5. K ế t c ấ u c ủ a đề tài
2.2.3.2. Gi ả i thích ý ngh ĩ a nhân t ố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến gốc cĩ hệ số tải (Rotated Factor Loadings) lớn ở cùng một nhân tố. Theo nghiên cứu Ming-Chang Lee (2007)[13] về việc đưa ra giải pháp thực hiện
đồng bộ trong mơ hình phân tích nhân tố EFA, việc giải thích ý nghĩa nhân tố
dựa trên các biến quan sát cĩ hệ số tải (Rotated Factor Loadings) lớn trong cùng một nhĩm nhân tố, từ đĩ trích gọn hệ số nhân tố của các biến quan sát này trong ma trận hệ số nhân tố (Component Score Coefficient) để giải thích ý nghĩa nhân tố. Sau đây là một ví dụ minh họa giải thích ý nghĩa nhân tố: Giả định mơ hình phân tích nhân tố EFA rút gọn một tập gồm 6 biến quan sát Xk = {X1, X2, X3, X4, X5, X6} thành một tập cĩ 2 nhân tố Fj = {F1, F2}. Trên cơ sở bảng phân tích ma trận nhân tố xoay (Rotated Component Matrix), nhân tố F1 cĩ 3 biến quan sát tối ưu giải thích sự biến thiên của dữ
liệu thuộc nhân tố F1 = {X1, X3, X5} và F2 cĩ 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố F2 = {X2, X4, X6}.
Bước 1: Xây dựng hệ phương trình nhân tố
Từ ma trận trọng số nhân tố Wkj (Component Score Coefficient Matrix)
W11 W12 W21 W22 W31 W32 W41 W42 W51 W52 Wkj = W61 W62
và các biến quan sát Xk = {X1, X2, X3, X4, X5, X6} được chuẩn hĩa (Z-score) Zk = {Z1, Z2, Z3, Z4, Z5, Z6}, ta cĩ hệ phương trình nhân tố như sau:
F1 = W11Z1 + W21Z2 + W31Z3 + W41Z4 + W51Z5 + W61Z6 F2 = W12Z1 + W22Z2 + W32Z3 + W42Z4 + W52Z5 + W62Z6
Bước 2: Lựa chọn biến để giải thích tối ưu nhất cho mỗi nhân tố
Để giải thích sự biến thiên của dữ liệu từ 2 phương trình, chúng ta loại bỏ những biến quan sát cĩ hệ số tải (Rotated Factor Loadings) thấp, chỉ chọn lọc biến quan sát cĩ hệ số tải (Rotated Factor Loadings) cao để giải thích sự
biến thiên tối ưu nhất cho mỗi nhân tố. Hệ phương trình trên được đơn giản như sau:
F1 = W11Z1 + W31Z3 + W51Z5 F2 = W22Z2 + W42Z4 + W62Z6
Bước 3: Tính hệ số tối ưu cho mỗi nhân tố
Dựa vào hệ phương trình đơn giản (FS2), ta cĩ: F1(OPT) = W11 + W31 + W51
F2(OPT) = W22 + W42 + W62
Bước 4: Chuẩn hĩa các hệ số từ hệ phương trình (FS2)
Score F1 = F1 / F1(OPT) = (W11Z1 + W31Z3 + W51Z5) /F1(OPT)
Score F2 = F2 / F2(OPT) = (W22Z2 + W42Z4 + W62Z6) / F2(OPT)
(FS1)
(FS2)
(FS3)
Như vậy, nhân tố trong hệ phương trình (FS3) được giải thích ý nghĩa như sau:
Muốn tăng nhân tố F1 lên 1 đơn vị thì cần tác động tích cực hoặc cần tăng các biến quan sát X1, X3, X5 lên (W11 + W31 + W51) /F1(OPT) đơn vị. Điều này cĩ nghĩa là muốn tăng mức độ thỏa mãn nhân tố F1 của người lao động lên 1 điểm thì cần cĩ giải pháp đồng bộ tác động lên các biến quan sát X1, X3, X5. theo trọng số (W11 + W31 + W51) /F1(OPT) điểm. Tương tự, muốn tăng mức
độ thỏa mãn nhân tố F2 của người lao động lên 1 điểm thì cần cĩ giải pháp
đồng bộ tác động lên các biến quan sát X2, X4, X6. theo trọng số (W22 + W42 + W62) /F2(OPT)điểm.
TCCV X1 (9 biến) TLPL X2 (6 biến) HQCV X3 (6 biến) DTPT X4 (6 biến) SAT TUCHU X5 (4 biến) ONCV X6 (4 biến) CSQT X7 (4 biến) PTLV X8 (7 biến) TDTT X9 (5 biến) QHLV X10 (8 biến) F1 … F2 Fj Fj = W1jZ1 + W2jZ2 + … + WkjZk (với k > j)
Ghi chú: Nhân tố F1 giải thích được phần biến thiên nhiều nhất trong tồn bộ Xk biến quan sát đưa vào phân tích nhân tố. Nhân tố tiếp theo (F2, F3, …, Fj) giải thích được phần biến thiên cịn lại. Các nhân tố
này F1, F2, …, Fj khơng cĩ tương quan với nhau.
Kiểm định phân tích nhân tố EFA:
Factor Loadings > 0,3 (n > 350)
Kaiser – Meyer – Olkin (KMO): 0,5 ≤ KMO ≤ 1
Bartlett’s Test of Sphericity: Sig. < 0,05
Cumulative of variance > 50% (Eigenvalue > 1)
Phân tích nhân tố EFA
H1’ H2’ Hj’ H1 H2 H3 H4 H5 H6 H7 H8 H9 H10
Hình A2-02: Mơ hình phân tích nhân tố khám phá EFA 2.2.3.3. Quá trình thực hiện phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha để loại bỏ biến rác hoặc biến cĩ tương quan thấp trong thang đo lường, các biến quan Xk sát cịn lại được đưa vào phân tích nhân tố khám phá EFA.
Khi phân tích nhân tố, tập hợp biến quan sát Xkđược rút gọn thành một tập hợp biến nhân tố Fj mới ít hơn. Các nhân tố này được đặt tên lại và được giải thích bằng các biến cĩ hệ số tải (Rotated Factor Loadings) lớn. Tập hợp biến nhân tố Fjđược sử dụng là biến độc lập để đưa vào phân tích tương quan và hồi quy đo lường sự thỏa mãn của người lao động với doanh nghiệp.
2.2.4. Phân tích tương quan và hồi quy
Sau khi phân tích nhân tố khám phá EFA, mơ hình hồi quy tuyến tính tổng quát đánh giá sự hài lịng của người lao động đối với doanh nghiệp được
điều chỉnh lại như sau:
SAT = β0 + β1F1 + β2F2 + … + βjFj + ei
Trong đĩ:
SAT Sự hài lịng của người lao động đối với doanh nghiệp từ tập hợp Xk
tiêu chí đánh giá.
F = {F1,…, Fj} Các biến thang đo nhân tốảnh hưởng đến SAT
β = {β0,…, βj} Hệ số hồi quy tác động đến SAT
ei sai số
Nguyên tắc xây dựng mơ hình hồi quy:
(i) Xem xét ma trận hệ số tương quan (Pearson Correlation):
Mối liên hệ tương quan giữa các biến nhân tố Fj: Kiểm định Pearson giữa các biến nhân tố Fj cĩ ý nghĩa Sig. ≤ 0,05 và hệ số tương quan chặt chẽ
thỉ các biến nhân tố Fj cĩ dấu hiệu đa cộng tuyến.
Mối liên hệ giữ biến nhân tố Fj với biến phụ thuộc SAT: Kiểm định Pearson giữa từng biến nhân tố Fj với biến phụ thuộc SAT cĩ mối liên hệ
tương quan nhằm xác định biến nhân tố Fj tác động đồng biến hay nghịch biến
đến biến phụ thuộc SAT.
(ii) Các thủ tục chọn biến độc lập (Fj):
Phương pháp Enter được sử dụng để phân tích hồi quy bằng cách tất cả
các biến độc lập được đưa vào một lần, đưa ra các thơng số thống kê liên quan
đến các biến. Nếu biến nào thỏa đìều kiện kiểm định ý nghĩa hệ số hồi quy (Sig. ≤ 0,05) thì nên giữ lại trong mơ hình hồi quy, cịn biến nào khơng thỏa
điều kiện kiểm định thì nên loại ra.
(iii) Đánh giá mức độ phù hợp của mơ hình hồi quy
- Hệ số xác định R2 (R Square) là hệ số càng tăng khi số biến độc lập
hơn thì nên sử dụng hệ số R2 điều chỉnh (Adjusted R Square), vì nĩ khơng nhất thiết tăng lên khi số biến độc lập được đưa thêm vào mơ hình.
- Kiểm định ANOVA: là một phép kiểm định giả thuyết về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể. Ý nghĩa của kiểm định này là xem xét mối quan hệ giữa biến phụ thuộc SAT cĩ liên hệ tuyến tính với tồn bộ
tập hợp các biến nhân tố Fj hay khơng (Giả thuyết H0 là β1 = β2 = … = βj = 0): Nếu bác bỏ giả thuyết H0 (Sig. ≤ 0,05): Tồn tại ít nhất một biến nhân tố Fj giải thích được thay đổi biến phụ thuộc SAT; hoặc nếu khơng cĩ cơ sở bác bỏ giả
thuyết H0 (Sig. ≤ 0,05): Chưa thể kết luận các biến nhân tố Fj giải thích được thay đổi biến phụ thuộc SAT.
(iv) Kiểm định sự vi phạm các giả định cần thiết trong mơ hình hồi quy tuyến tính
+ Kiểm tra bằng biểu đồ tần số Histogram, biểu đồ tân số Q-Q plot, biểu đồ phân tán Scatter nhằm đánh giá mức độ tuyến tính phù hợp với dữ
liệu quan sát hay khơng.
+ Kiểm định Pearson trong ma trận hệ số tương quan (Pearson Correlation), bất cứ liên hệ tương quan qua lại chặt chẽ nào giữa các biến độc lập Fj thì cĩ dấu hiệu đa cộng tuyến.
+ Độ chấp nhập của biến (Tolerance): Độ chấp nhận của biến độc lập Fj
được định nghĩa là (1 – Rj2), trong đĩ Rj2 là hệ số tương quan bội khi biến độc lập Fj được dự đốn từ các biến độc khác. Nếu (1 – Rj2) càng nhỏ thì cĩ dấu hiệu đa cộng tuyến. Hệ số phĩng đại phương sai (VIF – Variance Inflation Factor): Hệ số phĩng đại phương sai của biến Fjđược định nghĩa VIF = 1 / (1 – Rj2). Nếu VIF > 10 thì cĩ dấu hiệu đa cộng tuyến.
+ Kiểm định giả thuyết phương sai của sai số khơng đổi: Kiểm định tương quan hạng Spearman’s ho được sử dụng để xem xét giả thuyết H0: Hệ
số tương quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định giả thuyết H0