1
Bạn cần hỗ trợ?
Trang chủ » Phân tích định lượng
Phân tích phương sai ANOVA trong SPSS: Khái niệm, phân loại và cách chạy
         Phân tích phương sai hay còn gọi là phân tích ANOVA. Trong các bài nghiên cứu khoa học, Phân tích phương sai ANOVA là một phương pháp được dùng để so sánh giá trị từ các bộ dữ liệu khác nhau. Vậy Phân tích ANOVA là gì? Sử dụng Phân tích ANOVA ra sao và thực hành như thế nào? Tất cả sẽ được thể hiện bài dưới sau tại luận văn 3c.         Phân tích phương sai - ANOVA là gì? H2        Phương pháp phân tích phương sai (Analysis of Variance)  hay còn gọi là kiểm định ANOVA được dùng khi nghiên cứu ảnh hưởng của biến nguyên nhân định tính lên biến kết quả định lượng, phương pháp này so sánh trung bình của nhiều nhóm (3 nhóm trở lên). Kỹ thuật kiểm định ANOVA này được phát triển bởi Ronald Fisher năm 1918.      Ví dụ: Phân tích sự khác biệt giữa các thuộc tính khách hàng (giới tính, tuổi, nghề nghiệp, thu nhập…) đối với một vấn đề nào đó (thường chọn là nhân tố phụ thuộc, ví dụ: Sự hài lòng)      Một số giả định khi phân tích Anova: -Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên. -Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.   -Phương sai của các nhóm so sánh phải đồng nhất         Có 2 loại phân tích phương sai Anova phổ biến h2        Có nhiều loại phân tích phương sai, tuy nhiên trong giới hạn bài viết ta tìm hiểu hai loại mà hay dùng trong các nghiên cứu thống kê là phân tích phương sai một yếu tố (one-way ANOVA) và Phân tích ANOVA hai yếu tố (two-way ANOVA).       Phân tích phương sai một yếu tố (one-way ANOVA) h3      Phân tích phương sai một yếu tố là phân tích ảnh hưởng của một yếu tố nguyên nhân (dạng biến định tính) đến một yếu tố kết quả (dạng biến định lượng) đang nghiên cứu.      Tổng kết lại: Phân tích One-way ANOVA được sử dụng để xem có sự khác biệt có ý nghĩa nào giữa các đối tượng của ba hay nhiều nhóm độc lập với nhau hay không.      Ví dụ như:   Nghiên cứu có thể sử dụng phân tích phương sai một yếu tố để tìm hiểu liệu động lực làm việc có khác nhau hay không dựa trên trình độ người lao động (chia trình độ người lao động thành ba nhóm độc lập: từ trung cấp trờ xuống, cao đẳng- đại học, thạc sĩ trở lên). Phân tích ANOVA hai yếu tố (two-way ANOVA)h3        Phân tích phương sai 2 yếu tố nhằm xem xét cùng lúc hai yếu tố nguyên nhân (dưới dạng dữ liệu định tính) ảnh hưởng đến yếu tố kết quả (dưới dạng dữ liệu định lượng) đang nghiên cứu.       Ví dụ: Nghiên cứu ảnh hưởng của trình độ học vấn và giới tính đến động lực làm việc người lao động. Phân tích phương sai 2 yếu tố giúp chúng ta đưa thêm yếu tố nguyên nhân vào phân tích làm cho kết quả nghiên cứu càng có giá trị.        Thực hành kiểm định ANOVA trong SPSS h2        Trình tự thực hiện phân tích ANOVA trong SPSS h3       Ví dụ: nghiên cứu về các yếu tố quảng cáo trên mạng xã hội  tác động hành vi mua sắm trực tuyến của giới trẻ, nghiên cứu xây dựng các yếu tố như sau: Tính thông tin, Tính giải trí, Sự tin cậy, Sự phiền nhiễu, Tính tương tác xã hội. Để xem xét sự khác biệt của các đặc điểm độ tuổi khách hàng đến ý định mua sắm trực tuyến của giới trẻ, nghiên cứu sử dụng phân tích, ANOVA giữa các nhóm đối tượng có độ tuổi khác nhau với thành phần đã được kiểm định nhằm tìm ra sự khác biệt có nghĩa giữa các nhóm nhất định.       Thực hiện phân tích phương sai một yếu tố ANOVA trong SPSS, cần thực hiện các bước theo sau: h3 Bước 1: Kích vào Analyze -> Compare Means -> One-Way ANOVA như hình dưới đây Bảng One-Way ANOVA hiện ra dưới đây         Chuyển biến phụ thuộc ý định mua sắm trực tuyến (YD_F) vào ô Dependent List và biến tác động độ tuổi (dotuoi) vào ô Factor như hình trên.         Bước 2: chọn tab Post_hoc rồi tích chọn Tukeysau đó ấnContinue Bước 3 : Kích chọn  button Options... , tích chọn Descriptive tap ô Statisticssau đó ấnContinue Bước 4: Nhấn vào button OK          Cách phân tích kết quả phân tích phương sai anova một yếu tố         Sau khi thực hiện xong 4 bước trên, phần mềm SPSS  xuất ra kết quả bao gồm những  bảng sau: Mã hóa •Dưới 18 tuổi: 1 •Từ 18-25: 2   •Trên 25: 3 Bảng mô tả (Descriptives Table) Descriptives YD_F   N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum Lower Bound Upper Bound 1.00 16 3.0000 .73030 .18257 2.6109 3.3891 2.00 4.00 2.00 125 3.4080 .68505 .06127 3.2867 3.5293 2.00 5.00 3.00 48 3.0833 .73899 .10666 2.8688 3.2979 2.00 4.00 Total 189 3.2910 .71828 .05225 3.1879 3.3941 2.00 5.00        Bảng mô tả cung cấp một số thống kê mô tả như: giá trị trung bình, độ lệch chuẩn, độ tin cậy 95% cho biến phụ thuộc YD_F. Bảng ANOVA   ANOVA YD_F   Sum of Squares df Mean Square F Sig. Between Groups 5.136 2 2.568 5.200 .006 Within Groups 91.859 186 .494     Total 96.995 188              Đây là bảng kết quả đầu ra của phân tích ANOVA. Với kết quả này, có thể sẽ đánh giá được liệu có sự khác biệt có ý nghĩa thống kê giữa các nhóm hay không. Trong bảng ANOVA, ta thấy rằng giá trị hệ số Sig. = .006 < 0.05 => Kết luận có sự khác biệt có ý nghĩa thống kê về độ tuổi đến hành vi mua sắm trực tuyến của giới trẻ.  Để biết chi tiết nhóm nào khác với nhóm nào cần nhìn vào bảng dưới đây.         Đây là bảng kết quả đầu ra của phân tích ANOVA. Với kết quả này, có thể sẽ đánh giá được liệu có sự khác biệt có ý nghĩa thống kê giữa các nhóm hay không. Trong bảng ANOVA, ta thấy rằng giá trị hệ số Sig. = .006 < 0.05 => Kết luận có sự khác biệt có ý nghĩa thống kê về độ tuổi đến hành vi mua sắm trực tuyến của giới trẻ.  Để biết chi tiết nhóm nào khác với nhóm nào cần nhìn vào bảng dưới đây.   Multiple Comparisons Dependent Variable: YD_F  Tukey HSD (I) dotuoi (J) dotuoi Mean Difference (I-J) Std. Error Sig. 95% Confidence Interval Lower Bound Upper Bound 1.00 2.00 -.40800 .18659 .076 -.8489 .0329 3.00 -.08333 .20287 .911 -.5626 .3960 2.00 1.00 .40800 .18659 .076 -.0329 .8489 3.00 .32467* .11933 .019 .0427 .6066 3.00 1.00 .08333 .20287 .911 -.3960 .5626 2.00 -.32467* .11933 .019 -.6066 -.0427 *. The mean difference is significant at the 0.05 level.         Từ kết quả bảng Multiple Comparisons cho biết có sự khác biệt có ý nghĩa thống kê giữa các nhóm. Từ bảng Multiple Comparisons cho ta thấy biết nhiều hơn về sự khác biệt này. Xem tại cột Sig. cho thấy không có sự khác nhau giữa các nhóm tuổi đến hành vi mua sắm trực tuyến của giới trẻ.        Ở trên Luận Văn 3C đã trình bày khái niệm phân tích phương sai ANOVA và cách thực hành kiểm định ANOVA trong SPSS. Trong khi thực hiện nghiên cứu của mình, bạn gặp khó khăn gì về cách chạy cũng như kết quả đầu ra. Hãy liên hệ với Dịch vụ Phân tích định lượng - Hỗ trợ SPSS của Luận văn 3c nhé! Từ khóa: phân tích anova, phân tích one-way anova, kiểm định anova, kiểm định anova 1 chiều, phân tích khác biệt trung bình, phan tich phuong sai anova, phan tich phuong sai anova một yeu to, Phân tích phương sai ANOVA     
Hướng dẫn phân tích và đọc kết quả hồi quy đa biến trong SPSS
       Các phần trước, Luận Văn 3C  đưa ra các bài viết hướng dẫn phân tích độ tin cậy thang đo Cronbach’s Alpha, phân tích nhân tố khám phá EFA, kiểm định độ tin cậy thang đo Cronbach’s Alpha, Phân tích tương quan pearson trong SPSS … cùng với đó là cách chạy và đọc kết quả bằng phần mềm SPSS. Tiếp tục, phần tiếp theo  Luận Văn 3C sẽ hướng dẫn lý thuyết cùng với cách chạy số liệu SPSS để phân tích hồi quy đa biến.           Lý thuyết về hồi quy đa biến         Hồi quy đa biến hay còn gọi là hồi quy tuyến tính bội là mở rộng của hồi quy tuyến tính đơn. Nó được sử dụng khi chúng ta muốn dự đoán giá trị của một biến phụ thuộc dựa trên giá trị của nhiều biến độc lập khác. Hồi quy đa biến cho phép chúng ta xác định mức độ ảnh hưởng từng nhân tố độc lập  lên biến phụ thuộc.        Phương trình hồi quy đa biến có dạng tổng quát như sau       Y = β0 + β1X1 + β2X2 + … + βnXn + e Trong đó: Y: biến phụ thuộc, là biến chịu tác động của biến khác. •X, X1, X2, Xn: biến độc lập tác động lên biến phụ thuộc •β0:  là hệ số chặn, hay còn gọi là tung độ gốc •β1, β2, βn: hệ số hồi quy, hay còn được gọi là hệ số góc. Chỉ số này cho  cho biết có bao nhiêu đơn vị Y sẽ thay đổi khi  X tăng hoặc giảm một đơn vị.  •e: là sai số ngẫu nhiên, hình thành từ nhiều nguồn, ngoài tầm kiểm tra của hệ thống nghiên cứu (sai số rất nhỏ trong điều kiện thí nghiệm, sai số của dụng cụ, sai số khi theo dõi, ghi chép kết quả . . . ).          Ước lượng phân tích hồi quy tuyến tính bội bằng OLS (h2)          Mô hình hồi quу bình phương nhỏ nhất OLS (Ordinary Least Squares ) thường được ѕử dụng trong хem хét ѕự ảnh hưởng của các biến độc lập (biến giải thích) ᴠới biến phụ thuộc (biến được giải thích), từ đó хem хét tính phù hợp cũng như dự báo.         Giả định mô hình hồi quy tuyến tính bội         Khả năng áp dụng của kỹ thuật OLS dựa trên một số giả định nhất định. Các giả định của OLS như sau: •Sai số của phần dư (residuals errors) ở đường thẳng hồi quy có phân phối chuẩn hoặc xấp xỉ phân phối chuẩn. •Phương sai sai số đồng nhất theo tất cả các quan sát. •Sai số ngẫu nhiên sẽ độc lập thống kê lẫn nhân. Đây là giả định về không tự tương quan. •Dữ liệu không có chứa các điểm dị biệt (Xem thêm phát hiện điểm dị biệt). •Biến phụ thuộc trong mô hình phải là biến liên tục (có thể dạng tỉ lệ, hoặc dạng khoảng) •Có mối quan hệ tuyến tính giữa biến phụ thuộc với các biến giải thích của mô hình. Nếu dữ liệu có dạng phi tuyến, thì chúng ta thực hiện biến đổi biến thành biến mới qua một dạng hàm phù hợp sao cho biến mới này thỏa mãn giả định tuyến tính của mô hình hồi quy.  •Không có sự đa cộng tuyến giữa các biến giải thích. Điều đó có nghĩa các biến giải thích trong mô hình không có sự tương quan cao với nhau.       Nguyên tắc của phương pháp hồi quy OLS là làm cho biến đổi phần dư này trong phép hồi quy là nhỏ nhất. Khi biểu diễn trên mặt phẳng Oxy, đường hồi quy OLS là một đường thẳng đi qua phần tử dữ liệu mà ở đó, khoảng cách từ các điểm dữ liệu (trị tuyệt đối của ε) đến đường hồi quy là ngắn nhất.          Trên đồ thị scatter thể hiện mối quan hệ giữa các biến độc lập và biến phụ thuộc, các điểm số liệu sẽ  nằm phân tán nhưng có xu hướng chung tạo thành dạng một đường thẳng. Có thể có rất nhiều đường đường thẳng hồi quy đi qua các điểm số liệu này, chúng ta phải giải quyết bài toán chọn ra đường thẳng nào mô tả sát nhất xu hướng dữ liệu. Bình phương nhỏ nhất OLS sẽ tìm ra đường thẳng đó dựa trên nguyên tắc cực tiểu hóa khoảng cách từ các điểm dữ liệu đến đường thẳng.         Hướng dẫn phân tích hồi quy đa biến trong SPSS         Khi chạy phần mềm SPSS để phân tích hồi quy đa biến ta cần quan tâm đến các thông số sau: Hệ số Beta: hệ số hồi quy chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích của chúng với biến phụ thuộc.  Hệ số R2: đánh giá phần biến động của biến phụ thuộc được giải thích bởi các biến dự báo hay biến độc lập. Hệ số này có thể thay đổi từ 0 đến 1. Nếu giá trị này nằm trong khoảng từ 0.5 - 1 thì là mô hình tốt, < 0.5 là mô hình chưa tốt. Kiểm định ANOVA để kiểm tra tính phù hợp của mô hình với tập dữ liệu gốc.  Giá trị Sig. của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy, nếu mức ý nghĩa của kiểm định < 0.05 thì ta có thể kết luận mô hình hồi quy phù hợp với tập dữ liệu.  Hệ số phóng đại phương sai (VIF): là một chỉ số đánh giá hiện tượng cộng tuyến trong mô hình hồi quy. VIF càng nhỏ, càng ít khả năng xảy ra đa cộng tuyến. Hair và cộng sự (2009) cho rằng, ngưỡng VIF từ 10 trở lên sẽ xảy ra đa cộng tuyến mạnh. Nhà nghiên cứu nên cố gắng để VIF ở mức thấp nhất có thể, bởi thậm chí ở mức VIF bằng 5, bằng 3 đã có thể xảy ra đa cộng tuyến nghiêm trọng. Theo Nguyễn Đình Thọ (2010) , trên thực tế, nếu VIF > 2, thì đã có thể xảy ra sự đa cộng tuyến gây sai lệch các ước lượng hồi quy. Vì vậy nếu VIF > 2 có thể kiểm tra hiện tượng đa cộng tuyến.        Cách chạy hồi quy đa biến trong SPSS        Xét ví dụ về phân tích hồi quy đa biến trong SPSS: Nghiên cứu nghiên cứu các tác động của quảng cáo trên mạng xã hội đến hành vi mua sắm trực tuyến của giới trẻ        Mô hình nghiên cứu            Phương trình hồi quy đa biến như sau:        Biến phụ thuộc: ý định mua sắm trực tuyến của giới trẻ        Biến độc lập: Tính thông tin, Tính giải trí, Sự tin cậy, Sự phiền nhiễu, Tính tương tác xã hội        Các bước thực hành phân tích hồi quy đa biến  bằng phần mềm SPSS như sau:        Bước 1: Vào  Analyze > Regression > Linear…   Bước 2: Đưa biến phụ thuộc YD_F vào ô Dependent, các biến độc lập TT_F, GT_F, STC_F, SPN_F, TTXH_F,  vào ô Independents    Chú ý: Tại Method chọn Enter  Bước 3: Vào mục Statistics Tích chọn các mục như trong ảnh và chọn Continue Bước 4: Vào mục Plots, tích chọn vào Histogram và Normal probability plot, kéo biến ZRESID thả vào ô Y, kéo biến ZPRED thả vào ô X như hình bên dưới. Tiếp tục chọn Continue             Bước 5: Các mục còn lại để mặc định. Trở lại giao diện ban đầu, mục Method chúng ta sẽ chọn Enter hoặc Stepwise. Tính chất đề tài thực hành là nghiên cứu khẳng định, do vậy chúng ta sẽ chọn phương pháp Enter. Tiếp tục nhấp vào OK.                   Đọc kết quả phân tích hồi quy đa biến trong SPSS Kết quả chạy hồ quy đa biến trong SPSS sẽ xuất ra nhiều bảng, chúng ta sẽ tập trung vào các bảng ANOVA, Model Summary, Coefficients và ba biểu đồ Histogram, Normal P-P Plot, Scatter Plot.Dựa vào ý nghĩa chỉ số trong hồi quy ở phần trước, chúng ta sẽ tiến hành đọc kết quả hồi quy đa biến trong SPSS lần lượt trong các bảng:       Bảng Model Summary: (h4)         Tham số R bình phương hiệu chỉnh (Adjusted R Square) cho biết mức độ (%) sự biến thiên của biến phụ thuộc được giải thích bởi biến độc lập. Theo bảng  kết quả trên trên  R2  =0,754. nói rằng nói 75,4% sự biến các yếu tố quảng cáo trên mạng xã hội tác động đến ý định mua sắm trực tuyến của giới trẻ. Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .754a .569 .557 .47799 1.977 a. Predictors: (Constant), TTXH_F, GT_F, SPN_F, STC_F, TT_F b. Dependent Variable: YD_F          Bảng ANOVA(h4) ANOVAa Model Sum of Squares df Mean Square F Sig. 1 Regression 55.183 5 11.037 48.306 .000b Residual 41.811 183 .228     Total 96.995 188       a. Dependent Variable: YD_F b. Predictors: (Constant), TTXH_F, GT_F, SPN_F, STC_F, TT_F          Từ kết quả trên cho thấy  F = 48.306 với giá trị sig = 0,000 < 0,05) nên ta đủ cơ sở  kết luận mô hình hồi quy đã xây dựng là phù hợp với tập dữ liệu, các biến độc lập đều có tác động nhất định đến biến phụ thuộc. Mô hình hồi quy tuyến tính có thể có thể suy rộng và áp dụng cho tổng thể.        Bảng Coefficients (h4) Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) -.047 .247   -.190 .849     TT_F .245 .042 .297 5.771 .000 .889 1.124 GT_F .117 .038 .157 3.106 .002 .919 1.088 STC_F .300 .035 .434 8.559 .000 .918 1.090 SPN_F .335 .038 .432 8.842 .000 .987 1.013 TTXH_F .254 .049 .261 5.236 .000 .947 1.056 a. Dependent Variable: YD_F         Kết quả hồi quy cho thấy cả 5 yếu tố có giá trị sig < 0,05, nên tất cả 05 yếu tố này đều có ý nghĩa thống kê ở độ tin cậy 95%. Vì vậy, các yếu tố này đều thật sự ảnh hưởng đến ý định mua sắm trực tuyến của giới trẻ.         Hệ số phóng đại phương sai VIF đều bé hơn 2 = > không có hiện tượng đa cộng tuyến.         Đánh giá giả định hồi quy đa biến qua 3 biểu đồ (h2)         Biểu đồ tần số phần dư chuẩn hóa Histogram         Trong phân tích hồi qui đa biến, một mô hình dự báo tốt nguyên tắc bắt buộc là mẫu có phân phối chuẩn. Trong nghiên cứu sẽ xem xét phân phối chuẩn phần dư bằng cách xây dựng biểu đồ tần số Histogram để quan sát phân phối của phần dư. Theo kết quả phân tích phần dư cho thấy giá trị trung bình Mean = 4,13-16 ~ 0 và độ lệch chuẩn Std. Dev = 0,987 ~ 1 có thể nói phân phối phần dư xấp xỉ chuẩn. Do đó có thể kết luận rằng giả thuyết phân phối chuẩn trong mô hình không bị vi phạm.          Giả định liên hệ tuyến tính          Xem xét mối liên hệ giữa phần dư chuẩn hóa và giá trị dự đoán thông qua biểu đồ phân tán, nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn thì sẽ không có liên hệ giữa giá trị dự đoán và phần dư, chúng sẽ phân tán ngẫu nhiên trong một đường xung quanh đường đi qua trục tung độ 0 và không tạo thành một hình cụ thể. Theo biểu đồ phân tán Normal P-P plot giữa phần dư và giá trị dự đoán của mô hình hồi qui cho thấy không có mối liên hệ giữa phần dư và giá trị dự đoán. Phần dư phân tán ngẫu nhiên xung quanh đường đi qua tung độ 0, do đó giả định liên hệ tuyến tính trong mô hình bị bác bỏ.            Biểu đồ Scatter Plot kiểm tra 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.              Kết quả đồ thị xuất ra, các điểm phân bố của phần dư nếu có các dạng đường thẳng thì dữ liệu có liên hệ tuyến tính. Các phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường hoành độ 0.         Giả định về tính độc lập của sai số         Tính độc lập của sai số là không có tương quan giữa các phần dư với sai số thực ei cho là biến ngẫu nhiên, độc lập, có phân phối chuẩn với trung bình bằng 0 và phương sai không đổi σ2.Đại lượng thống kê DurbinP -Watson (d) dùng để kiểm định tương quan của các sai số kề nhau (tương quan chuỗi bậc nhất). Giả thuyết kiểm định là:         Ho: hệ số tương quan tổng thể của các phần dư = 0.         Đại lượng d có giá trị biến thiên trong khoảng từ 0 đến 4. Nếu các phần dư không có tương quan chuỗi bậc nhất với nhau, giá trị d sẽ gần bằng 2. Khi tiến hành kiểm định Durbin-Watson, nếu giá trị d là: 1 < D < 3 thì mô hình không có tự tương quan (Hoàng Trọng & ctg, 2008). Kết quả kiểm định của mô hình bằng kiểm định DurbinWatson có giá trị D = 1,997 cho thấy chưa đủ cơ sở bác bỏ giả thuyết H0: hệ số tương quan tổng thể của các phần dư = 0. Do đó, không có hiện tượng tự tương quan xảy ra trong mô hình.           Chúng tôi vừa giới thiệu toàn bộ lý thuyết cũng như các bước phân tích hồi quy đa biến trong SPSS. Trong quá trình chạy số liệu SPSS để phân tích, bạn gặp phải bất cứ vấn đề lỗi, hay số liệu đầu ra…, hãy liên hệ với Luận văn 3C để được chúng tôi hỗ trợ! Chúc bạn thành công! Từ khóa tìm kiếm: phân tích hồi quy trong spss, phân tích hồi quy đa biến trong spss, phân tích hồi quy tuyến tính bội trong spss, phan tich hoi quy trong spss, phân tích hồi quy bội, Phân tích hồi quy trên SPSS, Phân tích hồi quy đa bội trên SPSS, phân tích hồi quy spss, phan tich hoi quy da bien bang spss, cách đọc kết quả phân tích hồi quy, cách phân tích hồi quy đa biến trong spss, phân tích hồi quy bội, các bước phân tích hồi quy spss, hướng dẫn phân tích hồi quy bằng spss, các bước phân tích hồi quy, phân tích hồi quy tuyến tính trong spss    
Phân tích tương quan pearson trong SPSS
         Phân tích hệ số tương quan pearson là một bước trong bài xử lý số liệu SPSS. Tiếp theo của bước phân tích nhân tố khám phá EFA. Trước khi thực hiện phân tích hồi qui của mô hình thì cần tiến hành phân tích tương quan giữa các nhân tố độc lập với nhân tố phụ thuộc. Từ đó để chọn những nhân tố độc lập thực sự có tương quan với nhân tố phụ thuộc và đưa những nhân tố đó vào phân tích hồi quy.  Luận Văn hướng dẫn các bước tiến hành phân tích tương pearson trong SPSS.        Hệ số tương quan Pearson (Pearson correlation coefficient, ký hiệu r) là gì?        Hệ số tương quan Pearson (Coefficient of correlation) được sử dụng để đo lường độ lớn của mối quan hệ giữa hai biến số. Hệ số tương quan sẽ trả lời cho các câu hỏi chẳng hạn như: Có mối quan hệ tương quan giữa động lực làm việc và yếu tố tiển lương?, giữa động lực làm việc với yếu tố phúc lợi?        Trước khi phân tích hồi quy kiểm tra xem các biến độc lập có tương quan với biến phụ thuộc hay không, nếu biến nào không tương quan với biến phụ thuộc thì ta loại biến đó ra khỏi phân tích hồi quy. Kiểm định hệ số tương quan Pearson nhằm kiểm tra mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc.         Giá trị của hệ số tương quan Pearson sẽ nằm trong khoảng (1, 1), hệ số tương quan bằng 0 cho biết hai biến không có mối liên hệ tuyến tính, hệ số tương quan > 0 thì chứng tỏ hai biến có quan hệ cùng chiều, còn nếu < 0 thì hai biến có mối quan hệ nghịch chiều. Nếu giá trị tuyệt đối của hệ số tương quan Pearson bằng 1 thì chứng tỏ mức độ liên hệ tuyệt đối. Giá trị Sig để kiểm định sự tương quan, nếu Sig. >0,05 thì hai biến này không tương quan.         Hướng dẫn các bước phân tích hệ số tương quan pearson trong SPSS          Bước 1: Vào Analyze -> Corrleate -> Bivariate         Chọn các nhân tố vừa được tạo ở bước trên qua ô Variables bên phải., tích chọn Pearson.  Xong bấm OK            Hiện ra kết quả phân tích hệ số tương quan pearson   Correlations   TT_F GT_F STC_F SPN_F TTXH_F YD_F TT_F Pearson Correlation 1 -.185* .166* .025 -.207** .297** Sig. (2-tailed)   .011 .022 .730 .004 .000 N 189 189 189 189 189 189 GT_F Pearson Correlation -.185* 1 .181* -.001 -.003 .180* Sig. (2-tailed) .011   .013 .994 .963 .013 N 189 189 189 189 189 189 STC_F Pearson Correlation .166* .181* 1 .080 -.098 .521** Sig. (2-tailed) .022 .013   .271 .178 .000 N 189 189 189 189 189 189 SPN_F Pearson Correlation .025 -.001 .080 1 -.084 .452** Sig. (2-tailed) .730 .994 .271   .252 .000 N 189 189 189 189 189 189 TTXH_F Pearson Correlation -.207** -.003 -.098 -.084 1 .120 Sig. (2-tailed) .004 .963 .178 .252   .099 N 189 189 189 189 189 189 YD_F Pearson Correlation .297** .180* .521** .452** .120 1 Sig. (2-tailed) .000 .013 .000 .000 .099   N 189 189 189 189 189 189 *. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).      Đọc kết quả phân tích tương quan      Ở đây các biến độc lập là: TT_F, GT_F, STC_F, SPN_F, TTXH_F; Biến phụ thuộc là:  YD_F      Đọc bảng kết quả chúng ta quan tâm hệ số Sig của các biến độc lập với biến phụ thuộc      + Nếu giá trị Sig <=0,05 thì kết luận rằng biến độc lập có tương quan tuyến tính với biến phụ thuộc    + Nếu giá trị Sig >0,05 thì kết luận rằng biến độc lập không tương quan tuyến tính với biến phụ thuộc, và loại biến này ra khi phân tích hồi quy     Sau khi phân tích xong sự tương quan giữa cặp biến độc lập và phụ thuộc, dựa vào giá trị r để đánh giá mức độ tương quan mạnh/ yếu giữa biến phụ thuộc và các biến độc lập theo ý nghĩa hệ số tương quan pearson đã nêu ở phần trên.    Nếu bạn gặp khó khăn trong các bước chạy dữ liệu SPSS, hay các  kết quả xử lý số liệu SPSS ra không được mong muốn    Hãy liên hệ ngay Luận Văn 3C, chung tôi sẽ tư vấn giúp bạn    Hotline: 0966736325     Email:  \n This email address is being protected from spambots. You need JavaScript enabled to view it.
Phân tích độ tin cậy Cronbach’s Alpha
 1. Khái niệm Phân tích hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009). Việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp ta loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). 2, Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo Hệ số tin cậy Cronbach’s Alpha: α >= 0.9: Thang đo nhân tố rất tốt 0.9 > α >= 0.8: Thang đo nhân tố tốt 0.8 > α >= 0.7: Thang đo nhân tố chấp nhận được 0.7 > α >= 0.6: Thang đo nhân tố chấp nhận được với các nghiên cứu mới 0.6 > α >= 0.5: Thang đo nhân tố là không phù hợp 0.5 > α: Thang đo nhân tố là không phù hợp Hệ số tương quan biến tổng (Corrected Item - Total Correlation) Cho biến mức độ tương quan giữa một biến quan sát trong nhân tố với các biến còn lại. Hệ số tương quan biến tổng phản ánh mức độ đóng góp của một biến quan sát cụ thể vào giá trị của nhân tố. Tiêu chuẩn hệ số tương quan biến tổng để đánh giá biến quan sát có đóng góp vào giá trị của nhân tố là ở mức >= 0.3. Nếu < 0.3 coi như không có đóng góp và cần loại bỏ biến quan sát đó ra khỏi nhân tố đánh giá. 3. Thực hành phân tích cronbach alpha Bước 1: Vào menu Analyze->Scale->Reliability Analysis   Chọn các câu hỏi trong cùng một nhân tố qua cột bên phải, sau đó nhấn vào Statistic, check vào ô Scale if item deleted. Sau đó bấm Continue, sau đó bấm OK Kết quả chạy cronbach alpha hiện ra như sau: Reliability Statistics Cronbach's Alpha N of Items .898 3 Item-Total Statistics   Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item-Total Correlation Cronbach's Alpha if Item Deleted GC1 6.0057 4.937 .763 .885 GC2 5.8057 4.859 .822 .833 GC3 5.7543 4.991 .811 .843 Kết luận: Cronbach’s Alpha của thang đo là 0.898, các hệ số tương quan biến tổng của các biến quan sát trong thang đo đều lớn hơn 0.3 và không có trường hợp loại bỏ biến quan sát nào có thể làm cho Cronbach’s Alpha của thang đo này lớn hơn 0.898. Vì vậy, tất cả các biến quan sát đều được chấp nhận và sẽ được sử dụng trong phân tích nhân tố tiếp theo. Nếu bạn gặp khó khăn trong các bước chạy dữ liệu SPSS, hay các  kết quả xử lý số liệu SPSS ra không được mong muốn Hãy liên hệ ngay Luận Văn 3C, chung tôi sẽ tư vấn giúp bạn  Hotline 0966736325 hoặc 

Liên hệ

VP Hà Nội: TT34 Trung Hòa, Nhân Chính- Thanh Xuân - Hà Nội

VP Hồ Chí Minh: CC Him Lam, đường Hậu Giang, Phường 11, Quận 6, TP.HCM

VP Đà Nẵng: CC Vicoland, Lê Thanh nghị, Hòa Cường Bắc, Hải Châu, Đà Nẵng

Hotline: 0911.070.546 - 0966.736.325

Email:    This email address is being protected from spambots. You need JavaScript enabled to view it.

Các bài viết mới

0966736325