Mẫu được chọn theo phương pháp thuận tiện, phi xác suất. Chọn mẫu theo phương pháp thuận tiện là một phương pháp chọn mẫu thuộc phương pháp chọn mẫu phi xác suất thường dùng trong nghiên cứu thị trường. Phương pháp chọn mẫu thuận tiện là phương pháp chọn mẫu phi xác suất trong đó nhà nghiên cứu tiếp cận với phần tử mẫu bằng phương pháp thuận tiện. Nghĩa là nhà nghiên cứu có thể chọn những phần tử nào mà họ có thể tiếp cận. (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009, trang 77).
Phương pháp phân tích được sử dụng để rút trích nhân tố là phương pháp phân tích nhân tố khám phá EFA. Phân tích nhân tố cần ít nhất 200 quan sát (Gorsuch, 1983). Cũng có nhà nghiên cứu cho rằng kích thước mẫu tối thiểu là năm mẫu cho một
43
tham số cần ước lượng (Bollen, 1989). Số lượng tham số tối đa cần ước lượng trong nghiên cứu này là 30. Như vậy, kích thước mẫu tối thiểu là 150 (5*30).
Những quy tắc kinh nghiệm khác trong xác định cỡ mẫu cho phân tích nhân tố EFA là thông thường thì số quan sát (kích thước mẫu) ít nhất phải bằng 4 hay 5 lần số biến trong phân tích nhân tố. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Ngoài ra, theo Tabachnick & Fidell (1991) để phân tích hồi quy đạt được kết quả tốt nhất, thì kích thước mẫu phải thỏa mãn công thức n ≥ 8k + 50 (với n là kích thước mẫu, k là số biến độc lập của mô hình).
3.4.2. Thu thập dữ liệu
Việc thu thập dữ liệu được thực hiện thông qua kỹ thuật phỏng vấn trực tiếp các sinh viên người Quảng Ngãi và các sinh viên người Quảng Ngãi đã tốt nghiệp và đi làm tại khu vực TP.HCM . Việc khảo sát được tiến hành thông qua 2 cách:
+ Gửi bảng câu hỏi được in giấy, rồi đưa trực tiếp cho người được phỏng vấn sau đó thu lại bảng khảo sát sau khi người được phỏng vấn hoàn thành xong bảng câu hỏi.
+ Tạo bảng khảo sát trên Google Driver sau đó thông qua Face book và mail gửi link này đến cho những người được phỏng vấn trả lời.
Thời gian khảo sát vào tháng 9 năm 2015. Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện, bảng câu hỏi thang đo Likert 5 mức độđểđo lường mức độ quan trọng của các yếu tố.
Số lượng bảng câu hỏi được phát ra và gởi đi là 250 bảng, số lượng bảng thu về 250 bảng, sau khi kiểm tra chọn lọc thì chỉ còn 246 bảng khảo sát hợp lệ.
3.5. PHƯƠNG PHÁP XỬ LÝ DỮ LIỆU
Phương pháp phân tích dữ liệu được dùng cho nghiên cứu chính thức bao gồm phân tích hệ số tin cậy Cronbach alpha, phân tích nhân tố khám phá EFA và phân tích hồi quy tuyến tính bội. Dữ liệu thu thập được xử lý bằng phần mềm SPSS 20.0
3.5.1. Phân tích hệ số Cronbach’s alpha
Phân tích hệ số Cronback alpha để loại bỏ các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu. Các biến quan sát có hệ số tương quan biến tổng (item – total correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronback alpha từ 0.6 trở lên (Nunnally & Burnstein, 1994).
44
3.5.2. Phân tích nhân tố khám phá EFA
Sau khi phân tích hệ số tin cậy alpha, các thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố EFA để thu nhỏ và gom các biến lại, xem xét mức độ hội tụ của các biến quan sát theo từng thành phần và giá trị phân biệt giữa các nhân tố.
Điều kiện cần áp dụng để phân tích nhân tố là các biến phải có tương quan với nhau. Sử dụng kiểm định Bartlett (Bartlett’s test of sphericity) để kiểm định giả thuyết Ho là các biến không có tương quan với nhau trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1, còn các giá trị nằm ngoài đường chéo đều bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng chi bình phương (chi-square) từ định thức của ma trận tương quan. Đại lượng này có giá trị càng lớn thì ta càng có khả năng bác bỏ giả thuyết này. Nếu giả thuyết Ho không thể bị bác bỏ thì phân tích nhân tố rất có khả năng không thích hợp (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 32, tập 2).
Trong phân tích nhân tố, chỉ số KMO (Kaiser – Meyer – Olkin) là một chỉ số dùng để xem xét sự thích hợp của việc phân tích nhân tố. Trị số của KMO lớn (giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố 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 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, trang 31, tập2).
Phân tı́ch nhân tố thường được tiến hành theo phương pháp trı́ch yếu tố phân tı́ch nhân tố chı́nh (Principal Component Analysis) với phép xoay nhân tố giữ nguyên góc các nhân tố (Varimax) (Mayers, L.S, Gamst.., Guarino A.J, 2000).
Sau khi xoay các nhân tố, trọng số nhân tố (factor loading) phải > 0.5. Theo Hair và cộng sự (1998, 111), trọng số nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố EFA. Trọng số nhân tố lớn hơn 0,3 được xem là đạt mức tối thiểu, lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thiết thực. Tiêu chuẩn khác biệt trọng số nhân tố của một biến quan sát giữa các nhân tố lớn hơn hay bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Jabnoun Al Tamimi, 2003). Phương sai trích phải đạt từ 50% trở lên (Hair &ctg, 1998). Ngoài ra, trị số eigenvalue phải lớn hơn 1. Chỉ những nhân tố nào có eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có
45
tác dụng tóm tắt thông tin tốt hơn một biến gốc (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 2, trang 34).
Sau khi phân tích nhân tố xong sẽ hiệu chỉnh mô hình lý thuyết theo kết quả phân tích nhân tố và tiến hành phân tích hồi quy tuyến tính bội.
3.6.3. Phân tích hồi quy tuyến tính bội
Phân tích hồi quy tuyến tính bội được tiến hành theo các bước sau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008, tập 1):
Trước khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tương quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tương quan Pearson trong ma trận hệ số tương quan là phù hợp để xem xét mối tương quan này. Ma trận hệ số tương quan là một ma trận vuông gồm các hệ số tương quan. Các số 1 trên đường chéo là hệ số tương quan tính được của một biến với chính nó. Mỗi biến sẽ xuất hiện hai lần trong ma trận với hệ số tương quan như nhau, đối xứng nhau qua đường chéo của ma trận. Chúng ta chỉ cần quan tâm đến phần tam giác phía dưới hay phía trên đường chéo của ma trận.
Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau qua hệ số tương quan Pearson, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa các biến và xem như đã xác định đúng hướng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi quy tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và các biến còn lại gọi là các biến độc lập.
Kiểm định độ phù hợp của mô hình. Kiểm định F trong bảng phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Kiểm định ý nghĩa của các hệ số hồi quy. Kiểm định t trong bảng các thông số thống kê của từng biến độc lập dùng để kiểm định ý nghĩa của các hệ số hồi quy.
Sử dụng phương pháp Enter, SPSS xử lý tất cả các biến đưa vào một lần và đưa ra các thông số thống kê liên quan đến các biến.
Sau đó, dò tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội. Đối với giả định liên hệ tuyến tính và phương sai bằng nhau, sử dụng đồ thị phân tán giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa. Nếu giả định liên
46
hệ tuyến tính và phương sai bằng nhau được thỏa mãn, thì sẽ không nhận thấy có liên hệ gì giữa các giá trị phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa. Chúng sẽ phân tán rất ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0, không tạo thành một hình dạng nào.
Đối với giả định phương sai của sai số không đổi, kiểm tra phương sai của sai số không thay đổi có bị vi phạm hay không. Nếu độ lớn của phần dư tăng hoặc giảm cùng với các giá trị của biến độc lập mà ta nghi ngờ gây ra hiện tượng phương sai thay đổi, chúng ta nên nghi ngờ giả định phương sai của sai số không đổi đã bị vi phạm. Với cỡ mẫu nhỏ, chúng ta sử dụng kiểm định tương quan hạng Spearman, với giả thuyết Ho là hệ số tương quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định không bác bỏ giả thuyết Ho thì kết luận phương sai của sai số không thay đổi. Phương trình hồi quy tuyến tính bội có nhiều biến giải thích thì hệ số tương quan hạng có thể tính giữa trị tuyệt đối của phần dư với từng biến riêng.
Đối với giả định về phân phối chuẩn của phần dư, sử dụng biểu đồ tần số của các phần dư. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm.
Đối với giả định về tính độc lập của sai số tức không có tương quan giữa các phần dư, đại lượng thống kê Durbin-Watson dùng để kiểm định tương quan của các sai số kề nhau với giả thuyết Ho hệ số tương quan tổng thể của các phần dư = 0 (không có tự tương quan chuỗi bậc nhất)
Đại lượng d có giá trị biến thiên trong khoảng 0 đến 4.
+ Nếu d thấp (< 2) : các phần dư gần nhau có tương quan thuận
+ Nếu d gần bằng 2: các phần dư không có tương quan chuỗi bậc nhất với nhau + Nếu d > 2 (và gần bằng 4): các phần dư có tương quan nghịch
Đối với giả định không có mối tương quan giữa các biến độc lập (đo lường hiện tượng đa cộng tuyến), sử dụng hệ số phóng đại phương sai (VIF - Variance inflation factor), nếu VIF vượt quá 10 đó là dấu hiệu của hiện tượng đa cộng tuyến.
Tiếp theo là đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội bằng hệ số R2 và hệ số R2 điều chỉnh. Hệ số R2 đã được chứng minh là hàm không giảm theo số biến độc lập được đưa vào mô hình, càng đưa thêm nhiều biến độc lập vào mô hình thì R2 càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng không phải phương
47
trình càng có nhiều biến sẽ càng phù hợp hơn với tập dữ liệu. Để giải quyết tình huống này, hệ số R2 điều chỉnh được sử dụng để phản ánh tốt hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội. Hệ số R2 điều chỉnh không nhất thiết phải tăng lên khi nhiều biến độc lập được đưa thêm vào mô hình. Hệ số R2 điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính bội vì nó không phụ thuộc vào độ lệch phóng đại của hệ số R2.
Sau cùng sẽ hiệu chỉnh mô hình lý thuyết. Sau khi hiệu chỉnh mô hình xong, viết phương trình hồi quy tuyến tính bội, dựa vào các hệ số hồi quy riêng phần để xác định mức độ ảnh hưởng của các nhân tố đến quyết định quay về quê hương làm việc sau khi tốt nghiệp của sinh viên tỉnh Quảng Ngãi. Hệ số hồi quy riêng phần của nhân tố nào càng lớn thì mức độ ảnh hưởng đến quyết định quay về quê hương làm việc sau khi tốt nghiệp của sinh viên Quảng Ngãi của nhân tố đó càng cao, nếu cùng dấu thì mức độ ảnh hưởng theo chiều thuận và ngược lại.
Tóm tắt chương 3: Chương này đã trình bày quy trình nghiên cứu được thực hiện để xây dựng, đánh giá các thang đo các yếu tố ảnh hưởng đến ý định quay về quê hương làm việc sau khi tốt nghiệp của sinh viên tỉnh Quảng Ngãi. Phương pháp nghiên cứu được thực hiện qua 2 bước: nghiên cứu sơ bộ và nghiên cứu chính thức.
Nghiên cứu sơ bộ được thực hiện thông qua việc phỏng vấn chuyên gia và thảo luận nhóm nhằm khám phá các yếu tố ảnh hưởng đến quyết định quay về quê hương làm việc sau khi tốt nghiệp của sinh viên tỉnh Quảng Ngãi, dùng để điều chỉnh và bổ sung vào thang đo của mô hình nghiên cứu. Qua nghiên cứu này, các thang đo lường các khái niệm nghiên cứu cũng được xây dựng để phục vụ cho nghiên cứu chính thức.
Nghiên cứu chính thức sử dụng phương pháp nghiên cứu định lượng thông qua phỏng vấn trực tiếp với bảng câu hỏi chi tiết đã được chuẩn bị sẵn.
Ngoài ra, chương này cũng đã nêu lên cơ sở lý thuyết để tiến hành phân tích dữ liệu như: đánh giá độ tin cậy của thang đo, phân tích nhân tố, phân tích hồi quy tuyến tính bội, kiểm định mô hình và kiểm định giả thuyết.
48
CHƯƠNG 4: KẾT QUẢ KHẢO SÁT VÀ THẢO LUẬN 4.1. THỐNG KÊ MẪU NGHIÊN CỨU
4.1.1. Mẫu dữ liệu nghiên cứu
Để đạt được mẫu n = 246, 250 bảng khảo sát được phát ra .Có 4 bảng không hợp lệ do thiếu nhiều thông tin. Kết quả 246 bảng khảo sát hợp lệ được sử dụng để làm dữ liệu cho nghiên cứu. Dữ liệu được nhập, mã hóa, làm sạch và phân tích thông qua phần mềm SPSS 20.0
4.1.2. Thống kê mô tả biến định tính
Vềđặc điểm có hay không có dựđịnh quay về Quảng Ngãi làm việc
Bảng 4.1: Thống kê mẫu vềđặc điểm có hay không có dựđịnh quay về
Tần số Tỷ lệ (%) Có dự định quay về Quảng Ngãi làm việc 161 65.4 Không có dự định quay về Quảng Ngãi làm
việc 85 34.6
Tổng cộng 246 100
Nguồn: Số liệu điều tra của tác giả (phụ lục 9, trang115)
Hình 4.1: Biểu đồ thống kê mẫu có hay không có dự định quay về
Nhìn vào bảng số liệu (bảng 4.1) ta thấy tỷ lệ giữa 2 nhóm người có dự định và không có dự định quay về Quảng Ngãi làm việc có sự chênh lệch rất lớn. Trong số 246 người Quảng Ngãi được phỏng vấn, ta thấy có tới 161 người có dự định quay về, tương ứng với 65.4%, phần còn lại là 85 người không có dự định quay về tương ứng với 34.6%. Như vậy chúng ta có thể thấy được đa phần sinh viên sau khi tốt nghiệp hay chuẩn bị tốt nghiệp họ đều mong muốn quay về tỉnh nhà để làm việc và cống hiến.
49
Thời gian khi nào vềđịa phương làm việc
Bảng 4.2:Thống kê mẫu vềđặc điểm thời gian quay về làm việc
Nguồn: Số liệu điều tra của tác giả (phụ lục 9, trang 115)
Hình 4.2: Biểu đồ thống kê mẫu vềđặc điểm thời gian quay về làm việc
Nhìn vào kết quả thống kê ở trên (bảng 4.2) ta thấy đa số sinh viên người Quảng Ngãi đều đã sẵn sàng và muốn được cống hiến cho quê hương của mình, có tới 119 người tương ứng với 48.4% sẽ quay về ngay nếu tìm được việc ở quê. Một số muốn làm việc một thời gian để tích luỹ kinh nghiệm, học hỏi kinh nghiệm từ các công ty, tập đoàn lớn rồi mới quay về địa phương làm việc nhằm có cơ sở cũng như kiến thức, chuyên môn để áp dụng vào công việc mới, con số này chiếm 32.9%. Còn lại 18.7% chưa xác định được khi nào sẽ về.
Tần số Tỷ lệ(%) Sẽ về ngay nếu tìm được việc làm 119 48.4 Chờ một vài năm có kinh nghiệm
rồi mới về 81 32.9