3.2.1 Mẫu nghiên cứu
Theo Hair, Anderson, Tatham, Black, (1998), Trong EFA, kích thước mẫu thường được xác định dựa vào kích thước tối thiểu và số lượng biến quan sát đưa vào phần tích. Để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỷ lệ quan sát/biến quan sát là 5:1, nghĩa là 1 biến quan sát cần tối thiểu 5 quan sát, tốt nhất là 10:1 trở lên (Hair, Anderson, Tatham, Black, 1998). Trong nghiên cứu này, tác giả lấy kích thước mẫu theo cơng thức: N ≥ 5*x (trong đó: x là tổng số biến quan sát). Nghiên cứu gồm có 25 biến quan sát, như vậy kích thước mẫu tối thiểu là 125. Để đạt được kích thước mẫu đề ra, tác giả đã thực hiện phát 150 phiếu khảo sát đã được phát ra thơng qua hình thức gửi trực tiếp bảng câu hỏi đến cán bộ, công chức tỉnh Đồng Nai. Trong 150 phiếu khảo sát đã phát ra, số phiếu thu hồi về dự kiến khoảng 129 phiếu. Do đó, mẫu điều tra được chọn là 150 quan sát là phù hợp với yêu cầu và mang tính đại diện của mẫu nên đảm bảo cho việc thực hiện nghiên cứu.
3.2.2 Phƣơng pháp thu thập dữ liệu
Phương pháp thu thập dữ liệu có nhiều phương pháp chọn mẫu, chúng được chia thành hai nhóm chính bao gồm: (1) phương pháp chọn mẫu theo xác suất, thường gọi là chọn mẫu ngẫu nhiên, và (2) các phương pháp chọn mẫu khơng theo xác suất, cịn gọi là phi xác suất hay không ngẫu nhiên. Do điều kiện thời gian có hạn, trong nghiên cứu này phương pháp chọn mẫu phi xác suất với hình thức chọn mẫu thuận tiện được sử dụng. Lý do vì người trả lời dễ tiếp cận, họ sẵn sàng trả lời phiếu điều tra cũng như ít tốn kém về thời gian và chi phí để thu thập thơng tin cần nghiên cứu, các phiếu điều tra được khảo sát trực tiếp đến đối tượng công chức.
3.2.3 Phƣơng pháp xử lý số liệu
Phần mềm SPSS 20.0 được sử dụng để phân tích kết quả các câu hỏi dữ liệu thu thập. Sau khi hoàn tất việc kiểm tra gạn lọc các bảng câu hỏi thiếu thông tin hay trả lời theo cùng 1 đáp án cho tất cả câu hỏi… rồi tiếp tục mã hóa, nhập liệu và làm sạch dữ liệu và sử dụng một số phương pháp phân tích trong nghiên cứu, cụ thể như sau:
Thống kê mô tả: Thống kê mô tả được sử dụng để mơ tả đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mơ tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo nhằm tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các kỹ thuật cơ bản của mô tả dữ liệu:
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu: khi tóm tắt một đại lượng về thơng tin người lao động (giới tính, độ tuổi,…) thường dùng các thông số thống kê như tần số, trung bình cộng, tỷ lệ, phương sai, độ lệch chuẩn và thông số thống kê khác. Những dữ liệu này biểu diễn bằng đồ họa hoặc bằng mô tả dữ liệu giúp phân tích, so sánh thơng tin người lao động.
- Kiểm định giả thiết dữ liệu thống kê mô tả: kiểm đinh Independent – Sample T- test, kiểm định One-Way Anova cho biết trung bình giữa các nhóm để so sánh, phỏng đốn mức độ phù hợp dữ liệu thống kê mơ tả, tồn tại mối quan hệ giữa các cặp biến quan sát.
Kiểm định độ tin cậy của thang đo: Kiểm định độ tin cậy của thang đo được đánh giá thông qua hệ số Cronbach’s Alpha được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Nhiều nhà nghiên cứu cho rằng Croncbach’s Alpha từ 0.8 đến gần 1 thang đo lường là tốt, từ 0.7 đến 0.8 là sử dụng được. Và từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu. (Hoàng Trọng-Chu Nguyễn Mộng Ngọc, 2008).
Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ hệ số tương quan biến tổng (Corrected Item – Total Correclation) nhằm loại bỏ các biến rác khỏi
thang đo lường. 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 của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994) các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác.
Vì vậy, đối với nghiên cứu này thì các biến có hệ số tương quan biến tổng (item-Tổng correlation) nhỏ hơn 0.3 và thành phần thang đó có hệ số Croncbach Alpha nhỏ hơn 0.6 được xem xét loại.
Phân tích nhân tố khám phá (EFA): Là kỹ thuật phân tích rút gọn một tập
hợp nhiều biên quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu.
Mơ hình phân tích nhân tố khám phá (EFA) được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
- Hệ số tải nhân tố (Factor Loadings): là hệ số tương quan đơn giữa các biến và các nhân tô. Hệ số tải nhân tố lớn hơn 0.3 được cho là phù hợp.
- Tính thích hợp của EFA (Kaiser – Meyer – Oklin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0.5 ≤ KMO ≤ 1.
- Kiểm định Bartlett (Bartlett”Test of Spherieity): kiểm định giả thuyết Ho (các biến khơng có tương quan với nhau trong tổng thể). Ý nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết Ho: đại lượng Chi –Square lớn, ý nghĩa thống kê nhỏ hơn 0.05 thì phân tích nhân tố là thích hợp, cịn nếu chưa có cơ sở bác bỏ giả thuyết Ho: đại lượng Chi –Square nhỏ, ý nghĩa thống kê lớn hơn 0.05 thì phân tích nhân tố có khả năng khơng thích hợp.
- Phương sai cộng dồn (cumulative of variance): là phần trăm phương sai tồn bộ được trích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biết phân tích nhân tố khám phá cơ đọng được bao nhiêu % và bị thất thốt bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố khám phá có phương sai cộng dồn lớn hơn 50% với Eigenvalue phải lớn hơn 1.
Phân tích EFA sẽ kiểm tra và xác định lại các nhóm biến trong mơ hình nghiên cứu. Các biến có hệ số tương quan biến tổng nhỏ hơn 0.4 được coi là biến rác và sẽ bị loại khỏi thang đo. Thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50%. Nghiên cứu này sử dụng phương pháp trích nhân tố, phép quay Varimax và điểm dừng khi chỉ số Eigenvalue bằng 1.
Sau khi rút gọn được các biến nhân tố mới (Fi) từ một tập biến quan sát, các biến Fi này được đưa vào phân tích tiếp theo như tương quan và hồi quy, kiểm đinh Independent – Sample T-test, kiểm định One-Way Anova.
Phân tích tƣơng quan và hồi quy tuyến tính đa biến: Khi đảm bảo độ tin
cậy về thang đo, phân tích hồi quy tuyến tính đa biến được sử dụng để kiểm định giả thuyết có hay khơng sự ảnh hưởng của các yêu tố đến động lực cống hiến của cơng chức. Ngun tắc xây dựng mơ hình hồi quy tuyến tính đa biến như sau:
- Xem xét ma trận hệ số tương quan (Pearson Correlation): kiểm định Pearson giữa các biến nhân tố Fj có ý nghĩa Sig. ≤ 0.05 và hệ số tương quan chặt chẽ thì các biến nhân tố Fj có dấu hiệu đa cộng tuyến. Xác định biến nhân tố Fj tác động đồng biến hay nghịch biến đến biến phụ thuộc.
- Các thủ tục chọn biến độc lập. Phương pháp Enter được sử dụng để phân tích hồi quy tuyến tính đa biến bằng cách tất cả các biến độc lập được đưa vào một lần, đưa ra các thông số thống kê liên quan đến các biến. Nếu biến nào thỏa thỏa điều kiện kiểm định ý nghĩa hệ số hồi quy (Sig. ≤ 0.05) thì nên giữ lại trong mơ hình hồi quy, cịn biến nào khơng thỏa điều kiện kiểm định thì nên loại ra.
- Đánh giá mức độ phù hợp của mơ hình hồi quy tuyến tính đa biến. Hệ số xác định (R Square) là hệ số càng tăng khi số biến độc lập đưa thêm vào mơ hình. Tuy nhiên, cần xem xét mức độ phản ánh sát hơn thì nên sử dụng hệ số xác định hiệu chỉnh (Adj R2) vì nó khơng nhất thiết tăng lên khi số biến độc lập được đưa thêm vào mơ hình.
- Kiểm định sự vi phạm các giả định trong mơ hình hồi quy: • Khơng có hiện tượng đa cơng tuyến thơng quả hệ số VIF • Phương sai của phần dư khơng đổi (đồ thị phân tán Scatterplot)
• Các phần dư có phân phối chuẩn (Biểu đồ tần suất Histogram và P-P plot) • Khơng có hiện tượng tương quan giữa các phần dư (kiểm định Durbin- Watson).