4.4.2.1 Kiểm định độ hội tụ
Mô hình cấu trúc tuyến tính sử dụng SMARTPLS có ba công cụ ước lượng được sử dụng để đánh giá độ tin cậy và tính hợp lệ của các thang đo thành phần (Ringle và cộng sự, 2015). Các công cụ ước lượng này bao gồm Cronbach alpha (CA), độ tin cậy tổng hợp (CR) và phương sai trích (AVE). Các chỉ số này thu được từ thủ tục phân tích PLS – Algorithm.
Cron’bach Alpha là công cụ ước lượng được sử dụng phổ biến nhất để kiểm định độ tin cậy đồng nhất (Hulland, 1999). Tuy nhiên, đây được coi là một công cụ ước lượng không nhất quán và có xu hướng cho rằng tất cả các thang đo thành phần trong mô hình đều đáng tin cậy như nhau (Hair và cộng sự, 2014). Do đó, công cụ này đánh giá quá thấp độ tin cậy thực tế và được coi là ranh giới thấp của độ tin cậy (Henseler và cộng sự, 2016). Để kiểm định độ tin cậy, nếu CA đạt trên 0,7 thì sẽ chấp nhận kết quả. (Hair và cộng sự, 2014).
Độ tin cậy tổng hợp (Composite Reliability) được đề xuất là một thước đo phù hợp hơn về độ tin cậy đồng nhất so với công cụ Cronbach alpha (Hair và cộng sự, 2014). Không giống như Cronbach alpha, CR không giả định rằng tất cả các thang đo thành phần đều đáng tin cậy như nhau (Hair và cộng sự, 2011). Tuy nhiên, tương tự như CA, độ tin cậy tổng hợp cũng được coi là một công cụ ước tính không nhất quán vì nó có xu hướng đánh giá quá cao độ tin cậy thực sự (Miltgen và cộng sự, 2016) và kết quả được chấp nhận khi CR lớn hơn hoặc bằng 0.7.
Phương sai trích (Average Variance Extracted) đánh giá mức độ sai số liên quan đến các thang đo thành phần của mô hình. Ngoài ra, đây là một trong những tiêu chí kiểm định tính hội tụ và tính phân biệt của mô hình (Hair và cộng sự, 2014). Đây cũng là một cách đánh giá phần trăm phương sai được giải thích bằng các thang đo của
một cấu trúc (Miltgen và cộng sự, 2016). Henseler và cộng sự (2016) đề xuất rằng giá trị chấp nhận được cho hệ số AVE phải lớn hơn hoặc bằng 0,5, thể hiện rằng mô hình đã tính đến phần lớn sai số.
Bảng 4.16 Kết quả kiểm định độ tin cậy của các thang đo
Thang đo CA CR AVE
1. Niềm tự hào 0.832 0.888 0.665
2. Ý nghĩa công việc 0.829 0.886 0.660
3. Sự công bằng 0.829 0.886 0.660
4. Sự kết nối 0.908 0.927 0.645
5. Sự ghi nhận và tạo ảnh hưởng 0.920 0.934 0.612
6. Phát triển sự nghiệp 0.826 0.884 0.658
7. Phong cách cá nhân 0.814 0.878 0.642
8. Phong cách lãnh đạo 0.902 0.922 0.630
11. Văn hóa công ty 0.851 0.893 0.627
12. Sự gắn kết trong công việc 0.718 0.876 0.780
Chú thích: CA - Cronbach Anpha; CR - Composite Reliability; AVE - Average Variance Extracted
Theo các định nghĩa bên trên, CA, CR và AVE được sử dụng để chứng minh cho độ tin cậy và tính hợp lệ của các thang đo thành phần trong mô hình. Các giá trị thu được đều đáp ứng tiêu chí của các chỉ số và vượt qua ngưỡng tối thiểu của các chỉ tiêu đo lường này (Hair và cộng sự, 2014). Với 12 nhân tố được đưa vào phân tích và 55 biến quan sát, kết quả cho thấy tất cả các thang đo có độ tin cậy do chỉ số Cronbach Anpha đều lớn hơn 0,7, độ tin cậy tổng hợp Composite Reliability cũng đều lớn hơn 0,7 và phương sai trích (AVE) đều lớn hơn 0,5. Với số liệu thu được, có thể khẳng định các thang đo đều đạt được độ tin cậy và có tính hội tụ.
4.4.2.2 Kiểm định độ phân biệt
Kiểm định độ phân biệt (Discriminant Validity) là xem xét mức độ khác biệt trong thực nghiệm giữa các nhân tố của mô hình nghiên cứu với nhau. Fornell và cộng sự (1981) đề xuất rằng căn bậc hai của phương sai trích của mỗi nhân tố phải được so sánh với hệ số liên hệ giữa nhân tố đó với từng nhân tố có phản ánh quan hệ trong mô hình, và đảm bảo hệ số liên hệ có giá trị nhỏ hơn.
Như vậy, để kiểm định độ phân biệt, nghiên cứu tiến hành so sánh mối quan hệ giữa các nhân tố (Latent Variable corelations) với phương sai trích AVE. Kết quả phân
tích cho thấy căn bậc hai AVE của mỗi nhân tố đều lớn hệ số liên hệ giữa nhân tố đó và các nhân tố khác. Như vậy mẫu nghiên cứu đảm bảo độ phân biệt của các nhân tố đo lường.
Bảng 4.17 Kiểm định giá trị phân biệt của các nhân tố
CB CN CV DL GK GN HL LD SN TH KN VH CB 0.813 CN 0.210 0.801 CV 0.279 0.264 0.812 DL 0.339 0.599 0.414 1,000 GK 0.321 0.571 0.469 0.768 0.883 GN 0.248 0.378 0.344 0.554 0.476 0.782 HL 0.469 0.296 0.627 0.459 0.504 0.424 1,000 LD 0.232 0.619 0.302 0.617 0.703 0.443 0.308 0.794 SN 0.236 0.404 0.313 0.602 0.506 0.552 0.237 0.472 0.811 TH 0.288 0.314 0.486 0.281 0.355 0.197 0.607 0.288 0.197 0.815 KN 0.411 0.273 0.440 0.405 0.411 0.361 0.623 0.239 0.330 0.359 0.803 VH 0.251 0.513 0.329 0.608 0.807 0.341 0.355 0.579 0.473 0.256 0.317 0.792 4.4.3 Kiểm định mô hình cấu trúc (Structural Model)
Khi mô hình đo lường được đánh giá đạt yêu cầu, bước tiếp theo trong quá trình phân tích kết quả PLS-SEM là kiểm định mô hình cấu trúc. Những chỉ tiêu đo lường tiêu chuẩn được xem xét bao gồm sự phù hợp của mô hình (Goodness of fit), hệ số đa cộng tuyến (VIF) hệ số R squared (R2), hệ số ước lượng chính xác (Q2) và mức độ ảnh hưởng của giả thuyết (f2).
4.4.3.1 Kiểm định sự phù hợp của mô hình (Goodness of fit)
Để đo lường mức độ phù hợp của mô hình với đối tượng nghiên cứu, chỉ số SRMR (standardized root mean square residual) cần được xem xét. Theo Hu và cộng sự (1999) thì chỉ số SRMR phải đạt giá trị nhỏ hơn 0,08 hoặc 0,1. Ngoài ra, Henseler và cộng sự (2014) cũng cho rằng chỉ số SRMR có thể được sử dụng để tránh hiện tượng sai lệch thông số trong mô hình.
SRMR của mô hình là 0,056 < 0,100. Như vậy mô hình nghiên cứu được kết luận là phù hợp với khách thể nghiên cứu là nhân viên công ty TNHH Bia Carlsberg Việt Nam.
4.4.3.2 Kiểm định hiện tượng đa cộng tuyến (VIF)
Các hệ số của mô hình cấu trúc biểu thị mối quan hệ giữa các nhân tố được suy ra từ việc ước lượng một loạt các phương trình hồi quy. Trước khi đánh giá các mối quan hệ cấu trúc, phải kiểm tra tính đa cộng tuyến để đảm bảo rằng kết quả hồi quy không bị sai lệch. Các giá trị VIF lớn hơn 5 là dấu hiệu của hiện tượng đa cộng tuyến có thể xảy ra giữa các nhân tố dự đoán, nhưng nếu giá trị VIF rơi vào khoảng từ 3 đến 5 cũng không loại trừ tính đa cộng tuyến xuất hiện (Becker và cộng sự, 2015). Lý tưởng nhất là các giá trị VIF không vượt quá 3. Trong trường hợp có xảy ra hiện tượng đa cộng tuyến, giải pháp thường được sử dụng là tạo ra các mô hình bậc cao hơn thông qua các cơ sở lý thuyết hỗ trợ (Hair và cộng sự, 2017).
Để kiểm định hiện tượng đa cộng tuyến giữa các nhân tố, nghiên cứu xem xét chỉ số VIF trong phần Collinearity Statistic và nhận thấy kết quả thu được 52/52 biến quan sát có giá trị VIF < 5. Hiện tại, chỉ số VIF cao nhất chỉ là 2,903 <3 của biến GN9 nên mô hình không vi phạm hiện tượng đa cộng tuyến.
Bảng 4.18 Kiểm định hiện tượng đa cộng tuyến của các nhân tố
CB1 1,804 GK1 1,456 LD2 2,033 KN1 2,302 CB2 1,766 GK4 1,456 LD3 2,592 KN2 1,864 CB3 1,751 GN1 1,817 LD4 2,302 KN3 1,944 CB4 1,818 GN2 2,002 LD5 2,139 KN4 2,306 CN1 1,696 GN3 2,311 LD6 1,931 KN5 2,479 CN2 1,671 GN4 2,285 LD7 1,883 KN6 2,266 CN3 1,776 GN5 2,462 SN1 1,476 KN7 2,454 CN4 1,741 GN6 2,167 SN2 2,113 VH1 2,222 CV1 1,747 GN7 2,481 SN4 1,747 VH2 1,627 CV2 1,918 GN8 1,775 SN5 1,916 VH3 1,751 CV3 1,903 GN9 2,903 TH2 1,654 VH4 1,856 CV4 1,711 HL1 1,000 TH4 1,735 VH6 2,062 DL1 1,000 LD1 2,229 TH5 1,834 TH1 2,111
4.4.3.3 Kiểm định hệ số R squared (R2)
Nếu không xuất hiện tình trạng đa cộng tuyến trong mô hình cấu trúc thì bước tiếp theo là xem xét giá trị R2 của các cấu trúc nội sinh. R2 đo lường phương sai, được giải thích trong mỗi nhân tố và do đó là thước đo khả năng giải thích của mô hình (Shmueli và cộng sự, 2011). R2 còn được coi là công suất dự đoán trong mẫu (Rigdon, 2012). R2 nằm trong khoảng từ 0 đến 1, với các giá trị cao hơn cho thấy khả năng giải thích lớn hơn. Hơn nữa, R2 là một hàm số liên quan đến lượng nhân tố dự đoán - số nhân tố dự báo càng lớn, R2 càng cao. Do đó, khi xem xét R2 phải luôn gắn liền với bối cảnh của nghiên cứu, dựa trên các giá trị R2 từ các nghiên cứu liên quan và các mô hình có độ phức tạp tương tự.
Giá trị R2 cũng có thể đạt quá cao khi mô hình tích hợp quá nhiều dữ liệu, dẫn đến tình trạng mô hình ngẫu nhiên phù hợp chứ không phải phản ánh tổng thể một cách toàn diện. Cùng một cơ cấu mẫu nghiên cứu, mô hình tương tự có thể sẽ không thể hiện được sự phù hợp (Sharma và cộng sự, 2019). Chỉ khi đo lường một khái niệm vốn có thể dự đoán được, chẳng hạn như các quá trình vật lý học, thì giá trị R2 bằng 0.9 có thể cho là hợp lý.
Nhân tố Sự gắn kết trong công việc của người lao động có chỉ số R2 = 0.788 chỉ ra rằng ba biến Sự hài lòng trong công việc, Động lực làm việc và Văn hóa công ty giải thích được 78.8% sự biến thiên của biến phụ thuộc tại mức ý nghĩa 5%. Còn lại 21.2% chưa giải thích được do còn thêm yếu tố mà mô hình này chưa xem xét đến. Cả ba biến này đều có quan hệ thuận chiều đến sự gắn kết trong công việc của người lao động, trong đó Văn hóa công ty có tương quan mạnh nhất đến sự gắn kết này do hệ số = 0.522 lớn hơn hai giá trị 0.142 của Sự hài lòng trong công việc và 0.385 của động lực làm việc.
Đối với Sự hài lòng trong công việc, bốn biến Niềm tự hào, Ý nghĩa công việc, Sự công bằng và Sự kết nối giải thích được 64.4% sự biến thiên của nhân tố này. Như vậy ngoài các biến này ra, vẫn còn nhiều yếu tố tác động đến Sự hài lòng trong công việc mà chưa được xem xét đến. Bốn biến trên đều có quan hệ thuận chiều tới Sự hài lòng trong công việc, trong đó Niềm sự hào và Sự kết nối có tác động mạnh hơn cả với hệ số lần lượt là 0.302 và 0.316, tiếp đến là tác động của Ý nghĩa công việc với hệ số = 0.294 và cuối cùng, tác động thấp nhất đến Sự hài lòng trong công việc là Sự công bằng với hệ số = 0.170.
Về Động lực làm việc, năm biến được đưa vào xem xét trong mô hình là Sự hài lòng trong công việc, Sự ghi nhận và tạo ảnh hưởng, Phát triển sự nghiệp, Phong cách cá nhân và Văn hóa công ty chỉ thể hiện được 62.2% sự biến thiên của biến phụ thuộc, còn khá nhiều yếu tố nữa có thể tác động đến nhân tố này mà chưa được xem xét đến. Các biến này đều có quan hệ thuận chiều với Động lực làm việc và mức độ tác động chia làm hai nhóm, nhóm có mức độ tác động cao hơn bao gồm Phát triển sự nghiệp với hệ số = 0.253, Phong cách cá nhân với hệ số = 0.264 và Văn hóa công ty với hệ số = 0.238. Nhóm có mức độ tác động thấp hơn bao gồm Sự hài lòng trong công việc với hệ số = 0.168 và Sự ghi nhận và tạo ảnh hưởng với hệ số = 0.162.
Về Văn hóa công ty, ba biến được đưa vào xem xét trong mô hình bao gồm Phát triển sự nghiệp, Phong cách cá nhân và Phong cách lãnh đạo chỉ thể hiện được 41.3% sự biến thiên của biến phụ thuộc, do đó còn rất nhiều yếu tố khác có thể ảnh hưởng đến nhân tố này. Trong ba biến, Phong cách lãnh đạo có tác động nhiều nhất đến Văn hóa công ty với hệ số = 0.343, cao hơn tác động của Phát triển sự nghiệp với hệ số = 0.227 và Phong cách cá nhân với hệ số = 0.208.
4.4.3.4 Kiểm định độ ước lượng chính xác (Q2)
Độ ước lượng chính xác của mô hình đường dẫn PLS được đánh giá thông qua giá trị Q2 (Geisser, 1974). Giá trị này được xác định dựa trên quy trình dò tìm loại bỏ các điểm đơn lẻ trong ma trận dữ liệu, áp đặt các điểm đã loại bỏ với giá trị trung bình và ước tính các tham số mô hình (Sarstedt và cộng sự, 2014). Do đó, Q2 không chỉ là thước đo cho giả thuyết ngoài cơ cấu mẫu, mà là kết hợp các khía cạnh của giả thuyết ngoài cơ cấu mẫu và năng lực giải thích của các giả thuyết mẫu (Shmueli và cộng sự, 2016).
Sử dụng các ước tính này làm đầu vào, quy trình dò tìm dự đoán các điểm dữ liệu đã bị loại bỏ cho tất cả các biến. Sự khác biệt nhỏ giữa giá trị dự đoán và giá trị ban đầu tương ứng giá trị Q2 cao hơn, do đó cho thấy độ chính xác của ước lượng cao hơn. Giá trị Q2 phải lớn hơn 0 đối với một giả thuyết cụ thể để chỉ ra độ ước lượng chính xác của mô hình cấu trúc cho giả thuyết đó. Theo quy luật chung, các giá trị Q2 cao hơn 0, 0,25 và 0,50 mô tả mức độ ước lượng nhỏ, trung bình và lớn của mô hình đường dẫn PLS.
Bảng 4.19 Kiểm định độ ước lượng chính xác
Kết quả kiểm định độ ước lượng chính xác cho thấy ba trong số bốn biến có mức độ ước lượng cao, đó là “Sự gắn kết trong công việc của người lao động (GK)”, “Sự
hài lòng trong công việc (HL)” và “Động lực làm việc (DL)”. Biến “Văn hóa công ty”
có hệ số Q2 = 0.25 vừa chạm mức độ ước lượng trung bình.
4.4.3.5 Kiểm định bootstrapping
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. Q2 DL 0.596 GK 0.604 HL 0.627 VH 0.250
Nhằm có thể thực hiện phép nội suy kết quả nghiên cứu ra tổng thể tức là từ kết quả khảo sát với chỉ 1 doanh nghiệp và 211 người lao động suy luận ra tất cả các doanh nghiệp có 100% vốn đầu tư nước ngoài và tất cả người lao động làm việc trong các doanh nghiệp đó, nghiên cúu sử dụng kỹ thuật boostrapping với cỡ mẫu lặp là 5000 quan sát (n=5000).
Kết quả ước lượng từ 5000 quan sát cho thấy trọng số gốc có ý nghĩa với trọng số trung bình của boostrapping vì do nằm trong khoảng tin cậy 95%. Do đó có thể kết luận, các ước lượng trong mô hình là đáng tin cậy (Bảng 4.21)
Bảng 4.20 Kết quả Bootstrapping mô hình cấu trúc
OS SM SD P Values f2 Values CB -> HL 0.170 0.171 0.046 0.000 0.066 CN -> DL 0.264 0.264 0.060 0.000 0.125 CN -> VH 0.208 0.208 0.074 0.005 0.044 CV -> HL 0.294 0.293 0.052 0.000 0.165 DL -> GK 0.385 0.384 0.046 0.000 0.393 GN -> DL 0.162 0.164 0.056 0.004 0.041 HL -> DL 0.168 0.166 0.051 0.001 0.056 HL -> GK 0.142 0.142 0.040 0.000 0.074 LD -> VH 0.343 0.346 0.074 0.000 0.112 SN -> DL 0.253 0.254 0.056 0.000 0.100 SN -> VH 0.227 0.227 0.060 0.000 0.067 TH -> HL 0.302 0.302 0.052 0.000 0.186 KN -> HL 0.316 0.316 0.047 0.000 0.197 VH -> DL 0.238 0.236 0.058 0.000 0.093 VH -> GK 0.522 0.523 0.039 0.000 0.802
Chú thích: OS - Original Sample; SM - Sample Mean; SD - Standard Deviation
Với phương pháp nghiên cứu mô hình cấu trúc, luận văn cũng xem xét đánh giá việc loại bỏ những thang đo nhất định ảnh hưởng đến giá trị R2 của cấu trúc nội sinh. Chỉ tiêu này là mức độ ảnh hưởng f2 và phần nào chính là giá trị thặng dư của hệ số