6. Tổng quan tài liệu nghiên cứu
2.6. CHUẨN BỊ DỮ LIỆU VÀ PHÂN TÍCH
Dữ liệu sau khi thu thập đƣợc nhập liệu và xử lý bằng phần mềm SPSS 20.0 để tiến hành phân tích. Để phòng ngừa việc nhập dữ liệu bị sai, sót hay thừa, cần phải tiến hành kiểm tra. Việc lập tần số cho tất cả các biến sẽ giúp rà soát đƣợc các giá trị lạ hoặc phát hiện các sai, sót hay thừa trong quá trình nhập liệu. Một số phƣơng pháp phân tích dữ liệu đƣợc sử dụng trong nghiên cứu này gồm: thống kê m tả, kiểm tra phân phối chuẩn, phân tích độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha, phân tích nhân tố khám phá (EFA), phân tích hồi quy tuyến tính bội, kiểm định t nhân tố độc lập (Dependent Samples T-Test) và phân tích phƣơng sai (ANOVA), nhƣ sau:
Kiểm tra phân phối chuẩn của các biến quan sát
Dữ liệu sau khi đƣợc khai báo biến vào phần mềm SPSS, ngoài việc thống kê mô tả các biến đặc điểm của khách hàng với thang đo định danh, thì việc cần thiết đầu tiền phải làm là kiểm tra số liệu của các biến quan sát với thang đo khoảng có phải thuộc phân phối chuẩn hay không, nếu là phân phối chuẩn mới thực hiện những bƣớc phân tích tiếp theo. Có nhiều cách để nhận biết một phân phối chuẩn trong SPSS, đơn giản nhất là xem biểu đồ với đƣờng cong chuẩn (Histograms with normal curve) với dạng h nh chu ng đối xứng với tần số cao nhất nằm ngay giữa và các tần số thấp dần nằm ở 2 bên. Trị trung bình (mean) và trung vị (mediane) gần bằng nhau và độ xiên (skewness) gần bằng zero. Tác giả chọn cách này để kiểm tra phân phối chuẩn trong nghiên cứu.
Phân tích độ tin cậy của thang đo (Cronbach’s Alpha)
Hệ số Cronbach’s Alpha đƣợc sử dụng để đo lƣờng độ tin cậy của thang đo các nhân tố, kiểm định mức độ chặt chẽ của các mục hỏi trong thang đo tƣơng quan với nhau nhằm loại ra các biến quan sát kh ng đảm bảo độ tin cậy trong thang đo. Tiêu chí kiểm định:
- Những biến có hệ số tƣơng quan biến tổng phù hợp (Corrected Item – Total Correlation) lớn hơn 0,3
- Hệ số Cronbach’s Alpha phải từ 0,6 trở lên và lớn hơn hệ số Cronbach’s Alpha nếu loại biến (Cronbach’s Alpha if Item Deleted).
Thỏa mãn 2 điều kiện trên th các biến phân tích đƣợc xem là chấp nhận và thích hợp đƣa vào phân tích những bƣớc tiếp theo (Jum C.Nunnally & Ira H.BernStein (1994), “Pschychometric Theory”, McGraw Hill)
Phân tích nhân tố khám phá (EFA)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha và loại đi các biến kh ng đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật đƣợc sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để t m mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser - Meyer - Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 th phân tích này mới thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0,5 th phân tích nhân tố có khả năng kh ng thích hợp với các dữ liệu. Ngoài việc cần phải quan tâm đến kết quả của KMO, tác giả còn quan tâm đến kiểm định Bartlett: Kiểm định Bartlett xem xét giả thiết Ho: Độ tƣơng quan giữa các biến quan sát bằng kh ng trong tổng thể. Nếu kiểm định này có ý nghĩa trong thống kê (Sig ≤ 0,05) th các biến quan sát có tƣơng quan với nhau trong tổng thể.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lƣợng nhân tố. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên đƣợc giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1sẽ kh ng có tác dụng tóm tắt th ng tin tốt hơn một biến gốc. Theo tiêu chuẩn Kaiser, chỉ những nhân tố có Eigenvalue lớn hơn 1 th mới đƣợc giữ lại trong m h nh và tiêu
chuẩn phƣơng sai trích (Variance explained criteria) là tổng phƣơng sai trích phải lớn hơn 50%.
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố sau (Rotated Component Matrix) chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Sau khi xoay các nhân tố th đƣợc ma trận xoay nhân tố (Rotated Component Matrix) để nhận diện những nhân tố khác nhau dễ dàng hơn.
Hệ số tải nhân tố (Factor Loading): là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá, những hệ số này biểu diễn tƣơng quan giữa các biến và các nhân tố, việc lựa chọn giá trị của phân tích này phụ thuộc vào cỡ mẫu quan sát và mục đích của nghiên cứu.
B ng 2.6. Hệ s t i và kí h th ớc mấu theo Hair và c ng s
Hệ số tải Kích cở mẫu cần thiết để đảm bảo ý nghĩa thống kê
0,30 350 0,35 250 0,40 200 0,45 150 0,50 120 0,55 100 0,60 85 0,65 70 0,70 60 0,75 50 Nguồn: Hair và cộng sự (2009)
Nghiên cứu này, tác giả sử dụng phƣơng pháp trích nhân tố (Principal components) và xoay nguyên góc nhân tố (Varimax).
Bên cạnh đó, sự chênh lệch hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải lớn hơn 0,3 để đảm bảo tính phân biệt giữa các nhân tố, nếu trong ma trận xoay xuất hiện một biến quan sát tải lên ở cả 2 nhân tố mà giá trị chênh lệch hệ số tải dƣới 0,3 th biến đó bị loại (Jabnoun & Al-Tamimi
“Measuring perceived service quality at UAE commercial banks”, International Journal of Quality and Reliability Management, 2003).
Phân tích hồi quy bội
Phân tích hồi quy đa biến đƣợc sử dụng để phân tích mối quan hệ giữa biến phụ thuộc và các biến độc lập. Mục tiêu của việc phân tích hồi quy đa biến là m tả h nh thức của mối liên hệ, qua đó giúp dự báo giá trị biến phụ thuộc khi biết trƣớc giá trị của các biến độc lập. Mức ý nghĩa đƣợc xác lập cho các kiểm định và phân tích là 5% (độ tin cậy 95%).
Phƣơng pháp phân tích đƣợc chọn là phƣơng pháp đƣa vào một lƣợt (enter), đây là phƣơng pháp sử dụng rộng rãi nhất.
Trong nghiên cứu này, tác giả chọn dùng phƣơng tr nh hồi quy chuẩn hóa vì:
- Trong phƣơng tr nh hồi quy chuẩn hóa th các biến độc lập đã đƣợc quy về cùng một đơn vị, còn phƣơng tr nh hồi quy chƣa chuẩn hóa th các biến giữ nguyên đơn vị gốc của m nh.
- Phƣơng tr nh hồi quy chuẩn hóa mang ý nghĩa kinh tế nhiều hơn là phƣơng tr nh hồi quy chƣa chuẩn hóa. Căn cứ vào phƣơng tr nh hồi quy chuẩn hóa, nhà quản trị có thể xác định đƣợc các yếu tố nào có tầm ảnh hƣởng đến biến phụ thuộc nhất th ng qua hệ số hồi quy chuẩn hóa, yếu tố nào ít ảnh hƣởng để đề ra các sách lƣợc đầu tƣ một cách hợp lý nhất. Còn phƣơng tr nh hồi quy chƣa chuẩn hóa mang ý nghĩa toán học nhiều hơn khi chỉ phản ánh sự thay đổi của biến phụ thuộc khi từng biến độc lập thay đổi trong điều kiện các biến độc lập còn lại phải cố định.
Trƣớc khi phân tích kết quả hồi quy ta thực hiện các kiểm định về độ phù hợp của hàm hồi quy, kiểm định ý nghĩa của các hệ số hồi quy và đặc biệt là kiểm định các giả định của hàm hồi quy. Tiêu chuẩn kiểm định nhƣ sau:
- Adjusted R square: Hệ số R2 hiệu chỉnh đánh giá phần biến động của biến phụ thƣợc đƣợc giải thích bởi các biến dự báo hay biến độc lập, giao động từ 0 đến 1. Hệ số này phải lớn hơn 50%.
- Hệ số Durbin – Watson: kiểm tra hiện tƣợng tự tƣơng quan bậc nhất. Tra bảng thống kê Durbin – Watson với N biến quan sát để tìm dL, dU và hệ số k là số biến độc lập. Tiến hành kiểm tra sự tự tƣơng quan, nếu dU <Trị số Durbin - Watson< 4 – dL” th mô hình không có hiện tƣợng tự tƣơng quan bậc nhất.
- Kiểm định F: thể hiện m h nh nghiên cứu trên mẫu có thể suy luận ra tổng thể hay kh ng, giá trị này phải có giá trị SigF < 0,05 th m h nh nghiên cứu mới có ý nghĩa suy ra tổng thể.
- Hệ số hồi quy chuẩn hóa phải có giá trị Sig < 0,05 th hệ số hồi quy mới có ý nghĩa, còn nếu sig > 0,05 th hệ số hồi quy kh ng có ý nghĩa nên cần loại bỏ nhân tố này ra khỏi m h nh.
- Hệ số phóng đại phƣơng sai VIF (Variance Inflation Factor): Đại lƣợng kiểm tra hiện tƣợng đa cộng tuyến. Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005): quy tắc là khi VIF vƣợt quá 10, đó là dấu hiệu của Đa cộng tuyến”. Tuy nhiên cũng có một số tài liệu đƣa ra điều kiện VIF < 4 hoặc thậm chí là < 2.
- Kiểm định phần dƣ: tiêu chí là kiểm định phần dƣ có phân phối chuẩn để phù hợp với phân phối chuẩn của phƣơng pháp phân tích hồi quy bội.
Kiểm định t mẫu độc lập (Independent Samples T-Test) và phân tích phƣơng sai (ANOVA)
Để kiểm tra có sự khác nhau về đánh giá các yếu tố trong m h nh nghiên cứu sự gắn bó của nhân viên đối với CTCP Xi măng Vincem Hải Vân hay kh ng tác giả sử dụng kiểm định t mẫu độc lập (T-Test và phân tích phƣơng sai (ANOVA).
Giả thiết đặt ra là: H0: Kh ng có sự khác biệt giữa các khách hàng có đặc điểm về: Giới tính (Q1); Độ tuổi (Q2); Tr nh độ học vấn (Q3); thời gian làm việc (Q4); Thu nhập b nh quân trên tháng (Q5) trong việc đánh giá mức gắn bó đối với từng biến quan sát với mức ý nghĩa để bác bỏ H0 là 5% (Sig<0,05).
Đối với kiểm định t biến độc lập, ta cần dựa vào kết quả kiểm định của 2 phƣơng sai tổng thể (kiểm định Levene) để kiểm tra mức độ đồng đều hoặc kh ng đồng đều (độ phân tán) của dữ liệu quan sát. Nếu giá trị Sig trong kiểm định Levene (kiểm định F)<0,05 th phƣơng sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng phƣơng sai diễn tả mức độ kh ng đồng đều (Equal variances not assumed). Còn nếu giá trị Sig trong kiểm định Levene (kiểm định F)≥0,05 th phƣơng sai của 2 tổng thể kh ng khác nhau, ta sử dụng kết quả kiểm định t ở dòng phƣơng sai diễn tả mức độ đồng đều (Equal variances assumed).
Đối với phân tích phƣơng sai, ta cần dựa vào kết quả kiểm định sự bằng nhau của các phƣơng sai nhóm (Homogeneity Of Variance Test), nếu kết quả giá trị Sig của kiểm định này từ 0,05 trở lên tức là phƣơng sai đồng đều th ta đọc kết quả phân tích phƣơng sai trong bảng ANOVA và đọc bảng kết quả của bảng kiểm định LSB của phân tích chuyên sâu ANOVA (Post Hoc) cho các cặp biến có phƣơng sai đồng nhất để kết luận giả thiết H0. Trong trƣờng hợp ngƣợc lại, kết quả giá trị Sig nhỏ hơn 0,05 tức là phƣơng sai kh ng đồng đều th ta đọc kết quả của bảng kiểm định Tamhane’s T2 của phân tích Post Hoc cho các cặp biến có phƣơng sai kh ng đồng nhất để kết luận giả thiết H0. Dựa vào kết quả có gắn (*) trong cột giá trị trung b nh của sự khác biệt (Mean Difference) (I-J) để kết luận có sự đánh giá mức độ hài lòng cao hơn của 2 nhóm khách hàng tƣơng ứng hàng ngang khi mean(I-J) có gia trị dƣơng và kết luận ngƣợc lại khi mean(I-J) có giá trị âm.
KẾT LUẬN CHƢƠNG 2
Chƣơng này tr nh bày thiết kế nghiên cứu:
Giới thiệu chung về c ng ty Cổ phần xi măng Vicem Hải Vân: lịch sự h nh thành và phát triển, cơ cấu tổ chức và chức năng nhiệm vụ các bộ phận.
Xây dựng m h nh đề xuất nghiên cứu gồm 7 biến độc lập: Bản thân c ng việc, m i trƣờng làm việc, lãnh đạo, cơ hội thăng tiến, chính sách khen thƣởng và phúc lợi, trao quyền, thu nhập. 1 biến phụ thuộc là sự gắn bó của ngƣời lao động.
Quy tr nh nghiên cứu: Nghiên cứu đƣợc thực hiện với kích thƣớc mẫu 180, th ng qua 2 phƣơng pháp: Nghiên cứu định tính ( phỏng vấn chuyên sau 10 ngƣời nhân viên làm việc tại c ng ty với nội dung đã chuẩn bị trƣớc) và nghiên cứu định lƣợng (thu thập dữ liệu bằng cách phỏng vấn th ng qua bảng câu hỏi, dữ liệu thu thập đƣợc sẽ đƣợc xử lý bằng phần mềm SPSS 20.0)
Nghiên cứu có 35 biến quan sát, tất cả các biến quan sát trong thành phần đều sử dụng thang đo Likert 5 điểm.
CHƢƠNG 3
KẾT QUẢ NGHIÊN CỨU