CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
3.3. Nghiên cứu định lượng chính thức
3.3.5. Phương pháp phân tích dữ liệu
a) Dữ liệu thứ cấp: nhóm nghiên cứu tiến hành phân tích tổng hợp, so sánh từ dữ liệu thu thập từ các nguồn như đã trình bày ở phần 2.1.
b) Dữ liệu sơ cấp: Kết quả thu được từ khảo sát được mã hoá, nhập liệu và phân tích như sau:
- Phân tích mô tả, thực hiện phân tích mô tả để biết được các thông số về tần số, giá trị trung bình, giá trị xuất hiện nhiều nhất của các biến đo lường thể lực, trí lực, tâm lực thông tin cá nhân của nhân viên như giới tính, độ tuổi, vị trí công tác trình độ học vấn, thời gian công tác
- Phân tích giá trị trung bình, độ lệch chuẩn để biết được thực trạng các yếu tố tác động đến chất lượng nguồn nhân lực, thực trạng thể lực, trí lực, tâm lực
- Kiểm định độ tin cậy của thang đo bằng hệ số tin cậy Cronbach Alpha.
Kiểm định độ tin cậy thang đo Cronbach's Alpha (Cronbach, 1951), còn được gọi là hệ số alpha là một thước đo được sử dụng để đánh giá độ tin cậy hay tính nhất quán bên trong của một tập hợp các thang đo, cho biết các đo lường có liên kết với nhau hay không.
“Giá trị của Cronbach’s Alpha: Từ 0,8 đến 0,95 là thang đo lường tốt, từ 0,7 đến 0,8 là sử dụng được, từ 0,6 trở lên, thang đo lường đủ điều kiện” (Hoàng Trọng, Chu Nguyễn Mộng Ngọc, 2008). “Hệ số Cronbach’s Alpha càng cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này không hoàn toàn chính xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo” (Nguyễn Đình Thọ 2011).
54
Hệ số tương quan biến tổng là hệ số cho biến mức độ “liên kết” giữa một biến quan sát trong nhân tố với các biến còn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan sát cụ thể. “Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0.3 thì biến đó đạt yêu cầu” (Nunnally, J.
1978). Nếu biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải loại nó ra khỏi nhân tố đánh giá.
Áp dụng hai chỉ số trên, nghiên cứu đánh giá thang đo dựa trên tiêu chí:
+ Chọn các thang đo có hệ số Alpha lớn hơn 0,6
+ Loại các biến quan sát có hệ số tương quan biên- tổng nhỏ hơn 0,3 (đây là những biến không đóng góp nhiều cho sự mô tả của khái niệm cần đo)
- Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) Phân tích nhân tố tải được sử dụng chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt, bằng cách kiểm tra các hệ số tải nhân tố (Factor loading) và các phương sai trích được.
Để kiểm định tính hiệu lực hay đánh giá giá trị thang đo, nhóm nghiên cứu phân tích nhân tố khám phá EFA (Exploratory Factor Analysis). Phân tích nhân tố tải được sử dụng chủ yếu để đánh giá giá trị hội tụ và giá trị phân biệt của các thang đo bằng cách kiểm tra các hệ số tải nhân tố (Factor loading) và các phương sai trích được thông qua phương pháp trích Principal Axis Factoring với phép xoay Promax. Phương pháp trích nhân tố Principal Axis Factoring với phép quay promax (oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal components với phép quay varimax (orthogonal) (Gerbing & Anderson, 1988).
+ Giá trị hội tụ: thể hiện các biến quan sát cùng tính chất hội tụ về cùng một nhân tố, được đo lường bẳng Hệ số tải (Factor loading). Hệ số tải biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải càng cao, nghĩ là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair và các cộng sự hệ số tải ở mức >0.3:
điều kiện tối thiểu để biến quan sát được giữ lại, ở mức >0.5, biến quan sát có ý nghĩa thống kê tốt, ở mức >0.7 biến quan sát có ý nghĩa thống kê rất tốt). Theo Gerbing &
Anderson, 1988, giới hạn trọng số để loại biến phù hợp là 0.40.
55
+ Giá trị phân biệt: Các biến quan sát hội tụ về nhân tố này phải phân biệt với các biến quan sát hội tụ ở nhân tố khác. Hệ số tải của một biến ở 2 nhân tố khác nhau phải chênh lệch ít nhất 0.3 mới được chấp nhận, khi đó biến quan sát mới đủ khác biệt để đại diện cho một nhân tố.
+ Kiểm định Barlett và Hệ số KMO (Kaiser- Meyer- Olkin) được dùng để xem xét sự thích hợp của phân tích nhân tố. Theo đó giả thuyết Ho (các biến không có tương quan với nhau trong tổng thể) bị bác bỏ và do đó phân tích EFA là thích hợp khi 0.5 ≤ KMO ≤ 1 và sig < 0.05. Nếu KMO <0.5 thì phân tích nhân tố có khả năng không thích hợp với dữ liệu.
+ Tiêu chuẩn rút trích nhân tố gồm: Chỉ số Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố), và chỉ số Cumulative (tổng phương sai trích) cho biết phân tích nhân tố giải thích được bao nhiêu % biến quan sát. Các nhân tố có Eigenvalue > 1 sẽ có tác dụng tóm tắt thông tin tốt. Các nhân tố chỉ được rút trích tại Eigenvalue ≥ 1 và được chấp nhận khi tổng phương sai trích ≥ 50%.
Áp dụng các chỉ số trên, nghiên cứu đánh giá thang đo dựa trên tiêu chí:
ã Kiểm định Barlett cú Sig < 0.05 và hệ số KMO (Kaiser- Meyer- Olkin):
0.5 ≤ KMO ≤ 1
ã Cỏc nhõn tố cú Eigenvalue> 1 và tổng phương sai trớch ≥ 50%.
ã Cỏc thang đo cú Factor loading >0.5 đồng thời Hệ số tải của một biến ở 2 nhõn tố khác nhau phải chênh lệch ít nhất 0.3
- Phân tích nhân tố khẳng định CFA để kiểm định sự phù hợp của mô hình lý thuyết.
CFA sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Sau khi nghiên cứu định tính, nhóm nghiên cứu đã đề xuất mô hình nghiên cứu, nhóm nghiên cứu tiến hành phân tích nhân tố khẳng định để khẳng định lại một lần nữa các giả thuyết đưa ra. Xem xét các nhân tố có tương quan với nhau hay không trong mô hình nghiên cứu. Mức độ phù hợp của mô hình lý thuyết và dữ liệu nghiên cứu được kiểm định thông qua các chỉ số:
56
- Chi-Square/bậc tự do: CMIN / df: Chỉ số mức độ phù hợp một cách chi tiết của cả mô hình. Theo Hair cà các cộng sự (2010) CMIN/df ≤ 2 là tốt, ≤ 5 là chấp nhận được, Theo Hu và Bentler (1999) CMIN/df ≤ 3 là tốt, ≤ 5 là chấp nhận được,
- GFI (Goodness of fit index): Chỉ số đo độ phù hợp tuyệt đối ( không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát.
GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt (Hair và các cộng sự, 2010; Hu và Bentler, 1999). Tuy nhiên chỉ số này phụ thuộc nhiều vào số thang đo, biến quan sát và cỡ mẫu, chính vì cậy nếu GFI dưới 0.9 nhưng lớn hơn 0.8 thì vẫn chấp nhận được (Doll và các cộng sự, 1994; Baungartner và Homburg, 1996).
- CFI (Comparative fit index): Chỉ số phù hợp tăng cường
CFI ≥ 0.9 là tốt,CFI ≥0.95 là rất tốt, CFI ≥0.8 là chấp nhận được Hair và các cộng sự, 2010; Hu và Bentler, 1999). Chỉ số CFI dao động từ 0 đến 1. 0 kém phù hợp, 1 là phù hợp tốt (cao) (Brown, 2006).
+ RMSEA (Root Mean Square Error of Approximation) : là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể.
RMSEA ≤ 0.08 là tốt; ≤0.03 là rất tốt (Hair và các cộng sự, 2010).
RMSEA ≤ 0.06 là chấp nhận được; ; ≤0.03 là rất tốt (Hu và Bentler,1999).
Áp dụng các chỉ số trên, luận án đánh giá thang đo dựa trên tiêu chí:
CMIN/df ≤3; GFI ≥ 0.8; CFI ≥ 0.8; RMSEA ≤ 0.06
57
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN