HƯỚNG DẪN PHÂN TÍCH T-TEST
VÀ ONE-WAY ANOVA
(PHẦN 2 – NÂNG CAO)
Nội dung này thuộc bản quyền của Amosleminh.com, mọi
sao chép các anh chị vui lòng ghi rõ nguồn giúp chúng tôi nhé. Cảm ơn các anh
chị rất nhiều.
Phần này sẽ có nhiều anh chị thắc mắc là kiểm định
T-test và One-way Anova thì có gì mà nâng cao? Thật ra, vì chúng ta thường gặp
loại kiểm định này đối với các mô hình bậc thấp nên nhìn chung chúng ta sẽ thấy
nó đơn giản (vì nó quá quen thuộc). Tuy nhiên, khi đến với mô hình bậc cao
(higher-Order model), chúng tôi chắc chắn phần lớn các anh chị sẽ gặp lúng
túng, bởi kỹ thuật nó tương đối phức tạp và ít phổ biến. Trong phần nâng cao
này, chúng tôi sẽ hướng dẫn các anh chị phân tích T-test và Anova cho mô hình bậc
2, cụ thể là so sánh biến nhân khẩu học với biến bậc 2 trong mô hình bậc 2.
Mô hình phân tích có dạng như sau:
Các giả thuyết:
• H1: Điều kiện làm việc (DKLV) ảnh hưởng tích cực
lên Căng thẳng công việc (CTCV).
• H2: Căng thẳng công việc (CTCV) ảnh hưởng tích cực
lên Kết quả thực hiện công việc (KQ)
• H3: Giới tính có sự khác biệt có ý nghĩa thống kê
với Căng thẳng công việc.
• H4: Trình độ học vấn có sự khác biệt có ý nghĩa
thống kê với Căng thẳng công việc.
• H5: Thời gian làm việc có sự khác biệt có ý nghĩa
thống kê với Căng thẳng công việc.
Chúng ta có thể thấy, các biến nhân khẩu học bao gồm
Giới tính, Trình độ học vấn và Thời gian làm việc cần được phân tích T-test và
One-way Anova trong trường hợp này. Một vấn đề lớn xuất hiện ở đây là biến so
sánh mean trong trường hợp này là biến bậc 2 (loại biến không được đo lường trực
tiếp, nên chúng ta không lấy giá trị mean để đại diện theo cách thông thường
chúng ta hay làm cho biến bậc 1).
Ở đây, chúng ta sẽ xem xét đánh giá cách triển khai
ở cả hai trường hợp: thứ nhất là mô hình PLS SEM chạy trên SmartPLS 4, thứ hai
là mô hình CB SEM chạy trên AMOS.
I. MÔ HÌNH PLS SEM
Đối với mô hình PLS SEM chạy trên nền SmartPLS 4,
chúng ta hoàn toàn có thể thực hiện được các phân tích T-test hoặc One-way
Anova cho biến bậc 2. Bằng cách sử dụng phương pháp phân tích 2 giai đoạn,
chúng ta sẽ chuyển mô hình bậc 2 về dạng mô hình bậc 1. Cách sử dụng phương
pháp phân tích 2 giai đoạn các anh chị tham khảo chi tiết tại
đây.
Mô hình bậc hai được chuyển về dạng mô hình bậc 1 theo phương pháp 2 giai đoạn cụ thể như sau:
Bây giờ để lấy giá trị của biến CTCV để thực hiện
kiểm định T-test hay One-way Anova chúng ta sẽ chạy phân tích mô hình đường dẫn
và trích xuất dữ liệu tiềm ẩn của biến CTCV để chuyển qua data SPSS. Lưu ý rằng, trong mô hình giai đoạn 1 khi chạy phân tích đường dẫn
chúng ta vẫn thấy xuất hiện biến tiềm ẩn của CTCV, nhưng chúng ta không lấy kết
quả CTCV ở giai đoạn 1 này, chúng ta cần chuyển mô hình bậc cao về dạng bậc 1 rồi
hãy phân tích và lấy dữ liệu cho biến tiềm ẩn CTCV.
Bước 1:
Bước 2:
Bước 3: Chuyển dữ liệu CTCV vào file data của SPSS
Bước 4: Thực hiện các phân tích kiểm định T-test và
Anova
Chúng ta có các biến nhân khẩu học như sau:
Tên biến |
Mã hóa |
Đặc điểm |
Giới tính |
1 |
Nam |
2 |
Nữ |
|
Thời gian làm việc |
1 |
≤ 5 năm |
2 |
5 đến 10 năm |
|
3 |
11 đến 20 năm |
|
4 |
Trên 20 năm |
|
Trình độ học vấn |
1 |
≤ THPT |
2 |
Trung cấp/Cao đẳng |
|
3 |
Đại học |
|
4 |
Sau đại học |
Tới đây, chúng tôi sẽ phân tích Anova one way cho biến thời gian làm việc. Kết quả phân tích như sau:
Có thể thấy, thời gian làm việc có sự khác biệt có ý nghĩa thống kê với Căng thẳng công việc. Tương tự như phần 1, chúng ta cũng vẽ biểu đồ mean của CTCV đối với từng nhóm thời gian làm việc để xem khuynh hướng ảnh hưởng là như thế nào.
Từ đồ thị có thể nhận
thấy được rằng, thời gian làm việc của nhân viên càng ít thì mức độ căng thẳng
trong công việc càng cao.
Chúng ta cũng có thể
chuẩn hóa biến CTCV trước khi đưa vào phân tích T-test hoặc Anova cũng ok hết
nhé. Về cơ bản, xu hướng của Thời gian làm việc với CTCV vẫn không có gì thay đổi.
II. Mô hình CB SEM
Trong CB SEM chạy bằng
AMOS, đối với mô hình bậc cao việc lấy giá trị biến tiềm ẩn của biến bậc cao là
rất phức tạp và khó khăn. Do đó, trong trường hợp này chúng ta không thể thực
hiện phân tích T-test hay Anova được. Giải pháp gần như là duy nhất trong trường
hợp này là chúng ta phải chuyển qua phân tích MGA. Chi tiết về cách phân tích
MGA anh chị xem ở đây nhé. Phạm vi bài viết này, chúng tôi chỉ trình bày kết quả
MGA.
Mô hình bất biến có kết quả như sau:
Mô hình khả biến có kết quả như sau:
![](https://amosleminh.com/upload/2023/08/07/origin_b1-20230807045001.jpg)
![](https://amosleminh.com/upload/2023/08/07/origin_b2-20230807045011.jpg)
Kết quả kiểm định lựa chọn mô hình như sau:
Kết quả cho thấy kiểm định
Chi-square đã lựa chọn mô hình khả biến. Điều này có nghĩa là, Giới tính có sự
khác biệt có ý nghĩa thống kê trong mô hình nghiên cứu. Kết quả suy diễn này có
ý nghĩa rộng hơn so với kiểm định T-test hay Anova. Hay nói cách khác, các nhóm
giới tính khác nhau sẽ có căng thẳng công việc khác nhau. Giờ chúng ta sẽ thử vẽ
biểu đồ CTCV theo từng nhóm giới tính để đánh giá khuynh hướng ảnh hưởng của chúng
là như thế nào?
Kết quả phân tích SEM theo
từng nhóm giới tính cho mô hình khả biến như sau:
Đối với nhóm giới tính Nam
Đối với nhóm giới tính Nữ
Căng thẳng công việc được phản ánh (reflective) bởi 3 yếu tố là KP, SP, và CL. Nên đồ thị CTCV theo nhóm giới tính được biểu diễn như hình bên dưới. Chúng ta không thể đánh giá trực tiếp biến CTCV được, bởi vì chúng ta không thể tính toán được giá trị tiềm ẩn cho biến CTCV. Do vậy mà ở đây, chúng ta chỉ xem xét đánh giá qua các yếu tố phản ánh lên CTCV.
Kết quả có thể thấy rằng,
yếu tố KP không bị chi phối bởi nhóm giới tính khác nhau. Trong khi đó, nhóm giới
tính nam làm cho yếu tố SP có khuynh hướng ảnh hưởng lên CTCV cao hơn so với nhóm
giới tính nữ. Còn yếu tố CL thì ngược lại so với SP. Trong trường hợp này, theo
chúng tôi, nghiên cứu cần thực hiện thêm đánh giá định tính từ các chuyên gia để
xem xét trong 2 yếu tố SP và CL thì yếu tố nào là quan trọng hơn. Để từ đó, nghiên
cứu có cơ sở đưa ra các khuyến nghị cho doanh nghiệp.
Lưu ý rằng, các lập luận
trên là để giải quyết câu chuyện T-test và Anova, còn đánh giá MGA sẽ khác. MGA
chuyên sâu hơn, nó so sánh ảnh hưởng giữa các nhóm giới tính trên tổng thể mô hình,
nên hướng phân tích MGA sẽ khác.
Tới đây, chúng tôi xin tạm thời kết thúc phần phân tích chuyên sâu cho các kiểm định T-test và One-way Anova. Trong thời gian tới, chúng tôi sẽ update thêm kiến thức ứng dụng chuyên sâu về phân tích phương sai áp dụng SPSS và các phần mềm chuyên dụng.