Factors Affecting Career Commitment
Khánh
2022-03-28
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──## ✓ ggplot2 3.3.5 ✓ purrr 0.3.4
## ✓ tibble 3.1.6 ✓ dplyr 1.0.7
## ✓ tidyr 1.1.4 ✓ stringr 1.4.0
## ✓ readr 2.1.1 ✓ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(writexl) # export excel
library(haven) # read sav
library(labelled) # variable label
library(rmarkdown) # html table
library(naniar) # missing data
library(mice) # fill missing data##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbindlibrary(plm) # panel regression##
## Attaching package: 'plm'## The following objects are masked from 'package:dplyr':
##
## between, lag, leadlibrary(lmtest) # homoskedasticity## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericlibrary(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo1. Import và reshape ban đầu dữ liệu
1.1. Đọc dữ liệu từ file csv và sav
dat <- read.csv("ENTCo.csv")
var.label <- read_sav("ENTCo.sav") %>%
var_label(unlist = T) %>%
data.frame(var = names(dat), label = .)
rownames(var.label) <- NULL
var_label(dat) <- var_label(read_sav("ENTCo.sav"))
test <- head(dat)
paged_table(var.label)1.2. Reshape data với các biến câu hỏi
Bọn em dự định reshape lại bộ dữ liệu thành dạng panel data với N = 499 trong 4 giai đoạn (T = 4)
Trước tiên bọn em tách các biến ra thành 2 phần là các biến câu hỏi
(có chữ q ở đầu tên biến) và những biến khác trong file csv
để thực hiện reshape theo 2 cách khác nhau ạ.
dat_reshape1 <- dat %>%
mutate(id = as.numeric(rownames(.)), .before = 1) %>%
select(
id,
grep("CollectorNm", names(.)),
grep("respondent_id", names(.)),
grep("collector_id", names(.)),
grep("date_created", names(.)),
grep("date_modified", names(.)),
grep("ip_address", names(.)),
grep("email_address", names(.)),
grep("first_name", names(.)),
grep("last_name", names(.)),
grep("custom_1", names(.)),
grep("q", names(.))
) %>%
rename(q0093_Tasks.S1 = q0093.S1_Tasks.S1) %>%
rename(q0107_0001.S2 = q0107_0001.S) %>%
rename(
q0114_0002i.S1 = q0114_0002.S1i,
q0114_0003i.S1 = q0114_0003.S1i
) %>%
gather(key, value, -id) %>%
arrange(key) %>%
mutate(key = case_when(
grepl(".S", key) == F ~ paste(key, ".S0", sep =""),
TRUE ~ key
)) %>%
separate(key, into = c("key", "stage"), sep = ".S", convert = T) %>%
spread(key, value, convert = T) %>%
relocate(id, respondent_id) %>%
arrange(id, stage)## Warning: attributes are not identical across measure variables;
## they will be dropped1.3. Reshape data với các biến còn lại
unuse_var <- c(
# "q0093.S1_Tasks.S1",
"Burnout.chg.S1.S0",
"Changes.chg.S1.S0",
"Chg.Harmonie",
"Code_region",
"coef_vari",
"coef_volatil",
"Coping.Avoid.S1.S0",
"Coping.Emo.S1.S0",
"Coping.Task.S1.S0",
"Couple",
# "email_address",
"Ethnie",
"Genre",
"Hybrid",
"Immigrant",
"Innovation",
"Oppt",
"piege_burnout_WB",
"Piege_CA.S0.S1_cat",
"Piege_date_naissance_cat",
"piege_defi_CTF",
"Piege_Empl.S0.S1_ampleur",
"Piege_Empl.S0.S1_ampleur_cat",
"piege_fatigue",
"piege_heures",
"Piege_nb_enfants_cat",
"piege_oppt_vente",
"piege_optim_CA",
"piege_optim_profit",
"piege_optim_reuss",
"Piege_secteur_cat",
"piege_ventes_CA",
"Proactive",
"Psy_Deta",
"PsyCap_Hope",
"PsyCap_M",
"PsyCap_Optim",
"PsyCap_Resil",
"PsyCap_SelfEff",
"Rel.Chg.Coping.Avoid",
"Rel.Chg.Coping.Emo",
"Rel.Chg.Coping.Task",
"Resilience.chg.S1.S0",
"Resources",
"Resources_IntraOrg",
"Resources_IntraOrg.chg.S1.S0",
"Resources_Relation.chg.S1.S0",
"Resources.chg.S1.S0",
"Sleep.chg.S1.S0",
"Somme_err",
"Stress.chg.S1.S0",
"SUM.Abs.erreurs",
"Tasks.chg.S1.S0",
"Team",
"Techno_Avant_Apres",
"Temps_completion_S0",
"Temps_completion_S0_cat",
"Temps_completion_S1",
"Temps_completion_S1_cat",
"tendance_moy",
"Wellbeing.chg.S1.S0"
)dat_reshape2 <- dat %>%
mutate(id = as.numeric(rownames(.)), .before = 1) %>%
select(
- grep("CollectorNm", names(.)),
- grep("respondent_id", names(.)),
- grep("collector_id", names(.)),
- grep("date_created", names(.)),
- grep("date_modified", names(.)),
- grep("ip_address", names(.)),
- grep("email_address", names(.)),
- grep("first_name", names(.)),
- grep("last_name", names(.)),
- grep("custom_1", names(.)),
-grep("q", names(.)),
) %>%
gather(key, value, -id, -unuse_var) %>%
arrange(key) %>%
mutate(key = case_when(
grepl(".S", key) == F ~ paste(key, ".S0", sep =""),
TRUE ~ key
)) %>%
separate(key, into = c("key", "stage"), sep = ".S", convert = T) %>%
spread(key, value, convert = T) %>%
relocate(id, stage) %>%
arrange(id, stage)## Note: Using an external vector in selections is ambiguous.
## ℹ Use `all_of(unuse_var)` instead of `unuse_var` to silence this message.
## ℹ See <https://tidyselect.r-lib.org/reference/faq-external-vector.html>.
## This message is displayed once per session.## Warning: attributes are not identical across measure variables;
## they will be dropped## Warning: Expected 2 pieces. Additional pieces discarded in 499 rows [33933,
## 33934, 33935, 33936, 33937, 33938, 33939, 33940, 33941, 33942, 33943, 33944,
## 33945, 33946, 33947, 33948, 33949, 33950, 33951, 33952, ...].1.4. Merge 2 bộ số liệu
Sau khi đã reshape, bọn em tiến hành merge 2 bộ số liệu lại ạ. Kết quả về bộ số liệu đã reshape thành dạng panel như bên dưới ạ.
dat_reshaped <- dat_reshape1 %>%
left_join(dat_reshape2)## Joining, by = c("id", "stage")paged_table(head(dat_reshaped, n = 10))2. Nhân tố
Các nhân tố được sử dụng trong mô hình hồi quy phân tích các nhân tố tác động đến Career Commitment
=> Với mô hình theo ảnh bên dưới này cần phải thực hiện nhiều mô
hình hồi quy nhỏ lẻ nên bọn em quyết định tách các biến có trong mô hình
này ra từ bộ dữ liệu gốc (đã reshape ở bên trên) thành bộ dữ liệu
reg_dat có các biến trong mô hình.
Mô hình nghiên cứu
2.1. Career shock
Career shockcó thể được đo lường bởi q0084, hoặc q0085, hoặc q0084*q0085, hoặc q0084*q0093;
(q0084) Since last June, how much has your business environment changed? (Curseur de 0-No change to 10-Complete and radical change)
(q0085) Since last June, are the changes in your business environment primarily threats or opportunities for your business? (curseur de -10 à +10, avec -10-Big threats à + 10-Big opportunities, 0=Threats equal opportunities)
(q0093) Since last June, have the changes you have had to make in your business been difficult or easy to implement? (scale of -5 to +5, with -5-Changes very difficult to implement to +5-Changes very easy to implement, 0=Neither difficult nor easy)
career_shock <- dat_reshaped %>%
select(id, stage, q0084, q0085, q0093) %>%
mutate(
q0084 = scale(q0084),
q0084 = scale(q0085),
q0093 = scale(q0093)
) %>%
mutate(q0084xq0085 = q0084*q0085) %>%
mutate(q0084xq0093 = q0084*q0093) %>%
select(-q0093)
paged_table(head(career_shock, n = 10))2.2. Increased Workload
Increased Workload là số bình quân của q0086, q0087,
q0088, q0089, q0090
(q0086) Since last June, how different were your sales compared to the same period in 2019? (Curseur : 10-point scale, from -5-Significant decrease in sales to +5-Significant increase in sales, 0=Same sales)
Since last June, what is the level of change on the following aspects of your business? (q0087) Clientele: 10-point scale, from 0-Clientele remains unchanged, to 10-Clientele completely new (q0088) Products/services: 10-point scale, from 0-No changes to products/services to 10- Completely new products/services (q0089) Procurement from suppliers: 10-point scale, from 0-No changes in procurement to 10-Major changes in procurement (q0090) Work organization: 10-point scale, from 0-No changes to work organization to 10-Completely different work organization
increased_workload <- dat_reshaped %>%
select(id, stage, q0086, q0087, q0088, q0089, q0090) %>%
mutate(
q0086 = scale(q0086),
q0086 = scale(q0087),
q0086 = scale(q0088),
q0086 = scale(q0089),
q0086 = scale(q0090)
) %>%
mutate(increased_workload = (q0086 + q0087 + q0088 + q0089 + q0090) / 5, .keep = "unused")
paged_table(head(increased_workload, n = 10))2.3. Stress, Burnout và Career commitment
Stress và Burnout có sẵn trong bộ số
liệu
Career commitment bọn em chưa tìm được từ tài liệu thầy
gửi về lý giải cách tích chi tiết của biến này nên bọn em theo bọn em
hiểu (có thể sai sót) rằng công thức để tính toán cho biến này là:
q0035 \(\times\) q0102: nếu người trả lời là nhân viên làm công tại các doanh nghiệp
q0103: nếu người trả lời là doanh nhân
reg_dat <- dat_reshaped %>%
select(id, stage, Stress, Burnout, q0101, q0035, q0102, q0103) %>%
mutate(
commit = case_when(
(q0101 == 1) ~ (q0035*q0102),
(q0101 == 2 | q0101 == 3) ~ (q0103)
),
.keep = "unused"
) %>%
left_join(increased_workload) %>%
left_join(
select(
career_shock,
id,
stage,
q0084xq0093
)
) %>%
rename(
career_shock = q0084xq0093
) %>%
mutate(
career_shock = as.numeric(career_shock),
increased_workload = as.numeric(increased_workload)
)## Joining, by = c("id", "stage")
## Joining, by = c("id", "stage")paged_table(head(reg_dat, n = 10))3. Missing Data và Outliers
3.1. Missing Data
Điền missing data ở biến career_shock và
increased_workload bằng thuật toán decision tree
reg_dat %>%
gg_miss_var()## Warning: It is deprecated to specify `guide = FALSE` to remove a guide. Please
## use `guide = "none"` instead.
fill_miss <- reg_dat %>%
select(id, stage, career_shock, increased_workload) %>%
mice(method = "cart") %>%
complete()##
## iter imp variable
## 1 1 career_shock increased_workload
## 1 2 career_shock increased_workload
## 1 3 career_shock increased_workload
## 1 4 career_shock increased_workload
## 1 5 career_shock increased_workload
## 2 1 career_shock increased_workload
## 2 2 career_shock increased_workload
## 2 3 career_shock increased_workload
## 2 4 career_shock increased_workload
## 2 5 career_shock increased_workload
## 3 1 career_shock increased_workload
## 3 2 career_shock increased_workload
## 3 3 career_shock increased_workload
## 3 4 career_shock increased_workload
## 3 5 career_shock increased_workload
## 4 1 career_shock increased_workload
## 4 2 career_shock increased_workload
## 4 3 career_shock increased_workload
## 4 4 career_shock increased_workload
## 4 5 career_shock increased_workload
## 5 1 career_shock increased_workload
## 5 2 career_shock increased_workload
## 5 3 career_shock increased_workload
## 5 4 career_shock increased_workload
## 5 5 career_shock increased_workloadĐiền missing data cho các biến còn lại bằng phương pháp hồi quy ngẫu nhiên (giúp giữ được mối quan hệ tương quan giữa các biến)
Mô hình hồi quy được bọn em sử dụng bao gồm career_shock
và increased_workload đã được điền các missing data lúc
trước làm biến độc lập và các biến còn lại làm biến phục thuộc bao gồm
Stress Burnout commit. Cụ thể bọn
em tiến hành hồi quy và điền giá trị missing cho 3 biến này ở từng wave
khác nhau.
Điền missing data cho các biến còn lại ở Wave 0:
reg_dat[reg_dat$stage == 0, ] <- reg_dat %>%
filter(stage == 0) %>%
select(-increased_workload, -career_shock) %>%
left_join(fill_miss) %>%
select(-id, -stage) %>%
mice(method = "norm.nob") %>%
complete() %>%
mutate(
id = as.numeric(rownames(.)),
stage = 0,
.before = 1
)## Joining, by = c("id", "stage")##
## iter imp variable
## 1 1 Stress Burnout commit
## 1 2 Stress Burnout commit
## 1 3 Stress Burnout commit
## 1 4 Stress Burnout commit
## 1 5 Stress Burnout commit
## 2 1 Stress Burnout commit
## 2 2 Stress Burnout commit
## 2 3 Stress Burnout commit
## 2 4 Stress Burnout commit
## 2 5 Stress Burnout commit
## 3 1 Stress Burnout commit
## 3 2 Stress Burnout commit
## 3 3 Stress Burnout commit
## 3 4 Stress Burnout commit
## 3 5 Stress Burnout commit
## 4 1 Stress Burnout commit
## 4 2 Stress Burnout commit
## 4 3 Stress Burnout commit
## 4 4 Stress Burnout commit
## 4 5 Stress Burnout commit
## 5 1 Stress Burnout commit
## 5 2 Stress Burnout commit
## 5 3 Stress Burnout commit
## 5 4 Stress Burnout commit
## 5 5 Stress Burnout commitĐiền missing data cho các biến còn lại ở Wave 1
reg_dat[reg_dat$stage == 1, ] <- reg_dat %>%
filter(stage == 1) %>%
select(-increased_workload, -career_shock) %>%
left_join(fill_miss) %>%
select(-id, -stage) %>%
mice(method = "norm.nob") %>%
complete() %>%
mutate(
id = as.numeric(rownames(.)),
stage = 1,
.before = 1
)## Joining, by = c("id", "stage")##
## iter imp variable
## 1 1 Stress Burnout commit
## 1 2 Stress Burnout commit
## 1 3 Stress Burnout commit
## 1 4 Stress Burnout commit
## 1 5 Stress Burnout commit
## 2 1 Stress Burnout commit
## 2 2 Stress Burnout commit
## 2 3 Stress Burnout commit
## 2 4 Stress Burnout commit
## 2 5 Stress Burnout commit
## 3 1 Stress Burnout commit
## 3 2 Stress Burnout commit
## 3 3 Stress Burnout commit
## 3 4 Stress Burnout commit
## 3 5 Stress Burnout commit
## 4 1 Stress Burnout commit
## 4 2 Stress Burnout commit
## 4 3 Stress Burnout commit
## 4 4 Stress Burnout commit
## 4 5 Stress Burnout commit
## 5 1 Stress Burnout commit
## 5 2 Stress Burnout commit
## 5 3 Stress Burnout commit
## 5 4 Stress Burnout commit
## 5 5 Stress Burnout commitĐiền missing data cho các biến còn lại ở Wave 2
reg_dat[reg_dat$stage == 2, ] <- reg_dat %>%
filter(stage == 2) %>%
select(-increased_workload, -career_shock) %>%
left_join(fill_miss) %>%
select(-id, -stage) %>%
mice(method = "norm.nob") %>%
complete() %>%
mutate(
id = as.numeric(rownames(.)),
stage = 2,
.before = 1
)## Joining, by = c("id", "stage")##
## iter imp variable
## 1 1 Burnout commit
## 1 2 Burnout commit
## 1 3 Burnout commit
## 1 4 Burnout commit
## 1 5 Burnout commit
## 2 1 Burnout commit
## 2 2 Burnout commit
## 2 3 Burnout commit
## 2 4 Burnout commit
## 2 5 Burnout commit
## 3 1 Burnout commit
## 3 2 Burnout commit
## 3 3 Burnout commit
## 3 4 Burnout commit
## 3 5 Burnout commit
## 4 1 Burnout commit
## 4 2 Burnout commit
## 4 3 Burnout commit
## 4 4 Burnout commit
## 4 5 Burnout commit
## 5 1 Burnout commit
## 5 2 Burnout commit
## 5 3 Burnout commit
## 5 4 Burnout commit
## 5 5 Burnout commitĐiền missing data cho các biến còn lại ở Wave 3:
Bảng dưới thể hiện kết quả sau khi đã điền giá trị trống:
reg_dat[reg_dat$stage == 3, ] <- reg_dat %>%
filter(stage == 3) %>%
select(-increased_workload, -career_shock) %>%
left_join(fill_miss) %>%
select(-id, -stage) %>%
mice(method = "norm.nob") %>%
complete() %>%
mutate(
id = as.numeric(rownames(.)),
stage = 3,
.before = 1
)## Joining, by = c("id", "stage")##
## iter imp variable
## 1 1 Stress Burnout commit
## 1 2 Stress Burnout commit
## 1 3 Stress Burnout commit
## 1 4 Stress Burnout commit
## 1 5 Stress Burnout commit
## 2 1 Stress Burnout commit
## 2 2 Stress Burnout commit
## 2 3 Stress Burnout commit
## 2 4 Stress Burnout commit
## 2 5 Stress Burnout commit
## 3 1 Stress Burnout commit
## 3 2 Stress Burnout commit
## 3 3 Stress Burnout commit
## 3 4 Stress Burnout commit
## 3 5 Stress Burnout commit
## 4 1 Stress Burnout commit
## 4 2 Stress Burnout commit
## 4 3 Stress Burnout commit
## 4 4 Stress Burnout commit
## 4 5 Stress Burnout commit
## 5 1 Stress Burnout commit
## 5 2 Stress Burnout commit
## 5 3 Stress Burnout commit
## 5 4 Stress Burnout commit
## 5 5 Stress Burnout commitpaged_table(head(reg_dat, n = 10))3.2. Outliers
Về vấn đề outliers, bọn em xử lý bằng cách thay các giá trị outliers bằng các phân vị mức 5% và mức 95%
qnt1 <- quantile(reg_dat$increased_workload, probs=c(.25, .75), na.rm = T)
caps1 <- quantile(reg_dat$increased_workload, probs=c(.05, .95), na.rm = T)
H1 <- 1.5 * IQR(reg_dat$increased_workload, na.rm = T)
qnt2 <- quantile(reg_dat$commit, probs=c(.25, .75), na.rm = T)
caps2 <- quantile(reg_dat$commit, probs=c(.05, .95), na.rm = T)
H2 <- 1.5 * IQR(reg_dat$commit, na.rm = T)
reg_dat <- reg_dat %>%
mutate(increased_workload = case_when(
(increased_workload < (qnt1[1] - H1)) ~ caps1[1],
(increased_workload > (qnt1[2] + H1)) ~ caps1[2],
TRUE ~ increased_workload
)) %>%
mutate(commit = case_when(
(commit < (qnt2[1] - H2)) ~ caps2[1],
(commit > (qnt2[2] + H2)) ~ caps2[2],
TRUE ~ commit
))reg_dat %>%
select(-id, -stage) %>%
boxplot()
4. Phân tích
Theo mô hình lý thuyết của thầy gứi, các biến có tác động khác nhau
đến biến phụ thuộc nên phải thực hiện phân tích lần lượt nhiều mô hình
nhỏ. Tuy nhiên vì giới hạn về kiến thức và thời gian, nên bọn em quyết
định chỉ phân tích tác động trực tiếp của Stress đến
Career Commitment theo các phương pháp hồi quy dành cho
panel data khác nhau để kiểm tra các kết quả từ các mô hình khác nhau
này có thực sự tương đồng?
4.1. Panel data
4.1.1. Pooled OLS
m1 <- lm(commit ~ Stress, data = reg_dat)
summary(m1)##
## Call:
## lm(formula = commit ~ Stress, data = reg_dat)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.155 -3.194 -1.322 1.806 17.395
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.7962 0.5230 16.819 < 2e-16 ***
## Stress 0.8718 0.1870 4.663 3.32e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.384 on 1994 degrees of freedom
## Multiple R-squared: 0.01079, Adjusted R-squared: 0.01029
## F-statistic: 21.75 on 1 and 1994 DF, p-value: 3.319e-06anova(m1)## Analysis of Variance Table
##
## Response: commit
## Df Sum Sq Mean Sq F value Pr(>F)
## Stress 1 886 886.34 21.746 3.319e-06 ***
## Residuals 1994 81274 40.76
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Theo phương pháp Pooled OLS: Stress có tác động tích cực (có ý nghĩa thống kê) đến career commitment
4.1.2. Fixed Effect
m2 <- plm(
commit ~ Stress,
data = reg_dat,
model = "within"
)
summary(m2)## Oneway (individual) effect Within Model
##
## Call:
## plm(formula = commit ~ Stress, data = reg_dat, model = "within")
##
## Balanced Panel: n = 499, T = 4, N = 1996
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -16.19566 -3.02417 -0.18353 2.02485 18.40777
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## Stress 0.47819 0.28840 1.6581 0.09751 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 55307
## Residual Sum of Squares: 55205
## R-Squared: 0.0018343
## Adj. R-Squared: -0.33111
## F-statistic: 2.74922 on 1 and 1496 DF, p-value: 0.097512Theo phương pháp FEM: Stress có tác động tích cực (có ý nghĩa thống kê) đến career commitment
4.1.3. Random Effect
m3 <- plm(
commit ~ Stress,
data = reg_dat,
model = "random"
)
summary(m3)## Oneway (individual) effect Random Effect Model
## (Swamy-Arora's transformation)
##
## Call:
## plm(formula = commit ~ Stress, data = reg_dat, model = "random")
##
## Balanced Panel: n = 499, T = 4, N = 1996
##
## Effects:
## var std.dev share
## idiosyncratic 36.902 6.075 0.906
## individual 3.832 1.958 0.094
## theta: 0.1595
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -11.8192 -3.1389 -1.1599 1.6046 16.6618
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 8.94075 0.55362 16.1496 < 2.2e-16 ***
## Stress 0.81810 0.19674 4.1582 3.207e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Total Sum of Squares: 74280
## Residual Sum of Squares: 73641
## R-Squared: 0.0085969
## Adj. R-Squared: 0.0080997
## Chisq: 17.2909 on 1 DF, p-value: 3.2072e-05Theo phương pháp REM: Stress có tác động tích cực (có ý nghĩa thống kê) đến career commitment
Kiểm định Hausman
phtest(m2, m3)##
## Hausman Test
##
## data: commit ~ Stress
## chisq = 2.598, df = 1, p-value = 0.107
## alternative hypothesis: one model is inconsistent=> p-value > 5%. Chọn mô hình RE phù hợp hơn (tuy nhiên kết quả mô hình FE vẫn có ý nghĩa, chỉ là việc sử dụng FE trong phân tích sẽ kém hiệu quả hơn)
4.1.4. Kiểm định các mô hình
4.1.4.1. Tương quan chuỗi
pbgtest(m3)##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: commit ~ Stress
## chisq = 3.4551, df = 4, p-value = 0.4847
## alternative hypothesis: serial correlation in idiosyncratic errors=> Không có hiện tượng tương quan chuỗi
4.1.4.2. Kiểm tra tính dừng
adf.test(reg_dat$commit, k = 0)## Warning in adf.test(reg_dat$commit, k = 0): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: reg_dat$commit
## Dickey-Fuller = -40.968, Lag order = 0, p-value = 0.01
## alternative hypothesis: stationaryadf.test(reg_dat$Stress, k = 0)## Warning in adf.test(reg_dat$Stress, k = 0): p-value smaller than printed p-value##
## Augmented Dickey-Fuller Test
##
## data: reg_dat$Stress
## Dickey-Fuller = -26.676, Lag order = 0, p-value = 0.01
## alternative hypothesis: stationary=> Cả 2 đều có p-value < 5% => cả hai biến đều dừng
4.1.4.4 Kiểm tra phụ thuộc giữa các nhóm
pcdtest(m3, test = c("cd"))##
## Pesaran CD test for cross-sectional dependence in panels
##
## data: commit ~ Stress
## z = 13.584, p-value < 2.2e-16
## alternative hypothesis: cross-sectional dependence=> p-value < 5%
=> cross-sectional dependence
Tuy nhiên đây cũng không phải vấn đề quá lớn vì T nhỏ (T = 4) và N lớn (N = 499)
4.1.4.5. Phương sai sai số thay đổi
bptest(
commit ~ Stress,
data = reg_dat,
studentize = F
)##
## Breusch-Pagan test
##
## data: commit ~ Stress
## BP = 9.6679, df = 1, p-value = 0.001875=> p-value < 5%: Có hiệu tượng phương sai sai số thay đổi
4.1.5. FGLS
Mô hình FGLS hiệu quả trong việc xử lý vấn đề phương sai sai số thay đổi và tự tương quan trong mô hình cũ
m4 <- pggls(
commit ~ Stress,
data = reg_dat,
model = "pooling"
)
summary(m4)## Oneway (individual) effect General FGLS model
##
## Call:
## pggls(formula = commit ~ Stress, data = reg_dat, model = "pooling")
##
## Balanced Panel: n = 499, T = 4, N = 1996
##
## Residuals:
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -10.3357 -2.1341 -0.2676 1.0396 2.8659 17.6352
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 8.66558 0.41945 20.6596 < 2.2e-16 ***
## Stress 0.53402 0.15081 3.5409 0.0003987 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Total Sum of Squares: 82161
## Residual Sum of Squares: 83565
## Multiple R-squared: -0.01709Kết quả cũng cho rằng Stress tác động tích cực đến Career commitment
Tổng hợp các kết quả từ các mô hình -> Kết luận rằng Stress có tác động tích cực đến Career Commitment
4.2. Phân tích với biến phụ thuộc là thang Likert
Vì biến phụ thuộc là dạng biến rời rạc với 7 biểu hiện nên nhóm quyết định sử dụng phương pháp hồi quy logistic đa thức (Multinomial Logistic Regression)
Tạo bộ dữ liệu log_dat để tiến hành phân tích. Trong đó
commit_likert là đại diện cho career commitment. Vì câu hỏi
gốc cho biến phụ thuộc này q0035 chỉ được hỏi cho những đối
tượng đang làm công ăn lương (labor) (không có doanh nhân, hay đối tượng
khác), nên phạm vi phần phân tích này cũng chỉ thuộc phạm vi đó. Cụ
thể:
(q0035) In how many years do you want to leave salaried employment and devote yourself completely to your business?
Never, I want to continue combining work and entrepreneurship
In about 1 year
In about 2 years
In about 3 years
In more than 3 years
As soon as I can make a living from it
I don’t know yet if I want to quit my work
log_dat <- reg_dat %>%
select(q0101, q0035, Stress, Burnout) %>%
filter(q0101 == 1) %>%
drop_na(q0035) %>%
select(-q0101) %>%
mutate(q0035 = relevel(as.factor(q0035), ref = "1")) %>%
rename(commit_likert = q0035)
paged_table(head(log_dat, n = 10))library(nnet) # package (Multinomial Logistic Regression)4.2.1. Career commitment vs Stress
log_m1 <- multinom(commit_likert ~ Stress, data = log_dat)## # weights: 21 (12 variable)
## initial value 268.535601
## iter 10 value 246.419409
## final value 246.185135
## convergedsummary(log_m1)## Call:
## multinom(formula = commit_likert ~ Stress, data = log_dat)
##
## Coefficients:
## (Intercept) Stress
## 2 -1.7008371 0.47715345
## 3 -2.2171004 0.41494826
## 4 -2.2719029 0.33235246
## 5 -1.2338899 -0.26900156
## 6 -0.5340600 0.15179484
## 7 -0.4965278 0.01195607
##
## Std. Errors:
## (Intercept) Stress
## 2 1.310645 0.4600046
## 3 1.653360 0.5785953
## 4 1.832440 0.6445740
## 5 2.173271 0.8116502
## 6 1.176593 0.4228770
## 7 1.282708 0.4650631
##
## Residual Deviance: 492.3703
## AIC: 516.3703=> Ta thấy được hầu hết các hệ số > 0, chứng tỏ Stress có tác động tích cực đến Career commitment
4.2.2. Career commitment vs Stress & Burnout
Thêm biến Burnout làm biến độc lập của mô hình
log_m2 <- multinom(commit_likert ~ Stress + Burnout, data = log_dat)## # weights: 28 (18 variable)
## initial value 268.535601
## iter 10 value 244.718712
## iter 20 value 242.745430
## final value 242.744679
## convergedsummary(log_m2)## Call:
## multinom(formula = commit_likert ~ Stress + Burnout, data = log_dat)
##
## Coefficients:
## (Intercept) Stress Burnout
## 2 -1.7592495 0.89513428 -0.2760507
## 3 -2.3048288 1.15469148 -0.5108177
## 4 -2.3617022 1.03044439 -0.4777101
## 5 -1.2567214 0.03428045 -0.2032416
## 6 -0.6109629 0.69953021 -0.3666681
## 7 -0.6427422 0.86162047 -0.5816051
##
## Std. Errors:
## (Intercept) Stress Burnout
## 2 1.329594 0.5936159 0.2481570
## 3 1.659371 0.7234443 0.3039266
## 4 1.834083 0.8027725 0.3375694
## 5 2.205586 1.0753854 0.4479116
## 6 1.198924 0.5537926 0.2321404
## 7 1.303298 0.6016580 0.2560726
##
## Residual Deviance: 485.4894
## AIC: 521.4894Các hệ số của Stress đều > 0 => Stress có tác động tích cực đến Career commitment
Ngược lại với Stress, khi xét thêm yếu tố Burnout, thì các hệ số của Burnout đều < 0 => Burnout có tác động tiêu cực đến Career commitment