2.4.3.1 Phân tích thống kê
Các phương pháp thống kê được sử dụng trong đề tài như sau: Sử dụng phương pháp đồ thị, phương pháp phân tích tần số, phương pháp phân tích thống kê mô tả với các chỉ tiêu như: tần suất, tỷ lệ, trung bình, độ lệch chuẩn kết hợp với phân tích bảng chéo và các công cụ kiểm định đểphân tích thực trạng nguồn nhân lực tại Sở Tư pháp tỉnh Vĩnh Long.
a. Phương pháp phân tích thống kê mô tả
Phương pháp phân tích thống kê mô tả là các phương pháp có liên quan đến việc thu thập số liệu, tóm tắt, trình bày, tính toán và mô tả các đặc trưng khác
nhau để phản ánh một cách tổng quát đối tượng nghiên cứu. Các đại lượng thường được dùng mô tả tập dữ liệu như: (1) Đại lượng mô tả mức độ tập trung: mean, mode, median; (2) Đại lượng mô tả mức độ phân tán: Phương sai, độ lệch chuẩn, khoảng biến thiên.
b. Phương pháp phân tích tần số
Phân tích tần số nhằm mô tả và tìm hiểu về đặc tính phân phối của một mẫu số liệu thô thông qua bảng phân phối tần số. Bảng phân phối tần số là bảng tóm tắt các dữ liệu được sắp xếp các dữ liệu theo một thứ tự nào đó, tăng dần hoặc giảm dần. Sau đó, thực hiện các bước: (1) Xác định số tổ của dãy số phân phối, (2) Xác định khoảng cách tổ, (3) Xác định giới hạn trên và giới hạn dưới của mỗi tổ, (4) Xác định tần số của mỗi tổ bằng cách đếm số quan sát rơi vào giới hạn của tổ đó. Cuối cùng, trình bày kết quả trên biểu bảng, sơ đồ. Ngoài ra, để thực hiện phân tích số liệu tốt hơn cũng nên cần thực hiện phân tích phân phối tần số tích lũy. Phân phối tần số tích lũy sẽ cộng dồn các tần số nhằm đáp ứng một mục đích khác của phân tích thống kê là khi thông tin được đòi hỏi muốn biết số quan sát mà giá trị của nó ít hơn một giá trị cho sẵn nào đó.
c. Phương pháp phân tích bảng chéo
Phân tích bảng chéo là một kỹ thuật thống kê mô tả hai hay ba biến cùng lúc và bảng kết quả phản ánh sự kết hợp hai hay nhiều biến có số lượng hạn chế trong phân loại hoặc trong giá trị phân biệt. Mô tả dữ liệu bằng Cross - tabulation được sử dụng rất rộng rãi trong nghiên cứu. Phân tích bảng chéo có 2 dạng như sau: (1) Bảng phân tích Cross - tabulation 2 biến còn được gọi là bảng tiếp liên, mỗi ô trong bảng chứa đựng sự kết hợp phân loại của hai biến; (2) Bảng phân tích Cross- tabulation hai biến chưa được kết luận rõ ràng, ta cần tiến hành xử lý 3 biến. Như vậy, việc giới thiệu thêm biến thứ ba là để làm rõ hơn sự kết hợp hai biến ban đầu.
2.4.3.2 Kiểm định độ tin cậy của thang đo
Sử dụng kiểm định Cronbach alpha để đánh giá độ tin cậy của thang đo. Các tiêu chí được chấp nhận nếu hệ số Cronbach alpha ≥ 0,6. Một tiêu chí được chấp
nhận nếu hệ số tương quan biến – tổng hiệu chỉnh (Corrected Item – Total Correlation) ≥ 0,3.
Khi thực hiện các nghiên cứu định lượng, người nghiên cứu phải sử dụng các loại thang đo lường khác nhau. Việc lượng hóa các khái niệm nghiên cứu đòi hỏi phải có những thang đo lường được xây dựng công phu và được kiểm tra độ tin cậy trước khi vận dụng. Một trong những hình thức đo lường các khái niệm trừu tượng được sử dụng phổ biến nhất trong nghiên cứu kinh tế xã hội là thang đo được Rennis Likert (1932) giới thiệu. Likert đã đưa ra loại thang đo năm mức độ phổ biến. Câu hỏi điển hình của thang đo Likert này là: “Xin vui lòng đọc kỹ những phát biểu sau. Sau mỗi câu phát biểu, hãy khoanh tròn trả lời thể hiện đúng nhất quan điểm của bạn. Xin cho biết rằng bạn rất đồng ý, đồng ý, thấy bình thường, không đồng ý hay rất không đồng ý với mỗi câu phát biểu?”.
Cronbach alpha đo lường độ tin cậy của thang đo bao gồm từ ba biến quan sát trở lên. Hệ số Cronbach alpha có giá trị biến thiên trong khoảng [0, 1]. Về lý thuyết Cronbach alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này không thực sự như vậy. Hệ số Cronbach alpha quá lớn (> 0,95) cho thấy nhiều biến trong thang đo không có nhiều khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu). Hiện tượng này được gọi là hiện tượng trùng lắp trong đo lường.
Một thang đo có độ tin cậy tốt khi Cronbach alpha biến thiên trong khoảng [0,7 – 0,8]. Nếu Cronbach alpha ≥ 0,6 là thang đo có thể chấp nhận được về mặt độ tin cậy.
2.4.3.3 Phân tích nhân tố khám phá
Sau khi loại các biến không đảm bảo độ tin cậy, phương pháp phân tích nhân tố khám phá (EFA) được ứng dụng để thu nhỏ tập các biến quan sát và nhận diện các nhân tố mới là các yếu tố ảnh hưởng đến động lực làm việc của CCVC tại Sở Tư pháp tỉnh Vĩnh Long.
Phân tích nhân tố khám phá (EFA) là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu, chúng ta
có thể thu thập được một số lượng biến khá lớn và hầu hết các biến này có liên hệ với nhau và số lượng của chúng phải được giảm bớt xuống đến một số lượng mà chúng ta có thể sử dụng được. Liên hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau được xem xét và trình bày dưới dạng một số ít các nhân tố cơ bản.
Nếu mục tiêu của phân tích nhân tố là biến đổi một tập hợp biến góc thành một tập hợp các biến tổng hợp (nhân tố) có số lượng ít hơn để sử dụng trong các phương pháp phân tích đa biến tiếp theo, thì chúng ta tính ra các nhân tố cho từng trường hợp quan sát với công thức:
Fi = Wi1X1 + Wi2X2 + Wi3X3 + … + WikXk
Trong đó:
Fi: Nhân tố thứ i.
Wi: Hệ số điểm nhân tố (Component Score Coefficient Matrix). K: Số biến quan sát.
Xi: Biến quan sát trong nhân tố thứ i Để phân tích nhân tố khám phá đảm bảo khả năng tin cậy, đòi hỏi thực hiện các kiểm định sau:
- Kiểm định KMO (Kaiser – Meyer – Olkin measure of sampling adequacy): Là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp.
- Kiểm định Bartlett (Bartlett’s test of sphericity): Dùng để xem xét ma trận tương quan có phải là ma trận đơn vị (ma trận có các thành phần bằng 0 và đường chéo bằng 1). Khi mức ý nghĩa của kiểm định Bartlett < 0,05, chúng ta bác bỏ giả thiết H0 (ma trận tương quan là ma trận đơn vị), các biến quan sát có quan hệ nhau.
- Kiểm định mứcđộ giải thích của các biến quan sát đối với nhân tố: Sử dụng phương sai trích (% cumulative variance) để đánh giá mức độ giải thích của các biến quan sát đối với nhân tố. Trị số tổng phương sai trích nhất thiết phải lớn hơn 50% (Trọng và Ngọc, 2008).
2.4.3.4 Phân tích hồi quy đa biến
Sử dụng phương pháp phân tích hồi quy đa biến để ước lượng mức độ ảnh hưởng của các yếu tố mới rút ra được từ phân tích nhân tố (biến độc lập) đến động
lực làm việc của CCVC tại Sở Tư pháp tỉnh Vĩnh Long. (biến phụ thuộc) và đảm bảo có ý nghĩa thống kê. (adsbygoogle = window.adsbygoogle || []).push({});
Mô hình hồi quy đa biến biểu diễn mối quan hệ giữa hai hay nhiều biến độc lập với một biến phụ thuộc định lượng. Mô hình có dạng như sau:
Yi = β0 + β1X1i + β2X2i + … + βkXki + … + βpXpi + εi
Trong đó:
Xpi: Biểu hiện giá trị biến độc lập thứ p tại quan sát thứ i. βk: Là hệ số hồi quy riêng phần.
εi: Là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi σ2 (sai số).
Để xây dựng mô hình hồi quy đa biến ta cần thực hiện các bước chính sau: - Xem xét ma trận hệ số tương quan: Ma trận này cho biết tương quan giữa biến phụ thuộc với từng biến độc lập, cũng như tương quan giữa các biến độc lập với nhau.
- Đánh giá độ phù hợp của mô hình hồi quy đa biến: Hệ số xác định R2 là chỉ số dùng để đánh giá mức độ phù hợp của mô hình hồi quy bội. Hệ số R2 có ý nghĩa giải thích là có bao nhiêu phần trăm thay đổi của Y là do các biến Xi trong mô hình hồi quy tạo ra. Hệ số R2 đã được chứng minh là hàm không giảm theo số biến độc lập, càng đưa thêm biến độc lập vào mô hình thì R2 càng tăng. R2 có khuynh hướng là một ước lượng lạc quan. Trong tình huống này R2 hiệu chỉnh được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy đa biến. R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến độc lập được đưa thêm vào phương trình, dùng nó để đánh giá độ phù hợp của mô hình sẽ an toàn hơn và nó không thổi phồng mức độ phù hợp của mô hình.
- Kiểm định độ phù hợp của mô hình: Hệ số xác định R2 là chỉ số dùng để đánh giá mức độ phù hợp của mô hình. Do đó kiểm định độ phù hợp của mô hình chính là kiểm định giả thiết H0: R2 = 0. Phép kiểm định F được sử dụng để kiểm định giả thiết này và nó tương đương với kiểm định F trong ANOVA. Nếu giả thiết
H0 bị bác bỏ chúng ta kết luận là mô hình ta xây dựng phù hợp với tập dữ liệu và có thể sử dụng được.
- Ý nghĩa các hệ số hồi quy riêng phần trong mô hình: βk đo lường sự thay đổi trong giá trị trung bình của Y khi Xk thay đổi một đơn vị, giữ các biến độc lập còn lại không đổi. Nói một cách khác, nó cho biết ảnh hưởng thuần của các thay đổi một đơn vị trong Xk đối với giá trị trung bình của biến phụ thuộc Y khi loại trừ ảnh hưởng của các biến độc lập khác (Trọng và Ngọc, 2008).