CHƢƠNG 2 : PHƢƠNG PHÁP NGHIÊN CỨU
2.6. Kỹ thuật phân tích dữ liệu
2.6.1. Thống kê mô tả
Sử dụng phần mềm SPSS để tiến hành thống kê mô tả mẫu, bao gồm việc tính tốn các chỉ số:
43
- Trung bình mẫu (mean): là một đại lượng mô tả thống kê, được tính ra bằng cách lấy tổng giá trị của toàn bộ các quan sát trong tập chia cho số lượng các quan sát trong tập.
- Trung vị (median): Nó là giá trị giữa trong một phân bố, mà số số nằm trên hay dưới con số đó là bằng nhau. Điều đó có nghĩa rằng 1/2 quần thể sẽ có các giá trị nhỏ hơn hay bằng số trung vị, và một nửa quần thể sẽ có giá trị bằng hoặc lớn hơn số trung vị.
- Độ lệch chuẩn hay độ lệch tiêu chuẩn: là một đại lượng thống kê mô tả dùng để đo mức độ phân tán của một tập dữ liệu đã được lập thành bảng tần số.
Và các chỉ số khác có ý nghĩa trong việc mơ tả biến nghiên cứu.
2.6.2. Kiểm định độ tin cậy của thang đo
Để kiểm định độ tin cậy của thang đo tác giả đã tính tốn hệ số Cronbach’s Alpha và hệ số tương quan biến tổng thể. Nhiều nhà nghiên cứu đồng ý rằng hệ số Cronbach Alpha từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng Cronbach Alpha từ 0.6 trở lên là có thể sử dụng được nhưng tốt nhất là lớn hơn 0.7 (Nguyễn Đình Thọ, 2011). 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), hệ số tương quan các biến sẽ có các mức độ phân loại như sau:
- ±0.01 đến ±0.1: Mối tương quan quá thấp, không đáng kể - ±0.2 đến ±0.3 : Mối tương quan thấp
- ±0.4 đến ±0.5: Mối tương quan trung bình - ±0.6 đến ±0.7: Mối tương quan cao
- ±0.8 trở lên: Mối tương quan rất cao
Trong đó các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác và sẽ bị loại khỏi thang đo.
44
2.6.3. Phân tích các nhân tố khám phá
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) là kỹ thuật sử dụng để thu nhỏ và tóm tắt dữ liệu. Phân tích nhân tố khám phá phát huy tính hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu cũng như tìm ra các mối quan hệ giữa các biến với nhau. Phép phân tích nhân tố của các khái niệm nghiên cứu được xem xét để cung cấp bằng chứng về giá trị phân biệt và giá trị hội tụ của thang đo. Mức độ thích hợp của tương quan nội tại các biến quan sát trong khái niệm nghiên cứu được thể hiện bằng hệ số KMO (Kaiser – Mever – Olkin). Trị số KMO lớn ( giữa 0.5 và 1) là điều kiện đủ để phân tích nhân tố là thích hợp, cịn nếu trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng khơng thích hợp với dữ liệu.
Đo lường sự thích hợp của mẫu và mức ý nghĩa đáng kể của kiểm định Bartlett’s Test of Sphericity trong phân tích khám phá dùng để xem xét sự thích hợp của phân tích nhân tố. Rút trích nhân tố đại diện bằng các biến quan sát được thực hiện với phép quay Varimax và phương pháp trích nhân tố Principle components. Các thành phần với giá trị Eigenvalue lớn hơn 1 và tổng phương sai trích bằng hoặc lớn hơn 50% được xem như những nhân tố đại diện các biến. Hệ số tải nhân tố (Factor loading) biểu diễn các tương quan đơn giữa các biến và các nhân tố bằng hoặc lớn 0.5 mới có ý nghĩa.
Từ kết quả phân tích nhân tố khám phá, tác giả sẽ xem xét lại mơ hình nghiên cứu giả thiết, cân nhắc việc liệu có phải điều chỉnh mơ hình hay không, thêm, bớt các nhân tố hoặc các giá trị quan sát của các nhân tố hay khơng?
2.6.4. Phân tích hồi quy tuyến tính và kiểm định sự khác biệt
Hồi quy tuyến tính bội thường được dùng để kiểm định và giải thích lý thuyết nhân quả (Cooper và Schindler, 2003). Ngồi chức năng là cơng cụ mơ tả, hồi quy tuyến tính bội được sử dụng như cơng cụ kết luận để kiểm định các giả thuyết và dự báo các giá trị của tổng thể nghiên cứu. Như vậy, đối với nghiên cứu này, hồi quy tuyến tính bội là phương pháp thích hợp để kiểm định các giả thuyết nghiên cứu.
45
Tiếp đến, phân tích hồi quy tuyến tính đa biến bằng phương pháp bình phương nhỏ nhất thơng thường (Ordinal Least Squares – OLS) cũng được thực hiện, trong đó biến phụ thuộc là các nhân tố gắn kết nhân viên với tổ chức; biến độc lập dự kiến sẽ là các nhân tố của thực tiễn quản trị nhân lực. Phương pháp lựa chọn biến Enter/ Remove được tiến hành. Hệ số xác định R2 điều chỉnh được dùng để xác định độ phù hợp của mơ hình, kiểm định F dùng để khẳng định khả năng mở rộng mơ hình này áp dụng cho tổng thể cũng như kiểm định t để bác bỏ giả thuyết các hệ số hồi quy của tổng thể bằng 0.
Tiếp theo, nhằm đảm bảo độ tin cậy của phương trình hồi quy được xây dựng cuối cùng là phù hợp, một loạt các dị tìm sự vi phạm của giả định cần thiết trong hồi quy tuyến tính cũng được thực hiện. Các giả định được kiểm định trong phần này gồm liên hệ tuyến tính (dùng biểu đồ phân tán Scatterplot), phương sai của phần dư không đổi (dùng hệ số tương quan hạng Spearman), phân phối chuẩn của phần dư (dùng Histogram và Q-Q plot), tính độc lập của phần dư (dùng đại lượng thống kê Durbin-Watson), hiện tượng đa cộng tuyến (tính độ chấp nhận Tolerance và hệ số phóng đại VIF). Độ chấp nhận (Tolerance) thường được sử dụng đo lường hiện tượng đa cộng tuyến. Nguyên tắc nếu độ chấp nhận của một biến nhỏ thì nó gần như là một kết hợp tuyến tính của các biến độc lập khá và đó là dấu hiệu của đa cộng tuyến. Các biến mà có sự đa cộng tuyến cao có thể làm bóp méo kết quả làm kết quả khơng ổn định và khơng có tính tổng qt hóa. Nhiều vấn đề rắc rối nảy sinh khi hiện tượng đa cộng tuyến nghiêm trọng tồn tại, ví dụ nó có thể làm tăng sai số trong tính tốn hệ số beta, tạo ra hệ số hồi quy có dấu ngược với những gì nhà nghiên cứu mong đợi và kết quả T-test khơng có ý nghĩa thống kê đáng kể trong khi kết quả F-test tổng qt cho mơ hình lại có ý nghĩa thống kê.
Cuối cùng, tác giả sử dụng kiểm định thống kê phi tham số, Kruskal-Wallis (KW) 1 way Anova để xem xét mối quan hệ giữa các nhân tố cần nghiên cứu. Theo TS Nguyễn Ngọc Rạng, Kruskal-Wallis (KW) 1 way Anova sử dụng để kiểm định sự khác biệt về phân phối giữa ba (hoặc nhiều hơn ba) nhóm khơng có phương sai tương đương nhau. Kiểm định phi tham số (Nonparametric Tests) được sử dụng
46
trong những trường hợp dữ liệu khơng có phân phối chuẩn, hoặc cho các mẫu nhỏ có ít đối tượng. Kiểm định phi tham số cũng được dùng cho các dữ liệu định danh (nominal), dữ liệu thứ bậc (ordinal) hoặc dữ liệu khoảng cách (interval) khơng có phân phối chuẩn.
Trong chương này, tác giả đã trình bày phương pháp tiến hành nghiên cứu bao gồm quy trình nghiên cứu, các phương pháp để xử lý số liệu, thiết kế nghiên cứu, nêu cách thức chọn mẫu và cách tiến hành khảo sát. Ngoài ra, chương này đã xây dựng được thang đo thực tiễn QTNNL và mức độ gắn kết của nhân viên với tổ chức, cụ thể là 31 biến quan sát cho các thành phần của thực tiễn QTNNL và 16 biến quan sát cho 3 hình thức gắn kết của nhân viên.
47