Khảo sát một số yếu tố tác động vào sự sẵn sàng của thương mại điện tử

CHƯƠNG II. CƠ SỞ LÝ THUYẾT PHẦN A. CÁC MÔ HÌNH NGHIÊN CỨU TRƯỚC ĐÂY I. MÔ HÌNH CHẤP THUẬN CÔNG NGHỆ (TAM) Trong nửa cuối thế kỷ 20, nhiều lý thuyết đã được hình thành và được kiểm nghiệm nhằm nghiên cứu sự chấp thuận công nghệ của người sử dụng. Fishbein và Ajzen (1975) đã đề xuất Thuyết Hành Động Hợp Lý (Theory of Reasoned Action - TRA), Ajzen (1985) đề xuất Thuyết Hành Vi Dự Định (theory of planned behavior - TPB), và Davis (1986) đã đề xuất Mô Hình Chấp Nhận Công Nghệ (Technology Acceptance Model - TAM). Các lý thuyết này đã được công nhận là các công cụ hữu ích trong việc dự đoán thái độ của người sử dụng. Đặc biệt, TAM đã được công nhận rộng rãi là một mô hình tin cậy và mạnh trong việc mô hình hóa việc chấp nhận IT của người sử dụng. "Mục tiêu của TAM là cung cấp một sự giải thích các yếu tố xác định tổng quát về sự chấp nhận computer, những yếu tố này có khả năng giải thích hành vi người sử dụng xuyên suốt các loại công nghệ người dùng cuối sử dụng computer và cộng đồng sử dụng" (Davis et al. 1989, trang 985). Do đó, mục đích chính của TAM là cung cấp một cơ sở cho việc khảo sát tác động của các yếu tố bên ngoài vào các yếu tố bên trong là tin tưởng (beliefs), thái độ (attitudes), và ý định (intentions). TAM được hệ thống để đạt mục đích trên bằng cách nhận dạng một số ít các biến nền tảng (fundamental variables) đã được các nghiên cứu trước đó đề xuất, các biến này có liên quan đến thành phần cảm tình (affective) và nhận thức (cognitive) của việc chấp thuận computer [16]. TMĐT là sản phẩm của phát triển công nghệ thông tin (Information Technology - IT), do đó, mô hình khảo sát các yếu tố tác động vào việc chấp thuận IT cũng được áp dụng thích hợp cho việc nghiên cứu vấn đề tương tự trong TMĐT. TAM được trình bày trong Hình 1. I.1. Các kiến trúc chính I.1.1 Nhận thức sự hữu ích “Là cấp độ mà một người tin rằng sử dụng một hệ thống đặc thù sẽ nâng cao kết quả thực hiện của họ” (Davis 1989, trang 320). I.1.2 Nhận thức tính dễ sử dụng “Là cấp độ mà một người tin rằng sử dụng một hệ thống đặc thù sẽ không cần nỗ lực” (Davis 1989, trang 320). I.1.3 Thái độ hướng đến việc sử dụng “Là cảm giác tích cực hay tiêu cực (có tính ước lượng) về việc thực hiện hành vi mục tiêu” (Fishbein và Ajzen 1975, trang 216). Định nghĩa này lấy từ Thuyết hành động hợp lý (Theory of Reasoned Action - TRA) I.2. Mô hình TAM TAM được trình bày trong Hình 1 là mô hình được giới thiệu lần đầu của Davis (1986). Sau này, các nghiên cứu bổ sung của Thompson et al. (1991) và Davis (1993) đề xuất nên bỏ thành phần Dự Định Sử Dụng và nối trực tiếp Thành Phần Thái Độ sang Thành Phần Hành Vi. Thompson et al. (1991) đã chứng tỏ Dự Định Sử Dụng nên được loại trừ bởi vì chúng ta quan tâm vào hành vi thực sự (sử dụng hệ thống). Hành vi như vậy đã xảy ra trong quá khứ, trong khi Dự Định Hành Vi là “xác suất chủ quan mà người sử dụng sẽ thực hiện hành vi này trong chủ đề” (Fishbein và Ajzen 1975, trang 12) và do đó nó liên quan tới hành vi tương lai. Do đó, nếu nghiên cứu có dự định khảo sát hành vi chấp thuận công nghệ trong quá khứ thì nên bỏ thành phần Dự Định Hành Vi [16]. Dựa trên các nghiên cứu thực nghiệm sau khi mô hình TAM đầu tiên được công bố, kiến trúc thái độ (Attitude construct - A) đã được bỏ ra khỏi mô hình TAM nguyên thủy (Davis, 1989; Davis et al., 1989) vì nó không làm trung gian đầy đủ cho sự tác động của PU lên hành vi dự định (behavioral intention - BI) (Venkatesh, 1999). Hơn nữa, một vài nghiên cứu sau đó (Adams et al., 1992; Fenech, 1998; Gefen and Straub, 1997; Gefen và Keil, 1998; Igbaria et al., 1997; Karahanna và Straub, 1999; Lederer et al., 2000; Mathieson, 1991; Straub et al., 1995; Teo et al., 1999; Venkatesh và Morris, 2000) đã không xem xét tác động của PEU/PU lên Thái Độ (attitude - A) và/hoặc BI. Thay vào đó, họ tập trung vào tác động trực tiếp của PEU và/hoặc PU lên việc Sử Dụng Hệ Thống Thực Sự [6]. Trong đề tài này, tôi có ý định khảo sát cả hành vi trong quá khứ và quan trọng là dự định hành vi trong tương lai nên sẽ sử dụng kiến trúc BI (hành vi dự định) và bỏ đi kiến trúc A (thái độ) theo như kết quả trong các nghiên cứu trước đây. II. MÔ HÌNH CHẤP NHẬN SỬ DỤNG THƯƠNG MẠI ĐIỆN TỬ (e- CAM)1 II.1. Các kiến trúc chính II.1.1 Nhận thức rủi ro liên quan đến sản phẩm/dịch vụ (Perceived Risk with Product/Service - PRP) Bauer (1960) đề cập rằng niềm tin về nhận thức rủi ro như là yếu tố chủ yếu đối với hành vi người tiêu dùng có thể là 1 yếu tố chính ảnh hưởng việc hoán chuyển của người duyệt web đến người mua hàng thực sự. Cox and Rich (1964) đề cập đến nhận thức rủi ro như tổng của nhận thức bất định bởi người tiêu dùng trong 1 tình huống mua hàng đặc thù. Cunningham (1967) nhận thức rủi ro từ kết quả thực hiện tồi, nguy hiểm, rủi ro sức khỏe, và chi phí. Roselius (1971) nhận dạng 4 loại mất mát liên quan đến các loại rủi ro: thời gian, sự may rủi, bản ngã, và tiền bạc. Jacoby và Kaplan (1972) phân loại nhận thức rủi ro của người tiêu dùng thành 5 loại rủi ro sau: vật lý, tâm lý học, xã hội, tài chính, và kết quả thực hiện (chức năng) (physical, 1 Trong từ điển điện tử Oxford Advanced Learner’s Dictionary định nghĩa từ Adoption: [U] the decision to start using sth such as an idea, a plan or a name, với ví dụ cụ thể: the adoption of new technology. Nên trong bài này, tôi dịch e-CAM là: Mô hình chấp nhận sử dụng thương mại điện tử. Cụm từ này sẽ được sử dụng thống nhất trong suốt đề tài, viết tắt là e-CAM. Các biến ngoại sinh Nhận thức sự hữu ích Nhận thức tính dễ sử dụng Thái độ hướng đến sử dụng Dự định sử dụng Sử dụng hệ thống thực sự Tin tưởng (Thành phần nhận thức) Thái độ (Thành phần cảm tình) Thành phần Hành vi Hình II. 1. Mô hình khái niệm psychological, social, financial, and performance (functional)) được liệt kê trong Bảng II.1. Taylor (1974) đề nghị rằng sự bất định và nhận thức rủi ro có thể sinh ra băn khoăn rằng các ảnh hưởng tiến trình ra quyết định tiêu dùng. Murphy và Enis (1986) định nghĩa nhận thức rủi ro như sự đánh giá chủ quan của người tiêu dùng về kết quả tạo ra 1 sai lầm mua hàng. [6] Bảng II. 1. Các loại rủi ro Risk Type Definition Financial Risk Rủi ro mà sản phẩm không đáng giá tài chính Psychological Risk Rủi ro mà sản phẩm sẽ thấp hơn hình ảnh tự khách hàng hình dung Physical Risk Rủi ro về sự an toàn của người mua hay những người khác trong việc sử dụng sản phẩm Functional Risk Rủi ro mà sản phẩm sẽ không thực hiện như kỳ vọng Social Risk Rủi ro mà 1 sự lựa chọn sản phẩm có thể mang lại kết quả bối rối trước bạn bè/gia đình/nhóm làm việc của người ta Time Risk Rủi ro về tốn thời gian chuẩn bị bản liệt kê mua hàng, di chuyển, tìm thông tin, mua sắm (Non-monetary) và chờ đợi giao sản phẩm Khi chúng ta không thể thấy hay chạm trực tiếp sản phẩm/dịch vụ trong thị trường điện tử (nghĩa là, các đặc tính vô hình), người tiêu dùng có thể cảm thấy băn khoăn hay không chắc chắn khi họ có giao dịch với những người bán hàng trực tuyến. Ví dụ, sản phẩm/dịch vụ được giao cho người tiêu dùng có thể không thực hiện như được mong đợi. Hơn nữa, người tiêu dùng có thể được yêu cầu chịu chi phí như vận chuyển và bốc dỡ, khi trả lại hay trao đổi sản phẩm/dịch vụ. Các tác giả nhận định mất chức năng và mất tài chính (functional loss and financial loss) như các loại rủi ro liên quan đến sản phẩm/dịch vụ hạn chế người tiêu dùng thực hiện các giao dịch trực tuyến. [6] Hơn nữa, khi việc mua sản phẩm/dịch vụ thất bại, chúng ta có thể mất thời gian, sự thuận tiện và nỗ lực lấy sản phẩm/dịch vụ điều chỉnh hay thay thế. Mặc dầu thời gian là nỗ lực phi tiền bạc và biến động giữa các cá nhân, các tác giả nhận định thời gian như một chi phí mà người tiêu dùng phải trả cho sản phẩm/dịch vụ. Do đó, các tác giả nhận định tốn thời gian (time loss) như 1 rủi ro tăng thêm với sản phẩm/dịch vụ. [6] Sau khi mua sản phẩm/dịch vụ qua Internet, người tiêu thụ có thể tìm thấy 1 sản phẩm/dịch vụ chất lượng bằng hoặc cao hơn với mức giá thấp hơn. Do đó, các tác giả nhận định 1 loại rủi ro khác, mất cơ hội (opportunity loss), là rủi ro thực hiện 1 hành động mà người tiêu dùng sẽ bỏ lỡ thực hiện điều gì khác mà họ thực sự muốn làm. [6] Do đó, các tác giả định nghĩa nhận thức rủi ro với sản phẩm/dịch vụ (PRP) như tổng chung của bất định hay băn khoăn được nhận thức bởi 1 người tiêu dùng trong 1 sản phẩm/dịch vụ đặc trưng khi mua hàng trực tuyến. Các tác giả nhận định 5 loại PRP như sau: mất chức năng, mất tài chính, tốn thời gian, mất cơ hội và nhận thức rủi ro toàn bộ với sản phẩm/dịch vụ (functional loss, financial loss, time loss, opportunity loss, và overall perceived risk with product/service). [6] II.1.2 Nhận thức rủi ro liên quan đến giao dịch trực tuyến (Perceived Risk in the Context of Online Transaction) Vài nghiên cứu trong phạm vi giao dịch trực tuyến (Hoffman et al., 1999; Jarvenpaa and Tractinsky, 1999; Jarvenpaa et al., 2000; Ratnasingham, 1998; Swaminathan et al., 1999) cho rằng sự tin cậy hay tín nhiệm của khách hàng sẽ được cải thiện bằng cách gia tăng tính trong suốt của tiến trình giao dịch (ví dụ, phơi bày toàn bộ đặc tính, nguồn gốc, và nghĩa vụ của nhà cung cấp), giữ lại dữ liệu cá nhân tối thiểu yêu cầu từ người tiêu dùng, và bởi việc tạo ra trạng thái rõ ràng và hợp pháp của bất kỳ thông tin nào được cung cấp. [6] Bhimani (1996) chỉ ra sự đe dọa đối với việc chấp nhận TMĐT có thể biểu lộ từ những hành động không hợp pháp như việc nghe trộm, lộ password, chỉnh sửa dữ liệu, đánh lừa, và quịt nợ. Do đó, Bhimani (1996) và Ratnasingham (1998) đề nghị các yêu cầu căn bản cho TMĐT là làm thỏa mãn những vấn đề sau: sự chứng thực (authentication), sự cấp phép (authorization), sự sẵn sàng (availability), sự tin cẩn (confidentiality), toàn vẹn dữ liệu (data integrity), không khước từ (nonrepudiation), và các dịch vụ ứng dụng có khả năng chọn (selective application services). [6] Swaminathan et al. (1999) khẳng định rằng người tiêu dùng đánh giá những người bán hàng trực tuyến trước khi họ thực hiện giao dịch trực tuyến và do đó các đặc tính của người bán hàng đóng vai trò quan trọng trong việc xúc tiến giao dịch. [6] Rose et al. (1999) nhận dạng các trở ngại kỹ thuật và chi phí liên quan của chúng và những giới hạn đặc thù đối với TMĐT B2C, bao gồm trì hoãn download, giới hạn của giao diện (limitations of the interface), các vấn đề dò tìm (search problems), đo lường thành công ứng dụng Web không thích hợp, an toàn yếu, và thiếu các tiêu chuẩn Internet. Do đó, họ phát biểu rằng nếu người ta thực hiện những giao dịch kinh doanh với các thương gia không thành thật hoặc nếu những thông tin nhạy được lưu trong những cơ sở dữ liệu không an toàn, sự đe dọa an toàn tồn tại ngay cả khi dữ liệu được bảo vệ hoàn hảo trong giao dịch. [6] Do đó, các tác giả định nghĩa nhận thức rủi ro trong phạm vi giao dịch trực tuyến (PRT) như 1 rủi ro giao dịch khả dĩ mà người tiêu dùng có thể đối đầu khi bộc lộ những phương tiện điện tử của việc thực hiện thương mại. Bốn loại PRT được nhận định như sau: sự bí mật (privacy), sự an toàn-chứng thực (security- authentication), không khước từ (nonrepudiation), và nhận thức rủi ro toàn bộ về giao dịch trực tuyến (overall perceived risk on online transaction). [6] II.2. Mô hình e-CAM Joongho Ahn, Jinsoo Park, và Dongwon Lee (Risk-Focused E-Commerce Adoption Model - A Cross Country Study, Jun 2001) đã tích hợp TAM và thuyết nhận thức rủi ro (theories of perceived risk - TPR) trong một nghiên cứu thực nghiệm trong cả hai nước Mỹ và Hàn Quốc để giải thích sự chấp nhận sử dụng TMĐT (Xem Hình 2). Nghiên cứu này đã cung cấp kiến thức về các yếu tố tác động đến việc chuyển người sử dụng Internet thành khách hàng tiềm năng. Nhận thức tính dễ sử dụng (perceived ease of use - PEU) và nhận thức sự hữu ích (perceived usefulness - PU) phải được nâng cao, trong khi nhận thức rủi ro liên quan đến sản phẩm/dịch vụ (perceived risk relating to product/service - PRP) và nhận thức rủi ro liên quan đến giao dịch trực tuyến (perceived risk relating to online transaction - PRT) phải được giảm đi. Tuy kết quả kiểm tra mô hình e-CAM ở Mỹ và Hàn Quốc cho kết quả khác nhau (thậm chí trái ngược nhau – xem Hình 3 và Hình 4), nhưng không vì thế mà mô hình giảm giá trị, ngược lại, nó cho thấy các yếu tố tác động lên việc chấp thuận sử dụng TMĐT của từng vùng văn hóa khác nhau là khác nhau đáng kể [6]. Do đó, tôi dự định sử dụng mô hình e-CAM tích hợp với TAM trong nghiên cứu này nhằm kiểm tra thực nghiệm cụ thể tại Việt Nam. Nhận thức tính dễ sử dụng (PEU) Nhận thức sự hữu ích (PU) Hành vi mua (PB) Nhận thức rủi ro trong phạm vi giao dịch (PRT) Nhận thức rủi ro với sản phẩm/dịch vụ (PRP) Theo TAM Hình II. 2. Mô hình e-CAM Hình II. 3. Kết quả kiểm tra e-CAM tại Mỹ Hình II. 4. Kết quả kiểm tra e-CAM tại Hàn Quốc III. MÔ HÌNH KẾT HỢP VỀ CHẤP THUẬN VÀ SỬ DỤNG CÔNG NGHỆ (UTAUT) III.1. Các kiến trúc chính III.1.1 Kỳ vọng kết quả thực hiện (Performance Expectancy) Kỳ vọng kết quả thực hiện được định nghĩa là cấp độ mà một cá nhân tin rằng sử dụng hệ thống đặc thù nào đó sẽ giúp họ đạt được lợi ích trong thực hiện công việc. Kiến trúc này được tổng hợp từ 5 kiến trúc khác có liên quan trong các mô hình nổi bật đã được thực nghiệm trước đó, các kiến trúc khác đã được tích hợp trong kiến trúc này là: Nhận thức sự hữu ích (từ mô hình TAM), Động Cơ Bên Ngoài (từ mô hình MM), thích hợp công việc (từ mô hình MPCU), lợi thế có liên quan (từ mô hình IDT), và Kỳ Vọng Kết Quả (từ mô hình SCT). Các kiến trúc này được đánh giá là tương tự nhau và các tác giả đã chọn lọc các thang đo từ đó cho kiến trúc Kỳ Vọng Kết Quả Thực Hiện này. [19] III.1.2 Kỳ vọng nỗ lực (Effort Expectancy) Kỳ vọng nỗ lực được định nghĩa là mức độ dễ kết hợp với việc sử dụng hệ thống (thông tin). Kiến trúc này cũng được tích hợp từ 3 kiến trúc được xem là tương tự trong các mô hình nổi bật hiện tại để lựa chọn thang đo phù hợp. Các kiến trúc khác đã được tích hợp trong kiến trúc này là: Nhận Thức Tính Dễ Sử Dụng (từ mô hình TAM/TAM2), sự phức tạp (từ mô hình MPCU), và Dễ Sử Dụng (từ mô hình IDT). [19] III.1.3 Ảnh hưởng xã hội (Social Influence) Ảnh hưởng xã hội được định nghĩa là mức độ mà một cá nhân nhận thức rằng những người quan trọng khác tin rằng anh/cô ta nên sử dụng hệ thống mới. Ảnh hưởng xã hội được tích hợp từ các kiến trúc khác tương tự nhau là: Tiêu Chuẩn Chủ Quan (Subjective Norm, lấy từ mô hình TRA, TAM2, TPB/DTPB và C-TAM-TPB), Các Nhân Tố Xã Hội (Social Factors, lấy từ mô hình MPCU), và Hình Ảnh (Image, lấy từ mô hình IDT). [19] III.1.4 Các điều kiện thuận tiện (Facilitating Conditions) Các điều kiện thuận tiện được định nghĩa là mức độ mà một cá nhân tin rằng cơ sở hạ tầng tổ chức và kỹ thuật tồn tại để hỗ trợ việc sử dụng hệ thống. Định nghĩa này lấy từ các khái niệm nổi bật với 3 kiến trúc khác nhau: Nhận Thức Kiểm Soát Hành Vi (lấy từ mô hình TPB, DTPB, C-TAM-TPB), Các Điều Kiện Thuận Tiện (lấy từ mô hình MPCU), và Sự Tương Thích (lấy từ mô hình IDT). [19] III.2. Mô hình UTAUT Viswanath Venkatesh, Michael G. Moris, Gordon B. Davis, và Fred D. Davis đã thiết lập mô hình UTAUT (Unified Theory of Acceptance and Use of Technology). Mô hình này là sự kết hợp một số thành phần của 8 lý thuyết/mô hình trước đó với mục tiêu thiết lập một quan điểm chung nhất phục vụ cho việc nghiên cứu sự chấp thuận của người sử dụng về hệ thống thông tin mới [19]. Tám mô hình/lý thuyết thành phần đã được xem xét là: - TRA (Theory of Reasoned Action) - TAM (Technology Acceptance Model) - MM (Motivation Model) - TPB (Theory of Planned Behavior) - C-TAM-TPB (a model combining TAM and TPB) - MPCU (Model of PC Utilization) - IDT (Innovation Diffusion Theory) - SCT (Social Cognitive Theory) Mô hình UTAUT là một mô hình kết hợp từ các lý thuyết đã được biết đến và cung cấp nền tảng hướng dẫn cho các nghiên cứu trong tương lai ở lĩnh vực công nghệ thông tin. Bằng cách chứa đựng các sức mạnh khám phá được kết hợp của từng mô hình riêng biệt và các ảnh hưởng chủ yếu, UTAUT đưa ra các lý thuyết tích lũy trong khi vẫn duy trì cấu trúc chi tiết. Sơ đồ cấu trúc mô hình UTAUT được trình bày như sau: PHẦN B. LẬP MÔ HÌNH PHƯƠNG TRÌNH CẤU TRÚC (SEM – STRUCTURAL EQUATION MODELLING) I. GIỚI THIỆU Phần này tóm tắt ngắn gọn và không thiên về đặc tính kỹ thuật của các vấn đề căn bản có liên quan trong SEM, bao gồm các vấn đề ước lượng, thích hợp mô hình, và các giả thiết thống kê. SEM (Structural Equation Modelling) là một kỹ thuật mô hình thống kê rất tổng quát, được sử dụng rộng rãi trong khoa học nghiên cứu hành vi. Nó có thể được xem là sự kết hợp của phân tích nhân tố và hồi quy hay phân tích đường dẫn. Sự quan tâm trong SEM thường là vào các kiến trúc lý thuyết, được trình bày bởi các nhân tố ngầm. Các Performance Expectancy Facilitating Conditions Age Behavioral Intention Use Behavior Gender Experience Effort Expectancy Social Influence Voluntariness Of Use Hình II. 5. Mô hình UTAUT quan hệ giữa các kiến trúc lý thuyết được trình bày bởi các hệ số hồi quy hay hệ số đường dẫn giữa các nhân tố. SEM ám chỉ 1 cấu trúc của các hiệp tương quan (covariances) giữa các biến được quan sát, các quan hệ này cho ra một tên khác là mô hình hóa cấu trúc hiệp tương quan (covariance structure modeling). Tuy nhiên, mô hình có thể được mở rộng thêm bao gồm trung bình của các biến quan sát được hoặc các nhân tố trong mô hình, làm cho tên mô hình hóa cấu trúc hiệp tương quan ít chính xác. Nhiều nhà nghiên cứu chỉ đơn giản nghĩ mô hình loại này là “các mô hình Lisrel,” điều này cũng ít chính xác. LISREL là chữ viết tắt của Linear Structural RELations (các quan hệ cấu trúc tuyến tính), và tên này được Jưreskog sử dụng cho một trong những chương trình SEM đầu tiên thông dụng nhất. Các mô hình phương trình cấu trúc ngày nay không nhất thiết phải tuyến tính, và khả năng mở rộng của SEM xa hơn phương trình Lisrel ban đầu. Ví dụ, Browne (1993) thảo luận khả năng làm thích hợp các đường cong phi tuyến. SEM cung cấp một khung thuận tiện và rất tổng quát cho các phân tích thống kê bao gồm các thủ tục đa biến truyền thống, ví dụ các trường hợp đặc biệt là phân tích nhân tố, phân tích hồi quy, phân tích phân biệt, và tương quan canonical. SEM thường được minh họa bằng biểu đồ đường dẫn. Phương trình thống kê này thường được trình bày trong một hệ phương trình ma trận. Trong đầu thập niên 70, khi kỹ thuật này được giới thiệu lần đầu trong nghiên cứu xã hội và nghiên cứu hành vi, phần mềm thường yêu cầu cài đặt chỉ rõ mô hình theo điều kiện của những ma trận này. Do đó, các nhà nghiên cứu đã phải lọc việc trình bày ma trận từ biểu đồ đường dẫn, và cung cấp phần mềm với 1 chuỗi ma trận cho các tập hợp tham số khác nhau, như là hệ số nhân tố và các hệ số hồi quy. Các phần mềm được phát triển gần đây cho phép các nhà nghiên cứu chỉ định trực tiếp mô hình như là 1 biểu đồ đường dẫn. Việc này hiệu quả với các vấn đề đơn giản, nhưng có thể gây mệt mỏi đối với các mô hình có tính phức tạp hơn. Vì lý do này, phần mềm SEM hiện tại cũng vẫn hỗ trợ các đặc tính kỹ thuật của mô hình loại câu lệnh-hay ma trận. Path analysis (phân tích đường xu hướng) là kỹ thuật thống kê dùng để kiểm tra quan hệ nhân quả giữa hai hay nhiều biến. Dựa trên hệ thống phương trình tuyến tính. Path analysis là thành phần phụ của SEM, một thủ tục đa biến mà theo định nghĩa của Ullman (1996), “cho phép kiểm tra một tập quan hệ giữa một hay nhiều biến độc lập, hoặc là liên tục hoặc là rời rạc, và một hay nhiều biến phụ thuộc, hoặc là liên tục hoặc là rời rạc.” SEM liên quan đến các biến đo lường được (measured variable) và các biến ngầm (latent variable). Một measured variable là một biến có thể được quan sát trực tiếp và được đo lường. Biến đo lường được cũng được biết đến như biến quan sát được (observed variable), biến chỉ báo hay biến biểu thị (indicator or manifest variables). Một latent variable là một biến không thể được quan sát trực tiếp và phải được suy ra từ measured variable. Latent variables được ám chỉ bởi hiệp tương quan (covariances) giữa hai hay nhiều measured variables. Chúng cũng được biết đến như là các nhân tố (nghĩa là, phân tích nhân tố), các biến kiến trúc hay các biến không quan sát được (constructs or unobserved variables). SEM là sự kết hợp giữa hồi quy đa biến và phân tích nhân tố. Path analysis chỉ liên quan đến các biến đo lường (measured variables). II. CÁC THÀNH PHẦN CỦA SEM Có hai thành phần: mô hình đo lường (measurement model) và mô hình cấu trúc (structural model).  Measurement model: liên quan đến quan hệ giữa measured variables và latent variables.  Structural model: chỉ liên quan đến các quan hệ giữa các latent variables mà thôi. Ký hiệu trong SEM: - Các biến đo lường được: hình chữ nhật hay vuông - Các biến ngầm: elíp hay hình tròn - Các khoản sai số: (“nhiễu” của các biến ngầm) được đưa vào biểu đồ SEM, đại diện bởi “E’s” cho các biến đo lường và “D’s” cho các biến ngầm. Các khoản sai số đại diện phương sai phần dư trong các biến không được tính cho các đường dẫn (pathways) được giả thiết trong mô hình. Tham số của SEM: - Là các biến, hệ số hồi quy và hiệp tương quan giữa các biến. - Phương sai có thể được chỉ ra bằng mũi tên hai đầu kết thúc tại cùng một biến, hoặc đơn giản hơn, ký hiệu bằng số trong hộp vẽ biến hay cung tròn. - Các hệ số hồi quy được trình bày dọc theo mũi tên một chiều chỉ ra đường dẫn được giả thiết giữa hai biến (có trọng số được áp dụng cho các biến trong các phương trình hồi quy tuyến tính) - Hiệp phương sai được kết hợp với các mũi tên vòng cung hai đầu giữa hai biến hoặc các sai số và biểu thị vô hướng (no directionality). Data cho SEM là các phương sai mẫu và hiệp phương sai mẫu lấy từ tổng thể (ký hiệu S, phương sai mẫu quan sát được và ma trận hiệp phương sai). III. KIẾN TRÚC SEM Mục tiêu trong việc xây dựng 1 biểu đồ xu hướng (path diagram) hay mô hình phương trình cấu trúc, là tìm một mô hình đủ thích hợp với dữ liệu (S) để phục vụ như là 1 đại diện có ích của độ tin cậy và giải thích chi tiết dữ liệu. Có 5 bước trong kiến trúc SEM: 1. Chỉ định mô hình (Model Specification) 2. Nhận dạng mô hình (Model Identification) 3. Ước lượng mô hình (Model Estimation) 4. Đánh giá độ thích hợp của mô hình (Assesing Fit of the Model) 5. Hiệu chỉnh mô hình (Model Modification) III.1. Chỉ định mô hình (Model Specification) Là việc chính thức bắt đầu một mô hình. Trong bước này, các tham số được xác định là cố định hay tự do. Tham số cố định (fixed parameters) không được ước lượng từ dữ liệu và được gán một cách tiêu biểu bằng 0 (chỉ ra không có quan hệ giữa các biến). Các đường dẫn của các tham số cố định được gắn nhãn số (trừ khi được gán giá trị là 0, trong trường hợp này không có đường dẫn nào được vẽ) trong biểu đồ SEM. Tham số tự do (Free parameters) được ước lượng từ dữ liệu quan sát và được người điều tra tin rằng nó khác 0. Việc xác định tham số nào là cố định hay tự do trong SEM là rất quan trọng vì nó xác định tham số nào sẽ được sử dụng để so sánh biểu đồ giả thuyết với ma trận hiệp phương sai và phương sai tổng thể mẫu trong việc kiểm tra tính thích hợp của mô hình (bước 4). Việc chọn tham số nào là cố định và tham số nào là tự do tùy thuộc vào người nghiên cứu. Sự lựa chọn này trình bày một giả thuyết tiền đề về đường xu hướng trong hệ thống là quan trọng trong thế hệ của cấu trúc liên quan của hệ thống được quan sát (ví dụ, phương sai mẫu được quan sát và ma trận hiệp phương sai). III.2. Nhận dạng mô hình (Model Identification) Việc nhận dạng quan tâm đến việc có hay không giá trị duy nhất cho mỗi và mọi tham số tự do có thể thu thập được từ dữ liệu quan sát. Nó phụ thuộc vào việc lựa chọn mô hình và đặc tính kỹ thuật của các tham số cố định, ràng buộc và tự do. Một tham số bị ràng buộc khi nó trong một tập hợp với các tham số khác. Các mô hình cần phải được nhận dạng hoàn chỉnh để có thể ước lượng được (bước 3) và để kiểm định giả thuyết về quan hệ giữa các biến. Có các dạng mô hình có cấu trúc là just-identified, overidentified, hay underidentified. - just-identified model: trong đó tương ứng 1-1 giữa data và các tham số cấu trúc. Nghĩa là, số phương sai dữ liệu và số hiệp phương sai bằng với số tham số được ước lượng. Tuy nhiên, mặc dầu khả năng của mô hình là đạt được một giải pháp duy nhất cho tất cả các tham số, just-identified model không có sự quan tâm của khoa học gia vì bởi nó không có độ tự do và do đó không thể bị loại bỏ. - Overidentified model: là mô hình trong đó số tham số có thể ước lượng được thì nhỏ hơn số điểm dữ liệu (data points) (nghĩa là, phương sai, hiệp tương quan của các biến quan sát được). Tình trạng này tạo kết quả ra độ tự do dương cho phép loại bỏ mô hình, do đó được sử dụng một cách khoa học hơn. Mục đích của SEM là chỉ ra một mô hình như vậy đáp ứng các tiêu chuẩn của overidentification. - Underidentified model: là mô hình trong đó số tham số được ước lượng vượt quá số phương sai và hiệp tương quan. Như vậy, mô hình bao gồm thông tin không ý nghĩa (từ dữ liệu đầu vào) cho việc đạt được 1 giải pháp xác định về ước lượng tham số; nghĩa là, vô số các giải pháp là khả dĩ cho 1 underidentified model. III.3. Ước luợng mô hình (Model Estimation) Trong bước này, các giá trị khởi đầu của tham số tự do được chọn để sinh ra 1 ma trận hiệp tương quan tổng thể được ước lượng (estimated population covariance matrix), (), từ mô hình. Các giá trị khởi đầu có thể được chọn bởi người nghiên cứu từ thông tin ban đầu, bởi các chương trình máy tính được sử dụng để xây dựng SEM, hay từ phân tích hồi quy đa biến. Mục tiêu của ước lượng là để sinh ra một () hội tụ trên ma trận hiệp tương quan tổng thể quan sát được, S, với ma trận phần dư (residual matrix) (khác biệt giữa () và S) trở nên tối thiểu. Nhiều phương pháp có thể được sử dụng để sinh ra (). Việc chọn các phương pháp được hướng dẫn bằng đặc tính của data bao gồm kích thước và phân phối mẫu. Hầu hết các tiến trình được sử dụng là lặp. Hình thức tổng quát của hàm tối thiểu là: Q = (s - ())’W(s - ()) Trong đó: s = vector bao gồm phương sai và hiệp phương sai của các biến quan sát được. () = vector bao gồm các phương sai corresponding và hiệp phương sai như được dự đoán bởi mô hình. W = ma trận trọng số (một vài tác giả xem Q như là F) Ma trận trọng số, W, trong hàm trên, phù hợp với phương pháp ước lượng được chọn. W được chọn để tối thiểu Q, và Q(N-1) cho việc thích hợp hàm, trong hầu hết các trường hợp một thống kê phân phối X2. Kết quả thực hiện của X2 bị ảnh hưởng bởi kích thước mẫu, sai số phân phối, nhân tố phân phối, và giả thiết rằng các nhân tố và sai số là độc lập (Ullman 1996). Một vài phương pháp ước luợng được sử dụng thông dụng nhất là: Generalized Least squares (GLS) FGLS = ½ tr[([S - ()]W-1)2] Trong đó: tr = toán tử theo dõi (trace operator), cộng các yếu tố trên đường chéo chính của ma trận W-1 = ma trận trọng số tối ưu, phải được chọn bởi nhà nghiên cứu (chọn lựa thông thường nhất là S-1) Maximum Likelihood (ML) FML = log|| - log|S| + tr(S-1) - p Trong trường hợp này, W = S-1 và p = số lượng biến được đo lường Asymptotically Distribution Free (ADF) Estimator (Hàm ước lượng tự do phân phối tiệm cận) FADF = [S - ()]’W-1[S - ()] W, trong hàm này, bao gồm các yếu tố xem xét trong kurtosis. Ullman (1996) và Hoyle (1995) thảo luận về các thuận lợi và giới hạn của các hàm ước lượng trên đây. ML và GLS hữu ích cho dữ liệu phân phối chuẩn khi các nhân tố và sai số là độc lập, ADF hữu ích cho các dữ liệu không phân phối chuẩn, nhưng chỉ có giá trị khi kích thước mẫu lớn hơn 2.500. Ullman chỉ ra hàm ước lượng tốt nhất cho dữ liệu không phân phối chuẩn và/hoặc phụ thuộc giữa các nhân tố và sai số là Scaled ML. Bất kể hàm nào được chọn, kết quả mong đợi của tiến trình ước lượng là đạt được một hàm thích hợp gần đến 0. Một hàm thích hợp với số điểm là 0 chỉ ra rằng ma trận hiệp phương sai được ước lượng của mô hình và ma trận hiệp phương sai mẫu nguyên thủy là tương đương. III.4. Đánh giá độ thích hợp của mô hình (Assesing Fit of the Model) Như đã phân tích, giá trị hàm thích hợp gần đến 0 được mong đợi cho độ thích hợp mô hình. Tuy nhiên, nói chung, nếu tỷ số giữa X2 và bậc tự do nhỏ hơn 3, mô hình là thích hợp tốt (Ullman 1996). Để có độ tin cậy trong kiểm định độ thích hợp mô hình, kích thước mẫu từ 100 đến 200 được yêu cầu (Hoyle 1995). Ullman (1996) thảo luận sự đa dạng của các hàm thích hợp phân phối không- X2, mà ông ta gọi là “các chỉ số thích hợp so sánh (comparative fit indices.)” Hoyle (1995) đề cập đến điều này như “các chỉ số thích hợp phụ thuộc (adjunct fit indices).” Một cách căn bản, những phương pháp này so sánh độ thích hợp của một mô hình độc lập (một mô hình khẳng định không có quan hệ giữa các biến) để thích hợp mô hình được ước lượng. Kết quả của việc so sánh này thì thường là một số giữa 0 và 1, với 0.90 hoặc lớn hơn được chấp nhận như là các giá trị chỉ ra độ thích hợp. Cả Hoyle và Ullman đề nghị sử dụng nhiều chỉ số khi xác định các độ thích hợp mô hình. III.5. Hiệu chỉnh mô hình (Model Modification) Nếu ma trận phương sai/hiệp phương sai được ước lượng bằng mô hình không mô phỏng một cách thích hợp ma trận phương sai/hiệp phương sai mẫu, các giả thuyết có thể được hiệu chỉnh và mô hình được kiểm định lại. Để điều chỉnh 1 mô hình, các đường dẫn mới được vẽ thêm hay các đường dẫn cũ được bỏ đi. Nói cách khác, các tham số được thay đổi từ cố định tới tự do hoặc từ tự do đến cố định. Điều quan trọng để nhớ là khi trong các thủ tục thống kê khác, là việc hiệu chỉnh mô hình sau việc kiểm định lần đầu làm gia tăng cơ hội của vấp phải sai lầm loại I. Các thủ tục thông thường được sử dụng cho việc hiệu chỉnh mô hình là Lagrange Multiplier Index (LM) và Kiểm định Wald. Cả hai loại kiểm định này báo cáo các thay đổi trong giá trị X2 khi các đường dẫn được điều chỉnh. LM yêu cầu dù có hay không việc gia tăng các tham số tự do gia tăng sự thích hợp của mô hình. Kiểm định Wald yêu cầu có hay không việc xóa bỏ các tham số tự do gia tăng sự thích hợp mô hình. Để điều chỉnh tỷ lệ sai lầm loại 1 gia tăng, Ullman (1996) yêu cầu sử dụng một giá trị xác suất thấp (p<0.01) khi tăng thêm hay bỏ các tham số. Ullman cũng yêu cầu so sánh giá trị chéo (cross-validation) với các mẫu khác. Vì trật tự của các tham số tự do có thể ảnh hưởng đến việc lựa chọn của các tham số khác, LM nên được áp dụng trước kiểm định Wald (nghĩa là, cộng thêm vào tất cả các tham số trước khi bắt đầu xóa chúng) (MacCullum 1986, đã trích dẫn của Ullman 1996). III.6. Trình bày mô hình cuối cùng (Final Presentation of Model) Khi mô hình đã đạt được độ thích hợp chấp nhận được, các ước lượng riêng biệt về các tham số tự do được đánh giá. Các tham số tự do được so sánh với giá trị rỗng (null value), sử dụng thống kê phân phối z. Thống kê z đạt được bằng cách chia tham số ước lượng cho sai số chuẩn của ước lượng đó. Tỷ lệ của kiểm định này phải vượt +/-1.96 để quan hệ trở nên có ý nghĩa. Sau khi các quan hệ riêng biệt trong mô hình được đánh giá, các ước lượng tham số được chuẩn hóa cho việc trình bày mô hình cuố cùng. Khi các ước lượng tham số được chuẩn hóa, chúng có thể được giải thích tham chiếu với các tham số khác trong mô hình và cường độ của đường xu hướng có liên quan trong mô hình có thể được so sánh.