Lương thưởng phúc lợi là gì và đo bằng thang đo nào?

Lương thưởng phúc lợi là gì và được đo bằng gì

Bạn đang xây dựng mô hình nghiên cứu về sự hài lòng, cam kết tổ chức hoặc ý định nghỉ việc và cần một biến giải thích liên quan đến thu nhập của nhân viên. Cụm “lương thưởng phúc lợi” thường được dùng để chỉ cảm nhận của người lao động về mức lương, khoản thưởng, chế độ bảo hiểm, nghỉ phép và các quyền lợi khác mà tổ chức cung cấp. Đây là một khái niệm thuộc nhóm đãi ngộ, có thể tác động đến cách nhân viên đánh giá công việc và tổ chức.

Trong luận văn định lượng, bạn không đưa nguyên cụm này vào SPSS như một biến duy nhất. Bạn xây dựng một biến tiềm ẩn, sau đó đo nó bằng nhiều biến quan sát trong bảng hỏi. Mỗi biến quan sát là một phát biểu để người trả lời đánh giá, thường trên thang Likert 5 hoặc 7 mức. Ví dụ, người trả lời có thể chọn từ 1, “hoàn toàn không đồng ý”, đến 5, “hoàn toàn đồng ý”. Thang Likert bắt nguồn từ kỹ thuật đo lường thái độ của Likert (1932).

Khái niệm này có thể được tách thành hai hướng. Hướng thứ nhất đo cảm nhận chung về sự công bằng và phù hợp của gói đãi ngộ. Hướng thứ hai tách riêng lương, thưởng và phúc lợi thành các thành phần khác nhau. Bạn chọn hướng nào tùy vào câu hỏi nghiên cứu, mô hình lý thuyết và cách các nghiên cứu trước đã vận hành hóa khái niệm. Nếu mô hình chỉ có một biến “lương thưởng phúc lợi”, các biến quan sát phải cùng phản ánh một nội dung đủ thống nhất.

Bạn có thể đặt biến này cạnh các khái niệm về thái độ và trải nghiệm làm việc. Chẳng hạn, cam kết tổ chức là gì giúp bạn phân biệt kết quả đầu ra với yếu tố đãi ngộ. Nếu đề tài nghiên cứu nhân viên, cân bằng công việc cuộc sống là gì và căng thẳng công việc là gì cũng có thể là các biến liên quan, nhưng chúng không thay thế cho thang đo lương thưởng phúc lợi.

Nguồn thang đo gốc

Không nên tự viết một bộ biến quan sát rồi gọi đó là “thang đo chuẩn”. Với khái niệm lương thưởng phúc lợi, trước hết bạn cần xác định nguồn lý thuyết hoặc thang đo gần nhất với bối cảnh nghiên cứu. Trong danh mục nguồn được phép sử dụng, Parasuraman và cộng sự (1988) cung cấp thang đo SERVQUAL cho chất lượng dịch vụ, còn các nguồn về TAM, TPB hay UTAUT phục vụ những khái niệm khác. Vì vậy, không nên gán các nguồn này làm thang đo gốc cho lương thưởng phúc lợi.

Một lựa chọn an toàn là trình bày lương thưởng phúc lợi như một khái niệm được xây dựng từ cơ sở lý thuyết về quản trị nhân sự và các nghiên cứu thực nghiệm mà bạn đã xác minh riêng. Tuy nhiên, nếu nguồn chưa nằm trong danh mục tài liệu được kiểm tra của luận văn, bạn không nên tự thêm tên tác giả hoặc năm xuất bản. Hãy ghi rõ bộ biến quan sát là “tham khảo và điều chỉnh từ các nghiên cứu trước”, sau đó bổ sung đúng tài liệu gốc trong danh mục tài liệu của đề tài khi đã kiểm tra.

Bảng dưới đây giúp bạn phân biệt điều có thể ghi chắc trong phần phương pháp với điều cần kiểm tra thêm. Cột số biến quan sát không được điền bằng một con số bịa ra, vì mỗi nghiên cứu có thể dùng cách phân tách khác nhau.

Bảng này là phần kiểm soát nguồn, không phải bằng chứng rằng ba nguồn đầu tiên đã tạo ra thang đo lương thưởng phúc lợi. Khi viết chương 3, bạn cần ghi rõ tác giả, năm, số biến và bối cảnh đúng theo bài gốc mà bạn thực sự đọc. Nếu chưa có thông tin đó, để trống và tiếp tục kiểm tra tài liệu thay vì điền một con số cho đẹp bảng.

Bộ biến quan sát tham khảo

Dưới đây là một bộ phát biểu minh họa để bạn hình dung cách vận hành hóa khái niệm. Đây chưa phải bản dịch đã được xác nhận, cũng chưa phải thang đo hợp lệ cho mọi ngành. Bạn cần đối chiếu với định nghĩa khái niệm, bối cảnh doanh nghiệp và nguồn thang đo gốc trước khi đưa vào bảng hỏi.

Bạn không nên giữ tất cả biến chỉ vì chúng nghe hợp lý. LTP L1 và LTPL2 có thể gần nhau nếu người trả lời hiểu “phù hợp” và “tương xứng” giống nhau. LTPL5 và LTPL6 cũng có thể chồng lấn nếu bảng hỏi không giải thích rõ phúc lợi gồm bảo hiểm, nghỉ phép, chăm sóc sức khỏe hay khoản hỗ trợ nào.

Nếu bạn muốn đo riêng từng thành phần, hãy đặt tên biến tiềm ẩn riêng, chẳng hạn “Lương”, “Thưởng” và “Phúc lợi”. Khi đó, mô hình đo lường có thể kiểm tra mỗi nhóm biến quan sát độc lập. Nếu gộp thành một biến duy nhất, bạn cần có lý do lý thuyết để giải thích vì sao các phát biểu này cùng thuộc một cấu trúc. Việc gom nhiều nội dung chỉ vì chúng đều liên quan đến tiền có thể làm EFA xuất hiện nhiều nhân tố.

Cũng cần thận trọng với biến đảo chiều. Một phát biểu như “Tôi không hài lòng với chế độ phúc lợi hiện tại” sẽ phải mã hóa ngược trước khi tính điểm hoặc chạy phân tích tiếp theo. Với sinh viên đang nhập dữ liệu, lỗi thường gặp là đổi nội dung phát biểu nhưng quên đổi mã trong SPSS. Bạn nên ghi một cột riêng trong file dữ liệu, đánh dấu biến thuận hay biến đảo trước khi nhập.

Điều chỉnh thang đo cho bối cảnh Việt Nam

Bản dịch từ tiếng Anh không nên được đưa thẳng vào bảng hỏi. Trước hết, bạn xác định người trả lời là nhân viên toàn thời gian, nhân viên bán thời gian, công chức hay lao động trong một ngành cụ thể. Cụm “phúc lợi” có thể được hiểu khác nhau giữa ngân hàng, bệnh viện, trường học và doanh nghiệp sản xuất. Một phát biểu tốt phải khiến người trả lời biết họ đang đánh giá chính sách của tổ chức hiện tại, không phải mức đãi ngộ của ngành nói chung.

Bạn nên giữ một câu chỉ đo một ý. “Mức lương và phúc lợi phù hợp với công việc của tôi” đang gộp hai nội dung. Nếu người trả lời thấy lương phù hợp nhưng phúc lợi không phù hợp, họ không biết chọn mức nào. Hãy tách thành hai biến hoặc chỉ giữ phần phù hợp với mô hình.

Với thang Likert 5 mức, phần hướng dẫn phải ghi đủ năm lựa chọn và ý nghĩa của từng mức. Bạn cũng cần thống nhất cách gọi “tổ chức”, “doanh nghiệp” hoặc “đơn vị” trong toàn bộ bảng hỏi. Tránh dùng từ “lương thưởng phúc lợi” ở một câu, rồi đổi sang “chính sách đãi ngộ” ở câu khác nếu hai cụm này chưa được định nghĩa là tương đương.

Sau bản nháp, bạn đọc từng câu và kiểm tra ba điểm: người trả lời có đủ thông tin để đánh giá không, câu có từ ngữ chuyên môn khó hiểu không, và một câu có đang hỏi hai nội dung không. Tiếp theo, bạn chạy thử trên một nhóm nhỏ phù hợp với đối tượng khảo sát. Mục tiêu của bước này là phát hiện câu khó hiểu, lựa chọn trả lời bị thiếu và thời gian hoàn thành quá dài. Kết quả thử nghiệm không được tự động xem là kết quả nghiên cứu chính thức.

Bạn có thể tham khảo mô hình Maslow hoặc tháp nhu cầu Maslow để phân biệt nhu cầu vật chất với các nhu cầu tâm lý khác. Tuy nhiên, lương thưởng phúc lợi không nên được gắn máy móc vào mọi tầng nhu cầu. Mô hình lý thuyết chỉ giúp bạn lập luận về bối cảnh, còn biến quan sát phải bám vào định nghĩa vận hành của đề tài.

Kiểm định độ tin cậy và giá trị của thang đo

Sau khi làm sạch file .sav hoặc .csv, bạn có thể kiểm định theo trình tự: Cronbach's Alpha, EFA nếu đề tài sử dụng EFA, rồi kiểm định mô hình đo lường bằng SmartPLS nếu bạn xây dựng PLS-SEM. Trình tự này cần thống nhất với phương pháp đã nêu trong chương 3. Không chạy nhiều lần để tìm một bộ kết quả “đẹp” rồi chỉ báo cáo lần cuối mà không ghi lại lý do loại biến.

Cronbach's Alpha đánh giá mức độ nhất quán nội tại của các biến trong cùng thang đo. Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, mức từ 0.6 có thể được cân nhắc cùng với bối cảnh và các chỉ số khác (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là một mốc thường dùng (Nunnally và Bernstein, 1994).

Trong SPSS, mở Analyze > Scale > Reliability Analysis, đưa các biến LTPL vào ô Items, chọn Model là Alpha. Ở nút Statistics, chọn Item, Scale và Scale if item deleted. Đọc hai bảng Reliability Statistics và Item-Total Statistics. Nếu một biến có Corrected Item-Total Correlation thấp, bạn xem lại nội dung và lý do lý thuyết trước khi loại, không xóa chỉ vì cột “Cronbach's Alpha if Item Deleted” tăng.

Nếu chạy EFA, bạn vào Analyze > Dimension Reduction > Factor. Trong Descriptives, chọn KMO and Bartlett's test; trong Extraction, chọn phương pháp phù hợp với thiết kế nghiên cứu; trong Rotation, chọn kiểu xoay phù hợp. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê thường được dùng để xem dữ liệu có phù hợp cho phân tích nhân tố (Kaiser, 1974). Factor loading từ 0.5 trở lên là mốc tham khảo phổ biến (Hair và cộng sự, 2010), còn eigenvalue trên 1 là một quy tắc trích nhân tố thường được nhắc đến (Kaiser, 1960).

Nếu dùng SmartPLS, bạn kiểm tra Outer Loadings, Cronbach's Alpha, Composite Reliability, AVE và Discriminant Validity. Outer loading từ 0.7 trở lên là mốc tham khảo trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau về nội dung, là mốc tham khảo cho giá trị phân biệt (Henseler và cộng sự, 2015).

số liệu minh họa: bảng Reliability Statistics

Bảng sau mô phỏng hình dạng output SPSS. Các con số chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thật và không dự đoán kết quả trong file của bạn.

Với bảng minh họa này, Alpha là 0.842 và các Corrected Item-Total Correlation đều cao hơn 0.3. Khi đọc file thật, bạn cần xem thêm thống kê mô tả, số lượng mẫu hợp lệ và nội dung biến trước khi kết luận. Một Alpha rất cao cũng không tự động chứng minh thang đo có giá trị, vì các biến có thể đang lặp lại cùng một câu hỏi dưới nhiều cách diễn đạt.

Cách viết vào luận văn: “Thang đo lương thưởng phúc lợi gồm [số biến quan sát] biến, ký hiệu từ [mã biến] đến [mã biến]. Kết quả Cronbach's Alpha đạt [giá trị], trong khi Corrected Item-Total Correlation của các biến dao động từ [giá trị thấp nhất] đến [giá trị cao nhất], đáp ứng tiêu chí [tiêu chí và nguồn]. Do đó, [số biến] biến được giữ lại cho bước phân tích tiếp theo.” Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật và nguồn đúng với thiết kế nghiên cứu.

Cách trình bày thang đo trong chương 3

Ở chương 3, bạn nên đi từ định nghĩa đến cách đo, thay vì chỉ chép danh sách phát biểu. Đoạn đầu nêu lương thưởng phúc lợi được hiểu thế nào trong phạm vi đề tài. Đoạn tiếp theo nói thang đo được tham khảo từ nguồn nào, đã điều chỉnh ngôn ngữ ra sao và sử dụng mấy mức Likert.

Một bảng thang đo nên có mã biến, nội dung phát biểu, nguồn tham khảo và ghi chú điều chỉnh. Nếu một phát biểu được dịch, bạn ghi là “dịch và điều chỉnh theo bối cảnh nghiên cứu”, không gọi là bản dịch chuẩn nếu chưa có quy trình xác nhận phù hợp. Bạn cũng nên nêu rõ đối tượng khảo sát và điều kiện để người trả lời đánh giá lương thưởng phúc lợi.

Phần phương pháp cần mô tả tiêu chí kiểm định trước khi đưa kết quả. Có thể trình bày Cronbach's Alpha từ 0.7 trở lên theo Nunnally (1978), hoặc nêu mức 0.6 cho thang đo khám phá theo Hair và cộng sự (2010), nhưng phải chọn cách giải thích nhất quán. Với EFA, ghi rõ tiêu chí KMO, Bartlett, factor loading và tổng phương sai trích nếu bạn thực sự chạy EFA. Với SmartPLS, tách rõ đánh giá mô hình đo lường và mô hình cấu trúc, tránh đưa CFI, TLI hoặc RMSEA vào báo cáo PLS-SEM.

Nếu đề tài thuộc một mô hình rộng hơn về động lực hoặc nhu cầu của nhân viên, bạn có thể xem danh mục Mô hình nghiên cứu để đặt thang đo vào đúng vị trí trong mô hình. Đừng biến phần thang đo thành một danh sách độc lập không liên hệ với giả thuyết. Mỗi khái niệm cần có vai trò rõ: biến độc lập, biến phụ thuộc, mediator hoặc moderator.

Lỗi thường gặp

Gọi mọi khoản thu nhập là một thang đo. Lương cơ bản, thưởng theo hiệu suất, bảo hiểm và phụ cấp có thể được người trả lời đánh giá rất khác nhau. Bạn cần quyết định đo cảm nhận tổng thể hay đo từng thành phần.

Dùng một biến duy nhất để đo khái niệm. Một câu hỏi đơn lẻ khó phản ánh đầy đủ lương thưởng phúc lợi và khó kiểm tra độ tin cậy nội tại. Nếu dùng single-item measure, bạn phải có lý do phương pháp rõ ràng.

Tự đặt ngưỡng rồi xóa biến. Alpha, Corrected Item-Total Correlation và factor loading là căn cứ hỗ trợ, không phải nút tự động loại biến. Nội dung lý thuyết và ý nghĩa của biến vẫn cần được xem xét.

Báo cáo số liệu minh họa như kết quả thật. Bảng ở trên chỉ giúp bạn nhận diện tên cột và cách đọc output. Khi viết luận văn, chỉ dùng số liệu lấy từ file dữ liệu của bạn.

Không lưu các vòng phân tích. Hãy lưu output lần đầu, ghi mã biến bị loại, lý do loại và kết quả sau khi chạy lại. Khi giảng viên hỏi vì sao LTPL3 không còn trong mô hình, bạn cần trả lời bằng quy trình và căn cứ, không chỉ nói “SPSS cho kết quả không đạt”.

Câu hỏi thường gặp

Lương thưởng phúc lợi có phải một biến độc lập không?

Có thể, nếu mô hình của bạn giả thuyết rằng cảm nhận về lương thưởng phúc lợi tác động đến một biến kết quả như sự hài lòng hoặc cam kết tổ chức. Vai trò độc lập hay phụ thuộc không nằm trong tên khái niệm, mà do mô hình và giả thuyết quyết định.

Nên tách lương, thưởng và phúc lợi thành ba thang đo không?

Bạn tách khi ba nhóm có định nghĩa, biến quan sát và giả thuyết riêng. Bạn có thể gộp khi mục tiêu là đo cảm nhận tổng thể về gói đãi ngộ và có cơ sở lý thuyết cho việc gộp. Chạy EFA rồi gộp các nhóm chỉ vì chúng cùng liên quan đến thu nhập là cách giải thích yếu.

Có thể dùng bộ biến quan sát tham khảo trong bài này luôn không?

Bạn có thể dùng chúng làm bản nháp để thiết kế bảng hỏi, nhưng chưa nên gọi là thang đo đã được xác nhận. Hãy đối chiếu nguồn gốc, điều chỉnh theo đối tượng khảo sát, thử bảng hỏi, rồi kiểm định trên dữ liệu chính thức.

Alpha dưới 0.7 thì phải làm sao?

Trước hết kiểm tra mã hóa, biến đảo chiều, dữ liệu thiếu và nội dung các biến. Sau đó xem Corrected Item-Total Correlation và lý do lý thuyết trước khi cân nhắc loại biến. Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được xem xét theo Hair và cộng sự (2010), nhưng bạn phải giải thích bối cảnh thay vì giấu kết quả.

Có cần chạy EFA nếu đã dùng SmartPLS không?

Không phải đề tài nào dùng SmartPLS cũng phải chạy EFA trong SPSS. Nếu thiết kế của bạn đã xác định rõ mô hình đo lường, bạn có thể đánh giá outer loading, CR, AVE và HTMT trong SmartPLS theo quy trình phù hợp. Nếu thang đo được xây dựng hoặc điều chỉnh mạnh và mục tiêu là khám phá cấu trúc nhân tố, EFA có thể được cân nhắc ở bước trước, miễn là bạn nêu rõ lý do và trình tự.

Mở lại bảng hỏi và file dữ liệu của bạn, lập danh sách mã LTPL, xác định mỗi mã đo thành phần nào, rồi chạy Reliability Analysis với tùy chọn Scale if item deleted trước khi quyết định sửa thang đo; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.