Hướng dẫn sử dụng APSS

PHẠM LỘC
Blog BASIC.V
HƯỚNG DẪN SPSS 20

Áp dụng làm bài luận văn, đề
tài nghiên cứu khoa học
► Hướng dẫn sử dụng SPSS 20 Phạm Lộc Blog
LỜI MỞ ĐẦU
Tài liệu “Hướng dẫn sử dụng SPSS 20 – Áp dụng làm bài luận văn, đề tài nghiên
cứu khoa học” được biên soạn bởi Phạm Lộc, quản trị viên của website
www.phamlocblog.com. Tài liệu này được chia sẻ hoàn toàn miễn phí đến bạn đọc, đặc biệt
là các bạn đang làm đề tài nghiên cứu khoa học, luận văn hay khóa luận tốt nghiệp.
Nội dung tài liệu đi vào các phần chính khi thực hiện một bài nghiên cứu, từ bước xác
định đề tài, lập bảng câu hỏi, chọn cỡ mẫu đến các phân tích định lượng nhằm đi đến những
giải pháp cho vấn đề cần nghiên cứu. Cụ thể các phần mời các bạn xem ở phần Mục lục.
Các lý thuyết, tiêu chí kiểm định/phân tích được tác giả trích nguồn ở phần cuối mỗi
trang, các bạn chú ý phần này để dẫn nguồn vào bài nghiên cứu để bài làm có sức thuyết
phục. Tài liệu sử dụng thống nhất mức ý nghĩa kiểm định là 5% (độ tin cậy 95%).
Tài liệu này được biên soạn chủ yếu dựa trên 3 bộ tài liệu: Bộ thứ nhất là Nguyễn Đình
Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2.
Bộ thứ hai là Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu
với SPSS Tập 1 – Tập 2, NXB Hồng Đức. Bộ thứ ba là Hair & ctg (2009,116), Multivariate
Data Analysis, 7th Edition.
----------------------------  ----------------------------
 Nội dung tài liệu được biên soạn dựa trên kiến thức của tác giả, các tài liệu sách báo
Tiếng Việt tham khảo, biên dịch từ tài liệu nước ngoài, do vậy sẽ khó tránh khỏi những
sai sót nhất định.
 Tác giả lưu ý, đây chỉ là một nguồn tài liệu tham khảo, không có bất kỳ cá nhân/tổ
chức uy tín nào kiểm duyệt nội dung tài liệu này.
 Hướng dẫn trong tài liệu này áp dụng cho các phiên bản SPSS 20, 21, 22, 23.
 Tác giả biết ơn và trân trọng những góp ý nhằm hoàn thiện hơn tài liệu. Nếu bạn phát
hiện ra các lỗi sai về chính tả, về nội dung tài liệu, mong bạn có thể dành một vài phút
gởi các lỗi ấy cùng cách sửa (nếu có) về hòm thư phamlocblog@gmail.com.
 Đây là phiên bản Basic, không có các phần mở rộng, phần Thống kê mô tả, phần Phân
tích phương sai.
MỤC LỤC
PHẦN 1: ĐỀ TÀI NGHIÊN CỨU ........................................................................... 1
1.1 Đề tài nghiên cứu ............................................................................................. 1
1.2 Mô hình nghiên cứu ......................................................................................... 1
1.3 Giả thuyết nghiên cứu ...................................................................................... 1
1.4 Bảng câu hỏi khảo sát ...................................................................................... 2
1.5 Kích thước mẫu................................................................................................ 5
PHẦN 2: KIỂM ĐỊNH ĐỘ TIN CẬY THANG ĐO CRONBACH’S ALPHA ....... 6
2.1 Lý thuyết về giá trị và độ tin cậy của đo lường ................................................ 6
2.2 Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha ......................................... 6
2.3 Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS ............................................ 6
PHẦN 3: PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA ......................................... 15
3.1 EFA và đánh giá giá trị thang đo .................................................................... 15
3.2 Phân tích nhân tố khám phá EFA bằng SPSS............................................... 15
PHẦN 4: TƯƠNG QUAN PEARSON ................................................................. 31
4.1 Lý thuyết về tương quan và tương quan Pearson ......................................... 31
4.2 Phân tích tương quan Pearson bằng SPSS .................................................. 32
PHẦN 5: HỒI QUY ĐA BIẾN ............................................................................... 36
5.1 Lý thuyết về hồi quy tuyến tính ...................................................................... 36
5.2 Phân tích hồi quy đa biến bằng SPSS ........................................................... 36

PHẦN 1: ĐỀ TÀI NGHIÊN CỨU

1.1 Đề tài nghiên cứu
Nghiên cứu các yếu tố ảnh hưởng đến sự hài lòng của nhân viên trong công việc tại công
ty TNHH Nhãn Xanh.
1.2 Mô hình nghiên cứu
Ở đây, tác giả xem xét trên thực tế và kỳ vọng các biến độc lập đều tác động thuận
chiều với biến phụ thuộc nên sẽ ký hiệu dấu (+). Trường hợp có biến độc lập tác động
nghịch chiều với biến phụ thuộc, chúng ta sẽ ký hiệu dấu (–). Thuận chiều là thế nào, thuận
chiều có nghĩa là khi biến độc lập tăng thì biến phụ thuộc cũng tăng, ví dụ yếu tố Lương,
thưởng, phúc lợi tăng lên, tốt hơn thì Sự hài lòng của nhân viên trong công việc cũng sẽ
tăng lên.
Một ví dụ về tác động nghịch chiều giữa biến độc lập Giá cả sản phẩm và biến phụ thuộc
Động lực mua hàng của người tiêu dùng. Trên thực tế, ta thấy rằng khi giá món hàng tăng
cao thì chúng ta sẽ e dè và ít có động lực để mua món hàng đó, có thể thay vì mua nó với
giá cao, chúng ta có thể mua sản phẩm thay thế khác có giá thấp hơn nhưng cùng tính
năng. Như vậy, giá càng tăng, động lực mua hàng của người tiêu dùng càng giảm. Chúng
ta sẽ kỳ vọng rằng, biến Giá cả sản phẩm tác động nghịch với biến phụ thuộc Động lực mua
hàng của người tiêu dùng.
1.3 Giả thuyết nghiên cứu
Theo như tên gọi của nó, đây chỉ là các giả thuyết, giả thuyết này chúng ta sẽ khẳng
định nó là đúng hay sai sau bước phân tích hồi quy tuyến tính. Thường chúng ta sẽ dựa
trên những gì bản thân nhận thấy để kỳ vọng rằng mối quan hệ giữa biến độc lập và biến
phụ thuộc là thuận chiều hay nghịch chiều. Hoặc cho dù bạn không biết bất kỳ điều gì về
mối quan hệ này, bạn vẫn cứ đặt giả thuyết kỳ vọng của mình. Nếu sau bước hồi quy tuyến
tính, kết quả xuất ra giống với kỳ vọng thì chúng ta chấp nhận giả thuyết, ngược lại, ta bác
bỏ giả thuyết.
Chúng ta đừng bị sai lầm khi nhận định bác bỏ là tiêu cực, là xấu; còn chấp nhận là tích
cực, là tốt. Ở đây không có sự phân biệt tốt xấu, tích cực hay tiêu cực gì cả mà chỉ là xem
xét cái mình nghĩ nó có giống với thực tế số liệu nghiên cứu hay không mà thôi.
 H1: Lương, thưởng, phúc lợi tác động tích cực (thuận chiều) đến sự hài lòng của
nhân viên trong công việc.
 H2: Cơ hội đào tạo và thăng tiến tác động tích cực (thuận chiều) đến sự hài lòng của
nhân viên trong công việc.
 H3: Lãnh đạo và cấp trên tác động tích cực (thuận chiều) đến sự hài lòng của nhân
viên trong công việc.
 H4: Đồng nghiệp tác động tích cực (thuận chiều) đến sự hài lòng của nhân viên trong
công việc.
 H5: Bản chất công việc tác động tích cực (thuận chiều) đến sự hài lòng của nhân viên
trong công việc.
 H6: Điều kiện làm việc tác động tích cực (thuận chiều) đến sự hài lòng của nhân viên
trong công việc.
1.4 Bảng câu hỏi khảo sát
1 2 3 4 5
Rất không đồng ý Không đồng ý Bình thường Đồng ý Rất đồng ý
LƯƠNG, THƯỞNG, PHÚC LỢI Ý KIẾN ĐÁNH GIÁ
Lương phù hợp với khả năng và đóng góp của

TN1 1 2 3 4 5
nhân viên
Anh/Chị có thể sống hoàn toàn dựa vào thu

TN2 1 2 3 4 5
nhập từ công ty
Phân phối công bằng tiền lương, thưởng và phụ

TN3 1 2 3 4 5
cấp theo đóng góp của nhân viên
Thu nhập từ công ty ngang bằng với các công

TN4 1 2 3 4 5
ty khác
TN5 Chính sách phúc lợi thỏa đáng 1 2 3 4 5
CƠ HỘI ĐÀO TẠO & THĂNG TIẾN Ý KIẾN ĐÁNH GIÁ
Được đào tạo các kỹ năng cần thiết để thực

DT1 1 2 3 4 5
hiện tốt công việc của mình
Công ty tạo cơ hội thăng tiến cho người có

DT2 1 2 3 4 5
năng lực
Công ty đảm bảo tính công bằng trong thăng

DT3 1 2 3 4 5
tiến
Anh/Chị biết rõ những điều kiện để được

DT4 1 2 3 4 5
thăng tiến
LÃNH ĐẠO VÀ CẤP TRÊN Ý KIẾN ĐÁNH GIÁ
Cấp trên có năng lực, tầm nhìn và khả năng

LD1 1 2 3 4 5
lãnh đạo tốt
LD2 Lãnh đạo hỗ trợ nhân viên khi cần thiết 1 2 3 4 5
Lãnh đạo ghi nhận ý kiến đóng góp của nhân

LD3 1 2 3 4 5
viên
LD4 Lãnh đạo quan tâm, động viên nhân viên 1 2 3 4 5
LD5 Lãnh đạo đối xử công bằng với nhân viên 1 2 3 4 5
ĐỒNG NGHIỆP Ý KIẾN ĐÁNH GIÁ
DN1 Đồng nghiệp sẵn sàng giúp đỡ lẫn nhau 1 2 3 4 5
DN2 Đồng nghiệp phối hợp tốt khi làm việc 1 2 3 4 5
DN3 Đồng nghiệp hòa đồng, thân thiện 1 2 3 4 5
DN4 Đồng nghiệp đáng tin cậy 1 2 3 4 5
BẢN CHẤT CÔNG VIỆC Ý KIẾN ĐÁNH GIÁ
Công việc phù hợp với trình độ chuyên môn,

CV1 1 2 3 4 5
phù hợp với kỹ năng được đào tạo
Công việc cho phép phát huy khả năng cá

CV2 1 2 3 4 5
nhân
CV3 Công việc thú vị và có thử thách 1 2 3 4 5
CV4 Khối lượng công việc hợp lý 1 2 3 4 5

CV5 Có động lực để sáng tạo trong công việc 1 2 3 4 5
ĐIỀU KIỆN LÀM VIỆC Ý KIẾN ĐÁNH GIÁ
DK1 Môi trường làm việc sạch sẽ, đảm bảo vệ sinh 1 2 3 4 5
DK2 Nơi Anh/Chị làm việc rất an toàn 1 2 3 4 5
Được cung cấp đầy đủ trang thiết bị hỗ trợ cho

DK3 1 2 3 4 5
công việc
DK4 Thời gian làm việc hợp lý 1 2 3 4 5
ĐÁNH GIÁ CHUNG Ý KIẾN ĐÁNH GIÁ
HL1 Anh/Chị hài lòng với công việc hiện tại 1 2 3 4 5
HL2 Anh/Chị tiếp tục làm việc tại công ty lâu dài 1 2 3 4 5
HL3 Anh/Chị cảm thấy thoải mái trong lúc làm việc 1 2 3 4 5
THÔNG TIN CÁ NHÂN

Câu 1. Hiện tại, Anh/Chị đang làm việc tại phòng/ban nào?
 Phòng Nhân sự
 Phòng Kế toán
 Phòng Sản xuất (Phòng thiết kế, Xưởng may, Xưởng in và thêu)
 Phòng Marketing
Câu 2. Xin vui lòng cho biết, trình độ học vấn hiện tại của Anh/Chị?
 Trung cấp
 Cao đẳng
 Đại học
 Sau đại học
Câu 3. Giới tính của Anh/Chị?
 Nam
 Nữ
Câu 4. Anh/Chị đã làm việc tại Công ty TNHH Nhãn Xanh được bao lâu?
 Dưới 1 năm
 Từ 1 đến dưới 3 năm
 Từ 3 đến dưới 5 năm
 Từ 5 năm trở lên

Câu 5. Xin vui lòng cho biết, Anh/Chị nằm trong độ tuổi nào?
 Từ 18 – 25 tuổi
 Từ 26 – 35 tuổi
 Từ 36 – 45 tuổi
 Trên 45 tuổi
Câu 6. Thu nhập hàng tháng trung bình của Anh/Chị là khoảng bao nhiêu?
 Dưới 5 triệu
 Từ 5 – dưới 7 triệu
 Từ 7 – dưới 10 triệu
 Từ 10 triệu trở lên
1.5 Kích thước mẫu
Có nhiều công thức lấy mẫu, tuy nhiên, các công thức lấy mẫu phức tạp tác giả sẽ không
đề cập trong tài liệu này bởi vì nó thiên về toán thống kê. Nếu lấy mẫu theo các công thức
đó, lượng mẫu nghiên cứu cũng là khá lớn, hầu như chúng ta không đủ thời gian và nguồn
lực để thực hiện. Do vậy, đa phần chúng ta lấy mẫu trên cơ sở tiêu chuẩn 5:1 của Bollen
(1989)1, tức là để đảm bảo phân tích dữ liệu (phân tích nhân tố khám phá EFA) tốt thì cần
ít nhất 5 quan sát cho 1 biến đo lường và số quan sát không nên dưới 100. Bảng câu hỏi
khảo sát tác giả trích dẫn có tổng cộng 30 biến quan sát (các câu hỏi sử dụng thang đo
Likert), do vậy mẫu tối thiểu sẽ là 30 x 5 = 150. Chúng ta lưu ý, mẫu này là mẫu tối thiểu
chứ không bắt buộc chúng ta lúc nào cũng lấy mẫu này, mẫu càng lớn thì nghiên cứu càng
có giá trị. Cụ thể trong nghiên cứu này, tác giả lấy mẫu là 220.
1
Nguyên tắc lấy mẫu 5:1 theo Bollen được trích nguồn từ: Bollen KA. Structural equations with latent
variables. New York, NY: John Wiley; 1989.
PHẦN 2: KIỂM ĐỊNH ĐỘ TIN CẬY THANG ĐO

CRONBACH’S ALPHA
2.1 Lý thuyết về giá trị và độ tin cậy của đo lường
Một đo lường được coi là có giá trị (validity) nếu nó đo lường đúng được cái cần đo
lường (theo Campbell & Fiske 1959). Hay nói cách khác, đo lường đó sẽ không có hiện
tượng sai số hệ thống và sai số ngẫu nhiên.
 Sai số hệ thống: sử dụng thang đo không cân bằng, kỹ thuật phỏng vấn kém…
 Sai số ngẫu nhiên: phỏng vấn viên ghi nhầm số đó của người trả lời, người trả lời
thay đổi tính cách nhất thời như do mệt mỏi, đau yếu, nóng giận… làm ảnh hưởng
đến câu trả lời của họ.
Trên thực tế nghiên cứu, chúng ta sẽ bỏ qua sai số hệ thống và quan tâm đến sai số
ngẫu nhiên. Khi một đo lường vắng mặt các sai số ngẫu nhiên thì đo lường có độ tin cậy
(reliability). Vì vậy, một đo lường có giá trị cao thì phải có độ tin cậy cao.
2.2 Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha
- Cronbach (1951) đưa ra hệ số tin cậy cho thang đo. Chú ý, hệ số Cronbach’s Alpha chỉ đo
lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên1) chứ không tính được
độ tin cậy cho từng biến quan sát.
- Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [0,1]. Về lý thuyết, hệ số này càng
cao càng tốt (thang đo càng có độ tin cậy cao). Tuy nhiên điều này không hoàn toàn chính
xác. Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến trong
thang đo không có khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo.2
2.3 Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS
2.3.1 Các tiêu chuẩn kiểm định
- Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item – Total Correlation
≥ 0.3 thì biến đó đạt yêu cầu.3
1
Cronbach’s Alpha chỉ thực hiện khi nhân tố có 3 biến quan sát trở lên trích nguồn từ: Nguyễn Đình Thọ,
Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 355.
2
Hệ số Cronbach’s Alpha quá lớn (khoảng từ 0.95 trở lên) gây ra hiện tượng trùng lắp trong thang đo trích
nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản
lần 2, Trang 364.
3
Tương quan biến tổng ≥ 0.3 trích nguồn từ: Nunnally, J. (1978), Psychometric Theory, New York, McGraw-
Hill.
- Mức giá trị hệ số Cronbach’s Alpha:
 Từ 0.8 đến gần bằng 1: thang đo lường rất tốt.

 Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt.
 Từ 0.6 trở lên: thang đo lường đủ điều kiện.1
- Chúng ta cũng cần chú ý đến giá trị của cột Cronbach's Alpha if Item Deleted, cột này
biểu diễn hệ số Cronbach's Alpha nếu loại biến đang xem xét. Thông thường chúng ta sẽ
đánh giá cùng với hệ số tương quan biến tổng Corrected Item – Total Correlation, nếu giá
trị Cronbach's Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha và Corrected Item –
Total Correlation nhỏ hơn 0.3 thì sẽ loại biến quan sát đang xem xét để tăng độ tin cậy của
thang đo.2
2.3.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu
Để thực hiện kiểm định độ tin cậy thang đo Cronbach’s Alpha trong SPSS 20, chúng ta
vào Analyze > Scale > Reliability Analysis…
1
Mức giá trị hệ số số Cronbach’s Alpha trích nguồn từ: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân
tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, Trang 24.
2
Về mặt số liệu thống kê, chúng ta cần loại biến đang xem xét. Tuy nhiên, việc loại biến quan sát hay không
không chỉ đơn thuần nhìn vào con số thống kê mà còn phải xem xét giá trị nội dung của khái niệm. Nếu nội
dung của biến có ý nghĩa quan trọng, không nhất thiết chỉ vì để tăng hệ số Cronbach’s Alpha mà loại đi một
biến chất lượng.
Thực hiện kiểm định cho nhóm biến quan sát thuộc nhân tố Lương, thưởng, phúc lợi (TN).
Đưa 5 biến quan sát thuộc nhân tố TN vào mục Items bên phải. Tiếp theo chọn vào
Statistics…
Trong tùy chọn Statistics, chúng ta tích vào các mục giống như hình. Sau đó chọn
Continue để cài đặt được áp dụng.
Sau khi click Continue, SPSS sẽ quay về giao diện ban đầu, chúng ta nhấp chuột vào OK
để xuất kết quả ra Ouput:
Kết quả kiểm định độ tin cậy thang đo Cronbach’s Alpha của nhóm biến quan sát TN như
sau:
Reliability Statistics
Cronbach's N of Items
Alpha
.790 5
Item-Total Statistics
Scale Mean if Scale Variance Corrected Item- Cronbach's
Item Deleted if Item Deleted Total Alpha if Item
Correlation Deleted
TN1 14.61 9.152 .594 .743
TN2 14.59 9.248 .649 .725
TN3 14.56 10.266 .493 .774
TN4 14.58 9.624 .551 .757
TN5 14.60 9.858 .560 .754
 Kết quả kiểm định cho thấy các biến quan sát đều có hệ số tương quan tổng biến phù
hợp (≥ 0.3). Hệ số Cronbach’s Alpha = 0.790 ≥ 0.6 nên đạt yêu cầu về độ tin cậy.
Chú thích các khái niệm:
 Cronbach's Alpha: Hệ số Cronbach's Alpha

 N of Items: Số lượng biến quan sát
 Scale Mean if Item Deleted: Trung bình thang đo nếu loại biến
 Scale Variance if Item Deleted: Phương sai thang đo nếu loại biến
 Corrected Item-Total Correlation: Tương quan biến tổng
 Cronbach's Alpha if Item Deleted: Hệ số Cronbach's Alpha nếu loại biến
Thực hiện tương cho từng nhóm biến còn lại. Chúng ta cần lưu ý ở nhóm biến “Điều kiện
làm việc”, nhóm này sẽ có một biến quan sát bị loại.
BIẾN CƠ HỘI ĐÀO TẠO & THĂNG TIẾN - DT
Alpha
.820 4
Correlation Deleted
DT1 11.16 6.137 .666 .763
DT2 11.19 6.609 .575 .804
DT3 11.27 5.960 .652 .770
DT4 11.12 6.072 .680 .756
BIẾN LÃNH ĐẠO VÀ CẤP TRÊN - LD
Alpha
.818 5
Correlation Deleted
LD1 15.15 8.734 .635 .776
LD2 15.14 9.400 .581 .792
LD3 15.06 8.882 .658 .768
LD4 15.06 9.161 .625 .778
LD5 14.96 10.729 .583 .797
BIẾN ĐỒNG NGHIỆP - DN
Alpha
.623 4
Correlation Deleted
DN1 10.49 4.004 .404 .553
DN2 10.64 3.730 .424 .539
DN3 10.51 3.721 .464 .505
DN4 10.11 4.819 .330 .603
BIẾN BẢN CHẤT CÔNG VIỆC - CV
Alpha
.824 5
Correlation Deleted
CV1 13.55 10.020 .630 .785
CV2 13.54 9.410 .664 .775
CV3 13.48 10.132 .604 .793
CV4 13.46 10.560 .557 .806
CV5 13.49 10.004 .633 .784
BIẾN ĐIỀU KIỆN LÀM VIỆC - DK
Alpha
.711 4
Correlation Deleted
DK1 11.04 6.264 .173 .827
DK2 10.91 4.640 .627 .569
DK3 11.05 4.504 .640 .557
DK4 11.16 4.491 .615 .572
 Kết quả kiểm định cho thấy biến quan sát DK1 có hệ số tương quan biến tổng là 0.173
< 0.3. Giá trị Cronbach's Alpha if Item Deleted của DK1 là 0.827 > 0.711. Tác giả quyết định
loại biến DK1 nhằm tăng độ tin cậy của thang đo. Chạy lại kiểm định lần thứ 2, ta có kết quả
như sau:
Alpha
.827 3
Correlation Deleted
DK2 7.23 3.199 .647 .798
DK3 7.37 2.964 .710 .736
DK4 7.48 2.908 .699 .748
BIẾN SỰ HÀI LÒNG - HL
Alpha
.764 3
Correlation Deleted
HL1 7.37 1.311 .573 .712
HL2 7.34 1.303 .651 .622
HL3 7.30 1.435 .569 .714
Như vậy, sau kiểm định Cronbach’s Alpha, có 1 biến quan sát là DK1 cần phải được
loại bỏ trước khi đưa vào phân tích nhân tố khám phá EFA. Bảng thống kê kết quả tổng
hợp lần kiểm định cuối cùng của từng nhóm biến như sau:
Biến quan sát Biến quan sát Cronbach’s Biến bị

STT Nhân tố
ban đầu còn lại Alpha loại
1 Đãi ngộ vật chất 5 5 0.790
Cơ hội đào tạo và

2 4 4 0.820
thăng tiến
Mối quan hệ với
3 5 5 0.818
lãnh đạo
4 Đồng nghiệp 4 4 0.623
Bản chất công

5 5 5 0.824
việc
Điều kiện làm
6 4 3 0.827 DK1
việc
7 Sự hài lòng 3 3 0.764

PHẦN 3: PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA

3.1 EFA và đánh giá giá trị thang đo
- Khi kiểm định một lý thuyết khoa học, chúng ta cần đánh giá độ tin cậy của thang đo
(Cronbach’s Alpha) và giá trị của thang đo (EFA). Ở phần trước, chúng ta đã tìm hiểu về độ
tin cậy thang đo, vấn đề tiếp theo là thang đo phải được đánh giá giá trị của nó. Hai giá trị
quan trọng được xem xét trong phần này là giá trị hội tụ và giá trị phân biệt 1. Hiểu một cách
đơn giản:
1. Thỏa mãn "Giá trị hội tụ": Các biến quan sát hội tụ về cùng một nhân tố.
2. Đảm bảo "Giá trị phân biệt": Các biến quan sát thuộc về nhân tố này và phải phân
biệt với nhân tố khác.
- Phân tích nhân tố khám phá, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát
thành một tập F (với F < k) các nhân tố có ý nghĩa hơn. Trong nghiên cứu, chúng ta thường
thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ
tương quan với nhau. Thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta
có thể chỉ nghiên cứu 4 đặc điểm lớn, trong mỗi đặc điểm lớn này gồm 5 đặc điểm nhỏ có
sự tương quan với nhau. Điều này giúp tiết kiệm thời gian và kinh phí nhiều hơn cho người
nghiên cứu.
3.2 Phân tích nhân tố khám phá EFA bằng SPSS
3.2.1 Các tiêu chí trong phân tích EFA
- Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân
tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để
phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng
không thích hợp với tập dữ liệu nghiên cứu.2
- Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát
trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp
dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng
một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong
phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê
1
Hai giá trị quan trọng trong phân tích nhân tố khám phá EFA bao gồm: giá trị hội tụ và giá trị phân biệt. Trích
nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản
lần 2, Trang 378.
2
Trị số của KMO phải đạt giá trị 0.5 trở lên là điều kiện đủ để phân tích nhân tố là phù hợp trích nguồn từ:
Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức,
Trang 31.
thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có
ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ các biến quan sát có tương quan
với nhau trong nhân tố.1
- Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong
phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ
lại trong mô hình phân tích2. Ví dụ, bảng phía dưới cho thấy có 3 nhân tố trích được tại
eigenvalue là 1.537. Nếu chúng ta trích thêm một nhân tố nữa (nhân tố thứ tư) thì eigenvalue
lúc này là 0.900 < 1. Vì vậy, nếu dựa vào tiêu chí eigenvalue từ 1 trở lên, chúng ta dừng ở
nhân tố thứ ba.
- Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù
hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao
nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát.
- Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị
mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa
là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại.
Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:
 Factor Loading ở mức  0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
1
Kiểm định Bartlett có ý nghĩa thống kê (sig < 0.05) chứng tỏ các biến quan sát có tương quan với nhau trong
nhân tố trích nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài
chính, Tái bản lần 2, Trang 413.
2
Chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích trích nguồn từ: Hoàng
Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, Trang
34.
 Factor Loading ở mức  0.5: Biến quan sát có ý nghĩa thống kê tốt.
 Factor Loading ở mức  0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
Tuy nhiên, giá trị tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước
mẫu. Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát
có ý nghĩa thống kê là hoàn toàn khác nhau. Cụ thể, chúng ta sẽ xem bảng dưới đây:
Giá trị Factor Loading Kích thước mẫu tối thiểu có ý nghĩa thống kê
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
Trên thực tế áp dụng, việc nhớ từng mức hệ số tải với từng khoảng kích thước mẫu là khá
khó khăn, do vậy người ta thường lấy hệ số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ
mẫu từ 120 đến dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên.
Lần lượt thực hiện phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc. Lưu
ý, với các đề tài đã xác định được biến độc lập và biến phụ thuộc (thường khi vẽ mô hình
nghiên cứu, mũi tên chỉ hướng 1 chiều từ biến độc lập hướng tới biến phụ thuộc chứ không
có chiều ngược lại), chúng ta cần phân tích EFA riêng cho từng nhóm biến: độc lập riêng,
phụ thuộc riêng. Việc cho biến phụ thuộc vào cùng phân tích EFA có thể gây ra sự sai lệch
kết quả vì các biến quan sát của biến phụ thuộc có thể sẽ nhảy vào các nhóm biến độc lập
một cách bất hợp lý.
Để thực hiện phân tích nhân tố khám phá EFA trong SPSS 20, chúng ta vào Analyze >
Dimension Reduction > Factor…
a. Thực hiện phân tích EFA cho biến độc lập
Do biến DK1 đã bị loại bỏ ở bước Cronbach’s Alpha, nên biến này sẽ không được sử dụng
lại để thực hiện các kiểm định, phân tích về sau. Đưa các biến quan sát độc lập còn lại vào
mục Variables. Chú ý 3 tùy chọn như ảnh bên dưới.
Các tùy chọn Descriptives, Rotation, Options chúng ta sẽ có vài sự thay đổi, những tùy
chọn còn lại chúng ta nên để mặc định.
- Descriptives: Tích vào mục KMO and Barlett’s test of sphericity để xuất bảng giá trị
KMO và giá trị sig của kiểm định Barlett. Nhấp Continue để quay lại cửa sổ ban đầu.
- Rotation: Ở đây có các phép quay, thường chúng ta hay sử dụng Varimax và Promax.
Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc, chúng ta sử dụng
phép quay Varimax. Nhấp Continue để quay lại cửa sổ ban đầu.
- Options: Tích vào 2 mục như hình bên dưới. Sorted by size giúp sắp xếp ma trận xoay
thành từng cột dạng bậc thang để dễ đọc dữ liệu hơn. Suppress small coefficients giúp
loại bỏ các hệ số tải không đạt tiêu chuẩn khỏi ma trận xoay, giúp ma trận gọn gàng, trực
quan hơn. Tại mục này sẽ có hàng Absolute value below, bạn cần nhập vào giá trị hệ số
tải nhân tố Factor Loading tối thiểu, thường là 0.3 và 0.5. Kích thước mẫu file dữ liệu là
220 nên tác giả sẽ nhập vào 0.5. Nhấp Continue để quay lại cửa sổ ban đầu.
Tại cửa sổ tiếp theo, bạn chọn OK để xuất kết quả ra Output.
Có khá nhiều bảng ở Ouput, tuy nhiên, chúng ta chỉ cần quan tâm 3 bảng: KMO and
Barlett’s Test, Total Variance Explained và Rotated Component Matrix. Nhiều bạn hay
nhầm lẫn giữa 2 bảng Component Matrix (ma trận lúc chưa xoay) và Rotated Component
Matrix (ma trận khi đã xoay). Nên nhớ, chúng ta sử dụng bảng kết quả ma trận đã xoay, tức
là bảng Rotated Component Matrix.
KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .721
Approx. Chi-Square 2267.345
Bartlett's Test of Sphericity df 325
Sig. .000
Total Variance Explained

Compon Initial Eigenvalues Extraction Sums of Squared Rotation Sums of Squared

ent Loadings Loadings
Total % of Cumulative Total % of Cumulative Total % of Cumulative
Variance % Variance % Variance %
1 4.430 17.037 17.037 4.430 17.037 17.037 3.026 11.640 11.640
2 3.266 12.563 29.600 3.266 12.563 29.600 2.987 11.487 23.128
3 2.852 10.970 40.571 2.852 10.970 40.571 2.962 11.394 34.522
4 2.219 8.535 49.105 2.219 8.535 49.105 2.823 10.857 45.378
5 1.831 7.043 56.148 1.831 7.043 56.148 2.484 9.553 54.931
6 1.572 6.045 62.193 1.572 6.045 62.193 1.888 7.262 62.193
7 .907 3.490 65.683
8 .893 3.436 69.119
9 .798 3.071 72.190
10 .731 2.812 75.002
11 .642 2.468 77.470
12 .628 2.416 79.886
13 .581 2.233 82.119
14 .534 2.055 84.174
15 .501 1.928 86.102
16 .464 1.786 87.888
17 .442 1.699 89.587
18 .431 1.658 91.245
19 .418 1.608 92.853
20 .363 1.398 94.251
21 .342 1.315 95.566
22 .282 1.085 96.650
23 .271 1.042 97.692
24 .242 .931 98.624
25 .224 .860 99.484
26 .134 .516 100.000
Extraction Method: Principal Component Analysis.
Rotated Component Matrixa

Component
1 2 3 4 5 6
TN2 .761
TN4 .743
TN5 .727
TN1 .722
TN3 .690
CV2 .797
CV1 .773
CV5 .768
CV3 .767
CV4 .702
LD3 .793
LD1 .758
LD2 .752
LD4 .740
LD5 .516 .644
DT4 .824
DT1 .759
DT3 .759
DT2 .748
DK3 .879
DK4 .867
DK2 .769
DN3 .762
DN1 .710
DN2 .703
DN4
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
Từ kết quả ma trận xoay, biến LD5 và DN4 sẽ bị loại.
 Biến LD5 tải lên ở cả 2 nhân tố là Component 1 và Component 3, vi phạm tính phân
biệt trong ma tra trận xoay với hệ số tải lần lượt là 0.516 và 0.644, mức chênh lệch
hệ số tải nhỏ hơn 0.3.
 Biến DN4 có hệ số tải nhỏ hơn 0.5, như vậy biến này không tải lên ở nhân tố nào.
Tiến hành thực hiện phân tích nhân tố khám phá EFA lần 2 sau khi đã loại đi 2 biến quan
sát LD5, DN4.

Sig. .000
 Bảng đầu tiên là KMO and Barlett’s Test. 0.5 ≤ KMO = 0.752 ≤ 1, phân tích nhân tố được
chấp nhận với tập dữ liệu nghiên cứu.
 Sig Barlett’s Test = 0.000 < 0.05, phân tích nhân tố là phù hợp.

Compon Initial Eigenvalues Extraction Sums of Squared Rotation Sums of Squared
ent Loadings Loadings
Total % of Cumulative Total % of Cumulative Total % of Cumulative
Variance % Variance % Variance %
1 3.843 16.012 16.012 3.843 16.012 16.012 2.982 12.424 12.424
2 3.226 13.441 29.452 3.226 13.441 29.452 2.782 11.594 24.018
3 2.832 11.800 41.252 2.832 11.800 41.252 2.663 11.094 35.112
4 1.998 8.324 49.576 1.998 8.324 49.576 2.577 10.736 45.849
5 1.694 7.058 56.634 1.694 7.058 56.634 2.299 9.580 55.428
6 1.428 5.952 62.586 1.428 5.952 62.586 1.718 7.158 62.586
7 .844 3.515 66.101
8 .806 3.360 69.461
9 .752 3.133 72.594
10 .698 2.909 75.502
11 .641 2.670 78.172
12 .574 2.391 80.563
13 .524 2.185 82.748
14 .511 2.128 84.875
15 .497 2.069 86.944
16 .449 1.872 88.816
17 .432 1.800 90.617
18 .423 1.763 92.379
19 .398 1.658 94.037
20 .341 1.419 95.456
21 .314 1.308 96.764
22 .281 1.171 97.935
23 .257 1.072 99.006
24 .238 .994 100.000
 Giá trị Eigenvalue = 1.428 ≥ 1 và trích được 6 nhân tố mang ý nghĩa tóm tắt thông tin tốt
nhất.
 Tổng phương sai trích = 62.586 ≥ 50% cho thấy mô hình EFA là phù hợp. Như vậy, 6
nhân tố được trích cô đọng được 62.586% biến thiên các biến quan sát.
Rotated Component Matrixa

Component
1 2 3 4 5 6
CV2 .795
CV1 .772
CV5 .772
CV3 .765
CV4 .704
TN2 .807
TN1 .763
TN4 .709
TN5 .708
TN3 .672
DT4 .837
DT3 .788
DT1 .752
DT2 .734
LD3 .827
LD2 .785
LD1 .719
LD4 .713
DK3 .883
DK4 .862
DK2 .808
DN3 .752
DN2 .736
DN1 .736
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 6 iterations.
 Kết quả ma trận xoay cho thấy, 24 biến quan sát được gom thành 6 nhân tố, tất cả các
biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0.5.
b. Thực hiện phân tích EFA cho biến phụ thuộc
Tương tự với các thao tác trên biến độc lập, tiến hành thực hiện phân tích nhân tố khám
phá EFA cho biến phụ thuộc.

Sig. .000

Component Initial Eigenvalues Extraction Sums of Squared Loadings

Total % of Variance Cumulative % Total % of Variance Cumulative %
1 2.043 68.100 68.100 2.043 68.100 68.100
2 .547 18.241 86.341
3 .410 13.659 100.000
Component Matrixa
Component
1
HL2 .859
HL1 .809
HL3 .807
Extraction Method:
Principal Component
Analysis.
a. 1 components
extracted.
Cách đọc dữ liệu và nhận xét tương tự với biến độc lập. Tuy nhiên, với kết quả của
phân tích EFA biến phụ thuộc, đa phần bảng Rotated Component Matrix sẽ báo Only one
component was extracted. The solution cannot be rotated. Đây không phải là lỗi phần mềm
hay lỗi dữ liệu, thông báo này mang ý nghĩa: Chỉ có 1 nhân tố được trích, do đó, SPSS
không thể thực hiện xoay ma trận. Điều này hoàn toàn hợp lý, bởi SPSS chỉ thực hiện xoay
nhân tố khi có từ 2 nhân tố trở lên được trích.
Chúng ta kỳ vọng chỉ có 1 nhân tố duy nhất được trích khi phân tích EFA cho biến phụ
thuộc. Bởi vì, khi biến phụ thuộc ban đầu bị tách thành 2 hay nhiều nhân tố nhỏ sẽ gây ra
khá nhiều rắc rối cho việc xử lý.
 Theo kết quả bảng ma trận xoay lần cuối cùng, chúng ta có các nhân tố được định nghĩa
lại như sau:
Số thứ tự Nhân tố Các biến quan sát Loại
1 CV CV2, CV1, CV5, CV3, CV4 (5 biến) Độc lập
2 TN TN2, TN1, TN4, TN5, TN3 (5 biến) Độc lập
3 DT DT4, DT3, DT1, DT2 (4 biến) Độc lập
4 LD LD3, LD2, LD1, LD4 (4 biến) Độc lập

5 DK DK3, DK4, DK2 (3 biến) Độc lập
6 DN DN3, DN2, DN1 (3 biến) Độc lập
7 HL HL2, HL1, HL3 (3 biến) Phụ thuộc
Tổng số lượng biến quan sát độc lập: 24
Tổng số lượng biến quan sát phụ thuộc: 3
 Sau khi định nghĩa lại nhân tố, chúng ta sẽ tiến hành tạo biến đại diện theo bảng nhân
tố được định nghĩa lại ở trên. Việc tạo biến đại diện sẽ giúp chúng ta có được các nhân tố
phục vụ cho bước chạy tương quan Pearson và Hồi quy đa biến về sau.
Giả sử chúng ta không tạo biến đại diện mà đưa trực tiếp 24 biến quan sát độc lập tiến
hành chạy hồi quy cho lần lượt từng biến quan sát phụ thuộc, chúng ta sẽ phải thực hiện 3
phương trình hồi quy và mỗi phương trình hồi quy cực kỳ dài với 24 biến độc lập. Thay vì
chạy hồi quy với 24 biến độc lập, trong đó một số biến có cùng tính chất với nhau thì tại sao
chúng ta không gom các biến cùng tính chất ấy lại và tạo cho chúng 1 biến đại diện? Thứ
nhất, phương trình hồi quy gọn gàng, thẩm mỹ hơn. Thứ hai, chúng ta dễ thao tác, dễ đọc
kết quả kết quả xuất ra, dễ nhận xét hơn. Thứ ba, tạo biến đại diện sẽ giúp chúng ta khá
nhiều cho phần thống kê mô tả và kiểm định sự khác biệt (sẽ được trình bày ở phần 7 theo
tài liệu này). Thứ tư, đúng mục đích nghiên cứu ban đầu của chúng ta. Nên nhớ, chúng ta
đi nghiên cứu các nhân tố độc lập tác động thế nào đến nhân tố phụ thuộc, chứ không phải
đi xem một danh sách 24 biến quan sát độc lập tác động thế nào đến biến phụ thuộc.
Có 2 cách tạo biến đại diện được sử dụng hiện nay. Cách thứ nhất, tại giao diện thực
hiện phân tích EFA lần cuối. Chúng ta chọn vào mục Scores…, sau đó tích vào mục Save
as variables.
Lưu ý, chúng ta chỉ dùng cách này khi thực hiện phân tích EFA lần cuối. Nếu ngay từ
lần chạy đầu tiên, chúng ta sử dụng tùy chọn tạo biến đại diện mặc định trong EFA, SPSS
sẽ xuất ra các nhân tố đại diện theo bảng ma trận xoay lần đầu. Tương tự cho lần 2, lần 3,
chúng ta thực hiện EFA bao nhiêu lần, SPSS sẽ xuất ra bấy nhiêu lần các biến đại diện theo
kết quả ma trận xoay của mỗi lần chạy. Khi đó, giao diện Variable View sẽ xuất hiện rất
nhiều biến mới vừa được tạo ra và nhìn vào bảng số liệu sẽ tương đối rối rắm. Cách này
hiện nay ít được sử dụng vì sự bất tiện cũng như không thể sử dụng để thực hiện kiểm định
sự khác biệt trung bình ở phần sau.
Cách thứ hai, tạo biến đại diện là giá trị trung bình của nhóm biến quan sát trong bảng
kết quả ma trận xoay lần cuối. Đây là cách được sử dụng nhiều hiện nay, tác giả khuyến
khích bạn đọc nên sử dụng cách này để thực hiện tạo biến đại diện bởi vì sự trực quan và
những ứng dụng về sau. Dựa trên bảng nhân tố được định nghĩa lại, trên giao diện SPSS,
chúng ta vào Transform > Compute Variables…
Một cửa sổ mới được mở ra, chúng ta chú ý tới 2 mục là Target Variable bên trái và khung
nhập hàm Numeric Expression bên phải:
 Target Variable: Điền tên biến đại diện. Cụ thể ở đây là nhân tố CV.
 Numeric Expression: Nhập hàm Mean(giá trị 1,giá trị 2,giá trị 3,…). Cụ thể ở đây là
Mean(CV2,CV1,CV5,CV3,CV4). Tên hàm có thể viết hoa hoặc viết thường, các giá
trị trong hàm ngăn cách nhau bằng dấu phẩy và không có khoảng cách trắng.
Nhập xong, nhấp vào OK để xác nhận hoàn thành. Lúc này quay lại giao diện Variable
View của SPSS, sẽ có 1 biến mới được tạo ra tên là CV. Thực hiện tương tự cho các biến
còn lại.
Sau khi đã hoàn thành việc tạo biến đại diện, chúng ta nên quay lại giao diện Variable
View, chỉnh Decimals cho các biến đại diện là 2 (nếu đã là 2 rồi thì không cần phải điều
chỉnh). Biến đại diện là trung bình của nhiều biến quan sát nên thường kết quả sẽ trả về số
thập phân, nếu chúng ta để Decimals về 0 sẽ không hợp lý lắm vì ta đã làm tròn về dạng
số nguyên. Do vậy, chúng ta nên làm tròn 2 chữ số thập phân, nhìn vào kết quả sẽ hợp lý
và tự nhiên hơn.
** Lưu ý 1: Cronbach’s Alpha và EFA giúp loại bỏ đi các biến quan sát rác, không có đóng
góp vào nhân tố, và hoàn thiện mô hình nghiên cứu. Do tập dữ liệu mẫu ở đây không xảy
ra tình trạng xuất hiện biến độc lập mới, hoặc một biến độc lập này lại bao gồm biến quan
sát của biến độc lập khác nên mô hình nghiên cứu vẫn giữ nguyên tính chất ban đầu. Những
trường hợp như giảm/tăng số biến độc lập, biến quan sát giữa các biến độc lập trộn lẫn vào
nhau,… sẽ làm mất đi tính chất của mô hình ban đầu. Khi đó, chúng ta phải sử dụng mô
hình mới được định nghĩa lại sau bước EFA để tiếp tục thực hiện các phân tích, kiểm định
về sau mà không được dùng mô hình được đề xuất ban đầu.
-----------
** Lưu ý 2: Khi thực hiện hiện phân tích nhân tố khám phá, có nhiều trường hợp sẽ xảy ra ở
bảng ma trận xoay như: biến quan sát nhóm này nhảy sang nhóm khác; xuất hiện số lượng
nhân tố nhiều hơn ban đầu; số lượng nhân tố bị giảm so với lượng ban đầu; lượng biến quan
sát bị loại bỏ do không thỏa điều kiện về hệ số tải Factor Loading quá nhiều… Mỗi trường
hợp chúng ta sẽ có hướng xử lý khác nhau, có trường chúng ta chỉ mất ít thời gian và công
sức. Tuy nhiên, cũng có những trường hợp khó, buộc chúng ta phải hủy toàn bộ số liệu hiện
tại và thực hiện khảo sát lại từ đầu. Do vậy, để tránh những sự cố có thể kiểm soát được,
chúng ta nên làm thật tốt các bước tiền xử lý SPSS. Đặc biệt là khâu chọn mô hình, chốt
bảng câu hỏi khảo sát, chọn đối tượng/hoàn cảnh/thời gian khảo sát hợp lý và làm sạch dữ
liệu trước khi xử lý.
PHẦN 4: TƯƠNG QUAN PEARSON

Sau khi đã có được các biến đại diện độc lập và phụ thuộc ở phần phân tích nhân tố
EFA, chúng ta sẽ tiến hành phân tích tương quan Pearson để kiểm tra mối quan hệ tuyến
tính giữa các biến này.
4.1 Lý thuyết về tương quan và tương quan Pearson
- Giữa 2 biến định lượng có nhiều dạng liên hệ, có thể là tuyến tính hoặc phi tuyến hoặc
không có bất kỳ một mối liên hệ nào.
- Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson (ký hiệu r) để
lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng (lưu ý rằng
Pearson chỉ xét mối liên hệ tuyến tính, không đánh giá các mối liên hệ phi tuyến).
- Trong tương quan Pearson không có sự phân biệt vai trò giữa 2 biến, tương quan giữa
biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc.
4.2 Phân tích tương quan Pearson bằng SPSS
4.2.1 Một số tiêu chí cần biết
Tương quan Pearson r có giá trị dao động từ -1 đến 1:
 Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về
1 là tương quan dương, tiến về -1 là tương quan âm.
 Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
 Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter
như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
 Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra.
Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi
tuyến.
Correlations
HL LD DN MT DT
Pearson Correlation 1 .551** -.015 .172* .611**
HL Sig. (2-tailed) .000 .822 .011 .000
N 220 220 220 220 220
Pearson Correlation .551** 1 -.041 .002 .422**
LD Sig. (2-tailed) .000 .542 .978 .000

N 220 220 220 220 220
Pearson Correlation -.015 -.041 1 -.009 -.012
DN Sig. (2-tailed) .822 .542 .894 .857
N 220 220 220 220 220

*
Pearson Correlation .172 .002 -.009 1 -.010
MT Sig. (2-tailed) .011 .978 .894 .879
N 220 220 220 220 220

Pearson Correlation .611** .422** -.012 -.010 1
DT Sig. (2-tailed) .000 .000 .857 .879
N 220 220 220 220 220
**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).
Bảng trên đây minh họa cho kết quả tương quan Pearson của nhiều biến đưa vào cùng lúc
trong SPSS. Trong bảng kết quả tương quan Pearson ở trên:
 Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh
hay yếu giữa 2 biến.
 Hàng Sig. (2-tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa
hay không. Sig < 0.05, tương quan có ý nghĩa; sig ≥ 0.05, tương quan không có ý
nghĩa. Cần xem xét sig trước, nếu sig < 0.05 mới nhận xét tới giá trị tương quan
Pearson r.
 Hàng N hiển thị cỡ mẫu của tập dữ liệu. Cụ thể trong bảng trên là 220.
Để thực hiện phân tích tương quan Pearson trong SPSS 20, chúng ta vào Analyze >
Correlate > Bivariate…
Tại đây, chúng ta đưa hết tất cả các biến muốn chạy tương quan Pearson vào mục
Variables. Cụ thể là các biến đại diện được tạo ra sau bước phân tích EFA. Để tiện cho
việc đọc số liệu, chúng ta nên đưa biến phụ thuộc lên trên cùng, tiếp theo là các biến độc
lập. Sau đó, nhấp vào OK để xuất kết quả ra Output.
Bảng Correlations thể hiện mối quan hệ tương quan tuyến tính giữa các biến. Cần nhớ,
Pearson chỉ xét mối tương quan của cặp biến trong môi trường độc lập, không có sự ảnh
hưởng của các biến khác.
Correlations
HL TN CV LD DN MT DT
Pearson Correlation 1 .439** .353** .551** -.015 .172* .611**
HL Sig. (2-tailed) .000 .000 .000 .822 .011 .000
N 220 220 220 220 220 220 220
**
Pearson Correlation .439 1 -.002 -.008 .046 .090 .180**
TN Sig. (2-tailed) .000 .978 .908 .493 .184 .007
N 220 220 220 220 220 220 220
Pearson Correlation .353** -.002 1 .013 -.048 .195** .028
CV Sig. (2-tailed) .000 .978 .846 .475 .004 .676
N 220 220 220 220 220 220 220
Pearson Correlation .551** -.008 .013 1 -.041 .002 .422**
LD Sig. (2-tailed) .000 .908 .846 .542 .978 .000
N 220 220 220 220 220 220 220
Pearson Correlation -.015 .046 -.048 -.041 1 -.009 -.012
DN Sig. (2-tailed) .822 .493 .475 .542 .894 .857
N 220 220 220 220 220 220 220
* **
Pearson Correlation .172 .090 .195 .002 -.009 1 -.010
MT Sig. (2-tailed) .011 .184 .004 .978 .894 .879
N 220 220 220 220 220 220 220
Pearson Correlation .611** .180** .028 .422** -.012 -.010 1

DT Sig. (2-tailed) .000 .007 .676 .000 .857 .879
N 220 220 220 220 220 220 220
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).
 Sig tương quan Pearson các biến độc lập TN, CV, LD, MT, DT với biến phụ thuộc HL
nhỏ hơn 0.05. Như vậy, có mối liên hệ tuyến tính giữa các biến độc lập này với biến HL.
Giữa DT và HL có mối tương quan mạnh nhất với hệ số r là 0.611, giữa MT và HL có mối
tương quan yếu nhất với hệ số r là 0.172.
 Sig tương quan Pearson giữa HL và DN lớn hơn 0.05, do vậy, không có mối tương quan
tuyến tính giữa 2 biến này. Biến DN sẽ được loại bỏ khi thực hiện phân tích hồi quy tuyến
tính bội.
 Các cặp biến độc lập đều có mức tương quan khá yếu với nhau, như vậy, khả năng cao
sẽ không có hiện tượng đa cộng tuyến xảy ra1.
1
Nếu 2 biến độc lập có sig < 0.05 và hệ số tương quan Pearson r khá lớn, khoảng từ 0.4 trở lên, chúng ta
cần đặt nghi vấn có khả năng xảy ra đa cộng tuyến giữa 2 biến này. Cần lưu ý, ở bước Pearson chúng ta chỉ
đặt nghi vấn chứ không có bất kỳ một tính toán, so sánh chính xác nào để chứng minh rằng giữa 2 biến độc
lập có đa cộng tuyến xảy ra. Nghi vấn này sẽ được trả lời dựa vào hệ số VIF khi phân tích hồi quy.
PHẦN 5: HỒI QUY ĐA BIẾN

5.1 Lý thuyết về hồi quy tuyến tính
- Khác với tương quan Pearson, trong hồi quy các biến không có tính chất đối xứng như
phân tích tương quan. Vai trò giữa biến độc lập và biến phụ thuộc là khác nhau. X và Y hay
Y và X có tương quan với nhau đều mang cùng một ý nghĩa, trong khi đó với hồi quy, ta chỉ
có thể nhận xét: X tác động lên Y hoặc Y chịu tác động bởi X.
- Đối với phân tích hồi quy tuyến tính bội, chúng ta giả định các biến độc lập X1, X2, X3 sẽ
tác động đến biến phụ thuộc Y. Ngoài X1, X2, X3… còn có rất nhiều những nhân tố khác
ngoài mô hình hồi quy tác động đến Y mà chúng ta không liệt kê được.
5.2 Phân tích hồi quy đa biến bằng SPSS
5.2.1 Các tiêu chí trong phân tích hồi quy đa biến
- Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) phản ánh mức độ giải thích
biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn
so với R2. Mức dao động của 2 giá trị này là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị
bằng 1 là gần như không tưởng dù mô hình đó tốt đến nhường nào. Giá trị này thường nằm
trong bảng Model Summary. Cần chú ý, không có sự giới hạn giá trị R2, R2 hiệu chỉnh ở
mức bao nhiêu thì mô hình mới đạt yêu cầu, 2 chỉ số này nếu càng tiến về 1 thì mô hình
càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu. Thường chúng ta chọn mức
tương đối là 0.5 để làm giá trị phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì
mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Đây là con số nhắm chừng chứ không có tài
liệu chính thức nào quy định, nên nếu bạn thực hiện phân tích hồi quy mà R2 hiệu chỉnh
nhỏ hơn 0.5 thì mô hình vẫn có giá trị.
- Giá trị sig của kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy.
Nếu sig nhỏ hơn 0.05, ta kết luận mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và
có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA.
- Trị số Durbin – Watson (DW) dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất
(kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0
đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần
bằng 2, nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng
lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.
Theo Field (2009), nếu DW nhỏ hơn 1 và lớn hơn 3, chúng ta cần thực sự lưu ý bởi khả
năng rất cao xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Theo Yahua Qiao (2011),
thường giá trị DW nằm trong khoảng 1.5 – 2.5 sẽ không xảy ra hiện tượng tự tương quan,
đây cũng là mức giá trị tiêu chuẩn chúng ta sử dụng phổ biến hiện nay. 1
Để đảm bảo chính xác, chúng ta sẽ tra ở bảng thống kê Durbin-Watson (có thể tìm bảng
thống kê DW trên Internet). Giá trị này thường nằm trong bảng Model Summary.
Hệ số k’ là số biến độc lập đưa vào chạy hồi quy, N là kích thước mẫu. Nếu N của bạn là
một con số lẻ như 175, 214, 256, 311…. mà bảng tra DW chỉ có các kích thước mẫu làm
tròn dạng 150, 200, 250, 300, 350… thì bạn có thể làm tròn kích thước mẫu với giá trị gần
nhất trong bảng tra. Ví dụ: 175 làm tròn thành 200; 214 làm tròn 200; 256 làm tròn 250, 311
làm tròn 300…
- Giá trị sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu
sig kiểm định t của hệ số hồi quy của một biến độc lập nhỏ hơn 0.05, ta kết luận biến độc
lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập tương ứng với một hệ số hồi quy
riêng, do vậy mà ta cũng có từng kiểm định t riêng. Giá trị này thường nằm trong bảng
Coefficients.
- Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng đa cộng tuyến. Thông
thường, nếu VIF của một biến độc lập lớn hơn 10 nghĩa là đang có đa cộng tuyến xảy ra
với biến độc lập đó. Khi đó, biến này sẽ không có giá trị giải thích biến thiên của biến phụ
thuộc trong mô hình hồi quy2. Tuy nhiên, trên thực tế, nếu hệ số VIF > 2 thì khả năng rất
1
Mức giá trị Durbin Watson dao động trong khoảng 1.5 – 2.5 thường sẽ không xảy ra hiện tượng tự tương
quan chuỗi bậc nhất trích nguồn từ: Yahua Qiao (2011), Instertate Fiscal Disparities in America, Trang 150
2
Nếu hệ số VIF của một biến độc lập lớn hơn 10 nghĩa là có đa cộng tuyến xảy ra, biến độc lập này không có
giá trị giải thích cho biến phụ thuộc trích nguồn từ: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học
trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 518.
cao đang xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Giá trị này thường nằm
trong bảng Coefficients.
- Kiểm tra các giả định hồi quy, bao gồm phần dư chuẩn hóa và liên hệ tuyến tính:
 Kiểm tra vi phạm giả định phần dư chuẩn hóa: Phần dư có thể không tuân theo phân
phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng
số, số lượng các phần dư không đủ nhiều để phân tích... Vì vậy, chúng ta cần thực
hiện nhiều cách khảo sát khác nhau. Hai cách phổ biến nhất là căn cứ vào biểu đồ
Histogram và Normal P-P Plot. Đối với biểu đồ Histogram, nếu giá trị trung bình Mean
gần bằng 0, độ lệch chuẩn gần bằng 1, ta có thể khẳng định phân phối là xấp xỉ
chuẩn. Đối với biểu đồ Normal P-P Plot, nếu các điểm phân vị trong phân phối của
phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần
dư không bị vi phạm.
 Kiểm tra vi phạm giả định liên hệ tuyến tính: Biểu đồ phân tán Scatter Plot giữa các
phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa giúp chúng ta dò tìm xem, dữ liệu
hiện tại có vi phạm giả định liên hệ tuyến tính hay không. Nếu phần dư chuẩn hóa
phân bổ tập trung xunh quanh đường hoành độ 0, chúng ta có thể kết luận giả định
quan hệ tuyến tính không bị vi phạm.
Sau tương quan Pearson, chúng ta còn 5 biến độc lập là TN, CV, LD, MT, DT. Thực
hiện phân tích hồi quy tuyến tính bội để đánh giá sự tác động của các biến độc lập này đến
biến phụ thuộc HL.
Để thực hiện phân tích hồi quy đa biến trong SPSS 20, chúng ta vào Analyze >
Regression > Linear…
Đưa biến phụ thuộc vào ô Dependent, các biến độc lập vào ô Indenpendents:
Vào mục Statistics, tích chọn các mục như trong ảnh và chọn Continue:
Vào mục Plots, tích chọn các mục như trong ảnh và chọn Continue. Mục Plots sẽ xuất ra
các biểu đồ phục vụ cho việc kiểm tra vi phạm các giả định hồi quy.
Các mục còn lại chúng ta sẽ để mặc định. Quay lại giao diện ban đầu, mục Method là các
phương pháp chạy hồi quy, 2 method phổ biến nhất là Stepwise và Enter, thường thì sẽ
chọn Enter. Chọn xong phương pháp, các bạn nhấp vào OK.
SPSS sẽ xuất ra rất nhiều bảng, những bảng các bạn cần sử dụng là: Model Summary,
ANOVA, Coefficients.
Model Summaryb
Model R R Square Adjusted R Std. Error of the Durbin-Watson
Square Estimate
1 .856a .733 .726 .28735 1.998
a. Predictors: (Constant), DT, MT, CV, TN, LD
b. Dependent Variable: HL
 Giá trị R2 hiệu chỉnh bằng 0.726 cho thấy biến độc lập đưa vào chạy hồi quy ảnh hưởng
72.6% sự thay đổi của biến phụ thuộc, còn lại 27.4% là do các biến ngoài mô hình và sai
số ngẫu nhiên.
 Hệ số Durbin – Watson = 1.998, nằm trong khoảng 1.5 đến 2.5 nên không có hiện tượng
tự tương quan chuỗi bậc nhất xảy ra.
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 48.441 5 9.688 117.337 .000b
1 Residual 17.669 214 .083
Total 66.111 219
a. Dependent Variable: HL
b. Predictors: (Constant), DT, MT, CV, TN, LD
 Sig kiểm định F bằng 0.00 < 0.05, như vậy, mô hình hồi quy tuyến tính bội phù hợp với
tập dữ liệu và có thể sử đụng được.
Coefficientsa
Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics
Coefficients
B Std. Error Beta Tolerance VIF
(Constant) -.185 .171 -1.079 .282
TN .268 .026 .369 10.162 .000 .950 1.053
CV .224 .025 .323 8.960 .000 .960 1.041
1
LD .264 .026 .394 10.056 .000 .815 1.228
MT .052 .024 .079 2.169 .031 .953 1.050
DT .252 .027 .370 9.293 .000 .787 1.271
a. Dependent Variable: HL
 Sig kiểm định t hệ số hồi quy của các biến độc lập đều nhỏ hơn 0.05, do đó các biến độc
lập này đều có ý nghĩa giải thích cho biến phụ thuộc, không biến nào bị loại khỏi mô hình.
 Hệ số VIF của các biến độc lập đều nhỏ hơn 2 do vậy không có đa cộng tuyến xảy ra.
 Các hệ số hồi quy đều lớn hơn 0. Như vậy tất cả các biến độc lập đưa vào phân tích hồi
quy đều tác động cùng chiều tới biến phụ thuộc. Dựa vào độ lớn của hệ số hồi quy chuẩn
hóa Beta, thứ tự mức độ tác động từ mạnh nhất tới yếu nhất của các biến độc lập tới biến
phụ thuộc HL là: LD (0.394) > DT(0.370) > TN (0.369) > CV (0.323) > MT (0.079). Tương
ứng với:
 Biến Lãnh đạo và cấp trên tác động mạnh nhất tới sự hài lòng của nhân viên trong
công việc.
 Biến Cơ hội đào tạo và thăng tiến tác động mạnh thứ 2 tới sự hài lòng của nhân
viên trong công việc.
 Biến Lương, thưởng, phúc lợi tác động mạnh thứ 3 tới sự hài lòng của nhân viên
trong công việc.
 Biến Bản chất công việc tác động mạnh thứ 4 tới sự hài lòng của nhân viên trong
công việc.
 Biến Điều kiện làm việc tác động yếu nhất tới sự hài lòng của nhân viên trong công
việc.
 Giá trị trung bình Mean = -1.90E-15 gần bằng 0, độ lệch chuẩn là 0.989 gần bằng 1, như
vậy có thể nói, phân phối phần dư xấp xỉ chuẩn. Do đó, có thể kết luận rằng: Giả thiết phân
phối chuẩn của phần dư không bị vi phạm.
 Các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy,
giả định phân phối chuẩn của phần dư không bị vi phạm.
 Phần dư chuẩn hóa phân bổ tập trung xunh quanh đường hoành độ 0, do vậy giả định
quan hệ tuyến tính không bị vi phạm.
Như vậy, với 6 giả thuyết từ H1 đến H6 chúng ta đã đặt ra ban đầu ở mục Giả thuyết
nghiên cứu (mục 1.1). Có 5 giả thuyết được chấp nhận là: H1, H2, H3, H5, H6 tương ứng
với các biến: Lãnh đạo và cấp trên; Cơ hội đào tạo và thăng tiến; Lương, thưởng, phúc lợi;
Bản chất công việc; Điều kiện làm việc. Riêng giả thuyết H4 bị bác bỏ, yếu tố Đồng nghiệp
không tác động đến Sự hài lòng của nhân viên trong công việc tại công ty TNHH Nhãn Xanh,
hay nói cách khác, biến Đồng nghiệp không có ý nghĩa trong mô hình hồi quy.
Phương trình hồi quy chuẩn hóa:
HL = 0.394*LD + 0.370*DT + 0.369*TN + 0.323*CV + 0.079*MT
Sự hài lòng của nhân viên = 0.394 * Lãnh đạo và cấp trên
+ 0.370 * Cơ hội đào tạo và thăng tiến
+ 0.369 * Lương, thưởng, phúc lợi
+ 0.323 * Bản chất công việc
+ 0.079 * Điều kiện làm việc
** Lưu ý: Trong bảng kết quả Coefficients, có 2 cột hệ số hồi quy là B (hệ số hồi quy chưa
chuẩn hóa) và Beta (hệ số hồi quy chuẩn hóa). Tuy nhiên, trong phần nhận xét tác giả chỉ
sử dụng kết quả cột Beta + phương trình hồi quy chuẩn hóa. Lý do tại sao lại như vậy, các
bạn vui lòng đọc bài viết này để hiểu rõ hơn vấn đề. Do phần giải thích tương đối dài nên
tác giả sẽ không trích dẫn ở tài liệu này.

Hướng dẫn sử dụng APSS

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Hướng dẫn sử dụng APSS

Uploaded by

Copyright:

Available Formats

PHẠM LỘC

HƯỚNG DẪN SPSS 20

1.1 Đề tài nghiên cứu ............................................................................................. 1

1.2 Mô hình nghiên cứu ......................................................................................... 1

1.3 Giả thuyết nghiên cứu ...................................................................................... 1

1.4 Bảng câu hỏi khảo sát ...................................................................................... 2

1.5 Kích thước mẫu................................................................................................ 5

PHẦN 2: KIỂM ĐỊNH ĐỘ TIN CẬY THANG ĐO CRONBACH’S ALPHA ....... 6

2.1 Lý thuyết về giá trị và độ tin cậy của đo lường ................................................ 6

2.2 Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha ......................................... 6

2.3 Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS ............................................ 6

PHẦN 3: PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA ......................................... 15

3.1 EFA và đánh giá giá trị thang đo .................................................................... 15

3.2 Phân tích nhân tố khám phá EFA bằng SPSS............................................... 15

PHẦN 4: TƯƠNG QUAN PEARSON ................................................................. 31

4.1 Lý thuyết về tương quan và tương quan Pearson ......................................... 31

4.2 Phân tích tương quan Pearson bằng SPSS .................................................. 32

PHẦN 5: HỒI QUY ĐA BIẾN ............................................................................... 36

5.1 Lý thuyết về hồi quy tuyến tính ...................................................................... 36

5.2 Phân tích hồi quy đa biến bằng SPSS ........................................................... 36

PHẦN 1: ĐỀ TÀI NGHIÊN CỨU

1.2 Mô hình nghiên cứu

1.3 Giả thuyết nghiên cứu

1.4 Bảng câu hỏi khảo sát

LƯƠNG, THƯỞNG, PHÚC LỢI Ý KIẾN ĐÁNH GIÁ

Lương phù hợp với khả năng và đóng góp của

Anh/Chị có thể sống hoàn toàn dựa vào thu

Phân phối công bằng tiền lương, thưởng và phụ

Thu nhập từ công ty ngang bằng với các công

TN5 Chính sách phúc lợi thỏa đáng 1 2 3 4 5

CƠ HỘI ĐÀO TẠO & THĂNG TIẾN Ý KIẾN ĐÁNH GIÁ

Được đào tạo các kỹ năng cần thiết để thực

Công ty tạo cơ hội thăng tiến cho người có

Công ty đảm bảo tính công bằng trong thăng

Anh/Chị biết rõ những điều kiện để được

LÃNH ĐẠO VÀ CẤP TRÊN Ý KIẾN ĐÁNH GIÁ

Cấp trên có năng lực, tầm nhìn và khả năng

LD2 Lãnh đạo hỗ trợ nhân viên khi cần thiết 1 2 3 4 5

Lãnh đạo ghi nhận ý kiến đóng góp của nhân

LD4 Lãnh đạo quan tâm, động viên nhân viên 1 2 3 4 5

LD5 Lãnh đạo đối xử công bằng với nhân viên 1 2 3 4 5

ĐỒNG NGHIỆP Ý KIẾN ĐÁNH GIÁ

DN1 Đồng nghiệp sẵn sàng giúp đỡ lẫn nhau 1 2 3 4 5

DN2 Đồng nghiệp phối hợp tốt khi làm việc 1 2 3 4 5

DN3 Đồng nghiệp hòa đồng, thân thiện 1 2 3 4 5

DN4 Đồng nghiệp đáng tin cậy 1 2 3 4 5

BẢN CHẤT CÔNG VIỆC Ý KIẾN ĐÁNH GIÁ

Công việc phù hợp với trình độ chuyên môn,

Công việc cho phép phát huy khả năng cá

CV3 Công việc thú vị và có thử thách 1 2 3 4 5

CV4 Khối lượng công việc hợp lý 1 2 3 4 5

CV5 Có động lực để sáng tạo trong công việc 1 2 3 4 5

ĐIỀU KIỆN LÀM VIỆC Ý KIẾN ĐÁNH GIÁ

DK2 Nơi Anh/Chị làm việc rất an toàn 1 2 3 4 5

Được cung cấp đầy đủ trang thiết bị hỗ trợ cho

DK4 Thời gian làm việc hợp lý 1 2 3 4 5

ĐÁNH GIÁ CHUNG Ý KIẾN ĐÁNH GIÁ

HL1 Anh/Chị hài lòng với công việc hiện tại 1 2 3 4 5

THÔNG TIN CÁ NHÂN

 Từ 5 năm trở lên

1.5 Kích thước mẫu

PHẦN 2: KIỂM ĐỊNH ĐỘ TIN CẬY THANG ĐO

2.2 Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha

2.3 Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS

Pearson Correlation .551 1 -.041 .002 .422

Pearson Correlation .611 .180 .028 .422** -.012 -.010 1

HL = 0.394LD + 0.370DT + 0.369TN + 0.323CV + 0.079*MT