CHƯƠNG 3: CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
3.4. Mô hình và Giả thuyết nghiên cứu
3.4.3. Phương pháp nghiên cứu
3.4.3.3. Phương pháp phân tích số liệu
20
Thống kê mô tả là phương pháp phân tích định lượng, giúp tóm tắt các thông tin cơ bản của dữ liệu để có cái nhìn tổng quan về dữ liệu thu thập được. Thống kê mô tả bao gồm các công cụ thống kê tần số và thống kê trung bình, có thể được trình bày dưới dạng đồ thị, biểu đồ.
Kiểm định Cronbach’s Alpha:
Kiểm định độ tin cậy Cronbach’s Alpha là phép kiểm định nhằm kiểm tra các biến quan sát của các nhân tố có đáng tin cậy, tức phản ánh mức độ tương quan giữa các biến quan sát trong cùng một nhân tố mẹ. Việc phân tích hệ số Cronbach’s Alpha để loại bỏ các biến quan sát không phù hợp nhằm tăng độ tin cậy của thang đo.
Hệ số Cronbach’s Alpha có giá trị dao động trong khoảng [0,1]. Giá trị mức 0 có ý nghĩa là các biến quan sát gần như không có sự tương quan, giá trị mức 1 có ý nghĩa là các biến quan sát có sự tương quan hoàn hảo với nhau, hai mức giá trị này rất hiếm xảy ra trong phân tích dữ liệu. Nếu trường hợp hệ số Cronbach’s Alpha không nằm trong khoảng giá trị từ 0 đến 1 thì thang đo này không có độ tin cậy, tức là các biến quan sát trong thang đo ngược chiều, đối lập với nhau.
Hệ số Cronbach’s Alpha càng cao cho thấy độ tin cậy của thang đo càng cao.
Tuy nhiên, hệ số này nên có giá trị biến thiên trong khoảng [0,1]:
0,8 ≤ α ≤ 1: thang đo lường rất tốt 0,7 ≤ α ≤ 0,8: thang đo lường tốt α ≥ 0,6: thang đo lường đủ điều kiện
Ngoài ra, nếu biến đo lường có hệ số tương quan biến tổng (Corrected Item – Total Correlation) lớn hơn hoặc bằng 0,3 thì biến đó đạt yêu cầu vì đây là một chỉ số cho thấy mối tương quan giữa từng biến quan sát với các biến còn lại trong thang đo (Cristobal và các cộng sự, 2007).
21
Phân tích nhân tố khám phá EFA:
Phân tích nhân tố khám phá EFA là “phương pháp phân tích thống kê dùng để rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu” (Hair và cộng sự, 1998). Tóm lại, việc thực hiện phân tích nhân tố khám phá EFA nhằm mục đích rút gọn tập hợp biến và xem các biến quan sát có cùng mối tương quan trong cùng một nhóm. Quá trình phân tích EFA có ý nghĩa khi thỏa mãn các chỉ số sau:
Hệ số KMO (Kaiser-Meyer-Olkin): Theo Kaiser (1974), trị số KMO phải đạt giá trị 0,5 trở lên và dưới 1 thì phân tích nhân tố được thích hợp, nếu KMO dưới 0,5, cần thu thập thêm dữ liệu hoặc xem xét loại bỏ đi các biến quan sát ít ý nghĩa.
Kiểm định Bartlett (Barlett’s test of sphericity): Kiểm định có ý nghĩa thống kê khi Sig Bartlett’s Test < 0,05 (mức ý nghĩa 5%), khi đó các biến quan sát có mối quan hệ tương quan với nhau trong tổng thể.
Trị số Eigenvalue: dùng để xác định số lượng nhân tố trong EFA, nhân tố nào có Eigenvalue lớn hơn hoặc bằng 1 sẽ được giữ lại trong mô hình nghiên cứu và ngược lại.
Tổng phương sai trích (Total Variance Explained) là sự biến thiên theo phần trăm của các biến quan sát, nếu giá trị lớn hơn hoặc bằng 50%, chỉ số này cho thấy số nhân tố được trích giải thích được sự biến thiên dữ liệu của các biến quan sát tham gia vào EFA và mô hình nghiên cứu là phù hợp.
Hệ số tải nhân tố (Factor Loading): thể hiện mối tương quan của biến quan sát với nhân tố. Hệ số tải càng cao, mối quan hệ giữa nhân tố và biến quan sát càng cao và ngược lại. Để nhân tố đạt được độ phù hợp tốt nhất chọn nhân tố có hệ số tải 0,5.
Tuy nhiên, theo nghiên cứu của Hair và các cộng sự (2009), bảng cỡ mẫu cần thiết có thể tương ứng với mức hệ số tải sau:
22
Factor Loading Kích thước mẫu tối thiểu
0.30 350
0.35 250
0.40 200
0.45 150
0.50 120
0.55 100
0.60 85
0.65 70
0.70 60
0.75 50
Nguồn: Hair và cộng sự (2014) Kiểm định tương quan Pearson
Kiểm định tương quan Pearson được thực hiện để đánh giá mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc, xem các biến có tương quan chặt chẽ với nhau không và việc thực hiện kiểm định nhằm phát hiện sớm hiện tượng đa cộng tuyến giữa các biến độc lập khi chúng tương quan mạnh với nhau. Giá trị r của tương quan Pearson giao động từ [-1,1]:
Giá trị r càng tiến về 1 hoặc -1: tương quan mạnh Giá trị r tiến về 0: tương quan yếu
Giá trị r = 0: không có tương quan
Đồng thời, cần xem xét giá trị Sig, nếu Sig < 0,05 thì có tương quan, còn Sig >
0,05 thì không có mối tương quan.
Phân tích hồi quy tuyến tính
Sau khi thực hiện kiểm định phân tích tương quan Pearson, cần tiếp tục kiểm định hồi quy tuyến tính nhằm xem xét các giả thuyết đặt ra trong mô hình nghiên cứu có phù hợp với dữ liệu và nên chấp nhận hay bác bỏ các giả thuyết đặt ra cho mô hình nghiên cứu. Việc phân tích mô hình hồi quy tuyến tính bội dựa trên các bảng Model
23
Summary, Anova, Coefficients, đánh giá giá trị R bình phương và R bình phương hiệu chỉnh để xem xét mối quan hệ tác động của các giả thuyết, cả hai đều có mức dao động trong [0,1], R bình phương càng tiến về 1, các biến độc lập càng giải thích nhiều đối với biến phụ thuộc. Đồng thời, kiểm tra giá trị R bình phương Sig < 0,05 để xác định tác động của biến độc lập lên biến phụ thuộc, từ đó chấp nhận giả thuyết, mô hình hồi quy phù hợp và ngược lại đối với Sig > 0,05.
Phân tích ảnh hưởng của biến kiểm soát
Ngoài các biến độc lập trong mô hình, có khả năng tồn tại sự ảnh hưởng của các biến kiểm soát như giới tính, độ tuổi, số năm kinh nghiệm. Do đó, nghiên cứu thực hiện thêm kiểm định sự khác biệt trung bình One-Way ANOVA và T-Test thông qua phần mềm SPSS 25 để xem sự khác biệt giữa các biến kiểm soát và mức độ tác động lên biến phụ thuộc tuân thủ đạo đức nghề nghiệp.
24
KẾT LUẬN CHƯƠNG 3
Chương 3 đề cập đến cơ sở lý thuyết có liên quan đến đề tài nghiên cứu bao gồm đạo đức và đạo đức nghề nghiệp. Sau đó đưa ra các lý thuyết nền làm cơ sở nền tảng giải thích cho các nhân tố trong mô hình nghiên cứu. Từ đó xây dựng quy trình nghiên cứu và xác định mô hình, giả thuyết nghiên cứu cùng với phương pháp nghiên cứu để thực hiện nghiên cứu, phân tích và tìm ra mức độ tác động của các biến độc lập lên biến phụ thuộc.
25