T Các nhân tố
3.2.4.2. Phương pháp phân tích dữ liệu
Thống kê mô tả
Theo Huysamen (1990) thống kê mô tả cho phép các nhà nghiên cứu trình bày các dữ liệu thu thập được dưới hình thức cơ cấu và tổng kết. Thông kê mô tả sử dụng trong nghiên cứu này để phân tích, mô tả dữ liệu bao gồm: Tần số, tỷ lệ, giá trị trung bình và độ lệch chuẩn.
Thang đo Likert 5 mức độ được sử dụng trong nghiên cứu này, để thuận tiện cho việc nhận xét khi sử dụng giá trị trung bình (mean) đánh giá các nhân tố ảnh hưởng đến động lực làm việc, tác giả xác định ý nghĩa của từng giá trị trung bình đối với thang đo khoảng (Interval Scale) được tính như sau:
+ Mean = 1.00 – 1.80: Rất không đồng ý
+ Mean = 1.81 – 2.60: Không đồng ý
+ Mean = 2.61 – 3.40: Bình thường (Không ý kiến)
+ Mean = 3.41 – 4.20: Đồng ý
+ Mean = 4.21 – 5.00: Rất đồng ý
Đánh giá hệ số tin cậy Cronbach’s Alpha
Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
− Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ (nhỏ hơn 0.3), tiêu chuẩn chọn thang đo khi có dộ tin cậy Alpha lớn hơn 0.6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein, 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
− Các mức giá trị của Alpha: Lớn hơn 0.8 là thang đo lường tốt, từ 0.7 đến 0.8 là sử dụng được, từ 0.6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá EFA giúp ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:
− Hệ số KMO (Kaiser-Meyer-Olkin) 0.5 ≤ KMO ≤ 1: Là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (giữa 0.5 và 1) có ý nghĩa phân tích
nhân tố là thích hợp. Nếu chỉ số KMO nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
− Kiểm định Bartlett’s có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan 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.
− Hệ số tải nhân tố (Factor loading) ≥ 0.5: Là hệ số tương quan đơn giữa các biến và các nhân tố. Theo Hair & ctg (1998,111), hệ số tải nhân tố là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA: Factor loading > 0.3 được xem là mức tối thiểu; > 0.4 được xem là quan trọng và ≥ 0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998,111) cũng khuyên như sau nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0.55, nếu cỡ mẫu khoảng 50 thì factor loading > 0.75.
− Tổng phương sai trích (Percentage of variance) > 50% : Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
− Hệ số Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) > 1. Chỉ có những nhân tố nào có hệ số Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Nếu nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt. Phương pháp trích Principal Component Analysis với phép xoay Varimax và điểm dừng trích các yếu tố có Eigenvalue > 1.51.
Phân tích tương quan
Hệ số tương quan có giá trị từ -1 đến 1. Hệ số tương quan bằng 0 (hay gần 0) có nghĩa là hai biến số không có liên hệ gì với nhau, ngược lại nếu hệ số bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt đối.
-1 ≤ r + ≤ 1
Diễn giải hệ số tương quan (r): (Fraenkel & Wallen, 2006) − Từ + 0.75 đến + 1.0 có mối quan hệ rất chặt chẽ
− Từ + 0.25 đến + 0.50 có mối quan hệ yếu
− Từ + 0.00 đến + 0.25 có mối quan hệ kém chặt chẽ
Trị tuyệt đối của r cho biết mức độ chặt chẽ của mối liên hệ tuyến tính. Giá trị tuyệt đối của r tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Mục đích chạy tương quan Pearson nhằm kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập, vì điều kiện để hồi quy là trước nhất phải tương quan. Ngoài ra cần nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Dấu hiệu nghi ngờ dựa vào giá trị Sig. tương quan giữa các biến độc lập nhỏ hơn 0.05 và giá trị tương quan Pearson lớn. Khi gặp phải nghi ngờ này, ta cần chú ý đến đa cộng tuyến sẽ được xem xét khi phân tích hồi quy (kiểm tra hệ số VIF).
Phân tích hồi quy tuyến tính và kiểm định mô hình
Để đảm bảo sự diễn dịch từ kết quả hồi quy của mẫu cho tổng thể đạt được độ tin cậy, trước tiên tác giả thực hiện kiểm định các giả định trong mô hình hồi quy có bị vi phạm hay không bao gồm các giả định:
− Giả định liên hệ tuyến tính
Phương pháp được sử dụng là đồ thị phân tán Scatterplot với giá trị phần dư chuẩn hóa trên trục tung và giá trị dự đoán chuẩn hóa trên trục hoành. Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn, thì sẽ không nhận thấy có liên hệ gì giữa các giá trị dự đoán và phần dư, chúng sẽ phân tán rất ngẫu nhiên.
− Giả định phương sai của sai số không đổi
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), hiện tượng phương sai của phần dư thay đổi có thể làm cho các ước lượng của hệ số hồi quy không chệch 52 nhưng không hiệu quả (tức là không phải ước lượng phù hợp nhất), từ đó làm cho kiểm định các giả thuyết mất hiệu lực khiến ta đánh giá nhầm về chất lượng của mô hình hồi quy tuyến tính. Do đó ta cũng sử dụng là đồ thị phân tán Scatterplot để kiểm định giả định có bị vi phạm hay không.
Phần dư có thể không tuân theo phân phối chuẩn vì những lý do: Sử dụng mô hình không đúng, phương sai không đổi là hằng số, số lượng các phần dư không đủ nhiều để phân tích. Do vậy, ta sử dụng nhiều cách khảo sát khác nhau để đảm bảo tính xác đáng của kiểm định (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Tác giả sử dụng biểu đồ tần số Histogram và biểu đồ P-P plot để khảo sát sự vi phạm về giả định phân phối chuẩn của phần dư.
− Giả định về tính độc lập của sai số (Không có tương quan giữa các phần dư)
Nguyên nhân hiện tượng này có thể là do các biến có ảnh hưởng không được đưa hết vào mô hình do giới hạn và mục tiêu nghiên cứu, chọn mối liên hệ tuyến tính mà lẽ ra là phi tuyến tính, sai số trong đo lường các biến,… các lý do này có thể dẫn đến vấn đề tương quan chuỗi trong sai số và tương quan chuỗi cũng gây ra những tác động sai lệch nghiêm trọng đến mô hình hồi quy tuyến tính như hiện tượng phương sai thay đổi.
Đại lượng thống kê Dubin – Watson có thể dùng để kiểm định tương quan của các sai số kề nhau. Nếu các phần dư không có tương quan chuỗi bậc nhất với nhau, giá trị của Dubin – Watson sẽ gần bằng 2.
− Không có hiện tượng đa cộng tuyến
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), hiện tượng đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng này là chúng cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc, làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê của kiểm định mức ý nghĩa trong khi hệ số R Square vấn khá cao.
+ VIF < 2: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng không đáng kể đến mô hình.
+ 2 ≤ VIF ≤ 10: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng đáng kể đến mô hình.
+ VIF > 10: Hiện tượng đa cộng tuyến.
Hệ số xác định R bình phương điều chỉnh dùng để đánh giá độ phù hợp của mô hình. Kiểm định F dùng để kiểm định giả thuyết về độ phù hợp của mô hình hồi quy. Mục đích kiểm định mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập. Giả thuyết H0 là các hệ số hồi quy bằng 0. Nếu giả thuyết H0 bị bác bỏ chứng tỏ mô hình tác giả xây dựng phù hợp với tập dữ liệu. Giá trị Sig. < 0.05 cho thấy an toàn khi bác bỏ giả thuyết H0.
Phương trình hồi quy
Tiếp theo, tiến hành phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường (Ordinal Least Squares – OLS) nhằm kiểm định mối quan hệ giữa biến phụ thuộc và các biến độc lập. Phương pháp hồi quy tuyến tính sử dụng phương pháp Enter được tiến hành.
Kiểm định sự khác biệt
Kiểm định sự khác biệt được áp dụng trong nghiên cứu này để tìm xem liệu có sự khác biệt về động lực làm việc theo các đặc điểm cá nhân: giới tính, tuổi tác, trình độ hôn nhân, trình độ học vấn, phòng ban, chức vụ và thu nhập.
− Đối với biến định tính hơn 2 nhóm, ta dùng ANOVA.
− Đối với biến định tính có 2 nhóm, ta dùng Independent Sample T – Test.
TÓM TẮT CHƯƠNG 3
Chương 3, nhóm nghiên cứu trình bày quy trình nghiên cứu, trình bày rất rõ về phương pháp nghiên cứu, cách lấy mẫu và xây dựng thang đo cho mô hình nghiên cứu cũng như phương pháp phân tích dữ liệu bao gồm: Thống kê mô tả, phân tích độ tin cậy thang đo bằng hệ số tin cậy Cronbach Alpha, phân tích EFA, phân tích tương quan, phân tích hồi quy và kiểm định mô hình và kiểm định xem liệu có sự khác biệt về động lực làm việc theo các đặc điểm cá nhân không.