11 | 1,83 |
Bình quân chung toàn tỉnh | 2,99 | 2,34 | 2,15 | 2,33 | 1,33 | 2,15 |
Nguồn: Số liệu do Cục Thống kê tỉnh Long An cung cấp (2021)
Bảng 3.5: Tỷ lệ thiếu việc làm phân theo địa phương
(ĐVT: %)
2015 | 2016 | 2017 | 2018 | 2019 | sơ bộ 2020 | |
TX. Kiến Tường | 2,40 | 3,50 | 6,10 | 3,88 | 3,27 | 5,53 |
H Tân Hưng | 3,71 | 5,44 | 9,57 | 6,14 | 5,22 | 8,84 |
H Vĩnh Hưng | 2,04 | 2,99 | 5,25 | 3,36 | 2,86 | 4,82 |
H Mộc Hóa | 3,44 | 6,36 | 10,41 | 6,29 | 5,43 | 9,06 |
H Tân Thạnh | 2,30 | 3,37 | 5,91 | 3,78 | 3,21 | 5,43 |
H Thạnh Hóa | 3,21 | 4,69 | 8,21 | 5,24 | 4,44 | 7,47 |
H Thủ Thừa | 1,07 | 1,56 | 2,72 | 1,73 | 1,45 | 2,46 |
Bình quân chung toàn tỉnh | 1,38 | 1,99 | 3,44 | 2,17 | 1,82 | 3,04 |
Nguồn: Số liệu do Cục Thống kê tỉnh Long An cung cấp (2021) Tương tự như tỷ lệ thất nghiệp, tỷ lệ thiếu việc làm cao cũng tập trung ở các huyện,
thị như: TX. Kiến Tường, H. Tân Hưng, H. Mộc Hóa và H. Thạnh Hóa. Tỷ lệ thiếu việc làm của các địa bàn này cao gấp 3 lần mức bình quân chung của toàn tỉnh. Thực trạng này là nỗi lo cho các HGĐ và cả chính quyền địa phương.
3.4.3. Thu thập dữ liệu
Sau khi hoàn chỉnh phương pháp chọn mẫu, kích thước mẫu, đề tài tiến hành hội thảo, tập huấn cho cán bộ thu thập dữ liệu. Cán bộ điều tra thực địa là những cán bộ ngành Thống kê tỉnh Long An, những người am hiểu rõ về địa bàn khảo sát và có nhiều năm kinh nghiệm trong việc thực hiện thu thập dữ liệu cho các cuộc điều tra của ngành Thống kê Việt Nam.
Nội dung thực hiện hội thảo nhằm cung cấp thêm thông tin cũng như giải đáp những điểm mà cán bộ điều tra chưa rõ khi đọc phương án điều tra và cách thức chọn mẫu. Đồng thời, tác giả cũng lắng nghe và giải đáp thêm để làm rõ những tình huống thực tế có thể phát sinh do cán bộ điều tra đặt ra (theo kinh nghiệm của cán bộ điều tra). Quá trình thu thập dữ liệu của cán bộ điều tra thực địa được diễn ra đồng thời tại 7 huyện, thị của tỉnh Long An, với mỗi địa bàn là 2 cán bộ điều tra và 1 cán bộ giám sát. Điều này giúp cho thông tin thu thập được kịp thời và đáng tin cậy. Các điều tra viên thực hiện điều tra, thu thập dữ liệu đồng thời tại 7 địa bàn nghiên cứu trong thời gian từ tháng 05 đến tháng 10 năm 2020. Các thông tin về thu nhập, chi tiêu của HGĐ cung cấp vào bảng hỏi khảo sát là thông tin của năm 2019.
Dữ liệu sau thu thập sẽ được kiểm duyệt định kỳ (mỗi tuần 1 lần) nhằm phát hiện kịp thời những sai sót thông tin hay bổ sung dữ liệu cho đảm bảo yêu cầu. Sau khi hoàn tất cuộc điều tra, tác giả tiến hành điều tra lại 10% mẫu nghiên cứu theo từng địa bàn. Dữ liệu đầy đủ thông tin được tiến hành mã hóa, nhập liệu vào phần mềm Excel. Tác giả tính toán các chỉ tiêu kinh tế trước khi chuyển dữ liệu sang phần mềm SPSS và AMOS. Dữ liệu đủ điều kiện đưa vào sử dụng cho nghiên cứu này là 1.197 quan sát. Quy trình phân tích dữ liệu được trình bày theo Hình 3.3.
3.4.4. Cách tính chỉ số đa dạng hóa
Để đo lường đa dạng hóa theo hướng số lượng nguồn thu nhập và việc làm tạo ra nguồn thu nhập, các chỉ số như: tỷ lệ thu nhập phi nông nghiệp trong tổng thu nhập, số lượng các nguồn thu nhập; chỉ số cân bằng Shannon E (Shannon, 1948), chỉ số Herfindahl (Hirschaman, 1964), chỉ số Simpson (Simpson, 1949) và chỉ số Herfindahl-Hirschman nghịch đảo (Hirschman, 1964; Rhoades, 1993) được sử dụng.
Các nhà nghiên cứu sử dụng chỉ số cân bằng Shannon E, chỉ số Herfindahl, chỉ số Simpson và chỉ số Herfindahl-Hirschman nghịch đảo, do các chỉ số này thể hiện cả số lượng lẫn tỷ trọng các nguồn thu nhập (Schwarze & Zeller; 2005; Minot & cộng sự, 2006; Babatunde & Qaim, 2009; Agyeman, Asuming-Brempong & Onumah, 2014; Khai & Danh, 2014). Chỉ số Simpsons (SID) và chỉ số HHI là hai chỉ số được nhiều nghiên cứu sử dụng (Agyeman, Asuming-Brempong & Onumah, 2014; Khai & Danh, 2014). Chỉ số Herfindahl-Hirschman nghịch đảo (HHI) được ưu tiên do chỉ số này có độ biến thiên rộng hơn (Ellis, 2000a; Joshi, Birthal & Minot, 2006; Khai & Danh, 2014).
Bảng 3.6: Các phương pháp đo lường đa dạng hóa
Phương pháp | Đo lường | Ưu, nhược điểm | |
1 | Chỉ số cân bằng Shannon E (Shannon, 1948) | 𝑛 𝐸 = − ∑[(𝑃𝑖)ln(𝑃𝑖)] 𝑖=1 | - Thể hiện số lượng nguồn thu nhập lẫn tỷ trọng các nguồn - Cách tính khá phức tạp |
2 | Chỉ số Herfindahl – Hi (Hirschaman, 1964) | Hi =∑𝑛 (𝑃𝑖)2 𝑖=1 | - Thể hiện số lượng nguồn thu nhập lẫn tỷ trọng các nguồn. - Cách tính đơn giản hơn chỉ số Shannon E |
3 | Chỉ số Simpson – SID (Simpson, 1949) | Hi =1 − ∑𝑛 (𝑃𝑖)2 𝑖=1 | - Thể hiện số lượng nguồn thu nhập lẫn tỷ trọng các nguồn. - Cách tính đơn giản hơn chỉ số Shannon E - Chỉ số này dao động từ 0-1 nên dễ giải thích. |
4 | Chỉ số Herfindahl – Hirschaman nghịch đảo – HHI (Rhoades, 1993) | HHI =1 ∑𝑛 (𝑃𝑖)2 𝑖=1 | - Thể hiện số lượng nguồn thu nhập lẫn tỷ trọng các nguồn. - Cách tính đơn giản hơn chỉ số Shannon E. - Chỉ số này độ biến thiên rộng hơn, giải thích kết quả theo dạng nghịch đảo. |
Ghi chú: n là số lượng các nguồn thu nhập; Pi là % thu nhập của hoạt động i/tổng thu nhập của HGĐ.
Nguồn: Tổng hợp của tác giả (2021)
Chỉ số Simpson và chỉ số Herfindahl-Hirschman nghịch đảo tương tự nhau. Tuy nhiên, cách giải thích là khác nhau, cụ thể là: (i) chỉ số SID giả thích theo hướng nếu chỉ số này càng tiến gần đến 1 thì HGĐ càng đa dạng hóa; (ii) chỉ số HHI càng nhỏ càng tốt, nghĩa là HHI càng nhỏ (do 1/Pi) nên HGĐ càng đa dạng hóa. Trong nghiên cứu này, chỉ số SID được sử dụng để xem xét ĐDHTN của HGĐ. Chỉ số SID có ưu điểm là dễ tính toán, có tính đến sự đồng đều trong phân phối giữa thu nhập được tạo ra từ các hoạt động khác nhau do các nông hộ (Minot & cộng sự, 2006; Sultana, Hossain & Islam, 2015; Dev, Sultana & Hossain, 2016; Etea & cộng sự, 2019; Mamabolo, Chaminuka & Machethe, 2021).
Chỉ số SID dùng để ước tính tỷ trọng của các nguồn thu nhập theo việc làm trong tổng thu nhập của HGĐ. Điều này sẽ cung cấp chứng minh về tầm quan trọng của các nguồn thu nhập (nông nghiệp và phi nông nghiệp) trong tổng thu nhập của HGĐ
(Agyeman, Asuming-Brempong & Onumah, 2014; Etea & cộng sự, 2019; Mamabolo, Chaminuka & Machethe, 2021).
3.5. Nghiên cứu định lượng
Nghiên cứu định lượng được thực hiện bằng các phương pháp phân tích dữ liệu sơ cấp thu thập được. Dữ liệu nghiên cứu được kiểm tra, loại bỏ những phiếu thiếu thông tin, hoặc khi kiểm tra (điều tra lại theo xác suất ngẫu nhiên 10%) nếu có vấn đề nghi vấn cũng sẽ loại bỏ. Những phiếu khảo sát đủ điều kiện sẽ nhập vào phần mềm Excel để tạo bảng tính, tính toán các chỉ tiêu (thang đo) nghiên cứu, cụ thể là (i) chỉ số ĐDHTN (chỉ số SID); (ii) số người, số tiền cho các thang đo VXH của HGĐ; (iii) thu nhập, tổng thu nhập của HGĐ, TNBQ/người của HGĐ.
Sau khi dữ liệu được tính toán, kiểm tra tính đầy đủ, sự chính xác của dữ liệu, dữ liệu được mã hóa và phân tích theo trình tự đã nêu ở Hình 3.3 bằng phần mềm xử lý SPSS 20.0 và AMOS 21.0. Quy trình xử lý dữ liệu như sau:
(1) Thống kê mô tả dữ liệu
(2) Phân tích độ tin cậy của thang đo bằng công cụ Cronbach Alpha (CRA): CRA thực hiện đầu tiên nhằm loại bỏ biến rác và hình thành nhân tố giả mạo trong mô hình (Gerbing & Anderson, 1988). Các biến quan sát có hệ số tương quan biến tổng ≤ 0,3 sẽ bị loại và hệ số CRA - Cronbach’s Alpha ≥ 0,6 trở lên mới được chấp nhận (Nunnally & Burnstein, 1994).
(3) Phân tích nhân tố khám phá (EFA): Các biến còn lại sau phân tích CRA sẽ tiếp phân tích EFA. Trong EFA, (i) hệ số tải nhân tố (FL - Factor loading) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA.
Thống kê mô tả (đặc điểm cá nhân, việc
làm và thu nhập)
Cronbach’Alpha (CRA) trước EFA
Phân tích EFA
Phân tích SEM
Cronbach’Alpha (CRA) sau EFA
Phân tích CFA
Hình 3.3: Qui trình phân tích dữ liệu
Nguồn: đề xuất của tác giả (2020)
Theo Hair & cộng sự (1998), FL > 0,3 là đạt được mức tối thiểu, FL > 0,4 được xem là quan trọng, và FL 0,5 được xem là có ý nghĩa trong thực tiễn. Trong nghiên cứu này, FL ≥ 0,5 được lựa chọn; (ii) Chỉ số KMO trong khoảng 0,5 ≤KMO ≤1 thì phân tích nhân tố là thích hợp (Gerbing & Anderson, 1988); (ii) Kiểm định Bartlett có ý nghĩa thống kê (Sig < 0,05) và tổng phương sai trích ≥ 50% chứng tỏ các khái niệm có tương quan với nhau trong tổng thể (Gerbing & Anderson, 1988; Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
(4) Phân tích nhân tố khẳng định (CFA)
Bảng 3.7: Tổng hợp các chỉ số dùng để kiểm định độ phù hợp của mô hình
Chỉ số | Giá trị kiểm định so sánh theo Hair & cộng sự (2010, 2017) | Tiêu chuẩn lựa chọn | |
Nhóm chỉ số tuyệt đối (Absolute Fit Indices) | CMIN/DF (X2/df) | < 3 (tốt) < 5 (chấp nhận được) | < 5 |
GFI | ≥ 0,90 | ≥ 0,90 | |
SRMR | Giá trị càng tiến gần đến 0, độ phù hợp mô hình càng tốt | tiến dần đến 0 | |
Nhóm chỉ số tăng trưởng (Incremental Fit Indices) | CFI, TLI | > 0,95 (Tốt); > 0,9 (truyền thống); > 0,8 (chấp nhận) | > 0,9 |
AGFI | ≥ 0,8 | ≥ 0,8 | |
RMSEA | < 0,05 (tốt), từ 0,05 – 0,1 (vừa phải), > 0,1 (xấu) | 0,05 – 0,1 | |
PCLOSE | ≥ 0,05 | ≥ 0,05 |
Nguồn: tổng hợp của tác giả (2020)
Các nhân tố (khái niệm) sau khi phân tích CRA và EFA sẽ tiếp tục đưa vào phân tích CFA. Theo Hair & cộng sự (2017c, 2017d), kiểm định thang đo bằng CFA có nhiều ưu điểm hơn các phương pháp khác (phân tích tương quan, EFA, OLS). CFA cho phép thực hiện kiểm định: (i) cấu trúc của các thang đo lý thuyết; (ii) giá trị hội tụ, giá trị phân biệt; (iii) MQH giữa khái niệm với nhau mà không bị chệch (Bias) do sai số đo lường (Steenkamp & Van Trijp, 1991). Luận án này có xây dựng một số thang đo mới nên phân tích CFA giúp kiểm tra sự phù hợp của các thang đo mà tác giả đã xây dựng so với thực tiễn.
Trong CFA, các chỉ tiêu phải thỏa điều kiện: (i) giá trị P-value của CMIN phải lớn hơn 0,000; (ii) Chi-square hiệu chỉnh chuẩn hóa theo bậc tự do (chi – square chuẩn hóa) hay tỷ số CMIN/df nhỏ hơn 2 là rất tốt (McIver & Carmines, 1981), 3 ≤CMIN/df ≤
5 cũng được chấp nhận (Hair & cộng sự, 2017a); (iii) trong thực tế, CMIN/df ≤ 2 là rất khó vì nó rất nhạy cảm với cỡ mẫu. Do vậy, để đảm bảo độ chính xác, các phân tích thường sử dụng đồng thời các chỉ tiêu CFI, TLI, IFI. Theo Hair & cộng sự (2010, 2017a), các chỉ số CFI, TLI, IFI phải đạt từ 0,8 trở lên đến 1,0 (0,8 ≤ CFI, TLI, IFI ≤ 1); (iv) chỉ số RMSEA ≤ 0,05 được cho là rất tốt (Bollen, 1995); SRMR (Standardized Root Mean Square Residual) có giá trị càng tiến gần đến 0 thì mô hình càng phù hợp (Hair & cộng sự, 2017a).
Một số chỉ số được các tác giả đề xuất như sau: (i) Theo Nazim & Ahmad (2013) mô hình phù hợp thực tiễn khi TLI và CFI đều ≥ 0,9, CMIN/df ≤ 2, RMSEA ≤ 0,08. Bentler & Bonett (1980) thì cho rằng, các chỉ số GFI, TLI, CFI ≥0,9 thì mô hình khá tốt (Bentler & Bonett, 1980). CMIN/df ≤ 2, hoặc CMIN/df ≤ 5 đều được chấp nhận (Carmines & McIver, 1981); RMSEA ≤ 0,08 là đạt yêu cầu, RMSEA ≤ 0,05 là rất tốt (Steiger, 1990). Để đảm bảo sự phù hợp của mô hình cao, luận án sử dụng các tiêu chuẩn của Hair & cộng sự (2010, 2017a, 2017c, 2017d) theo Bảng 3.2.
Khi phân tích CFA, nghiên cứu xem xét các chỉ tiêu sau:
Tính đơn hướng và độ tin cậy: Hair & cộng sự (2010) cho rằng, các khái niệm đạt được độ tin cậy tổng hợp khi Composite Reliability (CR) > 0,7. Trong phân tích SEM, chỉ số CR dùng để đo tính đơn hướng của từng nhân tố (Steenkamp & Van Trijp, 1991) dựa trên giá trị giá trị hồi quy có trọng số (Standardized Regression Weight) trong CFA để xác định lại CR của thang đo (Kyriazos, 2018). Thống kê SMC cũng được sử dụng để xem xét khái niệm tiềm ẩn ngoại sinh từ kết quả CFA của mô hình đo lường. SMC có ý nghĩa tương tự như R2 trong hồi quy tuyến tính. SMC càng lớn hơn 0,4 (tối thiểu bằng 0,4) càng thể hiện mức giải thích của mỗi khái niệm tiềm ẩn càng tốt (Bollen, 1995),
Giá trị hội tụ: Hair & cộng sự (2017) đo lường giá trị hội tụ của các khái niệm trong mô hình nghiên cứu khi thỏa 2 điều kiện: (i) CR > AVE; (ii) AVE > 0,5; (iii) các trọng số chuẩn hoá của thang đo đều có ý nghĩa (P <0,05) thống kê (Gerbring & Anderson, 1988)
Giá trị phân biệt: Trong trường hợp các khái niệm đều có ý nghĩa thống kê (P ≤ 0,05), mô hình cần xem xét thêm giá trị phân biệt giữa các khái niệm. Theo Hair & cộng sự (2010), đo lường giá trị phân biệt được xem xét qua 2 điều kiện sau: (i) MSV < AVE và (ii) ASV < AVE
Giá trị liên hệ lý thuyết: giá trị liên hệ lý thuyết dùng để đánh giá sự phù hợp giữa mô hình xây dựng với cơ sở lý thuyết (Gerbing & Anderson, 1988). Giá trị liên hệ lý thuyết được coi là phù hợp khi các biến có tương quan với nhau (P-value < 0,05) như các kỳ vọng đã đưa ra dựa vào lý thuyết (Churchill, 1975).
Kiểm định Bootstrap: Bootstrap là cách lập lại mẫu (N lần) có thay thế. Điều này nhằm khắc phục hạn chế của các dữ liệu khảo sát, đảm bảo tính đại diện của mẫu so với tổng thể (Schumacker & Lomax, 2015). Mức chênh lệch giá trị trung bình (GTTB) trong ước lượng bằng Boostrap và GTTB trong ước lượng mẫu ban đầu càng nhỏ thể hiện mô hình có thể tin cậy được (Davison & Hinkley, 1997). Kết quả Boostrap xảy ra hai trường hợp: (i) Nếu giá trị C.R ≥ 1,96 (p-value ≤ 5%) thể hiện độ lệch ≠ 0 có ý nghĩa thống kê; (ii) Nếu C.R < 1.96 (p-value > 5%) thể hiện độ lệch ≠ 0, không có ý nghĩa thống kê (Davison & Hinkley, 1997; Kyriazos, 2018).
(5) Phân tích mô hình SEM
AMOS (Analysis of Moment Structures) cung cấp một số đầu ra diễn tả mô hình GLS, ULS, 2SLS, ADF. Theo Blunch (2012), hàm mặc định trong AMOS thể hiện xác suất thu được các tham số của mô hình (hiệp phương sai hoặc ma trận tương quan). SEM được mô tả như một phương pháp thống kê có xác nhận (tức là kiểm tra giả thuyết) cách tiếp cận để phân tích khung lý thuyết được đề xuất công việc được kiểm tra trong nghiên cứu (Byrne, 2010). Theo Wold (1982), SEM có hai phương pháp (i) dựa trên hiệp phương sai CB-SEM (gọi tắt là SEM); (ii) bình phương nhỏ nhất từng phần dựa trên phương sai (PLS-SEM).
SEM là một kỹ thuật ước lượng để kiểm tra đồng thời các MQH phụ thuộc một cách thích hợp và hiệu quả nhất (Hair & cộng sự, 1998; Byrne, 2013). SEM có rất nhiều lợi thế so với các phương pháp khác. Byrne (2010) khẳng định rằng (i) SEM rất thích hợp để phân tích dữ liệu theo cấp số nhân; (ii) SEM cung cấp ước tính sai số đo lường các biến quan sát tốt; (iii) SEM có thể kết hợp cả lý thuyết cấu trúc (biến tiềm ẩn) và biến quan sát trong thành phần đo lường, đặc biệt khi biến quan sát là các biến không được quan sát hay tiềm ẩn (Hair, Babin & Krey, 2017a). Ngoài ra, Hair & cộng sự (2017a, 2017b) đã cho rằng SEM có hiệu quả thống kê cao vì xử lý được nhiều MQH giữa các biến quan sát và giữa các cấu trúc. SEM là sự kết hợp của EFA, CFA và phân tích đường dẫn cấu trúc, cho phép đánh giá cả mô hình đo lường và cấu trúc (Lee & cộng sự, 2011).