Hiệu suất của nhân viên (Employee Performance)
EP1 Anh/chị lựa chọn công việc này dựa trên những tương đồng (mục tiêu, tính kỷ luật,…) giữa anh/chị với tổ chức.
EP2 Anh/chị cảm thấy các vị trí cơng việc và thang bảng lương trong tổ chức thì linh hoạt.
EP3 Anh/chị có động lực làm việc tốt hơn qua những khuyến khích về mặt tinh thần (du lịch, sinh nhật,…) trong tổ chức.
EP4 Anh/chị sẽ được khen thưởng nếu có hiệu suất làm việc cao.
EP5 Anh/chị cảm thấy dễ dàng trao đổi với người quản lý của mình về vấn đề hiệu suất làm việc trong tổ chức.
EP6 Trong tổ chức những ý kiến của anh/chị được xem xét giúp anh/chị làm việc có hiệu suất cao hơn.
EP7 Trong tổ chức những chương trình huấn luyện khuyến khích anh/chị làm việc có hiệu suất cao hơn. EP8 Trong tổ chức anh/chị là người được đánh giá cao về hiệu suất làm việc.
EP9 Trong tổ chức tiêu chí đánh giá hiệu suất làm việc của nhân viên là việc tự thể hiện giá trị bản thân với công việc.
3.4 Mẫu
3.4.1 Đối tƣợng khảo sát
Trong nghiên cứu về mối quan hệ giữa sự đổi mới và hiệu suất của nhân viên tác giả thu thập dữ liệu từ những nhân làm việc tại phịng cơng nghệ của các Công ty hoạt động trong lĩnh vực Công nghệ sinh học trong Khu công nghệ cao Quận 9, Tp. Hồ Chí Minh. Mục đích thu thập dữ liệu từ những nhân viên nhằm để họ tự đánh giá tác động của các hoạt động đổi mới đến hiệu suất của mình. Nhằm đảm bảo đối tượng khảo sát phù hợp với nghiên cứu, bảng câu hỏi được in ra và gửi trực tiếp cho các nhân viên. Đồng thời để đảm bảo tính bảo mật thơng tin, trong bảng câu hỏi cũng cam kết bảo mật thông tin cho người trả lời thông qua cam kết chỉ sử dụng thơng tin cho mục đích nghiên cứu.
3.4.2 Mẫu
Trong nghiên cứu định tính hay định lượng để kiểm định lý thuyết khoa học, chọn mẫu là một trong những giai đoạn quyết định chất lượng của kết quả nghiên cứu. Vì vậy mà chúng ta cần phải quyết định chọn mẫu như thế nào là phù hợp nhất có thể tiết kiệm chi phí và thời gian nghiên cứu và có thể cho kết quả chính xác hơn.
Để có thể thuận tiện trong việc khảo sát đám đông cũng như tiết kiệm thời gian nghiên cứu và chi phí nghiên cứu, tác giả sử dụng phương pháp chọn mẫu theo phương pháp phi xác suất với việc sử dụng chọn mẫu theo phương pháp thuận tiện. Phương pháp này giúp tác giả thuận tiện trong việc chọn mẫu bằng cách có thể chọn những phần tử mà họ có thể tiếp cận được.
Ngồi ra phương pháp xử lý được dùng cho bài nghiên cứu ở đây là sử dụng phương pháp phân tích EFA kết hợp với phân tích hồi quy trong SPSS. Để sử dụng EFA chúng ta cần kích thước mẫu lớn, theo Hair & ctg (2006) cho rằng để sử dụng EFA, kích thước mẫu tối thiểu phải là 50, tốt hơn là 100 và tỷ lệ quan sát/biến đo lường là 5:1, nghĩa là 1 biến đo lường cần tối thiểu 5 quan sát, tốt nhất 10:1 trở lên. Ngoài ra theo Tabachnick và Fidell (1996) mẫu dùng cho phân tích hồi quy có kết quả tốt có thể đạt cỡ mẫu theo cơng thức n ≥ 8m + 50, trong đó n là cỡ mẫu, m là số lượng biến quan sát trong mơ hình nghiên cứu. Hiện tại bài nghiên cứu của tác giả có 25 biến quan sát, lấy mẫu theo Tabachnick và Fidell, kích thước mẫu của bài nghiên cứu là 25*8 + 50 = 250, vì vậy cần phải có kích mẫu tối thiểu là 250.
3.5 Phƣơng pháp xử lý số liệu 3.5.1 Tóm tắt các bƣớc xử lý số liệu
Q trình xử lý số liệu được thực hiện trên phần mềm xử lý số liệu SPSS 16.0 và được thực hiện theo trình tự sau:
Bước 1: Kiểm định sơ bộ độ tin cậy của các thang đo. Các thang đo này cụ thể bao gồm: thang đo của sự đổi mới (đổi mới tổ chức, đổi mới cơng nghệ, đổi mới quy trình và đổi mới sản phẩm) và thang đo hiệu suất nhân viên. Đánh giá sơ bộ sẽ loại bỏ một số biến quan sát có hệ số Cronbach’s Alpha nhỏ hơn 0.6 vì theo Nunnally & Bernstein 1994 cho rằng nếu Cronbach’s Alpha lớn hơn hoặc bằng 0.6 là thang đo có thể chấp nhận được về mặt độ tin cậy.
Bước 2: Phân tích nhân tố khám phá EFA nhằm nhận diện các nhân tố giải thích cho các biến thành phần như thế nào. Theo Hair và các cộng sự (1988), các biến quan sát có hệ số tải nhân tố (factor loading) nhỏ hơn 0.5 sẽ bị loại bỏ và tổng phương sai trích (variance extracted) phải lớn hơn hoặc bằng 50%.
Bước 3: Sau khi sử dụng EFA để lại bỏ một số biến quan sát không phù hợp ra khỏi mơ hình. Tác giả sử dụng phương pháp phân tích hồi quy để xác định mức ý nghĩa và mối quan hệ tuyến tính giữa các biến trong mơ hình nghiên cứu.
3.5.2 Kiểm định sơ bộ độ tin cậy của thang đo
Tất cả các thang đo của biến sự đổi mới và hiệu suất của nhân viên được đề cập trong mơ hình nghiên cứu được thể hiện ở nhiều khía cạnh khác nhau. Do đó chúng cần phải được kiểm định chặt chẽ để loại bớt đi những biến quan sát, những thành phần không đạt yêu cầu, không liên quan đến mơ hình nghiên cứu.
Hầu hết trong tất cả các nghiên cứu khoa học các nhà nghiên cứu đều đồng tình cho rằng hệ số Cronbach’s Alpha là hệ số sử dụng phổ biến để đánh giá độ tin cậy của thang đo song hành, tuy nhiên cũng phải nhận định rằng Cronbach’s Alpha là hệ số đo lường độ tin cậy của thang đo chứ không phải là hệ số tin cậy cho từng biến quan sát.
Để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu ba biến đo lường. Hệ số Conbach’s Alpha có giá trị biến thiên trong khoảng [0,1]. Về mặt lý thuyết, Cronbach Alpha càng cao càng tốt (thang đo có đơ tin cậy cao). Tuy nhiên đều này không thực sự như vậy. Hệ số Cronbach’s Alpha quá lớn ( > 0.95) cho thấy có nhiều biến trong thang đo khơng khác biệt gì nhau.
Theo Hair và công sự (1988), hệ số tương quan biến-tổng (item-total
correlation) nên lớn hơn 0.5 và Cronbach’s Alpha nên lớn hơn hoặc bằng 0.6. Đối
với kiểm định Cronbach’s Alpha trong nghiên cứu này, đều kiện để chấp nhận biến quan sát được đề nghị:
Giá trị Conbach’s Alpha phải lớn hơn hoặc bằng 0.6
Hệ số tương quan biến – tổng (Corrected item – Total Correlation) thấp nhất trong thành phần phải lớn hơn 0.3
3.5.3 Phân tích nhân tố khám phá EFA
Sau khi phân tích kiểm định các thang đo bằng hệ số tin cậy Cronbach’s Alpha chúng ta sẽ tiến hành đi đến quyết định loại bỏ một số biến quan sát nếu chúng có hệ số tương quan biến –tổng thấp.
Những thang đo của biến đổi mới và hiệu suất của nhân viên được kế thừa từ lý thuyết trước và chúng được nghiên cứu ở thị trường Malaysia. Tuy nhiên với điều kiện áp dụng tại Việt Nam vẫn có thể tồn tại những điểm khác biệt. Vì thế để tránh trường hợp sai sót trong nghiên cứu tác giả sẽ tiến hành bước phân tích tiếp theo là phân tích nhân tố khám phá (EFA) để nhận diện lại các yếu tố thành phần trên cùng với các biến quan sát liên quan.
Khi phân tích nhân tố khám phá (EFA) các nhà nghiên cứu thường quan tâm đến một số tiêu chuẩn để kiểm tra độ phù hợp của mơ hình như:
Kiểm định Bartlett (Bartlett’s test of sphenricity) dùng để xem xét ma trận tương quan có phải là ma trận đơn vị I (Indentity matrix), là ma trận có các thành phần hệ số tương quan giữa các biến) bằng khơng và đường chéo (hệ số tương quan với chính nó) bằng 1. Vì vậy u cầu nếu phép kiểm định Barltett có p< 5%, chúng ta từ chối giả thuyết H0 (ma trận tương quan là ma trận đơn vị), nghĩa là các biến có quan hệ với nhau (Nguyễn Đình Thọ, 2011).
Hệ số KMO: Kiểm định KMO (Kaiser-Meyer-Olkin measure of Sampling adequacy) là chỉ số dùng để so sánh độ lớn của hệ số tương quan từng thành phần giữa các biến quan sát với nhau. Yêu cầu đối với hệ số KMO càng lớn càng tốt vì như vậy cho thấy phần chung của các biến càng lớn. Để sử dụng EFA, KMO phải lớn hơn hoặc bằng 0.5. Theo Kaiser (1974) đề nghị KMO ≥ 0.90: rất tốt; KMO ≥ 0.80: tốt; KMO ≥ 0.70: được; KMO ≥ 0.60: tạm được; KMO ≥ 0.50: xấu và KMO < 0.5: khơng thể chấp nhận được. Vì vậy trong bài nghiên cứu này tác giả lựa chọn yêu cầu cần thiết hệ số KMO phải có giá trị nằm trong khoảng [0.5;1] mới chấp nhận được (Nguyễn Đình Thọ, 2011).
Hệ số tải nhân tố (factor loading), theo Hair & ctg (1998,111), hệ số tải nhân tố là chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA. Hệ số tải nhân tố > 0.3 được xem là đạt mức tối thiểu, >0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn. Với nghiên cứu này tác giả lựa chọn sử dụng hệ số tải nhân tố phải > 0.5. Đối với những biến quan sát có hệ số tải nhân tố ≤ 0.5 sẽ bị loại.
xét đến hệ số tổng phương sai trích (TVE- Total Variance Explained). Tổng này thể hiện các nhân tố trích được bao nhiêu phần trăm của các biến đo lường, tổng phương sai trích của các nhân tố phải đạt từ 50% trở lên, nghĩa là phần chung phải lớn hơn phần riêng và sai số (từ 60% trở lên là tốt). Thỏa điều kiện này, chúng ta kết luận là mơ hình EFA phù hợp (Nguyễn Đình Thọ, 2011).. Các nhân tố trích phải sử dụng tiêu chí Eigenvalue, với tiêu chí này số lượng nhân tố được xác định ở nhân tố có eigenvalue tổi thiếu bằng 1.
Khi phân tích EFA trong nghiên cứu này tác giả sử dụng phép trích nhân tố là phương pháp phân tích mơ hình thành phần chính (PCA- Principal Component Analsyis) với phép quay vng góc Varimax. Khi sử dụng phương pháp PCA trong phân tích EFA, phân tích chung ban đầu ln bằng 1 và phần trích cuối cùng nhỏ hơn 1. Điểm dừng khi trích các nhân tố có Eigenvalue ≥1 được sử dụng để diễn giải kết quả của EFA.
3.5.4 Phân tích tƣơng quan
Phân tích tương quan là phương pháp phân tích nhằm xem xét mối quan hệ tương quan tuyến tính giữa biến phụ thuộc và biến độc lập, hay những biến độc lập với nhau. Phân tích này người ta sử dụng một hệ số thống kê có tên là hệ số tương quan Peason (kí hiệu là r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng.
Trong nghiên cứu này tác giả nghiên cứu mối quan hệ giữa sự đổi mới và hiệu suất của nhân viên, nghiên cứu sử dụng phương pháp tương quan với hệ số tương quan Pearson để xem xét mối quan hệ tương quan tuyến tính giữa các biến với nhau. Hệ số r luôn nằm trong khoảng từ -1 đến 1. Nếu hệ số r > 0 thể hiện tương quan đồng biến ngược lại nếu r < 0 thể hiện tương quan nghịch biến và khi r = 0 thì hai biến khơng có mối quan hệ tuyến tính. Giá trị r càng gần về 1 thì hai biến này có mối quan hệ tương quan tuyến tính càng chặt chẽ (khi tất cả các điểm phân tán xếp thành một đường thẳng thì trị tuyệt đối của r=1) (Nguyễn Đình Thọ, 2011).
3.5.5 Phân tích hồi quy
Nếu kết luận được hai biến có mối quan hệ tuyết tính chặt chẽ với nhau qua hệ số tương quan r, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa hai biến và xem như đã xác định đúng hướng của mối quan hệ nhân quả có thật giữa chúng thì ta có thể xây dựng mơ hình hồi quy tuyến tính trong đó có một biến là biến phụ thuộc (biến hiệu suất của nhân viên) và biến kia là biến độc lập (biến sự đổi mới). Trong phân tích hồi quy tác giả sẽ tiến hành:
Thứ nhất, đánh giá và kiểm định độ phù hợp của mơ hình bằng hệ số R2 và R2 hiệu chỉnh. Hệ số R2 là hệ số xác định thể hiện tỷ trọng của tổng biến thiên của biến phụ thuộc có thể giải thích được bởi biến thiên của biến độc lập, R2 dao động từ 0 đến 1, R2 càng gần 1 thì mơ hình đã xây dựng càng phù hợp với bộ dữ liệu chạy hồi quy. Nếu R2 càng gần về 0 thì mơ hình đã xây dựng càng kém phù hợp với bộ dữ liệu dùng để chạy hồi quy. Hệ số R2 hầu như không giảm khi chúng ta thêm biến độc lập mới vào mơ hình. Đều này gây ra khó khăn trong việc so sánh các mơ hình trước và sau khi thêm biến mới vào mơ hình.
Vì vậy để xem xét mức độ tác động khi chúng ta thêm biến mới vào mơ hình có làm giảm bậc tự do hay việc thêm biến mới vào mơ hình có đủ năng lực giải thích để bù đắp cho sự mất mát khi giảm bậc tự do hay khơng thì trong nghiên cứu này tác giả sẽ sử dụng hệ số R2 hiệu chỉnh. Hệ số R2 hiệu chỉnh thể hiện phần trăm tổng biến thiên của biến phụ thuộc (hiệu suất của nhân viên) có thể được giải thích được bởi tất cả các biến độc lập (sự đổi mới) đã được điều chỉnh cho số biến sử dụng. Việc sử dụng hệ số R2 sẽ giúp chúng ta giảm thiểu việc đưa quá nhiều biến không cần thiết vào mơ hình và nó cũng hữu dụng trong việc so sánh mơ hình. Thơng thường hệ số R2 hiệu chỉnh nhỏ hơn giá trị của R2.
Để kiểm tra tổng thể mơ hình tương quan đa biến, tác giả sử dụng kiểm định F trong phân tích phương sai để kiểm định sự phù hợp của mơ hình, qua đó xem xét biến phụ thuộc (hiệu suất của nhân viên) có quan hệ tuyến tính với biến độc lập (sự đổi mới) hay không qua việc kiểm định giả thuyết:
viên)
H0: R2 =0 (Khơng có mối quan hệ giữa sự đổi mới và hiệu suất của nhân H1: R2 # 0 (Tồn tại ít nhất một mối quan hệ giữa sự đổi mới và hiệu suất của nhân viên)
Với mức ý nghĩa 5% nếu: Sig < 0.05: Bác giả thuyết H0
Sig ≥ 0.05: Chấp nhận giả thuyết H0
Thứ 2, kiểm định các giả định trong mơ hình hồi quy bội: Các biến độc lập khơng có mối quan hệ tương quan cao với nhau (khơng có hiện tượng đa cộng tuyến giữa các biến độc lập với nhau); Các sai lệch ngẫu nhiên có phân phối chuẩn; giả định khơng có sự tương quan giữa các phần dư.
3.5.6 Kiểm định ANOVA
Kiểm định giá trị trung bình trong đám đơng. Trong nghiên cứu này sử dụng mơ hình ANOVA được sử dụng để so sánh các trung bình đám đơng với dữ liệu khảo sát, qua đó kiểm định có hay khơng có sự khác nhau trong đánh giá về hiệu suất của nhân viên giữa các nhóm với nhau.
Xem xét giả thuyết.
H0: Khơng có sự khác biệt về các yếu tố sự đổi mới tác động lên hiệu suất của nhân viên qua các nhóm đối tượng khác nhau.
H1: Có sự khác biệt về các yếu tố sự đổi mới tác động lên hiệu suất của nhân viên qua các nhóm đối tượng khác nhau.
Với mức ý nghĩa thống kê 5% nếu:
Sig < 0.05: Bác giả thuyết H0 chấp nhận giả thuyết H1 Sig ≥ 0.05: Chấp nhận giả thuyết H0 bác bỏ giả thuyết H1.
Tóm tắt
Chương 3, tác giả trình bày cách thức thực hiện nghiên cứu, cách thiết kế bảng câu hỏi, cách khảo sát và cách lấy mẫu cũng như phương pháp xử lý số liệu qua hệ số Cronbach Alpha, KMO, EFA, hệ số Pearson và hồi quy. Ngoài ra trong chương này tác giả cũng nêu rõ đối tượng khảo sát và xác định kích thước mẫu của
nghiên cứu là 250, đều chỉnh thang đo với 16 biến quan sát độc lập và 9 biến quan sát của biến phụ thuộc là hiệu suất của nhân viên. Kết quả khảo sát dùng để phân tích và đánh giá kết quả nghiên cứu.
CHƢƠNG 4 – KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Chương 4 trình bày kết quả nghiên cứu về mẫu, thang đo và tiến hành kiểm định các giả thuyết trong mơ hình nhằm đánh giá độ phụ thuộc của mơ hình với bộ