- Hệ số tƣơng quan Pearson (Pearson Correlation Coefficient)
Hệ số tƣơng quan Pearson (ký hiệu r) là loại đo lƣờng tƣơng quan đƣợc sử dụng nhiều nhất trong khoa học xã hội khi phân tích mối quan hệ giữa hai biến khoảng cách/tỷ lệ (Lê Minh Tiến, 2003). Trong nghiên cứu này, hệ số tƣơng quan Pearson đƣợc sử dụng r có giá trị từ [-1,+1] để xác định các yếu tố ảnh hƣởng quan trọng đến sự hài lòng của ngƣời dân.
Bảng 3.2. Diễn giải hệ số tƣơng quan
Khoản giá trị r Diễn giải
0,00 đến ± 0,04 Có ít giá trị thực tiễn trừ khi áp dụng trong các trƣờng hợp đặc biệt, chỉ có giá trị mang tính lý thuyết.
± 0,41 đến ± 0,60 Đủ rộng để có thể ứng dụng cả về lý thuyết và thực tế
± 0,61 đến ± 0,80 Mức quan trọng
± 0,81 đến cao hơn Có thể sai lệch tính toán, nếu không đây là mối quan hệ khá chặt.
Nguồn: Lê Minh Tiến, 2003
Theo hầu hết các nghiên cứu, kích cỡ tối thiểu có thể chấp nhận đƣợc đối với một nghiên cứu tƣơng quan không đƣợc dƣới 30. Trong nghiên cứu này, dữ liệu đƣợc thu thập là 250 mẫu (>30) vì vậy điều kiện ràng buộc về phân phối chuẩn của dữ liệu có thể bỏ qua khi thực hiện kiểm định ý nghĩa thống kê cho hệ số tƣơng quan r (Lê Minh Tiến, 2003).
Phân tích hồi quy tuyến tính để biết đƣợc mức độ tác động của các biến độc lập lên biến phụ thuộc. Từ đó, sẽ kiểm tra độ thích hợp của mô hình, xây dựng mô hình hồi quy bội để kiểm tra giả thuyết.
Trƣớc tiên, phân tích hệ số tƣơng quan giữa các nhân tố thành phần làm tiền đề cho phân tích hồi quy. Mục tiêu của phân tích tƣơng quan là tính toán mức độ liên hệ tuyến tính của hai biến số. Phân tích tƣơng quan không chú trọng mối liên hệ nhân quả nhƣ phân tích hồi quy nhƣng hai phân tích này có mối liên hệ chặt chẽ với nhau và phân tích tƣơng quan đƣợc xem nhƣ là công cụ hỗ trợ hữu ích cho phân tích hồi quy.
Phân tích hồi quy đa biến theo phƣơng pháp bình phƣơng nhỏ nhất thông thƣờng (OLS) cho thấy tác động cụ thể của các thành phần đến mức độ gắn kết
công việc của nhân viên. Đây là phân tích chính để đạt đƣợc các mục tiêu của nghiên cứu này. Để thực hiện các phân tích tƣơng quan và hồi quy, mỗi khái niệm phải là một biến, tức là cần phải tính điểm số cho từng khái niệm. Nghiên cứu này sẽ sử dụng giá trị trung bình của các biến quan sát làm giá trị của biến thành phần tƣơng ứng. Phân tích hồi quy cho nghiên cứu này đƣợc tiến hành nhƣ sau: Phƣơng pháp đƣa biến vào phân tích hồi quy là phƣơng pháp đƣa các biến cùng một lƣợt (phƣơng pháp Enter). Hệ số xác định mô hình R2 hiệu chỉnh đƣợc dùng để xác định độ phù hợp của mô hình. Kiểm định F để xem xét mức độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kiểm định để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0. Ngoài ra, để bảo đảm kết quả là đáng tin cậy, việc dò tìm các vi phạm về giả định của mô hình hồi quy tuyến tính đƣợc thực hiện. Cụ thể, giả định về quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập sẽ đƣợc kiểm tra bằng biểu đồ phân tán, kiểm định tƣơng quan hạng Spearman đƣợc dùng để dò tìm vi phạm về giả định phƣơng sai của phần dƣ không đổi, giả định về phân phối chuẩn của phần dƣ đƣợc kiểm tra thông qua biểu đồ Histogram và P-P plot, đại lƣợng thống kê Durbin-Watson đƣợc dùng để kiểm tra giả định về tính độc lập của phần dƣ và cuối cùng giả định về hiện tƣợng đa cộng tuyến đƣợc kiểm tra dựa trên độ chấp nhận của biến (Tolerance) và hệ số phóng đại phƣơng sai (VIF).
Lệnh hồi quy tuyến tính trong chƣơng trình SPSS 20.0 đƣợc sử dụng để chạy phân tích phần mềm hồi quy. Hệ số xác định (R2) đo lƣờng tỷ lệ tổng biến thiên của biến phụ thuộc đƣợc giải thích bởi các biến độc lập trong mô hình. Giá trị R2
càng cao thì khả năng giải thích của mô hình hồi quy càng cao và việc dự đoán biến phụ thuộc càng chính xác. Nếu giá trị F có ý nghĩa đáng kế về mặt thống kê (sig<0.05), giả thuyết thuần của mối quan hệ không tuyến tính bị bác bỏ. Hệ số Beta là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số xem nhƣ là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của một hệ số Beta chuấn hóa càng lớn thì tầm quan trọng tƣơng đối của nó trong dự báo biến phụ thuộc càng cao.