a) Mã hóa và nhập dữ liệu
Sau khi tiến hành cu ộc khảo sát , các bảng hỏi thu th ập sẽ được làm sạch và nhập vào cơ sở dƣ̃ liệu. Nhƣ̃ng bảng trả lời không đầy đủ ho ặc có lỗi trả lời sẽ bị loại bỏ đảm bảo dữ liệu sau khi làm sạch có đủ độ tin cậy để đưa vào phân tích.
b) Phân tích Cronbach’s Alpha
Cronbach’s alpha sẽ kiểm tra độ tin cậy của các biến dùng để đo lƣờng từng nhân tố của sự thỏa mãn công việc. Những biến không đảm bảo độ tin cậy sẽ bị loại khỏi thang đo. Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008) cho rằng: “nhiều nhà nghiên cứu đồng ý rằng Cronbach’s Alpha từ 0.8 trở lên đến gần 1 thì thang đo lƣờng là tốt, từ 0.7 đến gần 0.8 là sử dụng đƣợc. Cũng có nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu là mới hoặc mới đối với ngƣời trả lời trong bối cảnh nghiên cứu”. Hair (1998) cho rằng hệ số tƣơng quan biến – tổng nên trên 0.5, Cronbach’s Alpha nên từ 0.7 trở lên và trong các nghiên cứu khám phá, tiêu chuẩn Cronbach’s Alpha có thể chấp nhận ở mức từ 0.6 trở lên. Đối với kiểm định Cronbach’s Alpha trong luận văn này, các biến quan sát có hệ số tƣơng quan biến-tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại và khi Cronbach’s Alpha có giá trị lớn 0.6 thang đo đƣợc xem là có đảm bảo độ tin cậy.
c) Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)
Sau khi đánh giá độ tin cậy và độ giá trị các thang đo bằng công cụ Cronbach’s Alpha và loại các biến không đảm bảo độ tin cậy, các biến giữ lại sẽ đƣợc xem xét tính phù hợp thông qua phân tích nhân tố EFA. Phân tích nhân tố sẽ trả lời câu hỏi liệu các biến dùng để đánh giá sự thỏa mãn công việc có độ kết dính cao không và chúng có thể gom lại thành ít nhân tố hơn để xem xét hay không. Khi phân tích nhân tố khám
phá, các nhà nghiên cứu thƣờng quan tâm đến một số tiêu chuẩn sau: Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số dùng để so sánh độ lớn của hệ số tƣơng quan giữa hai biến với hệ số tƣơng quan riêng phần của chúng. KMO càng lớn càng tốt vì phần chung giữa các biến càng lớn. Theo Kaiser (1974) đề nghị KMO ≥ 0.9: rất tốt, KMO ≥ 0.8: tốt, KMO ≥ 07: đƣợc, KMO ≥ 0.6: tạm đƣợc, KMO ≥ 0.5: tạm đƣợc, KMO < 0.5: không thể chấp nhận đƣợc. Vì vậy, để sử dụng EFA, KMO phải lớn hơn 0.5 với mức ý nghĩa của kiểm định Bartlett ≤ 0.05. Thứ hai, tiêu chí Eigenvalue là tiêu chí phổ biến trong việc xác định số lƣợng nhân tố trong phân tích EFA. Số lƣợng nhân tố đƣợc xác định ở nhân tố có Eigenvalue tối thiểu bằng 1. Thứ ba, trọng số nhân tố của biến quan sát phải cao, ở mức phần chung phải lớn hơn hoặc bằng phần riêng và sai số. Nghĩa là trọng số nhân tố phải lớn hơn hoặc bằng 40%. Tuy nhiên, trong thực tiễn nghiên cứu với thang đo nhiều biến thì trọng số nhân tố lớn hơn hoặc bằng 0.5 thì thang đo đạt giá trị hội tụ. Thứ tƣ, tổng phƣơng sai trích cũng là một tiêu chí quan trọng khi đánh giá kết quả EFA. Tổng này đạt từ 50% trở lên, nghĩa là phần chung phải lớn hơn phần riêng từ 50% trở lên là tốt và chứng tỏ mô hình EFA phù hợp.
Số lƣợng nhân tố đƣợc xác định dựa vào chỉ số Eigenvalue đại diện cho phần biến thiên đƣợc giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình nghiên cứu. Các biến còn lại (thang đo hoàn chỉnh) sẽ đƣợc đƣa vào phân tích bƣớc tiếp theo.
d) Phân tích tương quan và hồi quy
Phƣơng pháp này có chức năng tính hệ số tƣơng quan Pearson (r) giữa biến phụ thuộc và biến độc lập (xem thử giữa chúng có mối liên hệ với nhau không, dự đoán hiện tƣợng đa cộng tuyến) đồng thời phân tích hồi qui với các thông số yêu cầu nhƣ sau:
Diễn giải hệ số tƣơng quan “r” (Fraenkel & Wallen, 2006) từ +.75 đến + 1.0 : có mối quan hệ rất chặt chẽ
từ +.50 đến +.75 : có mối quan hệ chặt chẽ vừa phải từ +.25 đến +.50 : có mối quan hệ yếu
từ +.00 đến +.25 : có mối quan hệ kém chặt chẽ
Kiểm tra R2, kiểm định ANOVA, kiểm tra hệ số hồi quy, kết quả kiểm định
Kiểm tra giả thuyết của phân tích hồi qui:
o Đa cộng tuyến (hệ số VIF).
o Phần dƣ có phân phối chuẩn: kiểm tra biểu đồ phân phối phần dƣ, biểu đồ P-P plot.
o Phƣơng sai không đổi: vẽ mối liên hệ giữa biến phụ thuộc và phần dƣ, thực hiện phân tích hồi qui biến dự báo và phần dƣ.
CHƢƠNG 3
KẾT QUẢ NGHIÊN CỨU