Thiết kế nghiên cứu

CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN CỨU

3.1 Thiết kế nghiên cứu

Để đo lường các yếu tố tác động đến xung đột công việc gia đình (WFC) đối với lao động nữ tại Thành phố Hồ Chí Mình, tác giả đo lường các yếu tố khía cạnh công việc ảnh hưởng đến WIF và các yếu tố khía cạnh gia đình ảnh hưởng đến FIW.

Nghiên cứu này đƣợc thực hiện thông qua 2 giai đoạn chính. Giai đoạn nghiên cứu sơ bộ gồm nghiên cứu định tính và nghiên cứu định lƣợng sơ bộ nhằm đƣa ra thang đo các khái niệm và hiệu chỉnh thang đo cho phù hợp. Giai đoạn nghiên cứu chính thức sử du ̣ng phương pháp định lượng để kiểm định thang đo và kiểm định các giả thuyết nghiên cứu. Giai đoạn nghiên cứu định lƣợng đƣợc thực hiện với sự hỗ trợ của phần mềm SPSS 16.0.

3.1.2 Qui trình nghiên cứu

Qui trình nghiên cứu cụ thể đƣợc thực hiện nhƣ hình 3.1.

Nghiên cứu sơ bộ: dựa trên cơ sở lý thuyết đã đƣa ra, tác giả lựa chọn thang đo các khái niệm nghiên cứu. Sau đó, tác giả tiến hành nghiên cứu sơ bộ định tính bằng thảo luận tay đôi với một số bạn bè là nữ đang làm việc tại Thành phố Hồ Chí Minh và tiếp thu những góp ý của giáo viên hướng dẫn. Mục đích nhằm kiểm tra tính rõ ràng của từ ngữ và khả năng hiểu rõ các phát biểu cũng nhƣ tính trùng lấp của các phát biểu trong thang đo để hiệu chỉnh thang đo cho phù hợp. Thang đo sau khi được điều chỉnh sẽ đưa ra khảo sát sơ bộ với mẫu khoảng 50 người để lấy kết quả cho khảo sát định lượng sơ bộ. Kết quả sơ bộ sẽ được kiểm tra bằng phương pháp phân tích hệ số tin cậy Cronbach Anpha nhằm loại bỏ các mục hỏi có hệ số

tương quan biến tổng nhỏ hơn 0.3, điều chỉnh các biến cho phù hợp và đưa ra bảng câu hỏi hoàn chỉnh cho nghiên cứu chính thức.

Hình 3.1. Qui trình nghiên cứu

Mục tiêu nghiên cứu

Cơ sở lý thuyết

Xây dựng thang đo

Nghiên cứu sơ bộ:

 Nghiên cứu sơ bộ định tính: nhằm đưa ra bảng câu hỏi sơ bộ - Thảo luận tay đôi, tiếp thu chỉ dẫn của giáo viên hướng dẫn - Điều chỉnh thang đo

 Nghiên cứu sơ bộ định lượng: nhằm đưa ra bảng câu hỏi chính thức - Khảo sát 50 nhân viên nữ đang làm việc tại TP.HCM

- Kiểm tra hệ số Cronbach Anpha cho từng thang đo, loại bỏ các biến có hệ số tương quan biến – tổng nhỏ hơn 0.3.

Nghiên cứu định lƣợng chính thức:

- Khảo sát các nhân viên nữ đang làm việc tại Tp.HCM - Mã hóa, nhập liệu

- Làm sạch dữ liệu

- Kiểm tra hệ số Cronbach Anpha - Phân tích nhân tố khám phá EFA - Phân tích hồi qui đa biến

Nghiên cứu định lƣợng chính thức: tiến hành khảo sát dựa trên bảng câu hỏi chính thức đã xây dựng. Đối tƣợng khảo sát là các nhân viên nữ, có trình độ trung cấp trở lên, làm việc tại các công ty trên địa bàn Thành phố Hồ Chí Minh.

Mẫu đƣợc chọn theo kiểu thuận tiện. Sau khi khảo sát, dữ liệu sẽ đƣợc mã hóa, nhập liệu và làm sạch. Đánh giá sơ bộ thang đo bằng hệ số Cronbach Anpha. Tiếp theo, sử dụng phương pháp phân tích nhân tố khám phá (EFA) để kiểm định thang đo.

Phương pháp hồi qui đa biến được sử dụng để kiểm định các giả thuyết nghiên cứu.

Các phương pháp được thực hiện trên phần mềm SPSS 16.0.

Hệ số Cronbach Anpha: là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau. Hệ số này dùng để đánh giá sơ bộ từng thang đo, xem xét mức độ chặt chẽ các mục hỏi trong thang đo liệu có tương quan với nhau. Theo qui ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải có hệ số α lớn hơn hoặc bằng 0.8. Nếu có nhiều mục hỏi thì hệ số α càng cao. Hệ số α của Cronbach cho biết các đo lường có liên kết với nhau hay không nhƣng không cho biết mục nào cần đƣợc bỏ và mục nào cần giữ lại. Phần mềm phân tích thống kê SPSS sẽ tìm ra hệ số tương quan giữa các mục hỏi, hệ số α và hệ số tương quan giữa tổng điểm và các mục hỏi. Từ đó ta có thể loại bỏ các mục hỏi làm giảm sự tương quan giữa các mục hỏi và giữ cho hệ số α lớn hơn hoặc bằng 0.8. Như vậy, các biến có tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại, sau đó tính lại hệ số Cronbach Anpha. Các biến có hệ số Cronbach Anpha nhỏ hơn 0.6 sẽ tiếp tục bị loại (Nunnally & Bernstein, 1994) (trích tại Nguyễn Đình Thọ, 2011).

Phương pháp phân tích nhân tố khám phá (EFA): là tên chung của một nhóm các thủ tục đƣợc sử dụng để thu nhỏ và tóm tắt các dữ liệu. Trong nghiên cứu này, EFA đƣợc dùng để kiểm định thang đo, rút gọn tập biến quan sát nếu chúng phụ thuộc lẫn nhau. Phân tích nhân tố khám phá giúp đánh giá hai giá trị hội tụ và phân biệt của thang đo (Nguyễn Đình Thọ, 2011). Để nhận dạng và xác định các khái niệm liên quan bằng phương pháp EFA, tác giả sử dụng phương pháp trích Principal với phép quay Varimax (xoay nguyên góc các nhân tố để tối thiểu hóa

lượng biến có hệ số lớn tại cùng một nhân tố nhằm tăng cường khả năng giải thích các nhân tố) và điểm dừng khi trích các yếu tố có Eigenvalue luôn lớn hơn 1 (nếu nhỏ hơn 1 sẽ bị loại khỏi mô hình nghiên cứu). Điều kiện áp dụng phân tích nhân tố là các biến phải có tương quan với nhau. Do đó, khi phân tích EFA, tác giả chú ý các tiêu chuẩn:

Thứ 1, hệ số Kaiser-Mayer-Olkin (KMO) từ 0.5 → 1, với mức ý nghĩa của kiểm định Bartlett ≤ 0.05, nhằm bác bỏ giả thuyết các biến không có tương quan với nhau trong tổng thể. Nếu giả thuyết này bị bác bỏ thì phân tích EFA là phương pháp thích hợp (Kaiser, 1974) (theo Nguyễn: 2011; Hoàng & Chu 2005, 2008).

Thứ 2, hệ số tải nhân tố (factor loading) ≥ 0.5 (nếu biến quan sát nào có hệ số tải nhân tố < 0.5 sẽ bị loại),

Thứ 3, sự khác biệt giữa các hệ số tải nhân tố của một biến lên các nhân tố phải > 0.2 để đảm bảo sự khác biệt,

Thứ 4, thang đo được chấp nhận khi tổng phương sai trích ≥ 50% và eigenvalue có giá trị lớn hơn 1, (Nunnally & Bernstein, 1994) (trích tại Nguyễn Đình Thọ, 2011).

Phương pháp hồi qui đa biến: dùng để kiểm định các giả thuyết và giải thích lý thuyết nhân quả. Phương pháp này xem xét các điều kiện sau:

Thứ 1, xem xét mối tương quan tuyến tính giữa các biến thông qua ma trận hệ số tương quan. Ma trận này cho biết mối quan hệ chặt chẽ giữa các biến độc lập và biến phụ thuộc hay giữa các biến độc lập với nhau. Tương quan mạnh giữa các biến độc lập và biến phụ thuộc cho thấy phân tích hồi qui sẽ khả quan. Tuy nhiên, tương quan mạnh giữa các biến độc lập có thể sẽ ảnh hưởng lớn đến kết quả hồi qui, nhƣ gây ra hiện tƣợng đa cộng tuyến.

Thứ 2, đánh giá độ phù hợp của mô hình bằng hệ số xác định R2 thay đổi. Hệ số này đo lường tỷ lệ tổng biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập, có tính tới mối liên hệ giữa cỡ mẫu và số biến độc lập trong mô hình hồi qui bội, nên tránh đƣợc việc thổi phồng khả năng giải thích cho biến phụ thuộc

của mô hình. Giá trị R2 điều chỉnh càng cao thì khả năng giải thích của mô hình hồi qui càng cao và việc dự đoán biến phụ thuộc càng chính xác.

Thứ 3, kiểm định độ phù hợp của mô hình tổng thể bằng thống kê F trong phân tích phương sai Anova. Ý tưởng là xem biến phụ thuộc có liên hệ tuyến tính với toàn bộ tập hợp các biến độc lập hay không. Giả thuyết Ho là β1= β2=β3=β4=0.

Nếu giá trị F có ý nghĩa đáng kể về mặt thống kê (p≤0.05), giả thuyết Ho của mối quan hệ không tuyến tính bị bác bỏ và kết luận là các biến độc lập trong mô hình có thể giải thích đƣợc biến đổi của biến phụ thuộc.

Thứ 4, đo lường ảnh hưởng của các biến độc lập đến biến phụ thuộc thông qua hệ số hồi qui riêng phần β. Đây là hệ số hồi qui chuẩn hóa cho phép so sánh trực tiếp các hệ số xem nhƣ là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của β càng lớn thì tầm quan trọng tương đối của nó trong dự báo biến phụ thuộc càng cao. Ngoài ra, có thể kiểm định giả thuyết nghiên cứu qua kiểm định ý nghĩa của hệ số hồi qui riêng phần bằng thống kê t.

Thứ 5, kiểm định việc vi phạm các giả định trong mô hình nhƣ giả định liên hệ tuyến tính, các giả định của phần dư: phương sai không đổi (qua đồ thị phân tán Scatterplot), phân phối chuẩn (qua biểu đồ tần số Histogram, P-P Plot), độc lập và giả định không có mối quan hệ tương quan giữa các biến độc lập, dò tìm hiện tượng đa cộng tuyến (qua thống kê Tolerance và VIF)… vì nếu vi phạm các giả định thì