Các khái niệm trong mô hình được đo lường bởi các thang đo đã được kiểm định qua các nghiên cứu trước. Đồng thời dựa vào kết quả từ buổi thảo luận nhóm, tác giả tiến hành mã hóa thang đo cho mô hình nghiên cứu.
Bảng 3.1. Mã hóa thang đo TT Nhân tố Mã
hóa
Biến quan sát Nguồn
1 Thu nhập
TN1 Thu nhập hiện tại tương xứng với năng
lực của anh/chị Đỗ Phú Đạt
(2016) TN2 Anh/chị có thể sống được dựa vào thu
TT Nhân tố Mã hóa
Biến quan sát Nguồn
TN3 Thu nhập tại đơn vị của anh/chị công bằng cho các vị trí
TN4 Anh/chị hiểu rõ chính sách về thu nhập tại đơn vị
2
Khen thƣởng và phúc lợi
KT1 Thành tích của anh/chị được Lãnh đạo đơn vị công nhận kịp thời
Nguyễn Thị Ngọc Châu (2018) KT2 Anh/chị được thưởng xứng đáng với
những đóng góp của mình
KT3 Các chế độ phúc lợi của đơn vị hấp dẫn KT4 Các phúc lợi mà anh/chị nhận được
không thua công ty khác
3
Môi trƣờng làm việc
MT1 Nơi anh/chị làm việc thoáng mát, sạch sẽ và đảm bảo an toàn lao động
Trần Kim Dung
(2005)
MT2 Anh/chị được cung cấp đầy đủ phương tiện, thiết bị để làm việc
Nguyễn Thị Ngọc Châu (2018)
MT3 Những chính sách liên quan đến anh/chị đều được đơn vị thông báo đầy đủ
Trần Kim Dung
(2005)
MT4 Anh/chị cảm thấy không khí làm việc ở đơn vị thoải mái
Nguyễn Thị Ngọc Châu (2018)
4 Đồng nghiệp
DN1 Đồng nghiệp của anh/chị rất thân thiện Đỗ Phú Đạt ( 2016)
DN2 Mọi người luôn hợp tác để hoàn thành công việc
Nguyễn Thành Long (2016)
DN3 Đồng nghiệp sẵn sàng hỗ trợ anh/chị
trong công việc Nguyễn Thị Ngọc Châu (2018) DN4 Đồng nghiệp của anh/chị sẵn sàng chia
TT Nhân tố Mã hóa
Biến quan sát Nguồn
DN5 Đồng nghiệp của anh/chị là người đáng
tin cậy Đỗ Phú Đạt ( 2016)
5 Ngƣời quản lý
QL1 Anh/chị giao tiếp thoải mái với người quản lý của mình
Trần Kim Dung
(2005) QL2 Anh/chị thường xuyên được động viên
trong công việc từ người quản lý
QL3 Anh/chị luôn nhận được sự chỉ dẫn của người quản lý khi cần thiết
QL4 Anh/chị được tin cậy trong công việc QL5 Người quản lý luôn quan tâm đến
anh/chị Đỗ Phú Đạt (2016)
6 Cơ hội thăng tiến
TT1 Anh/chị có nhiều cơ hội thăng tiến tại đơn vị
Đỗ Phú Đạt (2016)
TT2 Chính sách và điều kiện thăng tiến tại đơn vị anh/chị cụ thể
Trần Kim Dung
(2005)
TT3 Đơn vị luôn tạo cơ hội thăng tiến công bằng cho người có năng lực
Hồ Văn Dần (2015) TT4 Anh/chị hài lòng khi có cơ hội thăng
tiến
7 Văn hóa tổ chức
VH1 Đơn vị rất quan tâm đến công tác đào tạo cho nhân viên
Wallach (1983) VH2
Khi cần sự hỗ trợ, anh/chị luôn nhận được sự hợp tác từ các phòng của Khối quản lý
VH3 Anh/chị được khuyến khích sáng tạo trong công việc
VH4 Anh/chị được tự chủ trong công việc
8 Sự gắn bó
của nhân GB1
Về một số phương diện, anh/chị xem
TT Nhân tố Mã hóa
Biến quan sát Nguồn
viên với
tổ chức GB2 Anh/chị sẵn sàng ở lại làm việc lâu dài với đơn vị mặc dù có nơi khác đề nghị
mức thu nhập hấp dẫn hơn
(2016)
GB3
Anh/chị cảm thấy rằng các vấn đề mà đơn vị gặp phải cũng là vấn đề của anh/chị Linda Rhoades, Robert Eisenberger, and Stephen Armeli (2001) GB4 Anh/chị tự hào nói với người khác là
anh/chị được làm việc trong đơn vị GB5 Anh/Chị sẽ rất vui khi làm việc tại đơn
vị của mình cho đến khi nghỉ hưu
(Nguồn: Nghiên cứu trước và kết quả nghiên cứu định tính)
3.4 Phƣơng pháp phân tích dữ liệu
Dữ liệu nghiên cứu sau khi thu thập sẽ được xử lí trên phần mềm SPSS 20.0 theo trình tự sau:
Bước 1: Chuẩn bị dữ liệu: Thu thập Phiếu khảo sát đã được trả lời, làm sạch dữ liệu, mã hóa các dữ liệu cần thiết trong bảng câu hỏi bằng phần mềm SPSS.
Bước 2: Thống kê: Tiến hành thống kê mô tả dữ liệu thu thập được.
Bước 3: Phân tích độ tin cậy: Tiến hành đánh giá độ tin cậy thang đo bằng hệ số Cronbach‟s Alpha.
Bước 4: Phân tích nhân tố khám phá EFA.
Bước 5: Phân tích hệ số Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng.
Bước 6: Phân tích hồi quy: Xác định mối liên hệ nhân quả giữa biến phụ thuộc và các biến độc lập.
Bước 7: Kiểm định mô hình và kiểm định giả thuyết.
3 4 P ân tíc t ốn k mô tả
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 tượng được khảo sát) gồm nhóm giới tính, nhóm tuổi.
3 4 P ân tíc độ t n cậy ( ệ số Cronbac ’s Alp a)
Đo lường độ tin cậy thang đo bằng hệ số Cronbach‟s Alpha là phép kiểm định phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng một nhân tố. Hệ số này cho biết trong các biến quan sát của một nhân tố, biến nào đã đóng góp tốt vào việc đo lường khái niệm của nhân tố, biến nào không.
(Cronbach 1951, trích bởi Nguyễn Đình Thọ 2013, trang 355) đưa ra chú ý rằng hệ số Cronbach‟s Alpha chỉ đo lường độ tin cậy của thang đo có từ 03 biến quan sát trở lên, chứ không đo được độ tin cậy cho từng biến quan sát.
Thang đo có độ tin cậy tốt khi nó biến thiên trong khoảng [0,75-0,95]. Nếu hệ số Cronbach‟s Alpha ≥ 0,6, thang đo đó có thể được chấp nhận về độ tin cậy (Nunnally & Bernsteri 1994, trích bởi Nguyễn Đình Thọ 2013, trang 365).
(Nguyễn Đình Thọ 2013, trang 364) cho rằng, về lý thuyết hệ số Cronbach‟s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên, hệ số Cronbach‟s Alpha quá lớn (α > 0,95) 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). Đây là hiện tượng trùng lắp trong đo lường (redundancy). Do đó, khi kiểm tra từng biến đo lường, chúng ta cần sử dụng thêm 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). Đây là tiêu chuẩn để đánh giá một biến đo lường có thực sự đóng góp giá trị vào nhân tố hay không. Nếu một biến đo lường có hệ số tương quan biến tổng hiệu chỉnh ≥ 0,3 thì biến đó đạt yêu cầu (Nunnally & Bernstein 1994).
Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach‟s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường tốt, từ 0,7 đến gần 0,8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach‟s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally 1978; Peterson 1994; Slater 1995 trích bởi Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008, tập 2, trang 24).
Trong nghiên cứu này, tác giả sẽ loại bỏ những thang đo có hệ số Cronbach‟s Alpha < 0,6 và loại những biến quan sát có hệ số tương quan biến tổng hiệu chỉnh <0,3 ra khỏi mô hình vì những biến quan sát này không có ý nghĩa đối với thang đo.
Tuy nhiên, việc loại các biến không đạt yêu cầu còn phụ thuộc vào việc xem xét giá trị nội dung của khái niệm, chứ không chỉ đơn thuần nhìn vào con số thống kê (Nguyễn Đình Thọ 2013, trang 367).
3 4 3 P ân tíc n ân tố k m p EFA
Sau khi sử dụng phương pháp Cronbach‟s Alpha để đánh giá độ tin cậy thang đo, tiếp theo thang đo phải được đánh giá hai giá trị quan trọng là giá trị hội tụ (convergent validity) và giá trị phân biệt (discriminant validity). Phương pháp phân tích nhân tố khám phá EFA được sử dụng để xác định và đánh giá hai giá trị này.
Với giá trị hội tụ, các biến quan sát có cùng tính chất hội tụ về cùng một nhân tố và trong ma trận xoay, các biến này sẽ nằm chung một cột. Với giá trị phân biệt, các biến quan sát hội tụ về nhân tố này và phải phân biệt với các biến quan sát ở nhân tố khác. Khi biểu diễn trong ma trận xoay, từng nhóm biến sẽ tách thành từng cột riêng biệt.
Phương pháp phân tích EFA dựa vào mối tương quan giữa các biến với nhau. 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 quan sát (Nguyễn Đình Thọ 2013, trang 378).
Để xác định sự phù hợp khi sử dụng phương pháp phân tích EFA, người ta thường tiến hành kiểm định các tiêu chí:
- Kiểm định Bartlett‟s (Bartlett's Test of Sphericity): dùng để xem xét ma trận tương quan có phải là ma trận đơn vị I (indentify matrix) hay không. Kiểm định Bartlett‟s có ý nghĩa thống kê khi Sig. < 0,05. Điều này chứng tỏ các biến quan sát tương quan nhau trong tổng thể (Nguyễn Đình Thọ 2013, trang 413).
- Kiểm định KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy): là chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa các biến đo lường với độ lớn của hệ số tương quan từng phần của chúng. Hệ số KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Để sử dụng EFA, hệ số KMO phải lớn hơn 0,5. Kaiser (1974) đề nghị KMO ≥ 0,90: rất tốt; KMO ≥ 0,80: tốt; KMO ≥ 0,70: được; KMO ≥ 0,60: tạm được; KMO ≥ 0,50: xấu và KMO < 0,50: không thể chấp nhận được. Trong thực tế, với sự hỗ trợ của phần mềm xử lý thống kê SPSS, chúng ta có thể nhìn vào kết quả trọng số nhân tố và phương sai trích đạt yêu cầu thì vấn đề
kiểm định Bartlett‟s, KMO không còn ý nghĩa nữa vì chúng luôn luôn đạt yêu cầu (Nguyễn Đình Thọ 2013, trang 414).
- Tiêu chí Eigenvalues (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) là tiêu chí được sử dụng phổ biến trong xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định ở nhân tố (dừng ở nhân tố) có Eigenvalues tối thiểu bằng 1 (≥ 1) (Nguyễn Đình Thọ 2013, trang 410).
- Hệ số tải nhân tố (Factor Loading) còn gọi là trọng số nhân tố, λi >=0,5 là chấp nhận. Nếu λi < 0,5 chúng ta có thể xóa biến Xi vì nó thật sự không đo lường khái niệm ta cần đo. Tuy nhiên việc loại bỏ cần chú ý giá trị nội dung của biến đó đóng góp vào giá trị nội dung của khái niệm nó đo lường. Nếu mẫu lớn cũng có thể chấp nhận λi > 0,4. Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố > 0,3 để tạo giá trị phân biệt (Nguyễn Đình Thọ 2013, trang 420).
- Tổng phương sai trích TVE (Total Variance Extraction) thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường. Tổng này phải đạt từ 50% trở lên, nghĩa là phần chung lớn hơn phần riêng và sai số từ 60% trở lên là tốt. Khi hai điều kiện này được thỏa, có thể kết luận mô hình EFA phù hợp (Nguyễn Đình Thọ 2013, trang 420).
Trong phân tích EFA, có nhiều phép trích nhân tố (Grorsuch 1983, trích bởi Nguyễn Đình Thọ 2013, trang 408). Trong nghiên cứu này, tác giả sử dụng phương pháp trích nhân tố Principal Components và trong mô hình thành phần chính PCA sử dụng phép quay Varimax (phép quay vuông góc).
3 4 4 P ân tíc tươn quan, ồ quy
Các thang đo được đánh giá đạt yêu cầu được đưa vào phân tích tương quan, hồi quy để kiểm định các giả thuyết.
Hệ số tương quan Pearson (ký hiệu là r) là chỉ số để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Giá trị r cho biết không có mối liên hệ tuyến tính, chưa hẳn 2 biến không có mối liên hệ và r cao đôi khi thực ra chẳng có quan hệ gì. Có tương quan chưa hẳn có quan hệ nhân quả. Hệ số tương quan là thước đo mang tính đối xứng (Hoàng Trọng và Chung Nguyễn Mộng Ngọc 2008, tập 1, trang 197). Trước hết, tác giả xem xét hệ số tương quan giữa sự gắn bó của nhân viên với các nhân tố ảnh hưởng đến sự gắn bó.
Phân tích hồi quy là nghiên cứu mối quan hệ phụ thuộc của biến phụ thuộc vào biến độc lập với ý tưởng ước lượng hoặc dự đoán giá trị trung bình tổng thể của biến phụ thuộc trên cơ sở các giá trị biết trước của các biến độc lập (Hoàng Trọng và Chung Nguyễn Mộng Ngọc 2008, tập 1, trang 204).
Tác giả tiến hành phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thông thường OLS (Ordinal Least Squares) nhằm kiểm định mối quan hệ giữa biến phụ thuộc: sự gắn bó của người lao động và các biến độc lập: (1) Thu nhập; (2) Khen thưởng và phúc lợi; (3) Môi trường làm việc; (4) Đồng nghiệp; (5) Người quản lý; (6) Cơ hội thăng tiến; (7) Văn hóa tổ chức.
Phương trình HQ tổng thể có dạng: Ŷi = β0 + β1X1i + β2X2i + … βkXki + εi Trong đó:
- Ŷi: là giá trị dự báo. - Β0: là tung độ gốc.
- Βk: hệ số độ dốc của Ŷi theo biến Xk giữ nguyên các biến X1, X2, …Xk-1 không đổi.
- εi là thành phần ngẫu nhiên (yếu tố nhiễu)
Việc xây dựng và kiểm định mô hình hồi quy được thực hiện qua các bước: Bước 1: lựa chọn các biến đưa vào mô hình hồi quy, tác giả sử dụng phương pháp Enter, phần mềm SPSS xử lý tất cả các biến đưa vào cùng một lượt.
Bước 2: 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 đưa 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 lượng biến đưa thêm vào mô hình được sử dụng thay thế R2 để đánh giá mức độ phù hợp của mô hình hồi quy bội.
Bước 3: kiểm định độ phù hợp của mô hình để lựa chọn mô hình tối ưu bằng cách sử dụng phương 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. Nếu trị thống kê F có Sig < 0,0 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.
Bước 4: xác định các hệ số của phương trình hồi quy, đó là các hệ số hồi quy riêng phần βk đo lường 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 được giữ nguyên. Tuy nhiên, độ lớn của βk phụ thuộc vào đơn vị đo lường của các biến độc lập, vì thế việc so sánh trực tiếp chúng với nhau là không có ý nghĩa. Do đó, để so sánh các hệ số hồi quy với nhau, từ đó xác định tầm quan trọng (mức độ giải thích) của các biến độc lập cho biến phụ thuộc, người ta biểu diễn số đo của tất cả các biến độc lập bằng đơn vị đo lường độ lệnh chuẩn beta.
Bước 5: Kiểm tra vi phạm các giả định hồi quy
Mô hình hồi quy được xem là phù hợp với tổng thể nghiên cứu khi không vi phạm các giả định. Vì thế, sau khi xây dựng được phương trình hồi quy, cần phải dò tìm các vi phạm giả định cần thiết sau đây:
- Liên hệ tuyến tính giữa biến phụ thuộc với tập hợp các biến độc lập.
- Phương sai của sai số không đổi: Vẽ đồ thị phần dư theo giá trị ước lượng ŷ từ mô hình hồi quy và quan sát xem có hiện tượng phương sai thay đổi không. Nếu các điểm phân tán trên đồ thị cho thấy không có mối liên hệ nào giữa phần dư và giá trị ŷ có thể kết luận hiện tượng phương sai thay đổi không xảy ra
- Phân phối chuẩn của phần dư: Công cụ để kiểm tra là đồ thị tần số Histogram hoặc đồ thị tần số P-P plot.