Hệ số Cronback Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao. Sử dụng phương pháp hệ số tin cậy Cronback Alpha trước khi phân tích nhân tố khám phá EFA để loại bỏ các biến khơng phù hợp vì các biến này có thể tạo ra các yếu tố giả.
Hệ số Cronback Alpha chỉ cho biết các biến đo lường có liên kể với nhau hay không nhưng không cho biết biến nào cần loại bỏ đi và biến nào cần giữ lại. Do đó, cần kết hợp sử dụng hệ số tương quan biến để loại ra những biến khơng đóng góp nhiều cho khái niệm cần đó.
Theo Nunnally (năm 1978), ý nghĩa giá trị của Cronback Alpha như sau:
Bảng 3.2 Ý nghĩa giá trị của Cronback Alpha Giá trị của Cronback
Alpha
Ý nghĩa
< 0.6 Thang đo không phù hợp
0.6 – 0.7 Chấp nhận được nghiên cứu mới
0.7 – 0.8 Thang đo ổn định
0.8 – 0.9 Thang đo tốt
0.9 - 1 Thang đo rất tốt
3.3.2.3. Phân tích nhân tố khám phá (Exploratory Factor Analysis)
Hair & ctg, (1998): “Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu”. Hair & ctg, (1998): “Phân
tích nhân tố là một kỹ thuật để nhận biết các nhóm hay tập hợp các biến cơ sở để có thể tính tốn. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau”. Hair & ctg, (1998): “Các biến được gọi là nhân tố hay các biến tiềm tàng là do chúng không thể được nhận ra một cách trực tiếp. Như vậy, qua phân tích nhân tố với phép rút gọn dữ liệu và biến bằng cách nhóm chúng lại với các nhân tố đại diện”.
Hair & ctg, (1998): “Trong phân tích nhân tố khám phá, trị số KMO (Kaisor Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (giữa 0,5 và 1) có ý nghĩa là phân tích nhân tố là thích hợp, cịn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng khơng thích hợp với các dữ liệu”.
Hair & ctg, (1998): “Ngồi ra, phân tích nhân tố cịn dựa vào Eigenvalue để xác định số lượng các nhân tố. Chỉ những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mơ hình phân tích. Đại lượng Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ khơng có tác dụng tóm tắt thơng tin tốt hơn là một biến gốc”.
Hair & ctg, (1998): “Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố)”. Hair & ctg, (1998): “Những hệ số này (factor loading) biểu diễn tương quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố. Nghiên cứu này sử dụng phương pháp trích nhân tố Component
Principle và phương pháp xoay nhân tố được sử dụng phổ biến nhất là phương pháp Varimax (xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố)”.
Theo Hair các cộng sự (1998): “Hệ số tải nhân tố factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. factor loading lớn hơn 0,3 được xem là đạt được mức tối thiểu, factor loading lớn hơn 0,4 được xem là quan trọng, lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Theo Hair và các cộng sự cho rằng, nếu chọn tiêu chuẩn factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100, thì factor loading lớn hơn 0,55, cịn nếu cỡ mẫu khoảng 50 thì factor loading phải lớn hơn 0,75. Như vậy, trong nghiên cứu này với cỡ mẫu khoảng 150, thì hệ số tải nhân tố phải lớn hơn 0,5 thì mới đạt yêu cầu”.
3.3.2.4. Xây dựng phương trình hồi quy và kiểm định một số giả thuyết
Phân tích hồi quy tuyến tính nhằm xác định tầm quan trọng của các biến đối với biến độc lập. Ở phần này sẽ gồm:
Phân tích tương quan: Nhằm khẳng định có mối quan hệ tuyến tính giữa các biến phụ thuộc và biến độc lập.
Phân tích hồi quy đa biến: Nhằm dự đoán giá trị của biến phụ thuộc vào những giá trị của biến độc lập.
Thực hiện kiểm định T-test và phân tishc ANOVA nhằm tìm ra sự khác biệt có ý nghĩa thống kê theo một vài đặc tính cá nhân đến lòng trun gthanhf của nhân viên.
T-test được dung để kiểm định có sự khác nhau hay khơng giữa hai nhóm và phân tích ANOVA dùng cho trường hợp có nhiều hơn hai nhóm.