Dữ kiệu thu thập được xử lý bằng phần mềm SPSS phiên bản 16.0. Sau khi mã hóa và làm sạch dữ liệu sẽ trải qua các bước sau:
- Đánh giá độ tin cậy và độ giá trị các thang đo: Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach alpha. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường, thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,6 trở lên đến gần 1 là thang đo lường tốt.
- Phân tích nhân tố khám phá EFA: Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. Ngoài ra, phân tích nhân tố còn dựa vào eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình (Gerbing & Anderson, 1988).
Đại lượng eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp phân tích nhân tố Principal Components với phép xoay Varimax nên các hệ số tải nhân tố phải có trọng số lớn hơn ≥ 0,4 thì mới có ý nghĩa thực tiễn.
- Xây dựng phương trình hồi quy, kiểm định giả thuyết: Sau khi rút trích được
các nhân tố từ phân tích nhân tố khám phá EFA, phân tích ma trận tương quan, hồi quy tuyến tính bội, kiểm tra hệ số phóng đại phương sai VIF (Variance inflation factor – VIF). Nếu các giả định về đa cộng tuyến không bị vi phạm, mô hình hồi quy tuyến tính
bội được xây dựng. Và hệ số R2 đã được điều chỉnh (adjusted R square) cho biết mô
hình hồi quy được xây dựng phù hợp đến mức nào.
Từ phân tích tương quan và hồi quy, tính hệ số tương quan (r) giữa các biến phụ thuộc và các biến độc lập, xem thử chúng có mối liên hệ với nhau không, dự đoán hiện
tượng đa cộng tuyến. Kiểm tra R2, kiểm định ANOVA, kiểm tra hệ số hồi quy, kiểm
tra các giả thuyết của phân tích hồi quy. Phần dư có phân phối chuẩn, kiểm tra biểu đồ phân phối phần dư, biểu đồ P-Plot; phương sai không đổi hay phần dư không tương quan với các biến độc lập trong mô hình, nếu độ lớn của phần dư tăng hay giảm cùng với giá trị bị dự đoán thì giả định này bị vi phạm. Qua biểu đồ Scatterplot thể hiện mối quan hệ giữa các giá trị dự đoán và phần dư, các quan sát phải phân tán ngẫu nhiên. Đồng thời bằng phương pháp phân tích tương quan hạng Spearman giữa phần dư với các biến độc lập cho thấy giả thiết này không bị vi phạm (.sig > 0,05) (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008)
Từ mô hình hồi quy chúng ta tiến hành đánh giá độ phù hợp của mô hình và kiểm định các giả thuyết kỳ vọng.
- Phân tích tương quan và hồi quy: Hệ số tương quan “r” Pearson correlation coefficient dung để kiểm định mối quan hệ giữa các khía cạnh văn hóa công ty và sự cam kết gắn bó của nhân viên trong mô hình nghiên cứu, sử dụng một thống kê có tên là hệ số tương quan “Pearson correlation coefficient”, được kí hiệu bởi chữ “r” nhằm lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng.
Công thức của” r” như sau: ∑i
N
(Xi-X)(Yi-Y) (N-1)SxSy
Trong đó N là số quan sát và SX, SY là độ lệch chuẩn của từng biến X, Y. Trị tuyệt đối “r” cho biết mức độ chặt chẽ của mối liên hệ tuyến tính.
Nếu r > 0 thể hiện tương quan đồng biến. Ngược lại r < 0 thể hiện tương quan nghịch biến. Giá trị r = 0 chỉ ra rằng hai biến không có mối liên hệ tuyến tính.
r —> 1: quan hệ giữa hai biến càng chặt. r —> 0: quan hệ giữa hai biến càng yếu.
Mô hình hồi quy bội:
Khi kết luận được hai biến có liên hệ chặt chẽ với nhau, đồng thời giả định rằng đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa hai biến, và xem như đã xác định đúng hướng của mối quan hệ nhân quả có thật giữa chúng thì ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi quy tuyến tính trong đó một biến được gọi là biến phụ thuộc (hay biến được giải thích - Y) và biến kia là biến độc lập (hay biến giải thích - X). Mô hình này sẽ mô tả hình thức của mối liên hệ và qua đó giúp ta dự đoán được mức độ của biến phụ thuộc (với độ chính xác trong phạm vi giới hạn) khi biết trước giá trị của biến độc lập.
Phương pháp phân tích hồi qui đa biến được sử dụng để xác định các nhân tố ảnh hưởng văn hóa đến sự cam kết gắn bó với công ty của nhân viên. Mô hình dự đoán như sau: 0 1* 1 2* 2 3* 3 .... i* i i Y X X X X Trong đó: Y: Biến phụ thuộc 0 1* 1 2* 2 3* 3 .... i* i i Y X X X X r= (-1≤ r ≤1)
i X : Biến độc lập 0 : hằng số i : các hệ số hồi qui i
: thành phần ngẫu nhiên hay yếu tố nhiễu
Biến phụ thuộc sự cam kết gắn bó và biến độc lập là các nhân tố văn hóa được rút ra từ quá trình phân tích nhân tố khám phá EFA.
Mô hình hồi quy tuyến tính bội giả định rằng biến phụ thuộc có phân phối chuẩn đối với bất kỳ kết hợp nào của các biến độc lập trong mô hình.
Kết quả phân tích tương quan hồi qui đa biến sẽ giải quyết mục tiêu giải thích mối tương quan và mức độ tác động cùa từng yếu tố dộc lập đối với yếu tố phụ thuộc.
Đánh giá độ phù hợp của mô hình hồi quy tuyến tinh bội:
Hệ số xác định R2 (coefficient of determination) thường được dùng là thước đo
sự phù hợp của mô hình hồi quy tuyến tính. Công thức tính R2 xuất phát từ ý tưởng:
toàn bộ biến thiên quan sát được của biến phụ thuộc được chia thành hai phần - phần biến thiên do hồi quy và phần biến thiên không do hồi quy hay còn gọi là phần dư.
Người ta sử dụng R2 theo quy tắc R2 càng gần 1 thì mô hình đã xây dựng càng thích hợp, R2 càng gần 0 thì mô hình càng kém phù hợp với tập dữ liệu mẫu.
Vì R2 được chứng minh là hàm không giảm theo số biến độc lập được đưa vào
mô hình. Do đó, càng đưa thêm nhiều biến độc lập vào mô hình thì R2 càng tăng. Điều
này không có nghĩa là phương trình càng có nhiều biến thì sẽ càng phù hợp hơn với tập dữ liệu.
Khi kiếm định các giả thuyết trên, để rút ra các kết luận, ta so sánh mức ý nghĩa quan sát sig. với mức ý nghĩa ta chọn cho kiểm định là 5% (p = 0,05). Nếu các giá trị khác 0 và sig. < 0,05 thì những giá trị đó có ý nghĩa về mặt thống kê. Và ngược lại nếu các giá trị khác 0 và sig. > 0,05 thì những giá trị đó không có ý nghĩa về mặt thống kê.
- Kiểm định sự khác biệt của các biến nhân khẩu học: Phân tích Independent T- test và Anova, nhằm kiểm định sự khác biệt về cam kết gắn bó của nhân viên, theo từng đặc tính cá nhân như: giới tính, độ tuổi, trình độ học vấn, thâm niên công tác, chức danh hiện tại và hôn nhân.
Điều kiện để phân tích ANOVA là:
- Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên.
- Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được
xem như tiệm cận phân phối chuẩn.
Tóm tắt chương II
Nghiên cứu được thực hiện bằng hai giai đoạn, nghiên cứu định tính và nghiên cứu định lượng.
Nghiên cứu định tính bằng hình thức thảo luận tay đôi theo một nội dung được chuẩn bị trước dựa theo các thang đo có sẵn. Nội dung thảo luận sẽ được ghi nhận, tổng hợp làm cơ sở cho việc điều chỉnh và bổ sung các biến.
Nghiên cứu định lượng với kỹ thuật thu thập dữ liệu là phỏng vấn thông qua bảng câu hỏi. Dữ liệu thu thập được xử lý bằng phần mềm SPSS. Sau khi mã hóa và làm sạch dữ liệu sẽ trải qua các phân tích chính thức như sau : đánh giá độ tin cậy và giá trị các thang đo, phân tích nhân tố sẽ được sử dụng để kiểm định sự hội tụ của các biến thành phần về khái niệm, kiểm định mô hình đề xuất bằng hồi quy đa biến. Tiếp theo phân tích phương sai ANOVA được thực hiện đối với các biến kiểm soát như : giới tính, độ tuổi, trình độ học vấn, thời gian làm việc tại công ty, vị trí công tác, thu nhập bình quân và vị trí công tác.
CHƯƠNG III. KẾT QUẢ NGHIÊN CỨU