Chƣơng 3 : PHƢƠNG PHÁP NGHIÊN CỨU
3.4 Thành phần thang đo chính thức
Thang đo được sử dụng trong nghiên cứu này là thang đo Likert năm mức độ cho tất cả các biến quan sát, biến độc lập lẫn biến phụ thuộc. Ngồi ra, vì một trong những mục tiêu của đề tài này là tìm hiểu, xác định mức độ hài lịng của nhân viên nên việc sử dụng câu hỏi dạng đóng với các lựa chọn trả lời dạng thang đo Likert là phù hợp nhất. Đồng thời vì thang đo Likert là thang đo khoảng nên ta có thể sử dụng số liệu thu thập được để xử lý, phân tích định lượng để xác định mối quan hệ tương quan, quan hệ tuyến tính giữa các biến nói chung, cũng như giữa các biến độc lập và biến phụ thuộc.
Các nhà nghiên cứu chuyên gia trong lĩnh vực liên quan về sự hài lịng trong cơng việc đó là Smith, Kendall và Hulin – những người đã dùng thang đo Likert để đo lường sự hài lòng của người lao động ở 5 nhân tố gồm bản chất công việc, tiền lương, thăng tiến, đồng nghiệp và sự giám sát của cấp trên. Đề tài nghiên cứu này về cơ bản cũng sử dụng thang đo Likert để đo lường sự hài lịng đối với cơng việc của nhân viên. Tuy nhiên, một số nhân tố được thay đổi về tên gọi cũng như nội dung và thêm vào các biến như đã được đề cập ở trên.
Có hai phương pháp để tạo dựng nên tính phù hợp của một cơng cụ nghiên cứu đó là dùng lập luận logic và dùng bằng chứng thống kê. Rõ ràng dùng phương pháp thứ hai sẽ thuyết phục hơn. Trong thực tế từ các nghiên cứu liên quan đến sự hài lịng đối với cơng việc của nhân viên thì thang đo Likert đã được các nhà nghiên cứu sử dụng rộng rãi và thừa nhận tính phù hợp của nó. Về độ tin cậy của công cụ đo lường, hệ số Cronbach’s Alpha sẽ được sử dụng để kiểm định độ tin cậy của các biến (câu hỏi) được sử dụng trong bảng câu hỏi. Ngồi ra, phân tích nhân tố cũng được tiến hành để kiểm định tính đơn khía cạnh của các câu hỏi trong nhóm thuộc từng khía canh (nhân tố). Với việc sử dụng thang đo Likert 5 mức độ để đo lường các biến quan sát, với 5 = rất hài lịng, 4 = hài lịng, 3 = bình thường, 2 = khơng hài lịng, 1 = rất khơng hài lịng. Các thành phần thang đo cụ thể như sau:
Bảng 3.1: Tổng hợp các thành phần của thang đo chính thức.
STT Mã Hóa Tiêu chí đánh giá nhân tố Nguồn
Bản chất công việc
1 BC1 Công việc của tôi sử dụng nhiều kỹ năng khác nhau.
Hackman & Oldham (1974)
2 BC2 Nhân viên nắm rõ về công việc đang làm. Hackman & Oldham (1974) 3 BC3 Tôi làm công việc phù hợp với năng lực
của mình.
Weiss (1967) và Bellingham (2004)
4 BC4 Tôi được quyền quyết định để giải quyết cơng việc của mình.
Hackman & Oldham (1974)
5 BC5 Cơng việc của tơi có tầm quan trọng nhất định đối với hoạt động của NH.
Hackman & Oldham (1974)
Tiền lƣơng
6 TL1 Được trả lương cao. Stanton và Croddley (2000) 7 TL2 Tơi có thể sống hồn tồn dựa vào tiền
lương.
Stanton và Croddley (2000)
8 TL3 Tiền lương tương xứng với kết quả làm việc của tôi.
Stanton và Croddley (2000)
9 TL4 Tiền lương được trả công bằng. Stanton và Croddley (2000)
Đào tạo và thăng tiến
10 DT1 Có nhiều cơ hội thăng tiến. Frederick Herberg (1959) 11 DT2 Chính sách thăng tiến của NH là cơng
bằng
Frederick Herberg (1959)
12 DT3 Công ty tạo cho nhân viên nhiều cơ hội để phát triển cá nhân.
Frederick Herberg (1959)
13 DT4 Nhân viên được đào tạo và phát triển cho nghề nghiệp.
Frederick Herberg (1959)
Sự giám sát của cấp trên
14 GS1 Dễ giao tiếp với cấp trên. Ehlers (2003) 15 GS2 Sự ủy quyền của cấp trên. Warren (2008) 16 GS3 Cấp trên quan tâm đến nhân viên. Bellingham (2004) 17 GS4 Cấp trên bảo vệ nhân viên khi cần thiết. Linden & Maslyn (1998) 18 GS5 Cấp trên là người có năng lực. Warren (2008)
19 GS6 Cấp trên hỗ trợ khi cần thiết. Wesley & Muthuswamy (2008)
Đồng nghiệp
20 DN1 Đồng nghiệp hỗ trợ khi cần thiết. Hill (2008) 21 DN2 Đồng nghiệp thoải mái và thân thiện khi
làm việc.
Hill (2008)
22 DN3 Đồng nghiệp tận tâm với công việc để đạt được kết quả tốt nhất.
Bellingham (2004)
STT Mã Hóa Tiêu chí đánh giá nhân tố Nguồn Điều kiện làm việc
24 DK1 Thời gian làm việc là phù hợp. Skalli & cgt (2007) 25 DK2 Tơi thấy an tồn & thoải mái ở nơi làm
việc.
Durst (1997)
26 DK3 Được cung cấp các trang thiết bị cần thiết.
Bellingham (2004)
27 DK4 Tôi không phải tốn nhiều thời gian đi lại từ nhà đến nơi làm việc và ngược lại.
Isacssion (2008)
Phúc lợi
28 PL1 NH luôn tạo cho tôi được nghỉ phép, nghỉ bệnh khi có nhu cầu.
Châu Văn Tồn (2009) 29 PL2 Cung cấp đầy đủ các bảo hiểm theo quy
định của Nhà Nước.
Châu Văn Toàn (2009) 30 PL3 Sự bảo đảm của công việc. Châu Văn Toàn (2009)
31 PL4 Các phúc lợi khác. Châu Văn Toàn (2009)
Thƣơng hiệu ngân hàng
32 TH1 Tôi rất vui khi người khác nhắc đến ngân hàng tôi đang làm việc.
Nguyễn Nhật Tân (2009)
33 TH2 Tôi cảm thấy tự hào khi trả lời với người khác tôi đang làm ở đâu.
Nguyễn Nhật Tân (2009)
34 TH3 Thương hiệu của ngân hàng giúp tôi tự tin khi nói chuyện với khách hàng.
Nguyễn Nhật Tân (2009)
Sự hài lịng đối với cơng việc tại ACB
35 HL1 Nói chung, tơi hài lịng với cơng việc hiện tại.
Nguyễn Nhật Tân (2009)
36 HL2 Tôi sẽ tiếp tục làm việc lâu dài với ngân hàng này
Nguyễn Nhật Tân (2009)
37 HL3 Tơi tin rằng tơi đang có việc làm tốt tại ngân hàng tôi đang làm
Nguyễn Nhật Tân (2009)
Nguồn: Tổng hợp của tác giả
3.6 Thiết kế nghiên cứu định lƣợng
3.6.1. Phƣơng pháp thu thập thông tin và cỡ mẫu
Thông tin dữ liệu được thu thập thông qua điều tra các đối tượng khảo sát là nhân viên hiện đang làm việc tại các PGD, CN của ACB. Kỹ thuật phỏng vấn trực diện và phỏng vấn thông qua gửi phiếu trực tiếp cho các nhân viên và nhờ bạn bè gửi đi cho những nhân viên ở các CN, PGD khác để thu thập dữ liệu cho đến khi đủ số lượng mẫu cần khảo sát.
Mẫu được chọn theo phương pháp phi xác suất và thuận tiện. Theo Hair & ctg (1998), để có thể phân tích nhân tố khám phá cần thu thập dữ liệu với kích thước mẫu là ít nhất 5 mẫu trên 1 biến quan sát. Mơ hình nghiên cứu có số biến quan sát là 37. Nếu theo tiêu chuẩn năm mẫu cho một biến quan sát thì kích thước mẫu cần thiết là n = 5 x 37 = 185 (mẫu). Như vậy, số mẫu ít nhất là 185 (mẫu), tuy nhiên số mẫu càng nhiều thì sai số thống kê càng giảm, ngồi ra tác giả cũng muốn đề phịng loại trừ số lượng phiếu không hợp lệ nên quyết định chọn mẫu là 250 (mẫu).
3.6.1 Phƣơng pháp phân tích dữ liệu
Phần mềm SPSS 18.0 được dùng để phân tích dữ liệu trong tài liệu này với việc sử dụng các kỹ thuật thống kê như kiểm định các giả thuyết thống kê, phân tích nhân tố, phân tích hồi quy, phân tích ANOVA… Các bước xử lý số liệu bằng SPSS như sau:
Hình 3.3: Quy trình phân tích dữ liệu bằng SPSS
Nguồn: Hoàng Trọng – Chu Nguyễn Mộng Ngọc, 2008
3.6.1.1 Làm sạch dữ liệu
Sau khi loại các mẫu không phù hợp với yêu cầu ban đầu, chúng ta chạy phân bổ tần số để kiểm tra các biến nhập sau có giá trị gây nhiễu (outliners) khơng nằm trong các giá trị lựa chọn.
Kiểm tra các mẫu đối tượng bị trùng nhau và loại mẫu bị trùng.
Kiểm tra các tần suất các giá trị missing và đảm bảo các giá trị missing của Làm sạch dữ liệu
Kiểm định phân phối chuẩn
Kiểm định độ tin cậy Cronbach’s Alpha
Phân tích nhân tố khám phá (EFA)
Phân tích hồi quy
một biến phải nhỏ hơn 10% tổng số mẫu.
3.6.1.2 Kiểm định phân phối chuẩn
Để có thể sử dụng mẫu thu thập được vào việc chạy mơ hình hồi quy, chúng ta cần đảm bảo các biến trong mơ hình thỏa mãn giả định về tính phân phối chuẩn. Giả định về tính phân phối chuẩn là giả định quan trọng nhất trong việc phân tích đa biến, do vậy trước khi tiến hành phân tích định lượng cần quan tâm đến tiêu chuẩn này.
Kiểm tra tính phân phối chuẩn cho tất cả các biến để đánh giá sự hài lòng để xem dạng phân phối tần số của các mẫu cũng như các thông số Skewness và Kurtosis (Hair et al., 1995). Nếu Skewness và Kurtosis nằm trong khoảng ± 1 được xem là tốt, trong khoảng ± 2 thì biến đó vẫn được chấp nhận để sử dụng thực hiện các kỹ thuật thống kê.
Kiểm định độ tin cậy của các nhóm nhân tố
Phương pháp này cho phép người phân tích loại bỏ các biến khơng phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach Alpha. Những biến có hệ số tương quan biến - tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Thơng thường, thang đo có Cronbach Alpha từ 0.7 đến 0.8 là sử dụng được. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt.
3.6.1.3 Phân tích nhân tố
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach Alpha và loại đi các biến khơng đảm bảo độ tin cậy. Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị
trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, cịn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu.
Ngồi ra, phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mơ hình.
Đại lượng Eigenvalue đại diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn một biến gốc.
Một phần quan trọng trong bảng kết quả phân tích nhân tố là ma trận nhân tố (component matrix) hay ma trận nhân tố khi các nhân tố được xoay (rotated component matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với nhau. Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0.5 thì mới đạt u cầu.
3.6.1.4 Phân tích hồi quy bội kiểm định mơ hình lý thuyết
Sau khi rút trích được các nhân tố từ phân tích nhân tố khám phá EFA, dị tìm các vi phạm giả định cần thiết trong mơ hình hồi quy tuyến tính bội như kiểm tra phần dư chuẩn hóa, kiểm tra hệ số phóng đại phương sai VIF (Variance inflation factor – VIF). Nếu các giả định khơng bị vi phạm, mơ hình hồi quy tuyến tính bội được xây dựng. Và hệ số R2 đã được điều chỉnh (adjusted R square) cho biết mơ hình hồi quy được xây dựng phù hợp đến mức nào.
3.6.1.5 Kiểm định các vi phạm giả thiết hồi quy
Kiểm định tính phù hợp của mơ hình
Trong tài liệu này, tác giả sử dụng kiểm định ANOVA để kiểm tra tính phù hợp của mơ hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định < 0.05 thì ta có thể kết luận mơ hình hồi quy phù hợp với tập dữ liệu.
Đo lường đa cộng tuyến
với nhau và nó cung cấp cho mơ hình những thơng tin rất giống nhau và khó tách ảnh hưởng của từng biến một. Đa cộng tuyến khiến cho việc diễn dịch kết quả có thể sai lầm vì nó làm đổi dấu kỳ vọng của các hệ số đi theo các biến độc lập, vì vậy chúng ta phải kiểm tra độ tương quan giữa các biến này để đảm bảo không xảy ra hiện tượng đa cộng tuyến.
Sự đa cộng tuyến cao có thể làm cho kết quả khơng chính xác, do đó cần thiết phải có điều kiện về đa cộng tuyến. Theo Hair&cgt (2006) để kiểm định hiện tượng đa cộng tuyến chúng ta sử dụng hệ số VIF (hệ số phóng đại phương sai). Nếu VIF lớn hơn 10 thì hiện tượng đa cộng tuyến nghiêm trọng đang tồn tại. Theo kinh nghiệm, hệ số VIF nên nhỏ hơn 5 là tốt nhất để hạn chế về sự đa cộng tuyến, tuy nhiên nếu nhỏ hơn 10 thì vẫn có thể chấp nhận với ảnh hưởng rất nhỏ (dẫn theo John & Benet-Martinez, 2000 – dẫn theo Hoàng Thị Phương Thảo, Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2010).
Tác giả sử dụng ma trận hệ số tương quan Pearson và độ chấp nhận Tolerance để kiểm tra đo lường đa cộng tuyến với hệ số Pearson nhỏ hơn 0.4 và hệ số Tolerance của các biến phải gần bằng 1 (Theo Hair&cgt, 2006). Áp dụng các yêu cầu này để loại bỏ các biến khơng đạt ra khỏi mơ hình.
Kiểm định phần dư
Sau khi thực hiện ước lượng mơ hình hồi quy, chúng ta cần phải kiểm định phần dư chuẩn hóa của mơ hình để đảm bảo phần dư chuẩn hóa có dạng phân phối chuẩn với tất cả các biến độc lập. Cách kiểm định có thể sử dụng là vẽ đường cong chuẩn hóa của phân bố phần dư này. Nếu chúng ta thấy trên đồ thị đường cong chuẩn hóa có dạng hình chng như phân phối chuẩn với giá trị Mean xấp xỉ 0 và giá trị độ lệch chuẩn xấp xỉ 1 thì xem như phần dư có phân phối gần chuẩn.
3.6.1.6 Phân tích sự khác biệt giữa các nhóm
Phân tích ANOVA nhằm tìm ra sự khác biệt về một thuộc tính giữa các nhóm mẫu khác nhau được phân biệt bằng một biến phân loại. Trong phần nghiên cứu này, tác giả sẽ phân tích ANOVA về sự hài lịng đối với công việc của nhân viên làm việc tại ACB với biến phân tích như : Giới tính, trình độ học vấn, thâm niên cơng
tác, độ tuổi và vị trí cơng tác. Những kết quả phân tích này sẽ là cơ sở để xây dựng và cung cấp các hàm ý cho các nhà quản lý của ACB.
Tóm tắt chƣơng 3
Chương 3 giới thiệu mơ hình nghiên cứu chính thức, trình bày chi tiết phương pháp nghiên cứu là nghiên cứu định tính và kết quả của nó, phương pháp nghiên cứu định lượng. Nghiên cứu định tính cho kết quả 37 biến quan sát để đo lường cho 8 khái niệm trong mơ hình nghiên cứu. Ngồi ra, chương này cũng trình bày cách thức thực hiện nghiên cứu định lượng như: xây dựng bảng câu hỏi, cách lấy mẫu, thu thập dữ liệu và các yêu cầu cho phân tích dữ liệu.
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU
Chương này sẽ trình bày kết quả của quá trình nghiên cứu, cụ thể bao gồm những nội dung sau:
(1) Mơ tả và phân tích mẫu thu được (2) Kết quả kiểm định các thang đo (3) Phân tích kết quả hồi quy đa biến (4) Kiểm định tác động của biến định tính
Dữ liệu sau khi thu thập được tác giả thiết kế, mã hóa và nhập liệu qua cơng cụ SPSS 18.0, sau đó tiến hành làm sạch, loại bỏ các phiếu điền không đầy đủ thông tin hoặc điền thông tin thiếu nghiêm túc như: điền tất cả cùng giá trị 1 (hay 2, 3, 4, 5), điền thơng tin theo chu kì lặp đi lặp lại 1, 2, 3, 4, 5…. Dữ liệu sau khi điều tra được tiến hành nhập thô vào máy, trong q trình thực hiện thường có những mẫu