Kỹ thuật định tính được sử dụng để tiến hành nghiên cứu sơ bộ bằng cách thảo luận nhóm với 5 nhân viên trực tiếp tham gia công tác điều trị bệnh đại diện được lựa chọn trong số nhân viên của BVĐK. Nội dung thảo luận thiết kế sẵn ở phụ lục A. Kết quả nghiên cứu này làm cơ sở để hoàn chỉnh bảng câu hỏi và mô hình nghiên cứu.
Nghiên cứu định lượng: để đảm bảo tính khoa học, phương pháp chọn mẫu là xác suất theo kiểu phân tầng, mẫu được lấy có chọn lọc ở 2 bộ phận lâm sàng và cận lâm sàng. Dữ liệu được thu thập bằng cách gửi bảng câu hỏi phỏng vấn trực tiếp đến nhân viên ở 2 bộ phận lâm sàng và cận lâm sàng của Bệnh viện đa khoa tỉnh Sóc Trăng, cỡ mẫu nghiên cứu là 250 mẫu. 3.1.2. Phương pháp phân tích số liệu
Phương pháp thống kê mô tả, đánh giá sơ bộ về các giá trị của thang đo
Giá trị trung bình (Mean) bằng tổng các giá trị của biến quan sát/ số quan sát.
Minimum: giá trị nhỏ nhất gặp trong các giá trị của biến quan sát. Maximum: giá trị lớn nhất gặp trong các giá trị của biến quan sát. Đánh giá độ tin cậy của thang đo bằng hệ số tin cậy Cronbach’s Alpha: Kiểm định Cronbach’s Alpha để loại các biến rác, biến quan sát có hệ số tương quan thấp so với biến tổng. Hệ số Cronbach’s Alpha thường >= 0.6 (tốt nhất là >= 0.7). Ngoài ra, hệ số tương quan của từng item (biến quan sát/biến tổng >= 0.3 (cột Corrected item-Totla Correclation)
(Nunnally, Burnstein 1994). Nếu hệ số Cronbach’s Alpha < 0.6 thì bác bỏ các item trong cột Cronbach’s Alpha if item deleted để có hệ số Cronbach’s Alpha >= 0.6.
Phân tích nhân tố khám phá (EFA – Exploratory Factor Analysis) được ứng dụng để gom các biết quan sát vào các nhóm nhân tố.
Sau khi thực hiện kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha, chúng ta cần nhóm các biến quan sát có các đặc điểm chung vào cùng một nhóm. Các nhóm được hình thành thông qua phương pháp phân tích nhân tố khám phá EFA. Theo Hair và ctg (1998), phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu. Phương trình nhân tố EFA.
Fi = Wi1X1 + Wi2X2 + Wi3X3 + … + WikXk
Trong đó
- Wi1: Quyền số hay trọng số nhân tố (thể hiện ở bảng Component Score Coefficient Matrix)
- X1 : Biến thứ nhất - Xk: Biến thứ k - k : số biến
- KMO (Kaiser – Meyes – Okin measure: chỉ tiêu này dùng để xem xét sự thích hợp của phân tích nhân tố. Kaiser (1998) đề nghị: KMO >= 0.9: rất tốt; KMO >= 0.8: tốt; KMO >= 0.7: được; KMO >= 0.6: tạm được; KMO >= 0.5: xấu; KMO < 0.5: không phân tích EFA được.
- Kiểm định Bartlett với giá trị Sig. <=0.05, phân tích nhân tố thích hợp (kiểm định Bartlett: kiểm định mối tương quan của các biến với nhau [Ho: các biến không có tương quan với nhau trong tổng thể]. Nếu Sig. <= 0.05, bác bỏ Ho).
- Tổng phương sai (TVE), thể hiện các nhân tố trích được bao nhiêu % của các biến đo lường. Theo đó TVE >= 50% đạt yêu cầu, từ 60% trở lên là tốt (Gerbing, Anderson 1988) và mặc định Eigenvalue > 1.0 (Chỉ có những nhân tố nào lớn hơn 1 mới được giữ lại trong mô hình phân tích)
- Hệ số tải nhân tố (Factor loading), theo Hair & ctg (1998, 111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
Factor loading >= 0.3: đạt được mức tối thiểu; Factor loading >= 0.4: quan trọng; Factor loading >=0.5: có ý nghĩa thực tiễn).
Phân tích hồi quy đa biến: Để ước lượng mối quan hệ giữa các biến độc lập và phụ thuộc được thực hiện thông qua phân tích hồi quy đa biến, điều kiện
- Biến độc lập và biến phụ thuộc là biến định lượng và cỡ mẫu theo công thức: n >= 50 + 8p (với p: số lượng biến độc lập) (Green 1991);
- Hệ số xác định R2 (R Square) trong mẫu: giải thích % sự phù hợp của mô hình, giải thích độ mạnh của mối quan hệ của các biến độc lập đến biến phụ thuộc (> 50% đáp ứng yêu cầu);
- Hệ số xác định R2adj điều chỉnh (Adjusted R Square): Hệ số xác định điều chỉnh dùng thay cho R2 trong mô hình hồi quy có nhiều biến độc lập, để so sánh các mô hình với nhau (đánh giá có nên đưa thêm biến độc lập vào mô hình);
- Kiểm định mức độ phù hợp của mô hình bằng kiểm định F, dùng Sig.(SPSS) < 0.05: có ý nghĩa;
- Hệ số phóng đại phương sai VIF (Variance Inflation Factor) được dùng để kiểm tra hiện tượng đa cộng tuyến. VIF càng nhỏ càng tốt, VIF của 1 biến độc lập nào đó > 10 thì hầu như không có giá trị giải thích sự biến thiên cho biến độc lập và hiện tượng đa cộng tuyến xảy ra (Hair & ctg 2006). Khi VIF > 2.0 cần dựa vào hệ số tương quan từng phần (Pearson Correlation) để đánh giá độ mạnh trong mối quan hệ của các biến độc lập đến biến phụ thuộc;
- Sử dụng hệ số Sig.(SPSS) trong bảng Coefficients tương ứng với các mức ý nghĩa 90%, 95%, 99% để quyết chọn/loại biến độc lập trong mô hình.
Kết quả của phân tích hồi quy đa biến được dùng để ước lượng, dự đoán và đề xuất các giải pháp. Phương trình hồi quy có dạng.
YHL = β0 + β1X1 + β2X2 + β3X3 + β4X4 + …+ βkXk + ei Trong đó
YHL : Biến phụ thuộc – mức độ hài lòng của nhân viên BVĐK tỉnh Sóc Trăng
β0: Hệ số bị chắn
X1, X2, X3, X4, …, Xk : Các biến độc lập ei : là sai số
hướng ảnh hưởng của biến độc lập đối với biến phụ thuộc. 3.1.3. Khung nghiên cứu của đề tài