1.

Tính mới của đề tài

- Tại Việt Nam, các đề tài có liên quan đến hành vi tiêu dùng xanh nói chung đã xuất hiện nhiều
nghiên cứu với đa dạng cách tiếp cận, phương pháp nghiên cứu cũng như phạm vi nghiên cứu: Hà
Nội, Huế, TP. HCM…
- Trong phạm vi ngành du lịch: các nghiên cứu liên quan thường là về ý định hành vi tiêu dùng
xanh hoặc ý định lựa chọn khách sạn xanh cũng như thường lựa chọn nghiên cứu tại các thành
phố biển lớn như Nha Trang, Đà Nẵng mà chưa có đề tài nào lựa chọn Hà Nội để nghiên cứu
- Mô hình nghiên cứu:
+ Áp dụng mô hình lý thuyết hành vi dự định: được kiểm chứng và công nhận ở nhiều nghiên cứu
trong nước và trên thế giới trước đây -> Có thể áp dụng rộng rãi
+ Bổ sung thêm 2 yếu tố -> Tính mới -> Cũng dựa trên kết quả của một số nghiên cứu đi trước đã
chứng minh sự ảnh hưởng của 2 nhân tố này lên ý định hành vi

2. Tìm cơ sở lý thuyết ở đâu? Trong các bài báo khoa học, luận văn tốt nghiệp, luận văn thạc sỹ có
liên quan trên Google Scholar, Research Gate, Sciencedirect…

3. Thiết kế thang đo như thế nào? Cơ sở xây dựng các thang đo được tham khảo từ các công trình
nghiên cứu trước đó, dịch sang tiếng việt (nếu cần) cũng như điều chỉnh để phù hợp với bối cảnh
nghiên cứu của khóa luận tốt nghiệp.

4. Cơ sở tính số lượng mẫu nghiên cứu? Số mẫu tối thiểu = Số biến quan sát*5 (Bollen, 1989)=
24*5 = 120

5. Phân tích độ tin cậy của thang đo Cronbach’s Alpha

Với mục đích đánh giá độ tin cậy của các biến thuộc các yếu tố khác nhau, tác giả khóa luận đã
sử dụng phương pháp đánh giá độ tin cậy của thang đo bằng kiểm định Cronbach’s Alpha. Dựa vào kết
quả thu về từ phương pháp này, tác giả sẽ có cơ sở căn cứ để loại đi các biến “rác” không có ý nghĩa trong
mô hình nghiên cứu.
Một biến đo lường được coi là đạt yêu cầu khi hệ số tương quan biến tổng Corrected Item – Total
Correlation ≥ 0,3 (Nunnally, 1978). Tiếp theo đó, tác giả sẽ xem xét đến hệ số Cronbach’s Alpha và đánh
giá ý nghĩa của chúng với độ tin cậy của thang đo. Theo Nunnally (1978), một thang đo lường tốt nếu có
độ tin cậy Cronbach’s Alpha từ 0,7 trở lên và đối với một nghiên cứu có tính chất khám phá sơ bộ thì
ngưỡng Cronbach’s Alpha là 0,6 (Hair và cộng sự, 2009).
Kiểm định Cronbach’s Alpha là kiểm định nhằm phân tích, đánh giá độ tin cậy của thang đo . Mục
đích của kiểm định này là tìm hiểu xem các biến quan sát có cùng đo lường cho một khái niệm cần đo hay
không.Giá trị đóng góp nhiều hay ít được phản ánh thông qua hệ số tương quan biến tổng Corrected Item
– Total Correlation. Qua đó, cho phép loại bỏ những biến không phù hợp trong mô hình nghiên cứu.
Tiêu chuẩn để chấp nhận các biến:
 Những biến có chỉ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) từ 0.3
trở lên.
 Các hệ số Cronbach’s Alpha của các biến phải từ 0.7 trở lên.
Lưu ý thêm:
Về mặt lý thuyết nhà nghiên cứu có thể được xây dựng từ một nhóm câu hỏi khác nhau. Tuy nhiên đó là
lý thuyết, về mặt thực tế có thể trong những câu hỏi có những câu hỏi không cần thiết.
Để kiểm tra việc này thông thường người ta sử dụng hai chỉ số thống kê là (1) Hệ số Cronbach Alpha và
(2) hệ tố tương quan biến tổng.
Hệ số Cronbach Alpha là hệ số cho phép đánh giá xem nếu đưa các biến quan sát nào đó thuộc về một
biến nghiên cứu (biến tiềm ẩn, nhân tố) thì nó có phù hợp không. Hair et al (2006) đưa ra quy tắc đánh giá
như sau:

< 0.6. Thang đo nhân tố là không phù hợp (có thể trong môi trường nghiên cứu đối tượng không có cảm
nhận về nhân tố đó)

0.6 – 07: Chấp nhận được với các nghiên cứu mới

0.7 – 0.8: Chấp nhận được

0.8 – 0.95: tốt

>= 0.95: Chấp nhận được nhưng không tốt, nên xét xét các biến quan sát có thể có hiện tượng “trùng
biến”
Hệ số tương quan biến tổng là hệ số cho biến mức độ “liên kết” giữa một biến quan sát trong nhân tố với
các biến còn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan sát
cụ thể. Tiêu chuẩn để đánh giá một biến có thực sự đóng góp giá trị vào nhân tố hay không là hệ số tương
quan biến tổng phải lớn hơn 0.3. Nếu biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải
loại nó ra khỏi nhân tố đánh giá.

6. Phân tích nhân tố khám phá EFA

Tiếp đến, tác giả khóa luận tiến hành kiểm định giá trị của thước đo bằng cách phân tích nhân tố
EFA (Exploratory Factor Analysis) để đánh giá giá trị hội tụ và giá trị phân biệt. Bằng việc sử dụng
phương pháp này, tác giả có thể đánh giá được mối quan hệ giữa các biến quan sát ở tất cả các nhân tố
khác nhau để tìm ra được các biến quan sát tải lên nhiều nhân tố hay loại bỏ được trường hợp các biến
quan sát bị phân sai vào nhân tố ban đầu.
Theo đó, một số tiêu chí cần quan tâm trong quá trình phân tích nhân tố khám phá lần lượt là:
- Chỉ số Kaiser-Meyer-Olkin (KMO): là chỉ số để đánh giá sự thích hợp của phân tích nhân tố.
Phân tích nhân tố là phù hợp khi chỉ số KMO phải lớn hơn 0,5 và phải nhỏ hơn 1. Nếu chỉ số
KMO nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
- Kiểm định Bartlett đánh giá xem các biến quan sát trong nhân tố có tương quan với nhau hay
không. Kiểm định Bartlett có ý nghĩa thống kê khi sig Bartlett’s Test < 0,05 thì chứng tỏ rằng các
biến quan sát có tương quan với nhau trong nhân tố.
- Các nhân tố có Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi nhân tố) phải lớn
hơn 1 thì mới được giữ lại trong mô hình phân tích. Vì vậy, nếu Eigenvalue của nhân tố nhỏ hơn
1 sẽ bị loại khỏi mô hình.
- Tổng phương sai trích ≥ 50% cho thấy mô hình EFA là phù hợp.
(?) Tại sao phải phân tích nhân tố khám phá EFA? Vì mô hình đề xuất là mô hình ban đầu, ứng với các
nghiên cứu khác. Còn trường hợp nghiên cứu của mình chưa chắc dữ liệu đã phù hợp với mô hình.  Nói
chung mục đích chính của EFA là xác định số lượng nhóm nhân tố thực sự tương ứng với bộ dữ liệu của
chúng ta.
(?) Hệ số tải Factor Loading trong EFA có ý nghĩa gì? Tiêu chuẩn đối với hệ số tải nhân tố là phải lớn
hơn hoặc bằng 0,5 để đảm bảo mức ý nghĩa thiết thực của EFA. Lúc đó là điều kiện cần để nhân tố đạt
được giá trị hội tụ.
(?) Giá trị hội tụ và giá trị phân biệt trong phân tích nhân tố là gì? Giá trị hội tụ có nghĩa là các biến trong
một yếu tố có mối tương quan cao. Điều này được thể hiện bằng các hệ số nhân tố. Hệ số tải phụ thuộc
vào kích thước mẫu của bộ dữ liệu của bạn. Nói chung, kích thước mẫu càng nhỏ thì hệ số tải yêu cầu
càng cao.  Bất kể kích thước mẫu, quy tắc thông dụng tốt nhất là để tải lớn hơn 0.500 . Giá trị phân biệt:
là mức độ mà các yếu tố khác biệt với nhau và không tương quan với nhau. Nguyên tắc là các biến phải
liên quan nhiều hơn đến yếu tố của chúng so với các yếu tố khác.
7. Phân tích hồi quy:
- Dùng để xác định xem các biến độc lập có thực sự là nguyên nhân giải thích được cho biến phụ
thuộc hay không? Đồng thời xác định mức độ giải thích đó là mạnh hay yếu thông qua hệ số R
Bình Phương hiệu chỉnh.
- R bình phương hiệu chỉnh giải thích được gì cho mô hình? Giả sử R bình phương hiệu chỉnh là
0.60, thì mô hình hồi quy tuyến tính này phù hợp với tập dữ liệu ở mức 60%. Nói cách khác, 60%
biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập.( còn 40% còn lại ở đâu, dĩ
nhiên là do sai số đo lường, do cách thu thập dữ liệu, do có thể có biến độc lập khác giải thích cho
biến phụ thuộc mà chưa được được vào mô hình nghiên cứu…vv).
- Tại sao chọn hệ số hồi quy đã chuẩn hóa để kết luận?
+ Hệ số hồi quy chưa chuẩn hóa B: Hệ số hồi quy (trọng số hồi quy) chưa chuẩn hóa phản ánh sự
thay đổi của biến phụ thuộc khi một đơn vị biến độc lập Xi thay đổi và các biến độc lập còn lại được
giữ nguyên. Chúng ta không nhận xét thứ tự tác động của các biến độc lập lên biến phụ thuộc dựa vào
hệ số hồi quy chưa chuẩn hóa bởi các biến độc lập không đồng nhất về đơn vị hoặc nếu đồng nhất về
đơn vị thì độ lệch chuẩn các biến tham gia vào hồi quy cũng khác nhau. Sự khác biệt về độ lệch
chuẩn hoặc đơn vị đo khiến việc đưa các biến độc lập vào cùng một phép so sánh là hoàn toàn không
chính xác, do lúc này các biến không cùng nằm trong một hệ quy chiếu. - Phương trình hồi quy chưa
chuẩn hóa mang ý nghĩa toán học hơn là ý nghĩa kinh tế khi chỉ phản ánh sự thay đổi của biến phụ
thuộc khi từng biến độc lập thay đổi trong điều kiện các biến độc lập còn lại phải cố định.
+ Hệ số hồi quy đã chuẩn hóa:
Trong nghiên cứu, chúng ta thường xem xét tầm quan trọng của các biến độc lập. Nếu dùng hệ số hồi
quy chưa chuẩn hóa, chúng ta không thể so sánh được vì đơn vị đo và độ lệch chuẩn của các biến là
khác nhau. Vì vậy, chúng ta sẽ cần dùng đến hệ số đã chuẩn hóa để đưa tất cả các biến cần so sánh về
cùng một hệ quy chiếu.
Chúng ta sẽ căn cứ vào trị tuyệt đối của hệ số hồi quy chuẩn hóa để so sánh tầm quan trọng của các
biến độc lập (mức tác động của các biến độc lập). Trị tuyệt đối hệ số β lớn hơn thì tầm quan trọng của
biến độc lập đó lớn hơn, biến đó tác động mạnh hơn lên biến phụ thuộc. Cũng lưu ý rằng, tổng các hệ
số hồi quy chuẩn hóa cộng lại không bắt buộc bằng 1.
Đây là hệ số hồi quy chúng ta sử dụng phổ biến để kết luận thứ tự tác động của các biến độc lập lên
biến phụ thuộc nhờ sự đồng nhất về đơn vị và độ lệch chuẩn các biến tham gia vào mô hình hồi quy.
Với dạng đề tài sử dụng thang đo Likert, các bạn nên ưu tiên sử dụng phương trình hồi quy chuẩn hóa
để kết luận để có thể diễn giải hàm ý quản trị nhiều hơn.
- Trong phương trình hồi quy chuẩn hóa thì các biến đã được quy về cùng một đơn vị,

- Phương trình hồi quy chuẩn hóa mang ý nghĩa kinh tế nhiều hơn là toán học. Căn cứ vào phương
trình hồi quy, nhà kinh tế xác định được rằng yếu tố nào quan trọng nhất (hệ số hồi quy chuẩn hóa
càng lớn càng quan trọng), yếu tố nào ít quan trọng hơn đề dành thời gian + tiền bạc đầu tư một cách
hợp lý (hệ số hồi quy lớn nhất thì quan tâm, đầu tư nhiều hơn bởi vì nó tác động mạnh nhất tới Y).
a. Hiện tượng đa cộng tuyến
 Trong mô hình hồi quy, nếu các biến độc lập có quan hệ chặt với nhau, các biến độc lập có mối quan
hệ tuyến tính, nghĩa là các biến độc lập có tương quan chặt, mạnh với nhau thì sẽ có hiện tượng đa
cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được
dưới dạng hàm số. Ví dụ có hai biến độc lập A và B, khi A tăng thì B tăng, A giảm thì B giảm…. thì
đó là một dấu hiệu của đa cộng tuyến. Nói một cách khác là hai biến độc lập có quan hệ rất mạnh với
nhau, đúng ra hai biến này nó phải là 1 biến nhưng thực tế trong mô hình nhà nghiên cứu lại tách làm
2 biến. Hiện tượng đa cộng tuyến vi phạm giả định của mô hình hồi qui tuyến tính cổ điển là các biến
độc lập không có mối quan hệ tuyến tính với nhau.
—> Vấn đề đa cộng tuyến xảy ra khi các biến (nhân tố) độc lập có tương quan tuyến tính khá mạnh với
nhau. Nói cách khác hiện tượng đa cộng tuyến xảy ra khi có mối tương quan tuyến tính hiện hữu giữa các
biến độc lập trong mô hình.
Khi đó sẽ dẫn đến các vấn đề sau:
– Hạn chế giá trị của R bình phương (thường sẽ làm tăng r bình phương)
– Làm sai lệch/ đổi dấu các hệ số hồi quy
Nguyên nhân:
1. Do thu thập số liệu ít, không toàn diện
2. Do bản chất của các biến độc lập là tương quan nhau.
3. Do một số dạng mô hình sản sinh ra đa cộng tuyến
4.   Hậu quả của đa cộng tuyến
5. Ước lượng phương sai trở nên kém chính xác. Hệ số phóng đại phương sai (VIF)
2. Giá trị tới hạn t trở nên nhỏ hơn so với thực tế trong khi R2 là khá cao. Kiểm định t và F trở nên
kém hiệu quả
3. Các giá trị ước lượng biến động mạnh khi thay đổi số liệu trong mô hình. (n è N) sẽ làm giảm khả
năng xảy ra đa cộng tuyến.
4. Các giá trị của các ước lượng có khả năng biến động mạnh khi thay đổi (rút ra hoặc thêm vào) các
biến có tham gia vào hiện tượng đa cộng tuyến.
III.  Cách phát hiện đa cộng tuyến
1. Mô hình có các giá trị R2 cao trong khi các giá trị thống kê t rất thấp.
2. Dùng ma trận hệ số tương quan giữa các biến độc lập. Hệ số tương quan từ 0.8 trở lên là cao, từ
0.9 trở lên là rất cao.
3. Dùng mô hình hồi quy phụ, nếu R2 của mô hình hồi quy phụ cao hơn mô hình hồi quy chính thì
mô hình hồi quy chính có xảy ra hiện tượng đa cộng tuyến.
4. Dùng chỉ sổ phóng đại phương sai, nếu VIF >=10, mô hình xảy ra hiện tượng đa cộng tuyến rất
cao. Từ 5 trở lên là có hiện tượng ĐCT cao.
1.  Cách khắc phục đa cộng tuyến
2. Dựa vào các thông tin tiên nghiệm, các đề tài nghiên cứu trước về vấn đề tương tự về vấn đề nghiên
cứu. các mô hình KTL trong trong các nghiên cứu này có tính khả thi và có thể khắc phụ được thì
tiến hành.
 2. Thu thập thêm số liệu (nè N) có thể khắc phụ được hiện tượng đa cộng tuyến
3. Loại bỏ biến gây ra hiện tượng đa cộng tuyến. Chọn biến ít có ý nghĩa thống kê hơn loại ra trước.
(điều này chỉ mang tính tương đối).
4. Kết hợp giữa số liệu chuổi thời gian và số liệu chéo có thể khắc phục được hiện tượng đa cộng
tuyến.
5. Dùng mô hình sai phân
B1: xây dựng mô hình hồi quy gốc ban đầu
B2: xây dựng mô hình hồi quy thứ hai, trong đó, loại bỏ một quan sát đầu tiên. (do mô hình hồi quy đúng
với t quan sát thì cũng đúng với t-1 quan sát).
B3: Dùng mô hình ở B1 – B2 ta có mô hình sai phân bậc 1.
Đặc điểm: Mô hình sai phân B3 có thể giảm hiện tượng đa cộng tuyến của các biến độc lập.

b. Ý nghĩa của hệ số Durbin-Watson trong hồi quy: Hệ số Durbin Watson dùng để kiểm tra xem có
hiện tương tự tương quan hay không trong phần dư của một phép phân tích hồi quy. Durbin
Watson có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan
chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2 (từ 1 -> 3); nếu giá trị càng nhỏ, gần về 0 thì các
phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương
quan nghịch
8. Phương pháp chọn mẫu: Do giới hạn về thời gian và nguồn lực, tác giả lựa chọn phương pháp lấy
mẫu phi xác suất thuận tiện
- Chọn mẫu phi xác suất là chọn mẫu theo ý định chủ quan của người nghiên cứu.
- Chọn mẫu phi xác suất kiểu thuận tiện: Các đơn vị mẫu được chọn ở tại một địa điểm và vào một
thời gian nhất định.

CÂU 16: Sự khác nhau giữa rsquare (r bình) và r square adjusted (r bình hiệu chỉnh) là gì? Vậy r
square và square adjusted có nhất thiết lúc nào cũng phải lớn hơn 50% hay không?
Điểm giống: Rsquare và Rsquare adjusted đều cho biết mức độ phù hợp của mô hình nghiên cứu với ý
nghĩa là các biến độc lập giải thích được bao nhiêu phần trăm (%) biến thiên của biến phụ thuộc.
Điểm khác: Rsquare adjusted phản ánh sát hơn mức độ phù hợp của mô hình vì nó không phụ thuộc vào
độ lệch phóng đại của Rsquare.(độ lệch này phụ thuộc vào kích thước mẫu, thị trường khảo sát… Ko nên
nói câu trong ngoặc này quá sâu vì dễ bị bắt bẽ, chừng nào hội đồng hỏi hãy nói…)
Các đề tài liên quan đến vấn đề nhận dạng… or giải thích…, (vd: các yếu ảnh hưởng đến mức độ hài
lòng…), thì r bình phương phải từ 0.5 (50%) trở lên. Các đề tài liên quan đến mối quan hệ…, (vd: ảnh
hưởng của tâm lý hay đến lòng trung thành, hay giữa các nhân tố với nhau..), thì không cần quan tâm
nhiều đến r bình phương mà khi đó hệ số hồi quy (beta).
CÂU 17: Sự Khác Nhau Giữa Beta Và Beta Chuẩn Hóa Là Gì?
Hệ số B chưa chuẩn hóa phản ánh lượng biến thiên của Y khi một đơn vị X thay đổi. Trong khi đó  Hệ
số Beta đã chuẩn hóa phản ánh lượng biến thiên của độ lệch chuẩn (standard deviation) của Y khi một
đơn vị độ lệch chuẩn của X thay đổi. Cụ thể hơn, hệ số Beta đã chuẩn hóa là kết quả của việc giải phương
trình hồi quy mà các biến độc lập, biến phụ thuộc đã được chuẩn hóa ( phương sai =1). Còn hệ số B chưa
chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến được giữ nguyên giá trị thô. Việc
chuẩn hóa hệ số beta thường dùng để trả lời câu hỏi: biến độc lập nào có tác động mạnh hơn vào biến phụ
thuộc khi phân tích hồi quy đa biến, khi mà các biến đo lường độc lập có đơn vị đo lường khác nhau (ví
dụ thu nhập được tính bằng dollars và kích cỡ gia đình được tính bằng số người).
Câu 19: Khác nhau giữa method enter và stepwise:
Enter: đổ hết các biến độc lập vào 1 lượt, kết quả cho ra ko sắp xếp theo mức độ tương quan mạnh yếu mà
sẽ xếp theo X1, X2, X3…Xn

Stepwise: đưa từng biến vào, đầu tiên là biến tác động mạnh nhất cho đến biến tác động yếu nhất. Kết quả
cho ra sẽ đc sắp xếp theo thứ tự mạnh-> yếu.