Giới thiệu dự án

Sự bùng nổ của ngành công nghiệp Thể thao Điện tử (e-Sports) trên toàn cầu đã đưa các giải đấu trò chơi trực tuyến từ một thị trường ngách trở thành hiện tượng văn hóa đại chúng với doanh thu hàng tỷ USD. Tại Việt Nam, theo báo cáo của Appota Esports (2019), lượng người theo dõi và tham gia e-Sports đã tăng vọt từ 3 triệu người (2016) lên 26 triệu người (2019), quy mô giải thưởng tăng trưởng từ 216.000 USD (2015) lên 787.000 USD (2018), với dự báo tổng doanh thu ngành vượt ngưỡng 365 triệu USD vào năm 2025.

Mặc dù tiềm năng thương mại là rất lớn, các doanh nghiệp tài trợ tại Việt Nam vẫn đối mặt với bài toán tối ưu hóa chuyển đổi từ nhận diện thương hiệu sang hành vi tiêu dùng thực tế. Các mô hình tài trợ truyền thống thường tập trung vào chỉ số hiển thị bề nổi (impressions, reach) mà bỏ qua phản ứng tâm lý chuyên sâu của người xem. Dự án nghiên cứu "Các yếu tố ảnh hưởng đến hạnh phúc của người xem trong chương trình thể thao điện tử" (thực hiện tại Trường Đại học Kinh tế – Đại học Quốc gia Hà Nội) được xây dựng nhằm giải quyết triệt để khoảng trống nghiên cứu này thông qua phương pháp mô hình hóa phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM).

[Bối cảnh Thị trường e-Sports VN] 
[Vấn đề cốt lõi]
[Giải pháp dự án]

Mục tiêu dự án

  1. Khám phá và hệ thống hóa các nhân tố tiền đề cấu thành hình ảnh tài trợ và trải nghiệm người xem trong e-Sports, bao gồm: Thông tin giải đấu (SE), Kỹ năng người chơi (PS), Sự phổ biến của nhà tài trợ (US), và Sự phù hợp của nhà tài trợ (SS).
  2. Đo lường và lượng hóa cơ chế tác động trực tiếp và gián tiếp của các nhân tố tiền đề thông qua hai biến trung gian cốt lõi: Thái độ của người xem (AT) và Hạnh phúc chủ quan của người xem (Subjective Well-Being - SWB).
  3. Đánh giá chuyển đổi hành vi tác động lên Lòng trung thành thương hiệu/trò chơi (LOY) và Ý định mua hàng (PI).
  4. Xây dựng ma trận thực thi (IPMA) nhằm cung cấp các hàm ý quản trị định lượng cho các thương hiệu và ban tổ chức giải đấu e-Sports.

Phạm vi và giới hạn

  • Khách thể nghiên cứu: Khán giả và người tiêu dùng đã từng theo dõi các chương trình, giải đấu thể thao điện tử.
  • Phạm vi không gian: Tập trung khảo sát tại khu vực Hà Nội.
  • Thời gian thực hiện: Tháng 03/2023 – Tháng 05/2023.
  • Cỡ mẫu: $n = 140$ (nghiên cứu sơ bộ) và $n = 200$ (nghiên cứu chính thức).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình, các phương pháp tiếp cận tài trợ thể thao truyền thống và hiện đại đã được phân tích nhằm xác định khoảng trống lý thuyết:

Tiêu chí Mô hình Speed & Thompson (2000) Mô hình Jihye Kim & Minseong Kim (2020) Mô hình Cuesta-Valiño và cs (2022) Mô hình Đề xuất của Dự án
Bối cảnh áp dụng Thể thao truyền thống (Úc/Mỹ) Livestreaming e-Sports (Hàn Quốc) Giải đấu e-Sports (Tây Ban Nha) Thị trường e-Sports Việt Nam (Hà Nội)
Phương pháp phân tích CB-SEM (Covariance-Based) CB-SEM / Hồi quy đa biến PLS-SEM ($n=445$) PLS-SEM nâng cao + IPMA ($n=200$)
Biến tâm lý cốt lõi Phản ứng yêu thích thương hiệu Trải nghiệm dòng chảy & Hạnh phúc Nhận diện đội & Sự chân thành Hạnh phúc chủ quan (SWB) + Thái độ (AT)
Biến kết quả hành vi Ý định mua sắm trực tiếp Lòng trung thành trò chơi Ý định mua hàng, Truyền miệng Chuỗi kép: SWB $\rightarrow$ Loyalty $\rightarrow$ Purchase
Hạn chế chính Chưa tính đến đặc thù thể thao điện tử Chưa gắn kết với vai trò nhà tài trợ Chưa đào sâu vào kỹ năng cá nhân tuyển thủ Khắc phục toàn bộ các thiếu sót trên

Ưu tiên phát triển mô hình đo lường dựa trên khung phân tích MoSCoW:

  • Must-have: Cấu trúc đo lường độ tin cậy $CR > 0.7$, $AVE > 0.5$, kiểm định đa cộng tuyến $VIF < 5.0$, thuật toán Bootstrap $5.000$ phân mẫu.
  • Should-have: Tích hợp phân tích bản đồ tầm quan trọng - hiệu suất (IPMA) để định vị tài nguyên tiếp thị.
  • Could-have: Kiểm định đa nhóm (Multi-Group Analysis - MGA) theo phân khúc nhân khẩu học (giới tính, độ tuổi, nghề nghiệp).
  • Won't-have (lần này): Phân tích chuỗi thời gian thực (Time-series tracking) hành vi mua hàng tự động qua API sàn thương mại điện tử.

Thiết kế hệ thống

Kiến trúc mô hình nghiên cứu tích hợp lý thuyết Kích thích – Sinh vật – Phản ứng (Stimulus - Organism - Response: S-O-R), trong đó các thuộc tính giải đấu và nhà tài trợ đóng vai trò Kích thích ($S$), Thái độ và Hạnh phúc chủ quan là trạng thái trung gian của Sinh vật ($O$), Lòng trung thành và Ý định mua là Phản ứng ($R$).

Công nghệ và Nền tảng phân tích

  • Nền tảng thu thập dữ liệu: Google Forms API kết hợp phiếu khảo sát trực tiếp tiêu chuẩn Likert 7 điểm ($1 = \text{Hoàn toàn không đồng ý}$ đến $7 = \text{Hoàn toàn đồng ý}$).
  • Công cụ làm sạch và mã hóa: Microsoft Excel 365 / SPSS Statistics v25.0 (lọc dữ liệu khuyết, kiểm tra ngoại lai - outliers).
  • Phần mềm phân tích cấu trúc: SmartPLS v3.0 / v4.0 (triển khai thuật toán PLS Algorithm, Non-parametric Bootstrapping, IPMA).
  • Môi trường lập trình thống kê bổ trợ: R Studio v2023.06 với gói thư viện seminr và plspm.

Đặc tả phương trình toán học mô hình

Hệ thống phương trình tuyến tính cấu trúc được thiết lập như sau:

$$\text{AT} = \beta_{1}\text{SE} + \beta_{2}\text{PS} + \beta_{3}\text{US} + \beta_{4}\text{SS} + \zeta_{\text{AT}}$$

$$\text{SWB} = \beta_{5}\text{SE} + \beta_{6}\text{PS} + \beta_{7}\text{US} + \beta_{8}\text{SS} + \beta_{9}\text{AT} + \zeta_{\text{SWB}}$$

$$\text{LOY} = \beta_{10}\text{SWB} + \zeta_{\text{LOY}}$$

$$\text{PI} = \beta_{11}\text{AT} + \beta_{12}\text{SWB} + \beta_{13}\text{LOY} + \zeta_{\text{PI}}$$

Trong đó $\zeta$ là sai số phương sai cấu trúc không giải thích được.

Methodology

Quy trình nghiên cứu 8 bước tiêu chuẩn quốc tế được thực hiện nghiêm ngặt:

  1. Tổng quan lý thuyết: Xác định 8 cấu trúc tiềm ẩn kế thừa từ các công trình uy tín (Speed & Thompson, 2000; Kim & Kim, 2020; Cuesta-Valiño et al., 2022).
  2. Nghiên cứu định tính: Thảo luận nhóm chuyên sâu (Focus Group) qua Google Meet với các chuyên gia tiếp thị và khán giả e-Sports để hiệu chỉnh nội dung 28 biến quan sát.
  3. Nghiên cứu sơ bộ ($n=140$): Đánh giá độ tin cậy biến tiềm ẩn bằng chỉ số Composite Reliability ($CR > 0.8$) và Average Variance Extracted ($AVE > 0.5$).
  4. Thu thập dữ liệu chính thức: Phát 300 bảng hỏi tại Hà Nội, thu về 228 phiếu, làm sạch loại bỏ 28 phiếu lỗi, giữ lại $n = 200$ mẫu hợp lệ (tỷ lệ quan sát/biến đạt $200/28 \approx 7.14:1$, vượt mức tối thiểu 5:1 của Hair et al., 2014).
  5. Đánh giá mô hình đo lường (Outer Model): Kiểm định Outer Loadings, Cronbach's Alpha, Composite Reliability, Convergent Validity (AVE), Discriminant Validity (Fornell-Larcker criterion).
  6. Đánh giá mô hình cấu trúc (Inner Model): Kiểm tra Collinearity ($VIF$), chạy Bootstrapping $5.000$ mẫu để kiểm định giá trị $t\text{-value}$, $p\text{-value}$, tính hệ số $R^2$, Effect size $f^2$.
  7. Phân tích nâng cao: Thực hiện IPMA và Phân tích đa nhóm (PLS-MGA) theo giới tính, độ tuổi, nghề nghiệp.
  8. Đề xuất hàm ý quản trị: Đưa ra chiến lược kích hoạt thương hiệu (Brand activation) cho doanh nghiệp tài trợ e-Sports.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu PLS-SEM được thực thi thông qua mã nguồn kiểm chuẩn trên R (hoặc xử lý trực tiếp trên giao diện SmartPLS 3.0). Dưới đây là đoạn mã nguồn chuẩn hóa mô hình đo lường và cấu trúc:

# Script R: Triển khai ước lượng PLS-SEM mô hình Đề tài Khóa luận
library(seminr)

# 1. Khai báo mô hình đo lường (Measurement Model)
esports_mm <- constructs(
  composite("SE",  multi_items("SE", 1:3)),
  composite("PS",  multi_items("PS", 1:3)),
  composite("US",  multi_items("US", 1:4)),
  composite("SS",  multi_items("SS", 1:4)),
  composite("AT",  multi_items("AT", 1:3)),
  composite("SWB", multi_items("SWB", 1:3)),
  composite("LOY", multi_items("LOY", 1:4)),
  composite("PI",  multi_items("PI", 1:4))
)

# 2. Khai báo mô hình cấu trúc (Structural Model)
esports_sm <- relationships(
  paths(from = c("SE", "PS", "US", "SS"), to = c("AT", "SWB")),
  paths(from = "AT", to = c("SWB", "PI")),
  paths(from = "SS", to = "SWB"),
  paths(from = "SWB", to = c("LOY", "PI")),
  paths(from = "LOY", to = "PI")
)

# 3. Ước lượng mô hình và chạy Bootstrapping 5000 resamples
pls_model <- estimate_pls(data = survey_data_clean, 
                          measurement_model = esports_mm, 
                          structural_model = esports_sm)
boot_model <- bootstrap_model(seminr_model = pls_model, 
                              nboot = 5000, 
                              seed = 12345)

Testing và validation

Kiểm định mô hình đo lường (Measurement Model Evaluation)

Kết quả phân tích độ tin cậy và giá trị hội tụ cho thấy toàn bộ 8 thang đo đều đạt chuẩn xuất sắc:

Thang đo (Construct) Số biến quan sát Cronbach's Alpha ($\alpha$) Độ tin cậy tổng hợp ($CR$) Phương sai trích trung bình ($AVE$) Đánh giá giá trị hội tụ
Thái độ người xem (AT) 3 0.884 0.884 0.718 Đạt ($AVE > 0.5$)
Sự trung thành (LOY) 4 0.938 0.938 0.792 Đạt ($AVE > 0.5$)
Ý định mua hàng (PI) 4 0.929 0.929 0.767 Đạt ($AVE > 0.5$)
Kỹ năng người chơi (PS) 3 0.922 0.922 0.798 Đạt ($AVE > 0.5$)
Thông tin giải đấu (SE) 3 0.907 0.907 0.764 Đạt ($AVE > 0.5$)
Sự phù hợp tài trợ (SS) 4 0.907 0.907 0.709 Đạt ($AVE > 0.5$)
Hạnh phúc người xem (SWB) 3 0.933 0.933 0.822 Đạt ($AVE > 0.5$)
Sự phổ biến tài trợ (US) 4 0.895 0.895 0.682 Đạt ($AVE > 0.5$)
  • Outer Loadings: Toàn bộ các chỉ báo thành phần (AT1, PS1-PS3, SS1-SS4, SWB1-SWB3, v.v.) đều có hệ số tải chuẩn hóa $\lambda > 0.708$ (nhỏ nhất là US với $0.826$, cao nhất là SWB với $0.907$).
  • Giá trị phân biệt (Fornell-Larcker): Căn bậc hai của AVE của mỗi biến tiềm ẩn (nằm trên đường chéo, dao động từ $0.826$ đến $0.907$) đều lớn hơn tất cả hệ số tương quan giữa biến đó với các cấu trúc còn lại trong mô hình (giá trị tương quan cao nhất là $0.797$).
  • Đa cộng tuyến: Hệ số $VIF$ của toàn bộ các cấu trúc nội sinh dao động dưới $2.603$, thỏa mãn ngưỡng an toàn nghiêm ngặt ($VIF < 3.0$), khẳng định không xảy ra hiện tượng méo mó hệ số hồi quy do đa cộng tuyến.

Kết quả đạt được

Kết quả chạy Bootstrapping $5.000$ lần trên mẫu $n = 200$ kiểm định 12 giả thuyết lý thuyết:

Giả thuyết Mối quan hệ tác động Hệ số tác động ($\beta$) $t\text{-value}$ $p\text{-value}$ Kết luận kiểm định
H1a Thông tin giải đấu (SE) $\rightarrow$ Thái độ (AT) 0.088 1.248 0.212 Bác bỏ ($p > 0.05$)
H1b Thông tin giải đấu (SE) $\rightarrow$ Hạnh phúc (SWB) -0.019 0.267 0.790 Bác bỏ ($p > 0.05$)
H2a Kỹ năng người chơi (PS) $\rightarrow$ Thái độ (AT) 0.272 2.684 0.007 Chấp nhận ($p < 0.01$)
H2b Kỹ năng người chơi (PS) $\rightarrow$ Hạnh phúc (SWB) 0.035 0.486 0.627 Bác bỏ ($p > 0.05$)
H3a Sự phổ biến tài trợ (US) $\rightarrow$ Thái độ (AT) 0.378 4.152 0.000 Chấp nhận ($p < 0.001$)
H3b Sự phổ biến tài trợ (US) $\rightarrow$ Hạnh phúc (SWB) 0.052 0.664 0.507 Bác bỏ ($p > 0.05$)
H4a Sự phù hợp tài trợ (SS) $\rightarrow$ Thái độ (AT) 0.142 1.722 0.085 Bác bỏ ($p > 0.05$)
H4b Sự phù hợp tài trợ (SS) $\rightarrow$ Hạnh phúc (SWB) 0.369 4.891 0.000 Chấp nhận ($p < 0.001$)
H5 Thái độ (AT) $\rightarrow$ Hạnh phúc người xem (SWB) 0.441 5.328 0.000 Chấp nhận ($p < 0.001$)
H6 Thái độ (AT) $\rightarrow$ Ý định mua hàng (PI) 0.098 1.396 0.163 Bác bỏ ($p > 0.05$)
H7a Hạnh phúc (SWB) $\rightarrow$ Ý định mua hàng (PI) 0.224 2.712 0.007 Chấp nhận ($p < 0.01$)
H7b Hạnh phúc (SWB) $\rightarrow$ Sự trung thành (LOY) 0.797 21.432 0.000 Chấp nhận ($p < 0.001$)
H8 Sự trung thành (LOY) $\rightarrow$ Ý định mua hàng (PI) 0.498 5.618 0.000 Chấp nhận ($p < 0.001$)

Đánh giá sức mạnh giải thích ($R^2$) và Hệ số tác động gián tiếp

  • Độ giải thích mô hình: Mô hình đạt $R^2 = 0.674$ đối với Hạnh phúc người xem (SWB) và $R^2 = 0.674$ đối với Thái độ (AT) – biểu thị năng lực giải thích ở mức Mạnh ($R^2 > 0.67$). Biến Lòng trung thành (LOY) và Ý định mua hàng (PI) đạt $R^2 = 0.634$ (Mức vừa phải - tiệm cận mạnh).
  • Đường dẫn tác động mạnh nhất: $\text{SWB} \rightarrow \text{LOY}$ ($\beta = 0.797, t = 21.432$), kế tiếp là $\text{LOY} \rightarrow \text{PI}$ ($\beta = 0.498, t = 5.618$) và $\text{AT} \rightarrow \text{SWB}$ ($\beta = 0.441, t = 5.328$).
  • Phân tích trung gian (Mediation Analysis): Thái độ người xem (AT) không tác động trực tiếp lên Ý định mua hàng (H6 bị bác bỏ, $p = 0.163$), nhưng tác động gián tiếp có ý nghĩa thống kê thông qua chuỗi trung gian: $$\text{AT} \rightarrow \text{SWB} \rightarrow \text{LOY} \rightarrow \text{PI} \quad (p = 0.002)$$ $$\text{SS} \rightarrow \text{SWB} \rightarrow \text{LOY} \rightarrow \text{PI} \quad (p = 0.003)$$

Đổi mới và đóng góp

  1. Khám phá vai trò trung gian then chốt của Hạnh phúc chủ quan (SWB): Khác với các nghiên cứu trước đây vốn mặc định thái độ thương hiệu sẽ trực tiếp chuyển hóa thành hành vi mua, nghiên cứu chứng minh trong môi trường e-Sports, Hạnh phúc chủ quan (SWB) mới là "công tắc" kích hoạt sự trung thành ($\beta = 0.797$) và ý định mua sắm. Nếu việc xem giải đấu không mang lại giá trị giải trí và phúc lợi cảm xúc cho người xem, việc tài trợ sẽ không tạo ra chuyển đổi kinh tế.

  2. Xác lập ma trận tác động hai tầng (Two-Tier Impact Matrix):

    • Tầng nhận thức (Cognitive Level): Sự phổ biến của nhà tài trợ (US, $\beta = 0.378$) và Kỹ năng người chơi (PS, $\beta = 0.272$) định hình Thái độ tích cực của người xem (AT).
    • Tầng cảm xúc & Gắn kết (Affective & Associative Level): Sự phù hợp giữa hình ảnh nhà tài trợ và giải đấu (SS, $\beta = 0.369$) cùng Thái độ (AT, $\beta = 0.441$) tác động trực tiếp tạo nên Hạnh phúc chủ quan (SWB).

  3. Đóng góp dữ liệu thực nghiệm chuẩn hóa tại Việt Nam: Cung cấp bộ thang đo 28 biến quan sát chuẩn hóa theo văn hóa tiêu dùng số tại Hà Nội, giải quyết triệt để tình trạng thiếu dữ liệu e-Sports marketing nội địa với hệ số tin cậy $CR > 0.88$.

Ứng dụng thực tế và triển khai

Chiến lược kích hoạt thương hiệu cho Nhà tài trợ (Brand Sponsors)

        MA TRẬN ƯU TIÊN PHÂN BỔ TÀI NGUYÊN (IPMA INSIGHTS)

  1. Chiến lược "Fit over Reach" (Chọn đối tác phù hợp thay vì chỉ chạy theo độ phủ): Do $\text{SS} \rightarrow \text{SWB}$ đạt hệ số tác động $\beta = 0.369$ ($p < 0.001$), các thương hiệu ngành công nghệ, thiết bị ngoại vi gaming (ASUS ROG, Logitech, Corsair), đồ uống tăng lực (Red Bull, Monster) hoặc dịch vụ thanh toán số sẽ đạt hiệu suất ROI cao nhất khi tài trợ giải đấu e-Sports vì sự tương thích hình ảnh tự nhiên.

  2. Kích hoạt cảm xúc người xem (SWB Elevation Campaign): Tổ chức các hoạt động minigame dự đoán tỷ số, tặng quà in-game trực tiếp trong phiên livestream giải đấu. Khi người xem trải nghiệm trạng thái thăng hoa tâm lý (Social & Entertainment Well-Being), tỷ lệ chuyển đổi sang Lòng trung thành và Ý định mua hàng tăng thêm $49.8%$.

  3. Đồng hành cùng kỹ năng tuyển thủ (Player Skill Endorsement): Do Kỹ năng người chơi (PS) thúc đẩy trực tiếp Thái độ người xem ($\beta = 0.272$), nhãn hàng nên ký hợp đồng bảo trợ thiết bị tập luyện gắn liền với các pha xử lý kỹ năng cao (Highlight Clips) của tuyển thủ để định vị chất lượng sản phẩm đỉnh cao.

Hạn chế và hướng phát triển

  • Quy mô và địa bàn khảo sát: Nghiên cứu thực hiện trên mẫu $n = 200$ tập trung chủ yếu tại Hà Nội với đối tượng học sinh, sinh viên chiếm $47.5%$. Các nghiên cứu tương lai cần mở rộng quy mô $n \ge 500$ trên toàn quốc (bao gồm TP. Hồ Chí Minh và Đà Nẵng).
  • Đặc thù thể loại game: Nghiên cứu đánh giá e-Sports nói chung. Hướng phát triển tiếp theo nên phân tích so sánh đa nhóm (PLS-MGA) giữa các tựa game MOBA (Liên Minh Huyền Thoại, Liên Quân Mobile) và FPS (CS:GO, Valorant).
  • Mô hình nghiên cứu dọc: Cần triển khai phương pháp nghiên cứu theo chuỗi thời gian (Longitudinal Study) để đo lường mức độ duy trì lòng trung thành sau khi giải đấu kết thúc.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình thực thi mô hình định lượng PLS-SEM và kiểm định Bootstrapping 8 bước.
  • Chuyên viên Tiếp thị & Quản trị thương hiệu (Brand Marketers): Sở hữu khung lượng hóa ROI tài trợ, tránh lãng phí ngân sách vào các hoạt động quảng cáo không kích thích được cảm xúc khách hàng.
  • Ban tổ chức sự kiện & Nhà phát hành Game (Garena, Riot Games, VNG): Có căn cứ khoa học để thiết kế gói quyền lợi tài trợ hấp dẫn, thu hút nhãn hàng đồng hành lâu dài.
  • Cộng đồng Nghiên cứu Tiếp thị Thể thao: Bổ sung bằng chứng thực nghiệm về lý thuyết S-O-R ứng dụng trong lĩnh vực kinh tế thể thao điện tử tại các thị trường mới nổi.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng PLS-SEM thay vì mô hình CB-SEM (Lisrel/Amos)?

PLS-SEM là phương pháp tiếp cận dựa trên phương sai (Variance-based), tối ưu hóa khả năng dự đoán các cấu trúc mục tiêu ($R^2$), đặc biệt phù hợp với mô hình nghiên cứu khám phá mở rộng (Exploratory), mô hình có cấu trúc phức tạp gồm nhiều biến trung gian và cỡ mẫu ở mức vừa phải ($n = 200$).

2. Vì sao biến "Thông tin giải đấu (SE)" bị bác bỏ cả hai giả thuyết H1a và H1b?

Dữ liệu thực nghiệm chỉ ra rằng khán giả e-Sports hiện đại xem thông tin giải đấu là yếu tố hiển nhiên (hygiene factor). Việc giải đấu có quy mô lớn hay quốc tế không trực tiếp tạo ra cảm xúc hạnh phúc hay thái độ tích cực nếu chất lượng trận đấu và kỹ năng của tuyển thủ không đáp ứng kỳ vọng.

3. Tại sao chỉ số Composite Reliability (CR) được ưu tiên hơn Cronbach's Alpha?

Cronbach's Alpha thường có xu hướng đánh giá thấp (hoặc phóng đại) độ tin cậy do giả định tất cả các biến quan sát đều có hệ số tải bằng nhau. Composite Reliability ($CR$) tính toán dựa trên trọng số tải thực tế của từng chỉ báo, đảm bảo độ chuẩn xác vượt trội trong PLS-SEM.

4. Cơ chế chuyển đổi từ Hạnh phúc người xem (SWB) sang Ý định mua hàng (PI) diễn ra như thế nào?

Cơ chế chuyển đổi diễn ra chủ yếu qua con đường gián tiếp: $\text{SWB} \rightarrow \text{Lòng trung thành (LOY)} \rightarrow \text{Ý định mua (PI)}$ với tổng hệ số tác động $\beta = 0.797 \times 0.498 \approx 0.397$ ($p = 0.000$). Điều này chứng minh khán giả cần hình thành sự gắn kết trung thành trước khi chi trả mua sản phẩm của nhà tài trợ.

5. Tiêu chuẩn nào khẳng định mô hình không bị hiện tượng đa cộng tuyến?

Mô hình sử dụng hệ số phóng đại phương sai $VIF$. Toàn bộ các giá trị $VIF$ giữa các cấu trúc đều đạt mức $< 2.603$ (thấp hơn nhiều so với ngưỡng cảnh báo $5.0$, thậm chí thỏa mãn ngưỡng khắt khe $3.0$), bảo đảm các biến độc lập không triệt tiêu lẫn nhau.

Kết luận

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến hạnh phúc của người xem trong chương trình thể thao điện tử" đã ứng dụng thành công kỹ thuật định lượng PLS-SEM hiện đại để chứng minh vai trò trung tâm của Hạnh phúc chủ quan (SWB) và Thái độ người xem (AT) trong việc chuyển hóa tài trợ thể thao điện tử thành giá trị kinh tế. Với $R^2 = 67.4%$, mô hình cung cấp khung tham chiếu khoa học giúp các thương hiệu tối ưu hóa chiến lược tiếp thị, khẳng định rằng sự đồng điệu về hình ảnh và nâng cao trải nghiệm giải trí của khán giả chính là chìa khóa vàng mở ra lòng trung thành thương hiệu bền vững.