CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Phương pháp phân tích định lượng
3.4.1. Thống kê mơ tả
Phân tích này nhằm mục đích cung cấp các thơng tin chung về mẫu nghiên cứu như: giới tính, về độ tuổi, trình độ, kinh nghiệm làm việc, vị trí cơng việc.
3.4.2. Kiểm tra độ tin cậy của thang đo (Cronbach alpha)
Độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha nhằm loại các biến khơng phù hợp vì các biến rác này có thể tạo ra các yếu tố giả khi phân tích nhân tố khám phá EFA làm ảnh hưởng đến mơ hình nghiên cứu (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:
▪ Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ (nhỏ hơn 0.5); tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein 1994; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
▪ Các mức giá trị của Alpha: lớn hơn 0.8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
▪ Các biến quan sát có tương quan biến-tổng nhỏ (nhỏ hơn 0.5) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0,7).
▪ Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí: Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0,4 (đây là những biến khơng đóng góp nhiều cho sự mơ tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chí này). – Chọn thang đo có độ tin cậy Alpha lớn hơn 0,6 (các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời).
Theo tiêu chuẩn nghiên cứu thì hệ số Cronbach’s alpha tối thiểu phải đạt mức 0.6 thì mới có thể chấp nhận được thang đo. Độ tin cậy của thang đo tốt nhất nằm trong khoảng từ 0.75 đến 0.95. (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Về hệ số tương quan giữa các biến đo lường với biến tổng (item total correlation), đối
với mẫu nhỏ hơn 250 khảo sát thì hệ số tương quan phải từ 0.5 trở lên, cịn đối với mẫu có trên 250 khảo sát thì hệ số tương quan phải từ 0.3 trở lên.
3.4.3. Phân tích nhân tố khám phá EFA
Sau khi hồn tất phân tích độ tin cậy của thang đo, tác giả tiến hành phân tích nhân tố khám phá EFA. Ý tưởng chính của EFA là các biến có thể quan sát được có một số đặc điểm chung nào đó mà chúng ta khơng thể quan sát trực tiếp ví dụ như trong nghiên cứu này là cảm nhận trách nhiệm xã hội, công bằng trong tổ chức, sự hài lịng, hành vi cơng dân hay ý định nghỉ việc
Phương pháp phân tích nhân tố khám phá EFA giúp chúng ta đánh giá thang đo theo hai tiêu chí là giá trị hội tụ và giá trị phân biệt. Theo Nguyễn Khánh Duy (2009) việc xác định phương pháp rút trích nhân tố phụ thuộc vào bản chất khái niệm. Đối với khái niệm đơn hướng, chúng ta nên sử dụng phương pháp rút trích nhân tố Principal Component với phép xoay Varima. Còn với khái niệm đa hướng chúng ta nên sử dụng phương pháp rút trích nhân tố Principal Axis Factoring với phép xoay Promax. Bên cạnh đó, theo Gerboing & Anderson (1988) phương pháp rút trích nhân tố Principal Axis Factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích nhân tố Principal Component với phép xoay Varima. Do mơ hình nghiên cứu này cần thực hiện phân tích mơ hình cấu trúc tuyến tính (SEM) nên tác giả sử dụng phương pháp rút trích nhân tố Principal Axis Factoring với phép xoay Promax cho phân tích nhân tố khám phá EFA.
Phân tích nhân tố khám phá EFA đối với thang đo cần quan tâm các hệ số: Hệ số KMO nhằm kiểm tra tính thích hợp của phân tích EFA. Hệ số KMO nằm trong khoảng từ 0.5 đến 1 thì phân tích nhân tố là thích hợp.
Tiếp theo là Kiểm định Bartlett: nhằm xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nếu kiểm định Bartlett có ý nghĩa thống kê (sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. Hệ số tải nhân tố (Factor loading): Theo Hair và cộng sự (2013), hệ số tải nhân tố lớn hơn 0.3 được xem là đạt mức tối thiểu và lớn hơn 0.5 thì được xem là có ý nghĩa thực tiễn. Do đó tác giả lấy mức 0.3 là tiêu chuẩn để loại bỏ biến quan sát. Trường hợp có hệ số tải
nhân tố tải lên từ hai nhân tố trở lên thì chênh lệch giữa hệ số tải lớn nhất của biến quan sát với hệ số tải của biến quan sát bất kỳ phải lớn hơn 0.3 (Nguyễn Đình Thọ, 2014). Tổng phương sai trích (Percentage of variance): là chỉ số cho biết phân tích nhân tố giải thích được bao nhiêu phần trăm biến thiên. Theo Nguyễn Đình Thọ (2014), tổng phương sai trích phải lớn hơn 50%.
3.4.4. Phân tích nhân tố khẳng định CFA
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. Phân tích nhân tố khẳng định CFA được lập khi đã hồn thành bước phân tích nhân tố khám phá EFA nhằm kiểm định xem mơ hình lý thuyết trước có làm nền tảng cho tập hợp quan sát đã thu thập được không. Phương pháp phân tích nhân tố khẳng định CFA đồng thời kiểm định giá trị hội tụ và giá trị phân biệt của thang đo.
Theo Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2011), một mơ hình được xem là phù hợp với dữ liệu thị trường khi kiểm định khi các chỉ số đạt yêu cầu: Chi- Square có P-value lớn hơn 0.05; Các giá trị GFI, TLI, CFI lớn hơn hoặc bằng 0.9; CMIN/df nhỏ hơn hoặc bằng 3; RMSEA nhỏ hơn 0.08
Theo Nguyễn Khánh Duy (2009) các chỉ tiêu cần đánh giá trong phân tích CFA: Hệ số tin cậy tổng hợp CR (composite reliability) và Tổng phương sai trích AVE nhằm đánh đánh giá độ tin cậy của thang đo. Hai chỉ tiêu này cần có giá trị lớn hơn hoặc bằng 0.5; Giá trị hội tụ (convergent validity) thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hóa lớn hơn 0.5 và có ý nghĩa thống kê P-value nhỏ hơn 0.05; Giá trị phân biệt (discriminant validity): các khái niệm có phân biệt với nhau khi hệ số tương quan của chúng nhỏ hơn 1 và có ý nghĩa thống kê P-value nhỏ hơn 0.05.
3.4.5. Phân tích mơ hình cấu trúc tuyến tính SEM
Phương pháp phân tích mơ hình cấu trúc tuyến tính SEM nhằm kiểm định mơ hình nghiên cứu và giả thuyết nghiên cứu và đo lường mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc.
Kết luận chương 3: Trong chương 3 này Tác giả trình bày phương pháp nghiên cứu
với 3 bước chính, trong bước 1 có 3 bước nhỏ Bước 1:
a. Nghiên cứu định tính nhằm xây dựng, hiệu chỉnh thang đo các khái niệm nghiên cứu trong mơ hình nghiên cứu;
b. Khảo sát sơ bộ trên 50 mẫu nhằm kiểm định tính tin cậy của thang đo c. Gạn lọc và thiết lập các thang đo phù hợp để tiến hành khảo sát chính thức Bước 2: Nghiên cứu định lượng: thu thập dữ liệu thông qua bảng câu hỏi khảo sát. Bước 3: Tiến hành mã hóa dữ liệu và xử lý bằng phần mềm SPSS và AMOS.