Phương pháp phân tích dữ liệu nghiên cứu

3.3.2 .Chọn mẫu nghiên cứu

3.3.5. Phương pháp phân tích dữ liệu nghiên cứu

3.3.5.1. Phương pháp thống kê mô tả

Để đánh giá nghiên cứu, tác giả sử dụng thống kê mô tả: Giá trị thấp nhất, giá trị lớn nhất , giá trị trung bình, phương sai, độ lệch chuẩn để mơ tả đối tượng khảo sát như độ tuổi, giới tính, trình độ học vấn, thâm niên cơng tác tại Ban quản lý dự án.

3.3.5.2. Đánh giá sơ bộ thang đo

Việc đánh giá sơ bộ độ tin cậy và giá trị của thang đo được thực hiện bằng phương pháp hệ số tin cậy Cronbach’s Alpha và phân tích nhân tố khám phá EFA thông qua phần mềm SPSS 20.0 để phân tích, loại bỏ các biến quan sát, thang đo không đáp ứng tiêu chuẩn độ tin cậy.

Các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại (Nguyễn Đình Thọ, 2011). Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008, tr.257,258) cùng nhiều nhà nghiên cứu cho rằng khi hệ số Cronbach’s Alpha từ 0.6 trở lên là sử dụng được và tiêu chuẩn lựa chọn thang đo khi hệ số Cronbach’s Alpha từ 0.6 trở lên trong trường hợp khái niệm đang đo lường là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu.

Tuy nhiên, bên cạnh hệ số Cronbach’s Alpha, người ta còn sử dụng tương quan biến tổng, do hệ số Cronbach’s Alpha không cho biết biến nào giữ, biến nào loại. Theo đó những hệ số nào có tương quan biến tổng <0.3 sẽ bị loại bỏ (Nguyễn Đình Thọ, 2011).

3.3.5.3. Phân tích nhân tố khám phá

Phân tích nhân tố khám phá (EFA) là một phương pháp phân tích định lượng để rút gọn một tập hợp gồm nhiều biến đo lường phụ thuộc lẫn nhau thành một biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair et al.2009).

Phân tích EFA dựa trên cơ sở mối quan hệ giữa các biến đo lường. Vì vậy, trước khi quyết định sử dụng EFA, chúng ta cần xem xét mối quan hệ giữa các

biến đo lường này. Sử dụng ma trận hệ số tương quan (correlation matrix), chúng ta có thể nhận biết được mức độ quan hệ giữa các biến. Nếu hệ số tương quan nhỏ hơn 0.3, khi đó sử dụng EFA khơng phù hợp (Hair et al.2009).

Theo Hair & ctg (2009, 116), Multivariate Data Analysis, Prentice-Hall nternational, Inc, Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA: Nếu 0.3 <=Factor loading <=0.4 được xem là đạt được mức tối thiểu Nếu Factor loading >= 0.5 được xem là có ý nghĩa thực tiễn. Giá trị tiêu chuẩn

của hệ số tải Factor Loading: Với 179 mẫu thì giá trị này phải từ 0,45 cho đến 0,5.

Trong phân tích nhân tố khám phá, hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của các phân tích nhân tố. Chỉ số KMO nếu nhỏ hơn 0.50 thì phân tích nhân tố khám phá có khả năng khơng thích hợp với các biến.

Kiểm định Bartlett’s xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng khơng trong tổng thể. Nếu kiểm định này có ý nghĩa (Sig<0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc .2008).

3.3.5.4. Phân tích hồi quy tuyến tính

Sau khi kiểm định các thang đo, dữ liệu đã được tính tốn để phục vụ cho việc chạy hồi quy các biến phụ thuộc là yếu tố động lực làm việc và các biến độc lập (Tiền lương, điều kiện làm việc, ghi nhận sự đóng góp, ổn định cơng việc, phúc lợi, phong cách lãnh đạo). Giá trị của các yếu tố được dùng để chạy hồi quy là các nhân số của các yếu tố đã qua kiểm định được lưu theo cách chuẩn hóa trong phân tích EFA.

- Phân tích tương quan

Do một trong những điều kiện để tiến hành hồi quy là biến phụ thuộc phải có tương quan với biến độc lập nên việc tiến hành phân tích tương quan là cần thiết. Trong bước này, phép phân tích tương quan Pearson được sử dụng để đánh giá độ

tương quan giữa các nhân tố độc lập với nhân tố phụ thuộc. Ngoài ra, cũng cần xét tới mối quan hệ tương quan giữa các biến độc lập để đánh giá về khả năng xảy ra đa cộng tuyến trong mơ hình hồi quy.

Trong Bảng tương quan Correlations, giá trị sig giữa biến độc lập và biến phụ thuộc nhỏ hơn 0,05 nghĩa là biến độc lập đó có tương quan với biến phụ thuộc, nếu lớn hơn 0,05 nghĩa là biến độc lập đó khơng tương quan với biến phụ thuộc và nên loại bỏ biến đó trước khi chạy hồi quy. Khi sig nhỏ hơn 0,05, cần chú ý tới hệ số tương quan Pearson r để đánh giá mức độ tương quan mạnh/yếu giữa các biến độc lập với biến phụ thuộc.

Nếu các giá trị sig giữa các biến độc lập lớn hơn 0,05 nghĩa là giữa các biến độc lập này khơng có mối tương quan và nó càng khẳng định tính "độc lập" tốt giữa các biến độc lập. Nếu sig nhỏ hơn 0,05 thì lưu ý tới hệ số tương quan Pearson để xem tính tương quan mạnh hay yếu giữa các biến và có thể xảy ra đa cộng tuyến giữa các biến độc lập.

Hệ số tương quan Pearson càng tiến về 1 càng tương quan mạnh. Ngược lại, hệ số này càng tiến gần về 0 thì tương quan càng yếu. Cần lưu ý đến giá trị sig: nếu mức ý nghĩa 1% thì giá trị sig phải < 0,01 tương ứng với các dấu (**) được đánh dấu trên hệ số tương quan r, còn mức ý nghĩa là 5% thì sig < 0,05 tương ứng với các dấu (*) được đánh dấu trên hệ số tương quan r.

- Phân tích hồi quy

Mục đích của phân tích hồi quy là để xác định mức độ tác động của các nhân tố độc lập lên các nhân tố phụ thuộc. Quy trình hồi quy sẽ được thực hiện cho nhân tố động lực phụng sự cơng theo các nhân tố văn hóa tổ chức.

Sử dụng bảng Model Summary, chú ý giá trị Adjusted R Square (R bình phương hiệu chỉnh) cho biết các biến độc lập giải thích được bao nhiêu phần trăm (%) sự biến thiên của biến phụ thuộc

Hệ số Durbin Watson dùng để kiểm tra xem có hiện tương tự tương quan hay không trong phần dư của một phép phân tích hồi quy.

Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến, nếu VIF >2 thì phải thận trọng trong diễn giải các trọng số hồi quy.

Sử dụng trọng số hồi quy chuẩn hóa để so sánh mức độ tác động của các biến độc lập vào biến phụ thuộc.

Kiểm định sự phù hợp của mơ hình hồi quy bằng biểu đồ Scatter Plot, kết quả đồ thị nếu các điểm phân bố của phần dư nếu có các dạng: đồ thị Parabol, đồ thị Cubic,.. hay các dạng đồ thị khác không phải đường thẳng thì dữ liệu đã vi phạm giả định liên hệ tuyến tính. Nếu giả định quan hệ tuyến tính được thỏa mãn thì phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường tung độ 0 (trường hợp biểu diễn phần dư chuẩn hóa Standardized Residual ở trục tung).

Biểu đồ tần số của các phần dư Histogram, một đường cong phân phối chuẩn được đặt chồng lên biểu đồ tần số. Đường cong này có dạng hình chng, phù hợp với dạng đồ thị của phân phối chuẩn. Giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1, thì phân phối phần dư xấp xỉ chuẩn, tức là giả thiết phân phối chuẩn của phần dư không bị vi phạm.

Biểu đổ P-P Plot cũng là một dạng biểu đồ được sử dụng phổ biến giúp nhận diện sự vi phạm giả định phần dư chuẩn hóa, các chấm trịn tập trung thành dạng một đường chéo thì sẽ khơng vi phạm giả định hồi quy về phân phối chuẩn phần dư.

- Phân tích ANOVA

Mục đích của phân tích này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng

Trường hợp biến định tính có 02 giá trị thì kiểm định sự khác biệt bằng phương pháp Independent Samples T Test.

Quan sát bảng Independent Samples Test:

- Nếu sig Levene's Test nhỏ hơn 0,05 thì phương sai giữa 2 biến là khác nhau, sử dụng giá trị sig T-Test ở hàng Equal variances not assumed để kết luận:

+ Giá trị sig T-Test < 0,05 kết luận: Có sự khác biệt.

- Nếu sig Levene's Test lớn hơn hoặc bằng 0,05 thì phương sai giữa 2 giá trị của biến định tính là khơng khác nhau, sử dụng giá trị sig T-Test ở hàng Equal variances assumed để kết luận:

+ Giá trị sig T-Test < 0,05 kết luận: Có sự khác biệt.

+ Giá trị sig T-Test >= 0,05 kết luận: Khơng có sự khác biệt.

Trường hợp biến định tính có từ 03 giá trị thì kiểm định sự khác biệt bằng phương pháp one-way-anova.

Quan sát bảng Test of Homogeneity of Variances, xét sig của Levene Statistic.

- Nếu sig ở kiểm định này >= 0,05, xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng ANOVA < 0,05, kết luận: Có sự khác biệt. Nếu sig ở bảng ANOVA >= 0,05, kết luận: Khơng có sự khác biệt.

- Nếu sig ở kiểm định này < 0,05 thì kiểm định Welch, quan sát bảng Robust Tests of Equality of Means. Nếu sig kiểm định Welch ở bảng Robust Tests < 0,05, kết luận: Có sự khác biệt. Nếu sig kiểm định Welch ở bảng Robust Tests ≥ 0.05, kết luận: Khơng có sự khác biệt.

Xây dựng và kiểm định hàm hồi quy Y=β 1X1+ β 2X2+ β 3X3+ β 4X4… βk Xk

Kiểm định độ phù hợp của mơ hình để lựa chọn mơ hình tối ưu bằng cách sử dụng phương pháp phân tích ANOVA để kiểm định giả thuyết H0 . Nếu giá trị thống kê F có sig rất nhỏ <0.05, thì giả thuyết H0 bị bác bỏ. Khi đó có thể kết luận tập hợp của các biến độc lập trong mơ hình có thể giải thích cho sự biến thiên của các biến phụ thuộc. Mơ hình xây dựng phù hợp với dữ liệu và sử dụng được.

Xác định mức độ quan trọng của các biến độc lập đến biến phụ thuộc bằng đơn vị đo lường độ lệch chuẩn Beta.

Công cụ kiểm chứng:

Kiểm tra giả định quan hệ tuyến tính bằng 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 đốn chuẩn hóa (Standardized Pridicted Value)

Kiểm tra giả định phần dư có phân phối chuẩn bằng đồ thị tần số Histogram Kiểm tra giả định sai số của biến phụ thuộc có phương sai khơng đổi bằng đồ thị phân tán của phần dư và giá trị dự đoán hoặc kiểm định Spearman’s rho.

Kiểm tra giả định khơng có tương quan giữa các phần dư bằng đồ thị phân tán phần dư chuẩn hóa (Scatter)

Phát hiện hiện tượng đa cơng tuyến bằng hệ số phóng đại phương sai. Nếu VIF (Variance inflation factor) lớn hơn 2 là dấu hiệu cộng đa tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).

3.3.5.5. Ý nghĩa giá trị trung bình trong thang đo khoảng

Giá trị khoảng cách = (Maximum – Minimum) / n = (5-1)/5 = 0.8 Ý nghĩa các mức như sau:

1.00 – 1.80: Rất không đồng ý/ Rất không hài lòng/ Rất không quan trọng… 1.81 – 2.60: Không đồng ý/ Không hài lòng/ Không quan trọng…

2.61 – 3.40: Khơng ý kiến/ Trung bình… 3.41 – 4.20: Đồng ý/ Hài lòng/ Quan trọng…

4.21 – 5.00: Rất đồng ý/ Rất hài lòng/ Rất quan trọng…

3.3.5.6. Phân tích ANOVA

Mục đích của phân tích này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng.

Trường hợp biến định tính có 02 giá trị thì kiểm định sự khác biệt bằng phương pháp Independent Samples T Test.

Quan sát bảng Independent Samples Test:

- Nếu sig Levene's Test nhỏ hơn 0,05 thì phương sai giữa 2 biến là khác nhau, sử dụng giá trị sig T-Test ở hàng Equal variances not assumed để kết luận:

+ Giá trị sig T-Test < 0,05 kết luận: Có sự khác biệt.

+ Giá trị sig T-Test >= 0,05 chúng ta kết luận: Khơng có sự khác biệt.

- Nếu sig Levene's Test lớn hơn hoặc bằng 0,05 thì phương sai giữa 2 giá trị của biến định tính là khơng khác nhau, sử dụng giá trị sig T-Test ở hàng Equal variances assumed để kết luận:

+ Giá trị sig T-Test < 0,05 kết luận: Có sự khác biệt.

+ Giá trị sig T-Test >= 0,05 kết luận: Khơng có sự khác biệt.

Trường hợp biến định tính có từ 03 giá trị thì kiểm định sự khác biệt bằng phương pháp one-way-anova.

Quan sát bảng Test of Homogeneity of Variances, xét sig của Levene Statistic.

- Nếu sig ở kiểm định này >= 0,05, xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng ANOVA < 0,05, kết luận: Có sự khác biệt. Nếu sig ở bảng ANOVA >= 0,05, kết luận: Khơng có sự khác biệt.

- Nếu sig ở kiểm định này < 0,05 thì kiểm định Welch, quan sát bảng Robust Tests of Equality of Means. Nếu sig kiểm định Welch ở bảng Robust Tests < 0,05, kết luận: Có sự khác biệt. Nếu sig kiểm định Welch ở bảng Robust Tests ≥ 0.05, kết luận: Khơng có sự khác biệt.

TĨM TẮT CHƯƠNG 3

Chương 3 trình bày quy trình nghiên cứu và phương pháp nghiên cứu. Xây dựng các giả thuyết, các biến quan sát. Phương pháp chọn mẫu, phương pháp thu thập dữ liệu. Mẫu được chọn bằng phương pháp thuận tiện. Số mẫu tác giả đề xuất khảo sát chính thức là 200 mẫu. Sau khi thu thập, sàng lọc sai xót trong q trình lấy mẫu. Số phiếu đưa vào phân tích là 179 phiếu.