Các kết quả và dữ liệu thu thập được

I. Các biểu đồ trực tiếp từ câu hỏi

1. Các thông tin chung và demographic

Bạn hiện đang giữ chức vụ gì tại Bosch?

1 Media
2 Human resource
6 Internship
2 Project Management Assistant
1 Junior Tester
2 Software Engineer
1 Employer Branding Executive
1 Learning and Development Intern
2. Các câu hỏi chi tiết
(https://www.canva.com/design/DAFTGwEQf_M/e0mOtvpSLQwjQ2E6DLmTjQ/e
dit?
 utm_content=DAFTGwEQf_M&utm_campaign=designshare&utm_medium=link2
&utm_source=sharebutton)
a. TRA

b. MAS

c. CB
d. EMP

II. Phân tích

các thông tin qua Phân tích tương quan Pearson, Phân tích ANOVA, Phân tích
hồi quy tuyến tính bội
1. Phân tích tương quan Pearson
 Mục đích chạy tương quan Pearson nhằm kiểm tra từng đôi một mối tương quan tuyến tính
chặt chẽ giữa biến phụ thuộc với các biến độc lập và sớm nhận diện vấn đề đa cộng tuyến khi
các biến độc lập cũng có tương quan mạnh với nhau.

Giá trị sig nào nhỏ hơn 0.05 nghĩa là biến độc lập đó có tương quan tuyến tính với biến phụ
thuộc. Khi sig nhỏ hơn 0.05, các bạn chú ý tới hệ số tương quan Pearson r để đánh giá mức
độ tương quan mạnh/yếu giữa các biến độc lập với biến phụ thuộc. Ở đây, tất cả các giá trị
Sig đều <0.05 => Tất cả các biến biến độc lập đó có tương quan tuyến tính với biến phụ
thuộc => Hệ số tương quan r mới có ý nghĩa thống kê

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. Nhìn vào bảng, ta thấy các biến có tính tương quan tương đối cao (Đều >0.5). Tuy nhiên,
chúng ta cần chú ý 2 biến CB và TRA, vì giá trị tương quan Pearson lớn hơn 0.7, chúng ta
cần chú ý đến khả năng xảy ra hiện tượng đa cộng tuyến theo (Carsten F. Dormann và các
cộng sự, 2013).

Khi sig nhỏ hơn 0.05 thì chỗ hệ số tương quan Pearson chúng ta sẽ thấy ký hiệu * hoặc **

 Ký hiệu ** cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến
99% (tương ứng mức ý nghĩa 1% = 0.01). 
 Ký hiệu * cho biết rằng cặp biến này có sự tương quan tuyến tính ở mức tin cậy đến 95%
(tương ứng mức ý nghĩa 5% = 0.05). 

2. Phân tích ANOVA: Kiểm định Welth: cung cấp kết quả kiểm định khác biệt trung
bình trong trường hợp có khác biệt phương sai giữa các nhóm giá trị. 
a. Kiểm tra các biến trong Giới tính có sự khác biệt về TRA, MAS, CB
 Kết luận: TRA và CB có gây nên sự khác biệt trong giới tính

b. Kiểm tra các biến trong Income có sự khác biệt về TRA, MAS, CB

Kết luận: Không có sự khác biệt

c. Kiểm tra các biến trong Status có sự khác biệt về TRA, MAS, CB

Kết luận: MAS có gây nên sự khác biệt trong Status

3. Phân tích hồi quy tuyến tính bội

 a. Bảng ANOVA

Chúng ta cần đánh giá độ phù hợp mô hình một cách chính xác qua kiểm định giả thuyết.
Để kiểm định độ phù hợp mô hình hồi quy, chúng ta đặt giả thuyết H0: R2 = 0. Phép
kiểm định F được sử dụng để kiểm định giả thuyết này. Kết quả kiểm định:

Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là R2 ≠ 0 một cách có ý nghĩa thống kê, mô hình
hồi quy là phù hợp.
Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là R2 = 0 một cách có ý nghĩa thống kê, mô
hình hồi quy không phù hợp.
Trong SPSS, các số liệu của kiểm định F được lấy từ bảng phân tích phương sai
ANOVA.
Bảng ANOVA cho chúng ta kết quả kiểm định F để đánh giá giả thuyết sự phù
hợp của mô hình hồi quy. Giá trị sig kiểm định F bằng 0.000 < 0.05, do đó, mô
hình hồi quy là phù hợp
b. Bảng Model summary

R2 hay R2 hiệu chỉnh đều có mức dao động trong đoạn từ 0 đến 1. Nếu R2 càng tiến về
1, các biến độc lập giải thích càng nhiều cho biến phụ thuộc, và ngược lại, R2 càng tiến
về 0, các biến độc lập giải thích càng ít cho biến phụ thuộc. 

Không có tiêu chuẩn chính xác R2 ở mức bao nhiêu thì mô hình mới đạt yêu cầu. Cần
lưu ý rằng, không phải luôn luôn một mô hình hồi quy có R2 cao thì nghiên cứu có giá trị
cao, mô hình có R2 thấp thì nghiên cứu đó có giá trị thấp, độ phù hợp mô hình hồi quy
không có mối quan hệ nhân quả với giá trị của bài nghiên cứu. Trong nghiên cứu lặp
lại, chúng ta thường chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý
nghĩa yếu và kỳ vọng từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt.

Giá trị R bình phương hiệu chỉnh bằng 0.959 cho thấy các biến độc lập đưa vào phân
tích hồi quy ảnh hưởng 95.9% sự biến thiên của biến phụ thuộc, còn lại 4.1% là do các
biến ngoài mô hình và sai số ngẫu nhiên. 

c. Bảng Coefficient

 Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi khác 0 một
cách có ý nghĩa thống kê, biến X1 có tác động lên biến phụ thuộc.
 Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi bằng 0
một cách có ý nghĩa thống kê, biến Xi không tác động lên biến phụ thuộc.

Tất cả Sig đều < 0.05, quá ok

Hệ số VIF của biến độc lập CB > 10, do vậy dữ liệu có thể vi phạm giả định đa
cộng tuyến.

Từ các hệ số hồi quy, chúng ta xây dựng được hai phương trình hồi quy chuẩn hóa
và chưa chuẩn hóa theo thứ tự như sau: Nhìn trên bảng á lười viết ra quá

d. Các biểu đồ

D1: Biểu đồ phần dư chuẩn hóa Normal P-P Plot

Đối với biểu đồ Normal P-P Plot, nếu các điểm dữ liệu trong phân phối của phần dư
bám sát vào đường chéo, phần dư càng có phân phối chuẩn. Nếu các điểm dữ liệu
phân bố xa đường chéo, phân phối càng “ít chuẩn”.

Cụ thể ở trên, các điểm dữ liệu phần dư tập trung khá sát với đường chéo, như vậy,
phần dư có phân phối xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi
phạm.

D2: Biểu đồ Scatter Plot kiểm tra giả định liên hệ tuyến tính

Nếu các điểm dữ liệu phân bố tập trung xung quanh đường tung độ 0 và có xu hướng tạo thành
một đường thẳng, giả định liên hệ tuyến tính không bị vi phạm. Cách bố trí của điểm dữ liệu trên
đồ thị scatter sẽ tùy thuộc vào bản chất biến phụ thuộc, khi đánh giá, chúng ta cần nhìn tổng quát
xu hướng của đám mây điểm dữ liệu.

Cụ thể với tập dữ liệu mẫu, phần dư chuẩn hóa phân bổ tập trung xunh quanh đường tung độ 0,
do vậy giả định quan hệ tuyến tính không bị vi phạm.