2.2.1 Phương pháp thu thập số liệu * Dữ liệu sơ cấp
Thu thập dữ liệu thông qua bảng câu hỏi phỏng vấn trực tiếp các nhân viên của các doanh nghiệp trên địa bàn thành phố Cần Thơ.
24
- Theo nghiên cứu của Roscoe (1975), kích thước mẫu từ 30 đến 500 là
phù hợp với nhiều nghiên cứu thực tế.
- Theo Võ Thị Thanh Lộc (2010), cỡ mẫu lớn hơn 40 được định nghĩa là
mẫu lớn cho mỗi nhóm (group) và có thể suy rộng cho các nghiên cứu vừa và nhỏ.
- Trong phân tích nhân tố, Hoàng Trọng & Chu Nguyễn Mộng Ngọc
(2008) cho rằng số quan sát (cỡ mẫu) ít nhất bằng 4 hay 5 lần số biến trong phân tích nhân tố. Trong nghiên cứu này có 56 biến số cần phân tích nhân tố. Vì vậy cỡ mẫu tối thiểu là 56 x 5 = 280
Dựa trên các cơ sở trên, để đảm bảo khách quan kích thước mẫu được chọn là 500. Vì đây là cỡ mẫu vừa đạt yêu cầu, phù hợp với điều kiện thời gian, năng lực của tác giả.
* Dữ liệu thứ cấp:
Bên cạnh việc thu thập số liệu sơ cấp, tác giả sử dụng số liệu thứ cấp từ sách, tạp chí, báo cáo khoa học và các nguồn thông tin từ internet có liên quan đến đối tượng nghiên cứu.
Các trường đại học/ Viện nghiên cứu, các tổ chức khác: các đề tài, dự án nghiên cứu, tài liệu hội thảo có liên quan đến vấn đề nghiên cứu.
Các nhân định, đánh giá của các nhà chuyên môn, quản lý đối với kĩ năng mềm của nhân viên trong quá trình làm việc.
2.2.2 Phương pháp phân tích số liệu
Số liệu thứ cấp của đề tài được xử lý bằng phương pháp so sánh số tuyệt đối và phương pháp so sánh số tương đối để trình bày về tình hình kinh tế - xã hội của thành phố Cần Thơ.
Phương pháp so sánh
Theo Mai Văn Nam (2008), có hai loại phương pháp so sánh là so sánh số tuyệt đối và so sánh số tương đối được trình bày cụ thể như sau:
Phương pháp số tuyệt đối:
Số tuyệt đối là một chỉ tiêu tổng hợp phản ánh quy mô, khối lượng của sự kiện. Tác dụng của nó là phản ánh tình hình thực hiện kế hoạch, sựn biến động về quy mô, khối lượng của chỉ tiêu kinh tế qua hai kỳ. Phương pháp này dùng để so sánh số liệu của chỉ tiêu kỳ phân tích với số liệu của chỉ tiêu kỳ gốc để xem xét có biến động (tăng hay giảm) và đây chính là độ lớn của mức biến động đó.
Công thức: ∆ 𝑌 = Y1 – Y0
Trong đó: ∆ 𝑌: số chênh lệch tuyệt đối của 2 kỳ phân tích Y1: chỉ tiêu kỳ phân tích
Y0: chỉ tiêu kỳ gốc
25
Số tương đối là kết quả của phép chia giữa giá trị chênh lệch của kỳ phân tích và kỳ gốc với giá trị kỳ gốc của các chỉ tiêu kinh tế. Phương pháp cho ta thấy số liệu của chỉ tiêu kinh tế kỳ phân tích tăng hay giảm bao nhiêu phần trăm so với chỉ tiêu kinh tế kỳ gốc. Từ đó tìm ra nguyên nhân và biện pháp khắc phục.
Công thức: 𝑌 = ∆𝑌𝑌
0100 = 𝑌1−𝑌0
𝑌0
Trong đó:
+ Y: số chênh lệch tương đối của 2 kỳ phân tích
+ ∆ 𝑌 = Y1 – Y0 : số chênh lệch tuyệt đối của 2 kỳ phân tích + Y1: Chỉ tiêu kỳ phân tích
+ Y0: Chỉ tiêu kỳ gốc
Số liệu sơ cấp của đề tài được xử lý bởi phần mềm SPSS 21.0 và AMOS 16.0, cụ thể:
- Sử dụng phương pháp thống kê mô tả để xác định mức độ đo lường của các nhân tố đo lường kĩ năng mềm của nhân viên, đồng thời xác định kết quả công việc của các nhân viên.
* Phương pháp thống kê mô tả:
Thống kê là tổng hợp các phương pháp lý thuyết và ứng dụng vào lĩnh vực kinh tế bằng cách rút ra những kết luận dựa trên những số liệu và thông tin thu thập được.
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 phương pháp đo lường, mô tả và trình bày số liệu.
Một số khái niệm:
+ Giá trị trung bình: Mean, Average: bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
+ Số trung vị (Median, kí hiệu: Me) là giá trị của biến đứng ở giữa của một dãy số đã được sắp xếp theo thứ tự tăng hoặc giảm dần. Số trung vị chia dãy số làm 2 phần, mỗi phần có số quan sát bằng nhau.
+ Mode (kí hiệu: Mo): là giá trị có tần số xuất hiện cao nhất trong tổng số hay trong một dãy số phân phối.
+ Phương sai: là trung bình giữ bình phương các độ lệch giữa các biến và trung bình của các biến đó.
+ Độ lệch chuẩn là căn bậc hai của phương sai
Kiểm định độ tin cậy thang đo Cronbach’s alpha được sử dụng để loại bỏ biến rác trước khi tiến hành phân tích nhân tố.
* Hệ số Cronbach’s alpha là hệ số sử dụng phổ biến để đánh giá độ tin cậy (tính nhất quán nội tại) của thang đo song hành và τ tương đương.
26
Cronbach’s alpha là hệ số đo lường độ tin cậy của thang đo tổng chứ không phải là hệ số tin cậy cho từng biến quan sát. Trong thống kê, hệ số Cronbach’s alpha được sử dụng để kiểm định độ tin cậy của thang đo đối với thang đo nhiều biến, giúp loại bỏ biến rác và các biến không phù hợp. Theo Rex B. Kline (2005), ông cho rằng thang đo có hệ số Cronbach’s alpha từ 0,8 đến gần 1 là thang đo tốt, từ 0,7 đến gần 0,8 là có thể chấp nhận được. Tuy nhiên Nunnally & Bernstein (1994) cũng đề nghị rằng Cronbach’s alpha lớn hơn 0,6 là thang đo đã được tin cậy. Đối với đề tài này, chấp nhận các biến có Cronbach’s alpha lớn hơn 0,6.
Đối với phương pháp kiểm định độ tin cậy thang đo Cronbach’s alpha thì sẽ loại các biến sao cho khi loại nó thì hệ số Cronbach’s alpha sẽ tăng lên. Đồng thời, những biến có hệ số tương quan tổng (Corrected item – total correlation) nhỏ hơn 0,3 cũng sẽ bị loại (Slater, 1995).
Sau khi đã đánh giá được độ tin cậy của thang đo, vấn đề tiếp theo là thang đo phải được đánh giá giá trị của nó. Hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) được sử dụng để đánh giá hai loại giá trị này. Phân tích nhân tố dùng để rút gọn và tóm tắt dữ liệu. Phân tích nhân tố là một kỹ thuật phụ thuộc lẫn nhau giữa các biến và quan hệ phụ thuộc này sẽ được xác định sau quá trình phân tích (Lưu Thanh Đức Hải, 2007). Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến độc lập và biến phụ thuộc mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Phương pháp EFA được sử dụng rộng rãi trong nghiên cứu để đánh giá sơ bộ các thang đo lường.
Trong phân tích nhân tố, tác giả dùng chỉ số KMO (Kaiser- Meyer- Olkin) để xem xét sự thích hợp của mô hình phân tích nhân tố. Nếu chỉ số KMO nằm trong khoảng 0,5 đến 1 thì ta sử dụng phân tích nhân tố là thích hợp. Trong trường hợp chỉ số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Ngoài ra, tiến trình phân tích nhân tố theo Lưu Thanh Đức Hải (2007) được thực hiện thông qua các bước sau:
Xác định vấn đề: thông thường xác định vấn đề gồm nhiều bước. Đầu tiên ta phải nhận diện các mục tiêu khi ta tiến hành phân tích nhân tố. Các biến trong phân tích nhân tố cần được xác định qua các nghiên cứu đã thực
27
hiện, phân tích lý thuyết và đánh giá của các nhà chuyên môn. Các biến sử dụng trong phân tích nhân tố cần đo lường bằng thang đo định lượng và cỡ mẫu phải đủ lớn. Thông thường cỡ mẫu phải gấp 4 hoặc 5 lần số biến quan sát trong phân tích nhân tố. Đôi khi quy mô nghiên cứu nhỏ nên tỷ số này có thể nhỏ hơn 4 (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Cụ thể, đối với đề tài này, tác giả sử dụng cỡ mẫu 500 và sử dụng 56 biến quan sát để tiến hành phân tích nhân tố.
Xây dựng ma trận tương quan: Để có thể áp dụng phân tíc nhân tố thì các biến phải có liên hệ với nhau. Nếu hệ số tương quan nhỏ, phân tích nhân tố có thể không thích hợp. Trong trường hợp này, chúng ta sử dụng Bartlett’s test of sphericity để kiểm định giả thuyết các biến có tương quan với nhau hay không.
H0: Các biến không có tương quan với nhau trong tổng thể.
Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi- bình phương từ định thức của ma trận tương quan. Đại lượng này càng lớn thì ta có nhiều khả năng bác bỏ giả thuyết nêu trên và ngược lại. Hoặc chúng ta có thể sử dụng giá trị p, nếu sig. ≥ 0,05 thì chấp nhận H0, ngược lại bác bỏ H0.
Xác định số nhân tố: Có nhiều phương pháp được dùng để xác định số lượng nhân tố nhưng phương pháp thông dụng nhất là sử dụng hệ số eigenvalue. Cụ thể, các nhân tố nào có eigenvalue lớn hơn 1 sẽ được giữ lại trong mô hình (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Tiếp theo hành xoay nhân tố, phép xoay Varimax được sử dụng phổ biến. Ta chú ý đến hệ số tải nhân tố (Factor loading) trong ma trận nhân tố để xác định tương quan giữa các nhân tố và các biến. Hệ số này lớn hơn 0,5 cho biết nhân tố và biến có tương quan chặt chẽ với nhau. Do đó các biến có hệ số tải nhỏ hơn 0,5 sẽ bị loại.
Giải thích nhân tố: Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số tải nhân tố lớn ở cùng một nhân tố. Như vậy, nhân tố này có thể được giải thích bằng các biến có hệ số lớn đối với bản thân nó.
Tính điểm và chọn nhân tố thay thế: Điểm nhân tố của nhân tố thứ i:
Fi= Wi1X1 + Wi2X2 + ... + WikXk
Các hệ số W được dùng để kết hợp các biến chuẩn hóa được trình bày trong ma trận hệ số nhân tố ( Component Score Coefficient Matrix). Nhờ ma trận này, chúng ta tính ra điểm của các nhân tố dùng thay thế cho trị số các biến gốc trong các phân tích khác.
Xác đinh mô hình phù hợp: Sau khi tiến hành các bước trên, ta sẽ xây dựng được mô hình nhân tố phù hợp hơn so với mô hình ban đầu.
28
Phân tích nhân tố khẳng định CFA:
Phương pháp CFA trong phân tích mô hình cấu trúc tuyến tính có nhiều ưu điểm hơn so với phương pháp truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA,... (Bagozzi & Foxall, 1996). Lý do CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo cũng như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp & Trijp, 1991). Hơn nữa chúng ta có thể kiểm định giá trị hội tụ và giá trị phân biệt của thang đo.
Sau khi tiến hành phân tích CFA, để đo lường mức độ phù hợp của mô hình với địa bàn nghiên cứu, cần xem xét chỉ tiêu Chi- bình phương, chi- bình phương điều chỉnh theo bậc tự do (Cmin/df), chỉ số thích hợp so sánh CFI (comparative fit index), chỉ số TLI (Tucker & Lewis index), và chỉ số RMSEA (root mean square error approximation). Mô hình được xem là tương thích với dữ liệu nghiên cứu thực tế của đề tài thì kiểm định Chi- bình phương có giá trị p > 0,05. Tuy nhiên chi- bình phương có nhược điểm là nó phụ thuộc vào kích thước mẫu. Nếu mô hình nhận được giá trị TLI, CFI từ 0,9 đến 1, Cmin\df < 2 và RMSEA < 0,08 thì mô hình này được xem là phù hợp với địa bàn nghiên cứu (Rex B. Kline, 2005; Nguyễn Khánh Duy, 2009). Ngoài ra, sau khi xem xét mức độ phù hợp của mô hình thì tiếp đó cần phải loại bỏ những biến không có ý nghĩa thống kê (p>0,05) và những biến có hệ số ước lượng nhỏ hơn 0,5 ra khỏi thang đo (Nguyễn Khánh Duy, 2009). Trong trường hợp, sau khi tiến hành các bước trên mà mô hình vẫn có mức độ phù hợp thấp với dữ liệu nghiên cứu thực tế thì phải tiến hành hiệu chỉnh bằng cách lần lượt cho từng cặp sai số có hệ số MI (Modification indice) lớn nhất tương quan với nhau. Tuy nhiên, nên hạn chế cho các cặp sai số tương quan với nhau vì điều này sẽ làm giảm đi tính đơn hướng của thang đo.
- Sử dụng mô hình cấu trúc tuyến tính (SEM) phân tích tác động của kĩ năng mềm đến kết quả công việc. Trong đó, kỹ năng mềm được đánh giá thông qua các tiêu chí như: kỹ năng làm việc nhóm, kỹ năng giao tiếp, kỹ năng giải quyết vấn đề,...; kết quả công việc được đo lường thông qua ba tiêu chí: khối lượng công việc, chất lượng công việc và mức độ hài lòng trong công việc.
Mô hình cấu trúc tuyến tính SEM
Mô hình cấu trúc tuyến tính SEM có lợi thế hơn những phương pháp truyền thống khác như hồi quy, probit,...vì nó có thể tính được sai số đo lường và đồng thời bản chất của nó là chạy cùng lúc nhiều phương trình hồi quy. Hơn nữa, phương pháp này cho phép chúng ta kết hợp được các khái niệm tiềm ẩn với đo lường của chúng ta và có thể xem xét các đo lường độc lập hay
29
kết hợp chung với mô hình lý thuyết cùng một lúc. Chính vì vậy phương pháp phân tích cấu trúc tuyến tính được sử dụng rất phổ biến trong nghiên cứu khoa học vào những năm gần đây và thường được gọi là phương pháp phân tích thông tin thế hệ thứ hai (Hulland et al, 1996).
Ngoài ra, theo Nguyễn Khánh Duy (2009) thì mô hình SEM gồm có hai thành phần: mô hình đo lường (measurement model) và mô hình cấu trúc (structural model). Trong đó, mô hình đo lường liên quan đến quan hệ giữa biến quan sát và biến tiềm ẩn; mô hình cấu trúc thì chỉ liên quan đến mối quan hệ giữa các biến tiềm ẩn. Đề tài này sử dụng mô hình cấu trúc (Structural model) để kiểm định mối quan hệ giữa 2 biến tiềm ẩn là kỹ năng mềm và kết quả công việc. Đồng thời, mô hình đo lường (measurement model) dùng để đo lường mối quan hệ giữa các biến tiềm ẩn với những biến quan sát trong mô hình nghiên cứu.
Kiểm định kết quả của mô hình SEM cũng dựa vào các chỉ số CFI, TLI và các chỉ số này phải lớn hơn hoặc bằng 0,9 (Bentler & Bonett, 1980) và RMSEA nhỏ hơn 0,08 ( Rex B. Kline, 2005). Nếu một trong các chỉ số hay tất cả các chỉ số đều không thỏa thì cần phải xem xét giá trị P của mô hình để loại bỏ những biến không có ý nghĩa (p > 0,05) (Nguyễn Khánh Duy, 2009). Ngoài ra nếu sau khi đã loại bỏ những biến không có ý nghĩa ra khỏi mô hình mà mô hình vẫn chưa phù hợp thì phải tiến hành hiệu chỉnh mô hình bằng cách lần lượt cho từng cặp sai số có hệ số MI (Modification Indice) lớn nhất tương quan với nhau. Cần lưu ý, nên hạn chế cho các cặp sai số tương quan với nhau vì điều này sẽ làm giảm đi tính đơn hướng của các thang đo.
Kiểm định Bootstrap- Kiểm định độ tin cậy mô hình SEM
Sau khi hoàn thành việc ước lượng mô hình nghiên cứu thì vấn đề đánh giá lại độ tin cậy của ước lượng đó là một công việc hết sức cần thiết. Bởi vì, khi ước lượng của mô hình nghiên cứu đạt được độ tin cậy thì mới có khả