CHƯƠNG 2. PHƯƠNG PHÁP VÀ THIẾT KẾ NGHIÊN CỨU
2.3. NGHIÊN CỨU ĐỊNH LƯỢNG
2.3.3. Phương pháp phân tích dữ liệu
Để đánh giá chất lượng mẫu đảm bảo cho phân tích cần phân tích kết cấu mẫu. Tiến hành lập bảng tần số để mô tả mẫu thu thập được theo các đặc trưng. Phương pháp sử dụng chủ yếu là phân tổ kết hợp, số tuyệt đối và số tương đối, phương pháp đồ thị và bảng thống kê.
Thực hiện thống kê theo các đặc tính: thâm niên, độ tuổi, tiền lương hàng tháng, giới tính, trình độ học vấn, nơi làm việc (theo từng trung tâm cuộc gọi).
b. Đánh giá độ tin cậy của các nhân tố
Để đánh giá độ tin cậy của nhân tố tác giả sử dụng phương pháp kiểm định hệ số tin cậy Cronbach’Alpha và phân tích nhân tố khám phá EFA
+ Phương pháp kiểm định hệ số tin cậy Cronbach’s Alpha
Mục đích của phương pháp này là kiểm tra xem các mục hỏi nào thực sự đóng góp vào việc đo lường các khái niệm lý thuyết mà ta đang nghiên cứu. Những mục hỏi cùng đo lường một khái niệm tiềm ẩn thì phải có mối tương quan với các mục còn lại trong nhóm. Hệ số Cronbach’s Alpha là phép kiểm định thống kê mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Trên cơ sở đó, các biến có hệ số tương quan với tổng thấp hơn 0.3 sẽ bị loại và tiêu chuẩn để lựa chọn thang đo là khi nó đảm bảo độ tin cậy Alpha từ 0.6 trở lên (Nhiều nhà nghiên cứu đồng ý rằng khi hệ số Cronbach’s Alpha nằm trong khoảng từ 0.8 đến 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được). Tuy nhiên, trong trường hợp khái niệm đo lường là mới hoặc mới đối với người trả lời trong bối cảnh đang nghiên cứu thì hệ số Cronbach’s Alpha được chấp nhận từ mức 0.6 trở lên (Nunnally, 1978;
Peterson, 1994; Salter, 1995).
+ Phân tích nhân tố khám phá EFA
Sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy.
Phân tích nhân tố khám phá EFA (Explore Factor Analysis) được sử dụng để tóm tắt và thu nhỏ dữ liệu. Trong nghiên cứu này phương pháp trích hệ số được sử dụng là Principal Components với phép xoay Varimax. Các tham số thống kê cần quan tâm trong phân tích này bao gồm:
Kiểm định Bartlett’s (Bartlett's Test of Sphericity): Đại lượng Bartlett’s được sử dụng để xem xét giả thuyết Ho các biến không có tương quan trong tổng thể. Kiểm định Bartlett’s có ý nghĩa (Significant) tại mức sig.
thấp hơn 0.05, tức là giả thuyết Ho cho rằng ma trận tương quan giữa các biến trong tổng thể là một ma trận đơn vị sẽ bị bác bỏ.
Ma trận tương quan (Correlation Matrix): ma trận này cho biết hệ số tương quan giữa tất cả các cặp biến trong phân tích, phân tích nhân tố chỉ phù hợp khi phần lớn các biến có hệ số tương quan lớn hơn 0.3, những biến có mức độ khuyết dữ liệu cao và tương quan lỏng sẽ bị loại ra khỏi phân tích.
Giá trị KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn (từ 0.5 đến 1) là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Eigenvalue: là tổng bình phương các trọng số của các biến trên một cột nhân tố. Nó đại diện cho mức độ biến động được giải thích bởi một nhân tố. Giá trị eigenvalue của các nhân tố được chọn phải từ 1 trở lên (Hair và ctg., 1995)
Sau khi phân tích nhân tố, các nhân tố sẽ được lưu thành các biến mới, và sẽ sử dụng các biến mới này thay cho những biến gốc để đưa vào các phân tích tiếp theo.
c. Kiểm định hồi quy bội
Sau khi qua giai đoạn phân tích nhân tố, có 9 nhân tố được đưa vào kiểm định mô hình. Giá trị của từng nhân tố là giá trị trung bình của các biến quan sát thành phần thuộc nhân tố đó.
Phân tích hồi quy được thực hiện bằng phương pháp Stepwise. Các biến được ước lượng theo cả 2 tiêu chuẩn lựa chọn chuyển tiếp (forward selection) và loại bỏ dần (backward deletion).
d. Đánh giá mô hình
- Đánh giá và kiểm định sự phù hợp của mô hình: Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình, nên nghiên cứu
căn cứ vào chỉ số R2 hiệu chỉnh (Adjusted R Square). Nếu chỉ số R2 hiệu chỉnh lớn hơn 0.5 có nghĩa mô hình được chấp nhận, chỉ số này càng tiến tới 1 thì độ thích hợp của mô hình càng cao. Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không đề tài dùng trị F ở bảng phân tích Anova
e. Kiểm định xem mô hình có vi phạm những giả thiết sau không + Hiện tượng tự tương quan: Kiểm định bằng kiểm định DurbinWatson.
+ Hiện tượng đa cộng tuyến: sử dụng nhân tử phóng đại phương sai với tiêu chuẩn VIF<5.
+ Hiện tượng phương sai sai số thay đổi bằng kiểm định dựa vào biến phụ thuộc.
Mọi kiểm định đều sử dụng mức ý nghĩa 5%.
f. Kiểm định giả thuyết của mô hình
Các nhân tố có ảnh hưởng tích cực (thuận) đến mức độ hài lòng công việc thì cần kiểm định giả thuyết H0: βj ≤ 0 và H1: βj > 0