Mục lục
Chia sẻ chuyên mục Đề Tài Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo 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: Ảnh hưởng của cảm nhận cá nhân hóa trong quảng cáo tạo ra bởi trí tuệ nhân tạo đến ý định mua hàng của người tiêu dùng: vai trò trung gian của niềm tin và cảm nhận tính hữu ích 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
Nghiên cứu này có sử dụng kết hợp cả hai phương pháp nghiên cứu là phương pháp nghiên cứu định tính và phương pháp nghiên cứu định lượng. Tác giả sẽ sẽ điều chỉnh và hoàn thiện thang đo nghiên cứu , cùng với đó xây dựng bảng câu hỏi nghiên cứu và tiến hành khảo sát các đối tượng tham gia nghiên cứu thông qua phương pháp nghiên cứu định tính.
- Quy trình nghiên cứu sẽ được triển khai theo các giai đoạn chính sau:
Bước 1: Xác lập vấn đề nghiên cứu cùng các mục tiêu cần nghiên cứu.
Bước 2: Tìm hiểu các khái niệm quan trọng cốt lõi, cơ sở lý thuyết và tổng quan các công trình, các tài liệu nghiên cứu trước đây liên quan đến đề tài nghiên cứu. Sau đó, xây dựng mô hình nghiên cứu bằng cách lựa chọn các yếu tố phù hợp nhất, dựa trên việc phân tích các lý thuyết liên quan cũng như tham chiếu các tài liệu nghiên cứu trong và ngoài nước trước đây có mối liên quan với chủ đề nghiên cứu.
Bước 3: Phương pháp nghiên cứu và tiến hành xử lý, phân tích dữ liệu. Xây dựng thang đo sơ bộ.
Thực hiện nghiên cứu định tính để đánh giá thang đo sơ bộ, từ đó điều chỉnh và hoàn thiện thang đo phù hợp với nội dung nghiên cứu.
Đưa ra bảng thang đo chính thức sau khi đã hiệu chỉnh thang đo sơ bộ để triển khai khảo sát thực tế đối với nhóm người tiêu dùng, nhằm tìm hiểu mức độ tác động của cá nhân hóa cảm nhận trong quảng cáo do trí tuệ nhân tạo tạo ra đối với ý định mua sắm.
Kích cỡ mẫu được tính toán dựa trên các công thức thống kê chuyên môn từ các nghiên cứu uy tín trước đó để đảm bảo kích thước mẫu phù hợp và có độ tin cậy.
Bảng câu hỏi hoàn chỉnh sẽ được gửi đến các đối tượng mục tiêu nghiên cứu. Dữ liệu thu thập được xử lý và phân tích bằng phần mềm SPSS 20.0 cùng SmartPLS 3.
Tiến hành nghiên cứu định lượng thông qua phương pháp phân tích dữ liệu: thống kê mô tả, kiểm định độ tin cậy Cronbach’s Alpha, đánh giá mô hình đo lường, và phân tích mô hình cấu trúc bình phương nhỏ nhất từng phần PLS-SEM.
Bước 4: Trình bày kết quả phân tích dữ liệu và thảo luận các phát hiện nghiên cứu.
Bước 5: Tổng kết nghiên cứu và đưa ra các hàm ý quản trị thực tiễn cho chủ đề.
3.2. Phương pháp thu thập dữ liệu Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
3.2.1. Thu thập dữ liệu thứ cấp
Trong giai đoạn ban đầu của bài nghiên cứu, việc thu thập dữ liệu thứ cấp giúp xây dựng cơ sở lý luận, xác định các biến nghiên cứu và đề xuất đưa ra mô hình nghiên cứu phù hợp. Dữ liệu thứ cấp là các công trình nghiên cứu, tài liệu học thuật và mô hình lý thuyết có liên quan đến quảng cáo mang tính cảm nhận cá nhân hóa do trí tuệ nhân tạo tạo ra. Nghiên cứu phát triển dựa trên các mô hình lý thuyết chính bao gồm: mô hình lý thuyết chấp nhận công nghệ TAM, lý thuyết hành vi có kế hoạch TPB, mô hình lý thuyết hợp nhất về chấp nhận và sử dụng công nghệ UTAUT2. Bài nghiên cứu cũng đã lược khảo 8 bài công trình nghiên cứu trước đây có liên quan đến mức độ , sự ảnh hưởng của cảm nhận cá nhân hóa trong quảng cáo do trí tuệ nhân tạo tạo ra đến ý định mua sắm của khách hàng, mục tiêu là để tổng hợp và so sánh mức độ ảnh hưởng đã được kiểm chứng từ các bài nghiên cứu trước đó, từ đó thảo luận về khoảng trống nghiên cứu từ các kết quả của các bài nghiên cứu trước đây cũng như bối cảnh nghiên cứu hiện tại. Từ đó, tác giả đưa ra các giả thuyết và đề xuất mô hình nghiên cứu cùng với đó là xây dựng bảng thang đo sơ bộ.
3.2.2. Thu thập dữ liệu sơ cấp
Nhằm tiết kiệm thời gian và chi phí, tăng độ bao phủ mẫu, nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện. Thu thập dữ liệu sơ cấp bằng cách sử dụng biểu mẫu bảng câu hỏi.
3.3. Nghiên cứu định tính
Trong giai đoạn nghiên cứu sơ bộ, tác giả ứng dụng phương pháp định tính để điều chỉnh và hoàn thiện bộ thang đo kế thừa từ các nghiên cứu trước. Nghiên cứu định tính giúp hiệu chỉnh, bổ sung, chắt lọc hoặc lược bớt các biến quan sát nhằm đảm bảo chúng phù hợp với bối cảnh nghiên cứu. Kết quả của bước này là cơ sở xây dựng thang đo chính thức và bảng câu hỏi cho giai đoạn tiếp theo. Quy trình nghiên cứu định tính gồm ba bước: Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- Bước 1: Xây dựng thang đo nháp (thang đo sơ bộ)
- Bước 2: Tiến hành thảo luận nhóm và tham khảo ý kiến chuyên gia để điều chỉnh thang đo phù hợp với chủ đề nghiên cứu
- Bước 3: Hoàn thiện thang đo chính thức
3.3.1. Thiết kế bảng hỏi và xây dựng thang đo
Bảng câu hỏi bao gồm 3 phần:
Phần 1: Câu hỏi sàng lọc các đối tượng khảo sát là những cá nhân đang sống tại thành phố Hồ Chí Minh có từng tiếp xúc, đang quan tâm hoặc có dự định mua sắm dựa trên quảng cáo cá nhân hóa được AI tạo ra.
Phần 2: Thông tin cá nhân (nhân khẩu học) của đối tượng được khảo sát
Phần 3: Bao gồm các câu hỏi nghiên cứu phản ánh những yếu tố ảnh hưởng đến cảm nhận cá nhân hóa và ý định mua hàng của người tiêu dùng đối với quảng cáo AI.
Ở phần này, thang đo Likert 5 mức được sử dụng để đo lường mức độ đồng ý của người trả lời, từ “1 – Hoàn toàn không đồng ý” đến “5 – Hoàn toàn đồng ý”. Thang đo 5 mức giúp người tham gia dễ lựa chọn, đảm bảo tính rõ ràng và có sự quen thuộc cho đối tượng được khảo sát (Likert, 1932; Sullivan & Artino, 2013). Bên cạnh đó, thang 5 mức cũng giúp người được khảo sát dễ dàng trả lời hơn, tăng khả năng hoàn thành khảo sát (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). Do đó, nghiên cứu áp dụng thang Likert 5 mức nhằm đo lường thái độ và ý định của người tiêu dùng đối với quảng cáo do AI tạo ra để tăng tính phù hợp và hiệu quả trong nghiên cứu.
3.3.2. Thang đo nghiên cứu
- Bảng 3.1: Thang đo nghiên cứu
3.4. Phương pháp nghiên cứu định lượng Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
3.4.1. Phương pháp chọn mẫu nghiên cứu
Theo Hair và cộng sự (1998), khi thực hiện phân tích nhân tố khám phá và hồi quy đa biến, kích thước mẫu tối thiểu cần được xác định dựa trên số lượng biến quan sát trong mô hình. Cụ thể, số mẫu nên đạt ít nhất gấp năm lần số biến quan sát, được xác định theo công thức n = m*5 (m là số biến quan sát). Trong nghiên cứu này, mô hình bao gồm 17 biến quan sát, do đó cần phải có kích thước mẫu lớn hơn hoặc bằng 85.
Bên cạnh đó, Barclay và cộng sự (1995) đề xuất quy tắc “10 lần” khi áp dụng phương pháp PLS-SEM để xác định kích thước mẫu phù hợp. Theo quy tắc này, cỡ mẫu tối thiểu phải bằng hoặc lớn hơn mười lần giá trị lớn nhất giữa số chỉ báo của một biến tiềm ẩn (a) và số đường dẫn tác động vào một biến phụ thuộc (b), được biểu diễn bằng công thức n ≥ 10*max(a,b). Trong mô hình nghiên cứu này, biến phụ thuộc “Ý định mua sắm” chịu ảnh hưởng trực tiếp từ ba biến gồm Cảm nhận cá nhân hóa, Niềm tin và Cảm nhận tính hữu ích. Đồng thời, biến Niềm tin cũng chịu tác động từ hai biến là Cảm nhận cá nhân hóa và Cảm nhận tính hữu ích. Dựa trên nguyên tắc này, kích thước mẫu tối thiểu được xác định là 30 quan sát.
Theo tác giả Kline (2023), việc xác định cỡ mẫu trong mô hình phương trình cấu trúc (SEM) phụ thuộc vào nhiều yếu tố như mức độ phức tạp của mô hình, số lượng tham số cần ước lượng, phương pháp ước lượng được sử dụng cũng như đặc điểm phân phối của dữ liệu. Tác giả cho rằng các nghiên cứu sử dụng SEM với kích thước mẫu dưới 100 thường khó đảm bảo độ tin cậy của kết quả, trong khi kích thước mẫu khoảng 200 được xem là mức tiêu chuẩn được khuyến nghị trong nhiều nghiên cứu.
Ngoài ra, Hoelter (1983) đề xuất sử dụng chỉ số Critical N nhằm xác định cỡ mẫu tối thiểu cần thiết để mô hình SEM đạt được mức độ phù hợp chấp nhận được ở mức p < 0.05. Theo tác giả, khi giá trị Critical N (kích thước mẫu) đạt từ 200 trở lên, mô hình có thể được xem là đạt mức độ phù hợp tương đối tốt. Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
Dựa trên các cơ sở lý thuyết và khuyến nghị nêu trên, nghiên cứu này lựa chọn kích thước mẫu lớn hơn 200 nhằm đảm bảo độ tin cậy cho các phân tích thống kê. Đồng thời, để hạn chế sai số và nâng cao tính đại diện của dữ liệu, tác giả dự kiến thu thập thêm khoảng 25–30% số mẫu so với mức tối thiểu yêu cầu. Vì vậy, mục tiêu của nghiên cứu là thu được ít nhất 250 bảng khảo sát hợp lệ phục vụ cho quá trình phân tích dữ liệu. Khi số lượng bảng trả lời hợp lệ đạt tối thiểu 250 từ các đối tượng khảo sát, quá trình thu thập dữ liệu sẽ được dừng lại và nghiên cứu sẽ chuyển sang giai đoạn xử lý và phân tích dữ liệu.
3.4.2. Thống kê mô tả
Thống kê mô tả được dùng để tổng hợp tần suất và tỷ lệ của các đặc điểm nhân khẩu học của người khảo sát. Phân tích này giúp tác giả nhận diện được bức tranh tổng quan về đối tượng nghiên cứu và xác định xu hướng hành vi chung của các đối tượng được khảo sát.
3.4.3. Kiểm định, đánh giá mô hình đo lường
- Kiểm định độ tin cậy Cronback’s Alpha
Hệ số Cronbach’s Alpha là một chỉ số thống kê phổ biến được sử dụng để đánh giá độ tin cậy của thang đo. Trong nghiên cứu này, các thang đo không đạt mức độ tin cậy Cronbach’s Alpha chấp nhận được sẽ bị loại bỏ khỏi mô hình phân tích.
Việc kiểm định độ tin cậy bằng Cronbach’s Alpha nhằm đánh giá mức độ tương quan giữa các biến quan sát với biến tổng thể của thang đo, từ đó xác định tính nhất quán, độ tin cậy của thang đo đó (Hair et al., 2014). Tuy nhiên, theo Hair et al. (2022), Cronbach’s Alpha giả định rằng tất cả các biến quan sát có trọng số đóng góp như nhau vào khái niệm đo lường, do đó trong một số trường hợp nên bổ sung thêm chỉ số độ tin cậy tổng hợp (Composite Reliability – CR) để có đánh giá toàn diện và chính xác hơn.
- Tiêu chí đánh giá cụ thể như sau:
Hệ số tương quan biến – tổng của mỗi biến quan sát ≥ 0.3 được xem là đạt yêu cầu (Nunnally & Bernstein, 1994).
Hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được (Nunally & Bernstein, 1994). Giá trị Cronbach’s Alpha của thang đo: Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- 6 ≤ CA ≤ 0.7: Có thể sử dụng được
- 7 ≤ CA ≤ 0.8: Khá tốt
- 8 ≤ CA ≤ 0.9: Rất tốt
Dựa trên các thông số trên, tác giả sử dụng phần mềm SPSS phiên bản 20.0 để kiểm định thang đo. Chỉ những thang đo có hệ số Cronbach’s Alpha ≥ 0.6 mới được giữ lại để tiến hành các phân tích tiếp theo trong mô hình đo lường.
- Đánh giá chất lượng biến quan sát (Indicator Reliability)
Việc đánh giá độ tin cậy của các biến quan sát được xem là bước đầu tiên trong quá trình kiểm định giá trị hội tụ và giá trị phân biệt của thang đo, qua đó đảm bảo tính phù hợp của mô hình đo lường trong phương pháp PLS-SEM. Các biến quan sát đóng vai trò là những chỉ báo cụ thể phản ánh các khái niệm tiềm ẩn trong mô hình nghiên cứu. Mức độ tin cậy của biến quan sát thể hiện khả năng của biến đó trong việc phản ánh một cách ổn định và chính xác khái niệm tiềm ẩn mà nó được thiết kế để đo lường (Hair et al., 2017).
Hệ số tải ngoài (Outer Loading) cho biết mức độ mối quan hệ tuyến tính giữa một biến quan sát và biến tiềm ẩn tương ứng. Hệ số tải ngoài càng cao thì biến quan sát càng phản ánh tốt nội dung của khái niệm tiềm ẩn, đồng thời giúp giảm thiểu sai số đo lường trong mô hình (Hair et al., 2022). Các tiêu chí đánh giá được áp dụng như sau:
- Outer Loading ≥ 70: Đạt yêu cầu, thể hiện độ tin cậy cao.
- 50 ≤ Outer Loading < 0.70: Có thể 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 ≥ 0.95: Có khả năng xảy ra hiện tượng các biến quan sát tương đồng với nhau, điều này làm giảm tính đa dạng của phép đo lường (Hair et , 2017).
Trong nghiên cứu này, ngưỡng Outer Loading ≥ 0.70 được sử dụng làm tiêu chí chính để chấp nhận biến quan sát. Các biến có hệ số tải ngoài thấp hơn mức này sẽ được cân nhắc loại bỏ nhằm nâng cao chất lượng tổng thể và độ tin cậy của thang đo trong mô hình PLS-SEM. Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- Đánh giá thang đo bằng hệ số tin cậy tổng hợp (Composite Reliability)
Hệ số tin cậy tổng hợp (Composite Reliability – CR) là một chỉ số quan trọng trong việc đánh giá chất lượng, độ tin cậy của thang đo trong mô hình SEM. Chỉ số này phản ánh mức độ gắn kết và tính ổn định của tập hợp các biến quan sát khi cùng đo lường một biến tiềm ẩn (Hair et al., 2017).
So với Cronbach’s Alpha, CR có ưu điểm vượt trội là không giả định rằng tất cả các biến quan sát có trọng số đóng góp như nhau vào khái niệm đo lường. Thay vào đó, CR tính toán độ tin cậy dựa trên trọng số thực tế của từng biến, do đó được xem là thước đo chính xác và phù hợp hơn khi đánh giá độ tin cậy của thang đo trong PLS-SEM (Hair et al., 2017, 2022).
Các ngưỡng đánh giá hệ số tin cậy tổng hợp thường được áp dụng như sau (Hair et al., 2017, 2022):
- CR ≥ 0.70: Đạt yêu cầu, thể hiện thang đo có độ tin cậy tốt và được khuyến nghị sử dụng trong hầu hết các nghiên cứu.
- 60 ≤ CR < 0.70: Có thể chấp nhận trong các nghiên cứu mang tính khám phá hoặc ở giai đoạn phát triển thang đo ban đầu.
- CR ≥ 0.95: Không mong muốn, vì có thể chỉ ra sự dư thừa quá mức giữa các biến quan sát, làm giảm tính đa dạng và khả năng khái quát của thang đo.
Trong nghiên cứu này, hệ số CR được sử dụng làm tiêu chí chính để đánh giá mức độ nhất quán nội tại của thang đo. Các thang đo đạt CR ≥ 0.70 sẽ được coi là đáp ứng yêu cầu về độ tin cậy. Đối với những thang đo có CR thấp hơn 0.70, tác giả sẽ tiến hành xem xét và điều chỉnh (loại bỏ hoặc giữ lại có điều kiện các biến quan sát) nhằm nâng cao chất lượng đo lường và đảm bảo tính vững chắc của mô hình PLS-SEM. Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- Đánh giá tính hội tụ (Convergent Validity)
Tính hội tụ thể hiện mức độ mà các biến quan sát của cùng một biến tiềm ẩn thực sự cùng đo lường một khái niệm chung, tức là chúng “hội tụ” về một nội dung đo lường (Hair et al., 2017). Một thang đo đạt yêu cầu về tính hội tụ khi các biến quan sát có mối liên hệ chặt chẽ và nhất quán với biến tiềm ẩn mà chúng được thiết kế để đại diện.
Chỉ số 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 ≥ 0.50: Biến tiềm ẩn giải thích được ít nhất 50% phương sai trung bình của các biến quan sát, chứng tỏ thang đo đạt giá trị hội tụ tốt và được chấp nhận.
- AVE < 0.50 nhưng CR ≥ 0.60 – 0.70: nghĩa là thang đo vẫn có độ tin cậy chấp nhận được (Fornell & Larcker, 1981).
Trong nghiên cứu này, AVE được sử dụng làm tiêu chí chính để kiểm định giá trị hội tụ của các thang đo. 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 thể hiện mức độ mà một biến tiềm ẩn trong mô hình thực sự khác biệt so với các biến tiềm ẩn khác, đảm bảo rằng các biến quan sát chỉ phản ánh đúng khái niệm mà chúng được thiết kế để đo lường và không bị chồng lấn đáng kể với các khái niệm khác (Hair et al., 2017). Việc xác lập giá trị phân biệt là điều kiện cần thiết để tránh hiện tượng các cấu trúc đo lường trở nên mơ hồ, từ đó giảm thiểu nguy cơ đưa ra các kết luận sai lệch trong phân tích mối quan hệ cấu trúc (Fornell & Larcker, 1981). Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- Hiện nay có ba phương pháp phổ biến để đánh giá giá trị phân biệt:
Tiêu chí Fornell–Larcker được Fornell và Larcker đề xuất (1981): Yêu cầu căn bậc hai của phương sai trích trung bình AVE của mỗi biến tiềm ẩn phải lớn hơn hệ số tương quan giữa biến tiềm ẩn đó với bất kỳ biến tiềm ẩn nào khác trong mô hình. Điều này chứng tỏ biến tiềm ẩn giải thích tốt hơn phương sai của chính các biến quan sát thuộc về nó so với các biến tiềm ẩn khác.
Phương pháp tải chéo (Cross-loadings): Theo Chin (1998), hệ số tải ngoài của một biến quan sát lên biến tiềm ẩn mục tiêu phải cao hơn đáng kể so với hệ số tải của biến đó lên tất cả các biến tiềm ẩn còn lại, điều này khẳng định rằng biến quan sát đó đảm bảo giá trị phân biệt, và mỗi biến quan sát đo lường đúng khái niệm mà nó được xây dựng thiết kế để đo.
Tiêu chí HTMT (Heterotrait–Monotrait Ratio): Được Henseler và các cộng sự (2015) đề xuất, HTMT là tỷ lệ giữa tương quan trung bình của các cặp biến quan sát thuộc hai khái niệm khác nhau (heterotrait) so với tương quan trung bình của các cặp biến quan sát thuộc cùng một khái niệm (monotrait). Giá trị HTMT ≤ 0.85 (ngưỡng nghiêm ngặt) hoặc ≤ 0.90 (ngưỡng linh hoạt) được coi là đạt yêu cầu về giá trị phân biệt.
Trong nghiên cứu này, tiêu chí HTMT được lựa chọn làm phương pháp chính để kiểm tra tính phân biệt của mô hình đo lường vì nó có độ nhạy và độ đặc hiệu cao hơn so với tiêu chí Fornell–Larcker và phương pháp tải chéo (Henseler et al., 2015; Hair et al., 2017, 2022). Ngưỡng chấp nhận được áp dụng là HTMT ≤ 0.85 phù hợp bối cảnh ứng dụng trong hành vi người dùng. Các giá trị nằm trong khoảng 0.85–0.90 sẽ được xem là vùng cận ngưỡng và cần đánh giá bổ sung trước khi đưa ra kết luận.
Quy trình xử lý khi phát hiện vi phạm HTMT được thực hiện như sau: Rà soát ma trận tương quan giữa các biến quan sát của hai khái niệm có HTMT vượt ngưỡng. Xác định và cân nhắc loại bỏ hoặc chỉnh sửa nội dung các biến quan sát có hiện tượng tương quan chéo bất thường. Ước lượng lại mô hình và kiểm tra lại chỉ số HTMT sau mỗi lần điều chỉnh.
Kết quả được đánh giá là đạt giá trị phân biệt khi tất cả các cặp biến độc lập đều có HTMT < 0.85. Riêng đối với các cặp giữa biến độc lập và biến phụ thuộc, giá trị HTMT trong khoảng 0.85–0.90 được chấp nhận mà không cần can thiệp thêm, vì điều này phản ánh mối quan hệ dự báo mạnh và phù hợp với mục tiêu nghiên cứu.
3.4.4. Phân tích mô hình cấu trúc PLS SEM Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
- Đánh giá hiện tượng đa cộng tuyến
Hiện tượng đa cộng tuyến xảy ra khi các biến độc lập trong mô hình có mức độ tương quan quá cao với nhau (Hair et al., 2017), dẫn đến việc các biến này chia se phần lớn thông tin chung và không còn cung cấp giá trị gia tăng độc lập, không còn cung cấp nhiều thông tin mới. Hậu quả là hệ số đường dẫn trong PLS-SEM (hệ số hồi quy) có thể bị ước lượng không đúng, sai lệch, đồng thời làm giảm độ tin cậy khi diễn giải mức độ ảnh hưởng riêng le của từng biến (Hair et al., 2017).
Để kiểm tra hiện tượng đa cộng tuyến, nghiên cứu sử dụng chỉ số hệ số lạm phát phương sai (Variance Inflation Factor – VIF). Theo Hair (2017) và Kutner (2005), ngưỡng đánh giá VIF được áp dụng như sau:
- VIF < 5: Không tồn tại vấn đề đa cộng tuyến nghiêm trọng, mô hình được coi là chấp nhận được.
- 5 ≤ VIF < 10: Xuất hiện dấu hiệu đa cộng tuyến, vì vậy cần xem xét kỹ và có thể thực hiện các biện pháp khắc phục.
- VIF ≥ 10: Đa cộng tuyến nghiêm trọng, cần can thiệp bắt buộc (loại bỏ biến, gộp biến, hoặc tái đặc tả mô hình) trước khi tiến hành diễn giải kết quả.
Trong nghiên cứu này, ngưỡng VIF < 5 được sử dụng làm tiêu chí chính để xác nhận không có vấn đề đa cộng tuyến giữa các biến độc lập. Đối với các trường hợp VIF ≥ 5, tác giả sẽ tiến hành rà soát lại ma trận tương quan giữa các biến độc lập, xem xét khả năng loại bỏ hoặc kết hợp các biến có mức tương quan cao, sau đó ước lượng lại mô hình để đảm bảo tính ổn định và độ tin cậy của các hệ số đường dẫn trong giai đoạn phân tích tiếp theo.
- Hệ số đường dẫn và đánh giá các mối quan hệ tác động Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
Trong phương pháp PLS-SEM, do không có giả định về phân phối chuẩn của dữ liệu, việc kiểm định ý nghĩa thống kê của các tham số mô hình được thực hiện thông qua kỹ thuật bootstrapping (Hair et al., 2017).
Theo Hair và các cộng sự (2017), nghiên cứu sử dụng bootstrapping với 5.000 mẫu lặp để đảm bảo độ chính xác và ổn định cao nhất của các ước lượng: ước lượng sai số chuẩn (SE) vfa khoảng tin cậy (CI). Với mức ý nghĩa thống kê α = 0.05 và kiểm định hai phía, hệ số được xem là có ý nghĩa và mối quan hệ giữa 2 biến được coi là có ý nghĩa thống kê khi giá trị |t| ≥ 1.96 hay p-value < 0.05 . Khi đó, mối quan hệ tương ứng được kết luận là có ý nghĩa thống kê.
Trong nghiên cứu này, các hệ số đường dẫn đạt ý nghĩa thống kê (p < 0.05) và có giá trị β phù hợp với hướng dự báo lý thuyết sẽ được sử dụng làm cơ sở để chấp nhận các giả thuyết nghiên cứu tương ứng, đồng thời đánh giá mức độ ảnh hưởng trực tiếp của các biến tiềm ẩn ngoại sinh lên biến tiềm ẩn nội sinh trong mô hình cấu trúc PLS-SEM.
Hệ số đường dẫn (Path Coefficient – b) thể hiện mức độ và chiều tác động của 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., 2017). Giá trị của hệ số đường dẫn dao động từ -1 đến +1, giá trị âm thể hiện mối quan hệ ngược chiều, giá trị dương thể hiện mối quan hệ cùng chiều. Căn cứ vào hệ số đường dẫn b, nghiên cứu có thể biết được mức độ tác động giữa các biến tiềm ẩn trong mô hình cấu trúc.
- Phân tích hệ số xác đinh R2
Trong mô hình cấu trúc PLS-SEM, hệ số xác định R² thể hiện tỷ lệ phương sai của biến nội sinh được giải thích từ các biến ngoại sinh (Hair et al., 2022). Đây là chỉ số cốt lõi phản ánh khả năng giải thích, đánh giá hiệu quả của mô hình cấu trúc, phù hợp với mục tiêu chính của PLS-SEM là tối đa hóa phương sai được giải thích của các biến nội sinh (Hair et al., 2022).
Theo Hair và cộng sự (2022), Giá trị R² càng cao thì mức độ giải thích của mô hình cấu trúc càng lớn. Mức độ đánh giá R² có thể được tham chiếu như sau trong các nghiên cứu hành vi người tiêu dùng:
- R² ≥ 75: Mức giải thích rất cao
- 50 ≤ R² < 0.75: Mức giải thích cao
- 25 ≤ R² < 0.50: Mức giải thích trung bình
- R² < 25: Mức giải thích thấp
Trong nghiên cứu này, hệ số R² được sử dụng để đánh giá khả năng giải thích của các nhân tố độc lập đối với biến phụ thuộc chính là “Ý định mua sắm của người tiêu dùng thông qua quảng cáo mang tính cảm nhận cá nhân hóa do trí tuệ nhân tạo tạo ra”. Nếu giá trị R2 lớn hơn 0.05, mô hình thể hiện khả năng giải thích khá tốt và có thể dùng để kiểm định các giả thuyết nghiên cứu.
- Hệ số tác động f2 (effect size) Luận văn: PPNC Đến cảm nhận cá nhân hóa trong quảng cáo.
Hệ số tác động f2 (effect size) nhằm mục đích đo lường sự đống góp của từng biến độc lập đến khả năng giải thích phương sai của biến phụ thuộc trong PLS-SEM (Hair et al, 2017). Về bản chất, f² đo lường mức độ thay đổi của hệ số xác định R² khi biến độc lập được xét bị loại bỏ khỏi mô hình, qua đó phản ánh mức đóng góp thực chất của biến đó vào khả năng giải thích phương sai của biến phụ thuộc.
Theo nghiên cứu của Cohen (2013) dựa vào 4 mức độ đánh giá hệ số tác động f2 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 tác động như sau:
- f2 < 02: Không có tác động đáng kể
- 02 ≤ f2 < 0.15: Tác động nhỏ
- 15 ≤ f2 < 0.35: Tác động trung bình
- f2 ≥ 35: Tác động lớn
TÓM TẮT CHƯƠNG 3
Ở chương 3, quy trình nghiên cứu được tác giả trình bày về các bước cụ thể. Dữ liệu của nghiên cứu được thu thập bằng phương pháp lấy mẫu thuận tiện thông qua khảo sát đối tượng là những người đang sinh sống tại thành phố Hồ Chí Minh đang có ý định mua sắm thông qua quảng cáo mang tính cá nhân hóa được tạo ra bởi trí tuệ nhân tạo. 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 3 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 cảm nhận cá nhân hóa trong quảng cáo.
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:
===>>> Luận văn: KQNC Đến cảm nhận cá nhân hóa trong quảng cáo

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
