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 động lực làm việc của người lao động với các nhân tố ảnh hưởng đến động lực.
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: động lực làm việc của người lao động và các biến độc lập: Đặc điểm công việc; Đào tạo và thăng tiến; Chính sách khen thưởng; Trách nhiệm công việc; Chính sách lương, phúc lợi; Mối quan hệ trong công việc.
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: Công cụ để kiểm tra là đồ thị phân tán phần dư chuẩn hóa (Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- 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 không thấy 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.
- Tính độc lập của các sai số (không có tương quan giữa các phần dư): Công
cụ để kiểm tra là đại lượng thống kê d (Durbin - Watson) hoặc đồ thị phân tán phần dư chuẩn hóa.
- Không có mối tương quan giữa các biến độc lập (không có hiện tượng đa
cộng tuyến): Công cụ để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận
của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance inflation factor - VIF). Theo (Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008), quy 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 tượng đa cộng tuyến.