Thiết kế bảng câu hỏi

Tất cả các biến quan sát trong các thành phần yếu tố đều sử dụng thang đo Likert 5 bậc với mức độ tương ứng: Mức 1 là hoàn toàn không đồng ý, mức 2 là không đồng ý, mức 3 là trung dung, mức 4 là đồng ý và mức 5 là hoàn toàn đồng ý Kết quả của giai đoạn này là bảng câu hỏi chính thức dùng cho khảo sát người lao động Sau đây là bảng khảo sát người lao động tại Trường cao đẳng Y tế Đồng Nai

Bảng 3 4: Các nhân tố ảnh hưởng đến sự gắn kết

1 Lãnh đạo (LD) Mức độ đồng ý

Lãnh đạo có sự quan tâm, hỗ trợ và giúp đỡ kịp thời khi

người lao động gặp phải các vấn đề khó khăn  Lãnh đạo luôn lắng nghe quan điểm của người lao động  Lãnh đạo khéo léo, tế nhị khi phê bình người lao động  Người lao động được đối xử công bằng và thoải mái khi

giao tiếp với cấp trên 

Người lao động được lãnh đạo tôn trọng và tin cậy

Bảng 3 4 tiếp theo

2 Quan hệ với đồng nghiệp (DN) Mức độ đồng ý

Đề xuất của anh/chị được tôn trọng bởi đồng nghiệp  Quan hệ trong tổ chức rất thân thiện và gần gũi với nhau

trong công việc 

Đồng nghiệp trong tổ chức ủng hộ và thường xuyên giúp

anh/chị giải quyết công việc khi gặp khó khăn  Đồng nghiệp chia sẻ ý tưởng với nhau để phát triển công

việc và chất lượng cuộc sống 

3 Điều kiện làm việc (DK) Mức độ đồng ý

Tổ chức trang bị đầy đủ thiết bị, dụng cụ làm việc cho

người lao động 

Tổ chức luôn quan tâm môi trường làm việc sạch sẽ,

thoáng mát 

Tổ chức xây dựng văn hóa đồng nghiệp rất vui vẻ, thân

thiện 

Thời giờ làm việc, thời giờ nghỉ ngơi của người lao động

được quy định phù hợp 

4 Thu nhập (TN) Mức độ đồng ý

Tiền lương tương xứng với tính chất công việc và sức lực

của người lao động 

Tổ chức trả tiền lương cho người lao động được phân

phối công bằng và hợp lý 

Tổ chức đảm bảo thu nhập cho người lao động để đảm

cuộc sống 

Tổ chức thực hiện chính sách khen thưởng kịp thời, rõ (adsbygoogle = window.adsbygoogle || []).push({});

ràng và hợp lý 

5 Thương hiệu Nhà trường (TH) Mức độ đồng ý

Thương hiệu Nhà trường thể hiện qua chất lượng đào tạo  Nhà trường có cơ sở vật chất hiện đại để phục vụ cho

việc nghiên cứu khoa học và giảng dạy 

Nhà trường luôn quan tâm đến việc xây dựng thương

hiệu 

Hình ảnh của nhà Trường được mọi người biết đến thông

Bảng 3 4 tiếp theo

(Nguồn: tác giả tổng hợp) Bảng 3 4 cho thấy có sáu yếu tố là các biến độc lập bao gồm 25 biến quan

sát Bên cạnh đó có hai yếu tố biến phụ thuộc, đó là sự hài lòng trong công việc (HL) gồm 4 biến quan sát và gắn kết (GK) với tổ chức có 4 biến quan sát Như vậy, tổng cộng có 33 biến quan sát được đưa vào phân tích và xử lý Đây là kết quả tham khảo ý kiến chuyên gia và các nghiên cứu trước đó Các thang đo này sẽ được thực hiện trong suốt quá trình nghiên cứu

3 3 2 Thiết kế mẫu nghiên cứu 3 3 2 1 Qui mô mẫu

Trong bài nghiên cứu này, tác giả tính toán qui mô mẫu dựa vào hai tác giả như sau:

6 Cơ hội đào tạo và thăng tiến (DT) Mức độ đồng ý

Người lao dộng được chú trọng công tác đào tạo và phát triển nghề nghiệp

 Người lao dộng luôn được tạo điều kiện cho việc học

hỏi, nâng cao kiến thức và kỹ năng làm việc

 Người lao dộng được hưởng chính sách phát triển năng

lực chuyên môn

 Người lao dộng có nhiều cơ hội phát triển trong công

việc



7 Sự hài lòng trong công việc (HL) Mức độ đồng ý

Anh/chị cảm thấy hài lòng khi nói với người khác về tổ chức

mình đang làm 

Anh/chị cảm thấy thích thú với công việc hiện tại  Anh/chị cảm thấy công việc mình làm truyền cho mình nhiều

cảm hứng 

Anh/chị cảm thấy công việc mình làm thật nhiều ý nghĩa 

8 Sự gắn kết (GK) Mức độ đồng ý

Anh chị sẽ ở lại với tổ chứuc dù có những biến động hoặc cơ

hội tốt hơn  (adsbygoogle = window.adsbygoogle || []).push({});

Anh/chị sẵn sàng, nỗ lực cống hiến lâu dài cho tổ chức  Anh/chị tin rằng đây là nơi làm việc tốt nhất đối với anh/chị  Vì tổ chức, anh/chị sẵn sàng làm nhiều hơn những gì được

- Áp dụng công thức Hair cho phân tích EFA (N= 5*m) Cỡ mẫu tối thiểu N > 5*m (m: Tổng số biến quan sát) Với số biến là 33, tác giả tính được số mẫu tối thiểu cần điều tra là 33*5= 165 mẫu

- Áp dụng công thức của Tabachnick (N=50+8*m) cho phân tích hồi qui Với m là số biến trong phân tích hồi quy Trong bài này có 6 biến độc lập Tác giả áp dụng công thức (50 + 8*6 = 98 mẫu) Vậy số mẫu tối thiểu là 98 mẫu

Căn cứ vào kết quả tính toán ở trên, tác giả chọn phương án tính toán số mẫu của công thức Hair cho phân tích nhân tố khám phá là 165 mẫu Trong nghiên cứu này, tác giả chọn kích thước mẫu đủ lớn để thoả mãn cả hai điều kiện theo tiêu chuẩn đã trình bày ở trên Tác giả quyết định chọn qui mô mẫu là 165 quan sát và dự kiến phát ra 255 bảng câu hỏi

3 3 2 2 Phương pháp chọn mẫu

Đây là đề tài nghiên cứu dạng khám phá cùng với những nội dung phân tích ở trên, tác giả sử dụng phương pháp chọn mẫu phi xác suất với hình thức chọn mẫu thuận tiện Tác giả soạn bảng câu hỏi nghiên cứu sẽ được gửi trực tiếp cho từng người lao động đã và đang làm việc tại Trường cao đẳng Y tế Đồng Nai nên rất thuận tiện cho việc khảo sát của tác giả Có nghĩa là lấy mẫu dựa trên sự thuận lợi hay dựa trên tính dễ tiếp cận của đối tượng, ở những nơi mà tác giả điều tra có nhiều khả năng gặp được đối tượng

3 3 3 Thu thập dữ liệu3 3 3 1 Dữ liệu sơ cấp 3 3 3 1 Dữ liệu sơ cấp

Trong bài nghiên cứu, tác giả thu thập dữ liệu sơ cấp sau khi xác định xong cỡ mẫu và cách lấy mẫu Tác giả đã sử dụng bảng câu hỏi chính thức để tiến hành phỏng vấn trực tiếp từng người lao động đã và đang làm việc tại Trường cao đẳng Y tế Đồng Nai Tác giả khảo sát 255 người lao động thông qua phiếu hỏi phỏng vấn trực tiếp từng người lao động đã và đang làm việc tại Trường cao đẳng Y tế Đồng Nai Tác giả hướng dẫn trả lời và thu nhận phiếu trả lời sau khi đã hoàn thành phiếu trả lời, kiểm tra độ chính xác, làm sạch dữ liệu và bỏ những phiếu không hợp lệ Thời gian tiến hành khảo sát từ 07/2020 đến 08/2020

3 3 3 2 Dữ liệu thứ cấp

Trong bài nghiên cứu, tác giả thu thập dữ liệu thứ cấp thông qua tài liệu thu thập tại phòng hành chính nhân sự, các báo cáo tổng kết hàng năm và số liệu từ các phòng liên quan tại Trường cao đẳng Y tế Đồng Nai trong 2 năm từ 2018 - 2019

3 3 4 Phương pháp xử lý số liệu 3 3 4 1 Thống kê mô tả

Trong luận văn, tác giả sử dụng thống kê mô tả để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ kết quả khảo sát 255 người lao động đã và đang làm việc tại Trường cao đẳng Y tế Đồng Nai Thống kê mô tả dung đồ họa mô tả dữ liệu Để hiểu được các hiện tượng và ra quyết định đúng đắn, các phương pháp cơ bản của mô tả dữ liệu thông qua bảng tần số, suất tuất, tần số tích lũy và tần suất tích lũy Ngoài ra, trong luận văn cũng sử dụng thống kê mô tả các giá trị trung bình, độ lệch chuẩn, phương sai, sai số chuẩn theo Hoàng Trọng và cộng sự (2008)

3 3 4 2 Kiểm định độ tin cậy Cronbach’s Alpha

Trong bài nghiên cứu, tác giả sử dụng hệ số Cronbach’s Alpha để đánh giá độ tin cậy dữ liệu Trong phần này các thang đo sẽ được đánh giá độ tin cậy thông qua hệ số tin cậy Cronbach’s Alpha bằng phần mềm SPSS 20 0 Mục đích nhằm tìm ra những mục câu hỏi cần giữ lại và những mục câu hỏi bị loại bỏ trong các mục đưa vào kiểm tra theo Hoàng Trọng và cộng sự (2008) hay nói cách khác là giúp loại đi những biến quan sát, những thang đo không đạt Các biến quan sát có hệ số tương quan biến tổng (Corrected Item – Total Correlation) nhỏ hơn 0,3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0,6 trở lên

Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường tốt, từ 0,7 đến gần 0,8 là sử dụng được Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu và tối thiểu của hệ số Cronbach’s Alpha là 0,5

3 3 4 3 Phân tích nhân tố khám phá (EFA)

Trong bài nghiên cứu này, tác giả sử dụng phân tích nhân tố khám phá chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt Trong phân tích nhân tố khám phá các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn như sau: Một là, chỉ số

KMO (Kaiser – Meyer – Olkin measure of sampling adequancy): Là một chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố Trị số của KMO lớn (nằm giữa khoảng 0,5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp Nếu chỉ số KMO nhỏ hơn 0 5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu Hai là, đại lượng Bartlett’s (Bartlett’s test of sphericity) là đại lượng xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể Nếu kiểm định này có ý nghĩa (Sig < 0,05) thì các biến quan sát có tương quan với nhau trong tổng thể Ba là, hệ số nhân tố tải (factor loading): là những hệ số tương quan đơn giữa các biến và các nhân tố, hệ số này lớn hơn 0,5 Bốn là, thang đo được chấp nhận khi tổng phương sai trích lớn hơn 50% Phương pháp trích

“Principal Component Analysis” với phép quay “Varimax” hoặc phép quay promax được sử dụng trong phân tích nhân tố thang đo các thành phần độc lập Năm là, hệ số eigenvalue: Là đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố Chỉ số này phải lớn hơn 1 theo Hoàng Trọng và cộng sự (2008)

Cuối cùng, phần trăm phương sai toàn bộ được giải thích bởi từng nhân tố (Percentage of variance) nghĩa là coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % Chỉ tiêu này càng tiến tới 100 % càng tốt theo Hoàng Trọng và cộng sự (2008)

Như vậy, sau khi đánh giá hệ số tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá (EFA) tác giả tiếp tục kiểm định sự phù hợp của mô hình

3 3 4 4 Phân tích nhân tố khẳng định (CFA)

Phân tích nhân tố khẳng định (CFA): sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở Trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không CFA cũng là một dạng của SEM Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng cùng” tải” lên khái niệm lý thuyết cơ sở theo Hair et al, (1998)

Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố Sau đây là một mô hình SEM sử dụng kỹ thuật phân tích CFA theo Hoàng Trọng và cộng sự (2008) Phân tích yếu tố khẳng định (CFA) là mô hình hay gặp trong phân tích SEM (Structural Equation Analysis) CFA khác với phân tích yếu tố khám phá (Exploratory Factor Analysis: EFA) về phương pháp cũng như các giả định

3 3 4 5 Phân tích mô hình cấu trúc tuyến tính (SEM)

Mô hình cấu trúc tuyến tính (SEM) được dùng để mô tả mối quan hệ giữa các biến quan sát được với mục tiêu cơ bản là kiểm định các giả thuyết thống kê Cụ thể hơn, SEM có thể được sử dụng để kiểm định mối quan hệ giữa các khái niệm Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương giữa các phần tử trong sơ đồ mạng để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố trong mô hình cổ điển, SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết

Mục tiêu của phân tích SEM là để xác định mô hình lý thuyết nào được củng cố bởi bộ dữ liệu Nếu mẫu khảo sát ủng hộ cho mô hình lý thuyết thì các mô hình lý thuyết phức tạp hơn sẽ được nghiên cứu trong các nghiên cứu sau đó Ngược lại, mô hình ban đầu có thể được điều chỉnh và kiểm định lại Tóm lại, SEM được dùng để kiểm định các mô hình lý thuyết bằng cách sử dụng các phương pháp khoa học về kiểm định giả thuyết theo Hair et al, (1998)

Để đo lường mức độ phù hợp của mô hình với thông tin khảo sát, các nghiên cứu thường sử dụng các chỉ tiêu như chi bình phương, chi bình phương điều chỉnh theo bậc tự do (CMIN/df) Cũng dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình Một số tác giả đề nghị 1 < χ2/df < 3 theo Hair et al, (1998); một số khác đề nghị χ2 càng nhỏ càng tốt theo Segar, Grover, (1993) và cho rằng χ2/df < 3:1 theo Chin & Todd, (1995) Ngoài ra, trong một số nghiên cứu thực tế người ta

phân biệt ra 2 trường hợp: χ2/df < 5(với mẫu N > 200); hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt theo Kettinger và Lee, (1995)

GFI: đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát theo Kettinger và Lee, (1995) (adsbygoogle = window.adsbygoogle || []).push({});

Chỉ số thích hợp so sánh CFI (Comparative Fit Index), chỉ số NFI (Normal Fit Index), RFI (Relative Fit Index), chỉ số IFI (Incremental Fix Index), chỉ số TLI (Tucker & Lewis Index) và chỉ số RMSEA (Root Mean Square Error

Approximation) Một mô hình được gọi là thích hợp khi phép kiểm định chi bình phương có giá trị p-value lớn hơn 5% (hay p < 0 05) Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA, RMR yêu cầu < 0 05 thì mô hình phù hợp tốt Trong một số trường hợp giá trị này < 0 08 mô hình được chấp nhận theo Taylor, Sharland, Cronin và Bullard, (1993)

Tuy nhiên, Chi bình phương có nhược điểm là nó phụ thuộc vào kích thước mẫu, bởi Chi bình phương = (n-1)*FML Khi cỡ mẫu, n, càng lớn thì giá trị thống kê Chi bình phương càng lớn Điều này sẽ làm giảm mức độ phù hợp của mô hình, nghĩa là làm tăng khả năng bác bỏ mô hình khi cở mẫu lớn Vì vậy, một số chỉ tiêu tương thích khác sẽ được sử dụng để so sánh Nếu giá trị NFI, RFI, IFI, TLI và CFI càng gần đến 1 thì mô hình càng phù hợp (tốt nhất đạt giá trị từ 0 9 đến 1) Tuy nhiên có một số trường hợp lớn hơn 0 85 tạm chấp nhận được CMIN/df có giá trị nhỏ hơn 2 hoặc 3, RMSEA có giá trị nhỏ hơn 0 08 thì mô hình có thể được xem là phù hợp (tương thích) với dữ liệu khảo sát theo Hair et al, (1998)

Về phương pháp ước lượng, mô hình SEM sử dụng phương pháp ước lượng