PHẦN 4 KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.2.2.Phân tích nhân tố khám phá EFA (Exploratory factor analysis)
4.2. PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN MỨC ĐỘ HÀI LÒNG
4.2.2.Phân tích nhân tố khám phá EFA (Exploratory factor analysis)
Phân tích nhân tố khám phá nhằm nhóm gọn các biến quan sát ban đầu thành những nhân tố mới có ý nghĩa, đồng thời phát hiện cấu trúc tiềm ẩn giữa các khái niệm nghiên cứu (nhân tố ban đầu) theo dữ liệu thực tế nhằm hình thành những nhân tố mới có ý nghĩa sát với thực tế nghiên cứu.
Đầu tiên, thực hiện hai kiểm định là “KMO (The Kaiser-Meyer-Olkin) chỉ số dùng để so sánh độ lớn của hệ số tương quan giữa 2 biến Xi và Xj với hệ số tương quan riêng phần của chúng and Bartlett's Test là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể”. Kết quả chứng tỏ là việc sử dụng phân tích nhân tố trong trường hợp là thích hợp (KMO từ 0,8 trở lên >0,5, và Mức ý nghĩa =0,000). Phân tích nhân tố cho tất cả mọi biến trong mô hình được thực hiện với phương pháp rút trích nhân tố là “Principal component” và phương pháp xoay là “Varimax”, phép xoay vuông góc được lựa chọn nhằm mục đích trích tối đa % phương sai của các biến quan sát ban đầu và làm gọn các biến quan sát. Còn tiêu chuẩn rút trích là Eigenvalues (giá trị riêng) > 1 nhằm đảm bảo mỗi nhân tố hình thành có thể giải thích tối thiểu biến thiên trọn vẹn của một biến quan sát.
Tiêu chuẩn chọn biến cho nhân tố đảm bảo một số điều kiện sau:
- Đảm bảo hệ số trích phương sai trong tổng thể các biến (Communality) >0,50,
- Hệ số tải lên nhân tố chính |>0,50| được xem là có ý nghĩa thực tiễn, - Tối thiểu các biến có hệ số tải chéo lên nhiều nhân tố (khoảng cách độ lớn của hệ số tải giữa hai nhân tố >0,30) (Nguyễn Đình Thọ, 2010).
Tuy nhiên, việc xác định biến loại bỏ hay không còn phụ thuộc vào mức ý nghĩa của biến quan sát đó trong mô hình, số biến trong cùng một cấu trúc tiềm ẩn nhằm đảm bảo các cấu trúc biến tiềm ẩn sau khi hình thành có ý nghĩa về mặt thực tiễn và khái niệm lý thuyết.
* Phân tích nhân tố khám phá nhóm biến độc lập lần 1
Hệ số KMO = 0,872(>0,5) và kiểm định Barlett có mức ý nghĩa bằng 0.00 (<0,05) cho thấy phân tích EFA là thích hợp. Tuy nhiên, sai biệt của ba biến quan sát DK7, DN5 và CT5 nhỏ hơn 0,3 nên phải loại ba biến quan sát này và tiến hành phân tích nhân tố lần 2 (Phụ lục 02).
* Phân tích nhân tố khám phá nhóm biến độc lập lần 2
(<0,05) cho thấy phân tích EFA là thích hợp. Tuy nhiên, sai biệt của biến quan sát DD6 nhỏ hơn 0,3 nên phải loại biến quan sát này và tiến hành phân tích nhân tố lần 3 (Phụ lục 02).
* Phân tích nhân tố khám phá nhóm biến độc lập lần 3
Hệ số KMO = 0,870(>0,5) và kiểm định Barlett có mức ý nghĩa = 0.00 (<0,05) cho thấy phân tích EFA là thích hợp. Tại mức Eigenvalues bằng 1,855 (>1) và tổng phương sai trích bằng 72,159% (>50%) cho thấy điều kiện phân tích nhân tố là hợp lí. Như vậy, phân tích nhân tố cho thấy có 7 nhóm nhân tố được rút trích 36 biến quan sát và không có nhóm nhân tố mới nào được hình thành so với ban đầu. Sau quá trình phân tích nhân tố thì các biến quan sát còn lại là:
Nhóm 1: DK1, DK2, DK3, DK4, DK5, DK6 Nhóm 2: DD1, DD2, DD3, DD4, DD5. DD6 Nhóm 3: DN1, DN2, DN3, DN4
Nhóm 4: CT1, CT2, CT3, CT4, CT6, CT7 Nhóm 5: TP2, TP3, TP1, TP4, TP5, TP6 Nhóm 6: LU1, LU2, LU3, LU4
Nhóm 7: CH1, CH2, CH3, CH4, CH5
Từ kết quả phân tích nhân tố ta có được mô hình điều chỉnh mức độ hài lòng công việc của người lao động tại Công ty Cổ phần, Tư vấn, Đầu tư và Phát triển Công nghệ Môi trường Việt Nam thể hiện qua hình 4.1.
Điều kiện làm việc
Đặc điểm công việc
Đồng nghiệp
Cấp trên Sự hài lòng
Thưởng - phúc lợi
Lương
Cơ hội đào tạo thăng tiến
Với các giả thuyết :
- H1: Điều kiện làm việc tăng sẽ làm tăng Sự hài lòng của nhân viên - H2: Đặc điểm công việc tăng sẽ làm tăng Sự hài lòng của nhân viên - H3: Đồng nghiệp tăng sẽ làm tăng Sự hài lòng của nhân viên
- H4: Cấp trên tăng sẽ làm tăng Sự hài lòng của nhân viên
- H5: Thu nhập – phúc lợi càng cao càng làm tăng Sự hài lòng của nhân viên - H6: Lương phù hợp làm tăng Sự hài lòng của nhân viên
- H7: Cơ hội thăng tiến tăng sẽ làm tăng Sự hài lòng của nhân viên 4.2.3. Phân tích tương quan và hồi quy
Xây dựng phương trình hồi quy đơn tính tuyến tính từ dữ liệu của mẫu Mô hình hồi quy tuyến tính được xây dựng có dạng: Y= B0 + Bi*Xi Trong đó:
Xi là trị quan sát thứ I của biến độc lập
Y là giá trị dự đoán ( hay giá trị lí thuyết) thứ I của biến phụ thuộc (adsbygoogle = window.adsbygoogle || []).push({});
B0 và B1: là hệ số hồi qui, phương pháp được dùng để xác định B0 và B1 là phương pháp OLS – phương pháp bình phương nhỏ nhất.
Mối quan hệ giữa biến độc lập với mức độ hài lòng Phương trình đường thẳng có dạng:
HL = B0 + B1*DK + B2*DD + B3*DN + B4*CT + B5*TP + B6*LU + B7*CH Tác giả kí hiệu như sau;
- DK: Điều kiện làm việc (X1) - DD: Đặc điểm công việc (X2) - DN: Đồng nghiệp (X3)
- CT: Cấp trên (X4)
- TP: Thưởng – phúc lợi (X5) - LU: Lương (X6)
- CH: Cơ hội đào tạo - thăng tiến (X7) - HL: Sự hài lòng (Y)
Kiểm định hệ số tương quan
Dữ liệu dùng trong phân tích hồi quy tương quan được người nghiên cứu lựa chọn là dữ liệu chuẩn hóa (được xuất ra từ phần mềm SPSS sau quá trình phân tích nhân tố khám phá). Để xác định mối quan hệ nhân quả giữa các biến trong mô hình, bước đầu tiên ta cần phân tích tương quan giữa các biến xem thử có mối liên hệ tuyến tính giữa biến độc lập và biến phụ thuộc hay không. Kết quả của phần phân tích này dù không xác định được mối quan hệ nhân quả giữa biến phụ thuộc và biến độc lập nhưng nó đóng vai trò làm cơ sở cho phân tích hồi qui. Các biến phụ thuộc và biến độc lập có tương quan cao với nhau báo hiệu sự tồn tại của mối quan hệ tiềm ẩn giữa hai biến. Đồng thời, việc phân tích tương quan còn làm cơ sở để dò tìm sự vi phạm giả định của phân tích hồi qui tuyến tính: các biến độc lập có tương quan cao với nhau hay hiện tượng đa cộng tuyến.
Bảng 4.10. Ma trận tương quan HL DK DD DN CT TP LU CH HL DK DD DN CT TP LU CH HL 1 0,528* * 0,437* * 0,415* * 0,596* * 0,651* * 0,536* * 0,476* * DK 1 0,00 0,00 0,00 0,00 0,00 0,00 DD 1 0,00 0,00 0,00 0,00 0,00 DN 1,00 0,00 0,00 0,00 0,00 CT 1,00 0,00 0,00 0,00 TP 1,00 0,00 0,00 LU 1,00 0,00 CH 1,00
Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20
Ta thấy rằng, các hệ số tương quan giữa biến độc lập và biến phụ thuộc đều có ý nghĩa (sig<0,05) nên các nhân tố đưa vào phân tích hồi quy là hợp lí. Như vậy, giữa các thang đo lường mức độ thỏa mãn Sự hài lòng trong mô hình nghiên cứu không có mối tương quan tuyến tính với nhau. Vì thế, sẽ không xuất hiện đa cộng tuyến trong phân tích hồi quy.
Bên cạnh đó, kết quả phân tích cũng cho thấy mức tương quan tuyến tính giữa từng thang đó trên với thang đo Sự hài lòng, trong đó mối quan hệ tương quan cao nhất là giữa thang đo Thưởng – phúc lợi với r = 0,680.
* Phân tích hồi quy
Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được cường độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Để tiến hành phân tích hồi quy tuyến tính bội, các biến đưa vào mô hình theo phương pháp Enter. Tiêu chuẩn kiểm định là tiêu chuẩn được xây dựng vào phương pháp kiểm định giá trị thống kê F và xác định xác suất tương ứng của giá trị thống kê F, kiểm định mức độ phù hợp giữa mẫu và tổng thể thông qua hệ số xác định R2. Công cụ chẩn đoán giúp phát hiện sự tồn tại của cộng tuyến trong dữ liệu được đánh giá mức độ cộng tuyến làm thoái hóa tham số ước lượng là: Hệ số phóng đại phương sai (Variance inflation DNtor - VIF). Quy tắc khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến.
Dựa vào cơ sở lý thuyết và kết quả phân tích ở trên, ta sẽ đưa tất cả các biến độc lập trong mô hình hồi quy đã điều chỉnh bằng phương pháp đưa vào cùng một lúc Enter để chọn lọc dựa trên tiêu chí chọn những biến có mức ý nghĩa < 0,05.
Kết quả phân tích hồi quy tuyến tính cho các biến số được thể hiện thông qua các bảng sau.
Bảng 4.11. Hệ số R 2 từ kết quả phân tích hồi quy Mô hinh R R2 Hệ số hiệu Mô hinh R R2 Hệ số hiệu
chỉnh R2 Phương Sai D
1 0,823a 0,678 0,666 0,38426 1,552
Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20
So sánh hai giá trị R 2 và Hệ số hiệu chỉnh R2 có thể thấy R2 nhỏ hơn, dùng nó để đánh giá độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình. Vậy nghiên cứu sẽ sử dụng R2 hiệu chỉnh để đánh giá mức độ phù hợp của mô hình nghiên cứu. Độ phù hợp của mô hình được kiểm định bằng giá trị thống kê F được tính từ R2 của mô hình tương ứng với mức ý nghĩa sig., với giá trị sig. càng nhỏ (trừ hằng số). Mô hình hồi quy tuyến tính bội đưa ra là phù hợp với dữ liệu và có thể sử dụng được.
Hệ số xác định hiệu chỉnh R2 là 0,666, điều này cho thấy mối quan hệ giữa biến phụ thuộc và các biến độc lập là khá chặt chẽ, cả 7 biến trên góp phần giải thích 66,6% sự khác biệt của Sự hài lòng tại doanh nghiệp. Như vậy, mức độ phù hợp của mô hình tương đối cao. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không ta phải kiểm định độ phù hợp của mô hình.
Đồng thời, để kiểm tra hiện tượng tự tương quan thông qua kiểm định Durbin-Watson:
- Nếu 1< D < 3: mô hình không xảy ra hiện tượng tự tương quan. - Nếu 0< D < 1: mô hình tư tương quan dương.
- Nếu 3< D <4: mô hình tự tương quan âm
Ta có D=1,552: mô hình không xảy ra hiện tượng tự tương quan.
Theo bảng 4.12 ANOVA, kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kết quả phân tích cho thấy, kiểm định F có giá trị là 58,368 với mức ý nghĩa bằng 000(b) chứng tỏ mô hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và có thể sử dụng được để suy rộng ra cho tổng thể. (adsbygoogle = window.adsbygoogle || []).push({});
Bảng 4.12. Kiểm định phương sai Mô hình Tổng bình Mô hình Tổng bình phương df Trung bình bình phương F Mức ý nghĩa 1 Hôi quy 60,329 7 8,618 58,368 0,000b Con lại 28,646 194 0,148 Tổng 88,975 201
Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20
Kết quả bảng 4.13 cho thấy các hệ số hồi quy chuẩn hóa của phương trình hồi quy đều khác 0 và mức ý nghĩa <0,05 chứng tỏ thành phần đều tham dự vào Sự hài lòng của khách hàng. Đồng thời, hệ số phóng đại phương sai VIF dao động từ 1,250 tới 1,703 nên không có hiện tượng đa cộng tuyến xảy ra. So sánh giá trị (độ lớn) của hệ số chưa chuẩn hóa ở cột B cho thấy: tác động theo thứ tự từ mạnh đến yếu của các thành phần: Thưởng – phúc lợi, Cấp trên, Lương, Điều kiện làm việc, Đặc điểm công việc, Cơ hội đào tạo - thăng tiến , Đồng nghiệp.
Bảng 4.13. Hệ số hồi quy Mô hình Hệ số chưa chuẩn Mô hình Hệ số chưa chuẩn
hóa chuẩn hóa Hệ số t Mức ý nghĩa Thống kê B Phương
Sai Beta độ chấp Giá trị nhận Hệ số phóng đại Hăng số -1.325 0,262 -5,062 0,000 DK 0,194 0,055 0,170 3,500 0,001 0,703 1,423 DD 0,132 0,048 0,123 2,739 0,007 0,821 1,217 DN 0,104 0,045 0,107 2,335 0,021 0,797 1,255 CT 0,261 0,056 0,229 4,666 0,000 0,692 1,445 TP 0,279 0,061 0,242 4,549 0,000 0,587 1,703 LU 0,252 0,056 0,209 4,506 0,000 0,770 1,299 CH 0,171 0,044 0,177 3,878 0,000 0,800 1,250 Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20 HL = -1,325 + 0,194*DK + 0,132*DD + 0,104*DN + 0,261*CT + 0,279*TP +
0,252*LU + 0,171*CH
Dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính
Tiếp đến, luận văn trình bày các kiểm định về độ phù hợp và kiểm định ý nghĩa của các hệ số hồi quy.
Mô hình hồi quy tuyến tính bằng phương pháp Enter được thực hiện với một số giả định và mô hình chỉ thực sự có ý nghĩa khi các giả định này được đảm bảo. Do vậy, để đảm bảo cho độ tin cậy của mô hình, đề tài còn phải thực hiện một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính.
Kiểm tra hiện tượng phương sai không đổi: Hiện tượng phương sai thay đổi làm cho các ước lượng của các hệ số hồi quy không hiệu quả, làm cho việc
kiểm định các giả thuyết mất hiệu lực, đánh giá nhầm chất lượng của mô hình hồi quy. Vì thế cần phải kiểm định phương sai của phần dư không đổi.
Theo đồ thị phân tán của phần dư chuẩn hóa ta thấy phần dư tán ngẫu xung quanh đường nằm ngang đi qua tung độ 0, do đó phương sai của phần dư không đổi.
Hình 4.2. Biểu đồ phương sai
Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20
Kiểm tra các sai lệch ngẫu nhiên có phân phối chuẩn: phần dư có thể không tuân theo phân phối chuẩn vì những lí do như sử dụng sai mô hình, phương sai không bằng hằng số, số lượng phần dư không đủ nhiều để phân tích (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Theo biểu đồ tần số của phần dư chuẩn hóa, một đương cong xấp xỉ phân phối đặt chồng lên biểu đồ tần số. Vì vậy, giả định phần dư phân phối không bị vi phạm.
Hình 4.3. Biểu đồ phân phối chuẩn
Nguồn: Kết quả điều tra (2016) - Cỡ mẫu 202
- Kết quả từ phân mềm SPSS 20 Kết quả kiểm định giả thuyết thống kê
Dựa trên kết quả phân tích hồi quy sẽ giải thích, kiểm định các giả thuyết đã đưa ra. Yếu tố “Điều kiện làm việc ” là yếu tố có ảnh hưởng đến Sự hài lòng. Dấu dương của hệ số beta có ý nghĩa là mối quan hệ giữa yếu tố “Điều kiện làm việc” với “Sự hài lòng ” là mối quan hệ cùng chiều. Kết quả hồi quy có hệ số beta đã chuẩn hóa là 0,170 nghĩa là khi tăng khả năng về Điều kiện làm việc lên 1 đơn vị độ lệch chuẩn thì Sự hài lòng tăng thêm 0,170 đơn vị lệch chuẩn. Vậy giả thuyết H1 được chấp nhận.
Tiếp theo, Yếu tố “Đặc điểm công việc” là một trong những yếu tố có ảnh hưởng đến Sự hài lòng. Dấu dương của hệ số beta có ý nghĩa là mối quan hệ giữa yếu tố “Đặc điểm công việc” với “Sự hài lòng” là mối quan hệ cùng chiều. Kết quả hồi quy có hệ số beta đã chuẩn hóa là 0,123 nghĩa là khi tăng tăng khả năng về Đặc điểm công việc lên 1 đơn vị độ lệch chuẩn thì Sự hài lòng tăng thêm 0,123 đơn vị lệch chuẩn. Vậy giả thuyết H2 được chấp nhận.
lòng . Dấu dương của hệ số beta có ý nghĩa là mối quan hệ giữa yếu tố “Đồng