CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
3.4 Phƣơng pháp phân tích dữ liệu
“Sau khi việc thu thập dữ liệu được hoàn tất, những khảo sát không đạt
yêu cầu sẽ được rà sốt để loại bỏ, tiếp theo sẽ được mã hóa, nhập liệu, làm sạch dữ liệu bằng SPSS. Với phần mềm SPSS, nghiên cứu sử dụng các công cụ thống kê mô tả để đo lường các đại lượng như trung bình, phương sai, độ lệch chuẩn… nhằm tóm tắt dữ liệu, đặc điểm của những người được phỏng vấn. Sau đó, tác giả sử dụng cơng cụ Cronbach’s Alpha, phân tích khám phá EFA, phân tích hồi quy để đánh giá tác động các nhân tố phong cách lãnh đạo tích hợp tác động đến động lực phụng sự công.”
3.4.1 Kiểm định thang đo
“Để đánh giá thang đo và các khái niệm trong nghiên cứu cần kiểm tra độ
tin cậy và độ giá trị của thang đo. Dựa trên hệ số tin cậy Cronbach’s Alpha, hệ số tương quan biến - tổng (Item - total correlation) giúp loại ra những biến quan sát khơng đóng góp vào việc mô tả khái niệm cần đo, hệ số Cronbach’s Alpha nếu loại biến (Cronbach’s Alpha if Item Deleted) để giúp đánh giá loại bỏ biến quan sát nhằm nâng cao hệ số tin cậy Cronbach’s Alpha cho khái niệm cần đo và phương pháp phân tích nhân tố khám phá (EFA) nhằm kiểm tra độ giá trị của thang đo các khái niệm nghiên cứu.
Hệ số tương quan biến – tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo. Do đó, hệ số này càng cao thì sự tương quan giữa biến với các biến khác trong nhóm càng cao. Các biến quan sát có hệ số tương quan biến - tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại ra khỏi mơ hình. Theo Nunnally và Burnstein (1994) thì hệ số Cronbach’s 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 hơp khái niệm nghiên cứu là mới hoặc trong hoàn cảnh nghiên cứu mới. Trong nghiên cứu này, tác giả chọn thang đo có độ tin cậy là từ 0.6 trở lên.”
3.4.2 Phân tích nhân tố khám phá EFA
“Phân tích nhân tố được dùng để tóm tắt dữ liệu và rút ngọn tập hợp các
yếu tố quan sát thành những yếu tố chính (gọi là các nhân tố) dùng trong phân tích, kiểm định tiếp theo. Các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề cần nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Tiêu chuẩn phân tích nhân tố khám phá (EFA) bao gồm:
Tiêu chuẩn Bartlett và hệ số KMO dùng để đánh giá sự thích hợp của EFA. Theo đó, giả thuyết H0 (các biến khơng có tương quan với nhau trong tổng thể) bị bác bỏ và do đó EFA được gọi là thích hợp khi 0.5 ≤ KMO ≤ 1 và Sig <0.05 ngược lại KM0 < 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2005).
+ Tiêu chí Eigenvalue để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, số lượng nhân tố được xác định phải có Eigenvalue tối thiểu bằng 1 (≥1)
+ Tiêu chuẩn hệ số tải nhân tố (Factor loadings) biểu thị tương quan đơn giữa các biến với các nhân tố, dùng để đánh giá mức ý nghĩa của EFA. Hệ số Factor loading > 0.3 được xem là mức tối thiểu; Factor loading > 0.4 được xem là quan trọng; Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
+ Phép xoay nhân tố Varimax thang đo được chấp nhận khi tổng phương sai trích lớn hơn 50%.”
3.4.3 Phân tích hồi quy tuyến tính bội
“Phân tích hồi quy tuyến tính nhằm xác định tầm quan trọng của các biến
độc lập đối với biến phụ thuộc. Q trình phân tích tương quan và hồi quy tuyến tính được thực hiện qua các bước:
Bước 1 : Kiểm tra tương quan giữa các biến độc lập với nhau và với biến
phụ thuộc thông qua ma trận hệ số tương quan. Theo đó, điều kiện để phân tích hồi qui là phải có tương quan giữa các biến độc lập với nhau và với biện phụ thuộc. Tuy nhiên, theo John và cộng sự (2000) khi hệ số tương quan < 0.85 thì
có khả năng đảm bảo giá trị phân biệt giữa các biến. Nghĩa là, nếu hệ số tương quan > 0,85 thì cần xem xét vai trị của các biến độc lập, vì có thể xảy ra hiện tượng đa cộng tuyến.
Bước 2 : Xây dựng và kiểm định mơ hình hồi quy
Phân tích hồi quy nhằm khẳng định sự phù hợp của mơ hình nghiên cứu, kiểm định các giả thuyết để xác định mức độ ảnh hưởng của từng yếu tố tác động đến biến phụ thuộc. Sau khi thang đo của các yếu tố được kiểm định, bước tiếp theo sẽ tiến hành chạy hồi quy tuyến tính và kiểm định với mức ý nghĩa 5% theo mơ hình :
Y = β1x1 + β2x2 + β3x3 + β4x4 +….+βnxn+ α
Được thực hiện thông qua các thủ tục : Lựa chọn các biến đưa vào mơ hình hồi quy, đánh giá độ phù hợp của mơ hình bằng hệ số xác định R2 điều chỉnh (Adjusted R Square). Hệ số R2 điều chỉnh có đặc điểm khơng phụ thuộc vào số lượng biến đưa thêm vào mơ hình và phù hợp để đánh giá mức độ phù hợp của mơ hình hồi quy bội.
Bước 3 : Kiểm tra vi phạm các giả định hồi quy
- Công cụ để kiểm tra giả định liên hệ tuyến tính là đồ thị phân tán phần dư chuẩn hóa (Scatter) biểu thị tương quan giữa giá trị phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Pridicted Value).
- Cơng cụ để kiểm tra giả định phần dư có phân phối chuẩn là đồ thị tần số Histogram hoặc tần số P-P plot.
-Công cụ để kiểm tra giả định sai số của biến phụ thuộc có phương sai khơng đổi là kiểm định Spearman.
- Công cụ được sử dụng để kiểm tra giả định khơng có tương quan giữa các phần dư là đại lượng thống kê Durbin – Waston, hoặc đồ thị phân tán phần dư chuẩn hóa (Scatter).
- Cơng cụ được sử dụng để phát hiện tồn tại hiện tượng đa cộng tuyến là độ chấp nhận của biến (Tolerance) hoặc hệ số phóng đại phương sai (Variance inflation factor –VIF). Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008),
quy tắc chung là VIF > 10 là dấu hiệu đa cộng tuyến. Hệ số Beta chuẩn hóa được dùng để đánh giá mức độ quan trọng của từng nhân tố, hệ số Beta chuẩn hóa của biến nào càng cao thì mức độ tác động của biến đó đến sự động lực phụng sự cơng càng lớn.”
TĨM TẮT CHƢƠNG 3
“Trong Chương 3, tác giả tập trung trình bày về phương pháp nghiên cứu
thơng qua việc mơ tả quy trình nghiên cứu, các bước nghiên cứu, cách thức thu thập dữ liệu thơng tin, sử dụng phương pháp định tính và định lượng để hồn chỉnh mơ hình, xây dựng thang đo, mã hóa các câu hỏi, xác định kích thước mẫu khảo sát. Giới thiệu sơ lược kỹ thuật và yêu cầu phân tích dữ liệu phần mềm SPSS 20.0..”