CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.1. Quy trình nghiên cứu
3.2.2. Nghiên cứu định lượng
Nghiên cứu chính thức được thực hiện bằng phương pháp nghiên cứu định lượng tiến hành ngay khi bảng câu hỏi phỏng vấn chính thức được chỉnh sửa từ kết quả nghiên cứu sơ bộ (Xem phụ lục 2 – Bảng câu hỏi phỏng vấn chính thức), nghiên cứu này khảo sát trực tiếp 368 nhân viên Quan hệ khách hàng bán lẻ VietinBank khu vực Thành phố Hồ Chí Minh thông qua gặp mặt trực tiếp và công cụ chat nội bộ nhằm thu thập dữ liệu khảo sát. Đối tượng nghiên cứu là nhân viên Quan hệ khách hàng bán lẻ tại các chi nhánh VietinBank khu vực thành phố Hồ Chí Minh.
3.2.2.1. Thiết kê bảng câu hỏi
Phần I. Thông tin chung, bao gồm: (1) Thâm niên; (2) Độ tuổi; (3) Trình độ chuyên môn; (4) Giới tính và (5) Tình trạng hôn nhân. Trong phần thông tin về
LVTS Quản trị kinh doanh
Thâm niên làm việc các thang đo được thiết kế để khảo sát nhân viên có thâm niên làm việc từ dưới 1 năm đến trên 5 năm; độ tuổi được thiết kế thành 4 mức từ dưới 25 đến trên 45 tuổi; trình độ chuyên môn được chia thành 4 mức từ Trung cấp đến trên Đại học.
Phần II. Gồm 9 nhân tố độc lập (1) Bản chất công việc (CV); (2) Đào tạo và phát triển (DT); (3) Mối quan hệ với cấp trên (CT); (4) Mối quan hệ với đồng nghiệp (DN); (5) Lương thưởng (LT); (6) Điều kiện làm việc (DK); (7) Phúc lợi (PL); (8) Quy trình thủ tục hệ thống (QT); (9) Đánh giá thành tích trong công việc (DG) và một nhân tố phụ thuộc là Sự hài lòng của nhân viên (SHL). Cụ thể các biến độc lập này được thiết kế bao gồm 42 biến quan sát về sư hài lòng của nhân viên.
Trong đó bao gồm: 5 biến quan sát về bản chất công việc, 5 biến quan sát về đào tạo và phát triển, 5 biến quan sát về mối quan hệ với cấp trên, 4 biến quan sát về mối quan hệ với đồng nghiệp, 6 biến quan sát về lương thưởng, 4 biến quan sát về điều kiện làm việc, 4 biến quan sát về phúc lợi, 4 biến quan sát về quy trình hoạt động, 5 biến quan sát về đánh giá thành tích trong công việc và 3 biến quan sát về sự hài lòng và gắn kết của nhân viên Quan hệ khách hàng bán lẻ VietinBank khu vực thành phố Hồ Chí Minh.
3.2.2.2. Mẫu nghiên cứu
Mẫu là một phần của tổng thể được lựa chọn ra theo những cách thức nhất định và với một dung lượng hợp lý (Phạm Văn Quyết và Nguyễn Quý Thanh, 2001:188). Dung lượng này tùy thuộc vào phạm vi, phương pháp nghiên cứu mà có số lượng mẫu lớn hay nhỏ. Tuy nhiên kích thước tối thiểu của mẫu không được nhỏ hơn 30 đơn vị nghiên cứu (Osipov, 1988, p. 273). Bên cạnh tiêu chuẩn chọn mẫu này thì kích thước mẫu lớn hay nhỏ còn phụ thuộc vào nguồn ngân quỹ, thời hạn và yếu tố nhân sự mà người nghiên cứu có được (Phạm Văn Quyết và Nguyễn Quý Thanh, 2001:192).
Theo nghiên cứu của Hair (1998) thì để chọn kích thước quan sát nghiên cứu phù hợp đối với phân tích nhân tố khám phá EFA cỡ quan sát tối thiểu N > 5*x (x:
là tổng số biến quan sát). Theo Tabachnick và Fideel (1996) để tiến hành phân tích
LVTS Quản trị kinh doanh
hồi quy của một cách tốt nhất thì cỡ quan sát tối thiểu cần đạt được tính theo công thức N > 50+8m (trong đó m là số nhân tố độc lập). Còn theo Bentlou và Chou (1987) thì số lượng quan sát cho mỗi tham số ước lượng là 5 quan sát. Như vậy, trong nghiên cứu này để phù hợp với các nghiên cứu của các tác giả trên và phù hợp với nghiên cứu của mình thì tác giả sử dụng số quan sát tối thiểu ứng với 42 biến quan sát và 9 thành phần là: N > max (5x42; 50+ 9x8) = (210, 122) = 210 quan sát.
Để đạt được mục tiêu nghiên cứu ở phần mở đầu của đề tài, tác giả sử dụng phương pháp chọn mẫu tổng thể, tiến hành khảo sát bằng bảng hỏi với toàn bộ 368 nhân viên Quan hệ khách hàng bán lẻ tại tất cả các chi nhánh và phòng giao dịch của VietinBank khu vực Thành phố Hồ Chí Minh (Phụ lục 03 – Kết quả điều tra mẫu nghiên cứu), thông qua phát phiếu khảo sát trực tiếp và công cụ chat nội bộ của VietinBank.
3.2.2.2.1. Phương pháp xử lý thông tin.
Hệ số Cronbach Alpha được sử dụng để loại biến không phù hợp. Các biến có hệ số tương quan biến – tổng (item – total correlation) hay biến quan sát nhỏ hơn 0.30 sẽ bị loại và tiêu chuẩn chọn thang đo khi nó có hệ số tin cậy Cronbach Alpha từ 0.60 trở lên (Trọng & Ngọc, 2008). Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995). Thông thường thang đo có Cronbach’s Alpha từ 0.7 – 0.8 là sử dụng được, thang đo có độ tin cậy từ 0.8 – 1.0 là thang đo tốt. Trong công trình nghiên cứu này, tác giả xem xét hệ số tin cậy Cronbach Alpha đạt yêu cầu phải nằm trong khoảng sau: 0.6 ≤ hệ số Cronbach’s Alpha ≤ 1.0. Đây cũng là tiêu chuẩn hệ số tin cậy được áp dụng trong nghiên cứu này.
3.2.2.2.2. Phân tích nhân tố khám phá (EFA- Exploratory Factor Analysis)
Phân tích nhân tố khám phá là kỹ thuật được sử dụng để thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất hữu ích trong việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và đươc sử dụng để tìm mối quan hệ giữa các biến với nhau.
LVTS Quản trị kinh doanh
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser – Meyer - Olkin) là một trị số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0.5 – 1.0 thì phân tích này mới thích hợp, còn nếu nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài việc sử dụng trị số KMO, có thể sử dụng kiểm định Barlett. Đại lượng Barlett là một đại lượng thống kê dùng để xem xét giả thuyết các biến có tương quan trong tổng thể với nhau hay không. Nói cách khác ma trận tương quan tổng thể là một ma trận thống nhất, mỗi biến tương quan hoàn toàn với chính nó nhưng không tương quan với những biến khác. Điều kiện cần để áp dụng phân tích nhân tố là các biến phải có tương quan với nhau. Do đó nếu kiểm định không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến cần xem xét. Trong đề tài này nếu kiểm định này có ý nghĩa trong thống kê Sig ≤ 0.05 thì các biến quan sát có tương quan với nhau trong tổng thể, phù hợp để phân tích nhân tố.
Ngoài ra phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng nhân tố. Chỉ những nhân tố có Eigenvalue lớn hơn 1 thì mới được giữ lại trong mô hình. Đại lượng Eigenvalue đai diện cho lượng biến thiên được giải thích bởi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc.
Factor loading (FL) – Hệ số tải nhân tố: là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA phụ thuộc và kích thước mẫu quan sát và mục đích nghiên cứu.
Nếu FL > 0.3 là đạt mức tối thiểu với kích thước mẫu 368, FL> 0.4 là quan trọng và FL > 0.5 là có ý nghĩa thực tiễn. Khi kích thước mẫu khoảng 100 thì nên chọn FL >
0.55, còn nếu kích thước mẫu 50 thì nên chọn FL > 0.75. Component Matrix (Rotated Component Matrix) – Ma trận nhân tố (Ma trận nhân tố xoay): Một phần quan trọng trong kết quả phân tích nhân tố là mà trận nhân tố. Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hoá bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Hệ số tải nhân tố (factor loading) biểu diễn tương quan giữa các biến và các nhân tố. Hệ số này cho biết nhân tố và biến có liên quan chặt chẽ với
LVTS Quản trị kinh doanh
nhau. Nghiên cứu sử dụng phương pháp trích nhân tố principal components nên các hệ số tải nhân tố phải có trọng số lớn hơn 0.5 thì mới đạt yêu cầu.
3.2.2.2.3. Phân tích hồi quy tuyến tính và kiểm định giả thuyết
Kiểm định mối tương quan tuyến tính giữa các biến trong mô hình (giữa nhân tố phụ thuộc với các nhân tố độc lập và giữa các nhân tố độc lập với nhau). Đồ thị phân tán cũng cung cấp thông tin trực quan về mối Quan hệ tuyến tính giữa hai nhân tố. Sử dụng hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ mối quan hệ tuyến tính giữa hai nhân tố định lượng: giá trị tuyệt đối của hệ số Pearson càng gần đến 1 thì hai nhân tố này có mối tương quan tuyến tính càng chặt chẽ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).
Trong mô hình nghiên cứu, kỳ vọng có mối tương quan tuyến tính chặt chẽ giữa nhân tố phụ thuộc và các nhân tố độc lập, đồng thời cũng xem xét mối tương quan giữa các nhân tố độc lập với nhau để nhận dạng hiện tượng đa cộng tuyến.
Mức ý nghĩa “sig” của hệ số tương quan, cụ thể như sau:
+ sig < 10%: mối tương quan khá chặt chẽ.
+ sig < 1%: mối tương quan rất chặt chẽ.
Phân tích hồi quy đa biến:
Sau khi kết luận hai nhân tố có quan hệ tuyến tính với nhau thì có thể mô hình hóa mối quan hệ của hai nhân tố này bằng hồi quy đa biến (Hoàng Trọng &
Chu Nguyễn Mộng Ngọc, 2008).
Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter: tất cả các nhân tố được đưa vào một lần và xem xét các kết quả thống kê liên quan.
Phương trình hồi quy đa biến cho mô hình nghiên cứu đề xuất ban đầu (theo mô hình lý thuyết):
Y = β0 + β1CV + β2DT + β3CT + β4DN + β5LT + β6DK + β7PL + β8QT + β9DG Kiểm định các giả thuyết, sử dụng với phần mềm SPSS 16.0:
+ Đánh giá độ phù hợp của mô hình hồi quy đa biến.
+ Kiểm định giả thuyết về độ phù hợp của mô hình.
LVTS Quản trị kinh doanh
+ Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các nhân tố độc lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance inflation factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Xác định mức độ ảnh hưởng của các yếu tố tác động đến sự hài lòng: yếu tố có hệ số β càng lớn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng càng cao so với các yếu tố khác trong mô hình nghiên cứu