5. Kết cấu của luận văn
2.3.3. Phương pháp phân tích thông tin
2.3.3.1. Phương pháp thống kê mô tả
Phương pháp thống kê mô tả được sử dụng để phân tích, đánh giá mức độ hài lòng đối với công việc của cán bộ, nhân viên văn phòng Cục Thuế tỉnh Hải Dương.
- Trung bình mẫu (mean) trong thống kê là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập. Tuy nhiên, trong một số trường hợp, giá trị này không có ý nghĩa như: Nói về giới tính, nghề nghiệp...
- Số trung vị (median) là một số tách giữa nửa lớn hơn và nửa bé hơn của một mẫu, một quần thể, hay một phân bố xác suất. Nó là giá trị giữa trong một phân bố, mà số số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.
- Độ lệch chuẩn, hay độ lệch: Đây là một đại lượng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã được lập thành bảng tần số. Có thể tính ra độ lệch chuẩn bằng cách lấy căn bậc hai của phương sai.
- Tần suất và biểu đồ phân bổ tần suất, tần suất là số lần xuất hiện của biến quan sát trong tổng thể, giá trị các biến qua sát có thể hội tụ, phân tán, hoặc phân bổ theo một mẫu hình nào đó, quy luật nào đó.
Phương pháp thống kê mô tả áp dụng trong luận văn thể hiện qua các bảng biểu thống kê trình bày kết quả nghiên cứu ở chương 3.
2.3.3.2. Phương pháp so sánh
Phương pháp so sánh là phương pháp đơn giản, được sử dụng rất rộng rãi dùng để xem xét xu hướng biến động, mức độ biến động của một chỉ tiêu
nào đó. Đối với số liệu thứ cấp được thu thập theo chuỗi thời gian thì sử dụng phương pháp so sánh khá phù hợp để xem xét sự biến động của chúng theo thời gian. Chúng ta có thể so sánh bằng số tương đối hoặc số tuyệt đối theo từng chỉ tiêu.
2.3.3.3. Kiểm định độ tin cậy của thang đo và phân tích nhân tố
Trong nghiên cứu này, thang đo được đánh giá thông qua hai công cụ chính là hệ số Cronbach’s alpha và phương pháp phân tích nhân tố khám phá EFA. Hệ số Cronbach’s alpha được sử dụng trước để loại các biến không phù hợp. Các biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0.30 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có độ tin cậy alpha từ 0.60 trở lên. Tiếp theo, phương pháp EFA được sử dụng. Các biến có trọng số (factor loading) nhỏ hơn 0.50 trong EFA sẽ tiếp tục bị loại. Phương pháp trích hệ số sử dụng là principal components với phép quy varimax và điểm dừng khi trích các yếu tố có eigenvalue =1. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50% và trọng số nhân tố từ 0.50 trở lên.
* Hệ số tin cậy Cronbach’s alpha
Hệ số tin cậy Cronbach’s alpha đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời. Mục đích việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo để sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn (biến rác). Trong đó: Cronbach’s alpha là phép kiểm định thống kê về mức độ chặt chẽ (khả năng giải thích cho một khái niệm nghiên cứu) của tập hợp các biến quan sát (các câu hỏi) trong thang đo. Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s alpha có giá trị từ 0,8 trở lên đến gần 1,0 là thang đo tốt; từ 0,7 đến gần 0,8 là sử dụng được. Nguyễn Đình Thọ đề nghị hệ số Cronbach’s alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. Tuy nhiên, Cronbach’s alpha
không cho biết biến nào nên loại bỏ và biến nào nên giữ lại. Chính vì vậy, bên cạnh hệ số Cronbach’s alpha, người ta còn sử dụng hệ số tương quan biến tổng (item - total correlation) và những biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ.
* Phân tích nhân tố khám phá EFA
Sau khi phân tích hệ số tin cậy Cronbach’s alpha, các thang đo được đánh giá tiếp theo bằng phương pháp phân tích nhân tố khám phá EFA.
Theo một số nhà nghiên cứu có thể kiểm định độ tin cậy Cronbach’s alpha trước, sau đó mới đưa vào EFA hoặc ngược lại. Tuy nhiên theo Nguyễn Đình Thọ các nghiên cứu nên kiểm định Cronbach’s alpha trước khi đưa vào phân tích nhân tố. Trong nghiên cứu này, tác giả tiến hành kiểm định độ tin cậy của các thang đo thông qua hệ số tin cậy Cronbach’s alpha trước nhằm loại bỏ các biến không có ý nghĩa ra khỏi mô hình trước khi đưa vào phân tích nhân tố.
Phân tích nhân tố khám phá (EFA) là tên chung của một nhóm thủ tục được sử dụng phổ biến để đánh giá thang do hay rút gọn một tập biến quan sát. Trong nghiên cứu này, phân tích nhân tố được ứng dụng để tóm tắt tập các biến quan sát vào một số nhân tố nhất định đo lường các khía cạnh khác nhau của các khái niệm nghiên cứu. Tiêu chuẩn áp dụng và lựa chọn biến đối với phân tích EFA bao gồm:
- Tiêu chuẩn Barlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi: 0,5 ≤ KMO ≤ 1 và sig <0,05. Trường hợp KMO <0,5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
- Tiêu chuẩn rút trích nhân tố gồm chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số Cumulative
(tổng phương sai trích cho biết phân tích nhân tố giải thích được bao nhiêu % và bao nhiêu % bị thất thoát). Theo Gerbing và Anderson (1988), các nhân tố có Eigenvalue <1 sẽ không có tác dụng tóm tắt thông tin hơn biến gốc (biến tiềm ẩn trong các thang đo trước khi EFA). Vì thế, các nhân tố chỉ được rút trích tại Eigenvalue > 1 và được chấp nhận khi tổng phương sai trích ≥ 50%. Tuy nhiên, trị số Eigenvalue và phương sai trích là bao nhiêu còn phụ thuộc vào phương pháp trích và phép xoay nhân tố. Theo Nguyễn Khánh Duy, nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Pricipal Components với phép xoay Varimax, còn nếu sau EFA là phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Pricipal Axis Factoring với phép xoay Promax.
Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Theo Hair và cộng sự, Factor loading > 0,3 được xem là đạt mức tối thiểu, Factor loading > 0,4 được xem là quan trọng, Factor loading > 0,5 được xem là có ý nghĩa thực tiễn. Trường hợp chọn tiêu chuẩn Factor loading > 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn Factor loading > 0,55, nếu cỡ mẫu khoảng 50 thì Factor loading >0,75. Ngoại lệ, có thể giữ lại biến có Factor loading < 0,3 nhưng biến đó phải có giá trị nội dung. Trường hợp các biến có Factor loading không thỏa mãn điều kiện trên hoặc trích vào các nhân tố khác nhau mà chệnh lệch trọng số rất nhỏ (các nhà nghiên cứu thường không chấp nhận ≤ 0,3), tức không tạo nên sự khác biệt để đại diện cho một nhân tố, thì biến đó bị loại và các biến còn lại sẽ được nhóm vào nhân tố tương ứng đã được rút trích trên ma trận mẫu (Pattern Matrix).
Vì vậy, trong nghiên cứu này, đối với phân tích nhân tố khám phá EFA, tác giả sử dụng phương pháp trích Pricipal Components với phép xoay Varimax, loại bỏ các biến quan sát có trị số Factor loading ≤ 0,5 hoặc
trích vào các nhân tố khác mà chênh lệch về trọng số Factor loading giữa các nhân tố ≤ 0,3.
2.3.3.4. Phân tích hồi quy tuyến tính
Đề tài sử dụng phương pháp hồi quy tuyến đa biến để phân tích sự tác động của 6 yếu tố tới mức độ hài lòng trong công việc của cán bộ, nhân viên. Phương pháp lựa chọn biến Enter được tiến hành. Hệ số xác định R2
được điều chỉnh được dùng để xác định độ phù hợp của mô hình, kiểm định F dùng để khẳng định khả năng mở rộng mô hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0.
Biến phụ thuộc là mức độ hài lòng trong công việc. Biến giải thích bao gồm 6 yếu tố đã nêu ở trên. Mô hình hồi quy có dạng sau:
Yi = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + ε
Trong đó: Y là mức độ hài lòng trong công việc của cán bộ, nhân viên; bi là các hệ số hồi quy; Xi là các yếu tố ảnh hưởng đến mức độ hài lòng trong công việc (6 yếu tố); ε là sai số trong ước lượng.