2.2.1 Phương pháp thu thập dữ liệu
2.2.1.1 Dữ liệu thứ cấp
Dữ liệu thứ cấp là các thông tin, dữ liệu trong các báo cáo, quy chế về lao động, tạp chí, tài liệu thống kê, trang thông tin điện tử, … của Kiểm toán nhà nƣớc; các công trình nghiên cứu và các luận văn có liên quan đến đề tài nghiên cứu; các sách chuyên khảo đến lĩnh vực nghiên cứu của luận văn; các thông tin từ Internet liên quan đến đề tài nghiên cứu.
2.2.1.2 Dữ liệu sơ cấp
Dữ liệu sơ cấp là các dữ liệu đƣợc thu thập thông qua việc phát phiếu khảo sát tới 180 nhân viên hiện đang công tác tại KTNN trong giai đoạn từ tháng 10 đến tháng 12/2017. Đối tƣợng đƣợc khảo sát là các nhân viên công tác tại 4 đơn vị của KTNN (đơn vị tham mƣu, KTNN CN, KTNN KV, đơn vị sự nghiệp). Các nhân viên này đƣợc lựa chọn ngẫu nhiên theo từng bộ phận. Kết quả sàng lọc sau điều tra thu về đƣợc 150 phiếu hợp lệ (75%). Các dữ liệu đƣợc mã hóa, làm sạch và xử lý trên phần mềm SPSS 20.0.
2.2.2 Phương pháp phân tích số liệu
Sau khi thu thập dữ liệu, tiến hành xử lý dữ liệu bằng cách chạy Mean trên excel và phân tích dữ liệu bằng phần mềm SPSS. Các phƣơng pháp đƣợc sử dụng để phân tích dữ liệu:
2.2.2.1 Phân tích thống kê mô tả
Sử dụng phu o ng pháp pha n tích mô tả nhằm có những đánh giá so bọ tho ng tin về đối tu ợng điều tra và sự hài lòng của nhân viên với các nhân tố đƣa ra trong
thang đo. Lập bảng tần số để làm sạch dữ liệu trƣớc khi đƣa vào phân tích và mô tả mẫu theo các tiêu thức nhƣ giới tính, tuổi, nghề nghiệp, thu nhập hàng tháng,...
2.2.2.2 Phân tích kiểm tra độ tin cậy
Độ tin cậy của thang đo đƣợc kiểm định thông qua hệ số Cronbach’s Alpha và hệ số tƣơng quan biến tổng. Phƣơng pháp này dùng để loại các biến không phù hợp, hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo thông qua hệ số tin cậy Cronbach alpha. Hệ số Cronbach alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tƣơng quan với nhau. Do đó những biến có hệ số tƣơng quan tổng (item-total correlation) nhỏ hơn 0,3 sẽ bị loại. Theo quy ƣớc, một tập hợp các mục hỏi dùng để đo lƣờng đƣợc đánh giá là tốt phải có hệ số Cronbach alpha lớn hơn hoặc bằng 0,8, thang đo có hệ số Cronbach alpha từ 0,7 đến 0,8 là sử dụng đƣợc.
2.2.2.3 Tính giá trị trung bình của thang đo
Ý nghĩa giá trị trung bình của thang đo đƣợc sử dụng trong đề tài này nhằm giúp cho việc phân tích số liệu đƣợc hợp lý và hiệu quả hơn.
Giá trị khoảng cách = (Maximum – Minimum)/5 = (5-1)/5 = 0.8 Ý nghĩa các mức nhƣ sau:
1.00 – 1.80: Hoàn toàn không đồng ý 1.81 – 2.60: Không đồng ý
2.61 – 3.40: Trung lập/ Không ý kiến 3.41 – 4.20: Đồng ý
4.21 – 5.00: Hoàn toàn đồng ý
2.2.2.4 Phân tích nhân tố khám phá
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 đảm bảo độ tin cậy, các biến còn lại sẽ đƣợc đƣa vào phân tích nhân tố khám phá nhằm mục đích thu nhỏ và tóm tắt dữ liệu. Phƣơng pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đƣợc sử dụng để tìm mối quan hệ giữa các biến với nhau.
Các tham số thống kê trong phân tích nhân tố:
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 0,5 đến 1 thì phân tích này mới thích hợp, nếu trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không phù hợp với các dữ liệu.
Phân tích nhân tố khám phá còn dựa vào Eigenvalue để xác định số lƣợng nhân tố. Đại lƣợng Eigenvalue đại diện cho lƣợng biến thiên của mô hình đƣợc giải thích bởi nhân tố. Những nhân tố có Eigenvalue lớn hơn 1 sẽ đƣợc giữ lại trong mô hình còn những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc nên sẽ bị loại khỏi mô hình.
Một phần quan trọng nữa trong kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố đƣợc xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hoá bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tƣơng quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có mối tƣơng quan chặt chẽ với nhau. Trong nghiên cứu này sử dụng phƣơng pháp trích nhân tố principal components nên hệ số tải nhân tố phải lớn hơn 0,5 thì mới đạt yêu cầu.
Kết quả của quá trình phân tích này sẽ cho ra ma trận nhân tố (component matrix). Ma trận này chứa các hệ số biểu diễn tƣơng quan giữa các biến.
2.2.2.5 Phân tích hồi quy
Sau khi rút trích đƣợc các nhân tố từ phân tích nhân tố khám phá EFA, xem xét các mối tƣơng quan tuyến tính giữa tất cả các biến bằng cách xây dựng ma trận tƣơng quan giữa tất cả các biến. Dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội nhƣ kiểm tra hệ số phóng đại phƣơng sai (Variance Inflation Factor – VIF). Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tình bội đƣợc xây dựng. Và hệ số R2 đã đƣợc điều chỉnh (Adjusted R square) cho biết mô hình hồi quy đƣợc xây dựng phù hợp đến mức nào.