CHƯƠNG 3 THIẾT KẾ NGHIÊN CỨU
3.4. Phương pháp xử lí dữ liệu
3.4.1. Phân tích hệ số tin cậy Cronbach’s Alpha
Theo Nguyễn Đình Thọ (2013), “Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha. Phép kiểm định này phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [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 (α> 0.97) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau (nghĩa là chúng cùng đo lường một nội dung nào đó của khái niệm nghiên cứu. Hiện tượng này gọi là trùng lắp trong đo lường (redundancy)”.
31
“Mô hình đo lường kết quả dựa trên nguyên tắc trùng lắp. Các biến đo lường dùng để đo lường cùng một khái niệm nghiên cứu nên chúng phải có tương quan chặt chẽ với nhau. Vì vậy khi kiểm tra từng biến đo lường chúng ta sử dụng hệ số tương quan biến-tổng (item-total correlation). SPSS sử dụng hệ số tương quan biến-tổng hiệu chỉnh (corrected item-total correlation). Hệ số này lấy tương quan của biến đo lường xem xét với tổng các biến còn lại của thang đo (không tính biến đang xem xét). Nếu một biến đo lường có hệ số tương quan biến-tổng hiệu chỉnh ≥ 0.30 thì biến đó đạt yêu cầu”, trích từ Nguyễn Đình Thọ (2013).
Vì vậy “Một thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0.70-0.97]. Nếu Cronbach’s Alpha ≥ 0.60 là thang do có thể chấp nhận được về mặt độ tin cậy”, trích Nguyễn Đình Thọ (2013).
3.4.2. Phân tích nhân tố khám phá EFA
“Hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố khám phá EFA, được sử dụng để đánh giá hai loại giá trị này và thông qua đánh giá ba thuộc tính quan trọng trong kết quả EFA gồm: (1) số lượng nhân tố trích được, (2) trọng số nhân tố và (3) tổng phương sai trích” (Nguyễn Đình Thọ 2013).
Đối với nghiên cứu của tác giả, “Phương pháp mô hình nhân tố chung (Common Factor Model – CFM) được sử dụng với phép trích Principal Axis Factoring và phép xoay Promax, bởi vì phương pháp này phản ánh cấu trúc dữ liệu chính xác hơn các phương pháp khác”, trích Nguyễn Đình Thọ (2013).
Theo Hair và cộng sự (2009), thì “Xem xét số lượng nhân tố trích cho phù hợp với giả thuyết ban đầu về số lượng khái niệm nghiên cứu. Nếu đạt được điều này, có thể kết luận là các khái niệm nghiên cứu (đơn hướng) đạt giá trị phân biệt”.
Cũng theo Hair và cộng sự (2009), “Trọng số nhân tố của biến Xi trên nhân tố mà nó là một biến đo lường sau khi quay phải cao và các trọng số trên các nhân tố khác nó không đo lường phải thấp. Đạt được điều kiện này, thang đo đạt giá trị hội tụ”.
Trọng số nhân tố ≥ 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại. Trọng số nhân tố ≥ 0.5: Biến quan sát có ý nghĩa thống kê tốt.
32
Tuy nhiên, giá trị tiêu chuẩn của trọng số nhân tố phụ thuộc vào kích thước mẫu. “Đối với mỗi khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát có ý nghĩa thống kê là hoàn toàn khác nhau. Với tiêu chí chấp nhận: trọng số nhân tố ≥ 0.4 (với kích thước mẫu tối thiểu 200) để đảm bảo ý nghĩa thiết thực của phân tích khám phá nhân tố trong trường hợp này. Chênh lệch giữa trọng số nhân tố lớn nhất và trọng số nhân tố bất kỳ ≥ 0.3, để đảm bảo giá trị thang đo”, theo Nguyễn Đình Thọ (2013)
Theo Gerbing và Anderson (1988), tổng phương sai trích TVE ≥ 50%. thì đảm bảo giá trị trong nghiên cứu thực tiễn.
“Kiểm định Bartlett dùng để xem xét ma trận tương quan có phải là một trận đơn vị. Nếu kiểm định này có p < 0.05 (có ý nghĩa thống kê) thì các biến quan sát có tương quan với nhau trong tổng thể”. (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
“Kiểm định KMO là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa hai biến với độ lớn của hệ số tương quan từng phần của chúng” (trích từ Nguyễn Đình Thọ, 2013). Theo Kaiser (1974), để sử dụng EFA, phân tích nhân tố đạt kết quả thích hợp thì giá trị KMO nên nằm trong khoảng: 0.50 ≤ KMO ≤ 1.
3.4.3. Hệ số tương quan Person
Hệ số tương quan của Pearson là “Thống kê thử nghiệm đo lường mối quan hệ thống kê, hoặc sự liên kết giữa biến phụ thuộc với các biến độc lập. Nó được biết đến như một phương pháp tốt nhất để đo lường mối liên hệ giữa các biến quan tâm vì nó dựa trên phương pháp hiệp phương sai”.
Đối với nghiên cứu này, tác giả thực hiện phân tích tương quan giữa 7 biến độc lập là: “Phát triển bản thân”, “Thăng tiến trong công việc”, “Chính sách của công ty”, “Quản lý trực tiếp”, “Điều kiện làm việc”, “Lương”, “Bản chất công việc” và biến phụ thuộc là “Sự hài lòng trong công việc”.
Đồng thời, để phát hiện các “mối tương quan” giữa các “biến độc lập, tác giả thực hiện “phân tích tương quan”. Vì những “tương quan” này có thể gây ra hiện tượng “đa cộng tiến” gây ảnh hưởng rất lớn đến kết quả của “phân tích hồi quy”.
Biến phụ thuộc của nghiên cứu: Sự hài lòng trong công việc (Anh/chị hài lòng với công việc hiện tại).
Các biến độc lập của nghiên cứu bao gồm: Phát triển bản thân, thăng tiến trong công việc, bản chất công việc, chính sách của công ty, quản lý trực tiếp, điều kiện làm việc, lương.
33
3.4.4. Phân tích hồi quy tuyến tính
Phương trình hồi quy tuyến tính có dạng: Y =
Trong đó:
Y là biến phụ thuộc (Sự hài lòng công việc )
X là biến độc lập (7 yếu tố trong mô hình đề xuất chương 2). là các tham số hồi quy
n nX X X X 0 1 1 2 2 3 3 ... n 0 1 2...
34