3.3.1. Thang đo của các biến quan sát
Đây là một dạng nghiên cứu thái độ của con người về một khía cạnh nào đó trong cuộc sống. Để xem xét đánh giá được thái độ của người trả lời, trong trường hợp này là sự hài lòng thì tác giả lựa chọn hai dạng câu hỏi trong bảng câu hỏi: (a) Dạng câu hỏi đầu tiên là câu hỏi dạng mở, nghĩa là người trả lời có thể tùy theo ý kiến của mình mà trả lời về cảm nhận của họ về sự hài lòng của họ. Dạng câu hỏi thứ hai là dạng câu hỏi đóng, nghĩa là bảng câu hỏi sẽ đưa ra luôn những lựa chọn trả lời với các tuyên bố về thái độ của người trả lời như hoàn toàn đồng ý, đồng ý, không chắc, không đồng ý, hoàn toàn không đồng ý.
Ví dụ thay vì hỏi câu hỏi dưới dạng về mở “Anh/ chị cảm thấy lương của mình nhận được từ công ty như thế nào?” thì ta có thể hỏi câu hỏi dưới dạng đóng “Tiền lương của anh/chị tương xứng với tính chất công việc đang làm và sức lực bỏ ra” kèm theo năm lựa chọn trả lời là: hoàn toàn đồng ý, đồng ý, không ý kiến, không đồng ý và hoàn toàn không đồng ý. Với dạng câu hỏi đầu tiên, chúng ta sẽ nhận được các câu trả lời khác nhau và hầu như là mỗi người trả lời một cách. Điều này khiến ta không kiểm soát được câu trả lời của họ và cũng khó có thể lượng hóa hay rút ra được một kết luận chung về vấn đề tiền lương của họ. Với dạng câu hỏi
thứ hai và với câu trả lời có sẵn, khi nhận được câu trả lời chúng ta sẽ thấy được rõ hơn về đánh giá của người trả lời đối với tiền lương của họ hiện nay.
Bảng 3.2. Thang đo Likert 05 mức độ
Mức độ thang Likert Điểm
1. Rất không đồng ý 1
2. Không đồng ý 2
3. Không chắc 3
4. Đồng ý 4
5. Rất đồng ý 5
Sử dụng câu hỏi đóng trong nghiên cứu thái độ nói chung là thuận lợi hơn. Ngoài ra, vì một trong những mục tiêu của đề tài này là tìm hiểu, xác định mức độ hài lòng nên việc sử dụng câu hỏi dạng đóng với các lựa chọn trả lời dạng thang đo Likert là phù hợp nhất. Với câu trảlời của người trả lời dưới dạng thang đo này, ta sẽ thấy được sự thỏa mãn công việc của người nhân viên ở từng khía cạnh, từng nhân tố trong công việc ở mức thỏa mãn hay không thỏa mãn và ở mức độ nhiều hay ít. Đồng thời, vì thang đo Likert là thang đo khoảng nên ta có thể sử dụng số liệu thu thập được để xử lý, phân tích định lượng để xác định mối quan hệ tương quan, quan hệ tuyến tính giữa các biến nói chung, cũng như giữa các biến độc lập và biến phụ thuộc.
3.3.2. Thống kê mô tả
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo nhằm tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các kỹ thuật cơ bản của mô tả dữ liệu:
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu: Khi tóm tắt một đại lượng về thông tin doanh nghiệp (giới tính, độ tuổi, thời gian làm việc, v.v…) thường dùng các trị thống kê như tần số, trung bình cộng, mốt, tỷ lệ, phương sai, độ lệch chuẩn, v.v…
- Biểu diễn dữ liệu bằng đồ họa trong đó các đồ thị mô tả dữ liệu hoặc giúp so sánh dữ liệu.
- Kiểm định giả thiết dữ liệu thống kê mô tả: Kiểm định trung bình, kiểm định tỷ lệ, kiểm định chi bình phương, v.v… để so sánh, phỏng đoán mức độ phù hợp dữ liệu thống kê mô tả, tồn tại mối liên hệ giữa các cặp biến quan sát.
- Các số liệu của mỗi biến quan sát trong thang đo cần được kiểm chứng hình dạng của phân phối thông qua hệ số độ lệch và độ nhọn. Kline (2011) nói rằng bộ dữ liệu với các giá trị tuyệt đối của độ lệch (skewness) nhỏ hơn 2 và độ nhọn (kurtosis) nhỏ hơn 7 được coi là phù hợp.
3.3.3. Kiểm định độ tin cậy thang đo
Kiểm định độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Alpha (Cronbach, 1951): Hệ số Cronbach Alpha (α) là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Hệ số Cronbach’s Alpha được tính theo công thức sau: Α = K (cov/var) 1 + (k-1)
(cov/var) Trong đó:
α hệ số cronbach Alpha k số mục hỏi được kiểm tra
cov/var hệ số tương quan trung bình giữa các cặp biến quan sát U
Đánh giá độ tinh cậy thang đo qua hệ số Cronbach Alpha α: 0,8 ≤ α < 1,0 Thang đo lường tốt
0,7 ≤ α < 0,8 Thang đo sử dụng được
α ≥ 0,6 Sử dụng được đối với khái niệm nghiên cứu mới
(Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2005)
Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ hệ số tương quan biến tổng (Corrected Item-Total Correclation) nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ số tương quan biển tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác.
Quy trình kiểm định các biến quan của mỗi thang đo trước khi tiến hành phân tích nhân tố EFA:
Bước 1:Trong phần mềm SPSS, chọn công cụ phân tích độ tin cậy thang đo (Analyse – Scale – Reability Analysis). Chọn mặc định phân tích hệ số Cronbach’s Alpha (Model: Alpha). Kế tiếp đưa các biến quan sát của một thang đo lường vào mục (Items) để phân tích độ tin cậy. Sau đó, chọn hộp thoại phân tích thống kê Statistics, trong đó công cụ phân tích Descriptives for: chọn Scale, Scale if item deleted. Sau cùng, phần mềm SPSS tự động phân tích dữ liệu và xuất kết quả kiểm định thang đo lường.
Bước 2:Cần loại bỏ những biến rác. Trong kết quả Nếu thấy biến nào có hệ số tương quan với biến tổng (Corrected Item-Total Correclation) nhỏ hơn 0,3 thì cần loại bỏ biến đó ra khỏi thang đo trước khi tiến hành phân tích nhân tố EFA.
Bước 3: Lựa chọn hệ số Cronbach’s Alpha tốt nhất để độ tin cậy của thang đo tương quan các biến chặt chẽ, bằng cách loại trừ biến quan sát có mức độ tương quan thấp trong thang đo thì sẽ đạt được hệ số Cronbach’s Alpha tốt hơn (Cronbach's Alpha if Item Deleted). Quá trình này được lập lại cho đến khi lựa chọn được hệ số Cronbach’s Alpha tốt nhất. Độ tin cậy của thang đo có hệ số Cronbach’s Alpha đạt tiêu α ≥ 0,7 (thang đo sử dụng được).
Trong kiểm định kết quả sơ bộ về độ tin cậy, hệ số Cronbach Alpha là một phương pháp để kiểm định độ tin cậy các biến quan sát có tính đồng nhất và mối tương quan chặt chẽ trong một thang đo. Ngoài ra, hệ số tương quan với biến tổng lớn hơn 0.3 cũng là một điều kiện đánh giá mức độ ổn định các biến quan sát của cùng một thang đo (nếu biến quan sát có hệ số tương quan với biến tổng nhỏ hơn 0.3 thì biến quan sát đó không đồng nhất và có quan hệ chặt chẽ trong thang đo đó).
Trong kiểm định kết quả chính thức về độ tin cậy, ngoài hệ số tương quan với biến tổng lớn hơn 0.3 thì hệ số Cronbach’s Alpha đạt tiêu chuẩn α ≥ 0,7 (thang đo sử dụng được).
3.3.4. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu (Hair & CTG, 1998). Mô hình phân tích nhân tố EFA được thể hiện bằng phương trình:
Trong đó:
XRiR biến quan sát thứ i
aRijR hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i FRjR nhân tố chung
VRiR hệ số hồi quy chuẩn hóa nhân tố đặc trưng của biến i URiR nhân tố đặc trưngcủa biến i
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Trong đó:
FRjR ước lượng trị số của nhân tố thứ j WRkjR trọng số nhântố j của biến k (k>j)
ZRk Rbiến quan sát được chuẩn hóa (Z-score) từ biến XRk
ZRkR =
(aRikR – XRtbR) Std. Deviation
ZRkR giá trị chuẩn hóa quan sát thứ i của biến XRk
aRikR giá trị quan sát thứ i của biến XRkR XRtbR giá trị trung bình của biến XRkR
Std. Deviation Độlệch tiêu chuẩn (δn-1) của biến XRk
Tập biến {ZR1R, ZR2R, …, ZRkR} là tập biến gốc {XR1R, XR2R, …, XRkR} đưa mô hình phân tích nhân tố EFA. Tập biến gốc được chuẩn hóa (Z-score) có giá trị trung bình bằng 0 (Mean = 0) và giá trị độ lệch tiêu chuẩn bằng 1 (Std. Deviation = 1). Tập biến gốc “chưa chuẩn hóa” và “có chuẩn hóa” đều có kết quả phân tích thống kê như nhau (phân tích nhân tố EFA, phân tích hồi quy, v.v…). Dựa vào phần mềm SPSS 15.0 for Windows, tập biến gốc được chuẩn hóa được chương trình tự động tính toán và lưu lại bằng lệnh “Save standardized values as variables” trong Analyze – Descriptive Statistics – Descriptives.
3.3.4.1. Kiểm định phân tích nhân tố EFA
Mô hình phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
Xi = ai1F1 + ai2F2 + … + aijFj +ViUi
Fj = W1jZ1 + W2jZ2 + … + WkjZk
(i) Hệ số tải nhân tố (Factor Loadings): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố lớn hơn 0,3 được cho là phù hợp với quy mô mẫu lớn hơn 350 số quan sát.
(ii) Tính thích hợp của EFA (Kaiser – Meyer – Olkin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1.
(iii) Kiểm định Bartlett (Bartlett’s Test of Sphericity): kiểm định giả thuyết HR0R (các biến không có tương quan với nhau trong tổng thể). Ma trận tương quan tổng thể là một ma trận đơn vịtrong đó tất cả các giá trị trên đường chéo đều bằng 1 và ngoài đường chéo bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng Chi-Square từ định thức của ma trận tương quan.
- Bác bỏ giả thuyết HR0R: đại lượng Chi-Square lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố là thích hợp.
- Chấp nhận giả thuyết HR0R: đại lượng Chi-Square nhỏ, ý nghĩa thống kê lớn hơn 0,05 thì phân tích nhân tố có khả năng không thích hợp.
(iv) Phương sai cộng dồn (cumulative of variance): là phân trăm phương sai toàn bộ được thích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biến phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố có phương sai cộng dồn lớn hơn 50% với eigenvalue phải lớn hơn 1.
Sau khi rút gọn được các biến nhân tố mới (FRjR) từ một tập biến quan sát, các biến FRjR này được đưa vào các phân tích tiếp theo như kiểm định trung bình, ANOVA, tương quan và hồi quy, v.v…
3.3.4.2. Giải thích ý nghĩa nhân tố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến gốc có hệ số tải (Rotated Factor Loadings) lớn ở cùng một nhân tố. Theo nghiên cứu Ming- Chang Lee (2007) về việc đưa ra giải pháp thực hiện đồng bộ trong mô hình phân tích nhân tố EFA, việc giải thích ý nghĩa nhân tố dựa trên các biến quan sát có hệ số tải (Rotated Factor Loadings) lớn trong cùng một nhóm nhân tố, từ đó trích gọn hệ số nhân tố của các biến quan sát này trong ma trận hệ số nhân tố (Component Score Coefficient) để giải thích ý nghĩa nhân tố. Sau đây là một ví dụ minh họa giải thích ý nghĩa nhân tố:
Giả định mô hình phân tích nhân tố EFA rút gọn một tập gồm 6 biến quan sát XRkR = {XR1R, XR2R, XR3R, XR4R, XR5R, XR6R} thành một tập có 2 nhân tố FRjR = {FR1R, FR2R}. Trên cơ sở bảng phân tích ma trận nhân tố xoay (Rotated Component Matrix), nhân tố FR1R có 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố FR1R = {XR1R, XR3R, XR5R} và FR2Rcó 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố FR2R = {XR2R, XR4R, XR6R}.
Bước 1:Xây dựng hệ phương trình nhân tố
Từ ma trận trọng số nhân tố WRkjR (Component Score Coefficient Matrix)
WRkjR = WR11 WR12 WR21 WR22 WR31 WR32 WR41 WR42 WR51 WR52 WR61 WR62
và các biến quan sát XRkR = {XR1R, XR2R, XR3R, XR4R, XR5R, XR6R} được chuẩn hóa (Z-score) ZRkR = {ZR1R, ZR2R, ZR3R, ZR4R, ZR5R, ZR6R}, ta có hệ phương trình nhân tố như sau:
FR1R = WR11RZR1R + WR21RZR2R + WR31RZR3R + WR41RZR4R + WR51RZR5R + WR61RZR6R FR2R = WR12RZR1R + WR22RZR2R + WR32RZR3R + WR42RZR4R + WR52RZR5R + WR62RZR6R
Bước 2: Lựa chọn biến để giải thích tối ưu nhất cho mỗi nhân tố
Để giải thích sự biến thiên của dữ liệu từ 2 phương trình, chúng ta loại bỏ những biến quan sát có hệ số tải (Rotated Factor Loadings) thấp, chỉ chọn lọc biến quan sát có hệ số tải (Rotated Factor Loadings) cao để giải thích sự biến thiên tối ưu nhất cho mỗi nhân tố. Hệ phương trình trên được đơn giản như sau:
FR1R = WR11RZR1R + WR31RZR3R + WR51RZR5R FR2R = WR22RZR2R + WR42RZR4R + WR62RZR6R
Bước 3: Tính hệ số tối ưu cho mỗi nhân tố
Dựa vào hệ phương trình đơn giản (FS2), ta có:
FR1(OPT)R = WR11R + WR31R + WR51R
FR2(OPT)R = WR22R + WR42R + WR62R
Bước 4: Chuẩn hóa các hệ số từ hệ phương trình (FS2)
Score FR1R = FR1R / FR1(OPT)R = (WR11RZR1R + WR31RZR3R + WR51RZR5R) /FR1(OPT)R Score FR2R = FR2R / FR2(OPT)R = (WR22RZR2R + WR42RZR4R + WR62RZR6R) / FR2(OPT)
(FS1)
(FS2)
(FS3)
Như vậy, nhân tố trong hệ phương trình (FS3) được giải thích ý nghĩa như sau:
Muốn tăng nhân tố FR1R lên 1 đơn vị thì cần tác động tích cực hoặc cần tăng các biến quan sát XR1R, XR3R, XR5R lên (WR11R + WR31R + WR51R) /FR1(OPT)R đơn vị. Điều này có nghĩa là muốn tăng mức độ thỏa mãn nhân tố FR1R của doanh nghiệp lên 1 điểm thì cần có giải pháp đồng bộ tác động lên các biến quan sát XR1R, XR3R, XR5R. theo trọng số
(WR11R + WR31R + WR51R) /FR1(OPT)R điểm. Tương tự, muốn tăng mức độ thỏa mãn nhân tố
FR2R của doanh nghiệp lên 1 điểm thì cần có giải pháp đồng bộ tác động lên các biến quan sát XR2R, XR4R, XR6R. theo trọng số (WR22R + WR42R + WR62R) /FR2(OPT)Rđiểm.
3.3.4.3. Quá trình thực hiện phân tích nhân tố EFA
Sau khi kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha để loại bỏ biến rác hoặc biến có tương quan thấp trong thang đo lường, các biến quan sát còn lại được đưa vàophân tích nhân tố EFA. Quá trình thực hiện phân tích nhân tố EFA như sau:
Bước 1: Thực hiện phân tích nhân tố EFA về sự hài lòng của doanh nghiệp với 05 thang đo thành phần.
Khi phân tích nhân tố EFA, tập hợp biến gốc XRkR đo lường sự hài lòng của người lao động theo từng khía cạnh được xây dựng trong 05 thang đo được rút gọn thành một tập hợp biến độc lập nhân tố FRjR mới ít hơn. Các nhân tố này được đặt tên lại và được giải thích bằng các biến có hệ số tải (Rotated Factor Loadings) lớn. Tập