Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Các nhân tố ảnh hưởng đến ý định sử dụng dịch vụ lưu trữ đám mây Onedrive Của Thế Hệ Z: vai trò trung gian của thái độ dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

3.1. Quy trình nghiên cứu

• Hình 3.1: Quy trình nghiên cứu

Từ hình 3.1, tiến trình nghiên cứu sẽ được thực hiện qua các giai đoạn sau:

Bước 1: Xác định vấn đề cần nghiên cứu và mục tiêu nghiên cứu

Bước 2: Tìm hiểu các khái niệm, cơ sở lý thuyết và lược khảo các nghiên cứu trong quá khứ có liên quan đến chủ đề nghiên cứu. Tiếp theo, luận văn thực hiện xây dựng mô hình nghiên cứu, các nhân tố phù hợp nhất sẽ được chọn để đưa vào mô hình đề xuất bằng cách nghiên cứu các lý thuyết có liên quan và lược khảo các bài nghiên cứu trước đây ở ngoài và trong nước có liên quan đến chủ đề cần nghiên cứu.

Bước 3: Thực hiện nghiên cứu và phân tích dữ liệu. Xây dựng thang đo nháp

Thực hiện nghiên cứu định tính đối với thang đo nháp và hiệu chỉnh thang đo sao cho thích hợp với đề tài nghiên cứu

Sau khi hiệu chỉnh thang đo, đưa ra bảng thang đo chính thức và tiến hành thực hiện khảo sát những đối tượng thuộc thế hệ Z để tìm hiểu về ý định sử dụng dịch vụ lưu trữ đám mây OneDrive.

Kích thước mẫu được xác định bằng cách tham khảo từ các công thức của các nghiên cứu chuyên về thống kê để tìm ra kích thước mẫu phù hợp cho nghiên cứu.

Bảng câu hỏi khảo sát hoàn chỉnh được gửi đến đối tượng khảo sát của nghiên cứu. Kết quả và số liệu thu thập được sẽ được xử lý, phân tích bằng phần mềm SPSS 20.0 và phần mềm SmartPLS 4.

Thực hiện nghiên cứu định lượng bằng các phương pháp phân tích dữ liệu: thống kê mô tả, Kiểm định sai lệch phương pháp chung (CMB), kiểm định và đánh giá mô hình đo lường, phân tích mô hình cấu trúc bình phương nhỏ nhất từng phần PLS-SEM.

Bước 4: Báo cáo kết quả phân tích dữ liệu và thảo luận kết quả nghiên cứu Bước 5: Kết luận và đề xuất hàm ý quản trị cho đề tài nghiên cứu.

3.2. Phương pháp thu thập dữ liệu Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

3.2.1. Thu thập dữ liệu thứ cấp

Trong giai đoạn đầu của nghiên cứu, dữ liệu thứ cấp được thu thập nhằm xây dựng cơ sở lý luận, xác định các biến nghiên cứu và đề xuất mô hình phù hợp. Dữ liệu thứ cấp được khai thác từ các tài liệu học thuật, các công trình đã công bố và các nền tảng lý thuyết gắn với hành vi sử dụng dịch vụ lưu trữ đám mây. Nghiên cứu được phát triển dựa trên 3 mô hình lý thuyết chính gồm: Lý thuyết TPB, mô hình TAM và lý thuyết UTAUT2. Bên cạnh đó, nghiên cứu cũng lược khảo 13 công trình nghiên cứu trước đây có liên quan đến hành vi chấp nhận và sử dụng dịch vụ lưu trữ đám mây hoặc các công nghệ tương tự, nhằm tổng hợp và so sánh các nhân tố ảnh hưởng được kiểm chứng trong các nghiên cứu trước, sau đó thảo luận khoảng trống nghiên cứu giữa các kết quả trong các nghiên cứu trước và bối cảnh nghiên cứu hiện tại. Cuối cùng là đưa ra các giả thuyết, đề xuất mô hình nghiên cứu và xây dựng thang đo sơ bộ.

3.2.2. Thu thập dữ liệu sơ cấp

Nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện nhằm tiết kiệm thời gian, chi phí và tăng độ bao phủ mẫu. Dữ liệu sơ cấp của nghiên cứu được thu thập bằng cách sử dụng biểu mẫu bảng hỏi được thiết kế trên nền tảng Google Forms, sau đó tiếp cận đến đối tượng khảo sát bằng cách trực tiếp hoặc qua các nền tảng mạng xã hội (Facebook, Zalo, Email,…). Đối tượng khảo sát là thế hệ Z tại thành phố Hồ Chí Minh, những người sử dụng công nghệ đang có ý định sử dụng lưu trữ đám mây OneDrive. Tất cả thông tin thu thập được đều được đảm bảo ẩn danh, người tham gia không được tiếp cận kết quả khảo sát nhằm bảo hộ về quyền riêng tư và tránh thiên lệch trong câu trả lời. Phương pháp này phù hợp với mục tiêu nghiên cứu khám phá các nhân tố ảnh hưởng đến quyết định sử dụng dịch vụ, đồng thời đảm bảo tính linh hoạt và tiết kiệm chi phí trong quá trình thu thập dữ liệu.

3.3. Phương pháp nghiên cứu định tính

Ở giai đoạn nghiên cứu sơ bộ, tác giả lựa chọn phương pháp nghiên cứu định tính để triển khai đề tài. Phương pháp này được sử dụng nhằm rà soát, điều chỉnh, bổ sung hoặc lược bớt các biến quan sát được kế thừa từ những nghiên cứu có liên quan trước đó. Kết quả thu được từ nghiên cứu định tính là cơ sở để hoàn thiện thang đo và xây dựng bảng câu hỏi phục vụ cho giai đoạn khảo sát tiếp theo. Trong đề tài này, nghiên cứu định tính được triển khai thông qua ba bước chính.

• Bước 1: Xây dựng thang đo nháp (thang đo sơ bộ)
• Bước 2: Thảo luận nhóm và tham khảo ý kiến chuyên gia để điều chỉnh thang đo sao cho tương thích với chủ đề luận văn.
• Bước 3: Hoàn thiện thang đo chính thức

3.3.1. Thiết kế bảng hỏi và xây dựng thang đo Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

• Bảng câu hỏi khảo sát đối tượng được xây dựng gồm 3 phần chính:

Phần 1: Câu hỏi sàng lọc đối tượng khảo sát: người dùng thuộc thế hệ Z chưa từng sử dụng, đã nghe qua hoặc có ý định sử dụng dịch vụ lưu trữ đám mây OneDrive. Từ đó quyết định xem đối tượng khảo sát có đủ điều kiện để tiếp tục khảo sát ở hai phần tiếp theo hay không.

Phần 2: Thông tin cá nhân (nhân khẩu học) của đối tượng khảo sát

Phần 3: Bao gồm các câu hỏi nghiên cứu các nhân tố ảnh hưởng đến ý định sử dụng OneDrive của thế hệ Z.

Ở phần 3, bảng câu hỏi sử dụng thang đo Likert 5 mức độ để đánh giá mức độ đồng tình của đối tượng khảo sát từ “1 – Hoàn toàn không đồng ý” đến “5 – Hoàn toàn đồng ý”. Thang Likert cho phép người trả lời chọn mức độ đồng ý/không đồng ý một cách rõ ràng và quen thuộc (Likert, 1932; Sullivan & Artino, 2013). Các nghiên cứu cho thấy thang 5 – 7 mức đều cho chất lượng dữ liệu tốt; thang 5 mức thường dễ trả lời hơn, giúp tăng tỷ lệ hoàn thành mà vẫn đủ phân biệt mức độ phản hồi (Dawes, 2008). Thiết kế đối xứng và có điểm trung lập, dữ liệu Likert có thể xử lý như xấp xỉ thang khoảng trong phân tích PLS-SEM, đáp ứng các bước đánh giá thang đo và mô hình (Hair et al., 2022; Sullivan & Artino, 2013). Nghiên cứu này quyết định chọn dùng thang đo Likert 5 mức độ vì tính hiệu quả trong việc đo lường thái độ, ý định của đối tượng tham gia khảo sát và phù hợp với đặc trưng của vấn đề nghiên cứu.

3.3.2. Thang đo nghiên cứu

Dựa trên mô hình nghiên cứu đã đề xuất cùng với việc kế thừa thang đo từ các nghiên cứu trước, nghiên cứu xây dựng bộ thang đo cho bảy khái niệm gồm: Nhận thức dễ sử dụng (EOU), Nhận thức sự hữu ích (PU), Nhận thức tính bảo mật (PS), Nhận thức quyền riêng tư (PP), Chuẩn chủ quan (SN), Thái độ hướng đến sử dụng (AT) và Ý định sử dụng OneDrive (BI). Các biến quan sát được chuyển ngữ và hiệu chỉnh từ thang đo gốc nhằm bảo đảm sự phù hợp với bối cảnh thế hệ Z tại TP.HCM và nền tảng đám mây OneDrive. Thang đo được thiết kế theo Likert 5 điểm, tương ứng từ 1 “Hoàn toàn không đồng ý” đến 5 “Hoàn toàn đồng ý”. Nội dung chi tiết của từng biến, mã hóa và nguồn tham khảo được trình bày tại Bảng 3.1.

Trong nghiên cứu này, khái niệm nhận thức về quyền riêng tư (perceived privacy) được kế thừa về mặt lý thuyết từ các nghiên cứu của Arpaci (2016) và Surahman (2023), perceived privacy được hiểu là mức độ người dùng tin rằng dịch vụ lưu trữ đám mây tôn trọng và bảo vệ dữ liệu cá nhân của họ, không rò rỉ thông tin hoặc sử dụng thông tin không đúng với điều khoản dịch vụ. Tuy nhiên, hai nghiên cứu này không công bố cụ thể các mục hỏi đo lường perceived privacy trong bài nên không thể trích trực tiếp thang đo. Vì vậy, để phát triển thang đo cho biến perceived privacy, nghiên cứu tiến hành kế thừa nội dung từ thang đo perceived privacy concern của Li & Chang (2012), khái niệm này vốn phản ánh các lo ngại về phạm vi thu thập thông tin, mức độ thoải mái khi cung cấp dữ liệu cá nhân và khả năng thông tin bị lạm dụng, nhưng điều chỉnh các mục hỏi theo hướng khẳng định tích cực. Việc điều chỉnh câu hỏi thang đo cho hợp lý với biến nhận thức quyền riêng tư này giúp thang đo mới giữ được nội dung nền tảng của thang đo gốc và phù hợp với cách hiểu perceived privacy mang tính tích cực như trong các nghiên cứu của Arpaci (2016) và Surahman (2023), chỉ số cao thể hiện nhận thức tích cực hơn về quyền riêng tư khi sử dụng OneDrive, thay vì mức độ lo ngại cao như trong thang đo ban đầu.

• Bảng 3.1: Thang đo nghiên cứu

3.4. Phương pháp nghiên cứu định lượng Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

3.4.1. Phương pháp chọn mẫu nghiên cứu

Theo Hair và cộng sự (2007), để bảo đảm độ phù hợp khi thực hiện phân tích nhân tố khám phá và hồi quy đa biến, cỡ mẫu tối thiểu nên được xác định bằng ít nhất 5 lần số biến quan sát trong mô hình. Trên cơ sở đó, nghiên cứu áp dụng công thức n = m*5, trong đó m là số biến quan sát. Với tổng số 28 biến quan sát được sử dụng trong mô hình nghiên cứu, cỡ mẫu tối thiểu cần đạt của nghiên cứu này là 140.

Theo Barclay et al. (1995), khi sử dụng mô hình PLS-SEM, theo quy tắc “10 lần” (10-times rule), cỡ mẫu cần đạt tối thiểu phải nhiều hơn hoặc bằng 10 lần số lớn nhất giữa số chỉ báo của một biến tiềm ẩn (a) và số đường dẫn hướng vào một biến phụ thuộc (b). Công thức: n ≥ 10*max(a,b). Trong nghiên cứu này, biến trung gian “Thái độ” bị ảnh hưởng bởi 5 biến độc lập, căn cứ dựa vào công thức này, nên cỡ mẫu tối thiểu tương ứng cần cho nghiên cứu là 50.

Theo Kline (2023), việc xác định kích thước mẫu trong mô hình phương trình cấu trúc (SEM) chịu phụ thuộc bởi các yếu tố như độ phức tạp của mô hình, số lượng tham số ước lượng, phương pháp ước lượng và đặc điểm phân phối dữ liệu. Nghiên cứu cho rằng mẫu có kích thước dưới 100 quan sát hầu như không thể chấp nhận, trong khi cỡ mẫu khoảng 200 thường được xem là mức trung bình phổ biến trong các nghiên cứu SEM.

Theo Hoelter (1983), chỉ số Critical N được dùng để xác định cỡ mẫu tối thiểu cần thiết để mô hình SEM đạt được mức phù hợp chấp nhận được (p < 0.05). Hoelter đề xuất rằng giá trị Critical N (kích thước mẫu) đạt từ 200 trở lên có thể xem là chỉ báo cho một mô hình phù hợp.

Sau khi tham khảo các nghiên cứu trên, kích thước mẫu đạt yêu cầu với nghiên cứu này phải lớn hơn 200 và để giảm sai số cho kết quả nghiên cứu, nghiên cứu này dự kiến sẽ khảo sát thêm khoảng 20% cỡ mẫu cần có để có đủ cơ sở dữ liệu cho việc phân tích.

Vì vậy, đến khi đạt được ít nhất 240 phiếu trả lời từ các đối tượng khảo sát thì sẽ ngừng khảo sát, sau đó tiến hành xử lý và phân tích dữ liệu.

3.4.2. Thống kê mô tả Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Phương pháp thống kê mô tả được áp dụng nhằm tổng hợp tần suất và tỷ lệ phần trăm của các thông tin cá nhân cơ bản của đối tượng tham gia trả lời. Mục đích của phương pháp thống kê mô tả là làm rõ điểm đặc trưng thuộc mẫu khảo sát, qua đó đưa ra các nhận xét tổng quát và nhận diện những xu hướng chung.

3.4.3. Kiểm định sai lệch phương pháp chung (CMB)

Sai lệch phương pháp chung (Common Method Bias – CMB) là hiện tượng sai lệch có thể phát sinh khi các biến trong mô hình nghiên cứu đều được thu thập từ cùng một cách đo lường, cùng một đối tượng trả lời và trong cùng một thời điểm, qua đó có thể làm sai lệch mức độ phản ánh mối quan hệ thực tế giữa các biến nghiên cứu (Podsakoff et al., 2003; Kock, 2021). Trong các nghiên cứu áp dụng bảng hỏi tự báo cáo với thang đo Likert, CMB là nội dung cần được xem xét nhằm bảo đảm độ tin cậy cũng như giá trị của kết quả nghiên cứu (Podsakoff et al., 2003). Trong nghiên cứu này, dữ liệu được thu thập bằng một bảng câu hỏi khảo sát duy nhất đối với các đáp viên thuộc thế hệ Z tại cùng một thời điểm, nên việc kiểm định sai lệch phương pháp chung là cần thiết trước khi tiến hành các bước đánh giá thang đo và mô hình nghiên cứu.

Kiểm định Harman’s single-factor test được sử dụng để đánh giá sai lệch phương pháp chung trong nghiên cứu này. Theo phương pháp này, toàn bộ các biến quan sát trong mô hình được đưa vào phân tích nhân tố khám phá với nghiệm không xoay (Podsakoff et al., 2003). Trường hợp kết quả cho thấy chỉ có một nhân tố được rút trích, hoặc nhân tố đầu tiên giải thích trên 50% tổng phương sai, dữ liệu có thể bị ảnh hưởng bởi sai lệch phương pháp chung ở mức đáng kể (Podsakoff et al., 2003; Cooper et al., 2020). Ngược lại, khi nhân tố đầu tiên chỉ giải thích dưới 50% tổng phương sai, có thể xem sai lệch này không phải là vấn đề đáng kể của nghiên cứu (Podsakoff et al., 2003; Cooper et al., 2020). Việc kiểm định được tiến hành bằng SPSS 20.0 trên toàn bộ biến quan sát thuộc các khái niệm trong mô hình.

3.4.4. Kiểm định, đánh giá mô hình đo lường

• Kiểm định độ tin cậy Cronbach’s Alpha Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Hệ số Cronbach’s Alpha (CA) là một phép kiểm định thống kê nhằm mục đích đánh giá độ tin cậy của thang đo, trong nghiên cứu này, các biến không đạt độ tin cậy Cronbach’s Alpha phù hợp sẽ bị loại ra khỏi mô hình. Phương pháp kiểm tra độ tin cậy bằng hệ số Cronbach’s Alpha nhằm mục đích đánh giá sự tương quan giữa các biến quan sát với biến tổng thể, qua đó thể hiện độ tin cậy của thang đo (Hair et al., 2022). Cronbach’s alpha được dùng để đo mức độ nhất quán nội tại, nhưng Hair và cộng sự (2022) lưu ý rằng nó giả định các biến quan sát có trọng số ngang nhau, đôi khi nên kết hợp thêm độ tin cậy tổng hợp (Composite Reliability – CR) để có đánh giá chính xác hơn. Nếu một biến có hệ số tương quan biến – tổng ≥ 0.3 thì biến đó đạt yêu cầu (Nunnally & Bernstein, 1994). Hệ số Cronbach’s Alpha từ 0.7 trở lên được xem là đạt độ tin cậy về tính nhất quán nội tại (Nunnally & Bernstein, 1994). Đánh giá hệ số tin cậy Cronbach’s Alpha được trình bày như sau:

• 6 ≤ CA ≤ 0.7: Có thể sử dụng được
• 7 ≤ CA ≤ 0.8: Khá tốt
• 8 ≤ CA ≤ 0.9: Rất tốt

Căn cứ vào các thông số trên, tác giả kiểm định thang đo bằng phần mềm SPSS 20.0 và chỉ chấp nhận những biến có hệ số Cronbach’s Alpha từ 0.7 trở lên, những biến thoả điều kiện này sẽ được chấp nhận và tiếp tục được phân tích ở những bước tiếp theo.

• Đánh giá chất lượng biến quan sát (Indicator Reliability)

Đánh giá chất lượng biến quan sát là bước đầu tiên trong kiểm định giá trị hội tụ và phân biệt của thang đo, đảm bảo chất lượng mô hình đo lường PLS-SEM. Các biến quan sát đóng vai trò là những biểu hiện cụ thể và trực tiếp của khái niệm tiềm ẩn. Chất lượng biến quan sát được hiểu là mức độ nhất quán và độ tin cậy của mỗi biến quan sát trong việc phản ánh chính xác khái niệm tiềm ẩn mà nó được thiết kế để đo lường (Hair et al., 2022).

Hệ số tải ngoài (Outer Loading) thể hiện mức độ tương quan tuyến tính giữa biến quan sát và nhân tố tiềm ẩn liên quan. Hệ số tải ngoài càng cao chứng tỏ biến quan sát càng thể hiện tốt nội dung khái niệm tiềm ẩn, đồng thời làm giảm sai số đo lường trong mô hình (Hair et al., 2022) và được đánh giá theo tiêu chuẩn:

• Outer Loading ≥ 0.7 thường được xem là đạt yêu cầu, phản ánh mức độ tin cậy
• 5 ≤ Outer Loading < 0.7 có thể được chấp nhận nếu các tiêu chí đánh giá khác như phương sai trích trung bình (AVE – Average Variance Extracted) và hệ số tin cậy tổng hợp (Composite Reliability) vẫn đảm bảo yêu cầu.
• Outer Loading ≥ 95: Có nguy cơ xuất hiện hiện tượng các biến quan sát trở nên quá tương đồng với nhau, làm mất đi sự đa dạng trong đo lường (Hair et al., 2022). Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Trong nghiên cứu này, tiêu chuẩn Outer Loading ≥ 0.7 được áp dụng như một ngưỡng chấp nhận chính, trong khi các biến có tải ngoài thấp hơn sẽ được xem xét loại bỏ để đảm bảo tính vững chắc của thang đo.

• Đánh giá thang đo bằng hệ số tin cậy tổng hợp (Composite Reliability)

Hệ số tin cậy tổng hợp (CR) là một chỉ số dùng để đánh giá chất lượng thang đo trong mô hình SEM, thể hiện mức độ nhất quán và ổn định của các biến quan sát trong việc đo lường cùng một khái niệm tiềm ẩn (Hair et al., 2022). Điểm mạnh của CR so với Cronbach’s Alpha là nó không giả định các biến quan sát đóng góp ngang nhau, mà ước lượng độ tin cậy dựa trên trọng số thực tế của từng biến. Vì vậy, CR thường được đánh giá là phù hợp hơn và chính xác hơn trong việc xem xét độ tin cậy thang đo trong PLS-SEM. Theo Hair và cộng sự (2022), hệ số tin cậy tổng hợp (CR) thường đánh giá dựa trên các ngưỡng sau:

• CR ≥ 70: Thang đo đạt độ tin cậy tốt, được khuyến nghị sử dụng trong hầu hết các nghiên cứu.
• 60 ≤ CR < 0.70: Có thể chấp nhận được đối với trường hợp nghiên cứu theo hướng khám phá.
• CR ≥ 95: đây là mức không được khuyến khích, do có thể cho thấy sự trùng lặp quá cao giữa các biến quan sát, làm giảm tính khái quát của thang đo.

Trong nghiên cứu này, hệ số tin cậy tổng hợp (CR) được ứng dụng để xem xét, đánh giá mức độ nhất quán nội tại của các thang đo, qua đó xác nhận các biến quan sát có phản ánh phù hợp khái niệm tiềm ẩn mà chúng đo lường hay không. Trường hợp CR của một thang đo thấp hơn ngưỡng 0.70, nghiên cứu sẽ cân nhắc điều chỉnh hoặc loại bỏ một số biến quan sát để cải thiện độ tin cậy và chất lượng của mô hình đo lường.

• Đánh giá tính hội tụ (Convergent Validity) Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Tính hội tụ phản ánh mức độ mà các biến quan sát của cùng một biến tiềm ẩn thực sự cùng “hội tụ” về một nội dung đo lường chung (Hair et al., 2022). Một thang đo được coi là đạt tính hội tụ khi các biến quan sát thể hiện mối liên hệ chặt chẽ và nhất quán với khái niệm tiềm ẩn mà chúng đại diện. Giá trị phương sai trích trung bình (Average Variance Extracted – AVE) được xem là thước đo phản ánh giá trị trung bình phương sai được giải thích bởi toàn bộ tập hợp biến quan sát, qua đó đánh giá tính hội tụ của các biến quan sát thuộc cùng một biến tiềm ẩn.

• AVE ≥ 50: biến tiềm ẩn giải thích được ít nhất 50% phương sai trung bình của các biến quan sát, các biến quan sát thực sự “hội tụ” để đo cùng một khái niệm (Fornell & Larcker, 1981) (Hair et al., 2022).
• AVE < 50 nhưng CR ≥ 0.60 – 0.70: thang đo vẫn có độ tin cậy chấp nhận được (Fornell & Larcker, 1981).

Trong nghiên cứu này, chỉ số phương sai trích (AVE) được dùng để kiểm tra tính hội tụ của thang đo, nếu AVE ≥ 0.50 thì nghĩa là biến tiềm ẩn giải thích được ít nhất 50% phương sai của các biến quan sát. Nếu một thang đo có giá trị AVE nhỏ hơn 0.5 nhưng có độ tin cậy tổng hợp ≥ 0.60 thì sẽ được xem xét giữ lại, nếu không thì sẽ loại bỏ những biến có hệ số tải ngoài (Outer Loading) thấp.

• Đánh giá tính phân biệt (Discriminant Validity)

Giá trị phân biệt được hiểu là mức độ mà một khái niệm tiềm ẩn trong mô hình thực sự khác biệt so với các khái niệm khác. Nói cách khác, các biến quan sát chỉ phản ánh đúng khái niệm mà chúng được thiết kế để đo lường, và không bị chồng lấn với các khái niệm khác (Hair et al., 2022). Việc đảm bảo giá trị phân biệt là yếu tố quan trọng để tránh tình trạng các cấu trúc đo lường trở nên mơ hồ, dẫn đến việc suy luận sai lệch trong phân tích (Fornell & Larcker, 1981).

• Có 3 phương pháp đánh giá giá trị phân biệt:

Tiêu chí Fornell–Larcker: Đề xuất bởi Fornell và Larcker (1981). Nội dung của tiêu chí này cho rằng căn bậc hai của AVE của từng khái niệm tiềm ẩn cần lớn hơn hệ số tương quan giữa khái niệm đó với những khái niệm tiềm ẩn khác trong mô hình. Điều này chứng minh rằng khái niệm tiềm ẩn có mức độ giải thích cao hơn với các biến quan sát của chính nó so với các khái niệm khác. Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Phương pháp tải chéo (Cross-loading): Theo Chin (1998), một biến quan sát được coi là đảm bảo giá trị phân biệt khi hệ số tải ngoài của nó trên biến tiềm ẩn mục tiêu lớn hơn đáng kể so với hệ số tải của biến đó trên các biến tiềm ẩn khác. Điều này giúp khẳng định rằng mỗi biến quan sát đo lường đúng khái niệm mà nó được thiết kế để đo.

Tiêu chí HTMT (Heterotrait–Monotrait Ratio): Theo Henseler và các cộng sự (2015), HTMT đo lường tỷ lệ giữa tương quan trung bình của các biến quan sát thuộc các khái niệm khác (heterotrait) so với cùng khái niệm (monotrait). Nếu chỉ số HTMT ≤ 0.85 (nghiêm ngặt) hoặc ≤ 0.90 (linh hoạt) thì giá trị phân biệt được xem là đạt sự phù hợp. Ngoài ra, cũng dựa vào Henseler và các cộng sự (2015), mô hình đo lường đạt tính phân biệt theo tiêu chí HTMT inference khi khoảng tin cậy bootstrap 95% của HTMT giữa các cặp khái niệm đều không bao gồm giá trị 1.

Trong nghiên cứu này, tiêu chí HTMT được sử dụng để kiểm tra tính phân biệt của mô hình đo lường vì HTMT được chứng minh có độ nhạy cao hơn so với các tiêu chí truyền thống như Fornell – Larcker và tải chéo (Henseler et al., 2015; Hair et al., 2022). Nghiên cứu áp dụng ngưỡng HTMT ≤ 0.85 phù hợp bối cảnh ứng dụng trong hành vi người dùng, còn ngưỡng 0.90 có thể được cân nhắc trong những trường hợp các khái niệm có mức độ gần nhau nhất định về mặt khái niệm hoặc khó phân biệt về mặt thực nghiệm (Henseler et al., 2015; Hair et al., 2022). Khi một cặp khái niệm có HTMT vượt quá ngưỡng chấp nhận, nghiên cứu tiến hành rà soát ma trận tương quan thực nghiệm giữa các biến quan sát của hai khái niệm để nhận diện các chỉ báo có tương quan chéo bất thường, cân nhắc điều chỉnh nội dung hoặc loại bỏ chỉ báo gây chồng lấn nội dung, và ước lượng lại mô hình để kiểm tra HTMT lần nữa. Nếu các chỉ số HTMT của tất cả các cặp biến độc lập đều nhỏ hơn 0.85 thì kết luận rằng mô hình không có vi phạm tính phân biệt (Henseler et al., 2015). Riêng trường hợp HTMT giữa biến độc lập và biến phụ thuộc ở mức 0.85 – 0.90, thường không cần xử lý vì điều này phản ánh mối quan hệ mạnh, biến độc lập giải thích tốt biến phụ thuộc. Nếu khoảng tin cậy bootstrap HTMT giữa các cặp biến tiềm ẩn không bao gồm giá trị 1, thì các khái niệm có tính phân biệt và mô hình đo lường đạt yêu cầu về tính phân biệt (Henseler et al., 2015; Hair et al., 2022).

3.4.5. Kiểm định, đánh giá mô hình cấu trúc PLS-SEM Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

• Đánh giá hiện tượng đa cộng tuyến

Đa cộng tuyến là hiện tượng xuất hiện khi các biến độc lập trong mô hình có sự liên hệ tuyến tính chặt chẽ, khiến thông tin mà chúng cung cấp bị chồng lấn đáng kể (Hair et al., 2022). Khi đó, các biến này không còn cung cấp nhiều thông tin mới, dẫn đến hệ số hồi quy (hoặc hệ số đường dẫn trong PLS-SEM) có thể bị ước lượng sai lệch, thiếu ổn định và khó khăn trong việc phản ánh chính xác tác động riêng lẻ của từng biến (Hair et al., 2022). Hiện tượng đa cộng tuyến thường được đánh giá thông qua chỉ số phóng đại phương sai (Variance Inflation Factor – VIF). Theo Hair và cộng sự (2019), VIF được đánh giá theo các ngưỡng sau:

• VIF < 3: Có thể chấp nhận được, không có đa cộng tuyến nghiêm trọng.
• 3 ≤ VIF ≤ 5: Cho thấy hiện tượng đa cộng tuyến đã xuất hiện, cần tính đến việc rà soát và điều chỉnh mô hình.
• VIF > 5: Đa cộng tuyến nghiêm trọng, cần loại bớt/gộp biến hoặc tái đặc tả mô hình trước khi ước lượng và diễn giải.

Trong nghiên cứu này, dựa theo Hair và các cộng sự (2019), hiện tượng đa cộng tuyến trong mô hình cấu trúc được xem xét thông qua Inner VIF của các biến dự báo, nếu VIF ≤ 3, các biến độc lập không có hiện tượng đa cộng tuyến. Nếu VIF > 5 sẽ tiến hành xem xét và điều chỉnh mô hình.

• Hệ số đường dẫn và đánh giá các mối quan hệ tác động

Theo Hair và các cộng sự (2022), việc sử dụng bootstrap với 5.000 mẫu lặp để ước lượng sai số chuẩn (SE) và khoảng tin cậy (CI) ổn định hơn trong bối cảnh PLS-SEM không giả định phân phối chuẩn, từ đó kiểm định ý nghĩa thống kê cho các tham số của mô hình đo lường và mô hình cấu trúc. Ở bước này, nghiên cứu sẽ thực hiện bootstrap với 5000 mẫu lặp để bảo đảm độ tin cậy và mức độ ổn định của các kết quả ước lượng. Cũng theo Hair và các cộng sự (2022), với mức ý nghĩa α = 0.05 với kiểm định hai phía, nếu giá trị |t| ≥ 1.96 hay p-value < 0.05 thì hệ số được xem là có ý nghĩa và mối quan hệ giữa 2 biến được coi là có ý nghĩa thống kê. Trong nghiên cứu này, nếu giá trị p < 0.05 thì kết luận đường dẫn có ý nghĩa thống kê.

Hệ số đường dẫn (Path Coefficient – b) dùng để thể hiện mức độ và chiều tác động của một mối quan hệ có hướng giữa 2 biến tiềm ẩn trong mô hình cấu trúc. Thay đổi 1 đơn vị ở biến ngoại sinh kéo theo mức thay đổi ở biến nội sinh bằng đúng giá trị hệ số đường dẫn, giữ các yếu tố khác không đổi (Hair et al., 2022). Hệ số này nhận giá trị trong khoảng từ -1 đến +1, hệ số b âm biểu hiện quan hệ ngược chiều, trong đó dấu trừ cho thấy tác động ngược chiều, còn dấu dương thể hiện tác động cùng chiều giữa các biến. Thông qua dấu và độ lớn của β, nghiên cứu có thể nhận diện được chiều ảnh hưởng và mức độ ảnh hưởng giữa những biến tiềm ẩn trong mô hình cấu trúc (Hair et al., 2022).

• Kiểm định mức độ trung gian (VAF) Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Chỉ số Variance Accounted For (VAF) để đánh giá mức độ tác động được truyền dẫn thông qua biến trung gian. VAF phản ánh tỷ trọng của tác động gián tiếp trong tổng tác động của biến độc lập lên biến phụ thuộc, qua đó hỗ trợ xác định mức độ tham gia của biến trung gian trong mối quan hệ giữa các biến nghiên cứu (Hair et al., 2014). Theo Hair và cộng sự (2014), mức độ trung gian có thể được xem xét dựa trên giá trị VAF như sau:

• VAF < 20%: Không có tác động trung gian
• 20% ≤ VAF ≤ 80%: Trung gian một phần
• VAF > 80%: Trung gian hoàn toàn

Phân tích hệ số xác định R²

Trong mô hình cấu trúc PLS-SEM, hệ số xác định R² được sử dụng để cho biết tỷ lệ phương sai của biến nội sinh được các biến ngoại sinh trong mô hình giải thích (Hair et al., 2022). Nói cách khác, R² phản ánh mức độ mà các biến độc lập có thể dự đoán và giải thích sự thay đổi của biến phụ thuộc. Đây là một chỉ số quan trọng, PLS-SEM tập trung vào việc tối đa hóa khả năng giải thích phương sai của các biến nội sinh, từ đó đánh giá hiệu quả của mô hình cấu trúc (Hair et al., 2022). Giá trị R² càng cao thì khả năng giải thích của mô hình càng tốt, cho thấy sự phù hợp giữa các biến độc lập và biến phụ thuộc trong bối cảnh nghiên cứu. Tuy nhiên nếu R² ≥ 0.9 có thể xuất hiện hiện tượng đa cộng tuyến nên cần phải xem xét lại mô hình. Theo Hair và cộng sự (2022), các ngưỡng đánh giá của R² như sau:

• R² < 25: Mức giải thích rất thấp
• 25 ≤ R² < 0.5: Mức giải thích thấp
• 5 ≤ R² < 0.75: Mức giải thích trung bình
• R² ≥ 75: Mức giải thích cao

Trong khuôn khổ bài nghiên cứu này, giá trị của hệ số xác định R² hiệu chỉnh được sử dụng để xem xét khả năng giải thích của các nhân tố độc lập đối với biến phụ thuộc là ý định sử dụng OneDrive của thế hệ Z. Nếu giá trị R² hiệu chỉnh lớn hơn 0.5, mô hình thể hiện khả năng giải thích tương đối tốt và có thể được dùng để kiểm định các giả thuyết nghiên cứu.

• Hệ số tác động f² (effect size) Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

Hệ số tác động f² (effect size) trong PLS-SEM đo lường mức đóng góp thực chất của từng biến độc lập vào khả năng giải thích phương sai của biến phụ thuộc (Hair et al., 2017). Về bản chất, f² phản ánh mức thay đổi của R² khi loại bỏ biến độc lập đang xét khỏi mô hình, nhờ đó cho biết biến đó quan trọng đến đâu đối với biến phụ thuộc. Nghiên cứu này dựa vào 4 mức độ đánh giá hệ số tác động f² của Cohen (2013) để đo lường mức độ tác động của mỗi biến độc lập đối với biến phụ thuộc và được phân loại theo 4 mức độ ảnh hưởng như sau:

• f² < 02: Mức ảnh hưởng được xem là không đáng kể
• 02 ≤ f² < 0.15: Mức ảnh hưởng nhỏ
• 15 ≤ f² < 0.35: Mức ảnh hưởng đạt mức trung bình
• f² ≥ 35: Ảnh hưởng ở mức lớn.

Đánh giá khả năng dự báo ngoài mẫu bằng PLSpredict và CVPAT

Trong mô hình PLS-SEM, bên cạnh việc đánh giá khả năng giải thích thông qua hệ số R², khả năng dự báo ngoài mẫu cũng được xem xét nhằm xác định mức độ mô hình có thể dự báo các quan sát mới không được sử dụng trong quá trình ước lượng (Hair et al., 2022). Theo Hair và cộng sự (2022), phương pháp PLSpredict được sử dụng để đánh giá khả năng dự báo ngoài mẫu của mô hình PLS-SEM thông qua kỹ thuật kiểm định chéo k-fold. PLSpredict cung cấp kết quả dự báo ở cả cấp độ biến tiềm ẩn (Latent Variable – LV) và cấp độ biến quan sát (Manifest Variable – MV) (Hair et al., 2022).

Chỉ số Q² predict được sử dụng để xem xét khả năng dự báo của mô hình bằng cách so sánh sai số dự báo của PLS-SEM với mô hình chuẩn sử dụng giá trị trung bình của mẫu huấn luyện để dự báo các quan sát trong mẫu kiểm định (Hair et al., 2022). Khi Q² predict có giá trị lớn hơn 0, sai số dự báo của mô hình PLS-SEM thấp hơn sai số của mô hình chuẩn, qua đó cho thấy mô hình có khả năng dự báo ngoài mẫu đối với biến được xem xét. (Hair et al., 2022). Giá trị Q² predict được Hair và cộng sự (2022) đánh giá như sau: Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

• Q² predict > 0: Mô hình có khả năng dự báo ngoài mẫu.
• Q² predict ≤ 0: Mô hình không có khả năng dự báo ngoài mẫu tốt hơn mô hình chuẩn.

Ở cấp độ biến quan sát (Manifest Variable – MV), khả năng dự báo ngoài mẫu trước hết được xem xét thông qua giá trị Q² predict của từng biến quan sát. Theo Hair và cộng sự (2022), Q² predict lớn hơn 0 cho thấy biến quan sát có khả năng dự báo. Sau đó, khả năng dự báo được đánh giá sâu hơn bằng cách so sánh sai số dự báo RMSE của PLS-SEM với mô hình tuyến tính chuẩn (Linear Model – LM). Khi RMSE của PLS-SEM thấp hơn RMSE của LM, mô hình PLS-SEM thể hiện khả năng dự báo tốt hơn LM đối với biến quan sát tương ứng. Hair và cộng sự (2022) đánh giá như sau:

• PLS-SEM RMSE < LM RMSE: PLS-SEM có khả năng dự báo tốt hơn LM đối với biến quan sát.
• PLS-SEM RMSE ≥ LM RMSE: PLS-SEM không có khả năng dự báo tốt hơn LM đối với biến quan sát.

Kiểm định Cross-Validated Predictive Ability Test (CVPAT) được sử dụng để kiểm định khả năng dự báo ngoài mẫu của mô hình PLS-SEM (Liengaard et al., 2021). Giá trị mất mát trung bình của PLS-SEM được so sánh với giá trị mất mát của mô hình chuẩn Indicator Average (Sharma et al., 2023). Khi PLS loss thấp hơn IA loss, chênh lệch Average loss mang giá trị âm và đạt ý nghĩa thống kê với p-value < 0.05, mô hình PLS-SEM được xem là có khả năng dự báo ngoài mẫu tốt hơn mô hình chuẩn IA (Sharma et al., 2023). Theo Sharma và cộng sự (2023), khả năng dự báo ngoài mẫu của mô hình được đánh giá như sau:

• PLS loss < IA loss: Mô hình PLS-SEM có khả năng dự báo ngoài mẫu tốt hơn mô hình chuẩn IA.
• PLS loss > IA loss: Mô hình PLS-SEM có khả năng dự báo ngoài mẫu kém hơn mô hình chuẩn IA.

Tóm tắt Chương 3

Trong chương 3, tác giả trình bày về các bước cụ thể của quy trình nghiên cứu. Dữ liệu của nghiên cứu được thu thập bằng phương pháp lấy mẫu thuận tiện thông qua khảo sát đối tượng là thế hệ Z ở thành phố Hồ Chí Minh đang có ý định sử dụng đám mây OneDrive làm nền tảng lưu trữ. Phương pháp nghiên cứu định tính bằng thảo luận nhóm được thực hiện để hoàn thiện thang đo sử dụng trong bài nghiên cứu. Sau đó, tác giả trình bày kích thước mẫu cần thiết để thu thập số lượng phiếu khảo sát nhằm thực hiện nghiên cứu một cách tốt nhất, số liệu thu thập sẽ được xử lý và sử dụng phần mềm SPSS 20.0 và SmartPLS 4 để thực hiện nghiên cứu định lượng. Ở phần phương pháp phân tích số liệu, nghiên cứu tiến hành kiểm định, đánh giá mô hình đo lường và phân tích mô hình cấu trúc bình phương nhỏ nhất từng phần PLS-SEM. Luận văn: PPNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC đến sử dụng dịch vụ lưu trữ đám mây Onedrive

Dịch Vụ Viết Luận Văn 24/7 Chuyên cung cấp dịch vụ làm luận văn thạc sĩ, báo cáo tốt nghiệp, khóa luận tốt nghiệp, chuyên đề tốt nghiệp và Làm Tiểu Luận Môn luôn luôn uy tín hàng đầu. Dịch Vụ Viết Luận Văn 24/7 luôn đặt lợi ích của các bạn học viên là ưu tiên hàng đầu. Rất mong được hỗ trợ các bạn học viên khi làm bài tốt nghiệp. Hãy liên hệ ngay Dịch Vụ Viết Luận Văn qua Website:  https://hotrovietluanvan.com/ – Hoặc Gmail: hotrovietluanvan24@gmail.com