3.3.1. Thiết kế nghiên cứu
Nghiên cứu sơ bộ là một nghiên cứu định tính được thực hiện bằng kỹ thuật thảo luận tập trung, một nhóm 08 người gồm các trưởng bộ phận dịch vụ của các đại lý Honda Ô tô. Mục đích của nghiên cứu định tính là:
- Xác định các thành phần các yếu tố tác động đến sự hài lòng của nhân viên cùng các biến quan sát đo lường những yếu tố này.
- Khẳng định các yếu tố tác động tới sự hài lòng của nhân viên theo mô hình lý thuyết được tác giảđề xuất ởchương2 và thang đo nháp 1 (phụ lục 1). Phương thức thảo luận là các thành viên bày tỏquan điểm của mình theo các nội dung của dàn bài thảo luận do người nghiên cứu soạn thảo (phụ lục 2); các thành viên khác đưa ra quan điểm phản biện lại ý kiến của các thành viên trước đó, cho đến khi không còn quan điểm của ai, các thành viên cho biết ý kiến bằng văn bản, tác giả tổng hợp và giữ lại những ý kiến được đa số (2/3) số thành viên tán thành, bổ sung thêm hai nhân tố, quan hệ đồng nghiệp và Đánh giá hiệu quả công việc.
Việc tổ chức thảo luận nhóm tập trung được thực hiện vào tháng 03 năm 2015. Kết quả thảo luận tập trung là cơ sở để tác giả hiệu chỉnh mô hình lý thuyết
36
được tác giảđề xuất trong chương 2 và thang đo nháp 1 được tác giả phát triển trên đây. Kết quả từ thảo luận nhóm tập trung được sử dụng để hiệu chỉnh thang đo nháp 1 thành thang đo nháp 2 sử dụng cho giai đoạn phỏng vấn thử một số nhân viên (dự kiến 30 nhân viên) tại các đại lý Honda Ô tô tại thành phố Hồ Chí Minh, nhằm đánh giá mức độ hoàn chỉnh về nội dung, hình thức của các phát biểu (câu hỏi) và khả năng cung cấp thông tin của đáp viên (người được phỏng vấn), trên cơ sở đó hiệu chỉnh thành bản câu hỏi sử dụng cho giai đoạn chính thức. Trong đó, việc đánh giá nội dung được thể hiện trên các khía cạnh:
- Đáp viên (người được phỏng vấn) có hiểu được các phát biểu hay không? - Đáp viên có thông tin để trả lời hay không?
- Đáp viên có sẵn sàng cung cấp thông tin hay không?
Đánh giá về hình thức là kiểm tra mức độ phù hợp về mặt từ ngữ, cú pháp được sử dụng trong các phát biểu nhằm đảm bảo tính thống nhất, rõ ràng và không gây nhầm lẫn cho đáp viên khi được phỏng vấn. Việc phỏng vấn thửcũng do tác giả thực hiện tháng 4 năm 2015.
3.3.2. Kết quả nghiên cứu sơ bộ
Các thành viên của nhóm thảo luận đều thống nhất cho rằng:
- Các yếu tốđược người nghiên cứu đề xuất trong mô hình lý thuyết ở chương 1 là những yếu tốchính tác động tới sự hài lòng của nhân viên xưởng dịch vụ tại các đại lý Honda Ô tô.
- Các biến quan sát đo lường các yếu tô tác động tới sự hài lòng được phát triển trong thang đo nháp 2 đã được xác định.
Như vậy, với kết quả này, mô hình lý thuyết về các yếu tốtác động tới sự hài lòng và mối quan hệ giữa chúng với sự hài lòng và các giả thuyết nghiên cứu được đề xuất ở chương 2 được thêm vào hai nhân tốđể kiểm định; thang đo nháp 1 được thảo luận nhóm tập trung như đã trình bày trên gồm 39 biến quan sát và được sử dụng để thiết kế bản câu hỏi sử dụng cho phỏng vấn thử.
37
Kết quả phỏng vấn thử cho thấy, các đáp viên được phỏng vấn có ý kiến về mặt nội dung các phát biểu (biến quan sát) bổ sung thêm hai nhân tố quan hệ đồng nghiệp và đánh giá hiệu quả công việc. Trên cơ sở đó, tác giả hiệu chỉnh thang đo nháp1 thành thang đo chính thức và thiết kế bản câu hỏi sử dụng cho giai đoạn nghiên cứu chính thức.
3.4. NGHIÊN CỨU CHÍNH THỨC
Nghiên cứu chính thức là một nghiên cứu định lượng nhằm đánh giá độ tin cậy và giá trị của thang đo (giá trị hội tụ và phân biệt) các yếu tô tác động tới sự hài lòng của nhân viên; đồng thời kiểm định mô hình nghiên cứu và các giả thuyết nghiên cứu, từđó định vị mức độ ảnh hưởng của các yêu tốđến tới sự hài lòng của nhân viên và đo lường giá trị thực trạng của chúng.
3.4.1. Thiết kế mẫu nghiên cứu
Vềkích thước mẫu nghiên cứu, để tiến hành phân tích hồi qui một cách tốt nhất, theo Tabachnick và Fidell (1991), kích thước mẫu phải bảo đảm theo công thức: n ≥ 8m + 50 (n là cỡ mẫu, m là số biến độc lập trong mô hình); trong khi đó, theo Harris RJ. Aprimer (1985): n ≥ 104 + m (với m là số lượng biến độc lập và phụ thuộc), hoặc n ≥ 50 + m , nếu m < 5.
Trường hợp sử dụng phương pháp phân tích nhân tố (EFA), Hair và các cộng sự (1998) cho rằng kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỉ lệ số quan sát/biến đo lường là 5/1, nghĩa là cứ mỗi biến đo lường cần tối thiểu 5 quan sát. Trong khi đó theo Gorsuch (1983) trường hợp phân tích hồi qui kích thước mẫu cần ít nhất 200 quan sát. Còn theo quy tắc kinh nghiệm, thì mẫu nghiên cứu có kích thước càng lớn càng tốt.
Trong nghiên cứu này mô hình nghiên cứu có 7 biến độc lập; một biến phụ thuộc; 43 biến quan sát. Vì thế, kích thước mẫu tính theo theo Tabachnick và Fidell (1991) là n ≥ 106, theo Harris RJ. Aprimer (2001) n ≥ 112 mẫu; theo Hair và và các cộng sự (1998) n ≥ 190. Tuy nhiên, để tăng tính đại diện của mẫu nghiên cứu sau khi loại bỏ các bản câu hỏi thiếu nhiều thông tin hoặc chất lượng thấp, người nghiên cứu dự kiến sốlượng nhân viên được phỏng vấn là 292.
38
Vềphương pháp chọn mẫu nghiên cứu, tác giả sử dụng phương pháp chọn mẫu thuận tiện từ ngày 03/03/2015 đến 25/3/2015.
3.4.2. Thu thập thông tin mẫu nghiên cứu
Thông tin mẫu nghiên cứu được thu thập bằng kỹ thuật phỏng vấn dưới ba hình thức là phỏng vấn trực tiếp tại xưởng dịch vụ của các đại lý Honda Ô tô tại thành phố Hồ Chí Minh.
Kết quả khảo sát, sau khi làm sạch (loại bỏ các bản câu hỏi có nhiều ô thiếu thông tin, hoặc nhiều hơn một ô trả lời, hoặc có cơ sở để xác định không đáng tin cậy) được nhập vào ma trận dữ liệu trên phần mềm SPSS 20.
3.4.3. Phương pháp phân tích dữ liệu3.4.3.1. Đánh giá sơ bộthang đo 3.4.3.1. Đánh giá sơ bộthang đo
Bao gồm đánh giá độ tin cậy và giá trị các thang đo bằng phương pháp hệ số tin
cậy Cronbach alpha và phân tích nhân tố khám phá EFA (Exploratory Factor (adsbygoogle = window.adsbygoogle || []).push({});
Analysis) thông qua phần mềm xử lý SPSS 20 để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đó:
Cronbach 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 (các câu hỏi) trong thang đo thông qua hệ số Cronbach alpha. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr. 257, 258) cùng nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Song, cũng có nhiều nhà nghiên cứu (ví dụ: Nunally 1978, Peterson 1994, Slater 1995) đề nghị hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.
Tuy nhiên, theo Nunnally và cộng sự (1994), hệ số Cronbach alpha không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Bởi vậy, bên cạnh hệ số Cronbach alpha, người ta còn sử dụng hệ sốtương quan biến tổng (iterm - total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ. Song, theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011, tr. 353, 354), việc loại bỏ hay không
39
một biến quan sát không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của khái niệm. Theo đó, trong trường hợp thang đo đáp ứng tiêu chuẩn Cronbach alpha và nếu loại bỏ biến có tương quan biến tổng < 0,3 dẫn đến vi phạm giá trị nội dung (các biến quan sát còn lại không còn bao phủđầy đủ nội hàm của khái niệm) thì không nên loại biến đó.
Phân tích nhân tố khám phá (EFA) là thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà dựa vào mối tương quan giữa các biến, được sử dụng phổ biến để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt) hay rút gọn một tập biến. Trong nghiên cứu này, phân tích nhân tốđược ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các thuộc tính của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và chọn biến đối với phân tích nhân tố khám
phá EFA bao gồm:
- Tiêu chuẩn Bartlett và hệ sốKMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết HR0R (các biến không có tương quan với nhau trong tổng thể) bị
bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và Sig < 0,05.
Trường hợp KMO < 0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005, tr. 262).
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Engenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative (tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Engenvalue < 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Engenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Engenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay
nhân tố. Theo Gerbing và Anderson (1988), phương pháp trích Principal Axis
Factoring với phép xoay Promax (Oblique) có phương sai trích bé hơn, song sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal components với phép xoay Varimax. Ngoài ra, trường hợp các biến có trọng số tải nhân tố
40
(Factor loading) được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận < 0,3), tức không tạo nên sự khác biệt đểđại diện cho một nhân tố, thì biến đó cũng bị loại và các biến còn lại sẽđược nhóm vào nhân tốtương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Tuy nhiên, cũng như trong phân tích Cronbach alpha, việc loại bỏ hay không một biến quan sát không chỉ dựa vào trọng số tải nhân tố mà còn phải xem xét giá trị nội dung của biến đó. Trường hợp biến có trọng số tải nhân tố thấp hoặc được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, nhưng có đóng góp quan trọng vào giá trị nội dung của khái niệm mà nó đo lường thì không nhất thiết loại bỏ biến đó (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011, tr. 402, 403).
Trong nghiên cứu này, tác giả sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax; loại bỏ các biến quan sát có trị số Factor loading ≤ 0,5 hoặc trích vào các nhân tố khác mà chênh lệch trọng số Factor loading giữa các nhân tố≤ 0,3 theo tiêu chuẩn của Gerbing và Anderson (1988).
3.4.3.2. Phân tích hồi qui
Quá trình phân tích hồi qui được thực hiện qua các bước:
Bước 1: Kiểm tra tương quan giữa biến các biến độc lập với nhau và với biến phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi qui là phải có tương quan giữa các biến độc lập với nhau và với biến phụ thuộc. Tuy nhiên, theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005, tr. 258), khi hệ số tương quan < 0,85 thì có khảnăng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0,85 thì cần xem xét vai trò của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến (một biến độc lập này có được giải thích bằng một biến khác).
Bước 2: Kiểm định mô hình hồi qui và các giả thuyết nghiên cứu
Y R= RβR1RXR1R+βR2RXR2R+ βR3RXR3R+ βR4XR R4R+...+ βRkRXRk Được thực hiện thông qua các thủ tục:
- Lựa chọn các biến đưa vào mô hình hồi qui (tác giả sử dụng phương pháp Enter - SPSS xử lý tất cả các biến đưa vào cùng một lượt).
41 - Đánh giá độ phù hợp của mô hình bằng hệ số xác định RP 2 P (R Square). Tuy nhiên, RP 2
Pcó đặc điểm càng tăng khi đưa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, RP
2
P
điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lượng biến đưa thêm vào mô hình được sử dụng thay thế RP
2
P (adsbygoogle = window.adsbygoogle || []).push({});
để đánh giá mức độ phù hợp của mô hình hồi qui bội.
- Kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết HR0R: (không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập βR1R=βR2R=βR3R=βRKR= 0).
Nếu trị thống kê F có Sig rất nhỏ (< 0,05), thì giả thuyết HR0 Rbị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc. Nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu, vì thế có thể sử dụng được.
- Xác định các hệ số của phương trình hồi qui, đó là các hệ số hồi qui riêng phần βRkR: đo lường sự thay đổi trung bình của biến phụ thuộc khi biến độc lập XRkR
thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên. Tuy nhiên, độ lớn của βRkR phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi qui với nhau, từđó xác định tầm quan trong (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vịđo lường độ lệnh chuẩn beta.
Bước 3: Kiểm tra vi phạm các giả định hồi qui
Mô hình hồi qui được xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi qui, cần phải kiểm tra các vi phạm giảđịnh cần thiết sau đây:
- Có liên hệ tuyến tính gữa các biến độc lập với biến phụ thuộc - Phần dư của biến phụ thuộc có phân phối chuẩn
42
- Không có tương quan giữa các phần dư (tính độc lập của các sai số)
- Không có tương quan giữa các biến độc lập (không có hiện tượng đa cộng tuyến).
Trong đó:
- Công cụđể kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dư
chuẩn hóa (Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa
(Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted
Value).
- Công cụ để kiểm tra giảđịnh phần dư có phân phối chuẩn là đồ thị tần số Histogram, hoặc đồ thị tần số P-P plot.
- Công cụ để kiểm tra giả định sai số của biến phụ thuộc có phương sai không đổi là đồ thị phân tán của phần dư và giá trị dự đoán hoặc kiểm định Spearman’s rho.
- Công cụđược sử dụng để kiểm tra giả định không có tương quan giữa các phần dư là đại lượng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dư chuẩn hóa (Scatter).
- Công cụđược sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance