Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử 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 lòng trung thành của khách hàng cá nhân khi sử dụng dịch vụ ngân hàng điện tử của ngân hàng TMCP Công Thương Việt Nam Hồ Chí Minh 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

Quy trình nghiên cứu được thực hiện như sau:

  • Hình 3.1: Quy trình nghiên cứu

Quy trình nghiên cứu được triển khai theo hai giai đoạn chính gồm nghiên cứu định tính và nghiên cứu định lượng. Trên cơ sở các vấn đề nghiên cứu đặt ra và hệ thống lý thuyết nền có liên quan, tác giả tiến hành rà soát các công trình nghiên cứu trước nhằm xác định khoảng trống nghiên cứu, từ đó hình thành mục tiêu nghiên cứu phù hợp cho đề tài.

Dựa vào các lý thuyết về chất lượng DV, mức độ hài lòng của khách hàng, mối tương quan giữa chất lượng DV – sự hài lòng – lòng trung thành, cùng với các mô hình đo lường chất lượng DV được ứng dụng phổ biến trong lĩnh vực Ngân hàng điện tử, tác giả kế thừa và tổng hợp các kết quả nghiên cứu trong và ngoài nước đã trình bày ở Chương 2. Trên nền tảng đó, mô hình nghiên cứu đề xuất và bộ thang đo sơ bộ các nhân tố ảnh hưởng đến lòng trung thành của Khách hàng cá nhân đối với DV Ngân hàng điện tử của VietinBank khu vực TP.HCM được xây dựng.

Giai đoạn nghiên cứu định tính được thực hiện thông qua thảo luận nhóm với cán bộ phụ trách Khách hàng cá nhân tại VietinBank khu vực TP.HCM, kết hợp trao đổi với một số khách hàng đang sử dụng DV Ngân hàng điện tử. Kết quả thu được giúp cân chỉnh và hoàn thiện thiết lập mô hình nghiên cứu và thang đo sơ bộ, bảo đảm phù hợp với nghiên cứu thực tiễn, đồng thời làm cơ sở xây dựng bảng câu hỏi khảo sát.

Giai đoạn nghiên cứu định lượng được tiến hành trên dữ liệu khảo sát Khách hàng cá nhân sử dụng DV Ngân hàng điện tử của VietinBank tại TP.HCM. Dữ liệu thu thập được phân tích thông qua các kỹ thuật thống kê như 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 bằng SEM và PLS-SEM nhằm xác định các nhân tố tác động đến lòng trung thành của khách hàng.

Kết quả nghiên cứu định lượng là cơ sở để nghiên cứu ra các kết luận chung cho đề tài và đề xuất các hàm ý quản trị nhằm nâng cao mức độ gắn bó và củng cố lòng trung thành của Khách hàng cá nhân đối với DV Ngân hàng điện tử của VietinBank khu vực TP.HCM trong thời gian tới.

3.2. Nguyên cứu định tính Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

3.2.1 Thiết kế nghiên cứu định tính

Nghiên cứu định tính được thực hiện nhằm kiểm tra mức độ phù hợp của khung lý thuyết kế thừa và hoàn thiện mô hình nghiên cứu về các nhân tố ảnh hưởng đến lòng trung thành của Khách hàng cá nhân khi sử dụng DV Ngân hàng điện tử của VietinBank tại TP.HCM. Giai đoạn này bảo đảm các khái niệm và thang đo phản ánh đúng bối cảnh nghiên cứu và thực tiễn triển khai DV.

Nghiên cứu định tính được triển khai thông qua thảo luận nhóm và phỏng vấn bán cấu trúc với hai nhóm đối tượng: (i) cán bộ phụ trách Khách hàng cá nhân tại VietinBank và (ii) Khách hàng cá nhân đã và đang sử dụng DV Ngân hàng điện tử của VietinBank. Mẫu nghiên cứu được lựa chọn theo phương pháp chọn lọc có chủ đích nhằm bảo đảm chiều sâu thông tin.

Trong quá trình thảo luận, tác giả lần lượt đưa ra các nội dung liên quan đến mô hình nghiên cứu và thang đo để các thành viên trao đổi, nhận xét và đề xuất điều chỉnh. Các nội dung nếu được từ 2/3 số người tham gia thảo luận nhóm thống nhất sẽ được tác giả tổng hợp và sử dụng để hiệu chỉnh các nội dung nhằm phục vụ việc xây dựng phiếu khảo sát cho đề tài.

Dựa trên cơ sở lý thuyết nền và các mô hình đo lường đã trình bày ở Chương 2, tác giả xây dựng bộ thang đo sơ bộ, kế thừa từ các nghiên cứu của Davis và cộng sự (1989), Ul Haq, I., & Awan, T. M. (2020), Thụy, B. V. (2024), Huệ, N. T. T. (2024), Alnaser, F. M., Rahi, S., Alghizzawi, M., & Ngah, A. H. (2023), Xu, Peak,và Prybutok (2015). Tổng hợp thang đo nháp được thể hiện như sau:

  • Bảng 3.1: Tổng hợp thang đo nháp

3.2.2 Kết quả nghiên cứu định tính Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

Kết quả nghiên cứu định tính cho thấy rằng 20/20 người tham gia thảo luận các nội dung của đề tài thống nhất với số lượng và nội dung của các biến độc lập và phụ thuộc trong mô hình nghiên cứu, bao gồm: Sự hiệu quả, Sự tiện ích, Bảo mật và riêng tư, Thiết kế trang web, Chi phí, Trách nhiệm xã hội, Công nghệ hỗ trợ trí tuệ nhân tạo.

Về số lượng và nội dung của các biến quan sát trong các thang đo dùng trong nghiên cứu, nhóm thảo luận cũng thống nhất giữ nguyên số lượng các biến quan sát trong từng thang đo. Tuy nhiên, nội dung của một số biến quan sát cần được hiệu chỉnh thêm cho phù hợp hơn với đặc thù hoạt động tín dụng doanh nghiệp của Ngân hàng.

Tổng hợp các thang đo sau khi điều chỉnh được trình bày trong Bảng 3.2 bên dưới như sau:

  • Bảng 3.2: Tổng hợp thang đo hiệu chỉnh

Sau khi tổng hợp các kết quả thu được từ nghiên cứu định tính, các thang đo trong nghiên cứu sẽ được sử dụng để thiết kế bảng khảo sát nhằm phục vụ cho công tác khảo sát thu thập dữ liệu đáp ứng nhu cầu của nghiên cứu. Thang đo trong nghiên cứu được xây dựng với dạng thang đo Likert 5 bậc với mức độ là: (1) Hoàn toàn không đồng ý; (2) Không đồng ý; (3) Trung dung; (4) Đồng ý và (5) Hoàn toàn đồng ý.

Trước khi tiến hành khảo sát chính thức, nghiên cứu thực hiện khảo sát thử với 20 Khách hàng cá nhân đang sử dụng DV Ngân hàng điện tử của VietinBank tại TP.HCM nhằm kiểm tra mức độ rõ ràng, dễ hiểu và phù hợp của các câu hỏi trong bảng khảo sát. Kết quả khảo sát thử cho thấy các nội dung trong bảng khảo sát phù hợp với mục tiêu nghiên cứu và không phát sinh khó khăn trong quá trình trả lời. Do đó, bảng khảo sát được xác nhận đủ điều kiện để sử dụng cho thu thập dữ liệu trên quy mô lớn.

3.3. Nghiên cứu đinh lượng Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

3.3.1 Phương pháp chọn mẫu

Phương pháp chọn mẫu được xác định dựa trên mục tiêu và điều kiện thực tế của nghiên cứu. Trong bối cảnh khảo sát mức độ hài lòng và lòng trung thành của Khách hàng cá nhân đối với DV Ngân hàng điện tử, nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện. Đây là phương pháp phù hợp khi cần thu thập dữ liệu nhanh, tiết kiệm chi phí và dễ tiếp cận đối tượng khảo sát.

Dữ liệu được thu thập thông qua phiếu khảo sát phát trực tiếp cho Khách hàng cá nhân đã và đang sử dụng DV Ngân hàng điện tử của VietinBank tại TP. Hồ Chí Minh. Khách hàng được mời tham gia khảo sát trong thời gian chờ giao dịch tại quầy hoặc thông qua mẫu khảo sát google form; phiếu khảo sát được thu hồi ngay sau khi người tham gia hoàn tất. Cách tiếp cận này giúp bảo đảm tỷ lệ phản hồi, đồng thời phù hợp với mục tiêu nghiên cứu về các nhân tố ảnh hưởng đến lòng trung thành của Khách hàng cá nhân.

3.3.2 Cỡ mẫu nghiên cứu

Theo hướng dẫn của Hair và cộng sự (2010), khi thực hiện phân tích nhân tố khám phá (EFA), kích thước mẫu tối thiểu cần đạt là 50 quan sát, mức tốt hơn là 100 quan sát, hoặc có thể xác định theo nguyên tắc tỷ lệ 5:1, tức là mỗi biến quan sát cần tối thiểu 5 đối tượng khảo sát.

Đề tài sử dụng tổng cộng 40 biến quan sát, trong đó bao gồm 36 biến đo lường cho 6 yếu tố độc lập và 4 biến đo lường cho yếu tố phụ thuộc. Do đó, theo nguyên tắc của Hair và cộng sự (2010), kích thước mẫu tối thiểu cần thiết là: 40 x 5 = 200 khách hàng

Từ yêu cầu này, số mẫu khảo sát tối thiểu cần đạt là 200 Khách hàng cá nhân đang sử dụng DV Ngân hàng điện tử của VietinBank tại khu vực TP. Hồ Chí Minh.

Theo quan điểm của nhiều nhà nghiên cứu, cỡ mẫu càng lớn thì độ tin cậy và độ chính xác của kết quả phân tích càng cao. Tuy nhiên, trong thực tiễn, việc xác định quy mô mẫu còn phụ thuộc vào nguồn lực tài chính, thời gian và khả năng tiếp cận đối tượng khảo sát của nghiên cứu.

Xét đến bối cảnh thực tế, tác giả quyết định thu thập 280 mẫu khảo sát. Quy mô mẫu này vượt mức tối thiểu cần thiết, đồng thời bảo đảm phù hợp với điều kiện nguồn lực và thời gian nghiên cứu. Việc lựa chọn cỡ mẫu 280 giúp tăng độ tin cậy của các phân tích EFA, CFA và SEM, góp phần nâng cao giá trị khoa học và tính thực tiễn của kết quả nghiên cứu.

3.3.3 Phương pháp thống kê mô tả Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

Thống kê mô tả được sử dụng nhằm tổng hợp và trình bày các đặc điểm nhân khẩu học cơ bản của mẫu nghiên cứu thông qua các chỉ tiêu như tần suất và tỷ lệ phần trăm. Việc phân tích bảng phân phối tần suất cho phép nhận diện bức tranh tổng thể về đặc điểm của đối tượng tham gia khảo sát, từ đó rút ra những nhận xét khái quát và xác định các xu hướng nổi bật của mẫu dữ liệu nghiên cứu. Phương pháp này đóng vai trò nền tảng, hỗ trợ cho các bước phân tích chuyên sâu tiếp theo trong nghiên cứu định lượng

3.3.4 Kiểm định sai lệch phương pháp chung (CMB)

Sai lệch phương pháp chung (Common Method Bias – CMB) là hiện tượng có thể phát sinh khi các biến trong nghiên cứu được thu thập bằng cùng một phương pháp, từ cùng một đối tượng và tại cùng một thời điểm, qua đó có thể làm sai lệch mối quan hệ thực tế giữa các biến (Philip M. Podsakoff et al., 2003; Ned Kock et al., 2021). Đối với nghiên cứu sử dụng bảng hỏi tự báo cáo thang đo Likert, việc kiểm định CMB là cần thiết nhằm đảm bảo độ tin cậy và giá trị của kết quả. Trong nghiên cứu này, dữ liệu được thu thập từ một bảng hỏi duy nhất đối với các đáp viên thế hệ Z tại cùng thời điểm, do đó cần thực hiện kiểm định này trước khi phân tích thang đo và mô hình.

Nghiên cứu sử dụng kiểm định một nhân tố của Harman thông qua phân tích nhân tố khám phá (EFA) với phép trích không xoay. Nếu một nhân tố duy nhất được rút trích hoặc nhân tố đầu tiên giải thích trên 50% tổng phương sai, CMB được xem là đáng kể; ngược lại, nếu tỷ lệ này dưới 50%, có thể kết luận CMB không ảnhh hưởng trọng yếu đến kết quả (Podsakoff et al., 2003; Donald R. Cooper et al., 2020). Việc kiểm định được thực hiện trên phần mềm IBM SPSS Statistics 20.0 đối với toàn bộ các biến quan sát trong mô hình.

3.3.5 Kiểm định và đánh giá mô hình đo lường

3.3.5.1 Kiểm định độ tin cậy thang đo bằng hệ số Cronbach’s Alpha

Độ tin cậy của thang đo trong nghiên cứu này được thẩm định thông qua sự phối hợp giữa chỉ số Cronbach’s Alpha và hệ số tin cậy tổng hợp (CR). Cách tiếp cận này giúp khắc phục nhược điểm về giả định trọng số bằng nhau của CA mà Hair (2022) đã chỉ ra, đồng thời phản ánh chính xác sự liên kết giữa các biến quan sát với tổng thể thang đo (Hair et al., 2014). Những biến có đóng góp thấp (hệ số tương quan biến – tổng < 0.3 theo Nunally và Bernstein, 1994) sẽ bị lược bỏ nhằm tối ưu hóa mô hình. Cuối cùng, chỉ những thang đo đạt ngưỡng Cronbach’s Alpha tối thiểu là 0,6 mới được giữ lại để tiến hành các bước phân tích định lượng tiếp theo. Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

Mức độ đánh giá Cronbach’s Alpha được phân loại như sau:

  • 6 ≤ CA ≤ 0.7: Chấp nhận được
  • 7 ≤ CA ≤ 0.8: Độ tin cậy khá
  • 8 ≤ CA ≤ 0.9: Độ tin cậy rất tốt

Việc thẩm định độ ổn định của các biến quan sát trong nghiên cứu này được hỗ trợ bởi phần mềm SPSS phiên bản 20.0. Chỉ những thành phần đáp ứng được yêu cầu về hệ số Cronbach’s Alpha (từ 0.6 trở lên) mới được giữ lại trong cấu trúc mô hình, nhằm mục tiêu tối ưu hóa kết quả phân tích và đảm bảo chất lượng cho các bước xử lý dữ liệu sau nãy.

3.3.5.2 Đánh giá độ tin cậy của biến quan sát (Indicator Reliability)

Đánh giá chất lượng biến quan sát là bước khởi đầu trong kiểm định giá trị hội tụ và phân biệt của thang đo trong PLS-SEM. Các biến quan sát là chỉ báo trực tiếp của khái niệm tiềm ẩn; do đó, hệ số tải ngoài (Outer Loading) phản ánh mức độ biến quan sát đại diện chính xác cho khái niệm nghiên cứu, với giá trị càng cao thì độ tin cậy đo lường càng lớn (Hair et al., 2017; Hair et al., 2022).

  • Outer Loading ≥ 7: Đáp ứng yêu cầu và có độ tin cậy cao
  • 5 ≤ Outer Loading < 0.7: Có thể chấp nhận nếu các chỉ tiêu khác như AVE và CR đạt chuẩn
  • Outer Loading ≥ 95: Có nguy cơ dư thừa nội dung, làm giảm tính đa dạng của thang đo (Hair et al., 2017)

Trong nghiên cứu này, ngưỡng Outer Loading ≥ 0,7 được áp dụng, và các biến có tải ngoài thấp hơn sẽ được xem xét loại bỏ để củng cố độ vững chắc của thang đo.

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

Độ tin cậy tổng hợp (CR) được xem là chỉ số thay thế tối ưu hơn cho Cronbach’s Alpha khi đánh giá tính ổn định của thang đo trong các nghiên cứu sử dụng PLS-SEM. Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

Dựa trên quan điểm của Hair và cộng sự (2017), chỉ số này không cào bằng mức độ đóng góp của các chỉ báo mà tính toán dựa trên tải lượng thực tế của chúng. Chính sự linh hoạt trong việc xử lý trọng số đã biến CR trở thành công cụ đo lường độ gắn kết nội tại có độ chính xác cao, giúp khẳng định giá trị của các khái niệm tiềm ẩn trong mô hình.

Theo Hair và cộng sự (2017; 2022), các ngưỡng đánh giá CR bao gồm:

  • CR ≥ 70: Thang đo có độ tin cậy tốt
  • 60 ≤ CR < 0.70: Có thể chấp nhận trong nghiên cứu khám phá
  • CR ≥ 0.95: Không khuyến nghị do nguy cơ dư thừa biến quan sát trong thang đo

Trong nghiên cứu này, CR được sử dụng để kiểm định tính nhất quán nội tại của các thang đo. Khi một thang đo có CR thấp hơn 0.70, nghiên cứu sẽ cân nhắc điều chỉnh hoặc loại bỏ các biến quan sát nhằm nâng cao chất lượng mô hình đo lường.

3.3.5.4 Đánh giá giá trị hội tụ (Convergent Validity)

Tính hội tụ (Convergent Validity) chỉ ra mức độ mà các biến quan sát của cùng một cấu trúc tiềm ẩn thực sự đo lường cùng một khái niệm (Hair et al., 2017). Chỉ số chính để đánh giá là Phương sai Trích Trung bình (Average Variance Extracted – AVE). AVE là giá trị trung bình phương sai được giải thích bởi cấu trúc tiềm ẩn cho tập hợp các biến quan sát của nó.

  • AVE ≥ 50: Cho thấy biến tiềm ẩn giải thích được ít nhất 50% phương sai trung bình của các biến quan sát (Hair et al., 2017).
  • AVE < 50 nhưng CR ≥ 0.60–0.70: Thang đo vẫn được xem là chấp nhận được (Fornell & Larcker, 1981)

Trong nghiên cứu này, AVE được sử dụng làm tiêu chí chính để đánh giá giá trị hội tụ. Trường hợp AVE < 0.5 nhưng CR đáp ứng ngưỡng tối thiểu 0.6, thang đo sẽ được xem xét giữ lại; ngược lại, các biến có hệ số tải ngoài thấp sẽ bị loại bỏ.

3.3.5.5 Đánh giá tính phân biệt (Discriminant Validity) Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

Giá trị phân biệt phản ánh mức độ mà các khái niệm tiềm ẩn trong mô hình thực sự khác biệt với nhau, bảo đảm các biến quan sát chỉ đo lường đúng khái niệm mục tiêu và không bị chồng lấn nội dung (Fornell & Larcker, 1981; Hair et al., 2017).

Giá trị phân biệt có thể được đánh giá thông qua ba phương pháp gồm tiêu chí Fornell–Larcker (1981), phương pháp tải chéo (Cross-loading) và Tiêu chí HTMT (Heterotrait–Monotrait Ratio). Trong đó, chỉ số HTMT (Heterotrait–Monotrait Ratio) được chứng minh có độ nhạy cao hơn và đáng tin cậy hơn so với các tiêu chí truyền thống (Henseler et al., 2015; Hair et al., 2017). Theo đề xuất, giá trị HTMT ≤ 0.85 được xem là đạt yêu cầu; khoảng 0.85–0.90 được coi là vùng cận ngưỡng cần xem xét thận trọng.

Trong nghiên cứu này, tiêu chí HTMT tất cả các cặp biến độc lập ≤ 0.85 được sử dụng để kiểm định tính phân biệt của mô hình đo lường. Trường hợp HTMT vượt ngưỡng cho phép, các biến quan sát có tương quan chéo cao sẽ được rà soát và cân nhắc điều chỉnh hoặc loại bỏ; nếu tất cả các cặp biến đều có tiêu chí HTMT nhỏ hơn 0.85 thì mô hình được kết luận là không vi phạm tính phân biệt.

3.3.6 Phân tích mô hình cấu trúc PLS-SEM Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

3.3.6.1 Đánh giá hiện tượng đa cộng tuyến

Đa cộng tuyến xảy ra khi các biến độc lập trong mô hình có mức độ tương quan cao, làm giảm khả năng cung cấp thông tin độc lập và có thể gây sai lệch, kém ổn định trong ước lượng hệ số hồi quy hoặc hệ số đường dẫn trong PLS-SEM (Hair et al., 2017). Hiện tượng này thường được kiểm tra thông qua chỉ số lạm phát phương sai (Variance Inflation Factor – VIF), với các ngưỡng đánh giá được đề xuất bởi Hair (2017) và Kutner et al. (2005) như sau:

  • VIF < 5: Không có đa cộng tuyến nghiêm trọng
  • 5 ≤ VIF < 10: Có dấu hiệu đa cộng tuyến, cần xem xét điều chỉnh
  • VIF ≥ 10: Đa cộng tuyến nghiêm trọng, cần tái đặc tả mô hình

Trong nghiên cứu này, nếu VIF của các biến độc lập nhỏ hơn 5, mô hình được xem là không vi phạm giả định đa cộng tuyến.

3.3.6.2 Hệ số đường dẫn và kiểm định các mối quan hệ tác động

Theo Hair và cộng sự (2017), kỹ thuật bootstrap với 5.000 mẫu lặp được khuyến nghị trong PLS-SEM nhằm ước lượng sai số chuẩn và khoảng tin cậy ổn định trong điều kiện không giả định phân phối chuẩn. Do đó, nghiên cứu áp dụng bootstrap với 5.000 mẫu để kiểm định ý nghĩa thống kê của các mối quan hệ trong mô hình.

Với mức ý nghĩa α = 0.05 cho kiểm định hai phía, nếu |t| ≥ 1.96 hoặc p-value < 0,05, hệ số đường dẫn được xem là có ý nghĩa thống kê (Hair et al., 2017).

Hệ số đường dẫn (Path Coefficient – β) phản ánh chiều hướng và cường độ tác động giữa các khái niệm tiềm ẩn trong mô hình cấu trúc. Giá trị của hệ số dao động từ – 1 đến +1, trong đó dấu âm thể hiện tác động ngược chiều và dấu dương thể hiện tác động cùng chiều. Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

3.3.6.3 Kiểm định mức độ trung gian (VAF)

Theo Joseph F. Hair Jr. và cộng sự (2017), việc sử dụng VAF giúp nhà nghiên cứu xác định rõ cơ chế tác động giữa các biến trong mô hình, từ đó làm rõ vai trò của biến trung gian trong việc truyền dẫn ảnh hưởng từ biến độc lập đến biến phụ thuộc. Tuy nhiên, VAF cần được xem xét kết hợp với ý nghĩa thống kê của các hệ số đường dẫn (p-value, t-value) để đưa ra kết luận chính xác về mối quan hệ trung gian trong mô hình nghiên cứu.

Dựa trên giá trị của VAF, mức độ trung gian được phân loại như sau:

  • VAF < 20%: Không có vai trò trung gian (No mediation);
  • 20% ≤ VAF ≤ 80%: Trung gian một phần (Partial mediation);
  • VAF > 80%: Trung gian hoàn toàn (Full mediation).

3.3.6.4 Phân tích hệ số xác định R²

Trong PLS-SEM, hệ số xác định R² được sử dụng để đo lường tỷ lệ phương sai của biến nội sinh được giải thích bởi các biến ngoại sinh (Hair et al., 2022). Chỉ số này phản ánh khả năng dự báo và mức độ phù hợp của mô hình cấu trúc.

Các mức đánh giá R² bao gồm:

  • R² < 25: Khả năng giải thích thấp
  • 25 ≤ R² < 0.50: Mức giải thích trung bình
  • 50 ≤ R² < 0.75: Mức giải thích cao
  • R² ≥ 75: Mức giải thích rất cao

3.3.6.5 Hệ số tác động f² (Effect Size)

Hệ số tác động f² được sử dụng để đo lường mức đóng góp riêng lẻ của từng biến độc lập vào khả năng giải thích phương sai của biến phụ thuộc trong mô hình PLS-SEM (Hair et al., 2017). Chỉ số này phản ánh mức thay đổi của R² khi loại bỏ một biến độc lập khỏi mô hình.

Theo Cohen (2013), f² được phân loại như sau:

  • f² < 02: Tác động không đáng kể
  • 02 ≤ f² < 0.15: Tác động nhỏ
  • 15 ≤ f² < 0.35: Tác động trung bình
  • f² ≥ 35: Tác động lớn

Trong nghiên cứu này, hệ số f² được sử dụng để đánh giá vai trò thực chất của từng nhân tố độc lập đối với biến phụ thuộc.

3.3.6.6 Đánh giá khả năng dự báo ngoài mẫu bằng PLSpredict Luận văn: PPNC về khách hàng khi sử dụng dịch vụ NH điện tử.

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:

  • 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 cá nhân đã và đang sử dụng DV Ngân hàng điện tử của Vietinbank khu vực HCM. 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 về khách hàng khi sử dụng dịch vụ NH điện tử.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC về khách hàng khi sử dụng dịch vụ NH điện tử

0 0 đánh giá
Article Rating
Theo dõi
Thông báo của
guest
0 Comments
Cũ nhất
Mới nhất Được bỏ phiếu nhiều nhất
Contact Me on Zalo
0877682993
0
Rất thích suy nghĩ của bạn, hãy bình luận.x