Các biến sau khi được kiểm định thang đo và loại bỏ các biến không đảm bảo độ tin cậy, sẽ được đưa vào phân tích nhân tố khám phá EFA để xác định lại thang đo, điều này sẽ giúp đánh giá chính xác hơn các thang đo, loại bỏ bớt các biến đo lường không đạt yêu cầu và làm cho thang đo đảm bảo tính đồng nhất.
Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau.
Phân tích nhân tố khám phá EFA bằng SPSS
Các tiêu chí trong phân tích EFA (Theo Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008).
Hệ số KMO (Kaiser-Meyer - Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0,5 trở lên (0,5
≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0,5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.
Kiểm định Bartlett (Bartlett’s testofsphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0,05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.
Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA.Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích.
mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:
- Factor Loading ở mức ≥ 0,3: Điều kiện tối thiểu để biến quan sát được giữ lại.
- Factor Loading ở mức ≥ 0,5: Biến quan sát có ý nghĩa thống kê tốt.
- Factor Loading ở mức ≥ 0,7: Biến quan sát có ý nghĩa thống kê rất tốt.
Ởđây để bài luận văn tăng tính thuyết phục và độ tin cậy cao
tác giử sẽ chọn Hệ số tải nhân tố (Factor Loading) ≥ 0,5 để kiểm tra. 3.5.3. phân tích tương quan Pearson
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan Pearson và phân tích hồi quy để kiểm định các giả thuyết. Phân tích tương quan Pearson được thực hiện giữa biến phụ thuộc và biến độc lập nhằm khẳng định có mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, khi đó việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Giá trị tuyệt đối của Pearson càng gần đến 1 thì hai biến này có mối tương quan tuyến tính càng chặt chẽ. Đồng thời cũng cần phân tích tương quan giữa các biến độc lập với nhau nhằm phát hiện những mối tương quan chặt chẽ giữa các biến độc lập. Vì những tương quan như vậy có thể ảnh hưởng lớn đến kết quả phân tích hồi quy như gây ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Các tiêu chí trong phân tích tương quan pearson:
- Nếu r càng tiến về 1, - 1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về - 1 là tương quan âm. Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
phân tán Scatter như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
- Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.
- Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến.
- Hàng Sig. (2 - tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa hay không. Sig < 0,05, tương quan có ý nghĩa; sig ≥ 0,05, tương quan không có ý nghĩa. Cần xem xét sig trước, nếu sig < 0,05 mới nhận xét đến giá trị tương quan Pearson r.
- Hàng N hiển thị cỡ mẫu của tập dữ liệu 3.5.4. Phân tích hồi quy bội
Sau khi kết luận các biến độc lập và biến phụ thuộc có mối quan hệ tuyến tính với nhau có thể mô hình hóa quan hệ nhân quả này bằng hồi quy tuyến tính (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Mô hình hồi quy dự kiến:
Y = β1* X1 + β2* X2 + β3* X3 + β4* X4 + β5* X5+ β6* X6
o Với Y: sự gắn bó của nhân viên với tổ chức
o Xi: Các yếu tố của văn hóa doanh nghiệp ảnh hưởng đến sự gắn bó của nhân viên với tổ chức, có được từ phân tích EFA. o βi: các hệ số độ dốc của phương trình hồi quy đã chuẩn hóa. Kiểm định sự phù hợp của mô hình thông qua kiểm định F và hệ số R2 hiệu chỉnh.
Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn so với R2. Mức dao động của 2 giá trị này là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng dù mô hình đó tốt đến nhường nào. Giá trị này thường nằm trong bảng Model Summary.
Không có sự giới hạn giá trị R2, R2 hiệu chỉnh ở mức bao nhiêu thì mô hình mới đạt yêu cầu, 2 chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu. Thường chúng ta chọn mức tương đối là 0,5 để làm giá trị phân ra 2 nhánh ý nghĩa mạnh / ý nghĩa yếu, từ 0,5 đến 1 thì mô hình là tốt, bé hơn 0,5 là mô hình chưa tốt. Đây là con số nhắm chừng chứ không có tài liệu chính thức nào quy định, nên nếu bạn thực hiện phân tích hồi quy mà R2
hiệu chỉnh nhỏ hơn 0.5 thì mô hình vẫn có giá trị.
Giá trị sig của kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy. Nếu sig nhỏ hơn 0,05, ta kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA.
Hệ số phóng đại phương sai VIF: Kiểm tra giả định về hiện tượng đa cộng tuyến thông qua giá trị của dung sai (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance Inflation Factor). Nếu VIF > 10 thì có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Khi đó, biến này sẽ không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy. Tuy nhiên, theo Nguyễn Đình Thọ (2014) với dữ liệu thứ cấp nếu hệ số VIF > 2 thì khả năng rất cao đang xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Giá trị này thường nằm trong bảng Coefficients.
Trị số Durbin – Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất (kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.
Theo Field (2009), nếu DW nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự lưu ý bởi khả năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Theo Yahua Qiao (2011), thường giá trị DW nằm trong khoảng 1,5 – 2,5 sẽ không xảy ra hiện tượng tự tương quan, đây cũng là mức giá trị tiêu chuẩn chúng ta sử dụng phổ biến hiện nay.
Giá trị sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu sig kiểm định t của hệ số hồi quy của một biến độc lập nhỏ hơn 0,05, ta kết luận biến độc lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một hệ số hồi quy riêng, do vậy mà ta cũng có từng kiểm định t riêng. Giá trị này thường nằm trong bảng Coefficients.
Kiểm tra các giả định hồi quy, bao gồm phần dư chuẩn hóa và liên hệ tuyến tính:
a. Kiểm tra vi phạm giả định phần dư chuẩn hóa: Phần dư có thể không tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích... Vì vậy, chúng ta cần thực hiện nhiều cách khảo sát khác nhau. Hai cách phổ biến nhất là căn cứ vào biểu đồ Histogram và Normal P-PPlot. Đối với biểu đồ Histogram, nếu giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1, ta có thể khẳng định phân phối là xấp xỉ chuẩn. Đối với biểu đồ Normal P- PPlot, nếu các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm. b. Kiểm tra vi phạm giả định liên hệ tuyến tính: Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa giúp chúng ta dò tìm xem,dữ liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không. Nếu phần dư chuẩn hóa phân bổ tập trung xunh quanh đường hoành độ 0, chúng ta có thể kết luận giả định quan hệ tuyến tính không bị vi phạm.
3.5.5. Kiểm định sự khác biệt giữa các nhóm thống kê
Sử dụng kiểm định T- test và ANOVA một chiều để kiểm định có hay không sự khác nhau trong đánh giá về sự gắn bó với tổ chức giữa các nhóm thống kê bao gồm: giới tính, độ tuổi, trình độ chuyên môn, vị trí công tác, thu nhập hàng tháng.
Các giả thiết được kiểm định là:
o HT1: Có sự khác biệt về sự gắn bó của nhân viên với tổ chức giữa các giới tính.
nhóm độ tuổi.
o HT3: Có sự khác biệt về sự gắn bó của nhân viên với tổ chức theo trình độ chuyên môn.
o HT4: Có sự khác biệt về sự gắn bó của nhân viên với tổ chức theo vị trí công tác.
o HT5: Có sự khác biệt về sự gắn bó của nhân viên với tổ chức giữa các mức thu nhập hàng tháng.
Với mức ý nghĩa kiểm định là 95%. Tuy nhiên, trước khi thực hiện kiểm định One Way ANOVA cần phải kiểm định Levene's Test sự bằng nhau của các phương sai tổng thể để xem xét mức độ đồng đều của dữ liệu quan sát.
1. Kiểm địnhT-Test
Trường hợp sig nhỏ hơn 0,05
Nếu sig Levene's Test nhỏ hơn 0.05 thì phương sai giữa 2 giới tính là khác nhau, chúng ta sẽ sử dụng giá trị sig T-Test ở hàng Equal variances not assumed.
- Giá trị sig T-Test < 0,05 chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó làm việc của những nhân viên làm việc ở các nhóm nghiên cứu khác nhau.
Giá trị sig T-Test >= 0,05 chúng ta kết luận: Không có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các nhóm nghiên cứu khác nhau.
Trường hợp sig lớn hơn hoặc bằng 0,05
Nếu sig Levene's Test lớn hơn hoặc bằng 0.05 thì phương sai giữa 2 giới tính là không khác nhau, chúng ta sẽ sử dụng giá trị sig T-Test ở hàng
Equal variances assumed.
Giá trị sig T-Test < 0,05 chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các nhóm nghiên cứu khác nhau.
Giá trị sig T-Test >= 0,05 chúng ta kết luận: Không có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các
nhóm nghiên cứu khác nhau. 2. Kiểm địnhANOVA
ANOVA giúp chúng ta giải quyết trở ngại của Independent Sample T-
Test. Phương pháp này giúp chúng ta so sánh trị trung bình của 3 nhóm trở lên. ANOVA có 3 phương pháp: ANOVA 1 chiều, ANOVA 2 chiều và MANOVA. Tuy nhiên, trong phạm vi bài nghiên cứu này tác giả sử dụng phương pháp ANOVA 1 chiều (One-Way ANOVA).
Chúng ta xem kết quả bảng Test of Homogeneity of Variances, chúng ta sẽ xem xét sig của Levene Statistic.
Trường hợp sig lớn hơn hoặc bằng 0,05
Nếu sig ở kiểm định này > 0,05 thì phương sai giữa các lựa chọn của biến định tính ở trên không khác nhau, xem tiếp kết quả ở bảng ANOVA.
Nếu sig ở bảng ANOVA < 0,05, chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các nhóm nghiên cứu khác nhau.
Nếu sig ở bảng ANOVA >= 0,05, chúng ta kết luận: Không có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các nhóm nghiên cứu khác nhau.
Trường hợp sig Levene Statistic nhỏ hơn (< 0,05), giả thuyết phương sai đồng nhất giữa các nhóm giá trị biến định tính đã bị vi phạm. Nghĩa là phương sai giữa các nhóm bộ phận làm việc là không bằng nhau. Chúng ta không thể sử dụng bảng ANOVA mà sẽ đi vào kiểm định Welch cho trường hợp vi phạm giả định phương sai đồng nhất.
Chúng ta xem kết quả bảng Robust Tests of Equality of Means.
- Nếu sig kiểm định Welch ở bảng Robust Tests < 0,05, chúng ta kết luận: Có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của những nhân viên làm việc ở các nhóm nghiêncứu.
- Nếu sig kiểm định Welch ở bảng Robust Tests ≥ 0,05, chúng ta kết luận: Không có sự khác biệt có ý nghĩa thống kê về mức độ gắn bó tổ chức của
Tóm tắt chương 3
Chương 3 trình bày phương pháp nghiên cứu được thực hiện để xây dựng, đánh giá các thang đo và mô hình lý thuyết về tác động của các thành phần văn hóa doanh nghiệp đến gắn bó của nhân viên với tổ chức. Phương pháp nghiên cứu được thực hiện bằng 2 phương pháp, nghiên cứu định tính và nghiên cứu định lượng.
Phương pháp nghiên cứu định tính thông qua kỹ thuật thảo luận nhóm, và phỏng vấn chuyên gia qua bước nghiên cứu này, các thang đo đo lường các khái niệm cũng được xây dựng để phục vụ cho nghiên cứu chính thức. Phương pháp nghiên cứu định lượng thông qua kỹ thuật phỏng vấn với cỡ mẫu là 247 phiếu khảo sát.
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN 4.1. Tổng quan về công ty TNHH dây cáp điện Tai Sin (VN) 4.1.1. Tổng quan công ty
Tên công ty: CÔNG TY TNHH DÂY CÁP ĐIỆN TAI SIN (VN) Tên tiếng anh: TAI SIN ELECTRIC CABLES (VN) CO., LTD Tên viết tắt: TSEC
Địa chỉ: Số 20 đường số 2 khu công nghiệp Việt Nam Singapore 2 Phường Hòa Phú Thành phố Thủ Dầu Một Tỉnh Bình Dương. 4.1.2. Ngành nghề
Các lĩnh vực hoạt động sản xuất kinh doanh chính: Sản xuất các dây và cáp điện tiêu thụ tại thị trường trong nước và xuất khẩu.