Phân tích nhân tố

CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU

4.3. Phân tích độ tin cậy và mức độ phù hợp của thang đo

4.3.2. Phân tích nhân tố

Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005), phân tích nhân tố thường được dùng trong quá trình xây dựng thang đo lường các khía cạnh khác nhau của khái niệm nghiên cứu, kiểm tra tính đơn khía cạnh của thang đo lường.

Theo Nguyễn Đình Thọ (2011), phương pháp phân tích nhân tố khám phá EFA giúp chúng ta đánh giá hai giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt dựa vào mối tương quan giữa các biến với nhau. Hay nói cách khác, phương pháp phân tích nhân tố khám phá EFA là phương pháp thống kê dùng để rút gọn một tập nhiều biến quan sát thành một nhóm để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết các thông tin riêng biệt.

4.3.2.1. Các nhân tố ảnh hưởng đến sự thỏa mãn công việc của nhân viên văn phòng đang làm việc tại Tp.HCM

Từ 37 biến quan sát ban đầu thuộc 7 nhóm nhân tố khác nhau, sau khi phân tích hệ số Cronbach’s Alpha để đánh giá độ tin cậy của thang đo, có 3 biến bị loại trừ để đảm bảo độ tin cậy của thang đo. Như vậy, trong phần phân tích nhân tố khám phá EFA, chỉ còn 34 biến tham gia. Kết quả phân tích sẽ giúp chúng ta kiểm định lại một lần nữa các chỉ số đánh giá trong từng nhân tố có thực sự đáng tin cậy và có độ kết dính cao và có thể đo lường được sự thỏa mãn mà đề tài đang nghiên cứu không.

Theo Nguyễn Đình Thọ (2001), các điều kiện cần phải xem xét trong phân tích EFA đó là các hệ số tương quan giữa các biến phải lớn hơn hoặc bằng 0.3. Tiếp đến là xem xét Kiểm định Bartlett (Bartlett’s test of sphericity) để xác định ma trận tương quan có phải là ma trận đơn vị I (indentity matrix), là ma trận có các thành phần (hệ số tương quan giữa các biến) bằng không và đường chéo (hệ số tương quan với chính nó) bằng 1. Nếu phép kiểm định Bartlett có p<5%, giả thuyết H0 (ma trận tương qua là ma trận đơn vị), có nghĩa là các biến có quan hệ với nhau. Sau đó, xem xét Kiểm định KMO (Kaiser-Meyer-Olkin measure of sampling adequancy) để so sánh độ lớn của hệ số tương quan giữa các biến với độ lớn tương quan riêng phần của chúng. Theo Norusis (1994), hệ số KMO càng lớn càng tốt nhưng phải lớn hơn 0.5. Như vậy, nhân tố nào có hệ số KMO là phải nằm trong khoảng (0.5;1) thì mới được giữ lại để phân tích. Tiếp theo, phân tích nhân tố trong nghiên cứu này là phân tích nhân tố chính (Principal component analysis) với giá trị Eigenvalue lớn hơn 1, có nghĩa là các nhân tố được trích ra có giá trị Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình.

Ngoài ra, để dễ dàng diễn giải kết quả EFA, phương pháp quay nhân tố (factor rotation) được sử dụng trong nghiên cứu này. Các nhân tố được quay theo nguyên tắc Varimax là phép quay vuông góc, sau khi trục, các nhân tố vẫn ở vị trí vuông góc với nhau. Phép quay này cho phép tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố. Sau khi xoay, các biến có hệ số tải nhỏ hơn 0.5 sẽ bị loại bỏ, chỉ giữ lại các biến có hệ số tải lớn hơn hoặc bằng 0.5.

Sau khi tiến hành phân tích EFA lần 1 với 34 biến (sau khi loại 3 biến thông qua phương pháp kiểm định độ tin cậy Cronbach’s Alpha) với các điều kiện nêu trên, kết quả phân tích như sau:

- Hệ số KMO bằng 0.877 đạt yêu cầu lớn hơn 0.5 và nhỏ hơn 1 và hệ số Bartlett bằng 0 cũng đạt yêu cầu nhỏ hơn 0.05. Như vậy, tiến hành phân tích EFA trong trường hợp này là phù hợp.

- Xem bảng Tởng phương sai được giải thích (Tởng Phương sai Explained), ta thấy trong 34 biến tham gia phân tích chỉ có 7 biến có hệ số Eigenvalue lớn hơn 1, giải thích được 60.097% biến thiên của dữ liệu. Điều này đạt yêu cầu vì lớn hơn 50%.

- Bảng ma trận nhân tố (component matrix) không thể hiện được mức độ giải thích của từng biến đối với biến chính, nên cần phải xem xét dữ liệu trên bảng ma trận xoay (Rotated Component Matrix). Trên bảng ma trận xoay, các biến có hệ số tải nhỏ hơn 0.3 đã được loại bỏ, chỉ thể hiện các biến có hệ số tải lớn hơn hoặc bằng 0.3. Tuy nhiên, để các biến được hội tụ và rút gọn nhất, cần phải xem xét loại bỏ các biến có nhiều hơn một hệ số tải và mức độ chênh lệch giữ các hệ số tải này ít hơn 0.3, hoặc các biến không có hệ số tải và chạy lại mô hình cho đến khi đáp ứng được yêu cầu.

- Trên bảng này, ta thấy biến B6.6 có hai hệ số tải là 0.567 và 0.304, hai hệ số này tuy đều lớn hơn 0.3 nhưng lại chênh lệch nhau không quá 0.3, nên ta loại biến này ra khỏi mô hình. Tương tự với biến B6.3, B2.3, B7.6, B5.4, B6.2, B7.2, B6.1, B7.4, ta loại chúng ra khỏi mô hình và chạy lại phân tích EFA lần 2.

Bảng 4.4: Kết quả phân tích EFA Lần 1

Ma trận nhân tố xoaya

Nhân tố 1 2 3 4 5 6 7 B3.2 .810 B3.3 .793 B3.5 .763 B3.1 .761 B3.6 .727 B3.4 .716 B6.5 .754 B6.4 .702 B7.1 .690 B6.6 .576 .304 B6.3 .564 .301 B7.3 .497 B2.4 .746 B2.5 .725 B2.1 .305 .682 B2.2 .315 .669 B2.3 .398 .634 B7.6 .344 .301 B4.3 .796 B4.2 .359 .749 B4.4 .707 B4.1 .652 B5.1 .751 B5.3 .725 B5.2 .660 .311 B5.4 .417 .608 B1.1 .818 B1.3 .796 B1.2 .672 B7.5 .621 B6.2 .310 .571 B7.2 .454 .543 B6.1 .365 .415 B7.4 .348 .374

Phương pháp trích: Phân tích thành phần chính Phương pháp xoay: Varimax với Kaiser Normalization. a.Xoay hội tụ trong 10 lần lặp lại

Tóm tắt kết quả phân tích EFA lần 2 với 25 biến quan sát như sau:

- Hệ số KMO bằng 0.866 đạt yêu cầu lớn hơn 0.5 và nhỏ hơn 1 và hệ số Bartlett bằng 0 cũng đạt yêu cầu nhỏ hơn 0.05 vẫn đáp ứng được yêu cầu ban đầu của phương pháp phân tích EFA.

- Xem bảng Tởng phương sai được giải thích (Tởng Phương sai Explained), ta thấy trong 25 biến tham gia phân tích ở lần 2 chỉ có 7 biến có hệ số Eigenvalue lớn hơn 1, giải thích được 69.254% biến thiên của dữ liệu. Điều này đạt yêu cầu vì lớn hơn 50% và có khả năng giải thích dữ liệu nhiều hơn sau khi loại bỏ các biến có khả năng giải thích yếu.

- Trên bảng ma trận xoay lúc này, các biến đã được rút gọn hơn và hội tụ thành từng nhóm. Tuy nhiên, biến B7.3 có hai hệ số tải là 0.520 và 0.321 chênh lệch nhau không quá 0.3 nên ta loại biến này ra khỏi mô hình. Ngoài ra, có một nhóm chỉ có duy nhất một biến B7.5, không đáp ứng điều phải có ít nhất 3 biến quan sát trở lên để đảm bảo độ tin cậy của thang đo, cho nên biến B.7.5 sẽ bị loại bỏ khỏi mô hình. Sau đó, ta chạy lại mô hình một lần nữa.

Bảng 4.5: Kết quả phân tích EFA Lần 2 Ma trận nhân tố xoaya

Nhân tố 1 2 3 4 5 6 7 B3.2 .826 B3.3 .800 B3.5 .763 B3.1 .751 B3.6 .735 B3.4 .708 B6.5 .794 B7.1 .757 B6.4 .742 B7.3 .520 .321 B2.4 .765 B2.5 .727 B2.1 .324 .711 B2.2 .332 .674 B4.3 .814 B4.2 .345 .770 B4.4 .713 B4.1 .672 B1.1 .866 B1.3 .841 B1.2 .328 .737 B5.1 .788 B5.2 .769 B5.3 .638 B7.5 .831

Phương pháp trích: Phân tích thành phần chính Phương pháp xoay: Varimax với Kaiser Normalization. a.Xoay hội tụ trong 7 lần lặp lại

Kết quả phân tích EFA lần 3 cho thấy:

- Hệ số KMO bằng 0.866 và hệ số Bartlett bằng 0 vẫn đạt yêu cầu ban đầu của phương pháp phân tích EFA.

- Xem bảng Tổng phương sai được giải thích (Tởng Phương sai Explained), ta thấy trong 24 biến tham gia phân tích ở lần 3 chỉ còn 6 biến có hệ số

Eigenvalue lớn hơn 1, giải thích được 68.290% biến thiên của dữ liệu. Điều này đạt yêu cầu vì lớn hơn 50% và có khả năng giải thích dữ liệu nhiều hơn sau khi loại bỏ các biến có khả năng giải thích yếu.

- Trên bảng ma trận xoay lúc này, các biến đã được rút gọn hơn và hội tụ thành 6 nhóm, giảm 1 nhóm so với khi chạy mô hình lần thứ nhất và lần thứ 2. Tất cả các biến lúc này đều có hệ số tải lớn hơn hoặc bằng 0.3 và không có biến nào có 2 hệ số tải cùng lúc mà sự chênh lệch giữa chúng không quá 0.3.

- Về sự hội tụ của các biến, hầu hết các biến đều hội tụ theo nhóm nhân tố được khảo sát ban đầu. Nhưng do có 1 nhóm nhân tố đã bị loại bỏ do không phù hợp, trong đó có 1 biến B7.1 hội tụ chung nhóm với các biến B6.4 và B6.5. Tức hai nhóm B6.* và B7.* giờ đây đã hội tụ thành một nhóm do có đặc tính tương đồng trong khảo sát.

Từ đó, ta có thể kết luận sự thỏa mãn công việc được nghiên cứu trong đề tài này được giải thích bởi 23 biến quan sát.

Bảng 4.6: Kết quả phân tích EFA Lần 3 Ma trận nhân tố xoaya

Nhân tố 1 2 3 4 5 6 B3.2 .820 B3.3 .804 B3.5 .761 B3.1 .750 B3.6 .743 B3.4 .716 B2.4 .761 B2.5 .722 B2.1 .721 .318 B2.2 .687 .333 B4.3 .827 B4.2 .766 .345 B4.4 .708 B4.1 .670 B6.5 .802 B6.4 .758 B7.1 .745 B1.1 .864 B1.3 .843 B1.2 .334 .735 B5.1 .799 B5.2 .779 B5.3 .643

Phương pháp trích: Phân tích thành phần chính Phương pháp xoay: Varimax với Kaiser Normalization. a.Xoay hội tụ trong 6 lần lặp lại

4.3.2.2. Nhân tố sự thỏa mãn công việc của nhân viên văn phòng đang làm việc tại Tp.HCM

Việc phân tích thang đo sự thỏa mãn công việc là điều cần thiết bởi các biến của thang đo này cần phải thuộc chung một nhóm thì mới đảm bảo độ tin cậy và độ kết dính của chúng, tức là tạo thành một nhân tố. Hay nói cách khác là bảy biến về sự thỏa mãn công việc cần phải có độ kết dính cao và cùng thể hiện một phạm trù sự thỏa mãn công việc. Điều kiện đáp ứng yêu cầu cũng tương tự như đối với phân tích các nhân tố nêu trên và ma trận nhân tố chỉ thể hiện một cột cho tất cả các biến. Và từ đó, ma trận xoay là không cần thiết trong trường hợp này.

Xem xét kết quả phân tích, ta thấy hệ số KMO bằng 0.892 và hệ số Bartlett bằng 0.000 đều đạt yêu cầu. Các biến phản ánh cùng một phạm trù với hệ số Eigenvalue bằng 3.853, lớn hơn 1 và giải thích được 64.209% sự biến thiên của mẫu nên khía cạnh này cũng đạt yêu cầu. Ngoài ra, ma trận nhân tố chỉ thể hiện một cột cho tất cả 7 biến của nhân tố càng chứng tỏ mạnh mẽ cho sự đồng nhất của các biến trong nhân tố.

4.3.2.3. Hiệu chỉnh mô hình

Sau khi thực hiện kiểm định độ tin cậy của thang đo cho tất cả các biến quan sát, loại bỏ các biến có độ tin cậy Cronbach’s Alpha nhỏ hơn 0.6 cũng như các biến có hệ số tương quan biến tổng nhỏ hơn 0.3, ta có mô hình nghiên cứu gồm 6 nhân tố ảnh hưởng đến sự thỏa mãn công việc của nhân viên văn phòng đang làm việc tại Tp.HCM như sau:

Bảng 4.7: Mô hình nghiên cứu chính thức (sau khi hiệu chỉnh)

Do sau khi phân tích nhân tố khám phá EFA, nhóm nhân tố 6 và 7 của mô hình ban đầu hội tụ thành một nhóm trong ma trận xoay. Vì vậy, trong mô hình nghiên cứu chính thức sau khi hiệu chỉnh này, nhóm nhân tố 6 được điều chỉnh với nội dung “Điều điện làm việc & chính sách phúc lợi” được bao hàm hai nhóm nhân tố 6 và 7 của mô hình ban đầu.

Ta có phương trình hồi quy tuyến tính như sau:

Sự thỏa mãn cơng việc của người lao động = ß + ß1(Thu nhập) + ß2(Đào tạo &

Thăng tiến) + ß3(Cấp trên) + ß4(Đờng nghiệp) + ß5(Đặc điểm cơng việc) + ß6(Điều kiện làm việc & Chính sách phúc lợi).

4.3.2.4. Hiệu chỉnh giả thuyết

H1: Sự hài lòng về Thu nhập tăng giảm tỷ lệ thuận với thỏa mãn công việc; H2: Sự hài lòng về Đào tạo và thăng tiến tăng giảm tỷ lệ thuận với thỏa mãn công việc;

H3: Sự hài lòng về Cấp trên tăng giảm tăng giảm tỷ lệ thuận với thỏa mãn công việc;

1. Thu nhập

2. Đào tạo và thăng tiến 3. Cấp trên

4. Đồng nghiệp

5. Đặc điểm công việc 6. Điều kiện làm việc và chính sách phúc lợi

H4: Sự hài lòng về Đồng nghiệp tăng giảm tỷ lệ thuận với thỏa mãn công việc;

H5: Sự hài lòng về Đặc điểm công việc tăng giảm tỷ lệ thuận với thỏa mãn công việc;

H6: Sự hài lòng về Điều kiện làm việc và Chính sách phúc lợi tăng giảm tỷ lệ thuận với thỏa mãn công việc;