Các biến trong phân tích thăm dò EFA được kiểm tra lại sau khi có các dữ liệu từ bài khảo sát. Theo quan sát, trong 14 biến thì có 4 biến không phụ thuộc trong phạm vi (biến JC4 và PSS4 đã được loại bỏ) và có 8 biến thay đổi trong 2 biến phụ thuộc đạt tiêu chuẩn về độ tin cậy (hệ số Cronbach’s alpha lớn hơn 0.6, hệ số tương quan tổng lớn hơn 0.3). Do đó, chúng có hệ số chung để thực hiện phân tích. Sau đó, chạy phân tích thăm dò EFA có thể hỗ trợ giảm thiểu số lượng dữ liệu trong tổng các biến cần đo lường, giúp thực hiện được tốt hơn phương pháp hồi quy tuyến tính ở bước tiếp theo. Hệ số mà đạt tiêu chuẩn trong EFA cần phải bao gồm những điều sau:
➢ KMO – hệ số phân tích sự thích hợp của sự phân tích nhân số - nằm trong khoảng 0.5 đến 1 (0.5 < KMO < 1).
➢ Trọng số nhân tố lớn hơn 0.4
➢ Tỉ lệ biến thiên lớn hơn 50%
➢ Trị riêng lớn hơn 1 (Gerbing và Anderson, 1998)
➢ Các trọng số nhân tố ở các hằng số khác nhau có giá trị biến thiên ≥ 0.3 (Jabnoun và Al-Tamimi, 2003)
Một số vấn đề cần lưu ý khi sử dụng hệ số xác định
➢ Vấn đề hồi quy giả mạo: trong trường hợp hai hoặc nhiều biến thực sự không có mối tương quan gì, nhưng bản thân chúng có thể tồn tại yếu tố xu thế mạnh (thường ở dữ liệu chuỗi thời gian), nên các giá trị r2 (R2) rất cao (đôi khi cao hơn 0.9). Nếu đều này xảy ra, chúng ta có thể bị ngộ nhận về mối quan hệ thực sự giữa các biến là quan trọng.
tượng đa cộng tuyến), thì giá trị R2 thường rất cao. Điều này có thể dẫn đến sự nhầm lẩn trong việc cho rằng đường hồi quy rất phù hợp với dữ liệu.
➢ Tương quan không nhất thiết hàm ý quan hệ nhân quả. Cho dù giá trị r2 cao bao nhiêu đi nữa, thì nó cũng không thể nói lên có mối quan hệ nhân quả giữa Yt và Xt vì r2 là một thước đo mối quan hệ giữa giá trị Yt quan sát với giá trị Yt ước lượng.
➢ Phương trình dữ liệu chuỗi thời gian với phương trình dữ liệu chéo. Các phương trình dữ liệu chuỗi thời gian luôn có các giá trị r2 cao hơn so với các phương trình dữ liệu chéo. Điều này bởi vì trong dữ liệu chéo chứa đựng rất nhiều sự biến thiên ngẫu nhiên nên làm cho ESS nhỏ tương đối so với TSS. Ngược lại, thậm chí các phương trình chuỗi thời gian được xác định không phù hợp lắm vẫn có thể có r2 rất cao (có thể 0.999) do hiện tượng hồi quy giả mạo, hoặc do các biến có mối quan hệ tự tương quan.
➢ R2 thấp không có nghĩa chọn lựa sai biến giải thích Xt. Giá trị r2 thấp không nhất thiết do kết quả của việc sử dụng một biến giải thích sai. Dạng hàm được sử dụng có thể không phù hợp (ví dụ tuyến tính chứ không phải bậc hai) hoặc trong trường hợp dữ liệu thời gian thì việc chọn giai đoạn thời gian có thể không chính xác và cũng có thể cần đưa vào mô hình các hạng trễ.
➢ Các giá trị r2 từ các phương trình với biến phụ thuộc có dạng khác nhau không thể so sánh được. Ví dụ ta ước lượng hai phương trình hồi quy sau đây:
Yt = 1 + 2Xt + ut (7.47) lnYt = 1 + 2lnXt + ut (7.48)
➢ Nếu so sánh r2 của hai phương trình này là không chính xác. Điều này là do cách định nghĩa r2. Giá trị r2 của phương trình (7.47) cho biết phần trăm biến thiên trong Yt được giải thích bởi Xt, trong khi đó r2 của phương trình (7.48) cho biết phần trăm biến thiên trong logarith tự nhiên của Yt được giải thích bởi logarith tự nhiên của Xt. Nói chung, bất kỳ khi nào biến phụ thuộc được biến đổi theo các hình thức khác nhau, thì chúng ta không nên sử dụng r2 để
Sử dụng thống kê KMO và phương pháp Barlett để đánh giá các mối liên hệ giữa các biến và sự thay đổi trong các mối quan hệ giữa chúng.
Bảng 2.6 KMO và kiểm tra Bartlett về mức độ không phụ thuộc của các biến
Theo bảng 2.6 bên trên, thì KMO có giá trị là 0.82 (lớn hơn 0.5) và giá trị kiểm tra của Barlett có kết quả là 1080.158, có ý nghĩa thống kế Sig là 0.000 (nhỏ hơn 0.05), điều này thể hiện các biến được dự đoán bởi bốn yếu tố xây dựng trong bài khảo sát và 14 biến thay đổi có mối quan hệ khá tương quan với nhau, điều này sẽ giúp cung cấp đủ các hằng số cơ bản cho phân tích trong bải luận văn.
Theo bảng 2.7 bên trên, thì các hằng số xuất ra đều thỏa mãn các điều kiện: Giá trị nhỏ nhất của trị riêng (eigenvalue) là 1.087 (lớn hơn 1) và tổng lũy tích là 73.421 (lớn hơn 50%). Các hệ số kết quả phân tích thể hiện có bốn hằng số khác nhau từ bốn cấu trúc khác nhau giống như các mục trong hệ thống đo lường từ bảng khảo sát.
• Hệ số thứ 1 của “Mô tả công việc” là 31.363% của phương sai
• Hệ số thứ 2 của “Thưởng và ghi nhận” là 23.3% của phương sai
• Hệ số thứ 3 của “Hệ thống hỗ trợ từ tổ chức” là 10.991% của phương sai
• Hệ số thứ 4 của “Hệ thống hỗ trợ từ giám sát” là 7.767% của phương sai Từ bảng 2.7 thể hiện tổng phương sai từ các biến không phụ thuộc và bảng 2.8 bên dưới thể hiện hệ số tải nhân số (rotated component matrix) của các biến phụ thuộc.
Từ phân tích các thông số, có thể nói bốn nhân tố được phân tích đã đạt yêu cầu thỏa mãn các điều kiện của việc giảm thiểu các thông số trong khảo sát theo phương pháp phân phối chuẩn đa biến (multivariable regression).
Bảng 2.7 Bảng chi tiết các biến tổng – cấu trúc không phụ thuộc
Rotated Component Matrixa
Bảng 2.8 Bảng hệ số tải nhân số - các biến không phụ thuộc
Component 1 2 3 4 RR2 0.853 RR4 0.850 RR1 0.846 RR3 0.786 POS3 0.869 POS2 0.823 POS4 0.788 POS1 0.778 PSS1 0.825 PSS3 0.823 PSS2 0.799 JC2 0.882 JC3 0.835 JC1 0.725
2.3.3 Nhân tố khám phá EFA cho các biến phụ thuộc
Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất. Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA:
• Factor loading > 0.3 được xem là đạt mức tối thiểu
• Factor loading > 0.4 được xem là quan trọng
• Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: Hệ số tải nhân tố (Factor loading) > 0.5. Nếu 0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser- Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. Phần trăm phương sai toàn bộ (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %.
➢ EFA cho các biến phụ thuộc trong khảo sát về “Mô tả công việc”.
Với các câu hỏi chính theo phép vòng xoay được xây dựng để tổng hợp bốn ý chính trong việc tạo động lực cho nhân viên. Ở bảng bên dưới thể hiện kết quả KMO = 0.802 (lớn hơn 0.5) và phương pháp kiểm tra Barlett cho kết quả là 0.000 (nhỏ hơn 0.05), điều này thể hiện các biến phân tích đều đạt chất lượng yêu cầu.
Bảng 2.9 KMO và phương pháp Bartlett của các biến phụ thuộc trong tạo động lực cho nhân viên.
Tổng tỉ lệ phần trăm của các biến thay đổi so với các biến ban đầu là 77.814%, thể hiện các biến đều đạt tiêu chuẩn (yêu cầu chỉ cần lớn hơn 50%). Tất cả các factor loading đều lớn hơn 0.8, thỏa mãn điều kiện yêu cầu (lớn hơn 0.4) và có được kết quả EFA rất tốt. Từ các số liệu phân tích, các biến lấy từ kết quả phân tích EFA đều thỏa mãn các điều kiện trong phương pháp phân tích dữ liệu đa biến.
Bảng 2.10 thể hiện tổng các biến thay đổi – phụ thuộc vào cấu trúc của phương pháp tạo động lực cho nhân viên.
Bảng 2.10 Tổng các biến trong tạo động lực cho nhân viên
➢ EFA trong cấu trúc phụ thuộc của khảo sát “Xu hướng nghỉ việc”
Khảo sát xu hướng thôi việc có bốn biến, bảng 2.11 thể hiện giá trị KMO = 0.750 (lớn hơn 0.5) và kết quả phương pháp Barlett cho giá trị 0.000 (nhỏ hơn
Bảng 2.11 Kết quả KMO và Barleet của khảo sát xu hướng nghỉ việc
Kết quả EFA thể hiện rằng cả bốn mục trong phần khảo sát đều đưa ra kết quả là 72.225% (lớn hơn 50%), điều đó thể hiện các biến đều thỏa mãn các yêu cầu trong phân tích. Hơn nữa, tất cả các giá trị đều lớn hơn 0.7 (lớn hơn 0.4), do đó chúng đều đạt yêu cầu và tạo ra kết quả EFA rất tốt.
Bảng 2.12 Bảng giá trị biến đổi trong khảo sát xu thế nghỉ việc
Theo kết quả từ EFA, thì các phương thức, lý thuyết đều không thay đổi so với yêu cầu đặt ra ban đầu của bài luận văn.
Hình 2.1 Thay đổi lại hình thức nghiên cứu
H5 H4 H3 Tạo động lực cho nhân viên (+) Thưởng và ghi nhận (+) Hỗ trợ từ tổ chức (+) Hỗ trợ từ quản lý (+) Mô tả công việc
(-) Xu hướng xin nghỉ việc
H1 H2
Từ sơ đồ trên ta có :
• H1 là phần mô tả công việc có ảnh hưởng một cách tích cực tới thái độ làm việc của nhân viên kĩ thuật của công ty Schindler Việt Nam
• H2 chính là phần thưởng và các ghi nhận đóng góp từ phía công ty, cũng tạo nên những ảnh hưởng tích cực tới động lực làm việc của nhân viên.
• H3 chính là những hỗ trợ từ tổ chức, tạo nên động lực thúc đẩy nhân viên trong hoạt động tại công ty
• H4 là những hỗ trợ từ phía giám sát, giúp nhân viên dễ dàng hơn trong công việc được giao
• H5 là xu hướng nghỉ việc của nhân viên tại công ty Schindler Việt Nam
Bảng 2.13 Mô hình tổng quan tuyến tính thứ nhất
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin- Watson 1 .898a .807 .802 .325 2.161 a. Dự đoán: (hằng số), PSS, JC, POS, RR b. Giá trị phụ thuộc: EE
Đề có thể thiết lập lại được mô hình và cách phân tích các số liệu trong các phần khảo sát biến phụ thuộc, phương pháp phân tích tuyến tính hồi quy được áp dụng. Với phương pháp này thì giá trị R nằm trong khoảng 0 đến 1, nếu là 0 thì có nghĩa là các biến không có khoảng dao động và nếu hằng số có giá trị là 1 thì toàn bộ các biến được coi là có khả năng linh hoạt cao. Giá trị trung bình được đặt trong hồi quy tuyến tính để thực hiện được theo mô hình nghiên cứu. Sử dụng hình thức thứ nhất trong hồi quy tuyến tính đa biến để kiểm tra mối quan hệ giữa bốn giá trị độc lập của Mô tả công việc, thưởng và ghi nhận, hỗ trợ từ tổ chức, hỗ trợ từ quản lý và các biến không phụ thuộc trong tạo động lực nhân viên. Giá trị bình phương R và kết quả F được sử dụng linh hoạt trong mô hình.
Bảng 2.14 ANOVA trong mô hình thứ nhất
ANOVAa
Model Sum of
Squares
df Mean Square F Sig.
1
Regression 64.334 4 16.084 151.837 .000b
Residual 15.359 145 .106
Total 79.693 149
a. Giá trị phụ thuộc: EE
b. Giá trị dự đoán: (hằng số), PSS, JC, POS, RR
Bảng 2.15 Các hằng số trong mô hình thứ nhất Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error
Beta Tolerance VIF
1 (Constant) -.671 .211 -3.178 .002 JC .177 .052 .159 3.379 .001 .601 1.663 RR .576 .055 .593 10.527 .000 .519 1.789 POS .174 .051 .148 3.395 .001 .698 1.433 PSS .219 .053 .197 4.152 .000 .590 1.695 a. Giá trị phụ thuộc: EE
Có thể nhìn thấy ở bảng 2.14 và 2.15 kết quả R2 = 0.802 và giá trị F = 151.837 với Sig.=0.000, nên đường hồi quy tuyến tính giữa các giá trị không phụ thuộc và tạo động lực cho nhân viên là phù hợp với dữ liệu và có thể sử dụng được. Ở bảng 2.13, giá trị R2 = 0.802 thể hiện khả năng diễn giải của mô hình này là 80.2%, nghĩa là giá trị của bốn biến độc lập trong mô hình có thể thể hiện được 80.2% trong biến phụ thuộc tạo động lực cho nhân viên. Với bảng 2.15, các hằng số
có giá trị VIF = 1.789 (nhỏ hơn 2), thể hiện các giá trị trong mô hình là không có khả năng tự điều chỉnh và mô hình hiện tại là phù hợp với phân tích hồi quy.
Các kết quả phân tích hồi quy cho Thưởng và ghi nhận là RR, các giá trị biến thiên này có hằng số tiêu chuẩn β = 0.593 với Sig.=0.000 là hằng số rất quan trọng trong tạo động lực làm việc cho các nhân viên kĩ thuật tại công ty Schindler Việt Nam. PSS (hỗ trợ từ giám sát) cũng là một trong những yếu tố ảnh hưởng lớn tới động lực làm việc của nhân viên công ty, với hệ số có giá trị β = 0.197 và Sig.=0.000.
Kết quả phân tích từ mô tả công việc có hệ số β = 0.159 và Sig.=0.001, có ảnh hưởng tới tạo động lực làm việc cho nhân viên trực tiếp.
Cuối cùng, chính là các thông số trong POS hỗ trợ từ quản lý, đưa ra kết quả hệ số β = 0.148 với Sig.=0.001, hệ số này có ít ảnh hưởng tới việc tạo động lực làm việc cho nhân viên tại công ty Schindler Việt Nam.
Không có bất kì trị số Sig. nào lớn hơn 0.05, điều này có nghĩa là các giá trị biến thiên đã được loại ra khỏi mô hình phân tích. Theo như bảng 2.15, ta có công thức hồi quy tuyến tính như sau:
EE=0.159JC + 0.593RR + 0.148POS + 0.197PSS Trong đó:
• EE: hệ số tạo động lực làm việc cho nhân viên
• JC: hệ số mô tả công việc
• RR: hệ số thưởng và ghi nhận
• POS: hệ số hỗ trợ từ tổ chức
• PSS: hệ số hỗ trợ từ quản lý
Mô hình hồi quy tuyến tính thứ 2 được áp dụng để thấy được mối quan hệ giữa các giá trị độc lập trong tạo động lực cho nhân viên và các biến phụ thuộc liên quan tới xu hướng nghỉ việc. Trong bảng 2.16 và 2.17, thì kết quả R2 = 0.891, giá trị F = 1208.986 với Sig = 0.000, nghĩa là đường tuyến tính hồi quy giữa các giá trị biến thiên là phù hợp với dữ liệu.
Bảng 2.16 Tổng hồi quy tuyến tính theo phương pháp thứ 2
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .944a .891 .890 .27499
a. Predictors: (Constant), EE b. Dependent Variable: CE
Bảng 2.17 ANOVA của hồi quy tuyến tính phương pháp 2
ANOVAa Model Sum of Squares df Mean Square F Sig.