Sau khi mã hóa và làm sạch dữ liệu ta sẽ tiến hành các phân tích sau:
Thống kê mô tả
Sử dụng phương pháp thống kê tần số để mô tả các thuộc tính của nhóm như: giới tính, độ tuổi, thâm niên, trình độ học vấn, vị trí công tác, thu nhập trung bình/tháng, tình trạng hôn nhân và nơi công tác. Tính điểm trung bình đánh giá mức độ quan trọng của thang đo.
Phương pháp tính điểm trung bình đối với thang đo Likert 5 mức độ: Giá trị khoảng cách = (Max-Min)/cấp độ = (5-1)/5 = 0,8
1,00 - 1,80: Hoàn toàn không đồng ý (Rất thấp) 1,81 - 2,60: Không đồng ý (Thấp)
2,61 - 3,40: Không ý kiến (Trung bình) 3,41 - 4,20: Đồng ý (Cao)
4,21 - 5,00: Hoàn toàn đồng ý (Rất cao)
Đánh giá độ tin cậy của phép đo lường bằng phương pháp tính hệ số
Crombach’s Alpha:
Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Điều này liên quan đến hai khía cạnh là tương quan giữa bản thân các biến và tương quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi người trả lời. Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế của những biến rác trong mô hình nghiên cứu vì nếu không chúng ta không thể biết được chính xác độ biến thiên cũng như độ lỗi của các biến.
Công thức của Cronbach’s Alpha là: α = Np/[1+p(N-1)]
21
Những biến có hệ số tương quan biến động (Item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt nhất phải có hệ sốα 0,8.
Nhiều nhà nghiên cứu đồng ý khi Cronbach α từ 0,8 đến 1 là thang đo tốt, từ 0,7 đến 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là sử dụng được trong những trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. (Nunnally, 1978; Peterson, 1994; Stater, 1995).
Tiếp theo, những biến có hệ số tương quan giữa các biến và tổng (Item – total correlation) nhỏ hơn 0,3 sẽ bị loại (Nunnally and Burnstein 1994).
Phân tích nhân tố (EFA)
Dùng để kiểm tra mối quan hệ tương quan giữa các biến của các thang đo bao gồm: Thang đo lòng tin nhân thức, động cơ, kết quả làm việc và quan hệ cá nhân của nhân viên. Phân tích giúp gom các biến quan sát thành những nhóm trong đó các biến có quan hệ chặt chẽ với nhau. Phương pháp phân tích EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập 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 ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Số lượng các nhân tố cơ sở tuỳ thuộc vào mô hình nghiên cứu, trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan.
Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn như:
Thứ nhất: Hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0,5, mức ý nghĩa của kiểm định Bartlett ≤ 0,05. (KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Thứ hai: Hệ số tải nhân tố (Factor loading) ≥ 0,5. Nếu biến quan sát nào có hệ số tải nhân tố < 0,5 sẽ bị loại. (Theo Hair et al., 1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thực của EFA (Ensuring Practical significance). Factor loading > 0,3 được xem là đạt
22
được mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, Factor loading ≥ 0,5 được xem là có ý nghĩa thực tiễn. Hair et al (1998) cũng khuyên bạn đọc như sau: Nếu chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0,75).
Thứ ba: Thang đo được chấp nhận khi tổng phương sai trích ≥ 50% (Gerbing and Anderson, 1988).
Thứ tư: Hệ số eigenvalue có giá trị lớn hơn 1 (Trần Đức Long, 2006).
Thứ năm: là khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố ≥ 0,3 để đảm bảo giá trị phân biệt giữa các nhân tố (Bùi Nguyên Hùng và Võ Khánh Toàn, 2005).
Phân tích nhân tố khẳng định (CFA)
Sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừ nhận trước tiến hành kiểm định thống kê. Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không. CFA cũng là một dạng của SEM.
Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố. Về mặt lý thuyết, trong CFA chúng ta cần chú ý đến một số vấn dề sau: để đo lường mức độ phù hợp của mô hình với thông tin thị trường, người ta sử dụng Chi – square (CMIN); Chi–square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI – Comparative Fit Index). Chỉ số Tucker and Lewis (TLI – Tucker and Lewis Index); chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi – square có P – value > 0,05. Tuy nhiên Chi – square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị TLI, CFI ≥ 0,9, CMIN/df ≤ 2, RMSEA ≤ 0,08 thì mô hình thích hợp với dữ liệu thị trường (Nguyễn Đình Thọ and Nguyễn Thị Mai Trang, 2008).
23
1. Hệ số tin cậy tổng hợp (composite reliability): Đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời. Hệ số tin cậy của mỗi khái niệm cũng phải lớn hơn 0,5 (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2008).
2. Tổng phương sai trích được (varience extracted): Phản ánh lượng biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn. phương sai trích của mỗi khái niệm nên vượt quá 0,5 theo (Hair, 1998).
3. Tính đơn nguyên (unidimensionality): Theo Steenkamp and Van Trijp (1991), mức độ phù hợp của mô hình với dữ liệu của thị trường cho chúng ta điều kiện cần và đủ cho tập biến quan sát đạt được tính đơn nguyên, trừ trương hợp các sai số của biến quan sát có tương quan với nhau.
4. Giá trị hội tụ ( convergent validity): Gerbring and Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa của thang đo đều cao (> 0,5) và có ý nghĩa thống kê (P < 0,05).
5. Giá trị phân biệt (discriminant validity): Kiểm định giá trị phân biệt của các khái niệm nghiên cứu có thực sự khác biệt so với một hay không. Nếu có sự khác biệt thì thang đo đạt được giá trị phân biệt.
Mô hình cấu trúc tuyến tính (SEM):
SEM (Structural Equation modelling) là một kỹ thuật mô hình thống kê rất tổng quát, được sử dụng rộng rãi trong khoa học nghiên cứu hành vi. Nó có thểđược xem là sự kết hợp của phân tích nhân tố và hồi quy hay phân tích đường dẫn. Sự quan tâm trong SEM thường là vào các kiến trúc lý thuyết (các khái niệm lý thuyết), được trình bày bởi các nhân tố ngầm (các khái niệm tiềm ẩn). Các quan hệ giữa các kiến trúc lý thuyết được trình bày bởi các hệ số hồi quy hay hệ số đường dẫn giữa các nhân tố. SEM ám chỉ một cấu trúc của các hiệp tương quan (covariances_hiệp phương sai) giữa các biến được quan sát, các quan hệ này cho ra một tên khác là mô hình hóa cấu trúc hiệp tương quan (Covariance structure modeling_mô hình cấu trúc hiệp phương sai). Tuy nhiên, mô hình có thể được mở rộng thêm bao gồm trung bình của các biến quan sát được hoặc các nhân tố trong mô hình, làm cho tên mô hình hóa cấu trúc hiệp tương quan ít chính xác. Nhiều nhà nghiên cứu chỉ đơn giản nghĩ mô hình loại này là “Các mô hình Lisel”, điều này cũng ít chính xác. LISREL là chữ viết tắc của Linear Structure RELatiins (các quan hệ cấu trúc tuyết tính), và tên này được Jureskog sử dụng cho một trong những chương trình (phần mềm) SEM đều tiên thông dụng nhất. Các mô hình phương trình cấu trúc
24
ngày nay không nhất thuyết phải tuyết tính, và khả năng mở rộng của SEM xa hơn phương trình Lisrel ban đầu. Ví dụ, Browne (1993) thảo luận khả năng làm thích hợp các đường cong phi tuyết tính.
SEM cung cấp một khung thuận tiện và rất tổng quát cho các phân tích thống kê bao gồm các thủ tục đa biến truyền thống, ví dụ các trường hợp đặc biệt là phân tích nhân tố, phân tích hồi quy, phân tích phân biệt và tương quan canonical. SEM thường được minh họa bằng biểu đồ dường dẫn (sơ đồ đường dẫn). Phương trình thống kê này thường được trình bày trong một hệ phương trình ma trận. Trong đầu thập niên 70, khi kỹ thuật này được giới thiệu lần đầu tiên trong nghiên cứu xã hội và nghiên cứu hành vi, phần mềm thường yêu cầu cài đặt chỉ rõ mô hình theo điều kiện của những ma trận này. Do đó, các nhà nghiên cứu đã phải lọc việc trình bày ma trận từ biều đồ đường dẫn, và cung cấp phần mềm với một chuỗi ma trận cho các tập hợp tham số khác nhau, như là hệ số nhân tố và các hệ số hồi quy. Các phần mềm được phát triển gần đây cho phép các nhà nghiên cứu chỉ định trược tiếp mô hình như là một biểu đồ đường dẫn. việc này hiệu quả với các vấn đề đơn giản, nhưng có thể gây mệt mỏi đối với các mô hình có tính phức tạp hơn. Vì lý do này, phần mềm SEM hiện tại cũng vẫn hỗ trợ các đặc tính kỹ thuật của mô hình loại câu lệnh-hay ma trận.
Path analysis (phân tích đường dẫn) là kỹ thuật thống kê dùng để kiểm tra quan hệ nhân quả giữa hai hay nhiều biến (biến quan sát). Dựa trên hệ thống phương trình tuyết tính.
Path analisis là thành phần phụ của SEM, một thủ tục đa biến mà theo định nghĩa của Ullman (1996), “cho phép kiểm tra một tập quan hệ giữa một hay nhiều biến độc lập, hoặc là liên tục hoặc là rời rạc và nhiều biến phụ thuộc, hoặc là liên tục hoặc rời rạc”.
SEM liên quan đến các biến đo lường được (Measured variable) và các biến ngầm (latent variables). Một latent variable là một biến không thể được quan sát trược tiếp và được đo lường. Biến đo lường được cũng được biết đến như biến quan sát được (observed variable), biến chỉ báo hay biến chỉ thị (indicator or manifest variables). Một latent variable là một biến không thể được quan sát trực tiếp và phải được suy ra từ measured variable. Latent variables được ám chỉ bởi hiệp tương quan (covariances) giữa hai hay nhiều measured variable. Chúng cũng được biết đến như là các nhân tố (nghĩa là, phân tích nhân tố), các biến kiến trúc hay các biến không quan sát được (constructs or unobserved variables). SEM là sự kết hợp giữa hồi quy đa biến
25
và phân tích nhân tố. Path analysis chỉ liên quan đến các biến đo lường (measure variables).