CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU
3.5 PHÂN TÍCH DỮ LIỆU
Phương pháp thực hiện sẽ dựa vào phần mềm IBM SPSS Statistics 22. Các phương pháp phân tích bao gồm:
Thống kê mơ tả: Nhằm có cái nhìn tổng quan về các đặc điểm nhân khẩu
học của mẫu như độ tuổi, trình độ học vấn, thâm niên, nơi Phường cơng tác.
Đánh giá độ tin cậy: Đây là phân tích nhằm đánh giá độ tin cậy của thang
đo, từ đó mơ hình nghiên cứu mới có độ tin cậy tốt và là bước khởi đầu cho các phương pháp phân tích về sau. Theo Cronbach LJ (1951), khi các biến được sử dụng như một thang đo thì cần phải có một sự nhất quán nội bộ. Các
thang đo thuộc cùng một biến thì phải có tương quan với các thang đo nhau. Hệ số hữu ích được dùng để đánh giá sự thống nhất nội bộ này là Cronbach Alpha. Theo phương pháp này, người phân tích có thể loại bỏ những biến không phù hợp nhằm hạn chế các biến rác trong mơ hình nghiên cứu. Những biến không phù hợp sẽ bị loại bỏ nếu Hệ số tương quan tổng biến (Corrected Item – Total Correlation) nhỏ hơn 0.3 và các thang đo không phù hợp sẽ bị loại bỏ nếu hệ số Cronbach Alpha nhỏ hơn 0.6 (Hair và các đồng sự, 2010).
Phân tích nhân tố: Đây là một tập hợp các phân tích nhằm rút gọn và tóm
tắt các dữ liệu. Phân tích nhân tố nhóm các biến lại với nhau để giảm số lượng các biến đến mức có thể sử dụng được và tạo thuận tiên cho việc phân tích hồi quy sau này. Phân tích nhân tố bao gồm các phân tích sau:
Kiểm định Bartlett’s test of sphericity để kiểm định sự tương quan giữa các biến với nhau trong tổng thể. Nếu kiểm định này có mức ý nghĩa thống kê (Sig > 0.05) thì xem như các biến có tương quan với nhau (Hair và đồng sự, 2010). Khi đó, việc tiến hành phân tích nhân tố là chưa thích hợp.
Hệ số KMO (Kaiser–Mayer–Olkin) nằm trong khoảng từ 0.5 đến 1 là điều kiện đủ để phân tích nhân tố là thích hợp
Hệ số tải nhân tố (factor loading): Là những hệ số tương quan đơn giữa các biến và các nhân tố. Theo Hair và các đồng sự (2010), trong phạm vi từ ± 0.30 đến ± 0.40 được coi là đáp ứng mức tối thiểu để giải thích cấu trúc., cịn từ ± 0,50 hoặc lớn hơn được coi là thực tế có ý nghĩa. Ngoài ra, Hair và các đồng sự (2010) cũng đưa ra đề nghị với số lượng mẫu từ 120-150 nên lựa chọn Hệ số tải nhân tố tối ưu là từ 0.45 đến 0.5 và giảm dần khi mẫu tăng dần. Do kích thước mẫu dự kiến thu thập là từ 135 đến 150 nên để thận trọng thì bài viết sẽ lấy
Số lượng nhân tố được xác định bằng phương pháp dựa hệ số Eigenvalues, chỉ những nhân tố nào có Eigenvalues lớn hơn 1 mới được giữ lại trong mơ hình phân tích (Hair và các đồng sự, 2010).
Phân tích phương sai 1 yếu tố ANOVA: Phương pháp phân tích này nhằm
tìm các mối liên hệ giữa các biến định danh với các biến định lượng. Các biến định danh ở đây bao gồm độ tuổi, trình độ học vấn, thâm niên, chức danh, và nơi Phường công tác. Cịn biến định lượng cần phân tích ANOVA trong nghiên cứu này là Ý định nghỉ việc của các CBCC tại các cơ quan sự nghiệp hành chính cấp Phường thuộc Q11 – Tp. HCM.
Phân tích tương quan tuyến tính: Phương pháp phân tích này được dùng
để đo lường mối quan hệ tuyến tính giữa 2 biến định lượng trước khi đưa vào phân tích hồi quy.
7 giả thuyết H1, H2, H3, H4, H5, H6, H7 đã nêu trong mơ hình nghiên cứu sẽ được kiểm định ở bước này. Những giả thuyết nào phù hợp sẽ được tiếp tục đưa vào phân tích hồi quy nhằm lượng hóa các mối quan hệ này. Những giả thuyết nào không phù hợp sẽ bị loại bỏ. Người ta sử dụng hệ số tương quan Pearson (ký hiệu là r) để lượng
hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng. Giá trị tuyệt đối của r càng tiến gần đến 1 thì mức độ tương quan tuyến tính giữa 2 biến định lượng càng lớn. Khi tất cả các điểm phân tán xếp thành một đường thẳng thì giá trị tuyệt đối của r là 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Tuy nhiên, phương pháp này có 1 nhược điểm là chỉ đánh giá được 2 biến định lượng có tương quan tuyến tính hay khơng. Trong nhiều trường hợp, các biến định lượng có thể có tương quan phi tuyến tính thì phương pháp này khơng kiểm định được.
Phân tích hồi quy: Sau khi có kết quả phân tích tương quan tuyến tính các
giả thuyết H1, H2, H3, …. bài nghiên sứu sẽ lượng hóa các mối quan hệ bằng mơ hình hồi quy tuyến tính đa bội. Mơ hình này có dạng:
Y=β0+β1*X1i+β2*X2i+…+βp*Xpi+ei
Trong đó, biến Y được gọi là biến phụ thuộc (hoặc gọi là biến được giải thích), các biến X là các biến độc lập (hoặc gọi là biến giải thích). Kí hiệu Xpi là các biến độc lập X thứ p được quan sát lần thứ i. Hệ số βp là hệ số hồi quy riêng phần (partial regression coefficients) cho biến X thứ p. Hệ số ei là 1 biến độc lập ngẫu nhiên có giá trị trung bình e̅ = 0 và phương sai không đổi σ2.
Trong mơ hình hồi quy có một giả thiết quan trọng là khơng có biến độc lập nào có thể được biểu thị dưới dạng tổ hợp tuyến tính với các biến còn lại. Nếu tồn tại trường hợp như trên thì hiện tượng Đa cộng tuyến sẽ xảy ra. Độ chấp nhận của biến (Tolerance) và hệ số phóng đại phương sai (Variance Inflation Factor – VIF) là hai hệ số thống kê dùng để phát hiện hiện tượng trên. Nếu VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).