DINESERV là gì? Cách áp dụng vào mô hình nghiên cứu
Bạn đang có đề tài về chất lượng dịch vụ nhà hàng, quán ăn hoặc dịch vụ ăn uống và gặp thuật ngữ DINESERV trong tài liệu tham khảo. Điểm cần làm rõ ngay là DINESERV không phải một biến đơn lẻ. Đây là một mô hình đo lường chất lượng dịch vụ được điều chỉnh cho bối cảnh nhà hàng, trong đó khách hàng đánh giá những khía cạnh họ trực tiếp quan sát và trải nghiệm trong quá trình dùng bữa.
Nếu bạn đang mở file dữ liệu, hãy tạm thời chưa nhập tất cả biến vào một nhóm chung. Trước hết, bạn cần xác định mô hình dùng những thành phần nào, biến quan sát nào thuộc từng thành phần, sau đó mới kiểm định độ tin cậy và giá trị của thang đo. Bài viết này đi theo đúng trình tự đó, từ mô hình lý thuyết đến cách đưa DINESERV vào SPSS hoặc SmartPLS.
Mô hình DINESERV là gì
DINESERV là mô hình đo lường chất lượng dịch vụ trong nhà hàng. Mô hình tập trung vào cảm nhận của thực khách đối với không gian, sự phục vụ, độ tin cậy và khả năng đáp ứng trong bối cảnh họ gọi món, dùng bữa và thanh toán.
Bạn có thể hiểu DINESERV như một cách chuyển câu hỏi “nhà hàng phục vụ tốt đến mức nào” thành nhiều biến quan sát có thể đo bằng bảng hỏi Likert. Mỗi biến quan sát diễn đạt một khía cạnh cụ thể, chẳng hạn khu vực ăn uống sạch sẽ, nhân viên có thái độ lịch sự, món ăn được phục vụ đúng yêu cầu hoặc hóa đơn được tính chính xác.
DINESERV thường được xem là hướng phát triển chuyên biệt từ nhóm mô hình chất lượng dịch vụ. Khi đề tài của bạn nghiên cứu ngân hàng, bệnh viện hoặc sàn thương mại điện tử, một mô hình dịch vụ tổng quát có thể phù hợp hơn. Khi đối tượng là nhà hàng, DINESERV có lợi thế vì nó đặt trải nghiệm dùng bữa vào trung tâm.
Bạn nên phân biệt DINESERV với mô hình SERVQUAL. SERVQUAL thường đo khoảng cách giữa kỳ vọng và cảm nhận, còn DINESERV thường được sử dụng để đo cảm nhận của khách hàng về chất lượng dịch vụ nhà hàng. Cách vận hành cụ thể vẫn phụ thuộc vào mô hình nghiên cứu, bối cảnh khảo sát và thang đo bạn kế thừa.
Trong luận văn, bạn cần nêu rõ DINESERV được dùng để đo chất lượng dịch vụ hay được dùng như một nhóm biến độc lập tác động đến sự hài lòng, ý định quay lại hoặc truyền miệng tích cực. Nếu chỉ ghi “sử dụng mô hình DINESERV” mà không mô tả biến tiềm ẩn và biến quan sát, phần cơ sở lý thuyết sẽ chưa đủ để kiểm định.
Các thành phần trong mô hình DINESERV
DINESERV thường được triển khai với các nhóm nội dung phản ánh những mặt khác nhau của trải nghiệm tại nhà hàng. Tên nhóm có thể được dịch hơi khác giữa các nghiên cứu, vì vậy bạn nên thống nhất cách gọi ngay từ chương 2 và chương 3.
| Thành phần tham khảo | Nội dung cần đo | Ví dụ biến quan sát |
|---|---|---|
| Phương tiện hữu hình | Không gian, cơ sở vật chất, trang thiết bị và diện mạo nhân viên | Khu vực ăn uống sạch sẽ, bàn ghế được sắp xếp phù hợp |
| Độ tin cậy | Khả năng thực hiện đúng điều nhà hàng đã cam kết | Món ăn được phục vụ đúng yêu cầu, hóa đơn chính xác |
| Khả năng đáp ứng | Mức độ nhanh chóng và chủ động khi phục vụ khách | Nhân viên phản hồi nhanh khi khách cần hỗ trợ |
| Sự đảm bảo | Cảm giác an tâm, năng lực và thái độ chuyên nghiệp | Nhân viên hiểu rõ món ăn và giao tiếp lịch sự |
| Sự đồng cảm | Mức độ quan tâm đến nhu cầu riêng của khách hàng | Nhà hàng chú ý đến yêu cầu đặc biệt của khách |
Năm nhóm trên có cấu trúc gần với năm chiều của SERVQUAL. Vì vậy, khi viết mô hình, bạn phải giải thích lý do dùng DINESERV thay vì sao chép nguyên xi bảng hỏi SERVQUAL. Bạn có thể tham khảo thêm bài về SERVQUAL để đối chiếu cách định nghĩa các chiều đo.
Một số đề tài có thể gộp hoặc điều chỉnh thành phần. Ví dụ, nghiên cứu một chuỗi nhà hàng thức ăn nhanh có thể nhấn mạnh tốc độ phục vụ, độ chính xác của đơn hàng và sự thuận tiện. Nghiên cứu nhà hàng cao cấp có thể chú trọng không gian, sự tinh tế trong phục vụ và khả năng đáp ứng yêu cầu cá nhân.
Việc điều chỉnh này cần dựa trên bối cảnh nghiên cứu, không nên loại bớt một thành phần chỉ vì bảng hỏi dài. Nếu một nhóm có ý nghĩa lý thuyết nhưng chưa phù hợp với đối tượng khảo sát, hãy trình bày rõ lý do điều chỉnh và kiểm tra lại bằng khảo sát thử. Bạn có thể so sánh thêm với mô hình SERVPERF, vì SERVPERF cũng đo cảm nhận thực tế của khách hàng nhưng có logic mô hình khác.
Mô hình gốc và các mở rộng phổ biến
DINESERV được xây dựng theo hướng chuyên biệt hóa đo lường chất lượng dịch vụ cho nhà hàng. Điểm cốt lõi của hướng tiếp cận này là đưa các tình huống khách hàng gặp trong nhà hàng vào biến quan sát, thay vì sử dụng những phát biểu quá chung cho mọi loại dịch vụ.
Trong quá trình áp dụng, mô hình thường được mở rộng bằng cách nối chất lượng dịch vụ với các biến kết quả. Các biến kết quả phổ biến trong luận văn định lượng gồm sự hài lòng, giá trị cảm nhận, ý định quay lại, ý định giới thiệu và lòng trung thành. Khi thêm các biến này, DINESERV trở thành phần chất lượng dịch vụ trong một mô hình cấu trúc rộng hơn.
Bạn cũng có thể đặt giá cả cảm nhận, hình ảnh nhà hàng hoặc trải nghiệm ẩm thực bên cạnh DINESERV. Tuy nhiên, cần tách khái niệm “chất lượng món ăn” khỏi “chất lượng phục vụ” nếu giả thuyết của bạn muốn biết tác động riêng của từng yếu tố. Nếu trộn hai khái niệm vào cùng một nhóm biến, kết quả hồi quy hoặc PLS-SEM sẽ khó giải thích.
Đừng nhầm DINESERV với mô hình 5 khoảng cách chất lượng dịch vụ. Mô hình năm khoảng cách giải thích nơi chất lượng dịch vụ có thể bị sai lệch trong quá trình thiết kế và cung ứng. DINESERV thiên về công cụ đo cảm nhận của thực khách. Hai hướng tiếp cận có thể liên quan, nhưng không thay thế cho nhau.
Khi mở rộng mô hình, mỗi biến mới cần có định nghĩa, nguồn thang đo và giả thuyết riêng. Bạn không nên thêm “khuyến mãi”, “vị trí” hoặc “giá cả” chỉ vì chúng nghe có vẻ liên quan. Một mô hình ít biến nhưng có lập luận và dữ liệu phù hợp thường dễ bảo vệ hơn mô hình có quá nhiều yếu tố.
Thang đo thường dùng cho từng khái niệm
Bạn có thể xây dựng bảng hỏi bằng các phát biểu đo năm thành phần của DINESERV, sau đó bổ sung thang đo cho biến kết quả. Các phát biểu dưới đây chỉ là khung tham khảo để bạn điều chỉnh theo nhà hàng cụ thể. Đây chưa phải bản dịch đã được xác nhận hay một thang đo chắc chắn đạt trong dữ liệu của bạn.
| Khái niệm | Mã tham khảo | Nội dung phát biểu cần điều chỉnh | Nguồn khái niệm liên quan |
|---|---|---|---|
| Phương tiện hữu hình | HT1, HT2, HT3 | Không gian, trang thiết bị và diện mạo nhà hàng tạo cảm giác phù hợp | SERVQUAL, (Parasuraman và cộng sự, 1988) |
| Độ tin cậy | TC1, TC2, TC3 | Nhà hàng thực hiện đúng món, đúng yêu cầu và đúng thời gian đã thông báo | SERVQUAL, (Parasuraman và cộng sự, 1988) |
| Khả năng đáp ứng | DU1, DU2, DU3 | Nhân viên sẵn sàng và phản hồi kịp thời khi khách cần | SERVQUAL, (Parasuraman và cộng sự, 1988) |
| Sự đảm bảo | DB1, DB2, DB3 | Nhân viên tạo sự tin tưởng, lịch sự và hiểu rõ dịch vụ | SERVQUAL, (Parasuraman và cộng sự, 1988) |
| Sự đồng cảm | DC1, DC2, DC3 | Nhà hàng quan tâm đến nhu cầu và hoàn cảnh riêng của khách | SERVQUAL, (Parasuraman và cộng sự, 1988) |
| Sự hài lòng | HL1, HL2, HL3 | Đánh giá tổng thể của khách sau trải nghiệm dùng bữa | Cần chọn nguồn thang đo phù hợp với đề tài |
| Ý định quay lại | QL1, QL2, QL3 | Khả năng khách tiếp tục sử dụng dịch vụ trong tương lai | Cần chọn nguồn thang đo phù hợp với đề tài |
Với thang đo Likert, bạn có thể dùng các mức từ 1 đến 5, trong đó 1 là hoàn toàn không đồng ý và 5 là hoàn toàn đồng ý. Thang Likert xuất phát từ kỹ thuật đo thái độ được trình bày trong (Likert, 1932). Điều quan trọng là phần hướng dẫn phải giải thích rõ khách đang đánh giá nhà hàng nào và lần trải nghiệm nào.
Nếu bạn kế thừa SERVQUAL, hãy ghi nguồn gốc rõ ràng trong chương 3 và nêu các bước dịch, hiệu chỉnh ngữ cảnh. (Parasuraman và cộng sự, 1988) là nguồn trong danh mục được dùng để dẫn cho SERVQUAL và năm chiều chất lượng dịch vụ. Bạn có thể trình bày DINESERV là mô hình chuyên biệt cho nhà hàng, đồng thời nói rõ những phát biểu nào được điều chỉnh từ nhóm thang đo chất lượng dịch vụ.
Sau khi thu dữ liệu, hãy chạy Cronbach's Alpha và xem Corrected Item-Total Correlation. Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn một thang đo khám phá có thể cân nhắc mức Alpha từ 0.6 theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được dẫn theo (Nunnally và Bernstein, 1994). Đây là căn cứ tham khảo, không phải lý do tự động xóa biến khi chưa xem nội dung lý thuyết.
Áp dụng vào đề tài của bạn
Giả sử đề tài của bạn là “Các yếu tố của chất lượng dịch vụ ảnh hưởng đến sự hài lòng của khách hàng tại nhà hàng X”. Khi đó, DINESERV có thể là phần biến độc lập, còn sự hài lòng là biến phụ thuộc. Bạn cần xác định phạm vi khách hàng, thời gian khảo sát và tiêu chí để một người được xem là đã có trải nghiệm đủ để trả lời.
Mô hình khái niệm minh họa gồm năm mũi tên từ năm thành phần DINESERV đến sự hài lòng:
- H1: Phương tiện hữu hình tác động cùng chiều đến sự hài lòng của khách hàng.
- H2: Độ tin cậy tác động cùng chiều đến sự hài lòng của khách hàng.
- H3: Khả năng đáp ứng tác động cùng chiều đến sự hài lòng của khách hàng.
- H4: Sự đảm bảo tác động cùng chiều đến sự hài lòng của khách hàng.
- H5: Sự đồng cảm tác động cùng chiều đến sự hài lòng của khách hàng.
Các giả thuyết này mới là khung minh họa. Bạn cần điều chỉnh cách gọi “tác động” theo thiết kế nghiên cứu và nguồn lý thuyết của đề tài. Nếu muốn chỉ kiểm tra mối liên hệ, có thể dùng “có mối quan hệ cùng chiều”. Nếu dùng hồi quy hoặc PLS-SEM, hãy quy định rõ biến nào là ngoại sinh và biến nào là nội sinh.
Về cỡ mẫu, bạn cần xem tổng số biến quan sát, số nhóm nhân tố và phương pháp phân tích. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát có thể được tham khảo từ (Hair và cộng sự, 2010), nhưng bạn vẫn phải cân nhắc số biến trong mô hình và chất lượng dữ liệu. Với hồi quy tuyến tính, công thức cỡ mẫu tối thiểu theo số biến giải thích có thể tham khảo (Tabachnick và Fidell, 2013).
Nếu đề tài dùng nhà hàng cụ thể, bảng hỏi nên nói rõ tên hoặc loại nhà hàng. Một người vừa ăn tại nhà hàng X có thể đánh giá rất khác một người chỉ nhìn thấy quảng cáo. Bạn cũng nên có câu hỏi sàng lọc như “Bạn đã sử dụng dịch vụ tại nhà hàng X trong khoảng thời gian nào” trước phần đánh giá DINESERV.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn muốn kiểm định Cronbach's Alpha, EFA, tương quan và hồi quy tuyến tính. Với quy trình SPSS, bạn có thể bắt đầu tại Analyze > Scale > Reliability Analysis, đưa các biến HT1 đến HT3 vào cùng một nhóm, rồi chọn Statistics và đánh dấu Scale if item deleted. Sau đó, chạy riêng cho từng thành phần thay vì gộp tất cả biến DINESERV ngay từ đầu.
Tiếp theo, chạy EFA tại Analyze > Dimension Reduction > Factor. Trong phần Descriptives, chọn KMO and Bartlett's test. Trong Extraction, xem eigenvalue và tổng phương sai trích. Trong Rotation, chọn phương pháp xoay phù hợp với giả định về sự liên hệ giữa các nhân tố. KMO từ 0.5 trở lên và Bartlett có ý nghĩa ở mức dưới 0.05 được dẫn theo (Kaiser, 1974). Eigenvalue trên 1 có thể dùng làm quy tắc trích theo (Kaiser, 1960), còn factor loading từ 0.5 và tổng phương sai trích từ 50% được tham khảo theo (Hair và cộng sự, 2010).
Sau EFA, bạn có thể tính điểm trung bình cho từng thành phần rồi chạy hồi quy tại Analyze > Regression > Linear. Đưa HL vào ô Dependent, các nhóm HT, TC, DU, DB và DC vào ô Independent(s). Trong Statistics, chọn Estimates, Model fit, Collinearity diagnostics và Durbin-Watson. Durbin-Watson trong khoảng 1 đến 3 là ngưỡng tham khảo của (Field, 2013). Hãy đọc cả bảng Model Summary, ANOVA và Coefficients, không kết luận chỉ từ một p-value.
Nếu mô hình có nhiều biến tiềm ẩn, mediator hoặc moderator, SmartPLS có thể thuận tiện hơn. Bạn chuẩn bị file .csv, mỗi dòng là một người trả lời và mỗi cột là một biến quan sát, sau đó xây dựng measurement model và structural model trong SmartPLS 4. SmartPLS phù hợp với PLS-SEM, trong đó bạn đánh giá thang đo trước rồi mới đánh giá quan hệ giữa các biến. Quy trình hai bước này được trình bày trong (Anderson và Gerbing, 1988) và hướng dẫn PLS-SEM hiện hành trong (Hair và cộng sự, 2022).
Trong SmartPLS 4, bạn cần kiểm tra Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R-Square, f-Square và kết quả Bootstrapping. Outer loading từ 0.7 trở lên, CR từ 0.7 và AVE từ 0.5 trở lên là các ngưỡng thường được dẫn theo (Chin, 1998) và (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được tham khảo từ (Henseler và cộng sự, 2015).
Dưới đây là bảng minh họa dạng output. Các con số chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Bạn cần thay bằng số liệu trong file .sav hoặc .csv của mình.
số liệu minh họa
| Bảng output | Chỉ số hoặc biến | Giá trị minh họa | Cách đọc |
|---|---|---|---|
| Reliability Statistics | Cronbach's Alpha, Độ tin cậy | 0.842 | Nhóm thang đo có độ nhất quán tốt theo ngưỡng tham khảo |
| Item-Total Statistics | HT2, Corrected Item-Total Correlation | 0.536 | Biến vượt mốc 0.3 trong ví dụ |
| KMO and Bartlett's Test | KMO | 0.781 | Dữ liệu phù hợp để xem xét EFA trong ví dụ |
| KMO and Bartlett's Test | Sig. của Bartlett's Test | 0.000 | Có ý nghĩa thống kê theo cách trình bày SPSS |
| Total Variance Explained | Cumulative % | 63.418 | Tổng phương sai trích vượt mốc tham khảo 50% |
| Rotated Component Matrix | HT1, Factor 1 loading | 0.764 | Biến có tải nhân tố minh họa đạt mốc 0.5 |
| Coefficients | DU, Beta; Sig. | 0.218; 0.014 | Quan hệ cùng chiều và có ý nghĩa trong ví dụ |
| Model Summary | Adjusted R Square | 0.476 | Mô hình giải thích một phần biến thiên của sự hài lòng |
Khi kiểm tra ngưỡng cho mô hình DINESERV, bạn có thể ghi lại căn cứ như bảng sau. Các mốc này không thay thế việc xem xét nội dung biến, kích thước mẫu và đặc điểm dữ liệu.
| Nội dung kiểm tra | Mốc tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | ≥ 0.70 | (Nunnally, 1978) |
| Corrected Item-Total Correlation | ≥ 0.30 | (Nunnally và Bernstein, 1994) |
| KMO | ≥ 0.50 | (Kaiser, 1974) |
| Bartlett's Test | Sig. < 0.05 | (Kaiser, 1974) |
| Eigenvalue khi trích EFA | > 1 | (Kaiser, 1960) |
| Factor loading | ≥ 0.50 | (Hair và cộng sự, 2010) |
| Tổng phương sai trích | ≥ 50% | (Hair và cộng sự, 2010) |
| VIF trong PLS-SEM | < 5 | (Hair và cộng sự, 2019) |
| R² trong PLS-SEM | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² trong PLS-SEM | > 0 | (Stone, 1974) |
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau theo output thật: “Kết quả kiểm định Cronbach's Alpha cho thang đo [tên thành phần] đạt [Alpha], trong khi các giá trị Corrected Item-Total Correlation nằm trong khoảng [giá trị thấp nhất] đến [giá trị cao nhất]. Vì vậy, [số lượng] biến quan sát được giữ lại để thực hiện bước phân tích [EFA/PLS-SEM]. Kết quả hồi quy cho thấy [tên yếu tố] có tác động [cùng chiều/ngược chiều] đến [biến phụ thuộc] với hệ số Beta = [giá trị] và Sig. = [giá trị].”
Bạn cần thay toàn bộ placeholder bằng kết quả thật và ghi rõ biến nào bị loại ở vòng nào. Nếu một biến bị loại vì Corrected Item-Total Correlation thấp, hãy đối chiếu nội dung phát biểu trước khi xóa. Hội đồng thường hỏi lý do loại biến, không chỉ hỏi con số Alpha sau khi loại.
Lỗi thường gặp khi dùng mô hình DINESERV
Lỗi đầu tiên là dùng tên DINESERV nhưng lấy nguyên bảng hỏi của một mô hình khác mà không giải thích. Bạn cần lập bảng đối chiếu nguồn, khái niệm, mã biến và cách điều chỉnh. Nếu tham khảo mô hình SERVQUAL, hãy nói rõ phần nào được kế thừa và phần nào được viết lại cho nhà hàng.
Lỗi thứ hai là gộp năm thành phần thành một biến duy nhất ngay từ đầu. Cách này có thể làm mất thông tin về yếu tố nào ảnh hưởng mạnh hơn đến sự hài lòng. Chỉ gộp khi lý thuyết và kết quả kiểm định ủng hộ cấu trúc đó.
Lỗi thứ ba là xóa hàng loạt biến để làm Alpha tăng. Alpha cao không đủ chứng minh giá trị thang đo. Bạn phải xem Corrected Item-Total Correlation, factor loading, sự phân biệt giữa các nhân tố và ý nghĩa nội dung của biến.
Lỗi thứ tư là dùng CFI, TLI hoặc RMSEA để đánh giá mô hình SmartPLS. Các chỉ số này thuộc nhóm CB-SEM, với các mốc được dẫn trong (Hu và Bentler, 1999). Khi dùng SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.
Lỗi cuối là viết kết luận nhân quả quá mạnh từ dữ liệu khảo sát cắt ngang. Nếu thiết kế của bạn chỉ thu thập dữ liệu tại một thời điểm, hãy trình bày kết quả theo phạm vi mô hình và mẫu khảo sát. Đừng viết rằng DINESERV “chắc chắn” làm khách hàng quay lại chỉ vì một hệ số hồi quy có p-value nhỏ.
Câu hỏi thường gặp
DINESERV là gì và dùng để đo điều gì
DINESERV là mô hình đo chất lượng dịch vụ trong bối cảnh nhà hàng. Mô hình thường được triển khai qua các nhóm biến về phương tiện hữu hình, độ tin cậy, khả năng đáp ứng, sự đảm bảo và sự đồng cảm.
Bạn dùng DINESERV khi muốn biến cảm nhận của thực khách thành dữ liệu định lượng để kiểm định với sự hài lòng, ý định quay lại hoặc lòng trung thành.
DINESERV có giống SERVQUAL không
Hai mô hình có nhiều điểm tương đồng về các chiều chất lượng dịch vụ. SERVQUAL có phạm vi tổng quát hơn, còn DINESERV được điều chỉnh để phản ánh trải nghiệm tại nhà hàng.
Bạn có thể dùng SERVQUAL làm nền tảng tham khảo, nhưng cần giải thích cách các biến quan sát phù hợp với tình huống gọi món, dùng bữa và thanh toán.
Thang đo DINESERV bao nhiêu là đạt
Với Cronbach's Alpha, mốc 0.70 trở lên thường được dẫn theo (Nunnally, 1978), còn nghiên cứu khám phá có thể cân nhắc 0.60 theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.30 trở lên được tham khảo theo (Nunnally và Bernstein, 1994).
Bạn không nên dùng một con số duy nhất để quyết định giữ hay loại biến. Hãy xem thêm factor loading, cấu trúc nhân tố và ý nghĩa lý thuyết của từng phát biểu.
DINESERV nên chạy SPSS hay SmartPLS
SPSS phù hợp với Cronbach's Alpha, EFA và hồi quy tuyến tính khi mô hình của bạn tương đối gọn. SmartPLS phù hợp khi bạn có nhiều biến tiềm ẩn, mô hình đường dẫn, mediator hoặc moderator và muốn đánh giá measurement model cùng structural model.
Công cụ không sửa được bảng hỏi thiếu cơ sở. Trước khi chọn phần mềm, hãy chốt mô hình, mã biến và cách đo lường.
DINESERV bị lỗi khi chạy EFA thì làm sao
Kiểm tra lại kiểu dữ liệu, giá trị thiếu, biến đảo chiều, mã hóa Likert và những biến bị nhập sai cột. Sau đó xem KMO, Bartlett's Test, communalities và Rotated Component Matrix để biết vấn đề nằm ở dữ liệu hay cấu trúc thang đo.
Bạn có thể loại từng biến có loading thấp hoặc tải chéo cao, nhưng cần ghi lại từng vòng chạy và lý do. Nếu phải loại quá nhiều biến, nên quay lại xem cách dịch và cách diễn đạt bảng hỏi thay vì tiếp tục xóa biến.
Bạn hãy mở lại file dữ liệu, lập một bảng mã gồm thành phần, mã biến, nguồn thang đo và quyết định giữ hoặc loại. Sau đó chạy từng nhóm DINESERV trong SPSS hoặc dựng measurement model trong SmartPLS, lưu output theo từng vòng và dùng Mô hình nghiên cứu cùng module M4 phân tích dữ liệu khi cần xử lý chính file .sav hoặc .csv của bạn.