2..1.1.2 .2 Lãnh đạo nghiệp vụ
4.3 Phân tích nhân tố khám phá
Khi phân tích nhân tố khám phá, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn. Thứ nhất, hệ số KMO (Kaiser – Meyer – Olkin), là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố, phải lớn hơn hoặc bằng 0.5 với mức ý nghĩa của kiểm định Bartlett nhỏ hơn hoặc bằng 0.05. Thứ hai, hệ số tải nhân tố (Factor loading) phải lớn hơn hoặc bằng 0.5. Theo Hair (1998), hệ số tải nhân tố là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của của (EFA), hệ số tải nhân tố >0.3 được xem là đạt mức tối thiểu, hệ số tải nhân tố >0.4 được xem là quan trọng, hệ số tải nhân tố ≥ 0.5 được xem là có ý nghĩa (Nguyễn Khắc Duy, 2006). Thứ ba, thang đo được chấp nhận khi tổng phương sai trích lớn hơn hoặc bằng 50% và engenvalue (đại diện cho phần biến thiên được giải thích cho mỗi nhân tố) có giá trị lớn hơn 1
(Gerbing & Anderson, 1998). Thứ tư là khác biệt hệ số tải nhân tố của một biến
quan sát giữa các nhân tố lớn hơn hoặc bằng 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố (Nguyễn Khắc Duy, 2006).
Phép trích Principal axis factoring với phép xoay Promax sẽ được sử dụng trong phân tích nhân tố thang đo các thành phần độc lập. Dùng phương pháp trích nhân tố Principal axis factoring với phép xoay Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn dùng phương pháp Principal component với phép xoay Varimax
(Gerbing & Anderson, 1998).
4.3.1 Thang đo MLQ
Thang đo MLQ mà luận văn này sử dụng gồm 6 biến thành phần (6 thang đo con) với 18 biến quan sát. Sau khi kiểm định thang đo bằng cơng cụ Cronbach’s alpha thì 18 biến quan sát của 6 thang đo thành phần của MLQ tiếp tục đưa vào EFA. Kết quả kiểm định sơ bộ được trình bày trong Phụ lục 5. Với kết quả sơ bộ đó, theo tiêu chuẩn Eigenvalue lớn hơn 1 thì chỉ có 3 nhân tố được rút ra.
BẢNG 4-8 KẾT QUẢ PHÂN TÍCH NHÂN TỐ CỦA THANG ĐO MLQ
Stt Biến quan sát Nhân tố
TRANSFO TRANSAC
1 im1 (Truyền đạt mệnh lệnh dễ hiểu) 0.930
2 im2 (Đưa ra các hình ảnh lơi cuốn về cơng việc) 0.783
3 im3 (Giúp người khác tìm thấy ý nghĩa trong công việc) 0.726
4 is2 (giúp nhân viên có phương pháp mới cho các vấn đề khó xử) 0.840
5 is3 (giúp nhân viên đưa ra ý tưởng mà họ chưa đặt vấn đề trước
đây)
0.936
6 ic1 (Giúp nhân viên phát triển bản thân) 0.722
7 ic2 (Cho nhân viên biết họ nghĩ gì về những điều nhân viên đã
làm)
0.818
8 ic3 (có sự quan tâm đến nhnâ viên có vẻ bị cơ lập) 0.796
9 ii1 (Làm cho nhân viên cảm thấy thoải mái khi cùng làm việc) 0.835
10 ii2 (Được sự tin tưởng của nhân viên) 0.821
11 ii3 (Làm cho nhân viên cảm thấy tự hào vì được cùng làm việc) 0.861
12 cr1 (Cho nhân viên biết cần phải làm gì để được ghi nhận/
thưởng)
.772
13 cr2 (Thơng báo cho nhân viên biết sẽ được những gì khi hồn
thành công việc)
.877
14 cr3 (Ghi nhận hay thưởng cho nhân viên khi hoàn thành các mục
tiêu đề ra)
.825
15 be1 (Hài lịng khi nhân viên hồn thành đúng các tiêu chuẩn đề
ra)
.977
16 be2 (Không thay đổi bất kỳ điều gì nếu mọi việc diễn ra bình
thường)
.763
17 be3 (Cho nhân viên biết những tiêu chuẩn mà họ cần biết để
thực hiện công việc)
.656 Phương pháp trích: Pricipal Axis Factoring
Phương pháp xoay: Promax Tổng phương sai trích: 71.959% Eingevalue>1
Trong bảng này (Phụ lục 5) có Cumulative = 75.706% cho biết 3 nhân tố đầu tiên giải thích được 75.706 % biến thiên của dữ liệu. Hệ số KMO = 0.799 (>0.5) và mức ý nghĩa của kiểm định Bartlett <0.05, tổng phương sai trích lớn hơn 50%, hệ số tải nhân tố của biến is1(giúp nhân viên suy nghĩ các vấn đề cũ bằng phương pháp
sau khi loại bỏ biến is1. Kết quả hiệu chỉnh được thể hiện trong Phụ lục 6 cho thấy phân tích nhân tố là thích hợp với dữ liệu (trị số KMO = 0.796 (>0.5 và mức ý
nghĩa của kiểm định Bartlett <0.05, tổng phương sai trích lớn hơn 50%, sự khác
biệt hệ số tải nhân tố giữa nhân tố của các biến quan sát đều lớn hơn 0.3,và hệ số tải nhân tố của các biến quan sát đều lớn hơn 0.5 (Bảng 2-3).Với kết quả hiệu
chỉnh, theo tiêu chuẩn Eigenvalue lớn hơn 1thì có hai nhân tố được rút ra giải thích được 71.959% dữ liệu.
Kết luận: Thang đo MLQ phù hợp để đo lường phong cách lãnh đạo ở Việt Nam
4.3.2 Thang đo sự gắn kết công việc
Thang đo UWES mà luận văn này sử dụng gồm 3 biến thành phần (3 thang đo con) với 17 biến quan sát. Kết quả kiểm định EFA được trình bày trong Phụ lục 7 Với kết quả sơ bộ đó, theo tiêu chuẩn Eigenvalue lớn hơn 1 thì có 4 nhân tố được rút ra (Phụ lục 8). Trong bảng này (Phụ lục 8) có Cumulative = 83.21% cho biết 4 nhân tố đầu tiên giải thích được 83.21 % biến thiên của dữ liệu. Hệ số KMO = 0.887 (>0.5) và mức ý nghĩa của kiểm định Bartlett <0.05, tổng phương sai trích lớn hơn 50%, hệ số của các biến truyền tải đều từ 0.5 trở lên cho thấy phân tích nhân tố là thích hợp với dữ liệu. Tuy nhiên, thực tế nhân tố thứ 4 chỉ giải thích một biến ab2
(khi làm việc quên các điều khác xung quanh). Do đó ta tiến hành kiểm định EFA
theo phương pháp xác định số nhân tố từ trước. Kết quả được trình bày trong Phụ lục 7.
Ta thấy sau khi xử lý sơ bộ thang đo và phân tích nhân tố, thang đo MLQ bị loại đi một biến quan sát là is1 cho biết người lãnh đạo vẫn chưa dùng những tư tưởng mới để giải quyết các vấn đề trước đây đã xảy ra. Đối với thang đo sự gắn kết công việc của nhân viên sau khi xử lý sơ bộ thang đo và phân tích nhân tố thì cịn đủ 17 biến quan sát.
BẢNG 4-9 KẾT QUẢ PHÂN TÍCH NHÂN TỐ CỦA THANG ĐO UWES
Stt Biến quan sát Nhân tố
VI DE AB
1 vi1 (Muốn đi làm khi thức dậy vào buổi sáng) .827
2 vi2 (Tràn ngập năng lượng khi làm việc) .786
3 vi3 (Ln kiên trì trong cơng việc khi có một điều gì diễn ra khơng tốt) .697
4 vi4 (Có thể làm việc trong một thời gian dài) .820
5 vi5 (Làm việc với tinh thần kiên cường) .726
6 de1 (Cảm có ý nghĩa và có mục đích khi tham gia cơng việc) .767
7 de2 (Được truyền cảm hứng từ công việc) .889
8 de3 (Say mê công việc) .878
9 de4 (Tự hào về công việc) .889
10 de5 (Xem công việc là cơ hội) .785
11 de6 (Công việc thôi thúc thực hiện nó) .772
12 ab1 (Thời gian trôi qua thật nhanh khi làm việc) .836
13 ab2 (Trong khi làm việc quên các điều khác xung quanh) .548
14 ab3 (Vui khi làm việc với tốc độ cao) .909
15 ab4 (Đắm chìm vào cơng việc) .785
16 ab5 (Bị cuốn theo công việc) .876
17 ab6 (Thật khó tách khỏi cơng việc) .864
Phương pháp trích: Pricipal Axis Factoring Phương pháp xoay: Promax
Tổng phương sai trích: 77.29% Priori determination (3 nhân tố)
4.4 PHÂN TÍCH ẢNH HƯỞNG CỦA LÃNH ĐẠO MỚI VỀ CHẤT VÀ
LÃNH ĐẠO NGHIỆP VỤ ĐẾN SỰ GẮN KẾT CÔNG VIỆC CỦA NGƯỜI
LAO ĐỘNG
Trong phần này ta xem xét mối quan hệ tương quan giữa biến lãnh đạo mới về chất (TRANSFO), biến lãnh đạo nghiệp vụ (TRANSAC) và các biến thành phần của sự gắn kết công việc của người lao động như sự nỗ lực mạnh mẽ (VI), sự cống hiến (DE) và sự dấn thân (AB).
Trên cơ sở những mối tương quan ta xem xét tác động của 2 biến TRANSFO và TRANSAC lên các biến VI, DE và AB thông qua các mơ hình hồi quy tuyến tính sau:
Mơ hình hồi quy 1: xem xét tác động của các phong cách lãnh đạo đến biến Sự nỗ lực mạnh mẽ (VI), biến phụ thuộc của mơ hình là biến VI, biến TRANSFO và TRANSAC là 2 biến độc lập.
VI = c1+a1*TRANSFO+ b1*TRANSAC
Mơ hình hồi quy 2: xem xét tác động của các phong cách lãnh đạo đến biến thành phần Sự cống hiến (DE), DE là biến phụ thuộc còn 2 biến TRANSAC và TRANSFO là 2 biến độc lập
DE = c2+a2*TRANSFO+ b2*TRANSAC
Mơ hình hồi quy 3: xem xét tác động của các phong cách lãnh đạo đến biến thành phần Sự dấn thân (AB), AB là biến phụ thuộc còn 2 biến TRANSAC và TRANSFO là 2 biến độc lập
AB = c3+a3*TRANSFO+ b3*TRANSAC
BẢNG 4-10 HỆ SỐ TƯƠNG QUAN PEARSON GIỮA LÃNH ĐẠO NGHIỆP VỤ, LÃNH
ĐẠO MỚI VỀ CHẤT VỚI CÁC BIẾN THÀNH PHẦN CỦA SỰ GẮN KẾT CÔNG VIỆC
LD moi ve chat LD nghiep vu Su dan than Su cong hien Su no luc LD moi ve chat Pearson Correlation 1 .299(**) .669(**) .520(**) .340(**) Sig. (2-tailed) .000 .000 .000 .000 N 290 290 290 290 290 LD nghiep vu Pearson Correlation .299(**) 1 .302(**) .030 .079 Sig. (2-tailed) .000 .000 .611 .180 N 290 290 290 290 290 Su dan than Pearson Correlation .669(**) .302(**) 1 .000 .000 Sig. (2-tailed) .000 .000 1.000 1.000 N 290 290 290 290 290 Su cong hien Pearson Correlation .520(**) .030 .000 1 .000 Sig. (2-tailed) .000 .611 1.000 1.000 N 290 290 290 290 290 Su no luc Pearson Correlation .340(**) .079 .000 .000 1 Sig. (2-tailed) .000 .180 1.000 1.000
N 290 290 290 290 290 ** Correlation is significant at the 0.01 level (2-tailed).
4.4.1 Phân tích ảnh hưởng và so sánh mức độ tác động lãnh đạo mới về chất và lãnh đạo nghiệp vụ đến sự nỗ lực trong công việc của người lao động
Phần này sẽ trình bày các kết quả của kỹ thuật thống kê nhằm đánh giá ảnh hưởng của các phong cách lãnh đạo đến sự nỗ lực của nhân viên trong công việc. Chúng ta đã biết các kết luận dựa trên hàm hồi quy tuyến tính thu được chỉ có ý nghĩa khi hàm hồi quy đó phù hợp với dữ liệu mẫu và các hệ số hồi quy khác có ý nghĩa, đồng thời các giả định của hàm hồi quy tuyến tính cổ điển về phương sai và tính độc lập của phần dư….. được đảm bảo. Vì thế trước khi phân tích kết quả hồi quy ta thực hiện các kiểm định về hệ số hồi quy và đặc biệt là kiểm định các giả thuyết hồi quy.
4.4.1.1 Kiểm định các giả thuyết hồi quy của mơ hình hồi quy:
Phân tích hồi quy khơng phải là việc mô tả các dữ liệu quan sát. Từ các kết quả quan sát trong mẫu, ta phải suy rộng kết luận cho mối liên hệ giữa các biến trong tổng thể. Sự chấp nhận và diễn dịch kết quả hồi quy không thể tách rời các giả định cần thiết của mơ hình hồi quy. Nếu các giả định bị vi phạm, thì các kết quả ước lượng khơng đáng tin cậy nữa (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Vì thế, để đảm bảo sự diễn dịch từ kết quả hồi quy của mẫu cho tổng thể có giá trị, trong phần này, ta tiến hành kiểm định các giả định của hàm hồi quy tuyến tính cổ điển bao gồm các giả định sau: khơng có hiện tượng đa cơng tuyến, phương sai của phần dư khơng đổi, các phần dư có phân phối chuẩn, khơng có hiện tượng tương tự giữa các phần dư.
i. Giả định khơng có hiện tượng đa cộng tuyến
Trong mơ hình hồi quy bội, chúng ta giả định giữa các biến độc lập của mơ hình khơng có hiện tượng đa cộng tuyến. Hiện tượng này sẽ dẫn đến những hậu quả nghiêm trọng trong phân tích hồi quy như kiểm định t khơng có ý nghĩa, dấu của các ước lượng có hệ số hồi quy có thể sai. Hiện tượng này có thể được phát hiện thơng qua nhân tử phóng đại phương sai VIF (Variance inflation factor). Khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng & Chu Nguyễn Mộng
cho thấy có thể xảy ra hiện tượng đa cộng tuyến. Đa cộng tuyến đề cập đến sự tồn tại của nhiều hơn một mối quan hệ tuyến tính chính xác (Hồng Ngọc Nhậm, 2004).
Ta thấy trong Bảng 4-11 nhân tử phóng đại phương sai (VIF – Variance Inflation factor) có giá trị là 1 <10, điều này chứng tỏ khơng có hiện tượng đa cộng tuyến. Đồng thời chỉ số điều kiện (condition index) trong cả 3 chiều đều nhỏ hơn 15. Do vậy, có thể kết luận rằng khơng có hiện tượng đa cộng tuyến.
BẢNG 4-11 KIỂM ĐỊNH ĐA CỘNG TUYẾN
Mơ hình
Hệ số chưa chuẩn hóa (Unstandardized Coefficients) Hệ số chuẩn hóa (Standardized Coefficients) t Mức ý nghĩa (Sig). Thống kê đa cộng tuyến (Collinearity Statistics) B Std. Error Beta Tolerance VIF 1 (Constant) -5.753E-17 .055 .000 1.000 PCLDmoi .352 .059 .347 5.975 .000 1.000 1.000 PCLDNV -.025 .059 -.025 -.429 .668 1.000 1.000 Mơ hình Dimension Eigenvalue Chỉ số điều kiện (Condition Index) Tỉ lệ phương sai (Variance Proportions) (Constant) PCLD moi PCLDNV 1 1 1.000 1.000 .00 1.00 .00 2 1.000 1.000 1.00 .00 .00 3 1.000 1.000 .00 .00 1.00 a. Biến độc lập: Su no luc manh me
ii. Giả định phương sai phần dư không đổi
Chúng ta xem xét đồ thị của phần dư chuẩn hóa theo giá trị dự báo của biến phụ thuộc VI cũng đã được chuẩn hóa để kiểm tra xem có hiện tượng phương sai thay đổi hay khơng.
BIỂU ĐỒ 4-1 ĐỒ THỊ PHÂN TÁN
Quan sát đồ thị phân tán ở Biểu đồ 4-1, ta thấy phần dư phân tán ngẫu nhiên quanh tung độ 0 chứ không tạo nên hình dạng nào. Như vậy, giả định phương sai khơng đổi của mơ hình hồi quy khơng bị vi phạm.
iii. Giả định về phân phối chuẩn của phần dư
Phần dư có thể khơng tn theo phân phối chuẩn vì nhiều lý do: sử dụng mơ hình khơng đúng, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích (Hồng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Vì vậy, ta sử dụng nhiều cách kiểm định khác nhau để đảm bảo tính xác đáng của kiểm định. Các kiểm định phân phối chuẩn của phần dư như biểu đồ tần số của phần dư chuẩn hóa, kiểm định Kolmogrow 1 mẫu lần lượt được trình bày.
Trước hết, xem xét tần số của phần dư chuẩn hóa ở Biểu đồ 4-2, ta thấy giả thuyết phân phối chuẩn không bị vi phạm.
BIỂU ĐỒ 4-2 BIỂU ĐỒ TẦN SỐ CỦA PHẦN DƯ CHUẨN HÓA
Và cuối cùng, kiểm định chuẩn tắc để kiểm định phân phối chuẩn của phần dư là kiểm định Kolmogrow 1 mẫu (Bảng 4-12) cho trường hợp này cũng cho thấy giá trị trung bình Mean bằng 0, độ lệch chuẩn bằng 1, ý nghĩa kiểm định bằng 0.065>0.05, cho thấy ở độ tin cậy 95% có thể chấp nhận giả thuyết cho rằng phân phối của phần dư là phân phối chuẩn.
BẢNG 4-12 Kiểm định One-Sample Kolmogorov-Smirnov
Su no luc manh me
N 290
Normal Parametersa Mean .0000000 Std. Deviation 1.00000000 Kolmogorov-Smirnov Z .987 Asymp. Sig. (2-tailed) .065
Các giả định về phân phối chuẩn của phần dư đều cho cùng một kết quả. Như vậy, chúng ta có thể kết luận rằng giả định về phân phối chuẩn của phần dư không bị vi phạm.
Một giả thuyết quan trọng của mơ hình hồi quy tuyến tính cổ điển là khơng có sự tự tương quan giữa các phần dư ngẫu nhiên tức là các phần dư độc lập với nhau. Khi xảy ra hiện tượng tương tự tương quan, các ước lượng của mơ hình hồi quy khơng đáng tin cậy. Phương pháp kiểm định có ý nghĩa nhất để phát hiện ra tự tương quan là kiểm định Dubin – Watson. Nếu 1<d<3 thì kết luận mơ hình khơng có tự tương quan, nếu 0<d<1 thì kết luận mơ hình có tự tương quan dương, nếu 3<d<4 thì kết luận mơ hình có tự tương quan âm (Hoàng Ngọc Nhậm, 2004). Kiểm định Dubin – Watson cho kết quả giá trị d = 2.286, nghĩa là có thể chấp nhận giả thuyết khơng có tự tương quan giữa các phần dư.
BẢNG 4-13 BẢNG TÓM TẮT MƠ HÌNH
4.4.1.2 Kiểm định độ phù hợp và ý nghĩa các hệ số hồi quy của mơ hình hồi quy i. Sự phù hợp của mơ hình hồi quy
Một công việc quan trọng của bất kỳ thủ tục thống kê xây dựng mơ hình dữ liệu nào cũng chính là chứng minh sự phù hợp của mơ hình. Hầu như khơng có hàm hồi quy nào phù hợp hồn tồn với tập dữ liệu, vẫn ln có sự sai lệch giữa các giá trị dự báo và các giá trị thực tế (thể hiện qua phần dư). Thang đo thông thường dùng để xác định mức độ phù hợp của mơ hình hồi quy tuyến tính đã xây dựng so với dữ liệu là hệ số xác định R2 (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005)
Trên bảng 4-13, ta thấy giá trị hệ số R bình phương là 0.118, nghĩa là mơ hình hồi quy tuyến tính đã xây dựng phù hợp với dữ liệu 11.8%, hay nói cách khác là hơn 11.8% sự khác biệt về nỗ lực trong cơng việc của nhân viên có thể được giải thích bởi sự khác biệt trong phong cách lãnh đạo. Tuy nhiên, giá trị R2 chỉ thể hiện sự phù hợp của mơ hình và dữ liệu mẫu. Để xem xét sự phù hợp của mơ hình hồi quy tổng thể ta thực hiện kiểm định F.
Model R
R bình
phương R2 hiệu chỉnh
Sai số chuẩn của
ước lượng
Hệ số Durbin- Watson 1 .343a .118 .112 .94250307 2.286
BẢNG 4-14 KIỂM ĐỊNH SỰ PHÙ HỢP CỦA MƠ HÌNH TỔNG THỂ
Mơ hình Tổng bình phương df Bình phương trung bình F Sig. 1 Hồi qui 34.054 2 17.027 19.168 .000a
Phần dư 254.946 287 .888 Tổng 289.000 289
a. Predictors: (Constant), PCLDNV, PCLDmoi b. Dependent Variable: VI
Giá trị sig. của trị thống kê F của mơ hình đầy đủ (Bảng 4-14) là rất nhỏ, cho kết quả bác bỏ giả thuyết cho rằng các hệ số hồi quy trong mơ hình hồi quy tổng thể