1.2.2 .Lý thuyết sự sắp đặt
2.2. Các phƣơng pháp phân tích dữ liệu sử dụng trong nghiên
2.2.1. Phân tích mô tả dữ liệu thống kê
Sử dụng phương pháp phân tích mô tả nhằm có những đánh giá sơ bộ: - Thông tin về đối tượng điều tra.
2.2.2. Phân tích độ tin cậy bằng hệ số Cronbach Alpha
Hệ số alpha của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các biến (mục hỏi) trong thang đo tương quan với nhau. Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo. Những biến có hệ số tương quan biến tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại.
Thang đo có hệ số Cronbach alpha từ 0,6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường, thang đo có Cronbach alpha từ 0,7 đến 0,8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0,8 trở lên đến gần 1 là thang đo lường tốt. [5]
2.2.3. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach alpha và loại đi các biến không đủ độ tin cậy, phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt dữ liệu (nhóm tất cả các biến thành một số các nhân tố). Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0,5 đến 1 thì phân tích này mới thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng nhân tố. Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác
dụng tóm tắt thông tin tốt hơn một biến gốc. Theo tiêu chuẩn Kaiser, chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình và tiêu chuẩn phương sai trích (Variance explained criteria) là tổng phương sai trích phải lớn hơn 50%.
Một phần quan trọng trong kết quả phân tích nhân tố là ma trận nhân tố (Component matrix) hay ma trận nhân tố sau khi xoay (Rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số này gọi là hệ số tải nhân tố (Factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này lớn cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu này sử dụng phương pháp trích nhân tố là Principal components với phép quay Varimax, đồng thời loại bỏ các biến có hệ số tải nhân tố nhỏ hơn 0,5.
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến có hệ số factor loading lớn ở cùng một nhân tố. Theo đó, nhân tố này có thể được giải thích bằng các biến có hệ số lớn đối với bản thân nó.
Sau khi giải thích các nhân tố, cần tính toán các nhân số (trị số của các biến tổng hợp, đại diện cho các nhân tố hay thành phần được rút trích ở trên) để sử dụng trong các phương pháp phân tích đa biến tiếp theo. Nhân số này chưa chuẩn hóa và được tính bằng cách lấy trung bình giá trị các biến trong nhân tố tại từng quan sát. [3]
2.2.4. Xây dựng phương trình hồi quy và phân tích tương quan
Sau khi rút trích được các nhân tố từ phân tích nhân tố khám phá EFA, tiến hành phân tích tương quan (nếu r<0.3: quan hệ yếu, 0.3<r<0.5:quan hệ trung bình, r>0.5: quan hệ mạnh) và hồi quy để thấy được mối quan hệ giữa nhân tố tác động đến sự hài lòng của nhân viên và mức độ tác động của các nhân tố này.
Dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bộ như kiểm tra phần dư chuẩn hóa, kiểm tra hệ số phóng đại phương sai VIF để phát hiện hiện tượng đa cộng tuyến. Quy tắc là khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến [5].
Nếu các giả định không bị vi phạm, mô hình lý thuyết với các giải thuyết từ H1 đến H7 được kiểm định bằng phương pháp hồi quy đa biến với mức ý nghĩa 5% được xây dựng như sau:
Sự hài lòng của nhân viên = B0 + B1 * đặc điểm công việc + B2 * thu nhập + B3 * đào tạo thăng tiến + B4 * đồng nghiệp + B5 * cấp trên + B6 * điều kiện làm việc + B7 * phúc lợi.
2.2.5. Phân tích phương sai một yếu tố (Oneway-Anova)
Sau khi mô hình đã được xử lý, việc thực hiện phân tích phương sai một yếu tố đặt ra để kiểm định có sự khác biệt hay không về mức độ hài lòng của nhân viên theo những đặc điểm khác nhau như: tuổi tác, giới tính, trình độ học vấn, thời gian công tác, vị trí công tác, bộ phận công tác.
Kiểm định Test of Homogeneity of Variances sử dụng thống kê Leneve cho biết kết quả kiểm định phương sai. Với mức ý nghĩa lớn hơn 0.05 có thể nói phương sai của biến đánh giá giữa các nhóm nhân viên không khác nhau một cách có ý nghĩa thống kê. Như vậy, phân tích ANOVA có thể sử dụng tốt. [5].
CHƢƠNG 3
THỰC TRẠNG SỰ HÀI LÒNG CỦA CÁN BỘ, NHÂN VIÊN