CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VÀ MƠ HÌNH NGHIÊN CỨU
3.3. NGHIÊN CỨU ĐỊNH LƯỢNG
3.3.1. Phương pháp thu thập dữ liệu
Đối tượng khảo sát: tập trung chủ yếu là các nhân viên trong lĩnh vực ngân
hàng đang trực tiếp công tác và làm việc tại các ngân hàng thuộc khu vực TP.HCM.
Phương pháp khảo sát: trong nghiên cứu này tác giả sử dụng phương pháp
chọn mẫu thuận tiện, dữ liệu được thu thập thơng qua hình thức phỏng vấn trực tiếp. Tác giả gửi bảng câu hỏi trực tiếp đến các đối tượng được khảo sát đang công tác tại các ngân hàng thuộc khu vực TP.HCM: Ngân hàng thương mại cổ phần Vietcombank (chi nhánh Quận Tân bình), Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (Chi nhánh TP. Hồ Chí Minh), Ngân hàng quân đội MBBank (chi nhánh Quận 3), Ngân hàng Nam Á (chi nhánh Hội Sở-CMT8-1, Quận 3), Ngân hàng thương mại cổ phần Á Châu (ACB – chi nhánh Quận 1), Ngân hàng TMCP Sài Gịn Thương Tín (Sacombank - chi nhánh Quận Bình Thạnh), Ngân hàng HSBC, Ngân hàng Thương mại Cổ phần Bưu điện Liên Việt (LienVietPostBank – chi nhánh Quận Tân Bình, chi nhánh Quận Gò Vấp), Ngân hàng thương mại cổ phần Việt Nam (OCB – chi nhánh Quận Tân Bình).
3.3.2. Cỡ mẫu
Phương pháp phân tích dữ liệu được sử dụng cho nghiên cứu này là phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) và phân tích mơ hình cấu trúc tuyến tính (SEM). Các nhà nghiên cứu trong lĩnh vực này đều thống nhất rằng phương pháp này u cầu phải có kích thước mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu lớn (Raykov và Widaman, 1995). Kích thước mẫu cũng tùy thuộc vào phương pháp ước lượng sử dụng (ML, GLS hay ADF).
Trong EFA, kích thước mẫu thường được xác định dựa vào:
Đối với phân tích nhân tố EFA, cỡ mẫu tối thiểu là N ≥ 5*x (x: là tổng số biến quan sát) (Hair và cộng sự, 1998: trích từ Michele, 2005).
Dựa trên quan điểm của Bollen (1989), tối thiểu phải có 5 quan sát (5 mẫu) thu được trên mỗi biến quan sát trên. Trong nghiên cứu này tổng số biến quan sát là 28, do đó số mẫu tối thiểu cần đạt là 140.
3.3.3. Các phương pháp xử lý và phân tích dữ liệu 3.3.3.1. Phân tích thống kê mơ tả 3.3.3.1. Phân tích thống kê mơ tả
Phân tích thống kê mơ tả để thống kê tỷ lệ, tóm tắt và phân tích theo các thuộc tính nhân khẩu học của mẫu nghiên cứu hợp lệ từ dữ liệu khảo sát thực tế như: giới tính, độ tuổi, trình độ, thâm niên/kinh nghiệm, thu nhập, cấp bậc/vị trí... qua đó cho thấy thông tin tổng quan về phân phối mẫu nghiên cứu.
3.3.3.2. Kiểm định và đánh giá thang đo
Độ tin cậy của các biến quan sát dựa vào hệ số kiểm định Cronbach’s Alpha của các thành phần thang đo và hệ số Cronbach’s Alpha của mỗi biến đo lường. Các biến quan sát có hệ số tương quan biến tổng (Corrected item total correlation) < 0,3 sẽ bị loại. Một thang đo có độ tin cậy chấp nhận được khi nó biến thiên trong khoảng từ [0,7 – 0,8] và tốt trong khoảng từ [0,8 – 0,9]. Cronbach’s alpha ≥ 0,6 là thang đo có thể chấp nhận được về mặt tin cậy (Nunnally và Bernstein, 1994).
Hệ số Cronbach’s alpha được tính như sau:
Trong đó: ρ là hệ số tương quan trung bình giữa tất cả các cặp biến quan sát được kiểm tra.
Phương pháp kiểm định và đánh giá thang đo dựa trên hệ số Cronbach’s Alpha cho biết các đo lường có mối tương quan với nhau hay khơng, tuy nhiên không cho biết cụ thể biến nào cần loại bỏ hay giữ lại, do đó hệ số tương quan biến tổng sẽ là chỉ số giúp loại bỏ các các biến quan sát khơng đóng góp nhiều trong việc mơ tả khái niệm cần đo lường (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
Sau khi đánh giá sơ bộ thang đo và độ tin cậy của các biến quan sát bằng hệ số Cronbach's Alpha, các biến này được đưa vào kiểm định trong phân tích EFA để đánh giá giá trị hội tụ và giá trị phân biệt của thang đo.
3.3.3.3. Phân tích nhân tố khám phá (EFA)
Phương pháp nhân tố khám phá (EFA) được sử dụng để xác định các nhóm tiêu chí đánh giá và rút gọn một tập k biến quan sát thành một tập F (F < k) các nhân tố ý nghĩa hơn dựa vào mối quan hệ tuyến tính của các nhân tố với các biến quan sát. Để tiến hành phân tích nhân tố khám phá cần sử dụng phương pháp phương pháp trích xuất PAF và phép quay ma trận khơng vng góc Promax giúp phản ánh cấu trúc dữ liệu tiềm ẩn chính xác và giúp phát hiện ra các thứ nguyên (các thành phần tiềm ẩn) trong dữ liệu gốc Gerbing và Anderson (1988), và dữ liệu thu được phải đáp ứng được các điều kiện:
− Kiểm định Bartlett’s (Sig. = 0,000 < 5%): các biến quan sát trong phân tích nhân tố có tương quan với nhau trong tổng thể thì giá trị Sig. < 0,05 cho phép bác bỏ giả thiết H0, tức ma trận tương quan tổng thể là một ma trận đơn vị (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2007).
− Hệ số KMO (0,5 < KMO < 1): kiểm tra kích thước mẫu nghiên cứu có phù hợp với phân tích nhân tố hay khơng, chỉ giữ lại những nhân tố quan trọng bằng cách xem xét giá trị khởi tạo Eigenvalue (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
− Giá trị khởi tạo Eigenvalue: đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, chỉ giữ lại nhân tố nào có Eigenvalue lớn hơn 1 trong mơ hình nghiên cứu (Garson, 2003).
− Tổng phương sai trích: cho thấy mức tỷ lệ giải thích cho sự biến thiên của các nhân tố khi xem độ biến thiên là 100% (phân tích nhân tố là thích hợp nếu tổng phương sai trích khơng được nhỏ hơn 50%).
− Hệ số tải nhân tố F phải ≥ 0,3 (tuỳ theo kích thước mẫu thu thập, nhưng tối thiểu F ≥ 0,3).
3.3.3.4. Phân tích nhân tố khẳng định (CFA)
Phân tích nhân tố khẳng định (CFA) là một trong các kỹ thuật thống kê của mơ hình cấu trúc tuyến tính (SEM). CFA được sử dụng nhằm tiến hành kiểm định thống kê biến quan sát (measured variables) đại diện cho các nhân tố (constructs) tốt
đến mức nào và khẳng định lại độ tin cậy, tính đơn hướng, đa hướng, giá trị hội tụ và giá trị phân biệt của bộ thang đo cần đánh giá.
Các chỉ số đánh giá sự phù hợp của mơ hình với dữ liệu nghiên cứu được liệt kê dưới đây với ngưỡng giá trị chấp nhận. Độ phù hợp mơ hình nghịch đảo với kích cỡ mẫu và số biến quan sát trong mơ hình (Hair và Cộng sự, 2010):
Bảng 3.1: Các chỉ số đánh giá sự phù hợp
Các chỉ số đánh giá Giá trị
Chi-square/df (CMIN/DF)
<3 tốt; < 5 thỉnh thoảng chấp nhận cho một số trường hợp.
P-value for the modal <0.05
CFI >0.95 tốt; >0.9 chấp nhận; >0.8 thình thoảng chấp nhận cho một số trường hợp. GFI >0.95 AGFI >0.8 SRMR <0.09 RMSEA <0.05 tốt; từ 0.05 đến 0.1 chấp nhận; >0.1 không chấp nhận. PCLOSE > 0.05
Nguồn: Tổng hợp theo Hair và Cộng sự, 2010.
3.3.3.5. Phân tích mơ hình cấu trúc tuyến tính và kiểm định giả thuyết
Mơ hình phương trình cấu trúc tuyến tính (SEM) là một kỹ thuật thống kê để kiểm tra và ước tính mối quan hệ nhân quả bằng cách phân tích tích hợp nhân tố và đường dẫn. SEM có thể kiểm tra một loạt các mối quan hệ phụ thuộc đồng thời. Nó đặc biệt hữu ích trong việc kiểm tra các lý thuyết có chứa nhiều phương trình liên quan đến mối quan hệ phụ thuộc. SEM là sự phát triển của General Linier Model (GLM) với nhiều phương trình hồi quy. SEM đáng tin cậy, minh họa và mạnh mẽ hơn các kỹ thuật hồi quy khi mơ hình hóa tương tác, phi tuyến tính, sai số đo lường, sai số tương quan và tương quan giữa nhiều biến độc lập (Hair, Black, Babin và Anderson Tatham, 2006). Mặc dù các mơ hình SEM có thể được kiểm tra theo nhiều
cách khác nhau, tất cả các mơ hình phương trình cấu trúc được phân biệt bởi ba đặc điểm:
(1) Đánh giá các mối quan hệ phụ thuộc nhiều và tương quan đến nhau. (2) Ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn.
(3) Xác định một mơ hình để giải thích tồn bộ tập hợp các mối quan hệ. Mơ hình hóa phương trình cấu trúc có thể kiểm tra đồng thời một loạt các mối quan hệ phụ thuộc.
SEM cung cấp một cách hữu ích để xác định xem dữ liệu khảo sát thực tế có đồng nhất với giả thuyết tiên nghiệm về cấu trúc mơ hìnhđược đề xuất hay không.
Trong nghiên cứu này, phương pháp phân tích mơ hình cấu trúc tuyến tính (SEM) được sử dụng nhằm kiểm định các giả thuyết trong mơ hình nghiên cứu lý thuyết.
3.3.3.6. Kiểm định độ tin cậy của ước lượng bằng Bootstrap
Tính bền vững của mơ hình nghiên cứu được kiểm định bằng phương pháp phân tích Boostrap. Đây là phương pháp lấy mẫu lặp lại có thay thế từ mẫu ban đầu, trong đó mẫu ban đầu đóng vai trị đám đơng (Schumacker và Lomax, 1996). Từ mẫu ban đầu lấy lại các mẫu ngẫu nhiên cùng cỡ với mẫu gốc bằng phương pháp lấy mẫu có hồn lại, gọi là mẫu bootstrap. Với mỗi mẫu lấy lại ta tính được giá trị tham số thống kê quan tâm gọi lại tham số bootstrap. Sự phân bố của các tham số thống kê mẫu bootstrap là phân phối bootstap. Xem xét các chỉ số: trị tuyệt đối CR, độ tin cậy để đưa ra kết luận các ước lượng trong mơ hình nghiên cứu có thể tin cậy được (trị tuyệt đối CR < 2).
3.3.3.7. Kiểm định sự khác biệt của các nhân tố ảnh hưởng tới ý định ở tổ chức theo các biến nhân khẩu học. theo các biến nhân khẩu học.
Để kiểm định sự khác biệt về ảnh hưởng của các nhân tố đến sự gắn kết công việc theo các nhóm thuộc thuộc các biến định tính có kích thước mẫu đủ lớn, phương pháp phân tích phương sai một yếu tố (one - way ANOVA) được sử dụng nhằm kiểm định giả thuyết về sự bằng nhau của giá trị trung bình của nhiều nhóm tổng thể độc lập với mức ý nghĩa là 0,05 (độ tin cậy 95%).