Điều gì tạo ra sự khác biệt quan trọng trong kinh doanh? Doanh nghiệp muốn phát triển và đạt được thành công thì phải hoạch định chiến lượt, mục tiêu rõ ràng, có chiến lượt dài hạn.
Thang đo 6: “Định hướng về kế hoạch tương lai” dựa trên thang đo Recardo & Jolly (1997) và nghiên cứu định tính gồm 05 biến quan sát được mã hóa từ DHKH1 đến DHKH6.
Bảng 3. 6: Thang định hướng kế hoạch trong tương lại Kí hiệu DHKH1 DHKH2 DHKH3 DHKH4 Biến quan sát
Chiến lượt phát triển tương lai rõ ràng. Chia sẻ thông tin về mục tiêu công ty.
Ủng hộ về mục tiêu công ty.
Hoạch định trước những thay dổi tác động đến kết quả kinh doanh.
Nguồn Recardo & Jolly (1997) Recardo & Jolly (1997) Recardo & Jolly (1997) Recardo & Jolly (1997)
DHKH5 Mục tiêu cụ thể cho những giai đoạn. Nghiên cứu định tính (Nguồn: tác giả dựa vào nghiên cứu trước và có điều chỉnh,2021) 3.3.7. Thang đo Sự gắn bó của nhân viên với tổ chức
Gắn bó với tổ chức được xem là một trạng thái tâm lý là đặc điểm của mối quan hệ nhân viên với tổ chức, và có ý nghĩa quyết định để tiếp tục hoặc chấm dứt thành viên trong tổ chức. Sự gắn bó của nhân viên với tổ chức được đánh giá dựa trên niềm tin của họ vào tổ chức, sự chấp nhận các mục tiêu và giá trị của tổ chức, sự sẵn sàng làm việc hết mình vì tổ chức, và mong muốn trở thành thành viên của tổ chức.
Thang đo với yếu tố “Sự gắn bó của nhân viên với tổ chức” dựa trên thang đo gốc của Meyer và Allen (1991) được đề xuất gồm
gồm 05 biến quan sát được mã hóa từ GBTC1 đến GBTC5.
Bảng 3. 7: Thang đo sự gắn bó của nhân viên với tổ chức
Kí hiệu Biến quan sát
GBTC1 Anh/chị luôn cố gắng nâng cao kỹ năng làm việc để có thể cống hiến nhiều hơn cho công ty.
GBTC2 Anh/chị rất trung thành, sẵn sàng làm việc lâu dài với công ty. GBTC3 Tổi cảm nhận mạnh mẽ mình thuộc về tổ chức này. GBTC4 Tôi cảm thấy một phần của gia đình tại tổ chức của tôi. GBTC5 Tổ chức này có ý nghĩa lớn về mặt cá nhân đối với tôi.
(Nguồn: tác giả dựa vào nghiên cứu trước và có điều chỉnh,2021) 3.4. Phương pháp chọn mẫu và kích thước mẫu
3.4.1. Phương pháp chọn mẫu
Đề tài nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện (phương pháp chọn mẫu phi xác suất). Lý do sử dụng phương pháp chọn mẫu thuận tiện là do tiết kiệm chi phí, thời gian và dễ tiếp cận đối tượng khảo sát (Nguyễn Đình Thọ, 2014)
3.4.2.1. Tổng thể mẫu
Tổng thể nghiên cứu là sự gắn bó của nhân viên với tổ chức của toàn bộ nhân viên làm việc tại công TNHH dây cáp điện Tai sin (VN). 3.4.2.2. Kích thước mẫu
Dựa theo nghiên cứu của Hair, Anderson, Tatham và Black (1998) cho tham khảo về kích thước mẫu dự kiến. Theo đó kích thước mẫu tối thiểu là gấp 5 lần tổng số biến quan sát. Đây là cỡ mẫu phù hợp cho nghiên cứu có sử dụng phân tích nhân tố (Comrey, 1973; Roger, 2006). N = 5 * m , lưu ý m là số lượng câu hỏi trong bài. Số mẫu = 5 * 38 = 190 mẫu.
Theo nghiên cứu của Tabachnick và Fidell (1996) cỡ mẫu tối thiểu cần đạt được tính theo công thức là n = 50 + 8*m (m: số biến độc lập). Lưu ý m là số lượng nhân tố độc lập, chứ không phải là số câu hỏi độc lập.
Số mẫu = 50 + (8 * 6) = 98 mẫu.
Như vậy, để đáp ứng yêu cầu phân tích của đề tài khi sử dụng cả 02 kỹ thuật phân tích nhân tố khám phá EFA và phân tích hồi quy, kích thước mẫu cần phải đạt được tối thiểu là 190 quan sát. Tuy nhiên, số lượng nhân viên đang làm việc tại công ty TNHH dây cáp điện Tai Sin không nhiều, nên tác giả sẽ điều tra toàn bộ nhân viên công ty tnhh dây cáp điện Tai Sin. Như vậy số lượng khảo sát là 247 phiếu khảo sát.
3.5. Phương pháp xử lý số liệu
Với tập dữ liệu thu về, sau khi hoàn tất việc gạn lọc, kiểm tra, mã hóa, nhập liệu và làm sạch dữ liệu, sẽ tiến hành xử lý số liệu bằng phần mềm SPSS 20. với một số phương pháp phân tích như sau: 3.5.1. Đánh giá độ tin cậy của thang đo
Sử dụng Cronbach’s Alpha để kiểm tra độ tin cậy các tham số ước lượng trong tập dữ liệu theo từng nhóm yếu tố trong mô hình. Những biến không đảm bảo độ tin cậy sẽ bị loại khỏi tập dữ liệu. Hệ số Cronbach’s Alpha cho biết mức độ tương quan giữa các biến trong bảng câu hỏi và được dùng để tính sự thay đổi của từng biến và mối tương quan giữa những biến.
Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha
Cronbach (1951) đưa ra hệ số tin cậy cho thang đo. Chú ý, hệ số Cronbach’s Alpha chỉ đo lường độ tin cậy của thang đo chứ không tính được độ tin cậy cho từng biến quan sát. Cronbach’s Alpha chỉ thực hiện khi nhân tố có 3 biến quan sát trở lên.
Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Về lý thuyết, hệ số này càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này không hoàn toàn chính xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0,95 trở lên) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo (Theo Nguyễn Đình Thọ, 2014). Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS
Các tiêu chuẩn kiểm định :
Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0,3 thì biến đó đạt yêu cầu.
Theo Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008) Mức giá trị hệ số Cronbach’s Alpha:
- Từ 0,8 đến gần bằng 1: thang đo lường rất tốt.
- Từ 0,7 đến gần bằng 0,8: thang đo lường sử dụng tốt.
- Từ 0,6 trở lên: thang đo lường đủ điều kiện.
Chúng ta cũng cần chú ý đến giá trị của cột Cronbach's Alpha if Item
Deleted, cột này biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét. Thông thường chúng ta sẽ đánh giá cùng với hệ số tương quan biến tổng Corrected Item – Total Correlation, nếu giá trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0,3 thì sẽ loại biến quan sát đang xem xét. Thang đo sẽ được chọn khi hệ số Cronbach’s Alpha lớn hơn 0,6. Tiến hành loại từng biến, rồi chạy lại kiểm định thang đo, xác định lại hệ số Cronbach’s Alpha để quyết định là biến tiếp theo có bị loại hay không.
3.5.2. Phân tích nhân tố khám phá EFA
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