3.2.1. Thu thập dữ liệu
Nhằm thuận tiện trong quá trình thu thập, theo dõi tiến độ, tổng hợp và xử lý dữ liệu, tác giả đã tiến hành thu thập dữ liệu chính thức của nghiên cứu bằng phương pháp gián tiếp qua khảo sát trực tuyến bằng công cụ Google Forms, được tác giả triển khai đăng trên nền tảng mạng xã hội Facebook. Ở phần đầu bảng khảo sát, tác giả cũng đã trình bày một đoạn mô tả về đề tài nghiên cứu và phương pháp nghiê cứu để tạo độ tin cậy cho người thực hiện khảo sát (Sulekha, 2013). Tác giả đã tiến khảo sát các đối tượng người lao động tại các doanh nghiệp vừa và nhỏ trên địa bàn Thành phố Hồ Chí Minh từ ngày 10/12/2021 – 17/12/2021 với phương pháp chọn mẫu tác giả sử dụng là phương pháp chọn mẫu thuận tiện, phi xác suất. Theo phương pháp
này, tác giả chọn những phần tử nào có thể tiếp cận được, đáp ứng được các điều kiện do tác giả đưa ra và đồng ý tham gia thực hiện mẫu khảo sát (Nguyễn, 2012).
3.2.2. Cỡ mẫu
Trong nghiên cứu này, tác gỉả sử dụng phương pháp phân tích cấu trúc tuyến tính (SEM) để phân tích mối quan hệ tác động của trách nhiệm xã hội của doanh nghiệp đến cam kết gắn bó với tổ chức của người lao động. Phương pháp này đòi hỏi cỡ mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu (Raykov and Widaman 1995). Tuy nhiên, theo và cộng sự (1998) nếu phương pháp ước lượng Maxium Likelihood thì kích thước mẫu tối thiểu từ 100 – 150. Ngoài ra, kích thước mẫu cho phương pháp ước lượng được sử dụng trong mô hình cấu trúc tuyến tính (SEM) có ba loại là mẫu nhỏ ≤ 100, mẫu trung bình 100 – 200 và mẫu lớn ≥ 200 (Kline, 2005). Trong nghiên cứu này, tác giả sử dụng cỡ mẫu n = 254, theo như thông tin trên thì cỡ mẫu của nghiên cứu là cỡ mẫu lớn n ≥ 200. Cho thấy đây là cỡ mẫu mang tính đại diện khá cao, đồng thời cơ bản đảm bảo độ tin cậy, đáp ứng được yêu cầu của phương pháp phân tích mô hình SEM.
3.3. Phương pháp phân tích dữ liệu
Trong nghiên cứu này, tác giả lựa chọn sử dụng phương pháp phân tích mô hình chấu trúc tuyến tính bình phương tối thiểu từng phần PLS-SEM, một kỹ thuật thống kê thế hệ thứ hai, để phân tích các mối quan hệ đã được giả định với sự trợ giúp của phần mềm SmartPLS phiên bản 3. Một số tính năng thân thiện với người dùng của SmartPLS đã dẫn đến việc nó được sử dụng thường xuyên trong nghiên cứu chiến lược, tiếp thị và kinh doanh (Raza, 2021).
Theo Henseler & Chin (2010), mô hình nghiên cứu được đánh giá qua hai bước là đánh giá mô hình đo lường và mô hình cấu trúc. PLS-SEM là một kỹ thuật phân tích hai giai đoạn, trong giai đoạn đầu tiên mô hình đo lường được điều tra về tính hợp lệ và độ tin cậy (Ringle và cộng sự, 2014), trong khi kiểm định giả thuyết được thực hiện ở giai đoạn thứ hai, được gọi là đánh giá mô hình cấu trúc (Hair và cộng sự, 2014).
3.3.1. Kiểm định mô hình đo lường của nghiên cứu
Đầu tiên, mô hình đo lường được đánh giá thông qua đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt của các khái niệm đo lường trong mô hình.
Tiêu chí đầu tiên được đánh giá trong mô hình đo lường là độ tin cậy để đảm bảo tính nhất quán bên trong. Tuy nhiên, tiêu chí truyền thống cho tính nhất quán bên trong là Cronbach's alpha, và giá trị ngưỡng cho Cronbach alpha là 0,60, do độ nhạy của Cronbach alphas đối với số lượng thang đo, Hair và cộng sự. (2017) đề xuất sử dụng hệ số độ tin cậy tổng hợp (Composite reliability – CR) cho mô hình đo lường kết quả. Giá trị ngưỡng của CR là 0,70. Đồng thời, độ tin cậy (reliability) của các biến quan sát phải có hệ số tải ngoài (outer loading) lớn hơn hoặc bằng 0,5 thì đạt yêu cầu về độ tin cậy và hệ số CR phải lớn hơn hoặc bằng 0,7 thì đạt độ tin cậy tổng hợp (Hulland, 1999).
Tiêu chí thứ 2 là đánh giá giá trị hội tụ (convergent validity). Hệ số giá trị hội tụ là mức độ mà một thước đo có tương quan tích cực với các thước đo thay thế có cùng cấu trúc (Hair và cộng sự, 2017) và được sử dụng để đánh giá sự ổn định của thang đo. Để đánh giá giá trị hội tụ của mô hình kết quả, hệ số tải bên ngoài và phương sai trích trung bình (AVE) được đánh giá kiểm định. Theo Fornell and Larcker (1981), hệ số AVE (average variance extracted) phải lớn hơn hoặc bằng 0,5 sẽ khẳng định được độ giá trị hội tụ. Hệ số tải ngoài của mỗi biến quan sát lên nhân tố lớn hơn hoặc bằng 0,7 và có ý nghĩa là bằng chứng về độ tin cậy của các thang đo. Theo Hair và cộng sự (2017), giá trị ngưỡng của hệ số tải ngoài là 0,708. Tuy nhiên, trong khoa học xã hội, tải trọng bên ngoài yếu hơn (<0,70) là thường xuyên. Do đó, các nhà nghiên cứu nên xem xét cẩn thận các giá trị CR và AVE trước khi loại bỏ các mục có tải trọng thấp (Raza, 2021).
Tiêu chí thứ 3 trong đánh giá mô hình đo lường là đánh giá hệ số giá trị phân biệt (discriminant validity). Giá trị phân biệt là mức độ mà một cấu trúc này khác với cấu trúc khác trong mô hình, đo lường độ giá trị phân biệt giúp đảm bảo sự khác biệt, không có mối tương quan giữa các yếu tố sử dụng để đo lường các nhân tố. Để đo lường giá trị phân biệt thì căn bậc hai AVE của mỗi nhân tố đo lường đều lớn hơn hệ số liên hệ (latent variable correlations) giữa nhân tố đó với các nhân tố khác cho thấy độ phân biệt và tính tin cậy của các nhân tố (Fornell and Larcker, 1981). Theo Raza (2021) có ba cách tiếp cận chính để kiểm định giá trị phân biệt, đó là đánh giá hệ số tải chéo, tiêu chí Fornell – Larcker và tỷ lệ heterotrait – monotrait (HTMT). Do những hạn chế của tải chéo và tiêu chí Fornell – Larcker, Henseler et al. (2015) đề xuất sử
dụng tỷ lệ HTMT để đánh giá giá trị phân biệt. Vì vậy, trong nghiên cứu này, chúng tôi sử dụng tỷ lệ HTMT để đánh giá giá trị phân biệt. Với chỉ số HTMT, Garson (2016) cho rằng giá trị phân biệt giữa hai biến tiềm ẩn được đảm bảo khi chỉ số HTMT nhỏ hơn 1. Henseler và cộng sự (2015) đề xuất rằng nếu giá trị này dưới 0.9, giá trị phân biệt sẽ được đảm bảo. Trong khi đó, Clark & Watson (1995) và Kline (2015) sử dụng ngưỡng tiêu chuẩn nghiêm ngặt hơn là 0.85. Trong nghiên cứu này, người 0.85 được sử dụng, vì SMARTPLS ưu tiên lựa chọn ngưỡng là 0.85 trong đánh giá.
3.3.2. Kiểm định mô hình cấu trúc của nghiên cứu
Sau khi đánh giá mô hình đo lường, bước tiếp theo là đánh giá mô hình cấu trúc về để kiểm tra có mối quan hệ mối quan hệ giữa các biến (giả thuyết) hay không. Việc đánh giá mô hình cấu trúc thông qua việc kiểm định tính hợp nhất về giả định vi phạm đa cộng tuyến bằng hệ số VIF, đánh giá hệ số các đường dẫn để kiểm tra tác động của các mỗi quan hệ và đánh giá các hệ số R bình phương, kích thước hiệu ứng effect size f2. Để đạt được mục đích này, đầu tiên trong quá trình đánh giá mô hình cấu trúc là đánh giá tính thẳng hàng thông qua hệ số lạm phát phương sai (VIF). Theo Hair và cộng sự (2019), nếu VIF từ 5 trở đi, mô hình có khả năng rất cao xuất hiện hiện tượng đa cộng tuyến.
Bước thứ 2 trong đánh giá mô hình cấu trúc là tiến hành xem xét giá trị R2 của từng cấu trúc nội sinh. R2 là thước đo phương sai được giải thích trong từng cấu trúc nội sinh và do đó là thước đo độ chính xác dự đoán của mô hình (các khoảng thời gian của dự đoán trong mẫu). R2 nằm trong khoảng từ 0 đến 1, với các mức cao hơn cho biết mức độ dự đoán chính xác hơn. Theo quy tắc ‘‘gần đúng’’, các giá trị R2 lần lượt là 0,75, 0,50 và 0,25 có thể được coi là đáng kể, trung bình và yếu (Hair và cộng sự, 2011; Henseler và cộng sự, 2009). Tuy nhiên, nói chung, nhà nghiên cứu nên giải thích R2 trong bối cảnh của nghiên cứu bằng cách xem xét các giá trị R2 từ các nghiên cứu liên quan.
Bên cạnh giá trị R2, tác động của các yếu tố dự đoán được kiểm định bằng tác động của f2 (Hair và cộng sự, 2013). Kích thước hiệu ứng f2 cho phép đánh giá đóng góp của biến độc lập vào biến phụ thuộc. Cụ thể, Cohen (1988) đưa ra tiểu chí kiểm định giá trị f2 = 0,02 cho thấy “tác động nhỏ”, hệ số 0,15 cho thấy “tác động trung bình” và 0,35 là “tác động lớn” của cấu trúc bên ngoài trên một cấu trúc nội sinh.
3.3.3. Phân tích mô hình cấu trúc tuyến tính bình phương tối thiểu từng phần PLS – SEM
Bước thứ ba trong PLS-SEM là đánh giá các mối quan hệ.
Để kiểm tra xem các chỉ báo cấu thành có thực sự góp phần vào việc hình thành biến tiềm ẩn, quy trình bootstrapping cần được thực hiện. Trong đề tài nghiên cứu này, tác giả sử dụng phần mềm phân tích thống kê bình phương tối thiểu từng phần SmartPLS 3.0 để tiến hành ước lượng mô hình cấu trúc tuyến tính (SEM) thông qua các chỉ số tiêu chuẩn, phù hợp với đặc điểm nghiên cứu là không dựa trên giả định phân phối chuẩn, linh hoạt sử dụng với cỡ mẫu nhỏ.
Kiểm định Bootstrapping được thực hiện nhằm kiểm định độ tin cậy mô hình SEM. Sau khi hoàn thành việc ước lượng mô hình nghiên cứu thì vấn đề đánh giá lại độ tin cậy của ước lượng đó là một công việc cần thiết. Khi ước lượng mô hình nghiên cứu đạt được độ tin cậy thì mới có khả năng suy rộng ra cho tổng thể, ngược lại thì ước lượng của mô hình nghiên cứu chỉ có thể phù hợp trong nội bộ số liệu thu thập của đề tài. Hiện tại, có rất nhiều phương pháp khác nhau để đánh giá độ tin cậy của các ước lượng trong mô hình nghiên cứu. Phương pháp đầu tiên nhà nghiên cứu có thể chia mẫu nghiên cứu thành hai mẫu con, sau đó sử dụng một mẫu con để tiến hành ước lượng mô hình nghiên cứu. Mẫu con còn lại thì được sử dụng để đánh giá lại độ tin cậy của mô hình nghiên cứu vừa ước lượng. Ngoài ra, nhà nghiên cứu cũng có thể tiến hành kiểm định độ tin cậy của các ước lượng thông qua việc lặp lại nghiên cứu bằng cách thu thập thêm quan sát. Tuy nhiên, theo Anderson & Gerbing (1988) cho rằng đối với phương pháp phân tích mô hình cấu trúc tuyến tính thường đòi hỏi cỡ mẫu lớn, cho nên việc kiểm định độ tin cậy của các ước lượng dựa theo 2 phương pháp trên là không khả thi vì tốn kém nhiều thời gian và chi phí của người thực hiện nghiên cứu. Do đó, Schumaker and Lomax (2004) cho rằng trong những trường hợp như thế thì phương pháp kiểm định bootstrapping là phương pháp phù hợp để thay thế, bởi vì đây là phương pháp lấy mẫu lặp lại, trong đó mẫu ban đầu đóng vai trò là đám đông. Phương pháp này sử dụng cách tiếp cận không dựa trên quan hệ tương tác giữa các biến, các nhân tố để dự đoán độ chính xác của các mối quan hệ trong PLS. Với kỹ thuật bootstrapping, có thể coi mẫu thu hồi được như một tổng thể, N mẫu con trong tổng thể được tạo thành bằng phương pháp lấy mẫu với sự thay đổi của các
giá trị quan sát trong cỡ mẫu ban đầu (trong nghiên cứu N = 254). Sau đó, các mối liên hệ bắt đầu được dự đoán cho mỗi mẫu mới được tạo ra. Phân phối các dự đoán từ N mẫu được tạo ra để tính t-value của mối quan hệ. Nghiên cứu hiện tại đã sử dụng kỹ thuật lấy mẫu lại bootstrap dựa trên 5000 lần lặp và 254 trường hợp, để đánh giá ý nghĩa của hệ số đường dẫn.
SƠ KẾT CHƯƠNG 3
Tại chương 3, tác giả tập trung làm rõ phương pháp nghiên cứu của đề tài thông qua việc thiết kế nghiên cứu, xây dựng phương pháp thu thập và phân tích dữ liệu. Trước tiên tác giả tiến hành nghiên cứu định tính bằng phương pháp phỏng vấn chuyên gia để hiệu chỉnh thang đo và bảng hỏi cho phù hợp với vấn đề đối tường nghiên cứu và đảm bảo độ tin cậy của thang đo và câu trả lời của người tham gia khảo sát. Sau khi hoàn thiện thang đo và bảng hỏi, tác giả tiến hành nghiên cứu chính thức bằng phương pháp khảo sát trực tuyến thông qua công cộng biểu mẫu Google Forms của Google và đăng tải trên nền tảng mạng xã hội Facebook và Zalo với số mẫu hợp lệ thu được cuối cùng là 254 mẫu. Tiếp đến tác giả phương pháp kiểm định mô hình đo lường, mô hình cấu trúc và phân tích mô hình cấu trúc tuyến tính bình phương tối thiếu từng phần PLS-SEM. Kết quả nghiên cứu của đề tài sẽ được trình bày và phân tích đánh giá cụ thể ở Chương 4 dưới đây.
CHƯƠNG 4. KẾT QUẢ NGHIÊN CỨU 4.1. Thống kê mô tả mẫu nghiên cứu
Sau quá trình tổng hợp, sàn lọc kiểm tra kết quả dữ liệu khảo sát, tác giả đã chọn lọc được 254 mẫu hợp lệ trên tổng số 303 mẫu khảo sát được. Theo Nguyen (2017) có ba loại kích thước mẫu cho phương pháp ước lượng được sử dụng trong mô hình cấu trúc tuyến tính (SEM) là mẫu nhỏ ≤ 100, mẫu trung bình 100 – 200 và mẫu lớn ≥ 200. Cỡ mẫu hiện tại tác sau khi sàn lọc của nghiên cứu này là 254, như vậy cơ bản đã đáp ứng được yêu cầu của phương pháp phân tích.
Đặc điểm cơ bản của mẫu khảo sát được tác giả thống kê mô tả trình bài ở bảng 4.1 sau đây:
Bảng 4.1. Thống kê mô tả bảng mẫu nghiên cứu
Đặc điểm Tần số (Người) Tỷ lệ (%) Tuổi Nhỏ hơn 25 tuổi 91 35,8% Từ 25 - 35 tuổi 109 42,9% Từ 36 - 45 tuổi 40 15,7% Từ 46 - 55 tuổi 13 5,1% Trên 56 tuổi 1 0,4% Giới tính Nam 119 46,9% Nữ 135 53,1%
Thời gian làm việc cho
doanh nghiệp
Dưới 2 năm 115 45,3% Từ 2 đến 5 năm 72 28,3% Từ trên 5 năm đến 10 năm 32 12,6% Trên 10 năm 35 13,8% Trình độ học vấn Trung học phổ thông 8 3,1% Trung cấp/Cao đẳng 20 7,9% Đại học 192 75,6% Trên Đại học 34 13,4% Mức lương (triệu VNĐ/tháng) Dưới 5 triệu 24 9,4% Từ 6 - 10 triệu 71 28,0%
Đặc điểm Tần số (Người) Tỷ lệ (%) Từ 11 - 15 triệu 71 28,0% Từ 16 - 20 triệu 41 16,1% Trên 20 triệu 47 18,5% Tổng nhân sự doanh nghiệp (Người) Dưới 10 12 4,7% Từ 10 - 50 49 19,3% Từ 51 - 100 44 17,3% Từ 101 - 200 149 58,7%
Tổng doanh thu doanh nghiệp (tỷ VNĐ) Dưới 3 tỷ 35 13,8% Từ 3 - 20 tỷ 64 25,2% Từ 21 - 50 tỷ 32 12,6% Từ 51 - 100 tỷ 36 14,2% Từ 101 - 200 tỷ 87 34,3% Vị trí làm việc
Người lao động học việc 28 11,0% Người lao động chính thức 144 56,7% Trưởng nhóm 32 12,6% Quản lý cấp trung 30 11,8% Quản lý cấp cao 20 7,9% Lĩnh vực hoạt động của doanh nghiệp Thương mại - Dịch vụ 148 58,3% Sản xuất 37 14,6% Nông nghiệp, chế biến 3 1,2% Công nghệ thông tin 19 7,5%
Khác 47 18,5%
Nguồn: Tổng hợp bởi tác giả
Về độ tuổi, độ tuổi từ 25 – 35 tuổi có 109 người, chiếm tỷ lệ cao nhất là 42,9% số lượng mẫu được khảo sát; kế tiếp đứng thứ hai là nhóm có độ tuổi dưới 25 tuổi chiếm tỷ lệ 35,8% có 91 người; xếp thứ ba là nhóm có độ tuổi từ 36 – 45 tuổi có 40 người, chiếm tỷ lệ 15,7%; xếp thứ 4 là nhóm có độ tuổi từ 46 – 55 tuổi có 13 người, chiếm tỷ lệ thấp 5,1%; xếp cuối cùng là nhóm có độ tuổi trên 56 tuổi, có 1 người, chiếm tỷ lệ không đáng kể 0,4%. Từ kết quả trên có thể thấy rằng, người lao động có
độ tuổi lao động trẻ dưới 35 tuổi chiếm đa phần với số lượng lớn trong mẫu khảo sát
