CHƯƠNG I: TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.5 Kỹ thuật xử lý số liệu
3.5.1 Thống kê mô tả và thống kê suy luận
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo nhằm tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các kỹ thuật cơ bản của mô tả dữ liệu.
Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu: Khi tóm tắt một đại lượng về thông tin người lao động (giới tính, độ tuổi lao động, thời gian làm việc, thu nhập trung bình,…) thường dùng các thông số thống kê như tần số, trung bình cộng, tỷ lệ, phương sai, độ
lệch chuẩn và thông số thống kê khác. Những dữ liệu này biểu diễn bằng đồ họa hoặc bằng bảng mô tả dữ liệu giúp phân tích, so sánh thông tin người lao động.
3.5.2 Đánh giá độ tin cậy và độ giá trị của thang đo
Kiểm định độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Alpha (Cronbach, 1951): Hệ số Cronbach’s Alpha là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Mục tiêu đánh giá độ tin cậy của thang đo bằng hệ số tin cậy Cronbach’s Alpha là kiểm tra xem mục hỏi nào đã đóng góp vào việc đo lường mức độ thỏa mãn của người lao động và những mục hỏi nào không.
Hệ số Cronbach’s alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005), hệ số này đánh giá độ tin cậy của phép đo dựa trên sự tính toán phương sai của từng biến và tính tương quan điểm của từng biến với điểm của tổng các biến còn lại của phép đo.
Hệ số Cronbach’s Alpha trích trong (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2007) được tính theo công thức sau:
α = (1 )
1 2
1 2
T k i
i
k
k =
Trong đó:
α : Hệ số Cronbach’s alpha k : Số mục hỏi trong thang đo T2 : Phương sai của tổng thang đo i2 : Phương sai của mục hỏi thứ i
Đánh giá độ tinh cậy thang đo qua hệ số Cronbach’s Alpha:
0,8 ≤ α < 1,0 Thang đo lường tốt 0,7 ≤ α < 0,8 Thang đo sử dụng được
α ≥ 0,6 Sử dụng được đối với khái niệm nghiên cứu mới
(Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2005)
Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ hệ số tương quan biến tổng (Corrected Item-Total Correclation) nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ số tương quan biển tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến tổng nhỏ hơn 0,3 được coi là biến rác.
Bên cạnh đó, hệ số Alpha nếu loại bỏ biến (Cronbach’s Alpha if Item delected) của các biến phải nhỏ hơn hệ số Cronbach’s Alpha thì biến đó mới được chấp nhận.
3.5.3 Phân tích nhân tố khám phá (EFA)
Tiếp theo, phương pháp EFA được sử dụng. Phân tích nhân tố khám phá 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 (Theo Hair và cộng sự, 1998).
Phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) được sử dụng để kiểm tra tính đơn hướng của các thang đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005) và độ giá trị cấu trúc của phép đo (Nguyễn Công Khanh, 2005).
- Tính đơn hướng của thang đo được định nghĩa là sự tồn tại của chỉ một khái niệm (Construct) trong một tập biến quan sát (Garver & Mentzer, 1999), đó là mức độ mà một tập biến quan sát biểu thị cho một và chỉ một khái niệm tiềm ẩn duy nhất.
- Độ giá trị cấu trúc (Construct validity) gồm hai thành phần là độ giá trị hội tụ (Convergent validity) và độ giá trị phân biệt (Discriminant validity). Độ giá trị hội tụ liên quan đến câu hỏi “ Các biến đo lường dùng để đo một khái nhiệm tiềm ẩn có hội tụ về mặt thống kê hay không?” (Garver & Mentzer, 1999). Độ giá trị phân biệt biểu thị phạm vi đo lường những khái niệm khác nhau thì khác nhau.
Theo Hair và cộng sự (1998, 111), Factor loading là mức chỉ tiêu đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading ≥ 0,3 được xem đạt mức tối thiểu, Factor loading ≥ 0,4 được xem là quan trọng, Factor loading ≥ 0,5 được xem là có ý nghĩa thực tiễn. Hair và cộng sự ( 1998, 111) cũng cho rằng: Nếu chọn tiêu chuẩn Factor loading ≥ 0,3 thì cỡ mẫu khoảng 350, nếu cỡ mẫu khoảng 100 thì nên chọn Factor loading
≥ 0,5, nếu cỡ mẫu khoảng 50 thì Factor loading phải ≥ 0,75.
Mô hình phân tích nhân tố EFA của nghiên cứu được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
§ Hệ số tải nhân tố (Factor Loadings): Là những hệ số tương quan đơn giữa các biến và các nhân tố phải lớn hơn hoặc bằng 0,5.
§ Phương sai cộng dồn (Cumulative of variance): Là phần trăm phương sai toàn bộ được thích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biến phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố có phương sai cộng dồn lớn hơn hoặc bằng 50% với Eigenvalue phải lớn hơn 1.
§ Tính thích hợp của EFA (Kaiser – Meyer – Olkin): Là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố. Nếu 0,5 ≤ KMO ≤ 1 thì phân tích nhân tố là thích hợp.
§ Kiểm định Bartlett, xem xét giả thuyết Ho: “Các biến quan sát không có tương quan trong tổng thể”. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0,05) thì các biến quan sát không có tương quan với nhau trong tổng thể ( Theo Trọng & Ngọc, 2005, 262).
3.5.4 Phân tích tương quan và hồi qui
Sau khi phân tích nhân tố khám phá EFA, mô hình hồi quy tuyến tính tổng quát đánh giá sự hài lòng của người lao động đối với doanh nghiệp được điều chỉnh lại như sau:
SAT = β
0 + β
1F
1 + β
2F
2 + … + β
jF
j + e
i
Trong đó:
SAT Sự hài lòng của người lao động đối với Công ty từ tập hợp 10tiêu chí đánh giá.
F = {F
1,…, F
j} Các biến thang đo nhân tố ảnh hưởng đến SAT β = {β
0,…, β
j} Hệ số hồi quy tác động đến SAT
ei Sai số
Nguyên tắc xây dựng mô hình hồi quy:
(i) Xem xét ma trận hệ số tương quan (Hệ số tương quan Pearson):
Mối liên hệ tương quan giữa các biến nhân tố F
j: Kiểm định Pearson giữa các biến nhân tố F
j có ý nghĩa Sig. ≤ 0,05 và hệ số tương quan chặt chẽ thì các biến nhân tố F
j có dấu hiệu đa cộng tuyến.
Mối liên hệ giữ biến nhân tố F
j với biến phụ thuộc SAT: Kiểm định Pearson giữa từng biến nhân tố F
j với biến phụ thuộc SAT có mối liên hệ tương quan nhằm xác định biến nhân tố Fj tác động đồng biến hay nghịch biến đến biến phụ thuộc SAT. Ta có khoảng giá trị r như sau:
§ 0 < r ≤ 0,4 : Có ít giá trị thực tiễn, chỉ có giá trị mang tính lý thuyết
§ 0,4 < r ≤ 0,60 : Đủ rộng để có thể ứng dụng về cả lý thuyết và thực tế
§ 0,6 < r ≤ 0,8: Mức quan trọng nhưng hiếm khi đạt được trong các nghiên cứu giáo dục
§ 0,8: Có thể có sai lệch trong tính toán, nếu không đây là mối quan hệ khá rộng (ii) Các thủ tục chọn biến độc lập (F
j):
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 thông số thống kê liên quan đến các biến. Nếu biến nào thỏa điều kiện kiểm định ý nghĩa hệ số hồi quy (Sig. ≤ 0,05) thì nên giữ lại trong mô hình hồi quy, còn biến nào không thỏa điều kiện kiểm định thì nên loại ra.
(iii) Đánh giá mức độ phù hợp của mô hình hồi quy
Hệ số xác định R2 (R Square) là hệ số càng tăng khi số biến độc lập được đưa thêm vào mô hình. Tuy nhiên, cần xem xét mức độ phản ảnh sát hơn thì nên sử dụng hệ số R2 điều chỉnh (Adjusted R Square), vì nó không nhất thiết tăng lên khi số biến độc lập được đưa thêm vào mô hình.
Kiểm định ANOVA: là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Ý nghĩa của kiểm định này là xem xét mối quan hệ giữa biến phụ thuộc SAT có liên hệ tuyến tính với toàn bộ tập hợp các biến nhân tố Fj hay không (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 không có 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 mô hình hồi quy tuyến tính Kiểm tra bằng biểu đồ tần số Histogram, biểu đồ tần số Q-Q plot, biểu đồ phân tán Scatter nhằm đánh giá mức độ tuyến tính phù hợp với dữ liệu quan sát hay không.
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 có 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 đó Rj2 là hệ số tương quan bội khi biến độc lập Fj được dự đoán từ các biến độc khác. Nếu (1– Rj2) càng nhỏ thì có dấu hiệu đa cộng tuyến. Hệ số phóng đại phương sai (VIF–Variance Inflation Factor): Hệ số phóng đại phương sai của biến Fj được định nghĩa VIF = 1/(1–Rj2). Nếu VIF>5 thì có dấu hiệu đa cộng tuyến.
Kiểm định giả thuyết phương sai của sai số không đổi: Kiểm định tương quan hạng Spearman’s 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 không thể bị bác bỏ (Sig. > 0,05), do đó có thể kết luận phương sai của sai số không thay đổi trong mô hình hồi quy.
3.5.5 Phân tích phương sai (ANOVA và sâu ANOVA)
Thực hiện phân tích ANOVA với các biến kiểm soát như: Giới tính, độ tuổi, trình độ học vấn, chức danh nghề nghiệp… để kiểm định xem có sự khác biệt đối với sự đánh giá của người lao động theo từng nhóm biến khác nhau khi đánh giá từng biến thuộc các thang đo đo lường các thành phần của sự hài lòng của người lao động.
Giả thuyết đưa ra: Ho: Không có sự khác biệt giữa từng biến kiểm soát trong sự đánh giá đối với lần lượt từng biến thuộc các thang đo.
Kết luận kết quả kiểm định theo nguyên tắc:
§ Chấp nhận Ho nếu Sig. ≥ α (mức ý nghĩa α)
§ Bác bỏ Ho nếu Sig. < α
Để biết rõ chính xác có sự khác biệt trong từng nhóm của biến kiểm soát, ta kết hợp phân tích sâu ANOVA dùng phương pháp kiểm định Bonferroni.
Tóm tắt chương 3
Trong chương này địa điểm nghiên cứu và toàn bộ phương pháp nghiên cứu đã được trình bày. Nghiên cứu sơ bộ với kỹ thuật thảo luận nhóm nhằm khám phá ra các yếu tố ảnh hưởng đến sự hài lòng ngoài những yếu tố được đưa ra trong mô hình nghiên cứu đề xuất để hoàn chỉnh thang đo lường. Nghiên cứu chính thức được thực hiện bằng phương pháp định lượng thông qua bảng câu hỏi phỏng vấn. Thang đo lường sự hài lòng của người lao động
gồm 47 mục hỏi trong 10 yếu tố và một yếu tố "Sự hài lòng chung”. Phần mềm xử lý dữ liệu SPSS phiên bản 16.0 được sử dụng để mô tả dữ liệu, đánh giá độ tin cậy, độ giá trị của thang đo lường cũng như thực hiện các thống kê suy luận khác. Chương tiếp theo sẽ tiến hành phân tích dữ liệu và trình bày các kết quả nghiên cứu.