CHƢƠNG 3 : THIẾT KẾ NGHIÊN CỨU
3.4. Nghiên cứu định lƣợng
3.4.3 Phƣơng pháp xử lý dữ liệu
Bƣớc 1: Kiểm định độ tin cậy của các thang đo
Kiểm tra hệ số tin cậy Cronbach’s anpha sẽ cho chúng ta biết mức độ chặt chẽ mà các mục câu hỏi (biến quan sát) trong 1 thang đo tƣơng quan với nhau (Hoàng Trọng và Chu Nguyễn Mộng Ngọc tập 2, 2008). Theo Nguyễn Đình Thọ- Nguyễn Thị Mai Trang (2008) thì nếu các biến có hệ số tƣơng quan với biến tổng (item-total correlation) nhỏ hơn 0.30 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có độ tin cậy anpha (α) từ 0.06 trở lên ( Nunnally& Burnstein, 1994)
Bƣớc 2 : Phân tích nhân tố khám phá EFA
Phân tích nhân tố (EFA) nhằm nhận diện các nhân tố (biến quan sát) giải thích đƣợc các liên hệ tƣơng quan trong một tập hợp biến, nhƣ vậy phƣơng pháp này giúp chúng ta thu nhỏ và tóm tắt dữ liệu (Hồng Trọng và Chu Nguyễn Mộng Ngọc tập 2, 2008). Các tham số thống kê trong phân tích nhân tố phải đạt một số các tiêu chuẩn nhƣ:
- Theo Nguyễn Đình Thọ - Nguyễn Thị Mai Trang (2008) thì các biến có hệ số tải nhân tố (factor loading) nhỏ hơn 0.40 sẽ tiếp tục bị loại và tổng phƣơng sai trích (Cumulative %) bằng hoặc lớn hơn 50% thì thì thang đo đƣợc chấp nhận (Gerbing & Anderson, 1988)
- Hệ số KMO (Kaiser-Meyer-Olkin) phải lớn (giữa 0.5 và 1) thì phân tích EFA là phù hợp đối với dữ liệu nghiên cứu liệu và Eigenvalue (đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố) phải lớn hơn 1 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc tập 2, 2008).
Ở đây tác giả sử dụng phƣơng pháp trích hệ Principal components cho thang đo và sử dụng phép quay nhân tố Varimax - xoay nguyên góc các nhân tố để tối thiểu hố số lƣợng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cƣờng khả năng giải thích các nhân tố (Hồng Trọng và Chu Nguyễn Mộng Ngọc tập 2, 2008)
Bƣớc 3 : Phân tích tƣơng quan
Phân tích tƣơng quan và hồi quy tuyến tính bội đƣợc sử dụng để kiểm định mối quan hệ giữa các biến độc lập và các biến phụ thuộc. Trƣớc khi tiến hành phân
tích hồi quy tuyến tính và kiểm định mơ hình nghiên cứu, ta xem xét mối quan hệ tƣơng quan giữa các biến độc lập và biến phụ thuộc.
Tác giả sử dụng phân tích ma trận tƣơng quan sử dụng hệ số tƣơng quan Pearson để lƣợng hóa mức độ chặt chẽ của mối liên hệ giữa các biến độc lập với biến phụ thuộc. Hệ số này luôn nằm trong khoảng từ -1 đến 1, nếu lớn hơn 0.6 ( lấy giá trị tuyệt đối) thì có thể kết luận mối quan hệ là chặt chẽ, và càng gần 1 thì mối quan hệ càng chặt, nếu nhỏ hơn 0.3 thì cho biết mối quan hệ là lỏng lẻo. Giá trị các nhân tố dùng trong phân tích tƣơng quan và hồi quy là trung bình của các biến quan sát thành phần trong nhóm đó.
Bƣớc 4: Phân tích hồi quy tuyến tính, bao gồm: (1) Đánh giá sự phù hợp của mơ hình hồi quy:
Hệ số xác định R2 là thƣớc đo nhằm biết đƣợc mơ hình hồi quy tuyến tính đã xây dựng trên dữ liệu mẫu phù hợp đến mức nào với dữ liệu. Tuy nhiên theo Hoàng
Trọng và Chu Nguyễn Mộng Ngọc (2008), hệ số xác định R2 đƣợc chứng minh là
hàm không giảm theo số biến độc lập đƣợc đƣa vào mơ hình, càng đƣa thêm biến độc lập vào mơ hình thì R2 càng tăng. Và điều này cũng đƣợc chứng minh rằng khơng phải phƣơng trình càng có nhiều biến sẽ phù hợp hơn với dữ liệu. Nhƣ vậy, R2 có khuynh hƣớng là một ƣớc lƣợng lạc quan của thƣớc đo sự phù hợp của mơ hình đối với dữ liệu trong trƣờng hợp có hơn một biến giải thích. Mơ hình thƣờng không phù hợp với dữ liệu thực tế nhƣ giá trị R2 thể hiện. Trong tình huống này, hệ số xác định R2 điều chỉnh đƣợc sử dụng để phản ánh sát hơn mức độ phù hợp của mơ hình hồi qui tuyến tính bội.
Ngồi ra kiểm định F với mức ý nghĩa Sig cũng dùng để kiểm định độ phù hợp của mơ hình. Trị thống kê F đƣợc tính từ R2 của mơ hình hồi quy đầy đủ. Ý tƣởng của kiểm định này về mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập là nó xem xét biến phụ thuộc có liên hệ tuyến tính với tồn bộ tập hợp các biến độc lập hay không. Nếu giá trị sig rất nhỏ (< 0.05) thì mơ hình hồi quy phù hợp với tập dữ liệu và có thể sử dụng (Hồng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
(2) Kiểm định giả định mơ hình khơng có hiện tƣợng đa cộng tuyến
Hiện tƣợng đa cộng tuyến là trạng thái trong đó các biến độc có tƣơng quan chặt chẽ với nhau, nhƣ vậy chúng sẽ cung cấp cho mơ hình những thơng tin rất giống nhau và khó tách rời ảnh hƣởng của từng biến một đến biến phụ thuộc. Do vậy mà chúng ta phải dị tìm hiện tƣợng đa cộng tuyến bằng cách tính độ chấp nhận của biến (Tolerance) và hệ số phóng đại phƣơng sai (VIF). Chỉ khi nào VIF vƣợt quá 10 thì mơ hình mới xảy ra hiện tƣợng đa cộng tuyến (Hoàng Trọng- Chu Nguyễn Mộng Ngọc, 2008).
(3) Kiểm định giả định phƣơng sai của phần dƣ không đổi
Hiện tƣợng phƣơng sai của phần dƣ thay đổi (heteroskedasticity) làm cho các ƣớc lƣợng của các hệ số hồi quy không chệch nhƣng không hiệu quả, ƣớc lƣợng của các phƣơng sai bị chệch làm kiểm định các giả thuyết mất hiệu lực. Ta có thể kiểm định giả định này bằng cách vẽ đồ thị phân tán giữa các phần dƣ và giá trị dự đốn mà mơ hình hồi qui tuyến tính cho ra –đồ thị Scatter Plot. Nếu khơng có liên hệ gì giữa các giá trị dự đoán với phần dƣ, chúng sẽ phân tán ngẫu nhiên quanh trục 0 trong một phạm vi không đổi. Nhƣ vậy giá trị dự đoán và phần dƣ độc lập nhau và phƣơng sai của phần dƣ khơng thay đổi. Nhƣ vậy mơ hình hồi qui phù hợp.
(4) Kiểm định giả định về phân phối chuẩn của phần dƣ
Phần dƣ có thể khơng tn theo phân phối chuẩn vì những lý do nhƣ sau: sử dụng sai mơ hình, phƣơng sai khơng phải là hằng số, số lƣợng các phần dƣ không đủ nhiều để phân tích… Vì vậy chúng ta thực hiện nhiều cách khảo sát khác nhau để dị tìm vi phạm. Nghiên cứu thực hiện khảo sát phân phối của phần dƣ bằng cách xây dựng biểu đồ tần số Histogram và biểu đồ Q-Q plot. Nếu Nhìn vào biểu đồ tần số Histogram ta thấy phần dƣ có phân phối chuẩn với trị trung bình mean = 0 và độ lệch chuẩn Std.Dev gần bằng 1, và biểu đồ tần số Q-Q Plot cũng cho ta thấy các điểm quan sát khơng phân tán q xa đƣờng thẳng kỳ vọng, thì ta có thể kết luận rằng giả thiết phân phối chuẩn không bị vi phạm.
(5) Kiểm định giả định về tính độc lập của phần dƣ
Độc lập của phần dƣ (sai số) ẩn ý rằng giữa các phần dƣ khơng có mối quan hệ tƣơng quan. Nếu chúng tƣơng quan thí sẽ gây ra sai lệch nghiêm trọng đến mơ hình hồi quy tuyến tính nhƣ hiện tƣợng phƣơng sai thay đổi. Đại lƣợng Durbin – Watson (d) dùng để thực hiện kiểm định. Đại lƣợng d này có giá trị biến thiên từ 0 đến 4. Nếu các phần dƣ khơng có tƣơng quan chuỗi bậc nhất với nhau giá trị d sẽ gần bằng 2. Giá trị d thấp (nhỏ hơn 2) có nghĩa các phần dƣ gần nhau tƣơng quan thuận và giá trị d lớn hơn 2 (và gần bằng 4) có nghĩa là các phần dƣ có tƣơng quan nghịch (Hoàng Trọng- Chu Nguyễn Mộng Ngọc, 2008).
(6) Kiểm định các giả thuyết và kết luận phân tích hồi quy:
Đây là bƣớc kiểm định các giả thuyết đã đƣa ra sau phần phân tích EFA, từ đó đƣa ra mơ hình hồi quy cuối cùng của phân tích.
Tóm tắt chƣơng 3:
Tóm lại chƣơng 3 đã trình bày phƣơng pháp tiến hành nghiên cứu bao gồm quy trình nghiên cứu, các thức và phƣơng pháp tiến hành các bƣớc nghiên cứu cho toàn bộ bài nghiên cứu, cách thức chọn mẫu và số lƣợng mẫu cần cho nghiên cứu. Theo đó nghiên cứu định tính đƣợc thực hiện bằng kỹ thuật phỏng vấn tay đôi với 5 nhân viên thuộc khối môi giới tại công ty cổ phần chứng khoán HCM đã xác định đƣợc 4 thành phần của thực tiễn QTNNL có ảnh hƣởng đến sự gắn kết của nhân viên môi giới, bao gồm: (1) Đào tạo và phát triển , (2) Đánh giá kết quả công việc, (3) Phát triển nghề nghiệp và (4) Chia sẽ thông tin và thu hút nhân viên tham gia các hoạt động. Các biến quan sát cho thang đo biến độc lập là thực tiễn QTNNL đƣợc xác định là 21 biến; biến phụ thuộc là sự gắn kết của nhân viên đƣợc xác định là 15 biến. Mẫu tối thiểu đƣợc xác định là 180 mẫu cho bài nghiên cứu có ý nghĩa.