7. Tổng quan về tài liệu nghiên cứu
2.5.3. Phư ng ph p phân tích dữ liệu
Phư ng ph p thống kê sử dụng mức có ý nghĩa alpha chọn trong đề tài này là 0.05. Số liệu thu thập được phân tích bằng phần mềm SPSS. Qu trình phân tích phân tích dữ liệu được thực hiện qua c c giai đoạn sau:
a. Đánh giá thang đo bằng hệ số Cronbach’s Alpha
Thang đo được đ nh gi độ tin cậy thông qua công cụ kiểm định Cronbach Alpha. Hệ số α của Cronbach Alpha là một phép kiểm định thống kê về mức độ chặt chẽ của c c biến trong thang đo với nhau.
Thông thường một hệ số α được đ nh gi là tốt khi nó ở trong khoảng [0.7 – 0.8]. Tuy nhiên gi trị Cronbach Alpha ở mức 0.6 là có thể đảm bảo độ tin cậy và được chấp nhận. Hệ số Cronbach Alpha qu cao cũng không tốt vì nó cho thấy c c biến đo lường trong thang đo cùng làm một việc (Nguyễn Đình Thọ, 2011).
Bên cạnh việc xem xét gi trị Cronbach Alpha có đặt yêu cầu hay không, thì khi cân nhắc xem nên loại bỏ biến nào ta cần xem xét hệ số tư ng quan biến (item – total correlation). Hệ số này cho thấy mức độ quan hệ chặt chẽ giữa biến quan s t tư ng ứng và biến tổng. Những biến quan s t nào có hệ số tư ng quan biến tổng < 0.3 sẽ được cân nhắc loại bỏ. Đây là những dấu hiệu gợi ý cho nhà nghiên cứu về việc loại bỏ biến quan s t nhằm làm tăng mức độ chặt chẽ của thang đo.
b. Phân tích nhân tố khám phá EFA
Phư ng ph p phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau, nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối quan hệ giữa c c biến với nhau. EFA dùng để rút gọn một tập k biến quan s t thành một tập F (F<k) c c nhân tố có ý nghĩa h n. Gi trị hội tụ và gi trị phân biệt cũng được đ nh gi thông qua bước phân tích EFA.
Trước khi đi kiểm định gi trị của c c thang đo bằng kiểm định EFA, t c giả kiểm tra xem dữ liệu có đầy đủ điều kiện để phân tích hay không bằng kiểm định KMO và kiểm định Barlett.
Hệ số (Kaiser – Meyer-Olklin) KMO là một chỉ số dùng để đ nh gi sự phù hợp của phân tích nhân tố. Nó so s nh độ lớn của hệ số tư ng quan giữa hai biến Xi và Xj với độ lớn của hệ số tư ng quan riêng phần của chúng. Trị số KMO lớn (từ 0,5 đến 1) thì bộ dữ liệu sẽ phù hợp để phân tích nhân tố. C c gi trị của KMO và ý nghĩa: [0,9 – 1]: rất tốt, [0,8 – 0,9]: tốt, [0,7 – 0,8]: được, [0,6 – 0,7]: tạm được, [0,5 – 0,6]: xấu (Nguyễn Đình Thọ, 2011).
Kiểm định Barlett là kiểm định thống kê nhằm xem xét giả thuyết c c biến không có tư ng quan trong tổng thể. Điều kiện cần p dụng phân tích nhân tố là c c biến phải có tư ng quan với nhau.
Phép trích Principal Component Analysis với phép quay Varimax được sử dụng trong phân tích nhân tố thang đo c c biến độc lập. C c biến có hệ số tải (Factor loading) nhỏ h n 0,4 sẽ bị loại, điểm dừng khi Eigenvalue (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) > 1 và tổng phư ng sai trích lớn h n 50% (Gerbing và Anderson, 1988).
c. Phân tích hồi quy tuyến tính
Phân tích hồi quy được thực hiện để x c định mối quan hệ nhân quả giữa biến phụ thuộc sự hài lòng công việc và c c biến độc lập.
Mô hình hồi quy sẽ tìm ra c c biến độc lập có hay không t c động tới biến phụ thuộc và hướng t c động là thuận chiều/dư ng (+) hay ngược chiều/âm (-). Đồng thời mô hình cũng mô tả mức độ t c động của biến độc lập cụ thể là như thế nào qua đó giúp ta dự đo n được gi trị của biến phụ thuộc khi biết trước gi trị của c c biến độc lập. Mô hình nghiên cứu của luận văn bao gồm một biến phụ thuộc và nhiều biến độc lập. Vì vậy t c giả sử dụng mô hình hồi quy tuyến tính bội (Nguyễn Đình Thọ, 2011).
Để đ nh gi độ phù hợp của mô hình hồi quy, t c giả căn cứ vào hệ số x c định R2. Hệ số R2 cho biết % sự biến động của biến phụ thuộc (Y) được giải thích bởi c c biến độc lập (Xi) trong mô hình. Gi trị R2 nằm trong khoảng từ 0 đến 1:
- Khi R2 = 0 ta kết luận biến phụ thuộc và c c biến độc lập không có quan hệ với nhau.
- Khi R2 = 1 ta kết luận đường hồi quy phù hợp hoàn hảo.
- Theo Hair và cộng sự (1998), sử dụng hệ số x c định R2 có nhược điểm là gi trị R2 tăng khi số biến độc lập đưa vào mô hình tăng mặc dù biến
đưa vào không có ý nghĩa. Vì vậy nên sử dụng gi trị R2 điều chỉnh (Adjusted R Square) để kết luận về % sự biến động của biến phụ thuộc được giải thích bởi c c biến độc lập.
Để kiểm định độ phù hợp của mô hình, t c giả sử dụng kiểm định F. Đây là phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể nhằm xem xét biến phụ thuộc có liên hệ tuyến tính với toàn bộ c c biến độc lập không. Mô hình được coi là phù hợp khi gi trị significant của kiểm định < 0.05.
Kiểm định t để b c bỏ giả thuyết c c hệ số hồi quy của tổng thể bằng 0 Đ nh gi mức độ t c động (mạnh hay yếu) giữa c c biến t c động thông qua hệ số Beta.
Phân tích hồi quy còn cho biết tình trạng đa cộng tuyến có tồn tại không. Đa cộng tuyến là trạng th i trong đó c c biến độc lập có tư ng quan chặt chẽ với nhau. Để kiểm định hiện tượng đa cộng tuyến, t c giả sử dụng hệ số phóng đại phư ng sai (VIF). Nếu gi trị hệ số này < 2 thì quan hệ đa cộng tuyến giữa c c biến độc lập là không đ ng kể.
d. Kiểm định T-test và phân tích phương sai Anova
Dựa trên c c yếu tố về nhân khẩu học (bao gồm giới tính, độ tuổi, thâm niên, trình độ chuyên môn, đối tượng công việc), nghiên cứu tiến hành kiểm định sự kh c biệt giữa c c nhóm trong từng yếu tố nhân khẩu học.
Đối với kiểm định sự kh c biệt giữa 2 nhóm giới tính, nghiên cứu sử dụng phép kiểm định giả thuyết về trị trung bình của 2 tổng thể T-Test. Còn c c yếu tố còn lại là độ tuổi, thâm niên, trình độ chuyên môn, đối tượng công việc có từ 3 nhóm mẫu trở lên thì p dụng phư ng ph p phân tích phư ng sai ANOVA. Phư ng ph p này phù hợp vì nó kiểm định tất cả c c nhóm mẫu cùng một lúc với khả năng phạm sai lầm chỉ 5% (Nguyễn Đình Thọ, 2011).
CHƯƠNG 3
KẾT QUẢ NGHIÊN CỨU