Dữ liệu thu thập đƣợc xử lý bằng phần mềm SPSS 20.0, tác giả sử dụng phép phân tích mô tả (descriptives) trong phần mềm SPSS 20.0 để phân tích các thuộc tính của mẫu nghiên cứu (các thông tin của đối tƣợng đƣợc khảo sát).
Dữ liệu nghiên cứu sau khi thu thập sẽ đƣợc xử lí trên phần mềm SPSS 20.0 theo trình tự sau:
Bƣớc 1 Chuẩn bị dữ liệu: Thu thập bảng trả lời, tiến hành làm sạch dữ liệu, mã hóa các dữ liệu cần thiết trong bảng câu hỏi, xử lý bằng phần mềm SPSS 20.0 Bƣớc 2 Thống kê: Tiến hành thống kê mô tả dữ liệu thu thập đƣợc.
Bƣớc 3 Phân tích độ tin cậy: Tiến hành đánh giá độ tin cậy thang đo bằng hệ số Cronbach’s Alpha.
Bƣớc 4 Phân tích nhân tố khám phá (EFA).
Bƣớc 5 Phân tích hồi quy: Xác định mối liên hệ nhân quả giữa biến phụ thuộc và các biến độc lập.
Kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha
Hệ số Cronbach's Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tƣơng quan giữa các biến quan sát. Phân tích Cronbach’s Alpha nhằm kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha và loại bỏ những biến có tƣơng quan biến tổng (Item-Total correlation) nhỏ.
Điều này liên quan đến hai khía cạnh là tƣơng quan giữa bản thân các biến và tƣơng quan của các điểm số của từng biến với điểm số toàn bộ các biến của mỗi ngƣời trả lời.
Độ tin cậy của thang đo đƣợc đánh giá bằng phƣơng pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Hệ số Cronbach’s Alpha càng lớn thì độ tin cậy càng cao. Sử dụng phƣơng pháp hệ số tin cậy Cronbach’s Alpha trƣớc khi phân tích nhân tố khám phá EFA để loại các biến nghiên cứu không phù hợp vì các biến này có thể tạo ra các yếu tố giả. Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các biến đo lƣờng có liên kết với nhau hay không nhƣng không cho biết biến nào cần loại bỏ đi và biến nào cần giữ lại. Do đó, kết hợp sử dụng hệ số tƣơng quan biến tổng để loại ra những biến không đóng góp nhiều cho khái niệm cần đo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Trong nghiên cứu này, tác giả chọn thang đo có độ tin cậy 0.6 ≤ Cronbach’s Alpha ≤ 0.95.
Theo đó, chỉ những biến có Hệ số tƣơng quan tổng biến phù hợp (Corrected Item- Total Correlation) > 0.3 và có Hệ số Alpha > 0.6 mới đƣợc xem là chấp nhận đƣợc, thích hợp đƣa vào phân tích những bƣớc tiếp theo (Nunnally & BemStein, 1994). Các biến quan sát có hệ số tƣơng quan biến tổng (corrected item-total correlation) < 0.3 sẽ bị loại (Nunnally JC và Bernstein IH, 1994).
Các tiêu chí đánh giá:
Thứ nhất: Hệ số tin cậy Cronbach’s Alpha > 0.8 là thang đo lƣờng tốt; 0.7 – 0.8 là sử dụng đƣợc.
Thứ hai: Hệ số tƣơng quan biến tổng, các biến quan sát có tƣơng quan biến tổng nhỏ (< 0.3) đƣợc xem là biến rác thì sẽ bị loại ra và thang đo đƣợc chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu.
Thứ ba: 0.6 ≤ Cronbach’s Alpha ≤ 0.95. Hệ số Cronbach’s Alpha quá lớn (a > 0.95) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau (nghĩa là chúng cùng đo lƣờng một nội dung nào đó của khái niệm nghiên cứu). Hiện tƣợng này đƣợc gọi là hiện tƣợng trùng lắp trong đo lƣờng (redundancy). Do đó, khi kiểm tra từng biến đo lƣờng ta sử dụng thêm hệ số tƣơng quan biến-tổng. Theo (Nunnally và Bernstein, 1994), nếu một biến đo lƣờng có hệ số tƣơng quan biến - tổng hiệu chỉnh (Corrected item - total correlation) lớn hơn hoặc bằng 0.3 thì biến đó đạt yêu cầu.
Nhƣ vậy, trong phân tích Cronbach’s Alpha thì ta sẽ loại bỏ những thang đo có hệ số nhỏ (a <0.6) và cũng loại những biến quan sát có hệ số tƣơng quan biến tổng hiệu chỉnh nhỏ (<0.3) ra khỏi mô hình vì những biến quan sát này không phù hợp hoặc không có ý nghĩa đối với thang đo. Tuy nhiên, các biến không đạt yêu cầu nên loại hay không? Không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của khái niệm.
Kiểm định độ tin cậy các thang đo:
Hệ số tƣơng quan biến tổng: Các biến quan sát có tƣơng quan biến tổng nhỏ (< 0.3) đƣợc xem là biến rác thì sẽ đƣợc loại ra và thang đo đƣợc chấp nhận khi hệ số tin cậy Cronbach’s Alpha đạt yêu cầu (Nguyễn Đình Thọ, 2013).
Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (Exploratory Factor Analysis) là một kỹ thuật phân tích nhằm thu nhỏ, tóm tắt các dữ liệu, có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu. Quan hệ giữa các nhóm biến có liên hệ qua lại lẫn nhau đƣợc xem xét dƣới dạng một số các nhân tố cơ bản. Mỗi một biến quan sát sẽ đƣợc tính một tỷ số gọi là hệ số tải nhân tố (factor loading). Hệ số này cho ngƣời nghiên cứu biết đƣợc mỗi biến đo lƣờng sẽ "thuộc về" những nhân tố nào.
Sau khi loại bỏ các biến không đảm bảo độ tin cậy thông qua phân tích Cronbach’s Alpha, phƣơng pháp phân tích nhân tố khám phá đƣợc sử dụng để xác định độ giá trị hội tụ (convergent validity), độ giá trị phân biệt (discriminant validity) và đồng thời thu gọn các tham số ƣớc lƣợng theo từng nhóm biến.
Các biến quan sát có trọng số λi (factor loading) nhỏ hơn 0.50 trong EFA sẽ tiếp tục bị loại bỏ để thang đo đạt đƣợc giá trị hội tụ. Để đạt độ giá trị phân biệt, khác biệt
giữa các nhân tố phải lớn hơn hoặc bằng 0.3 (│λiA│ - │λiB│ >0.3). Vấn đề loại bỏ biến có trọng số nhân tố thấp cần chứ ý đến giá trị nội dung của biến đó đóng góp vào giá trị nội dung của khái niệm nó đo lƣờng. Nếu λi không quá nhỏ, ví dụ: λi =0.40 không nên loại nó (Nguyễn Đình Thọ, 2013, trang 401-402).
Số lƣợng nhân tố đƣợc xác định dựa trên chỉ số Eigenvalue - đại điện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Số lƣợng nhân tố đƣợc xác định ở nhân tố (dừng ở nhân tố) có Eigenvalue tối thiểu lớn hơn bằng 1( ≥1) và những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại ra khỏi mô hình. Tiêu chuẩn phƣơng sai trích (Variance explained criteria): Tổng phƣơng sai trích phải đạt từ 50% trở lên, nghĩa là phần chung phải lớn hơn phần riêng và phƣơng sai từ 60% trở lên đƣợc coi là tốt (Nguyễn Đình Thọ, 2013, trang 393, 403).
Để xác định sự phù họp khi sử dụng EFA thì ngƣời ta thƣờng tiến hành dùng kiểm định Barlett và KMO:
Kiểm định Bartlett: Dùng để xem xét ma trận tƣơng quan có phải là ma trận đơn vị (I) hay không. Kiểm định Barlett có ý nghĩa thống kê khi Sig< 0.05. Điều này chứng tỏ các biến quan sát có tƣơng quan với nhau trong tổng thể
Phƣơng pháp trích nhân tố Principal Components với phép xoay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues lớn hơn hoặc bằng 1 cho các biến phụ thuộc.
Sử dụng phƣơng pháp trích yếu tố Principal Components. Thang đo chấp nhận đƣợc khi tổng phƣơng sai trích đƣợc > 50%.
Tuy nhiên, trong thực tế, với sự hỗ trợ của các phần mềm xử lý thống kê SPSS và chúng ta có thể nhìn vào kết quả trọng số nhân tố và phƣơng sai trích đạt yêu cầu thì vấn đề kiểm định Bartlett, KMO không còn ý nghĩa nữa vì chúng luôn luôn đạt yêu cầu (Nguyễn Đình Thọ, 2013, trang 397).
Phân tích Hồi quy
Xây dựng và kiểm định mô hình hồi qui
Y 0 + 1 *X1 2 *X2 3 *X3 Đƣợc thực hiện thông qua các thủ tục:
Một là lựa chọn các biến đƣa vào mô hình hồi qui (tác giả sử dụng phƣơng pháp Enter - SPSS xử lý tất cả các biến đƣa vào cùng một lƣợt).
Hai là đánh giá độ phù hợp của mô hình bằng hệ số xác định R2 (R Square). Tuy nhiên, R2 có đặc điểm càng tăng khi đƣa thêm các biến độc lập vào mô hình, mặc dù không phải mô hình càng có nhiều biến độc lập thì càng phù hợp với tập dữ liệu. Vì thế, R2
điều chỉnh (Adjusted R Square) có đặc điểm không phụ thuộc vào số lƣợng biến đƣa thêm vào mô hình đƣợc sử dụng thay thế R2
để đánh giá mức độ phù hợp của mô hình hồi qui bội.
Ba là kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ƣu bằng cách sử dụng phƣơng pháp phân tích ANOVA để kiểm định giả thuyết H0: (không có mối liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập 1 =2= 3=k= 0).
Nếu trị thống kê F có Sig rất nhỏ (< 0.05), thì giả thuyết H0 bị bác bỏ, khi đó chúng ta kết luận tập hợp của các biến độc lập trong mô hình có thể giải thích cho sự biến thiên của biến phụ thuộc.
Bốn là xác định các hệ số của phƣơng trình hồi qui, đó là các hệ số hồi qui riêng phần k đo lƣờng sự thay đổi trung bình của biến phụ thuộc khi biến độc lập Xk thay đổi một đơn vị, trong khi các biến độc lập khác đƣợc giữ nguyên. Tuy nhiên, độ lớn của k phụ thuộc vào đơn vị đo lƣờng của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để có thể so sánh các hệ số hồi qui với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, ngƣời ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lƣờng độ lệnh chuẩn beta.
Kiểm tra vi phạm các giả định hồi qui
Mô hình hồi qui đƣợc xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng đƣợc phƣơng trình hồi qui, cần phải kiểm tra các vi phạm giả định cần thiết sau đây:
- Có liên hệ tuyến tính giữa các biến độc lập với biến phụ thuộc - Phần dƣ của biến phụ thuộc có phân phối chuẩn
- Không có tƣơng quan giữa các phần dƣ (tính độc lập của các sai số)
- Không có tƣơng quan giữa các biến độc lập (không có hiện tƣợng đa cộng tuyến).
Trong đó:
- Hiện tƣợng phƣơng sai thay đổi, chuẩn hóa (Scatter) biểu thị tƣơng quan giữa giá trị phần dƣ chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- Công cụ để kiểm tra giả định phần dƣ có phân phối chuẩn là đồ thị tần số Histogram, hoặc đồ thị tần số P-P plot.
- Công cụ đƣợc sử dụng để kiểm tra giả định không có tƣơng quan giữa các phần dƣ là đại lƣợng thống kê d (Durbin - Watson), hoặc đồ thị phân tán phần dƣ chuẩn hóa
- Công cụ đƣợc sử dụng để phát hiện tồn tại hiện tƣợng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phƣơng sai (Variance inflation factor - VIF). Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) qui tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến; trong khi đó, theo (Nguyễn Đình Thọ, 2013), khi VIF > 2 cần phải cẩn trọng hiện tƣợng đa cộng tuyến.
Kết luận chƣơng 3
Trình bày phƣơng pháp nghiên cứu, quy trình nghiên cứu, phƣơng pháp lấy mẫu, kích thƣớc mẫu, phƣơng pháp thu thập và phân tích dữ liệu.
Đầu tiên là quy trình nghiên cứu, nghiên cứu đƣợc thực hiện qua 2 bƣớc: Nghiên cứu định tính và nghiên cứu định lƣợng.
Gồm những phần chính sau:
Thứ nhất: Nghiên cứu định tính.
Phƣơng pháp thảo luận trực tiếp 10 ngƣời đang công tác tại Trƣờng DLA đƣợc sử dụng trong nghiên cứu định tính để điều chỉnh và bổ sung thang đo cho phù hợp.
Thực hiện thông qua phƣơng pháp thảo luận trực tiếp tác giả nhận thấy có 3 yếu tố thuộc phong cách lãnh đạo ảnh hƣởng đến gắn kết với tổ chức bao gồm: (1) Phong cách lãnh đạo chuyển đổi (TFL), (2) Phong cách lãnh đạo giao dịch (TSL); (3) Phong cách lãnh đạo tự do (LFL).
Tác giả sử dụng thang đo định tính tiến hành thảo luận trực tiếp tập trung làm cơ sở xây dựng thang đo định lƣợng.
Thứ hai: Nghiên cứu định lƣợng.
Thực hiện phƣơng pháp định lƣợng bảng khảo sát với 19 biến quan sát, đƣợc tiến hành với mẫu n = 95, cỡ mẫu cho nghiên cứu chính thức đƣợc khảo sát thu thập trực tiếp từ cán bộ, giảng viên và nhân viên. Dữ liệu sau khi thu thập, sau khi loại bỏ những phiếu khảo sát không hợp lý tác giả đƣa dữ liệu vào phần mềm SPSS 20.0 để phân tích. Phân tích dữ liệu gồm các bƣớc nhƣ: Thống kê mô tả, kiểm định hệ số Cronbach’s Alpha, phân tích EFA, phân tích tƣơng quan và hồi quy.... Và kết quả nghiên cứu đƣợc trình bày ở chƣơng 4 của đề tài.
CHƢƠNG 4 KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN