CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Xử lý dữ liệu
Các dữ liệu ban đầu được tác giả thu thập dưới dạng dữ liệu sơ cấp thông qua trả lời trực tuyến. Dựa trên dữ liệu này, phần mềm SPSS 20.0 được sử dụng để phân tích.
Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha. Cronbach's Alpha sẽ kiểm tra độ tin cậy của các biến dùng để đo lường từng nhân tố của sự hài lịng. Những biến khơng đảm bảo độ tin cậy sẽ bị loại khỏi thang đo và sẽ khơng xuất hiện ở phần phân tích nhân tố. Trong giáo trình Phương pháp nghiên cứu khoa học trong kinh doanh, Nguyễn Đình Thọ (2011) đưa ra quy luật các biến quan sát khơng phù hợp với mơ hình nghiên cứu sẽ bị loại ra khỏi mơ hình một khi có hệ số tương quan biến tổng nhỏ hơn 0,3 và thang đo sẽ được chấp nhận khi có hệ số tin cậy Cronbach’s Alpha lớn hơn hoặc bằng 0,6. Hệ số Cronbach’s Alpha có giá trị biến thiên trong khoảng [0,1] và nếu giá trị này càng cao thì thang đo càng có độ tin cậy cao. Trong nghiên cứu này, tác giả áp dụng quy luật của Nguyễn Đình Thọ (2011). Ngồi ra, để đánh giá mức độ tin cậy thang đo, tác giả kết hợp thêm quy tắc sau:
- 0,8 ≤ α < 1,0: Thang đo lường tốt - 0,7 ≤ α < 0,8: Thang đo sử dụng được
(Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005)
Sau khi loại các biến không đảm bảo độ tin cậy, phân tích nhân tố khám phá EFA được thực hiện để xem xét tính phù hợp của các biến được giữ lại. Phân tích nhân tố sẽ trả lời câu hỏi liệu các biến (chỉ số) dùng để đánh giá sự hài lòng của nhân viên có độ kết dính cao khơng và chúng có thể gom gọn lại thành một số nhân tố ít hơn để xem xét khơng. Phần phân tích nhân tố EFA sẽ áp dụng một số tiêu chuẩn sau: Kiểm định sự thích hợp của phân tích nhân tố với dữ liệu của mẫu thơng qua giá trị thống kê Kaiser-Meyer-Olkin (KMO). Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2011) đưa ra quy luật phân tích nhân tố phù hợp với dữ liệu của mẫu khi 0,5≤KMO≤1. Hê số KMO càng lớn thì càng tốt, mức độ cụ thể như sau:
- 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 thể chấp nhận được
(Kaiser, 1974, dẫn theo Nguyễn Đình Thọ, 2011).
Kiểm định Barlett cũng được thực hiện song song với KMO. Nếu hệ số Sig nhỏ hơn 0,05 thì kiểm định có ý nghĩa thống kê, các biến độc lập có tương quan với nhau trong tổng thể (Hair & ctg, 2006).
Kiểm định sự phù hợp mơ hình EFA so với dữ liệu khảo sát với yêu cầu tổng phương sai trích (Cumulative %) ≥ 50% chứng tỏ mơ hình phù hợp và tốt hơn là đạt trên 60% (Nguyễn Đình Thọ, 2011). Trong phần kiểm định phương sai trích, hệ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố phải tối thiểu bằng 1, lúc này nhân tố được kết luận là có ý nghĩa (Nguyễn Đình Thọ, 2011). Các biến có hệ số tải nhân tố (Factor loading) > 0,5 được xem là có ý nghĩa thực tiễn, hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng
lớn và ngược lại (Nguyễn Đình Thọ, 2011). Phân tích EFA được thực hiện cho các biến độc lập cùng lúc, và thực hiện riêng cho biến phụ thuộc (Nguyễn Đình Thọ, 2011). Ngồi ra, nếu hệ số Factor loading ≥0,7, có thể khẳng định biến quan sát có ý nghĩa thống kê rất tốt (Hair & ctg, 2009, Multivariate Data Analysis, 7th Edition).
Dựa trên kết quả kiểm định độ tin cậy thang đo và phân tích nhân tố khám phá EFA, các biến không phù hợp được loại ra khỏi mơ hình nghiên cứu ban đầu. Mơ hình nghiên cứu được điều chỉnh, giữ lại các biến hợp lệ. Sau đó, phân tích tương quan Pearson được sử dụng để kiểm tra mối liên hệ tuyến tính giữa các biến độc lập và biến phụ thuộc trước khi tiến hành phân tích hồi quy tuyến tính bằng phương pháp hồi quy tuyến tính đa biến. Trị tuyệt đối của hệ số tương quan Pearson (ký hiệu là r) tiến gần đến 1 khi hai biến có mối tương quan tuyến tính chặt chẽ và khi hai biến khơng có mối quan hệ tuyến tính thì r=0 (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Nếu hệ số phóng đại phương sai > 2 thì khi xem xét vấn đề đa cộng tuyến cần xem lại tương quan pearson và hệ số beta (Nguyễn Đình Thọ, 2011). Nếu hệ số Pearson của một biến độc lập có tương quan mạnh với một hoặc các biến độc lập khác thì có khả năng xảy ra hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Sau khi phân tích hệ số Pearson, phương trình hồi quy tuyến tính được xây dựng như sau:
Y = β0 + β1X1i + β2X2i +…+ βpXpi +ei Trong đó:
Y: biến phụ thuộc (Mức độ hài lòng của nhân viên CC1). Xpi: biến độc lập thứ p tại quan sát thứ i.
bk: hệ số hồi quy riêng của biến độc lập thứ k. ei: sai số phương trình.
Sau khi chạy mơ hình hồi quy tuyến tính, hệ số R2 hiệu chỉnh được xem xét để xác định sự phù hợp của mơ hình. Gía trị R2 hiệu chỉnh có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp mơ hình đối với dữ liệu trong trường hợp có hơn một biến giải thích trong mơ hình, tức là R2 hiệu chỉnh phản ánh sát hơn
mức độ phù hợp của mơ hình hồi quy đa biến và dùng nó đánh giá độ phù hợp của mơ hình sẽ an tồn hơn vì nó khơng thổi phồng mức độ phù hợp của mơ hình (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Thêm vào đó, để có thể suy ra tổng thể, tác giả sẽ sử dụng kiểm định F. Kiểm định F với giả thiết Ho: βi=βj=…=0, Ho bị bác bỏ khi giá trị Sig nhỏ, chứng tỏ các biến hiện có trong mơ hình có thể giải thích được biến phụ thuộc (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008). Ý nghĩa của kiểm định F là nếu biến thiên hồi quy lớn hơn nhiều so với biến thiên phần dư thì mơ hình hồi quy càng phù hợp (Nguyễn Đình Thọ, 2011).
Vi phạm trong mơ hình sau đó được dị tìm. Cụ thể, hiện tượng đa cộng tuyển thể hiện qua hệ số phương sai phóng đại VIF. Nếu VIF nhỏ hơn 10, mơ hình khơng xảy ra hiện tượng đa cộng tuyến (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Hệ số Beta được dùng để đánh giá mức độ quan trọng của từng nhân tố (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005). Như vậy, hệ số Beta của biến nào càng cao thì mức độ tác động của biến đó vào sự hài lịng nhân viên càng lớn.
Kiểm định phân phối chuẩn phần dư được thực hiện để kiểm tra phần dư có tuân theo phân phối chuẩn hay không thông qua việc xây dựng biểu đồ tần số Histogram (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Nếu phần dư có phân phối chuẩn hóa có nghĩa là đường chuẩn có dạng hình chng đối xứng và tiệm cân trục hồnh ở cả hai phía. Đường chuẩn có thuộc tính đặc trưng là xác định được khi biết giá trị bình quân và độ lệch tiêu chuẩn. Đường chuẩn của phân phối chuẩn hóa có số bình qn bằng 0 và độ lệch tiêu chuẩn bằng 1 (Nguyễn Văn Ngọc, 2006). Thêm vào đó, biểu đồ P-P Plot cũng được xây dựng để quan sát mức độ các điểm thực tế phân tán xung quanh đường thẳng kỳ vọng, từ đó kết luận phân phối phần dư có gần chuẩn không. Nếu các điểm quan sát không phân tán quá xa đường thẳng kỳ vọng, có thể kết luận giả thuyết phân phối chuẩn khơng bị vi phạm (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kiểm tra giả định phương sai sai số không đổi được thực hiện qua việc quan sát biểu đồ Scatter Plot. Nếu phương sai khơng đổi thì các phần dư phải phân tán ngẫu nhiên quanh trục 0 (tức quanh giá trị trung bình của phần dư) trong một phạm vi
khơng đổi (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Ở bước tiếp theo, tác giả tiến hành kiểm định sự khác nhau đặc điểm nhân viên đối với mức độ hài lòng của họ tại CC1, cụ thể là về giới tính, độ tuổi, trình độ học vấn, thời gian công tác và chức vụ. Kiểm định T-test được thực hiện để xác định sự khác biệt về hài lòng giữa nam và nữ. Tại bảng kết quả kiểm định, nếu giá trị Sig. của kiểm định F lớn hơn 0,05 thì chấp nhận giả thuyết phương sai của hai mẫu bằng nhau. Theo đó, ta đọc kết quả của kiểm định t ở dòng “equal variances assumed”. Nếu Sig. của kiểm định F nhỏ hơn 0,05 thì đọc kết quả ở dịng “equal variances not assumed” (Nguyễn Đình Thọ, 2011).
Kiểm định One-way ANOVA được sử dụng để xác định sự khác biệt về mức độ hài lòng của các đặc điểm còn lại. Tại bảng kết quả Test of Homogeneity of Variances, khi giá trị Sig. của kiểm định Levene nhỏ hơn 0,05; nghĩa là khơng có sự khác biệt về phương sai giữa các nhóm. Tiếp theo, ta xem xét bảng ANOVA, nếu giá trị Sig. ở bảng ANOVA nhỏ hơn 0,05 thì có thể kết luận tồn tại sự khác biệt giữa các nhóm và ngược lại (Nguyễn Đình Thọ, 2011).