CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phân tích, xử lý dữ liệu
Dữ liệu sau khi đã được nhóm nghiên cứu thu thập đầy đủ, chúng tôi đã bắt đầu tiến hành thực hiện mã hóa sau đó lưu vào tệp Excel. Tiếp theo, nhóm đã tiến hành phân tích dữ liệu thu được trên phần mềm SPSS 26 thông qua hai yếu tố là phân tích độ tin cậy Cronbach’s Alpha và nhân tố khám phá EFA. Mục đích của hai phân tích này là
giúp loại trừ đi những biến không đạt tiêu chuẩn. Sau khi phân tích SPSS xong, với ứng dụng phần mềm SEM 24 nhóm đã tiến hành phân tích CFA với mục đích xác minh các
ảnh hưởng của từng biến còn lại đối với sự trung thành thương hiệu xanh, ý định truyền miệng xanh của khách hàng. Cuối cùng là sử dụng SPSS 26 để đánh giá vai trò của các biến điều tiết.
Phương pháp phân tích dữ liệu:
Phương pháp phân tích đã được nhóm nghiên cứu tiến hành dựa trên những bước như sau: xác minh độ tin cậy, đánh giá thang đo và phân tích mô hình cấu trúc tuyến tính SEM.
* Phân tích độ tin cậy Cronbach's Alpha:
Nhóm tác giả đã triển khai phương pháp nhất quán nội tại bằng hệ số Cronbach’s Alpha để xác minh độ tin cậy của thang đo. Hệ số này sẽ cho biết mối liên quan giữa các thang đo, tuy nhiên nó không thể đánh giá được biến quan sát nào nên được giữ lại hay loại trừ. Do đó, bằng cách xem xét hệ số tương quan giữa biến và tổng, các biến quan sát đóng góp ít vào việc mô tả khái quát có thể được chúng ta loại bỏ. Lý do ở bước thực hiện này có biến quan sát bị loại bỏ là vì nó không có sự tương quan chặt chẽ với các biến còn lại trong cùng một thang đo. Chúng ta có thể kiểm tra mức độ tin cậy của thang đo dựa trên những tiêu chí sau:
Tiêu chí 1: Giá trị hệ số Cronbach’s Alpha phải đủ tiêu chuẩn lớn hơn 0.6 trở lên (Hoàng Trọng and Chu Nguyễn Mộng Ngọc, 2008). Các mức tiêu chuẩn của hệ số Cronbach’s Alpha bao gồm:
Từ 0.8 đến ≤ 1: thang đo lường rất tốt Từ 0.7 đến < 0.8: thang đo sử dụng tốt.
Từ 0.6 trở lên: thang đo đủ điều kiện để sử dụng.
Tiêu chí 2: Tất cả các biến quan sát đều phải có hệ số tương quan biến - tổng CITC ≥ 0.3 thì biến đó mới đạt yêu cầu được sử dụng cho những phân tích tiếp theo (Nunnally, 1975). Còn lại những biến có hệ số không đạt yêu cầu sẽ bị loại bỏ vì không có nhiều tính đóng góp.
* Phân tích nhân tố khám phá EFA
Sau khi đánh giá được độ tin cậy của thang đo, vấn đề tiếp theo là phải đánh giá
được giá trị của thang đo đó. Có thể đánh giá được mối quan hệ giữa các biến quan sát ở tất cả các nhóm với nhau hoặc có thể khám phá ra được những yếu tố mới bằng cách phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) với hai giá trị được coi
là giá trị hội tụ với giá trị phân biệt. Mục đích của bước này nhằm loại bỏ những biến nào không thích hợp vì những biến không thích hợp đó có thể tạo ra nhân tố giả (Tho and Trang, 2015). Phương pháp này có chức năng rút gọn một tập hơn n biến quan sát thành tập M (M < n). để thu được các nhân tố có ý nghĩa thống kê hơn. Hair (2009) đã cho rằng hệ số tải nhân tố (Factor Loading) ùng để đánh giá để xem xét ý nghĩa của EFA:
Hệ số tải nhân tố > 0.5: có ý nghĩa thực tế
Hệ số tải nhân tố > 0.4: quan trọng
Hệ số tải nhân tố >0.3: đạt yêu cầu tối thiểu.
Tuy nhiên, đối với các đề tài chạy CFA, SEM giá trị hệ số tải được khuyến khích sử dụng tối thiểu là 0.5 và cần loại bỏ các biến có hệ số tải dưới 0.5. Trên cơ sở đó, các tiêu chí cần đạt là:
Hệ số Kaiser - Meyer - Olkin: 0.5 ≤ KMO ≤ 1. Trị số KMO lớn chứng tỏ phân tích nhân tố là thích hợp.
Kiểm định Bartlett được nhóm nghiên cứu sử dụng để kiểm tra giả thuyết các biến không có mối liên hệ tác động qua lại với nhau trong tổng thể. Kiểm định này có ý
nghĩa thống kê nếu trị số Sig.< 0.05.
Tổng phương sai trích (Total Variance Explained) cần ≥ 50%. Điều này thể hiện tỷ lệ phần trăm sự biến thiên của các biến quan sát. Việc làm này có ý nghĩa rằng khi sự
thay đổi là 100% phân tích nhân tố giải thích tốt như thế nào.
Hệ số tải ≥ 0.5.
* Phân tích cấu trúc tuyến tính SEM
Thông qua SEM, mối quan hệ giữa biến tiềm ẩn và biến quan sát được mô tả để kiểm tra các giả thuyết thống kê. Cùng với đó, thông qua phần mềm SEM cũng có thể kiểm tra được mối quan hệ giữa các khái niệm. Biến quan sát là biến được dùng để kiểm tra tất cả các biến tiềm ẩn không thể quan sát hoặc đo lường được. SEM có thể được áp dụng cho hầu hết các mô hình như phân tích nhân tố, phân tích mối quan hệ lẫn nhau, hồi quy đa biến nhằm xác định mối quan hệ phức tạp trong mô hình. Cùng với đó, mối quan hệ nhân quả giữa các biến tiềm ẩn và các nhân tố trong tổng thể của mô hình cũng có thể ước tính với SEM. Việc ước lượng này được tiến hành triển khai thông qua chỉ số đo lường kết hợp và cấu trúc mô hình lý thuyết, đo lường các mối quan hệ không ổn
định và ổn định hoặc đo lường những tác động gián tiếp và trực tiếp, bao gồm cả sai số đo lường và tương quan phần dư, trong khi các kỹ thuật khác chỉ cho phép ước tính mối quan hệ riêng lẻ của từng cặp yếu tố trong mô hình đo lường (mô hình cổ điển). Hu và
Bentler (1999) đã chỉ ra rằng các chỉ số được xem xét để đánh giá mức độ phù hợp trong mô hình (Model Fit) bao gồm:
Chi-Square/df ≤ 3: tốt, ≤ 5: chấp nhận được
CFI ≥ 0.9: tốt, CFI ≥ 0.95: rất tốt, CFI ≥ 0.8: chấp nhận được GFI ≥ 0.9: tốt, GFI ≥ 0.95: rất tốt
RMSEA ≤ 0.06: tốt, RMSEA ≤ 0.08: chấp nhận được PCLOSE ≥ 0.05: tốt, PCLOSE ≥ 0.01: chấp nhận được
*Phân tích tác động của biến điều tiết moderator bằng macro PROCESS trên SPSS
Từ việc sử dụng mô hình hồi quy biến điều tiết MMR trên SPSS, nhóm sẽ phân tích ảnh hưởng của các biến điều tiết định lượng (Saunders, 1956). Giả định có 03 biến ảnh hưởng đến biến phụ thuộc: Biến độc lập (X) ảnh hưởng đến biến phụ thuộc (Y);
Biến điều tiết (W) ảnh hưởng đến biến phụ thuộc (Y); Tích X*W ảnh hưởng đến biến phụ thuộc (Y).
Đối với các đánh giá truyền thống, Baron và Kenny (1986) đưa ra nhận định rằng để một biến là biến điều tiết thì điều kiện thứ nhất là biến này không có mối quan hệ với cả biến phụ thuộc và biến độc lập. Điều kiện thứ hai là tích X*W phải có sự ảnh hưởng đến biến phụ thuộc Y. Nhưng theo cách tiếp cận mới, chỉ cần điều kiện thứ hai được chấp nhận thì chúng ta có thể đưa ra kết luận rằng có sự tác động của biến điều tiết mà
không nhất thiết bắt buộc điều kiện thứ nhất phải xảy ra. Nhóm nghiên cứu đã sử dụng phương pháp phân tích Bootstrapping trên SPSS, giá trị P - value của kết quả phân tích X*W là thứ cần quan tâm
Nếu giá trị P của tích X*W > 0.05, có thể kết luận rằng biến W không có vai trò điều tiết trong mối quan hệ từ biến X đến biến Y.
Nếu giá trị P của tích X*W <0.05, có thể kết luận rằng biến W có vai trò điều tiết trong mối quan hệ từ biến X đến biến Y.
TÓM TẮT CHƯƠNG 3
Thông qua chương 3, nhóm nghiên cứu đã đề cập đến các phương pháp nghiên cứu được áp dụng, bao gồm: nghiên cứu định lượng, nghiên cứu định tính, phương pháp lấy mẫu và thu thập số liệu, phương pháp thu thập, phân tích và xử lý dữ liệu.
Bên cạnh đó, tại chương này, các thang đo cho các biến phụ thuộc và biến độc lập đã được nhóm xây dựng để thích hợp với bối cảnh nghiên cứu, bao gồm: 1 biến độc lập (hành vi tẩy xanh thương hiệu), 5 biến trung gian (gồm: sự nhầm lẫn xanh, hình ảnh thương hiệu xanh, niềm tin xanh, tài sản thương hiệu xanh, lòng trung thành thương hiệu xanh), 2 biến điều tiết (kiến thức về môi trường và mối quan tâm về môi trường) và 1 biến phụ thuộc (ý định truyền miệng xanh). Dựa trên lý thuyết ban đầu, 17 giả thuyết nghiên cứu đã được nhóm đề xuất nghiên cứu. Từ đó, có định hướng và cơ sở nền tảng để đi đến chương tiếp theo.