Kiểm định KMO và Bartlett
Đo lường lấy mẫu tương thích Kaiser-Meyer-Olkin 0,844
Kiểm định xoay Bartlett
Chi-Square xấp xỉ 1574,072
Bậc tự do df 105
Mức ý nghĩa Sig. 0,000
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
Đại lượng Bartlett là đại lượng thống kê dùng để xem xét giả thuyết các biến khơng có tương quan trong tổng thể. Nói cách khác, ma trận tương quan tổng thể là một ma trận đồng nhất, mỗi biến tương quan hồn tồn với chính nó nhưng khơng có tương quan với những biến khác. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Với giả thiết Ho đặt ra trong phân tích này là giữa 15 biến quan sát trong tổng thể khơng có mối tương quan với nhau. Từ kết quả phân tích EFA ở bảng 4.3 hệ số KMO = 0,844 > 0,5, thống kê Chi-Square đạt giá trị 1574,072 với mức ý nghĩa Sig = 0,000, vậy giả thiết Ho bị bác bỏ. Điều đó cho thấy các biến quan sát trong tổng thể có mối tương quan với nhau và phân tích nhân tố EFA là thích hợp.
Kết quả phân tích EFA đối với thang đo các nhân tố quản trị nguồn nhân lực được thể hiện qua bảng 4.4 cho thấy 15 biến quan sát được trích thành 3 nhân tố tại giá trị Eigenvalue là 1,748 > 1 và phương sai trích đạt 63,947% > 50%, hệ số tải nhân tố đều lớn hơn 0,5. Hệ số Cronbach’s Alpha của các nhân tố lần lượt là 0,888; 0,873 và 0,737 đều lớn hơn 0,6. Vì vậy, mơ hình với 3 nhân tố trên là phù hợp, cụ thể như sau:
Nhân tố 1: Chính sách lương với 6 biến quan sát:
- CS1: Chế độ lương của ngân hàng tôi đưa ra hấp dẫn người lao động.
- CS2: So với mặt bằng lương chung của ngành ngân hàng, chế độ lương của ngân hàng tơi là hợp lí.
- CS3: Chế độ tính lương làm thêm giờ tại ngân hàng tôi là phù hợp. - CS4: Mức lương phù hợp với hiệu suất làm việc của tôi.
- CS5: Mức lương cao sẽ khuyến khích hiệu suất làm việc tốt hơn. - CS6: Mức lương phản ánh mức sống của tôi.
Nhân tố 2: Đánh giá hiệu quả làm việc với 6 biến quan sát:
- DG1: Quy trình đánh giá hiệu quả làm việc tại ngân hàng tôi là hợp lý. - DG2: Việc đánh giá hiệu quả công việc ảnh hưởng đến lương của tôi.
- DG3: Đánh giá hiệu quả công việc ảnh hưởng đến quyết định về nhân sự của tôi.
- DG4: Cấp quản lý đánh giá hiệu quả công việc của nhân viên một cách công bằng.
- DG5: Đánh giá hiệu quả làm việc được xem như là một công việc quan trọng của cấp quản lý.
- DG6: Tôi biết cách thực hiện việc đánh giá hiệu quả công việc là làm như thế nào.
Nhân tố 3: Chính sách thăng tiến với 3 biến quan sát:
- TT1: Chính sách thăng tiến tại ngân hàng tôi là hợp lý. - TT2: Quyết định thăng tiến ưu tiên cho người có thâm niên. - TT3: Quyết định thăng tiến ưu tiên cho người có tài.
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7 Bảng 4.4: Ma trận xoay các nhân tố Biến nghiên cứu Biến Quan sát Hệ số tải nhân tố 1 2 3 Chính sách lương CS1 0,858 CS2 0,866 CS3 0,710 CS4 0,738 CS5 0,755 CS6 0,741 Đánh giá hiệu quả công việc
DG1 0,754 DG2 0,836 DG3 0,781 DG4 0,637 DG5 0,825 DG6 0,750 Chính sách thăng tiến TT1 0,834 TT2 0,769 TT3 0,793 Giá trị Eigenvalue 5,440 2,405 1,748 Phương sai trích (%) 36,264 16,031 11,653 Cronbach’s Alpha 0,888 0,873 0,737
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
4.3.2. Kết quả phân tích EFA đối với thang đo hiệu suất làm việc của nhân viên
Nghiên cứu tiến hành phân tích nhân tố hiệu suất làm việc của nhân viên với 4 biến quan sát, kết quả như sau:
Bảng 4.5: Kết quả kiểm định KMO và Bartlett – hiệu suất làm việc
Kiểm định KMO và Bartlett
Đo lường lấy mẫu tương thích Kaiser-Meyer-Olkin 0,707
Kiểm định xoay Bfartlett Chi-Square xấp xỉ 299,335
Bậc tự do df 6
Với giả thiết Ho đặt ra trong phân tích này là giữa 4 biến quan sát trong tổng thể khơng có mối tương quan với nhau. Từ kết quả phân tích EFA ở bảng trên hệ số KMO = 0,707 > 0,5, thống kê Chi-Square đạt giá trị 299,335 với mức ý nghĩa Sig = 0,000, vậy giả thiết Ho bị bác bỏ. Điều đó cho thấy các biến quan sát trong tổng thể có mối tương quan với nhau và phân tích nhân tố EFA là thích hợp.
Kết quả phân tích EFA đối với thang đo nhân tố hiệu suất làm việc của nhân viên được thể hiện qua bảng sau đây:
Bảng 4.6: Ma trận xoay các nhân tố - Hiệu suất làm việc
Biến nghiên cứu Biến Quan sát Hệ số tải nhân tố
Hiệu suất làm việc HS1 0,875 HS2 0,711 HS3 0,823 HS4 0,746 Giá trị Eigenvalue 2,506 Phương sai trích (%) 62,642 Cronbach’s Alpha 0,798
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
Kết quả phân tích EFA cho thấy 4 biến quan sát được trích vào cùng 1 nhân tố tại giá trị Eigenvalue là 2,506 > 1 và phương sai trích đạt 62,64% > 50%, hệ số tải nhân tố lớn hơn 0,5. Hệ số Cronbach’s Alpha của nhân tố là 0,798 > 0,6. Vì vậy, mơ hình nhân tố trên là phù hợp, cụ thể như sau:
- HS1: Hiệu suất làm việc của tôi tốt hơn so với đồng nghiệp có cùng trình độ chun mơn.
- HS2: Tơi hài lịng với hiệu suất làm việc của mình.
- HS3: Hiệu suất làm việc của tôi tốt hơn so với các nhân viên ở các ngân hàng khác có cùng trình độ chun mơn.
Tóm lại, với tất cả các kết quả đánh giá thang đo thơng qua phân tích Cronbach’s Alpha và phân tích nhân tố EFA, các giả thiết nghiên cứu và mơ hình nghiên cứu về tác động của những nhân tố quản trị nguồn nhân lực đến hiệu suất làm việc của nhân viên ngân hàng trên địa bàn thành phố Hồ Chí Minh đã đưa ra tại chương 2 là phù hợp và được giữ ngun.
4.4. Kiểm định mơ hình và giả thiết nghiên cứu
Sau khi phân tích nhân tố và kết luận có 3 nhân tố được đưa vào kiểm định mơ hình, tiếp theo nghiên cứu sử dụng phương pháp hồi qui để xác định mức ý nghĩa và mối tương quan tuyến tính của các biến trong mơ hình nghiên cứu.
Phân tích hồi qui sẽ xác định được phương trình hồi qui với hệ số beta tìm được, qua đó khẳng định mối quan hệ nhân quả giữa biến phụ thuộc (HS) và các biến độc lập (CS, DG, TT) và xác định mức độ ảnh hưởng của từng nhân tố quản trị nguồn nhân lực đến hiệu suất làm việc của nhân viên. Giả định các nhân tố quản trị nguồn nhân lực và hiệu suất làm việc của nhân viên có tương quan tuyến tính, phương trình hồi qui bội được thể hiện như sau:
HS = β0 + β1 * CS + β2 * DG + β3 * TT + ε Trong đó:
- HS : Giá trị hiệu suất làm việc.
- CS : Giá trị của nhân tố chính sách lương.
- DG : Giá trị của nhân tố đánh giá hiệu quả làm việc. - TT : Giá trị của nhân tố chính sách thăng tiến. - β0 : Hằng số hồi qui.
- β1, β2, β3: Các hệ số hồi qui riêng phần. - ε : Sai số.
4.4.1. Phân tích tương quan Pearson
Bước đầu tiên khi tiến hành phân tích hồi qui bội là xem xét mối tương quan tuyến tính giữa tất cả các biến, mối quan hệ giữa từng biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau thông qua hệ số Pearson Correlaton. Hệ số này luôn trong khoảng từ -1 đến 1. Nếu các biến có tương quan chặt chẽ thì sẽ được lưu ý đến kiểm định đa cơng tuyến khi phân tích hồi qui.
Ma trận tương quan được xây dựng và kết quả như sau:
Bảng 4.7: Ma trận tương quan giữa các nhân tố
CS DG TT HS
CS Tương quan Pearson Sig. (2-tailed) 1 0,393** 0,000 0,253** 0,000 0,705** 0,000
DG Tương quan Pearson Sig. (2-tailed) 0,393** 0,000 1 0,230** 0,000 0,509** 0,000
TT Tương quan Pearson Sig. (2-tailed) 0,253** 0,000 0,230** 0,000 1 0,440** 0,000
HS Tương quan Pearson Sig. (2-tailed) 0,705** 0,000 0,509** 0,000 0,440** 0,000 1 **. Mức ý nghĩa 0,01(2-tailed).
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
Theo ma trận tương quan trên, ta thấy các biến đều có tương quan với mức ý nghĩa 0,01. Mối tương quan giữa biến phụ thuộc (HS) với từng biến độc lập ( CS, DG, TT) là khá chặt chẽ, trong đó, nhân tố chính sách lương có tương quan thuận với hiệu suất làm việc ( r = 0,705, p < 0,01), tiếp đến là nhân tố đánh giá hiệu quả làm việc ( r = 0,509, p < 0,01) và mối tương quan thấp nhất với hiệu suất làm việc là nhân tố chính sách thăng tiến ( r = 0,440, p< 0,01), sơ bộ ta có thể kết luận các biến độc lập này có
thể đưa vào mơ hình để giải thích cho biến hiệu suất làm việc của nhân viên. Hệ số tương quan giữa các biến độc lập với nhau ở mức tương đối nên không đáng lo ngại hiện tượng đa cộng tuyến có thể xảy ra, nhưng cũng cần xem xét trong q trình phân tích.
4.4.2. Đánh giá và kiểm định độ phù hợp của mơ hình hồi qui bội
Kết quả đánh giá độ phù hợp của mơ hình được thể hiện qua bảng sau: Bảng 4.8: Bảng đánh giá độ phù hợp của mơ hình
Mơ hình R Hệ số R 2 Hệ số R2 hiệu chỉnh Sai số chuẩn của đo lường 1 0,793.a 0,629 0,624 0,28724 a. Dự báo: (Hằng số), TT, CS, DG
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
Từ bảng 4.8, ta thấy mơ hình hồi qui đưa ra tương đối phù hợp với mức ý nghĩa 0,05. Hệ số R2 hiệu chỉnh = 0,629 tương đương 62,9%, có nghĩa là các biến độc lập trong mơ hình hồi qui bội gồm chính sách lương, đánh giá hiệu quả cơng việc và chính sách thăng tiến giải thích được 62,9% hiệu suất làm việc của nhân viên.
Kiểm định F được sử dụng trong bảng phân tích phương sai ANOVA là phép kiểm định giả thuyết về độ phù hợp của mơ hình hồi qui tổng thể. Ý nghĩa của kiểm định này là xem xét biến phụ thuộc có quan hệ tuyến tính với tồn bộ tập hợp các biến độc lập hay không. Với giả thiết Ho là mơ hình hồi quy tuyến tính bội khơng phù hợp (β1 = β2 = β3 = 0). Giá trị F trong nghiên cứu là 116,615 được tính từ giá trị R2 với mức ý nghĩa sig. = 0,000 < 0,05 cho thấy có thể bác bỏ giả thiết Ho, mơ hình hồi qui bội phù hợp với dữ liệu thu thập được.
Bảng 4.9: Bảng kiểm định độ phù hợp của mơ hình Mơ hình Tổng bình Mơ hình Tổng bình phương df Bình phương trung bình F Mức ý nghĩa (Sig.) 1 Hồi quy 20,512 3 6,837 55,962 0,000a Phần dư 25,169 206 0,122 Tổng 45,681 209
a. Dự báo: (Hằng số), TT, CS, DG; b. Biến phụ thuộc: HS
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
4.4.3. Kiểm định các giả định trong mơ hình hồi qui bội
Theo Hồng Trọng và Chu Nguyễn Mộng Ngọc (2008), phân tích hồi qui khơng phải chỉ là việc mô tả các dữ liệu quan sát được. Từ các kết quả quan sát được trong mẫu, ta phải suy rộng kết luận cho mối quan hệ giữa các biến trong tổng thể. Sự chấp nhận và diễn dịch kết quả hồi qui không thể tách rời các giả định cần thiết và những chuẩn đốn về sự vi phạm các giả định đó. Nếu các giả định bị vi phạm thì các kết quả ước lượng được khơng đáng tin cậy. Vì vậy, để đảm bảo sự diễn dịch từ kết quả hồi qui của mẫu cho tổng thể có giá trị, ta tiến hành kiểm định các giả định trong mơ hình hồi qui, bao gồm các giả định như sau:
- Giả định khơng có hiện tượng đa cộng tuyến giữa các biến độc lập. - Giả định phần dư có phân phối chuẩn.
- Giả định khơng có sự tương quan giữa các phần dư.
4.4.3.1. Giả định khơng có hiện tượng đa cộng tuyến giữa các biến độc lập
Đa cộng tuyến là hiện tượng mà trong đó có sự tồn tại của nhiều hơn một mối quan hệ tuyến tính chính xác. Tức là giữa các biến độc lập có thể có một biến nào đó được biểu diễn bởi tổ hợp tuyến tính của các biến cịn lại. Hiện tượng này sẽ dẫn đến những hậu quả nghiêm trọng trong phân tích hồi qui như kiểm định t sẽ khơng cịn ý nghĩa, dấu của các ước lượng hệ số hồi qui có thể sai (Hồng Ngọc Nhậm, 2008).
Trong mơ hình hồi qui bội, giả định giữa các biến độc lập của mơ hình khơng có hiện tượng đa cộng tuyến.
Bảng 4.10: Kết quả hồi qui
Mơ hìn
h
Tên biến Hệ số hồi quy chưa chuẩn hóa Hệ số hồi quy chuẩn hóa Giá trị t Mức ý nghĩa Sig. Thống kê đa cộng tuyến
B Sai số chuẩn Beta Dung sai VIF
1
Hằng số 0,262 0,187 1,400 0,163
CS 0,474 0,042 0,532 11,250 0,000 0,804 1,244
DG 0,220 0,038 0,265 5,736 0,000 0,844 1,184
TT 0,254 0,041 0,271 6,175 0,000 0,935 1,070
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
Để kiểm định có hiện tượng đa cộng tuyến giữa các biến độc lập hay không ta xét hệ số phóng đại phương sai (VIF). Hệ số phóng đại phương sai (VIF) nếu có giá trị vượt quá 10 là dấu hiệu của hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Nhìn từ bảng kết quả trên, ta thấy hệ số VIF của tất cả các biến từ 1,070 đến 1,244 nhỏ hơn 10, do đó có thể kết luận hiện tượng đa cộng tuyến khơng ảnh hưởng đến kết quả giải thích của mơ hình.
4.4.3.2. Giả định phần dư có phân phối chuẩn
Phần dư có thể khơng tn theo phân phối chuẩn vì những lý do như: sử dụng sai mơ hình, phương sai không phải là hằng số, số lượng các phần dư khơng đủ nhiều để phân tích (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết quả từ biểu đồ Histogram dưới đây cho thấy một đường cong của phân phối chuẩn được đặt chồng lên biểu đồ tần số, phân phối của phần dư xấp xỉ chuẩn, giá trị trung bình Mean quá nhỏ (xấp xỉ bằng 0) và độ lệch chuẩn là 0,993 (xấp xỉ bằng 1). Do đó có thể kết luận rằng dữ liệu phần dư có phân phối chuẩn.
Biểu đồ 4.1: Biểu đồ phần dư
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
4.4.3.3. Giả định khơng có sự tương quan giữa các phần dư
Phần dư là phần chênh lệch giữa giá trị quan sát của mẫu với giá trị tính được từ mơ hình. Nếu phần dư được sắp xếp khơng theo thứ tự hay hình dáng rõ ràng nhất định thì mơ hình được xây dựng là đúng, nếu khơng thì cần phải điều chỉnh lại mơ hình. Để biết mối quan hệ của các phần dư ta có thể dùng hệ số Durbin – Watson để kiểm định tương quan của các sai số kề nhau (tương quan chuỗi bậc nhất), nếu các phần dư khơng có tương quan chuỗi bậc nhất với nhau, giá trị d sẽ gần bằng 2 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Giá trị Durbin – Watson trong nghiên cứu này có giá trị d đạt được là 1,762 (gần với giá trị 2) nên giả định khơng có sự tương quan giữa các phần dư được chấp nhận.
Bảng 4.11: Kết quả kiểm định giả định khơng có sự tương quan giữa các phần dư
Mơ hình R Hệ số R2 Hệ số R2
hiệu chỉnh
Sai số chuẩn của đo lường
Durbin – Watson
1 0,793.a 0.629 0,624 0,28724 1,762
Nguồn: Kết quả xử lý dữ liệu_Phụ lục 7
4.4.4. Ý nghĩa các hệ số hồi qui riêng phần trong mơ hình
Các hệ số hồi qui riêng trong mơ hình dùng để kiểm định vai trị quan trọng của các biến độc lập tác động như thế nào đối với biến phụ thuộc. Cụ thể hơn, các hệ số hồi qui riêng phần cho biết mức độ ảnh hưởng của các biến bao gồm chính sách lương,