CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN ỨU
3.5 ết kế nghiên Thi cứu định lượ ng
3.5.4 Phương pháp phân tích dữ liệu
Phần mềm SPSS 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 qui, phân tích ANOVA, …Các bước xử lý số liệu bằng SPSS sẽ được giới thiệu trong hình 3.2:
Hình 3.3: Quy trình phân tích dữ liệu bằng SPSS
3.5.4.1 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 sai có giá trị gây nhiễu (outliers) khơng nằm trong các giá trị lựa chọn. Tiếp đó, ta sẽ cho 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 một biến phải nhỏ hơn 10% tổng số mẫu. Ở bước này, tác giả đã bỏ bớt 47 mẫu qua bước làm sạch dữ liệu, bỏ dữ liệu không hợp logic như: Không nằm trong 3 công ty được chọn, vị trí cơng tác khơng liên quan đến cơng tác triển khai phần mềm, tuổi đời trẻ < 22 nhưng lại có thâm niên triển khai > 4 năm hoặc trình độ sau đại học. Vì vậy, từ 255 mẫu, kích thước mẫu cuối cùng đưa vào nghiên cứu tiếp theo là 208.
3.5.4.2 Kiểm định Cronbach Alpha
Các thang đo được đánh giá thông qua độ tin cậy CR cho từng nhóm biến khác nhau. Độ tin cậy CR phải nằm trong khoảng từ 0.6 đến 1.0 để đảm bảo các biến trong cùng một nhóm nhân tố có tương quan về ý nghĩa (Hoàng Trọng và Mộng Ngọc, 2009). Ngồi ra, mỗi biến có tương quan tổng thể nhỏ hơn 0.3 cũng được loại bỏ trước khi đưa vào phân tích nhân tố.
3.5.4.3 Phân tích nhân tố EFA
Với số lượng các biến khá lớn và có mối tương quan với nhau, chúng ta cần giảm số lượng này xuống còn một số nhân tố ít hơn mà chúng ta có thể sử dụng được nhưng vẫn có thể đại diện cho phần lớn ý nghĩa các biến thu thập. Các nhân tố này thể hiện được sự liên hệ qua lại giữa các biến và thể hiện sự giải thích của biến đối với các khía cạnh khác nhau của vấn đề.
Trong tài liệu này, tác giả sử dụng phương pháp phân tích nhân tố “Principle Components” và phép quay Equamax để tìm ra các nhân tố đại diện cho các biến. Mục tiêu để tối thiểu hố số lượng biến có hệ số tải lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố (Hồng Trọng và Mộng Ngọc, 2009).
3.5.4.4 Phân tích hồi qui bội kiểm định mơ hình lý thuyết
Phân tích hồi qui bội là một kĩ thuật thống kê có thể được sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập. Khi chạy hồi qui cần quan tâm đến các thơng số sau:
•Hệ số Beta: hệ số hồi qui chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.
•Hệ số khẳng định R2: đánh giá phần biến động của biến phụ thuộc được giải thích bởi các biến dự báo hay biến độc lập. Hệ số này có thể thay đổi từ 0 đến 1.
•(Multi)collinearity (Đa cộng tuyến): mô tả mối quan hệ tuyến tính giữa hai hay nhiều biến độc lập. Hai biến độc lập được xem là tuyến tính hồn tồn nếu hệ số tương quan giữa chúng là 1 và hoàn tồn khơng quan hệ tuyến tính nếu hệ số tương quan giữa chúng là 0. Đa cộng tuyến xảy ra khi một biến độc lập nào đó tương quan mạnh với một nhóm biến độc lập khác. Ngồi ra, theo Hair và ctg(1995) có thể sử dụng hệ số VIF(hay Tolerance) để đánh giá hiện tượng này.
•Hệ số tương quan r: chỉ mối quan hệ giữa biến phụ thuộc và các biến độc lập. Dấu của hệ số tương quan chỉ hướng của mối quan hệ này. Giá trị của r có thể thay đổi từ -1 đến +1.
•Hằng số hồi qui b0: giá trị của cột Y khi đường thẳng Y = b0 + b1X1 cắt cột này. Hằng số hồi qui thể hiện các tác động của tất cả các biến dự báo khác khơng được bao gồm trong mơ hình.
•Hệ số hồi qui bn: giá trị hệ số góc của các biến trong mơ hình ước lượng. Các hệ số này mang tính riêng phần vì mỗi hệ số khơng chỉ thể hiện mối quan hệ giữa các biến độc lập và biến phụ thuộc mà còn giữa các biến độc lập với nhau.
3.5.4.5 Kiểm tra BLUE các vi phạm giả thuyết hồi qui
Kiểm định độ 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 qui phù hợp với tập dữ liệu.
Kiểm định phương sai sai số thay đổi
Kiểm tra giả định này bằng cách vẽ đồ thị phân tán giữa các phần dư và giá trị dự đốn mà mơ hình hồi qui tuyến tính cho ra. Nếu giả định phương sai bằng nhau được thỏa mãn, thì các giá trị sẽ phân tán ngẫu nhiên quanh trục 0 trong một phạm vi không đổi. Như vậy mơ hình hồi qui phù hợp.
Đo lường đa cộng tuyến
Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ 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 kì 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.
Giá trị 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 và ctg(1995) 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 (Hoàng Trọng và Mộng Ngọc, 2009).
Kiểm định phần dư
Sau khi thực hiện kiểm định mơ hình hồi qui, chúng ta cần kiểm định phân dư chuẩn hố của mơ hình để bảo đảm phần dư chuẩn hố có dạng phân phối chuẩn Cách kiểm định có thể sử dụng là vẽ đường cong chuẩn hoá của phân bổ phần dư này. Nếu chúng ta thấy trên đồ thị đường cong chuẩn hố 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.
Một cách khác để kiểm định sự chuẩn hoá của phần dư là vẽ và đồ thị P-P plots để so sánh với phân phối chuẩn. Đồ thị này thể hiện những giá trị tích luỹ của các điểm phân vị của phân phối của biến phần dư theo tích luỹ phân vị của phân phối chuẩn. Nếu trên đồ thị p-p plots các điểm này không nằm quá xa đường thẳng của phân phối chuẩn thì có thể xem như phần dư có phân phối gần chuẩn.
3.5.4.6 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 các biến phân loại, biến nhân khẩu học. Trong phần nghiên cứu này, tác giả sẽ phân tích ANOVA về sự hài lịng của nhân viên với các biến phân tích như: vị trí chức vụ, tuổi, giới tính, thời gian làm việc, trình độ học vấn. Những kết quả phân tích này sẽ là cơ sở để xây dựng và cung cấp các giải pháp, kiến nghị cho các nhà quản lý các Công ty chi nhánh của FPT.
Tóm tắt chương 3
Trong chương này, đề tài đã trình bày qui trình nghiên cứu, nêu rõ một số nội dung về: PPNC định tính và kết quả của nó, PPNC định lượng, qui trình phân tích và xử lý số liệu trong nghiên cứu định lượng. Trong chương kế tiếp, tác giả sẽ trình bày kết quả cụ thể của quá trình trình phân tích định lượng.
CHƯƠNG 4. KẾT QUẢ NGHIÊNCỨU CỨU
Trong chương 4, tác giả tiến hành phân tích kết quả khảo sát bằng các cơng cụ kiểm định thang đo, kiểm định mơ hình và các giả thuyết nghiên cứu. Bên cạnh đó tác giả cũng kiểm định các sự khác biệt giữa các nhóm nhân viên khác nhau về các đặc điểm nhân khẩu học.
4.1 Mơ tả mẫu nghiên cứu
Vì đối tượng khảo sát chính trong nghiên cứu này là NVTKPM vốn thường xuyên đi công tác ở khách hàng trên khắp các tỉnh thành trong và ngoài nước Việt Nam, việc tiếp xúc trực tiếp sẽ cực kỳ khó khăn và khơng đủ gom thơng tin trong thời gian ngắn. Nhưng điểm thuận lợi là đối tượng này lại lien lạc bằng email nội bộ rất dễ dàng. Bảng câu hỏi trước khi được đưa vào khảo sát chính thức được đem thảo luận với một số NVTKPM để làm rõ các phát biểu. Dựa vào kết quả đó, bảng câu hỏi được điều chỉnh lại trước khi đưa chính thức trên googledocs triển khai khảo sát chính thức bằng hình thức gửi email trực tiếp mời kết hợp với Survey trực tiếp bằng hard copy. Kết quả nhận được sau khi triển khai khảo sát trong 2 tháng(6/201308/2013) với tổng số mẫu như sau:
Bảng 4.1: Thống kê hình thức Survey
Trực tiếp hard copy Google docs Tổng cộng
103 152 255
(Nguồn: Kết quả điều tra của tác giả, 08/2013)
Bảng 4.2: Thống kê số mẫu thu thập
Mẫu trả lời Mẫu không hợp lệ Mẫu hợp lệ Tỉ lệ mẫu hợp lệ
255 47 208 81.5%
(Nguồn: Kết quả điều tra của tác giả, 08/2013)
Sau khi sử dụng các kỹ thuật làm sạch dữ liệu kết hợp với các biến kiểm soát trong bảng câu hỏi, số mẫu hợp lệ thu được là 208 mẫu. Thông tin mẫu khảo sát định lượng chính thức được mơ tả chi tiết ở phụ lục 3 – Thống kê mô tả mẫu.
Bảng 4.3: Mô tả mẫu nghiên cứu
Biến quan sát Tần số % Biến quan sát Tần số %
FPTx
FIS SOFT 107 51.4
Lương kỳ vọng
≈ 10 triệu 93 44.7
FIS ERP 47 22.6 10-13 triệu 34 16.3
FSOFT 54 26.0 13-16 triệu 30 14.4 Hợp đồng Chính thức 155 74.5 16-20 triệu 18 8.7 Cộng tác viên 53 25.5 20-25 triệu 14 6.7 Thâm niên < 2 năm 50 24.0 >25 triệu 19 9.1 2-4 năm 75 36.1 Tuổi 18-22 7 3.4 4-7 năm 49 23.6 22-25 40 19.2 7-10 năm 23 11.1 25-30 71 34.1 > 10 năm 11 5.3 30-35 83 39.9 Thời gian công tác 2 năm vừa rồi < 6 tháng 21 10.1 >35 7 3.4 6-12 tháng 64 30.8 Giới tính Nam 155 74.5 12-18 tháng 101 48.5 Nữ 53 25.5 > 18 tháng 22 10.6 Trình độ học vấn Cao đẳng 79 38.0 Dự án kéo dài < 2 tháng 16 7.7 1 bằng đại học 95 45.7 2-6 tháng 62 29.8 2 bằng đại học trở lên 15 7.2 6-12 tháng 71 34.1 Họcngoài vềnước 9 4.3 > 12 tháng 59 28.4 Sau đại học 10 4.8 Vị trí Triển khai 93 44.7 Thu nhập hiện tại < 7 triệu 87 41.8 Tư vấn 40 19.2 7-9 triệu 44 21.2 Trưởng nhóm 18 8.7 9-12 triệu 22 10.6 Kỹ sư cầu nối 20 9.6 12-15 triệu 23 11.1 Quản trị dự án 23 11.1 15-18 triệu 15 7.2 Manager 14 6.7 > 18 triệu 17 8.2
Hơn 50% đáp viên trả lời khảo sát thuộc công ty chi nhánh FIS SOFT (đây là cơng ty có số lượng NVTKPM trong nội địa Việt Nam chiếm số lượng nhiều nhất tại Tập đồn FPT), số cịn lại thuộc 2 chi nhánh FSOFT và FIS ERP.
Gần 75% đáp viên khảo sát là nhân viên chính thức của cơng ty, số cịn lại hợp tác làm việc dưới dạng cộng tác viên.
Mẫu khảo sát được phân bố đều ở các NV có thâm niên làm việc khác nhau từ dưới 2 năm cho đến trên 10 năm, trong đó tập trung nhiều nhất là NV có thâm niên từ 2-4 năm (chiếm 36.1%) và ít nhất là NV có thâm niên hơn 10 năm (chiếm 5.3%).
Trong số đáp viên, lượng đi công tác nhiều (từ 12-18 tháng) trong 2 năm gần đây chiếm áp đảo với tỉ lệ 48.5%, ít đi cơng tác hơn một chút (6-12 tháng) chiếm 30.8%. Chi tiết hơn về thời gian dự án mà đáp viên tham gia thường kéo dài từ 6-12 tháng chiếm tỉ lệ 30.8% và lâu hơn từ 12-18 tháng chiếm cao nhất đến 48.5%.
Gần 45% đáp viên được khảo sát là NVTKPM chương trình, cịn lại là các vị trí có liên quan đến cơng tác triển khai phần mềm và gần 75% đáp viên là nam giới, kết quả này phù hợp với đặc thù nghề triển khai là tỷ lệ nam chiếm số lượng lớn.
Các đáp viên đa số thuộc độ tuổi từ 22-35 (chiếm 93.2%) trong đó tập trung nhiều nhất ở độ tuổi 30-35 (chiếm 40%) và có trình độ học vấn khá cao, từ 1 bằng đại học trở lên chiếm 62%, số cịn lại có trình độ học vấn ở bậc cao đẳng.
Gần một nửa đáp viên có trình độ học vấn là 1 bằng đại học, số lượng này chiếm 45.7%, phần còn lại khá lớn khoảng 38% có bằng cao đẳng, chỉ khoảng 16,3% đáp viên có 2 bằng đại học, học từ nước ngồi và sau đại học.
Thu nhập của các đáp viên chiếm tỉ lệ xấp xĩ nhau ở các mức thu nhập khác nhau, nhưng nhìn chung lương thực tế khơng cao vì hết 63% đáp viên có thu nhập hiện tại thấp hơn 9 triệu/tháng. Tỷ lệ đáp viên có thu nhập hơn 15 triệu/tháng chỉ chiếm 15.4%. Số cịn lại có thu nhập từ 9-15 triệu (chiếm 21.7%).
4.2 Đánh giá thang đo bằng Cronbach Alpha
Hệ số CR được sử dụng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Công cụ này giúp loại các quan sát hay thang đo khơng phù hợp trước. Các biến có hệ số tương quan biến - tổng ( Item – Total Correlation) lớn hơn 0.3, hệ số CR lớn hơn
0.6 mới được xem là chấp nhận được và thích hợp để đưa vào phân tích những bước tiếp theo (Hồng Trọng và Mộng Ngọc, 2009). Kết quả kiểm định độ tin cậy của các thang đo được tóm tắt và trình bày như sau (Phụ lục 4).
Bảng 4.4: Tổng hợp kết quả phân tích Cronbach Alpha
STT Nhân tố Số biến quan sát trước Số biến quan sát sau Cronbach's Alpha Hệ số tương quan biến tổng thấp nhất 1 Cảm nhận về công việc 4 4 0.705 0.448 2 Chính sách tiền lương 6 6 0.941 0.673
3 Điều kiện làm việc 4 4 0.858 0.564
4 Đặc thù công việc 4 4 0.741 0.484
5 Mối quan hệ 4 4 0.85 0.644
6 Đánh giá cá nhân 4 4 0.781 0.447
7 Cơ hội thăng tiến 5 5 0.923 0.719
8 Thương hiệu doanh
nghiệp 4 3 0.794 0.524
9 Sự hài lòng 3 3 0.928 0.928
(Nguồn: Kết quả điều tra của tác giả, 08/2013)
Kết quả cho thấy, ở nhân tố Thương hiệu doanh nghiệp sau khi phân tích biến TH4 bị loại vì có hệ số tương quan biến tổng là .251, đánh giá nhỏ hơn 0.3. Nhận thấy, xét về mặt ý nghĩa thì phát biểu “cảm giác gắn bó bền chặt với FPT” không rõ ràng, mức ý nghĩa không cao khi ý bị trùng lắp với ý “tơi cảm nhận mình là một phần giá trị của FPT”, đo đó việc loại biến này có thể chấp nhận được. Riêng các quan sát cịn lại đều đạt yêu cầu và được sử dụng cho các phân tích tiếp theo.
4.3 Phân tích nhân tố (EFA)
Phân tích nhân tố là một phương pháp phân tích định lượng dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến ít hơn (gọi là các nhân tố) để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair và ctg, 1995). Khi phân tích EFA, các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn nhất định để đánh giá kết quả:
- Thứ nhất: Hệ số KMO (Kaiser-Meyer-Olkin) ≥ 0.5 với mức ý nghĩa của kiểm định Barlett ≤ 0.5. KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA,