3.3.1. Phân tích tương quan
Dữ liệu dùng trong phân tích hồi quy tương quan được người nghiên cứu lựa
chọn là dữ liệu chuẩn hóa (được suất ra từ phần mềm SPSS sau quá trình phân tích nhân tố khám phá). Để xác định mối quan hệ nhân quả giữa các biến trong mô hình,
bước đầu tiên ta cần phân tích tương quan giữa các biến xem thử có mối liên hệ tuyến
tính giữa biến độc lập và biến phụ thuộc hay không. Kết quả của phần phân tích này
dù không xác định được mối quan hệ nhân quả giữa biến phụ thuộc và biến độc lập nhưng nó đóng vai trò làm cơ sở cho phân tích hồi qui. Các biến biến phụ thuộc và biến độc lập có tương quan cao với nhau báo hiệu sự tồn tại của mối quan hệ tiềm ẩn
giữa hai biến. Đồng thời, việc phân tích tương quan còn làm cơ sở để dò tìm sự vi
phạm giả định của phân tích hồi qui tuyến tính: các biến độc lập có tương quan cao với
Bảng 3.17: Ma trận hệ số tương quan giữa các biến độc lập và phụ thuộc Cấp trên và đào tạo Lương và phúc lợi Điều kiện làm việc Đặc điểm công việc Đồng nghiệp Sự hài lòng Cấp trên và đào tạo 1 ,466** ,692** ,386** ,101 ,569**
Lương và phúc lợi ,466** 1 ,417** ,223* ,046 ,546**
Điều kiện làm việc ,692** ,417** 1 ,294** ,019 ,472**
Đặc điểm công việc ,386** ,223* ,294** 1 ,221* ,465**
Đồng nghiệp ,101 ,046 ,019 ,221* 1 ,254* Sự thỏa mãn ,569** ,546** ,472** ,465** ,254* 1
**: Hệ số tương quan có ý nghĩa thống kê ở mức 1%.
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Qua bảng hệ số tương quan trên chúng ta nhận thấy các hệ số tương quan đều
có giá trị khá cao (không cao hơn 70%) nhưng vẫn đủ để kết luận hoàn toàn không có dấu hiệu đa cộng tuyến giữa các biến độc lập, dữ liệu hoàn toàn phù hợp cho phân tích
hồi quy. Đặc biệt, các hệ số tương quan giữa mỗi biến độc lập (Cấp trên và đào tạo, Lương và phúc lợi, Điều kiện làm việc, Đặc điểm công việc, Đồng nghiệp) với biến
phụ thuộc (Sự thỏa mãn) có giá trị lớn hơn hẳn các giá trị các và đều có ý nghĩa thống
kê ở mức 1%, cho thấy có sự tương quan giữa mỗi biến độc lập với biến phụ thuộc.
3.3.2. Phân tích hồi quy
Đề tài sử dụng phương pháp hồi quy để dự đoán cường độ tác động của các yếu
tố thỏa mãn đến sự thỏa mãn chung của cán bộ. Biến phụ thuộc là yếu tố “mức độ thỏa
mãn của cán bộ” và biến độc lập là các yếu tố thỏa mãn được rút ra từ quá trình phân tích EFA và kiểm định với mức ý nghĩa 5%. Mô hình dự đoán có thể là:
Yi = β0 + β1X1i +β2 X2i +β3 X3i + … βk Xki + εi
Trong đó:
Yi = biến phụ thuộc (mức độ thỏa mãn công việc của cán bộ)
Xk = các biến độc lập (các yếu tố tác động đến sự thỏa mãn trong công việc) β0 = hằng số
βk = các hệ số hồi quy (i > 0)
Biến phụ thuộc là yếu tố sự thỏa mãn chung và biến độc lập là các yếu tố thỏa
mãn được rút ra từ quá trình phân tích nhân tố EFA và có ý nghĩa trong phân tích tương quan Pearson. Kết quả của mô hình sẽ giúp ta xác định được mức độ ảnh hưởng
của các yếu tố tác động đến sự thỏa mãn trong công việc của cán bộ. Phân tích hồi quy
tuyến tính đa biến bằng phương pháp Enter, trong đó biến phụ thuộc là sự thỏa mãn công việc nói chung, biến độc lập dự kiến là sự thỏa mãn đối với Cấp trên và đào tạo, Lương và phúc lợi, Điều kiện làm việc, Đặc điểm công việc, Đồng nghiệp.
Trong phương pháp này , hệ số xác định R2 điều chỉnh được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để khẳng định khả năng mở rộng mô
hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi
quy của tổng thể bằng 0.
Cuối cùng, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng
cuối cùng là phù hợp, dò tìm sự vi phạm của giả định trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm liên hệ tuyến tính
(dùng biểu đồ phân tán Scatterplot), phương sai của phần dư không đổi (dùng hệ số tương quan hạng Spearman), phân phối chuẩn của phần dư (dùng Histogram và Q-Q
plot), tính độc lập của phần dư (dùng đại lượng thống kê Durbin-Watson), hiện tượng đa cộng tuyến (tính độ chấp nhận Tolerance và hệ số phóng đại VIF).
Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được cường độ ảnh hưởng
của các biến độc lập lên biến phụ thuộc. Biến phụ thuộc ở đây là sự thỏa mãn của cán bộ còn biến độc lập là các biến : Cấp trên và đào tạo X1, Lương và phúc lợi X2, Điều
kiện làm việc X3, Đặc điểm công việc X4, Đồng nghiệp X5. Ta có phương trình tổng quát được xây dựng như sau:
Xo = β0 + β1* X1 + β2* X2 + β3* X3 + β4* X4+ β5* X5
Trong đó:
1 Biến phụ thuộc: X0 ( Mức độ thỏa mãn của cán bộ).
2 Các biến độc lập là: Cấp trên và đào tạo X1, Lương và phúc lợi X2, Điều kiện
làm việc X3, Đặc điểm công việc X4, Đồng nghiệp X5
3.3.3. Xây dựng phương trình hồi quy tuyến tính
Bước tiếp theo ta tiến hành xây dựng phương trình hồi quy tuyến tính. Dựa vào
cơ sở lý thuyết và kết quả phân tích ở trên, ta sẽ đưa tất cả các biến độc lập trong mô
dựa trên tiêu chí chọn những biến có mức ý nghĩa < 0.05.
Kết quả phân tích hồi quy cho các biến số được thể hiện thông qua các bảng
sau:
Bảng 3.18: Kết quả phân tích hồi quy lần thứ nhất
Hệ số biến đổi Model R R Square R. Square điều chỉnh Sai số R Square Change F Change df1 df2 Sig, F Change Durbin- Watson 1 ,717a ,514 ,485 ,43283 ,514 17,794 5 84 ,000 1,681
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Trị số R có giá trị 0,717 cho thấy mối quan hệ giữa các biến trong mô hình có mối tương quan chặt chẽ. Báo cáo kết quả hồi qui của mô hình cho thấy giá trị R2 (R Square) bằng 0,514, điều này nói lên độ thích hợp của mô hình là 51,4% hay nói cách khác là 51,4% sự biến thiên của biến Sự hài lòng được giải thích bởi 5 thành phần. Giá
trị R điều chỉnh (Adjusted R Square) phản ánh chính xác hơn sự phù hợp của mô hình
đối với tổng thể, ta có giá trị R điều chỉnh bằng 0,514 (hay 51,4%) có nghĩa tồn tại mô
hình hồi qui tuyến tính giữa Sự hài lòng và 5 thành phần.
Kiểm tra bảng phân tích phương sai ANOVA ta được kết quả như sau:
Bảng 3.19 Phân tích phương sai ANOVA lần thứ nhất
Model Tổng df Trung bình F Sig.
Regression 16,667 5 3,333 17,794 ,000a
Residual 15,736 84 ,187
1
Total 32,403 89
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Phân tích phương sai ANOVA cho thấy trị số F có mức ý nghĩa
Sig.=0,000 (nhỏ hơn 0,05), có nghĩa là mô hình hồi qui phù hợp với sữ liệu thu thập được và các biến đưa vào đều có ý nghĩa trong thống kê với mức ý nghĩa 5%. Thống
kê giá trị F = 17,794 được dùng để kiểm định giả thiết H0, ở đây ta thấy mối quan hệ
tuyến tính là có ý nghĩa với p_value < 0,05. Ta có thể bác bỏ giả thiết H0 cho rằng hệ
số góc của 5 thành phần bằng 0. Như vậy, các biến độc lập trong mô hình có quan hệ đối với biến phụ thuộc Sự hài lòng.
Bảng 3.20. Các hệ số hồi qui trong mô hình lần thứ nhất
Sai số
Hệ số tiêu chuẩn
Model B Std.Error Beta t Sig.
(Constant) -,125 ,453 -,275 ,784
Cấp trên và đào tạo ,233 ,109 ,242 2,141 ,035
Lương ,380 ,099 ,335 3,851 ,000 Điều kiện ,070 ,081 ,093 ,872 ,386 Đặc điểm ,208 ,075 ,234 2,780 ,007 1 Đồng nghiệp ,141 ,069 ,161 2,052 ,043 Biến phụ thuộc hài lòng
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Kết quả phân tích các hệ số hồi qui trong mô hình cho thấy, mức ý nghĩa của
các thành phần Cấp trên và đào tạo, Lương và phúc lợi, Đặc điểm công việc và Mối
quan hệ với đồng nghiệp, có hệ số Sig=0,000 (nhỏ hơn 0,05). Do đó, ta có thể nói rằng
các thành phần Sự tôn trọng và chu đáo, Cấp trên và đào tạo, Lương và phúc lợi, Đặc điểm công việc và Mối quan hệ với đồng nghiệp độc lập đều có tác động đến sự hài lòng với công việc của cán bộ cơ quan Kiểm toán nhà nước khu vực II. Các thành phần trong trên đều có ý nghĩa trong mô hình và tác động cùng chiều đến sự hài lòng với
công việc của cán bộ do các hệ số hồi qui đều mang dấu dương. Ngoài ra, thành phần Điều kiện làm việc có hệ số sig = 0,386 > 0.05 sau khi nghiên cứu kỹ và hỏi ý kiến
chuyên gia tác giả quyết định bỏ thành phần Điều kiện làm việc khỏi mô hình nghiên cứu. Tiến hành phân tích hồi quy lần thứ hai ta có kết quả như sau:
Bảng 3.21. Kết quả phân tích hồi quy lần thứ hai
Hệ số biến đổi Model R R Square R.Square điều chỉnh Sai số R Square Change F Change df 1 df2 Sig. F Change Durbin- Watson 1 ,714 a ,510 ,487 ,43222 ,510 22,114 4 85 ,000 1,610
Trị số R có giá trị 0,714 cho thấy mối quan hệ giữa các biến trong mô hình có mối tương quan chặt chẽ. Báo cáo kết quả hồi qui của mô hình cho thấy giá trị R2 (R Square) bằng 0,510, điều này nói lên độ thích hợp của mô hình là 51,0% hay nói cách khác là 51,0% sự biến thiên của biến Sự thỏa mãn được giải thích bởi 5 thành phần.
Giá trị R điều chỉnh (Adjusted R Square) phản ánh chính xác hơn sự phù hợp của mô
hình đối với tổng thể, ta có giá trị R điều chỉnh bằng 0,510 (hay 51,0%) có nghĩa tồn
tại mô hình hồi qui tuyến tính giữa sự hài lòng và 5 thành phần.
Kiểm tra bảng phân tích phương sai ANOVA ta được kết quả như sau:
Bảng 3.22 Phân tích phương sai ANOVA lần thứ hai
Model Tổng df Trung bình F Sig,
Regression 16,525 4 4,131 22,114 ,000a
Residual 15,879 85 ,187
1
Total 32,403 89
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Phân tích phương sai ANOVA cho thấy trị số F có mức ý nghĩa
Sig.=0,000 (nhỏ hơn 0,05), có nghĩa là mô hình hồi qui phù hợp với sữ liệu thu thập được và các biến đưa vào đều có ý nghĩa trong thống kê với mức ý nghĩa 5%. Thống
kê giá trị F = 22,114 được dùng để kiểm định giả thiết H0, ở đây ta thấy mối quan hệ
tuyến tính là có ý nghĩa với p_value < 0,05. Ta có thể bác bỏ giả thiết H0 cho rằng hệ
số góc của 5 thành phần bằng 0. Như vậy, các biến độc lập trong mô hình có quan hệ đối với biến phụ thuộc Sự hài lòng.
Kiểm tra các hệ số hồi quy trong mô hình ta có kết quả như sau:
Bảng 3.23. Các hệ số hồi qui trong mô hình lần thứ hai
Sai số
Hệ số tiêu chuẩn
Model B Std. Error Beta t Sig.
(Constant) -,113 ,452 -,249 ,804
Captrenvadaotao ,289 ,087 ,300 3,307 ,001
Luong ,392 ,097 ,346 4,028 ,000
1
Dongnghiep ,136 ,068 ,155 1,991 ,050 a, Biến phụ thuộc: Thỏa mãn
(Nguồn: Kết quả xử lý trên phần mềm SPSS16)
Kết quả phân tích các hệ số hồi qui trong mô hình cho thấy, mức ý nghĩa của
các thành phần : Cấp trên và đào tạo, Lương và phúc lợi, Đặc điểm công việc và Mối
quan hệ với đồng nghiệp, có hệ số Sig. nhỏ hơn hoặc bằng 0,05. Do đó, ta có thể nói
rằng các thành phần Cấp trên và đào tạo, Lương và phúc lợi, Đặc điểm công việc và Mối quan hệ với đồng nghiệp độc lập đều có tác động đến sự hài lòng với công việc
của cán bộ cơ quan Kiểm toán nhà nước khu vực II. Các thành phần trong trên đều có
ý nghĩa trong mô hình và tác động cùng chiều đến sự hài lòng với công việc của cán bộ
do các hệ số hồi qui đều mang dấu dương.
3.3.4. Dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính
Mô hình hồi quy tuyến tính bằng phương pháp Enter được thực hiện với một số
giả định và mô hình chỉ thực sự có ý nghĩa khi các giả định này được đảm bảo. Do
vậy, để đảm bảo cho độ tin cậy của mô hình, đề tài còn phải thực hiện một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính.
Đầu tiên là giả định liên hệ tuyến tính. Kiểm định này xem xét mối quan hệ
tuyến tính giữa biến phụ thuộc Y và các biến độc lập X, nhưng ở đây xem biến phụ
thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không.
Giả thuyết Ho: ß1 = ß2 = ß3 = ß4 = ß5 = ß6
Dựa vào kết quả phân tích Anova ở bảng 3.21 ta thấy F = 22,114 và mức ý
nghĩa là sig = 0.000 < 0.05 nên có thể bác bỏ giả thiết Ho nghĩa là mô hình hồi quy
tuyến tính bội xây dựng được phù hợp với tổng thể.
Giả định tiếp theo cần xem xét là phương sai của phần dư không đổi. Để thực
hiện kiểm định này, chúng ta sẽ tính hệ số tương quan hạng Spearman của giá trị tuyệt đối phần dư và các biến độc lập. Giá trị sig. của các hệ số tương quan với độ tin cậy
95% cho thấy không đủ cơ sở để bác bỏ giả thuyết H0 là giá trị tuyệt đối của phần dư độc lập với các biến độc lập. Như vậy, giả định về phương sai của sai số không đổi
không bị vi phạm.
Để dò tìm sự vi phạm giả định phân phối chuẩn của phần dư ta sẽ dùng hai công cụ kiểm định Frequencies của phần mềm SPSS ta có kết quả sau:
Bảng 3.24. Bảng hệ số Skewness Valid 90 N Missing 0 Mean 3,8806 Median 4,0000 Std, Deviation ,60339 Skewness -,709 Std, Error of Skewness ,254
(Nguồn: Kết quả xử lý trên phần mềm SPSS 16.)
Ta thấy trị trung bình (mean) = 3,8806, trung vị (median) = 4 và độ xiên (skewness) = -0,709. Trong phân phối này ta thấy trị trung bình và trung vị gần bằng nhau, độ xiên nằm trong khoảng từ -1 đến +1, vì vậy được coi là phân phối chuẩn .
Giả định tiếp theo về tính độc lập của phần dư cũng cần được kiểm định. Ta dùng đại lượng thống kê Durbin-Watson (d) để kiểm định. Đại lượng d này có giá trị
từ 0 đến 4. Trong thực tế, khi tiến hành kiểm định Durbin- Watson người ta thường áp
dụng quy tắc kiểm định đơn giản như sau: nếu 1 < d < 3 thì kết luận mô hình không có
tương quan; nếu 0 < d <1 thì kết luận mô hình có sự tương quan dương; nếu 3 < d < 4
thì kết luận mô hình có sự tương quan âm. Từ kết quả ở bảng 3.20 ta có 1< d =1.610 <
3 như vậy ta có thể kết luận các phần dư là độc lập với nhau và tính độc lập của phần dư đã được bảo đảm.
Cuối cùng, ta sẽ xem xét sự vi phạm đa cộng tuyến của mô hình. Ở phần phân
tích hệ số tương quan ở trên, ta đã thấy rằng giữa biến phụ thuộc có quan hệ tương
quan khá rõ với các biến độc lập nhưng ta cũng thấy được giữa các biến độc lập cũng có tương quan với nhau. Điều này sẽ tạo ra khả năng đa cộng tuyến của mô hình. Vì vậy, ta phải dò tìm hiện tượng đa cộng tuyến bằng cách tính độ chấp nhận của biến
(Tolerance) và hệ số phóng đại phương sai (Variance inflation factor - VIF). Độ chấp
nhận trong trường hợp này của năm biến trong mô hình khá cao, đều lớn hơn 0.5 trong
khi hệ số VIF khá thấp đa số nhỏ hơn 5. Hệ số VIF nhỏ hơn 5 là ta có thể bác bỏ giả
thuyết mô hình bị đa cộng tuyến (Hoàng Trọng-Chu Nguyễn Mộng Ngọc, 2005).
Như vậy mô hình hồi quy tuyến tính được xây dựng theo phương trình ở trên là không vi phạm các giả định cần thiết trong hồi quy tuyến tính. Để đánh giá độ phù hợp
của mô hình ta sẽ dùng các công cụ như tính hệ số xác định hiệu chỉnh Adjusted R