7. Kết luận (Ghi rõ mức độ đồng ý hay không đồng ý nội dung đề tài và
2.2.2 Phƣơng pháp phân tích số liệu
2.2.2.1 Số liệu thứ cấp
Các số liệu thứ cấp thu thập đƣợc tiến hành kiểm tra tính hợp lí, sàng lọc lại và đƣa vào phân tích, so sánh bằng phƣơng pháp so sánh số tuyệt đối, số tƣơng đối nhằm xem xét sự biến động của doanh thu, chi phí, lợi nhuận công ty.
2.2.2.2 Số liệu sơ cấp
Dùng phần mềm thống kê SPSS 16.0 để thống kê mức độ hài lòng của công nhân trong công ty qua các mẫu khảo sát đã thu thập đƣợc sau đó quy ra mức độ hài lòng của tổng thể để nhận xét nhu cầu, sự thỏa mãn của ngƣời lao động.
2.2.2.3 Phương pháp phân tích, xử lí thông tin
Thông qua dữ liệu thứ cấp và sơ cấp thu thập đƣợc, kết hợp giữa lý thuyết và tình hình thực tế tại công ty, đề tài đã sử dụng các phƣơng pháp nghiên cứu sau
Mục tiêu 1: Để giải quyết đƣợc mục tiêu 1, đề tài sử dụng phƣơng pháp thống kê mô tả, kiểm định giả thuyết, phân tích nhân tố, phân tích hồi quy đa biến.
Phƣơng pháp thống kê mô tả: (Descriptive Stastictics)
Thống kê mô tả là một trong hai chức năng chính của thống kê (Thống kê mô tả và thống kê ứng dụng). Thống kê mô tả là tập hợp tất cả các phƣơng pháp đo lƣờng, mô tả và trình bày số liệu bằng các phép tính và các chỉ số thống kê thông thƣờng nhƣ số trung bình (Mean), phƣơng sai (Variance), độ lệch chuẩn
20
(Standard devitation), Mode...Trong các phƣơng pháp thống kê liên tục các đại lƣợng thống kê mô tả chỉ đƣợc tính đối với các biến định lƣợng.
Phƣơng pháp phân tích tần số: (Frequency table)
Là một phƣơng pháp dùng để tóm tắt dữ liệu đƣợc sắp xếp thành từng tổ khác nhau dựa trên những tần số xuất hiện của các đối tƣợng trong cơ sở dữ liệu để so sánh tỉ lệ, phản ánh số liệu từ đó giúp ta đánh giá chính xác và dễ dàng đƣa ra các giải pháp khắc phục.
Phƣơng pháp kiểm định Cronbach’ alpha:
Dùng để loại bỏ biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha. Những biến có hệ số tƣơng quan biến tổng (Correccted Item Total Correlation) nhỏ hơn 0,3 thì sẽ bị loại và thang đo sẽ đƣợc chọn khi hệ số Cronbach’s Alpha lớn hơn 0,6 (Theo Nunnally & Bernstein, 1994).
Phƣơng pháp phân tích nhân tố
*Bản chất và tác dụng của phương pháp phân tích nhân tố
Là tên chung của một nhóm các thủ tục đƣợc sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu. Trong nghiên cứu chúng ta có thể thu thập một số lƣợng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lƣợng của chúng phải đƣợc giảm bớt xuống đến một số lƣợng mà chúng ta có thể sử dụng đƣợc. [3]
Mối liên hệ giữa các bộ phận khác nhau của nhiều biến đƣợc xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến). Phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này đƣợc xác định. Phân tích nhân tố đƣợc sử dụng trong các trƣờng hợp sau:
- Nhận dạng các nhân tố để giải thích mối quan hệ giữa các biến.
- Nhận dạng các biến mới thay cho các biến ban đầu trong phân tích hồi qui đa biến tiếp theo.
- Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến. [3] *Tiến trình phân tích nhân tố được trình bày như sau:
Xác định vấn đề: Việc xác định vấn đề nghiên cứu gồm nhiều bƣớc. Đầu tiên là ta phải nhận diện các mục tiêu của phân tích nhân tố cụ thể là gì? Các biến tham gia vào phân tích nhân tố phải đƣợc xác định dựa vào các nghiên cứu trong quá khứ, phân tích lý thuyết, và đánh giá của các nhà nghiên cứu. Các biến này phải đƣợc đo lƣờng bằng thang đo thích hợp là thang đo định lƣợng. Và cỡ mẫu phải đủ lớn ít nhất phải bằng 4 hay 5 lần số biến trong phân tích nhân tố. [3]
21
Xây dựng ma trận tƣơng quan: Để có thể áp dụng đƣợc phân tích nhân tố thì các biến phải có liên hệ với nhau. Nếu hệ số tƣơng quan giữa các biến nhỏ, phân tích nhân tố có thể không thích hợp. Chúng ta có thể sử dụng Bartlett’s test of sphericity để kiểm định giả thuyế H0 là các biến không có tƣơng quan với nhau trong tổng thể, dựa vào giá trị sig nhỏ hơn α (α = 0,05) để ta có thể bác bỏ H0 (các biến không có tƣơng quan với nhau) -> Phân tích nhân tố là phƣơng pháp phù hợp để phân tích ma trận tƣơng quan.
Số lƣợng nhân tố: Có 2 phƣơng pháp xác định số lƣợng nhân tố
- Phƣơng pháp xác định từ trƣớc (Priori determinition): Dựa vào kinh nghiệm, phân tích lí thuyết, hay từ kết quả của các cuộc nghiên cứu trƣớc… mà xác định số lƣợng nhân tố.
- Phƣơng pháp dựa vào eigenvalue (De termination based on eigenvalue) chỉ có những nhân tố nào có eigenvalue lớn hơn 1 mới đƣợc giữ lại trong mô hình phân tích. Nhƣợc điểm của phƣơng pháp này là khi qui mô mẫu lớn (hơn 200), có nhiều khả năng sẽ có nhiều nhân tố thỏa mãn mức ý nghĩa thống kê mặc dù trong thực tế có nhiều nhân tố chỉ giải thích đƣợc một phần nhỏ toàn bộ biến thiên.
Xoay các nhân tố: Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố. Những hệ số này (factor loading) biểu diễn tƣơng quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này đƣợc dùng để giải thích các nhân tố. Có nhiều phƣơng pháp xoay khác nhau để nhận diện những nhân tố khác nhau nhƣ:
Orthogonal rotation: xoay các nhân tố trong đó vẫn giữ nguyên góc ban đầu giữa các nhân tố.
Varimax procedure: xoay nguyên góc các nhân tố để tối thiểu hóa số lƣợng biến có hệ số lớn tại cùng 1 nhân tố, do đó sẽ tăng cƣờng khả năng giải thích các nhân tố.
Quartimax: Xoay nguyên góc các nhân tố để tối thiểu hóa số nhân tố có hệ số lớn tại cùng một biến, vì vậy sẽ tăng cƣờng khả năng giải thích các biến.
Equamax: xoay các nhân tố để đơn giản hóa việc giải thích cả biến lẫn nhân tố.
Oblique (direct oblimin): xoay các nhân tố mà không giữ nguyên góc ban đầu giữa các nhân tố (tức là có tƣơng quan giữa các nhân tố với nhau). Phƣơng pháp này nên đƣợc sử dụng khi nào các nhân tố trong tổng thể có khả năng tƣơng quan mạnh với nhau.
22
Đặt tên và giải thích các nhân tố: Việc giải thích các nhân tố đƣợc thực hiện trên cơ sở nhận ra các biến có hệ số (Factor loading) lớn ở cùng một nhân tố. Dựa vào những điểm giống nhau (thể hiện tính chung) của biến nằm trong nhân tố và những nghiên cứu trƣớc sẽ đặt tên cho nhân tố này. Theo Hair và các cộng sự (2009), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực EFA (ensuring practical significance). Factor loading > 0,3 đƣợc xem là mức tối thiểu, Factor loading > 0,4 đƣợc xem là quan trọng, Factor loading > 0,5 là có ý nghĩa thực tiễn. Hair và các cộng sự cho rằng nếu chọn tiêu chuẩn > 0,3 thì cỡ mẫu ít nhất là 350, cỡ mẫu khoảng 100 thì chọn Factor loading > 0,55, nếu cỡ mẫu khoảng 50 thì Factor loading > 0,75
* Mô hình phân tích nhân tố [6]
Về mặt toán toán học, mô hình phân tích nhân tố giống nhƣ phƣơng trình hồi qui nhiều chiều mà trong đó mỗi biến đƣợc đặc trƣng cho mỗi nhân tố. Những nhân tố này thì không đƣợc quan sát riêng lẻ trong mô hình. Nếu các biến đƣợc chuẩn hóa mô hình nhân tố có dạng nhƣ sau:
Xi = Ai1F1 + Ai2F2 + ... +AimFm+ Vi Ui
Trong đó:
Xi: Biến đƣợc chuẩn hóa thứ i
Aij: Hệ số hồi qui bội của biến đƣợc chuẩn hóa i trên nhân tố chung j F: Nhân tố chung
Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố duy nhất i Ui: Nhân tố duy nhất của biến i
m: Số nhân tố chung.
Mỗi nhân tố duy nhất thì tƣơng quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến đƣợc quan sát.
Fi = Wi1X1 + Wi2X2 + ... + Wik Xk Trong đó:
F: Ƣớc lƣợng nhân tố thứ i
W: Trọng số hay hệ số điểm nhân tố k: Số biến
Trong phân tích này có thể chọn trọng số (hay hệ số điểm nhân tố) để nhân tố thứ nhất có tỷ trọng lớn nhất trong tổng phƣơng sai. Các nhân tố có thể đƣợc ƣớc lƣợng điểm nhân tố của nó. Các nhân tố có thể ƣớc lƣợng điểm nhân tố của nó. Theo ƣớc lƣợng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai...
23
* Tiến trình phân tích nhân tố [6]
Hình 2.3 Tiến trình phân tích nhân tố
Phƣơng pháp hồi qui tuyến tính bội
- Bản chất và tác dụng của phƣơng pháp hồi qui tuyến tính bội:
Phƣơng pháp hồi qui bội đƣợc Person sử dụng lần đầu tiên trong 1908. Phân tích hồi qui là phƣơng pháp thống kê nghiên cứu mối quan hệ của 1 biến (gọi là biến phụ thuộc hoặc biến đƣợc giải thích) với một hoặc nhiều biến (gọi là biến độc lập hoặc biến đƣợc giải thích). Mục đích của phân tích hồi qui là ƣớc lƣợng giá trị của biến phụ thuộc trên cơ sở giá trị của biến độc lập đã cho. Còn phân tích tƣơng quan là đo lƣờng cƣờng độ kết hợp giữa các biến, nó cho phép đánh giá mức độ chặt chẽ của sự phù hợp giữa các biến.
Phƣơng pháp hồi qui tƣơng quan bội đƣợc vận dụng để nghiên cứu mối quan hệ của các yếu tố ảnh hƣởng đến sự hài lòng của nhân viên. Mục tiêu của việc nghiên cứu nhằm chỉ ra các yếu tố nào ảnh hƣởng đến mức độ hài lòng của nhân viên và xác định mức độ ảnh hƣởng nhiều ít nhằm đƣa ra phƣơng pháp để tăng cƣờng mức độ thỏa mãn của các yếu tố ảnh hƣởng với kì vọng sẽ nâng cao mức độ thỏa mãn chung.
Xác định vấn đề nghiên cứu
Lập ma trận tƣơng quan
Xác định số nhân tố
Giải thích nhân tố
Tính điểm nhân tố Chọn nhân tố thay thế
Xác định mô hình mô hình phù hợp
24
- Các bƣớc vận dụng phƣơng pháp hồi qui bội: B1: Lựa chọn các tiêu thức (các biến đƣa vào phân tích)
B2: Lựa chọn mô hình phù hợp nhất để mô hình hóa mối quan hệ giữa các biến độc lập và phụ thuộc. Để chọn mô hình phù hợp nhất sử dụng các phép kiểm định để kiểm tra: i) sự tồn tại thực tế của mối quan hệ giữa các biến độc lập và biến phụ thuộc thông qua kiểm định F và ii) sự phù hợp của mô hình thông qua chỉ tiêu SSE (sai số mẫu). Mô hình tốt nhất là mô hình có hệ số quyết định điều chỉnh lớn nhất và sai số mẫu nhỏ nhất. Đồng thời kiểm tra mức độ ảnh hƣởng thực tế của từng biến độc lập đến biến phụ thuộc thông qua hệ số hồi qui β và sosánhmức độ ảnh hƣởng của từng biến nguyên nhân đến kết quả thông qua so sánh hệ số β chuẩn hóa. Lí do phải thực hiện rất nhiều phép kiểm định vì các kết quả tính toán đƣợc tính ra dựa trên 1 mẫu. Kết quả kiểm định sẽ cho phép suy rộng kết luận từ mẫu cho kết luận về tổng thể chung.
B3: Loại bỏ khỏi mô hình các biến có hệ số β không có sig < 0,05 hoặc 0,1 (tùy theo mức ý nghĩa đƣợc lựa chọn). Nói cách khác, không đủ bằng chứng để bác bỏ giả thuyết rằng trên thực tế các biến này không ảnh hƣởng đến sự thỏa mãn chung.
B4: Phân tích phần dƣ và phân tích đa cộng tuyến nhằm đƣa ra các điều chỉnh cần thiết cho mình.
B5: Kết luận về độ ảnh hƣởng và dự đoán các mức độ của biến phụ thuộc trong tƣơng lai.
Hàm hồi qui tuyến tính có dạng:
Y= α0 + βX1 + βX2 + … βXn Trong đó:
Y: Sự thỏa mãn công việc của công nhân
α0: Hệ số chặn của hàm hồi qui
β: Các tham số hồi qui
Xn: Các nhân tố đƣợc rút trích ra từ phân tích nhân tố
Mục tiêu 2: Để giải quyết mục tiêu 2 đề tài sử dụng phƣơng pháp
Kiểm định Independent-samples T-test
Kiểm định Independent-samples T-test là phƣơng pháp so sánh trị trung bình về 1 chỉ tiêu nghiên cứu nào đó giữa 2 đối tƣợng cần quan tâm. Trƣớc khi thực hiện kiểm định trung bình ta cần phải thực hiện 1 kiểm định khác mà kết quả của nó ảnh hƣởng rất quan trọng đến kiểm định trung bình, đó là kiểm định sự bằng nhau của hai phƣơng sai tổng thể, gọi là kiểm định Levene test. Kiểm định này sẽ đƣợc kiểm định với giả thuyết H0 rằng phƣơng sai 2 tổng thể bằng
25
nhau, nếu kết quả kiểm định cho ra mức ý nghĩa quan sát <=0,5, ta có thể bác bỏ giả thuyết H0. Kết quả của việc bác bỏ hay chấp nhận H0 sẽ ảnh hƣởng đến việc lựa chọn tiếp loại kiểm định giả thuyết về sự bằng nhau giữa 2 trung bình tổng thể nào: kiểm định trung bình với phƣơng sai bằng nhau hay kiểm định trung bình với phƣơng sai khác nhau.
Kiểm định ANOVA và phân tích sâu ANOVA
Phân tích phƣơng sai ANOVA là sự mở rộng của kiểm định t, vì phƣơng pháp này giúp ta so sánh trị trung bình của 3 nhóm trở lên. Kỹ thuật phân tích phƣơng sai đƣợc dùng để kiểm định giả thuyết các tổng thể nhóm (tổng thể bộ phận) có trị trung bình bằng nhau. Kỹ thuật này dựa trên cơ sở tính toán mức độ biến thiên trong nội bộ các nhóm và biến thiên giữa các trung bình nhóm. Dựa trên hai ƣớc lƣợng này của mức độ biến thiên ta có thể rút ra kết luận về mức độ khác nhau giữa các trung bình nhóm. Có 2 kĩ thuật phân tích phƣơng sai: ANOVA một yếu tố (phân loại các quan sát thành các nhóm khác nhau và ANOVA nhiều yếu tố ( 2 hay nhiều biến để phân loại ). Trong đề tài tác giả chỉ đề cập đến phân tích phƣơng sai một yếu tố One-way ANOVA. Một số giả định đối với phƣơng sai một yếu tố:
- Các nhóm so sánh phải độc lập và đƣợc chọn một cách ngẫu nhiên. - Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để
đƣợc xem nhƣ tiệm cận phân phối chuẩn.
- Phƣơng sai của các nhóm so sánh phải đồng nhất.
Dựa vào kết quả kiểm định ANOVA nếu H0 đƣợc chấp nhận thì kết luận không có sự khác biệt có ý nghĩa giữa các nhóm với nhau. Nếu H0 bị bác bỏ -> có sự khác biệt có ý nghĩa giữa các nhóm, khi đó sẽ thực hiện kiểm định sâu ANOVA nhằm xác định cụ thể trung bình nhóm nào khác với nhóm nào.
Phân tích sâu ANOVA, có 2 phƣơng pháp để phân tích sâu ANOVA. Đó là kiểm định trƣớc và kiểm định sau. Phƣơng pháp kiểm định gần với phƣơng pháp nghiên cứu thực là Post-Hoc test (kiểm định sau). Các phƣơng pháp kiểm định thống kê của Post-Hoc test thƣờng đƣợc sử dụng là:
- LSD: Đây là phép kiểm định dùng để kiểm định t lần lƣợt cho từng cặp trung bình nhóm, do vậy nhƣợc điểm của nó là độ tin cậy không cao vì làm gia tăng mức độ phạm sai lầm tƣơng ứng với việc so sánh nhiều nhóm cùng một lúc. - Bonferroni: Giống qui tắc của LSD nhƣng điều chỉnh đƣợc mức ý nghĩa khi tiến hành so sánh bội dựa trên số lần tiến hành so sánh. Đây là một trong những thủ tục kiểm định đơn giản nhất và hay đƣợc sử dụng cho mục tiêu này.
26
- Tukey: cũng đƣợc sử dụng phổ biến cho việc tìm kiếm các trung bình của nhóm khác biệt. Nó sử dụng bảng phân phối Studentizze range distribution. Tukey hiệu quả hơn Bonferroni khi số lƣợng các cặp trung bình cần so sánh khá nhiều.
- R-E-G-W: thực hiện 2 bƣớc kiểm định, đầu tiên tiến hành kiểm định lại toàn bộ các giá trị trung bình nhóm xem có bằng nhau không, nếu không bằng nhau thì bƣớc kế tiếp nó sẽ kiểm định để tìm các nhóm nào khác biệt thật sự với