3.3.1 Đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Công cụ phân tích đầu tiên mà tác giả sử dụng là hệ số Cronbach’s Alpha để loại bỏ các biến có độ tin cậy của thang đo thấp vì những biến này có thể tạo ra các nhân tố giả (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009). Cronbach’s Alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát trong thang đo thông qua hệ số Cronbach’s Alpha, biến thiên trong khoảng [0 – 1] (Nguyễn Đình Thọ, 2011).
Về lý thuyết, hệ số Cronbach’s Alpha càng cao càng tốt, thể hiện thang đo có độ tin cậy cao. Tuy nhiên hệ số Cronbach’s Alpha quá cao (gần bằng 1) cũng không
tốt vì nó cho thấy các biến đo lường trong thang đo cùng làm một việc (Nguyễn Đình Thọ, 2011). Do đó, một thang đo được đánh giá là tốt phải có hệ số Cronbach’s Alpha biến thiên trong khoảng [0,7 – 0,8].
Tuy nhiên, nếu chỉ dựa vào hệ số Cronbach’s Alpha, ta sẽ không biết biến nào nên loại bỏ, biến nào nên giữ lại để cải thiện độ tin cậy của thang đo. Vì vậy, bên cạnh hệ số Cronbach’s Alpha, người ta còn sử dụng hệ số tương quan biến tổng (Item – Total Correlation. Hệ số tương quan biến tổng cho biết sự tương quan của một biến đo lường với tổng các biến còn lại trong cùng một thang đo. Biến quan sát nào có hệ số tương quan biến tổng < 0,3 và thành phần thang đo có hệ số Cronbach’s Alpha nhỏ hơn 0,6 thì được xem là biến rác và sẽ loại bỏ khỏi thang đo (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008).
3.3.2 Phân tích nhân tố khám phá (EFA)
Phân tích nhân tố khám phá sẽ trả lời câu hỏi liệu các biến quan sát dùng để xem xét sự tác động của các yếu tố thành phần đến hành vi chia sẻ tri thức có độ kết dính cao hay không và chúng có thể rút gọn lại thành một số lượng yếu tố ít hơn để xem xét hay không. Phân tích nhân tố khám phá nhằm mục đích kiểm tra và xác định lại các nhóm biến trong mô hình nghiên cứu, rút gọn một tập k biến quan sát thành một tập F các nhân tố có ý nghĩa hơn (F<k). Giá trị hội tụ và giá trị phân biệt cũng được đánh giá thông qua bước phân tích EFA (Nguyễn Đình Thọ, 2011).
Với kết quả EFA, ta cần xem xét các yếu tố:
• Kiểm định KMO (Kaiser – Meyer – Olkin measure of sampling adequacy): KMO là một chỉ số dùng để đánh giá sự phù hợp của phân tích nhân tố khám phá (EFA). Trị số KMO lớn (từ 0,5 đến 1) thì bộ dữ liệu sẽ phù hợp để phân tích nhân tố khám phá. KMO càng gần 1 càng tốt vì phần chung giữa các biến càng lớn. Các giá trị của KMO và ý nghĩa: [0,9 – 1]: rất tốt; [0,8 – 0,9]: tốt; [0,7 – 0,8]: được; [0,6 – 0,7]: tạm được; [0,5 – 0,6]: xấu (Nguyễn Đình Thọ, 2011). Trường hợp KMO < 0,5 thì phân tích nhân tố khám phá có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
• Kiểm định Bartlett (Bartlett’s test of sphericity): dùng để kiểm định ma trận tương quan có phải là ma trận đơn vị I hay không. Nếu phép kiểm định Bartlett có p < 5%, ta từ chối giả thuyết H0:Ma trận tương quan là ma trận đơn vị, nghĩa là các biến có tương quan với nhau trong tổng thể (Nguyễn Đình Thọ, 2011).
• Tiêu chí Eigenvalue: số lượng nhân tố được xác định ở nhân tố có eigenvalue tối thiểu bằng 1 (Anderson & Gerbing, 1988).
• Tổng phương sai trích TVE (Total Variance Explained): cho biết các nhân tố rút trích được (các nhân tố có giá trị Eigenvalues ≥ 1) sẽ giải thích được bao nhiêu phần trăm của các biến đo lường. TVE phải đạt từ 50% trở lên mới kết luận mô hình EFA phù hợp (Anderson & Gerbing, 1988).
• Hệ số tải nhân tố (Factor Loading): biểu thị tương quan đơn giữa các biến với nhân tố. Hệ số tải nhân tố > 0,3 được xem là đạt mức tối thiểu, hệ số tải nhân tố > 0,4 được xem là quan trọng, hệ số tải nhân tố > 0,5 được xem là có ý nghĩa thực tiễn (Hair và cộng sự, 2006). Các biến quan sát có hệ số tải nhân tố nhỏ hơn 0,5 trong EFA đều bị loại bỏ để đảm bảo sự hội tụ giữa các biến. Ngoài ra, để đảm bảo giá trị phân biệt của thang đo, chênh lệch giữa các trọng số nhân tố của một biến quan sát phải ≥ 0,3 (Nguyễn Đình Thọ, 2011).
• Phương pháp trích hệ sốđược tác giả sử dụng là phương pháp trích nhân tố Principal Components với phép xoay Varimax áp dụng cho các biến đo lường. Việc phân tích nhân tố sẽđược tiến hành với các biến quan sát độc lập và biến quan sát phụ thuộc, sau đó sẽ loại bỏ từng biến có hệ số truyền tải thấp.
3.3.3 Phân tích hệ số tương quan và phân tích hồi quy tuyến tính
Phân tích hồi quy tuyến tính nhằm mô hình hóa (bằng phương trình hồi quy) mối quan hệ và mức độ phụ thuộc của hành vi chia sẻ tri thức vào các yếu tố ảnh hưởng đến hành vi chia sẻ tri thức, dùng để kiểm định mối tương quan tuyến tính giữa các biến trong mô hình, giữa các biến độc lập với nhau và giữa biến phụ thuộc và biến độc lập. Có hai phương án để đánh giá mức độ tương quan trong phân tích hồi quy tuyến tính là qua đồ thị phân tán hoặc hệ số tương quan Pearson. Trong đó, hệ số
tương quan Pearson càng tiến đến 1 thì hai biến có mối tương quan càng chặt chẽ (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Ngoài ra, tác giả cũng xem xét mối tương quan giữa các biến độc lập với nhau để đảm bảo đa cộng tuyến không xảy ra và đảm bảo mô hình hồi quy tuyến tính sử dụng được. Hệ số đa cộng tuyến có thể được kiểm định thông qua hệ số phóng đại phương sai (VIF), VIF > 10 thì sẽ xảy ra hiện tượng đa cộng tuyến (Nguyễn Đình Thọ, 2011).
Sau phân tích tương quan, tác giả thực hiện kỹ thuật hồi quy dựa trên ước lượng trung bình nhỏ nhất (OLS) với điều kiện là phân phối chuẩn được đảm bảo. Kết quả của hồi quy tuyến tính sẽ giúp kiểm định các giả thuyết đã nêu ra trong chương 2. Trong nghiên cứu này, tác giả quyết định sử dụng các tiêu chuẩn sau trong phân tích hệ số tương quan và phân tích hồi quy tuyến tính:
- Hệ số R2 điều chỉnh là hệ số thể hiện phần biến thiên của hành vi chia sẻ tri thức được giải thích bằng các biến quan sát nhằm đánh giá và kiểm định sự phù hợp của mô hình với tập dữ liệu.
- Kiểm định F (với giá trị sig.) để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
- Đánh giá mức độ tác động giữa các biến độc lập đến biến phụ thuộc thông qua hệ số Beta.
- Cuối cùng, nhằm đánh giá kết quả phân tích hồi quy là phù hợp, các dò tìm vi phạm của giả định cần thiết trong hồi quy tuyến tính được thực hiện. Các giả định được kiểm định bao gồm giả định về liên hệ tuyến tính giữa các biến độc lập, tính độc lập của phần dư và hiện tượng đa công tuyến.
3.3.4 Phân tích sự khác biệt về hành vi chia sẻ tri thức theo các đặc điểm nhân chủng học bằng kiểm định T – Test và ANOVA one – way nhân chủng học bằng kiểm định T – Test và ANOVA one – way
Sau khi có kết quả phân tích hồi quy tuyến tính, tác giả sẽ tiến hành phân tích sự khác biệt về hành vi chia sẻ tri thức của nhân viên làm việc trong ngành truyền thông – quảng cáo ở TP. HCM theo các thông tin về nhân chủng học bao gồm: giới tính, độ tuổi, thời gian làm việc và loại hình công ty. Mục đích của phân tích này nhằm
cung cấp các thông tin cần thiết cho những nhà lãnh đạo công ty hay các nhà quản trị nhân sự nhằm hoạch định các biện pháp thiết thực để khuyến khích, thúc đẩy chia sẻ tri thức trong tổ chức.
Tóm tắt chương 3
Chương 3 đã trình bày phương pháp nghiên cứu. Thang đo nháp được xây dựng từ cơ sở lý thuyết và được điều chỉnh thông qua bước thảo luận nhóm và phỏng vấn chuyên gia. Việc khảo sát chính thức được thực hiện bằng phương pháp phát bản câu hỏi trực tiếp và gửi email đến các đối tượng khảo sát. Dữ liệu thu thập sẽ được phân tích bằng phần mềm SPSS 16.0 theo quy trình, bắt đầu từ phân tích độ tin cây và phân tích nhân tố để rút ra các nhân tố phù hợp cho phân tích hồi quy. Sau khi thực hiện việc kiểm định các giả thuyết mô hình cấu trúc và độ phù hợp của mô hình tổng thể, kết quả hồi quy sẽ xác định những yếu tố nào có ảnh hưởng tích cực và mức độ ảnh hưởng của từng yếu tốđối với hành vi chia sẻ tri thức của nhân viên làm việc trong các công ty truyền thông – quảng cáo trên địa bàn TP. HCM.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
Từ kết quả thu thập dữ liệu như thiết kế ở chương 3, chương 4 sẽ tiến hành phân tích dữ liệu được khảo sát bằng phần mềm SPSS 16.0. Các phân tích dữ liệu trong chương này gồm có: phân tích thống kê mô tả mẫu, phân tích độ tin cậy, phân tích nhân tố, phân tích hồi quy và kiểm định mô hình lý thuyết và cuối cùng là kiểm định ANOVA để xem sự khác biệt về hành vi chia sẻ tri thức khác nhau như thế nào trong các nhóm giới tính, độ tuổi, thời gian làm việc và loại hình công ty.
4.1. Phân tích thống kê mô tả mẫu
Mẫu được chọn theo phương pháp thuận tiện, phi xác suất. Kết quả phân tích thống kê mô tả về đặc điểm của mẫu khảo sát được trình bày chi tiết trong phụ lục và được tổng hợp trong bảng 4.1.
Về giới tính: Trong mẫu 297 người được khảo sát có 138 người tham gia là nam
(46,5%) và 159 người tham gia là nữ (53,5%).
Về độ tuổi: Theo kết quả khảo sát, số mẫu trong độ tuổi Dưới 20 tuổi là 48 người, chiếm 16,2%. Độ tuổi 20 – 25 là 64 người, chiếm 21,6%. Độ tuổi 26 – 35 là 79 người, chiếm 26,6%. Độ tuổi 36 – 50 là 56 người, chiếm 18,8% tổng số lượng mẫu khảo sát. Độ tuổi Trên 50 tuổi là 60 người, chiếm 16,8% tổng số lượng mẫu khảo sát.
Về thời gian làm việc: Nghiên cứu này được khảo sát trên 80 người có thời gian
làm việc dưới 1 năm, 78 người có thời gian làm việc từ 1 – 3 năm, 66 người có có thời gian làm việc từ 4 – 6 năm và 73 người có thời gian làm việc trên 6 năm. Tính theo tỷ lệ phần trăm, số người tham gia khảo sát theo trình tự trên lần lượt là 26,9%; 26,3%; 22,2% và 24,6%.
Về loại hình công ty: Tham gia khảo sát này có 87 người làm việc tại các công
ty quảng cáo, chiếm tỷ lệ 29,3%; 69 người làm việc tại các công ty truyền thông, chiếm tỷ lệ 23,2%; 63 người làm việc tại các công ty nghiên cứu thị trường, chiếm tỷ lệ 21,2% và 78 người làm việc tại các công ty truyền thông – quảng cáo loại hình khác, chiếm tỷ lệ 26,3%.
Bảng 4.1: Thống kê mô tả mẫu khảo sát
Thông tin mẫu Tần suất Tỷ lệ (%) Thông tin mẫu Tần suất Tỷ lệ (%) Giới tính Thời gian làm việc
Nam 138 46,5% Dưới 1 năm 80 26,9%
Nữ 159 53,5% 1 - 3 năm 78 26,3%
4 - 6 năm 66 22,2%
Trên 6 năm 73 24,6%
Độ tuổi
Dưới 20 tuổi 48 16,2% Loại hình công ty
20 - 25 tuổi 64 21,6% Công ty quảng cáo 87 29,3% 26 - 35 tuổi 79 26,6% Công ty truyền thông 69 23,2% 36 - 50 tuổi 56 18,8% Công ty nghiên cứu thị trường 63 21,2%
Trên 50 tuổi 50 16,8% Khác 78 26,3%
Nguồn: Tổng hợp của tác giả
4.2. Phân tích độ tin cậy
4.2.1. Đánh giá độ tin cậy cho các biến độc lập
Kết quả phân tích độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha được trình bày từ bảng 4.2 đến bảng 4.7.
Bảng 4.2: Phân tích độ tin cậy của yếu tố sự tin tưởng – TR
Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến Sự tin tưởng 1 9.00 5.959 .632 .801 Sự tin tưởng 2 9.07 5.974 .660 .787 Sự tin tưởng 3 8.98 6.476 .661 .790 Sự tin tưởng 4 9.19 5.787 .695 .771 Cronbach’s Alpha = 0.832 Nguồn: Kết quả xử lý từ số liệu điều tra của tác giả.
Kết quả phân tích (bảng 4.2) cho thấy hệ số Cronbach’s Alpha của thang đo Sự tin tưởng là 0,832, hệ số tương quan biến tổng của các biến quan sát đều đạt giá trị lớn hơn 0,3. Do vậy, các biến đo lường thành phần này đều đạt yêu cầu và được sử dụng trong việc phân tích nhân tố khám phá (EFA).
Bảng 4.3: Phân tích độ tin cậy của nhóm yếu tố truyền thông – CM Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến Truyền thông 1 9.65 6.270 .756 .846 Truyền thông 2 9.48 6.534 .769 .840 Truyền thông 3 8.45 6.337 .779 .836 Truyền thông 4 9.54 6.952 .679 .874 Cronbach’s Alpha = 0.883 Nguồn: Kết quả xử lý từ số liệu điều tra của tác giả.
Kết quả phân tích (bảng 4.3) cho thấy hệ số Cronbach’s Alpha của thang đo Truyền thông là 0,883, hệ số tương quan biến tổng của các biến quan sát đều đạt giá trị lớn hơn 0,3. Do vậy, các biến đo lường thành phần này đều đạt yêu cầu và được sử dụng trong việc phân tích nhân tố khám phá (EFA).
Bảng 4.4: Phân tích độ tin cậy của nhóm yếu tố hệ thống công nghệ thông tin – IT
Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến CNTT1 9.56 4.842 .641 .800 CNTT2 9.60 4.835 .681 .784 CNTT3 9.48 4.575 .679 .784 CNTT4 9.65 4.499 .659 .794 Cronbach’s Alpha = 0.834 Nguồn: Kết quả xử lý từ số liệu điều tra của tác giả.
Kết quả phân tích (bảng 4.4) cho thấy hệ số Cronbach’s Alpha của thang đo Hệ thống công nghệ thông tin là 0,834, hệ số tương quan biến tổng của các biến quan sát đều đạt giá trị lớn hơn 0,3. Do vậy, các biến đo lường thành phần này đều đạt yêu cầu và được sử dụng trong việc phân tích nhân tố khám phá (EFA).
Bảng 4.5: Phân tích độ tin cậy của nhóm yếu tố hệ thống khen thưởng – RS Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến Khen thưởng 1 6.41 3.405 .788 .841 Khen thưởng 2 6.33 3.133 .828 .803 Khen thưởng 3 6.46 3.506 .739 .882 Cronbach’s Alpha = 0.890 Nguồn: Kết quả xử lý từ số liệu điều tra của tác giả.
Kết quả phân tích (bảng 4.5) cho thấy hệ số Cronbach’s Alpha của thang đo Hệ thống khen thưởng là 0,890, hệ số tương quan biến tổng của các biến quan sát đều đạt giá trị lớn hơn 0,3. Do vậy, các biến đo lường thành phần này đều đạt yêu cầu và được sử dụng trong việc phân tích nhân tố khám phá (EFA).
Bảng 4.6: Phân tích độ tin cậy của nhóm yếu tốđịnh hướng học hỏi – LO
Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến Học hỏi 1 9.97 5.567 .761 .892 Học hỏi 2 9.95 5.812 .777 .885 Học hỏi 3 9.87 5.497 .798 .877 Học hỏi 4 9.92 5.693 .833 .866 Cronbach’s Alpha = 0.907 Nguồn: Kết quả xử lý từ số liệu điều tra của tác giả.
Kết quả phân tích (bảng 4.6) cho thấy hệ số Cronbach’s Alpha của thang đo Định hướng học hỏi là 0,890, hệ số tương quan biến tổng của các biến quan sát đều đạt giá trị lớn hơn 0,3. Do vậy, các biến đo lường thành phần này đều đạt yêu cầu và được sử dụng trong việc phân tích nhân tố khám phá (EFA).
Bảng 4.7: Phân tích độ tin cậy của nhóm yếu tố Văn hóa tổ chức – OC Biến quan sát Trung bình thang đo nếu loại biến Phương sai thang đo nếu loại biến Tương quan biến tổng Cronbach’s Alpha nếu loại biến Văn hóa 1 16.29 12.125 .732 .866 Văn hóa 2 16.31 12.073 .740 .865 Văn hóa 3 16.43 12.226 .683 .873 Văn hóa 4 16.35 12.263 .731 .866