3.2.1 Phương pháp cho ̣n mẫu
Trong nghiên cứu này, vì sự ha ̣n chế về thời gian và chi phí nên sử du ̣ng phương pháp cho ̣n mẫu thuâ ̣n tiê ̣n để dễ dàng tiếp câ ̣n các đối tượng được khảo sát là những nhân viên đang làm viê ̣c ta ̣i các doanh nghiê ̣p trên đi ̣a bàn TP. Hồ Chí Minh. Sử du ̣ng bảng câu hỏi trong quá trình khảo sát và phỏng vấn trực tiếp các đối tươ ̣ng này. Như được đề câ ̣p ở trên, viê ̣c khảo sát được thực hiê ̣n bằng hình thức phỏng vấn trực tiếp, tiến hành gửi các bảng câu hỏi khảo sát đến các đối tượng khảo sát ở bến xe buýt Bến Thành, công viên Tao Đàn, Hoàng Văn Thu ̣ và đến những ho ̣c viên đang theo ho ̣c chương trình Cao ho ̣c và chương trình văn bằng 2 ta ̣i các lớp ban đêm thuô ̣c Đa ̣i ho ̣c Kinh tế Tp.HCM.
Bên ca ̣nh đó, nghiên cứu xem xét mức ảnh hưởng tổng quát của phong cách lãnh đa ̣o đích thực lên sự gắn kết và ba thành phần của tình tra ̣ng ha ̣nh phúc nhân viên ta ̣i nơi làm viê ̣c vì vâ ̣y không tiến hành phân nhóm các đối tượng khảo sát hay xét các yếu tố như loa ̣i hình doanh nghiê ̣p.
Về kích thước mẫu, có nhiều phương pháp nhằm xác đi ̣nh kích thước mẫu trong nghiên cứu, phu ̣ thuô ̣c vào các yếu tố như: đô ̣ tin câ ̣y cần thiết, phương pháp xử lý (phân tích hồi quy, phân tích nhân tố khám phá, phân tích cấu trúc SEM) v.v. Và trong nghiên cứu này, phân tích nhân tố khám phá (EFA) được sử du ̣ng để kiểm đi ̣nh mô hình và các giả thuyết, do đó kích thước mẫu được xác đi ̣nh dựa trên: (1) kích thước tối thiểu và (2) số lượng biến đưa vào nghiên cứu. Theo Hair và các cô ̣ng sự (2006, trích trong Nguyễn Đình Tho ̣, 2013), kích thước mẫu khi sử du ̣ng trong phân tích nhân tố khám phá tối thiểu là 50, tốt hơn là 100 và tỷ lê ̣ quan sát/biến đo lường là 5:1, nghĩa là kích cỡ mẫu n = số biến đưa vào phân tích*5, cu ̣ thể trong nghiên cứu này có tổng cô ̣ng là 33 biến quan sát, do đó kích cỡ mẫu tối thiểu n=165 và cỡ mẫu đươ ̣c lựa cho ̣n trong nghiên cứu là n=220 nhằm đảm bảo trong trường hợp có nhiều mẫu khảo sát không đầy đủ hay không phù hợp cho viê ̣c phân tích.
Phần mềm SPSS 16.0 đươ ̣c sử du ̣ng cho viê ̣c xử lý số liê ̣u thu thâ ̣p từ cuô ̣c khảo sát để phu ̣c vu ̣ cho nghiên cứu. Viê ̣c xử lý số liê ̣u bao gồm các nô ̣i dung chính sau:
+ Kiểm tra độ tin câ ̣y Cronbach’s Alpha của thang đo
Trong nghiên cứu đi ̣nh lượng, các khái niê ̣m nghiên cứu thường được đo lường bởi nhiều biến quan sát, vì vâ ̣y cần đảm bảo các biến quan sát này có thể đo lường các khía ca ̣nh khác nhau của mô ̣t khái niê ̣m thông qua kiểm tra hê ̣ số tin câ ̣y Cronbach’s Alpha của thang đo. Hê ̣ số Cronbach’s Alpha có giá tri ̣ biến thiên trong khoảng từ 0 đến 1. Về mă ̣t lý thuyết, hê ̣ số này càng cao càng tốt, tuy nhiên nếu quá lớn (>0.95), có nghĩa nhiều biến trong thang đo không có sự khác biê ̣t, các biến này gần như đo lường cùng mô ̣t nô ̣i dung hay mô ̣t khía ca ̣nh của khái niê ̣m và đây được go ̣i là hiê ̣n tượng trùng lắp. Mô ̣t số nhà nghiên cứu cho rằng hê ̣ số Cronbach’s Alpha trong khoảng từ 0.8 đến gần 1 thì thang đo là tốt, từ 0.7 đến gần 0.8 là thang đo có thể sử du ̣ng được. Cũng có những nhà nghiên cứu đề xuất hê ̣ số này có thể đươ ̣c chấp nhâ ̣n từ mức 0.6 trở lên trong trường thang đo là mới hoă ̣c mới với người trả lời (Nunnally & Bernsteri, 1994; Slater, 1995).
Một yếu tố khác là mô hình đo lường kết quả dựa trên nguyên tắc trùng lắp, do đó các biến quan sát đo lường mô ̣t khái niê ̣m phải có mối tương quan với nhau. Bên ca ̣nh viê ̣c kiểm tra hê ̣ số Cronbach’s Alpha, khi kiểm tra riêng lẻ các biến quan sát, sử du ̣ng hê ̣ số tương quan biến tổng (Corrected Item-Total Correlation), hê ̣ số này lấy tương quan của biến đang đo lường xét với tổng các biến còn la ̣i. Mô ̣t biến được xem là phù hợp khi có hê ̣ số tương quan biến tổng ≥ 0.3 (Nunnally & Bernsteri, 1994; Slater, 1995).
Vì vâ ̣y những biến được xem là phù hợp khi có hê ̣ số Cronbach’s Alpha từ 0.6 trở lên và hê ̣ số tương quan biến tổng > 0.3. Những biến không thỏa hai điều kiê ̣n trên sẽ bi ̣ loa ̣i bỏ.
+ Phân tích nhân tố khám phá (EFA)
Trong khi kiểm tra hệ số Cronbach’s Alpha nhằm kiểm tra đô ̣ tin câ ̣y của thang đo thì phân tích nhân tố khám phá sẽ giúp xác đi ̣nh giá tri ̣ của thang đo (giá tri ̣
hô ̣i tu ̣ - Convergent Validity và giá tri ̣ phân biê ̣t - Discriminant Validity) và phân tích nhân tố khám phá có thể hiểu là viê ̣c khám phá cấu trúc khái niê ̣m nghiên cứu, bỏ đi các biến đo lường chưa đa ̣t yêu cầu và bảo đảm thang đó có tính đồng nhất. Cu ̣ thể, mu ̣c đích chính của phân tích nhân tố khám phá sẽ nhằm rút go ̣n các biến quan sát trong bài nghiên cứu xuống còn mô ̣t số ít biến. Trong đó, kết quả phân tích nhân tố khám phá cần thỏa mô ̣t số tiêu chuẩn sau:
Kiểm đi ̣nh KMO (Kaiser – Meyer –Olkin measurre of sampling adequacy) và Barlett: để tiến hành phân tích nhân tố khám phá thì dữ liê ̣u thu được phải đáp ứng các điều kiê ̣n qua kiểm đi ̣nh KMO và Barlett. Trong đó, kiểm đi ̣nh KMO nhằm mu ̣c đích kiểm tra kích thước mẫu có phù hợp với phân tích nhân tố khám phá không và kiểm đi ̣nh Barlett dùng để kiểm đi ̣nh giả thuyết H0, giả thyết H0 là giả thuyết các biến không có sự tương quan với nhau trong tổng thể, tức là ma trâ ̣n tương quan tổng thể là ma trâ ̣n đơn vi ̣. Theo Hoàng Tro ̣ng và Chu Nguyễn Mô ̣ng Ngo ̣c (2007), dữ liê ̣u phải có giá tri ̣ Sig. trong kiểm đi ̣nh Barlett nhỏ hơn 0.5 để bác bỏ giả thuyết H0, có nghĩa các biến có tương quan với nhau trong tổng thể và giá tri ̣ KMO phải nằm giữa 0.5 và 1 thì mới phù hợp với phân tích nhân tố khám phá.
Ma trâ ̣n xoay các nhân tố: phương pháp sử du ̣ng ở đây là phương pháp xoay nhân tố Varimax procedure, xoay nguyên góc các nhân tố nhằm tối thiểu hóa các quan sát có hê ̣ số lớn thuô ̣c cùng mô ̣t nhân tố. Do đó, giúp tăng khả năng giải thích các nhân tố. Đồng thời, sau khi tiến hành xoay nhân tố, các quan sát có tro ̣ng số nhân tố nhỏ hơn 0.5 sẽ bi ̣ loa ̣i bỏ, những quan sát với tro ̣ng số nhân tố lớn hơn 0.5 sẽ được giữa la ̣i nhằm giải thích cho mô ̣t nhân tố nào đó, sau đó sắp xếp chúng thành những nhóm chính, và hê ̣ số tải nhân tố của mô ̣t biến quan sát trên các nhân tố cũng ≥ 0.3 để đảm bảo giá tri ̣ phân biê ̣t giữa các nhân tố. Có 2 tiêu chuẩn được sử du ̣ng trong viê ̣c xác đi ̣nh số lượng nhân tố trong nghiên cứu:
+ Tiêu chuẩn Kaiser (Kaiser Criterion): giú p xác đi ̣nh số lươ ̣ng nhân tố đươ ̣c rút trích từ thang đo. Những nhân tố được xem là không quan tro ̣ng sẽ bi ̣ loa ̣i ra và những nhân tố còn la ̣i được giữ la ̣i thông qua viê ̣c kiểm tra giá tri ̣ Eigenvalue. Eigenvalue là giá tri ̣ phương sai tách ra được của mỗi nhân tố, đa ̣i diê ̣n cho phần
biến thiên đươ ̣c giải thích bởi mỗi nhân tố, vì mong muốn của phân tích nhân tố là tối đa hóa phương sai nên giá tri ̣ tối thiểu của phương sai là 1, nên các nhân tố phải có Eigenvalue > 1 để được giữ la ̣i trong mô hình phân tích.
+ Tiêu chuẩn phương sai trích (Variance Explained Criteria): phân tích đươ ̣c xem là phù hợp khi tổng phương sai trích lớn hơn 50% (Gerbing & Anderson, 1988) và eigenvalue có giá tri ̣ >1.
+ Kiểm tra mối quan hệ tương quan tuyến tính của các biến
Để kiểm tra mối quan hê ̣ tương quan giữa 2 biến đi ̣nh lượng (1 biến đô ̣c lâ ̣p và 1 biến phu ̣ thuô ̣c), sử du ̣ng hê ̣ số tương quan Pearson (Pearson Correlation Coefficient), thường được ký hiê ̣u là r. Giá tri ̣ của hê ̣ số này biến thiên trong khoảng từ -1 đến 1, thể hiê ̣n mức đô ̣ chă ̣t chẽ trong mối quan hê ̣ tương quan của hai biến. Nếu tri ̣ tuyê ̣t đối của hê ̣ số này càng tiến gần tới 1 thì mối quan hê ̣ giữa hai biến là chă ̣t chẽ và nếu giá tri ̣ này bằng 0, có nghĩa là giữa hai biến không có mối quan hê ̣ tương quan. Khi hê ̣ số có giá tri ̣ âm, nghĩa là tương quan nghi ̣ch và tương quan thuâ ̣n khi hê ̣ số có giá tri ̣ dương.
Ngoài ra, hê ̣ số tương quan này có thể chỉ có giá tri ̣ trong mẫu mà chưa thể phản ánh được tổng thể, vì thế cần kiểm đi ̣nh giả thuyết về hê ̣ số tương quan của tổng thể (ký hiê ̣u p). Giả thuyết ban đầu H0 là không có mối quan hê ̣ tương quan thâ ̣t trong tổng thể giữa hai biến. Tùy vào mức ý nghĩa (xác suất chấp nhâ ̣n giả thuyết) sử du ̣ng, kiểm tra giá tri ̣ Sig. trong ma trâ ̣n tương quan để chấp nhâ ̣n hay bác bỏ giả thuyết trên để kết luâ ̣n cho dù hai biến đang xét có mối quan hê ̣ tương quan trong tổng thể hay không.
Sau đó, tiến hành phân tích hồi quy để xác đi ̣nh mức ý nghĩa và mối quan hê ̣ tuyến tính của các biến trong mô hình.