lượng mẫu cần gấp 5 lần so với số lượng biến. Trong khi Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2005) cho rằng tỷ lệ đó là 4 hay 5. Trong đề tài này có tất cả 59 tham số (biến quan sát) cần tiến hành phân tích nhân tố, vì vậy số mẫu tối thiểu cần thiết là 59 x 5 = 295 số lượng mẫu quan sát.
2.1.4. Xây dựng bảng câu hỏi, cách thức thu thập thông tin
Các giai đoạn thiết kế bảng câu hỏi: (a) Dựa vào cơ sở lý thuyết và các nghiên cứu liên quan trước đây để xây dựng các thang đo trong mô hình nghiên cứu. Từ những thang đo này, bảng câu hỏi được phát thảo sơ bộ; (b) Bảng câu hỏi sơ bộ được tham khảo ý kiến của các nhà nghiên cứu khoa học, nhà chuyên môn điều tra khảo sát để điều chỉnh lại cho phù hợp và dễ hiểu;
(c) Bảng câu hỏi được hoàn chỉnh và khảo sát điều tra thử trước khi gửi đi khảo sát điều tra chính thức.
Bảng câu hỏi được sử dụng để thu thập thông tin cần nghiên cứu phải
đảm bảo những lợi ích sau: (a) Tiết kiệm chi phí, thời gian và nguồn nhân lực;
(b) Bảo mật được thông tin danh tính đối tượng khảo sát nhằm khắc phục mức độ sai lệch thông tin thu thập trong bảng câu hỏi. Bảng câu hỏi đã được thiết kế và sử dụng để thu thập thông tin cần thiết.
(Xem phụ lục 1 trang 74, mục A1.2. Bảng câu hỏi khảo sát)
Từ bảng câu hỏi khảo sát, cách thức thu thập thông tin trong nghiên cứu
đề tài này được thực hiện được thực hiện:
- Tổ chức lớp tập huấn các thành viên công đoàn của doanh nghiệp về trình bày nội dung, hướng dẫn cách thức ghi thông tin vào bảng câu hỏi của người lao động, quy trình thu thập thông tin đảm bảo tính độc lập của mỗi đối tượng khảo sát và thời gian phát và thu lại bảng câu hỏi. Lớp tập huấn này được Liên đoàn Lao động tỉnh tổ chức.
- Xử lý thông tin: Sau khi thu lại bảng câu hỏi, cần kỉểm tra cách ghi thông tin về người lao động, sau đó mã hóa các mục hỏi thành các biến nhập dữ liệu với phần mềm SPSS 15.0 for Windows. Cơ sở dữ liệu chưa thể đưa ngay vào phân tích vì có thể còn nhiều lỗi do nhập dữ liệu không đạt yêu cầu,
hoặc hiểu sai lệch câu hỏi trong quá trình thu thập thông tin. Do đó, cơ sở dữ liệu một lần nữa được làm sạch và ngăn ngừa các lỗi vi phạm trước khi đưa vào phân tích kỹ thuật.
2.2. CÔNG CỤ PHÂN TÍCH KỸ THUẬT
Trước khi đưa ra kết quả nghiên cứu từ cơ sở dữ liệu với phần mềm SPSS 15.0 for Windows, cần hiểu rò những công cụ phân tích kỹ thuật để đánh giá độ tin cậy, mức độ ổn định của cơ sở dữ liệu.
2.2.1. Thống kê mô tả
Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập được từ nghiên cứu thực nghiệm qua các cách thức khác nhau. Thống kê mô tả cung cấp những tóm tắt đơn giản về mẫu và các thước đo nhằm tạo ra nền tảng của mọi phân tích định lượng về số liệu. Để hiểu được các hiện tượng và ra quyết định đúng đắn, cần nắm được các kỹ thuật cơ bản của mô tả dữ liệu:
- Biểu diễn dữ liệu thành các bảng số liệu tóm tắt về dữ liệu: Khi tóm tắt một đại lượng về thông tin người lao động (giới tính, độ tuổi lao động, thời gian làm việc, thu nhập trung bình, v.v…) thường dùng các thông số thống kê như tần số, trung bình cộng, tỷ lệ, phương sai, độ lệch chuẩn và thông số thống kê khác. Những dữ liệu này biểu diễn bằng đồ họa hoặc bằng bảng mô tả dữ liệu giúp phân tích, so sánh thông tin người lao động.
- Kiểm định giả thiết dữ liệu thống kê mô tả: Kiểm định Independent- Sample T-test, kiểm định One-Way Anova cho biết trị trung bình giữa các nhóm để so sánh, phỏng đoán mức độ phù hợp dữ liệu thống kê mô tả, tồn tại mối liên hệ giữa các cặp biến quan sát.
2.2.2. Kiểm định độ tin cậy thang đo
Kiểm định độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Alpha (Cronbach, 1951): Hệ số Cronbach Alpha (α) là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Hệ số Cronbach’s Alpha được tính theo công thức sau:
K (cov/var) |
1 + (k-1) (cov/var) |
Có thể bạn quan tâm!
-
![Mô Hình Đặc Điểm Công Việc Của Hackman & Oldham (1975) [8] :](https://tailieuthamkhao.com/uploads/2022/06/19/danh-gia-su-hai-long-cua-nguoi-lao-dong-doi-voi-doanh-nghiep-tren-dia-3-120x90.jpg)
![Mô Hình Đặc Điểm Công Việc Của Hackman & Oldham (1975) [8] :](data:image/svg+xml,%3Csvg%20xmlns=%22http://www.w3.org/2000/svg%22%20viewBox=%220%200%2075%2075%22%3E%3C/svg%3E)
Mô Hình Đặc Điểm Công Việc Của Hackman & Oldham (1975) [8] : -
So Sánh Đặc Điểm Tích Cực Và Tiêu Cực Về Sự Thỏa Mãn -
Mô Hình Đánh Giá Sự Hài Lòng Của Người Lao Động Đối Với Doanh Nghiệp Trên Địa Bàn Tỉnh Bến Tre. -
Mô Tả Đặc Điểm Cá Nhân Của Người Lao Động: -
Sự Quan Tâm Của Người Lao Động Nếu Doanh Nghiệp Cải Thiện -
So Sánh Đặc Điểm Cá Nhân Ảnh Hưởng Đến Sự Hài Lòng
Xem toàn bộ 137 trang tài liệu này.
Trong đó:
α hệ số cronbach Alpha
k số mục hỏi được kiểm tra
cov/var hệ số tương quan trung bình giữa các cặp biến quan sát
Đánh giá độ tinh cậy thang đo qua hệ số Cronbach Alpha α: 0,8 ≤ α < 1,0 Thang đo lường tốt
0,7 ≤ α < 0,8 Thang đo sử dụng được
α ≥ 0,6 Sử dụng được đối với khái niệm nghiên cứu mới
(Hoàng Trọng - Chu Nguyễn Mộng Ngọc, 2005)
Việc kiểm định độ tin cậy thang đo có thể được xác định nhờ hệ số tương quan biến tổng (Corrected Item-Total Correclation) nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ số tương quan biển tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đó hệ số này càng cao thì sự tương quan của biến này với các biến khác trong nhóm càng cao. Theo Nunnally & Burnstein (1994), các biến có hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác.
Quy trình kiểm định các biến quan của mỗi thang đo trước khi tiến hành phân tích nhân tố EFA:
Bước 1: Trong phần mềm SPSS 15.0 for Windows, chọn công cụ phân tích độ tin cậy thang đo (Analyse – Scale – Reability Analysis). Chọn mặc định phân tích hệ số Cronbach’s Alpha (Model: Alpha). Kế tiếp đưa các biến quan sát của một thang đo lường vào mục (Items) để phân tích độ tin cậy. Sau đó, chọn hộp thoại phân tích thống kê Statistics, trong đó công cụ phân tích Descriptives for: chọn Scale, Scale if item deleted. Sau cùng, phần mềm SPSS tự động phân tích dữ liệu và xuất kết quả kiểm định thang đo lường.
Bước 2: Cần loại bỏ những biến rác. Trong kết quả Nếu thấy biến nào có hệ số tương quan với biến tổng (Corrected Item-Total Correclation) nhỏ
hơn 0,3 thì cần loại bỏ biến đó ra khỏi thang đo trước khi tiến hành phân tích nhân tố EFA.
Bước 3: Lựa chọn hệ số Cronbach’s Alpha tốt nhất để độ tin cậy của thang đo tương quan các biến chặt chẽ, bằng cách loại trừ biến quan sát có mức độ tương quan thấp trong thang đo thì sẽ đạt được hệ số Cronbach’s Alpha tốt hơn (Cronbach's Alpha if Item Deleted). Quá trình này được lập lại cho đến khi lựa chọn được hệ số Cronbach’s Alpha tốt nhất. Độ tin cậy của thang đo có hệ số Cronbach’s Alpha đạt tiêu chuẩn α ≥ 0,6 (thang đo có thể sử dụng được trong mô hình nghiên cứu).
2.2.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin và ý nghĩa thống kê của tập biến ban đầu (Hair & CTG, 1998). Mô hình phân tích nhân tố EFA được thể hiện bằng phương trình:
Xi = ai1F1 + ai2F2 + … + aijFj +ViUi
Trong đó:
Xi biến quan sát thứ i
aij hệ số hồi quy bội chuẩn hóa của nhân tố j đối với biến i Fj nhân tố chung
Vi hệ số hồi quy chuẩn hóa nhân tố đặc trưng của biến i Ui nhân tố đặc trưng của biến i
Các nhân tố đặc trưng có tương quan với nhau và với các nhân tố chung. Bản thân các nhân tố chung cũng có thể được diễn tả như những kết hợp tuyến tính của các biến quan sát:
Fj = W1jZ1 + W2jZ2 + … + WkjZk
Trong đó:
Fj ước lượng trị số của nhân tố thứ j Wkj trọng số nhân tố j của biến k (k>j)
Zk biến quan sát được chuẩn hóa (Z-score) từ biến Xk
(aik – Xtb) |
Std. Deviation |
Zk giá trị chuẩn hóa quan sát thứ i của biến Xk
aik giá trị quan sát thứ i của biến Xk
Xtb giá trị trung bình của biến Xk
Std. Deviation Độ lệch tiêu chuẩn (n-1) của biến Xk
Tập biến {Z1, Z2, …, Zk} là tập biến gốc {X1, X2, …, Xk} đưa mô hình phân tích nhân tố EFA. Tập biến gốc được chuẩn hóa (Z-score) có giá trị trung bình bằng 0 (Mean = 0) và giá trị độ lệch tiêu chuẩn bằng 1 (Std. Deviation = 1). Tập biến gốc “chưa chuẩn hóa” và “có chuẩn hóa” đều có kết quả phân tích thống kê như nhau (phân tích nhân tố EFA, phân tích hồi quy, v.v…). Dựa vào phần mềm SPSS 15.0 for Windows, tập biến gốc được chuẩn hóa được chương trình tự động tính toán và lưu lại bằng lệnh “Save standardized values as variables” trong Analyze – Descriptive Statistics – Descriptives.
2.2.3.1. Kiểm định phân tích nhân tố EFA
Mô hình phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
(i) Hệ số tải nhân tố (Factor Loadings): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố lớn hơn 0,3 được cho là phù hợp với quy mô mẫu lớn hơn 350 số quan sát.
(ii) Tính thích hợp của EFA (Kaiser – Meyer – Olkin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1.
(iii) Kiểm định Bartlett (Bartlett’s Test of Sphericity): kiểm định giả thuyết H0 (các biến không có tương quan với nhau trong tổng thể). Ma trận tương quan tổng thể là một ma trận đơn vị trong đó tất cả các giá trị trên đường chéo đều bằng 1 và ngoài đường chéo bằng 0. Đại lượng kiểm định này dựa trên sự biến đổi thành đại lượng Chi-Square từ định thức của ma trận tương quan. Ý nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết H0: đại lượng Chi-Square lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố là thích hợp, còn nếu chưa có cơ sở bác bỏ giả thuyết H0: đại lượng Chi-Square nhỏ, ý nghĩa thống kê lớn hơn 0,05 thì phân tích nhân tố có khả năng không thích hợp.
(iv) Phương sai cộng dồn (cumulative of variance): là phân trăm phương sai toàn bộ được thích bởi các nhân tố, nghĩa là coi biến thiên 100% thì giá trị này cho biến phân tích nhân tố cô đọng được bao nhiêu % và bị thất thoát bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố có phương sai cộng dồn lớn hơn 50% với Eigenvalue phải lớn hơn 1.
Sau khi rút gọn được các biến nhân tố mới (Fj) từ một tập biến quan sát, các biến Fj này được đưa vào các phân tích tiếp theo như tương quan và hồi quy; kiểm định Independent-Sample T-test; kiểm định One-Way Anova.
2.2.3.2. Giải thích ý nghĩa nhân tố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến gốc có hệ số tải (Rotated Factor Loadings) lớn ở cùng một nhân tố. Theo nghiên cứu Ming-Chang Lee (2007)[13] về việc đưa ra giải pháp thực hiện đồng bộ trong mô hình phân tích nhân tố EFA, việc giải thích ý nghĩa nhân tố dựa trên các biến quan sát có hệ số tải (Rotated Factor Loadings) lớn trong cùng một nhóm nhân tố, từ đó trích gọn hệ số nhân tố của các biến quan sát này trong ma trận hệ số nhân tố (Component Score Coefficient) để giải thích ý nghĩa nhân tố. Sau đây là một ví dụ minh họa giải thích ý nghĩa nhân tố:
Giả định mô hình phân tích nhân tố EFA rút gọn một tập gồm 6 biến quan sát Xk = {X1, X2, X3, X4, X5, X6} thành một tập có 2 nhân tố Fj = {F1, F2}. Trên cơ sở bảng phân tích ma trận nhân tố xoay (Rotated Component Matrix), nhân tố F1 có 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố F1 = {X1, X3, X5} và F2 có 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố F2 = {X2, X4, X6}.
Bước 1: Xây dựng hệ phương trình nhân tố
Từ ma trận trọng số nhân tố Wkj (Component Score Coefficient Matrix)
W11 | W12 | |
W21 | W22 | |
Wkj = | W31 | W32 |
W41 | W42 | |
W51 | W52 | |
W61 | W62 |
và các biến quan sát Xk = {X1, X2, X3, X4, X5, X6} được chuẩn hóa (Z-score) Zk = {Z1, Z2, Z3, Z4, Z5, Z6}, ta có hệ phương trình nhân tố như sau:
F1 = W11Z1 + W21Z2 + W31Z3 + W41Z4 + W51Z5 + W61Z6
F2 = W12Z1 + W22Z2 + W32Z3 + W42Z4 + W52Z5 + W62Z6
(FS1)
Bước 2: Lựa chọn biến để giải thích tối ưu nhất cho mỗi nhân tố
Để giải thích sự biến thiên của dữ liệu từ 2 phương trình, chúng ta loại bỏ những biến quan sát có hệ số tải (Rotated Factor Loadings) thấp, chỉ chọn lọc biến quan sát có hệ số tải (Rotated Factor Loadings) cao để giải thích sự biến thiên tối ưu nhất cho mỗi nhân tố. Hệ phương trình trên được đơn giản như sau:
F1 = W11Z1 + W31Z3 + W51Z5
F2 = W22Z2 + W42Z4 + W62Z6
(FS2)
Bước 3: Tính hệ số tối ưu cho mỗi nhân tố Dựa vào hệ phương trình đơn giản (FS2), ta có: F1(OPT) = W11 + W31 + W51
F2(OPT) = W22 + W42 + W62
Bước 4: Chuẩn hóa các hệ số từ hệ phương trình (FS2) Score F1 = F1 / F1(OPT) = (W11Z1 + W31Z3 + W51Z5) /F1(OPT) Score F2 = F2 / F2(OPT) = (W22Z2 + W42Z4 + W62Z6) / F2(OPT)
(FS3)
Như vậy, nhân tố trong hệ phương trình (FS3) được giải thích ý nghĩa như sau:
Muốn tăng nhân tố F1 lên 1 đơn vị thì cần tác động tích cực hoặc cần tăng các biến quan sát X1, X3, X5 lên (W11 + W31 + W51) /F1(OPT) đơn vị. Điều này có nghĩa là muốn tăng mức độ thỏa mãn nhân tố F1 của người lao động lên 1 điểm thì cần có giải pháp đồng bộ tác động lên các biến quan sát X1, X3, X5. theo trọng số (W11 + W31 + W51) /F1(OPT) điểm. Tương tự, muốn tăng mức độ thỏa mãn nhân tố F2 của người lao động lên 1 điểm thì cần có giải pháp đồng bộ tác động lên các biến quan sát X2, X4, X6. theo trọng số (W22 + W42 + W62) /F2(OPT) điểm.
TCCV X1 (9 biến) | H1 |
TLPL X2 (6 biến) | H2 |
HQCV X3 (6 biến) | H3 |
DTPT X4 (6 biến) | H4 |
TUCHU X5 (4 biến) | H5 |
ONCV X6 (4 biến) | H6 |
CSQT X7 (4 biến) | H7 |
PTLV X8 (7 biến) | H8 |
TDTT X9 (5 biến) | H9 |
QHLV X10 (8 biến) | H10 |
Fj = W1jZ1 + W2jZ2 + … + WkjZk
(với k > j)
Hj’
Phân tích nhân tố EFA
H2’
H1’
SAT
F1
Ghi chú: Nhân tố F1 giải thích được phần biến thiên nhiều nhất trong toàn bộ Xk biến quan sát đưa vào phân tích nhân tố. Nhân tố tiếp theo (F2, F3, …, Fj) giải thích được phần biến thiên còn lại. Các nhân tố này F1, F2, …, Fj không có tương quan với nhau.
Fj
F2
…
Kiểm định phân tích nhân tố EFA:
Factor Loadings > 0,3 (n > 350)
Kaiser – Meyer – Olkin (KMO): 0,5 ≤ KMO ≤ 1
Bartlett’s Test of Sphericity: Sig. < 0,05
Cumulative of variance > 50% (Eigenvalue > 1)
Hình A2-02: Mô hình phân tích nhân tố khám phá EFA
2.2.3.3. Quá trình thực hiện phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha để loại bỏ biến rác hoặc biến có tương quan thấp trong thang đo lường, các biến quan Xk sát còn lại được đưa vào phân tích nhân tố khám phá EFA.
Khi phân tích nhân tố, tập hợp biến quan sát Xk được rút gọn thành một
tập hợp biến nhân tố Fj mới ít hơn. Các nhân tố này được đặt tên lại và được giải thích bằng các biến có hệ số tải (Rotated Factor Loadings) lớn. Tập hợp biến nhân tố Fj được sử dụng là biến độc lập để đưa vào phân tích tương quan và hồi quy đo lường sự thỏa mãn của người lao động với doanh nghiệp.