CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
2.6. Phương pháp xử lí, phân tích dữ liệu
- Phương pháp thống kê, mô tả đối với số liệu thứ cấp: Thông qua các con số đã được thu thập, tiến hành lập ra các bảng số liệu và từ đó mô tả qua biểu đồ để người đọc dễ dàng nhìn thấy được ý đồ của người viết cũng như so sánh được những vấn đề cần đề cập một cách trực quan nhất.
- Phương pháp đối chiếu, so sánh: Thông qua các con số thứ cấp, người viết tập hợp các số liệu rồi tiến hành đối chiếu, so sánh các số liệu có được qua các năm, từ đó người viết sẽ có được một kết quả và có thể phân tích và đánh giá thực trạng hoạt động quản trị nguồn nhân lực cũng như một số mục tiêu khác mà đề tài đã đưa ra dựa trên kết quả đã thu được.
- Sau khi tiến hành điều tra, phát bảng hỏi đến 210 khách hàng ta tiến hành tổng hợp để nhập dữ liệu vào và xử lý số liệu bằng phần mềm SPSS 16.0.
- Phương pháp xử lý số liệu: Để xác định mô hình, tôi tiến hành xử lý số liệu qua các bước:
+ Kiểm định Cronbach’s Alpha.
+ Phân tích nhân tố khám phá EFA + Phân tích tương quan Pearson
+ Phân tích hồi quy tuyến tính bội + Thống kê mô tả: tần số, tần suất.
2.6.1. Thống kê mô tả mẫu:
Các biến định danh đáp viên như giới tính, độ tuổi, thu nhập, nghề nghiệp, thời gian sử dụng dịch vụ được phân loại bằng các chỉ số thống kê mô tả bằng số quan sát và bảng tần suất.
2.6.2. Đánh giá sự tin cậy thang đo
Đầu tiên, kiểm định bằng hệ số Cronbach Alpha và phân tích khám phá nhân tố được thực hiện nhằm đánh giá độ tin cậy thang đo trong nghiên cứu. Hệ số Cronbach Alpha được sử dụng để đánh giá tính nhất quán nội tại của các biến quan sát (Suanders và cộng sự, 2007). Tiêu chuẩn lựa chọn các biến quan sát là hệ số Cronbach Alpha tối thiểu là 0.6 (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Những biến quan sát được coi là có ý nghĩa đóng góp vào khái niệm phải có hệ số tương quan biến tổng hiệu chuẩn lớn hơn 0.3 (Nunally & Bernstein, 1994).
2.6.3. Phân tích nhân tố khám phá (EFA)
Phương pháp phân tích khám phá nhân tố được sử dụng để đánh giá tính đơn hướng của từng khái niệm trong mô hình. Phân tích nhân tố khám phá là phương pháp loại bỏ các biến xấu ra khỏi mô hình, tạo thành các biến tiềm ẩn ít hơn mà vẫn giải thích được khái niệm nghiên cứu (Hair và cộng sự, 2006). Phân tích khám phá nhân tố đạt tiêu chuẩn là hệ số KMO đạt tối thiểu từ 0.5; kiểm định Bartlett có ý nghĩa thống kê (sig Bartlett’s Test < 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố; trị số Eigenvalue ≥ 1 thì nhân tố được giữ lại trong mô hình phân tích.
Tổng phương sai trích (Total Variance Explained) có giá trị từ 50% cho thấy mô hình EFA là phù hợp, hệ số tải nhân tố tối thiểu từ 0.5 (Hair và cộng sự, 2006) thì biến quan sát mới có ý nghĩa thống kê tốt và được giữ lại. Phương pháp rút trích nhân tố với phép xoay varimax giúp thu được số nhân tố là nhỏ nhất (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). Trước khi tiến hành phân tích
tương quan Peason và hồi quy, tác giả tạo các biến đại diện bằng trung bình cộng (MEAN) của các biến trong 1 cột từ kết quả xoay nhân tố.
2.6.4. Phân tích tương quan Pearson
Trước khi phân tích hồi quy, phân tích tương quan Pearson được thực hiện kiểm tra mối tương quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Tương quan Pearson r có giá trị dao động từ -1 đến 1, nếu sig < 0.05 thì có tương quan, khi đó r tiến càng gần 1 tương quan càng mạnh, càng tiến gần 0 tương quan càng yếu; nếu sig > 0.05 thì không có tương quan.
2.6.5. Phân tích bằng mô hình hồi quy tuyến tính
Phân tích bằng mô hình hồi quy tuyến tính nhằm đánh giá sự phù hợp của mô hình qua kiểm định giả thuyết. Kết quả kiểm định F dùng để đánh giá giả thuyết sự phù hợp của mô hình hồi quy. Giá trị sig kiểm định F nhỏ hơn 0.05 thì mô hình hồi quy là phù hợp. Tiếp theo, hệ số R2 hiệu chỉnh (R2 adjusted) được sử dụng để, phản ánh độ phù hợp của mô hình, cho chúng ta biết các biến độc lập đưa vào phân tích hồi quy ảnh hưởng bao nhiêu (%) đến sự biến thiên của biến phụ thuộc. Ngoài ra, giá trị Durbin–Watson cũng dùng để đánh giá hiện tượng tự tương quan chuỗi bậc nhất. Giá trị nằm trong khoảng 1.5 đến 2.5 nên kết quả không vi phạm giả định tự tương quan chuỗi bậc nhất (Yahua Qiao, 2011). Tiếp theo, ta đánh giá hệ số hồi quy của mỗi biến độc lập có ý nghĩa trong mô hình hay không dựa vào kiểm định t (student) với giả thuyết H0. Mô hình hồi quy trong bài có 5 biến độc lập, chúng ta kiểm tra 5 giả thuyết H0. Nếu Sig nhỏ hơn 0.05, nghĩa là hệ số hồi quy của biến Xi một cách có ý nghĩa thống kê, biến X1 có tác động lên biến phụ thuộc. Cuối cùng, ta đánh giá hiện tượng cộng tuyến trong mô hình hồi quy bằng hệ số phóng đại phương sai (VIF) là một chỉ số. 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.
Tóm tắt chương 2
Chương này trình bày phương pháp nghiên cứu gồm hai bước chính là nghiên cứu sơ bộ và nghiên cứu chính thức. Nghiên cứu sơ bộ được thực hiện bằng nghiên cứu định tính thông qua thảo luận và phỏng vấn nhóm, cá nhân.
Nghiên cứu chính thức được thjwc hiện bằng nghiên cứu dịnh lượng. Chương này cũng trình bày phương pháp nghiên cứu, thiết kế bảng hỏi, cách lấy mẫu, phương pháp thu thập dữ liệu và kế hoạch phân tích dữ liệu thu thập được.
Chương tiếp theo sẽ trình bày cụ thể kết quả phân tích dữ liệu.