CHƯƠNG 3: THIẾT KẾ NGHIÊN CỨU
3.4.2 Xử lý dữ liệu
Sau khi đã thu thập và loại bỏ, chỉnh sửa các bảng hỏi không đạt yêu cầu, nhóm đã tiến hành mã hoá và nhập số liệu, sau đó số liệu được tiến hành xử lý bằng phần mềm IBM SPSS 20. Số liệu của nghiên cứu được phân tích thông qua các bước sau: thống kê
mô tả, kiểm định độ tin cậy của thang đo, phân tích nhân tố khám phá và cuối cùng là phân tích tương quan - hồi quy.
3.4.2.1 Thống kê mô tả
Nhóm tác giả gửi bảng hỏi cho 170 đối tượng theo kế hoạch trong giai đoạn từ 05/06/2023 đến 20/06/2023 tại thành phố Hồ Chí Minh, ở độ tuổi từ 15 đến 35, có sử dụng TikTok. Cuộc khảo sát được hiện bằng cách gửi bảng khảo sát thông qua link liên kết trên hệ thống google form, đồng thời hỗ trợ trao đổi giải thích những thắc mắc về các câu hỏi hoặc mô hình thông qua SMS và messenger. Sau khi kết thúc thời gian khảo sát, nhóm tác giả xem xét các phiếu đạt yêu cầu và không đạt yêu cầu, nếu đủ số lượng phiếu đạt yêu cầu thì tiếp tục sử dụng kết quả cho phân tích tiếp theo, nếu vẫn còn thiếu phiếu đạt yêu cầu, tiến hành khảo sát thêm từ 20/06/2023 đến 22/06/2023.
Theo Huysamen (1990), “Thống kê mô tả cho phép các nhà nghiên cứu trình bày các dữ liệu thu thập được dưới hình thức cơ cấu và tổng kết”. Thống kê mô tả sử dụng trong nghiên cứu này để phân tích, mô tả dữ liệu bao gồm: tần số, tỷ lệ, giá trị trung bình
và độ lệch chuẩn. Thang đo Likert 5 mức độ được sử dụng trong nghiên cứu này, để thuận tiện cho việc nhận xét khi sử dụng giá trị trung bình (Mean) đánh giá các yếu tố ảnh hưởng đến động lực làm việc, tác giả xác định ý nghĩa của từng giá trị trung bình đối với thang đo khoảng (Interval Scale) được tính như sau:
Giá trị khoảng cách = (Maximum – Minimum) / n = (5 – 1) / 5 = 0,8
Mean = 1,00 – 1,80: Hoàn toàn không đồng ý
Mean = 1,81 – 2,60: Không đồng ý
Mean = 2,61 – 3,40: Trung lập
Mean = 3,40 – 4,20: Đồng ý
Mean = 4,21 – 5,00: Hoàn toàn đồng ý
3.4.2.2 Kiểm định độ tin cậy theo SPSS
Để kiểm tra độ tin cậy của các tham số được hình thành trong tập dữ liệu, theo từng nhóm nhân tố trong mô hình sử dụng Cronbach’s Alpha qua bảng sát online. Nếu không đảm bảo độ tin cậy những biến đó sẽ bị loại khỏi tập dữ liệu. Mục tiêu của kiểm định này
là tìm hiểu xem các biến quan sát có cùng đo lường cho một khái niệm cần đo hay không.
Hệ số Cronbach's Alpha phải lớn hơn 0,6, nếu nhỏ hơn 0,6 sẽ bị loại bỏ.
Những biến có chỉ số tương tác biến động (item-total correlation) phải lớn hơn 0,3; nếu nhỏ hơn 0,3 sẽ bị loại bỏ.
Các biến này được phân tích bằng phần mềm SPSS. Nếu không đúng sẽ có hai nguyên nhân, một là: Thang đo lường không chuẩn hoặc người khảo sát không chính xác. Sau đó tiến hành loại bỏ từng biến, và quay trở lại kiểm định thang đo lường, điều chỉnh các hệ số Cronbach's Alpha để xem có thể quyết định biến đổi tiếp có phải từ loại biến mới không.
3.4.2.3 Xoay nhân tố
Các biến sau khi loại bỏ các biến không đảm bảo độ tin cậy và được đưa vào phân tích kiểm định lại thang đo, điều này sẽ giúp đánh giá chính xác hơn các thang đo, loại bỏ bớt các biến không đạt yêu cầu như thế sẽ làm cho thang đo đảm bảo tính đồng nhất.
Phân tích các nhân tố được hiểu là gom vào nhóm các yếu tố mà trong đó các biến ít tương quan với nhau thành các biến có sự tương quan với nhau hơn, từ đó hình thành các yếu tố đại diện nhưng vẫn mang đầy đủ thông tin so với số lượng biến ban đầu.
Xoay nhân tố biến độc lập
Xoay nhân tố biến độc lập nhằm khám phá những nhóm yếu tố có ảnh hưởng đến biến phụ thuộc
Các tiêu chí khi xoay nhân tố cần đạt được là:
1. Hệ số KMO (Kaiser– Meyer– Olkin) lớn hơn hoặc bằng 0,5 * sig nhỏ hơn hoặc bằng 0,05
2. Eigenvalue lớn hơn 1
3. Tổng phương sai trích lớn hơn hoặc bằng 50%
4. Hệ số factor loading lớn hơn hoặc bằng 0,5
Xoay nhân tố biến phụ thuộc
Xoay nhân tố biến phụ thuộc nhằm kiểm định mức hội tụ của các biến quan sát và mức độ gắn kết của các biến quan sát trong thay đổi biến phụ thuộc
Các tiêu chí khi xoay nhân tố cần đạt được là:
1. Hệ số KMO(Kaiser– Meyer– Olkin) lớn hơn hoặc bằng 0,5 * sig nhỏ hơn hoặc bằng 0,05
2. Eigenvalue lớn hơn 1
3. Tổng phương sai trích lớn hơn hoặc bằng 50%
4. Hệ số factor loading lớn hơn hoặc bằng 0,5
3.4.2.4 Phân tích hồi quy
Hệ số phóng đại phương sai (VIF) là một chỉ số đánh giá hiện tượng cộng tuyến trong mô hình hồi quy. VIF càng nhỏ, càng ít khả năng xảy ra đa cộng tuyến. Hair và cộng sự (2009) cho rằng, ngưỡng VIF từ 10 trở lên sẽ xảy ra đa cộng tuyến mạnh. Nhà nghien cứu nên cố gắng để VIF ở mức thấp nhất có thể, bởi thậm chí ở mức VIF bằng 5, bằng 3 đã có thể xảy ra đa cộng tuyến nghiêm trọng. Theo Nguyễn Đình Thọ (2010), trên thực tế, nếu VIF > 2, chúng ta cần cẩn thận bởi vì đã có thể xảy ra sự đa cộng tuyến gây sai lệch các ước lượng hồi quy.
Phân tích hồi quy cho phép dự đoán giá trị của biến phụ thuộc dựa trên các giá trị của các biến độc lập tương ứng giúp cung cấp một mô hình toán học mô tả mối quan hệ giữa các biến, cho phép giải thích sự ảnh hưởng của các biến độc lập lên biến phụ thuộc.
Phân tích hồi quy được sử dụng để kiểm tra các giả thuyết nghiên cứu. Bằng cách xem xét tác động của các biến độc lập lên biến phụ thuộc, nó có thể xác định mức độ ảnh hưởng của các biến và xác nhận hoặc phủ định các giả định nghiên cứu.
Phân tích hồi quy cho phép định lượng mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc thông qua các hệ số hồi quy. Điều này giúp hiểu rõ hơn về tác động của các biến và đo lường mức độ quan trọng của chúng.
Mô hình hồi quy có thể được sử dụng để dự báo giá trị của biến phụ thuộc trong tương lai, dựa trên các giá trị của các biến độc lập. Điều này hữu ích trong việc đưa ra kế hoạch và quyết định dựa trên thông tin dự báo.
Chúng ta sẽ đánh giá hệ số hồi quy của mỗi biến độc lập có ý nghĩa mô hình hay không dựa vào kiểm định t (student) với giả thuyết H0: Hệ số hồi quy của biến độc lập Xi bằng 0. Mô hình hồi quy có bao nhiêu biến độc lập , chúng ta sẽ đi kiểm tra bấy nhiêu giả thuyết H0. Kết quả kiểm định:
Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi khác 0 một cách có ý nghĩa thống kê, biến X1 có tác động lên biến phụ thuộc.
Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi bằng 0 một cách có ý nghĩa thống kê, biến Xi có tác động lên biến phụ thuộc.
Phương trình hồi quy
Y = B0 + B1X1 + B2X2 + … + BnXn + e
Trong đó:
Y: biến phụ thuộc
X, X1, X2, Xn: biến độc lập
B0: hằng số hồi quy
B1, B2, Bn: hệ số hồi quy
e: phần dư