1
Bạn cần hỗ trợ?
Trang chủ » Phân tích định lượng
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 
Hướng dẫn phân tích nhân tố khám phá EFA
 Trước khi kiểm định lý thuyết khoa học thì cần phải đánh giá độ tin cậy và giá trị của thang đo. Phương pháp Cronbach Alpha dùng để đánh giá độ tin cậy của thang đo. Còn phương pháp phân tích nhân tố khám phá EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA) giúp chúng ta đánh giá hai loại giá trị quan trọng của thang đo là giá trị hội tụ và giá trị phân biệt. Phương pháp phân tích nhân tố EFA thuộc nhóm phân tích đa biến phụ thuộc lẫn nhau (interdependence techniques), nghĩa là không có biến phụ thuộc và biến độc lập mà nó dựa vào mối tương quan giữa các biến với nhau (interrelationships). EFA dùng để rút gọn một tập k biến quan sát thành một tập F (F<k) các nhân tố có ý nghĩa hơn. Cơ sở của việc rút gọn này dựa vào mối quan hệ tuyến tính của các nhân tố với các biến nguyên thủy (biến quan sát). Các tác giả Mayers, L.S., Gamst, G., Guarino A.J. (2000) đề cập rằng: Trong phân tích nhân tố, phương pháp trích Pricipal Components Analysis đi cùng với phép xoay Varimax là cách thức được sử dụng phổ biến nhất. Theo Hair & ctg (1998, 111), Factor loading (hệ số tải nhân tố hay trọng số nhân tố) là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA: • Factor loading > 0.3 được xem là đạt mức tối thiểu • Factor loading > 0.4 được xem là quan trọng • Factor loading > 0.5 được xem là có ý nghĩa thực tiễn  Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu: 1.            Hệ số tải nhân tố (Factor loading ) > 0.5 2.            0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp. 3.            Kiểm định Bartlett có ý nghĩa thống kê (Sig. < 0.05): Đây là một đại lượng thống kê dùng để xem xét giả thuyết các biến không có tương quan trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig. < 0.05) thì các biến quan sát có mối tương quan với nhau trong tổng thể. 4.            Phần trăm phương sai trích (Percentage of variance) > 50%: Thể hiện phần trăm biến thiên của các biến quan sát. Nghĩa là xem biến thiên là 100% thì giá trị này cho biết phân tích nhân tố giải thích được bao nhiêu %. Cách phân tích nhân tố khám phá EFA Vào chọn menu : Analyze-> Data Reduction ->Factor. Chọn tất cả các biến( hoặc độc lập hoặc phụ thuộc) đưa vào cột Variables bên phải. Nhấn vào Descriptives, chọn KMO and Bartlett's test of sphericity Bấm vào nút Rotation, chọn Varimax Bấm vào nút Options, chọn Sorted by size và chọn Suppress absolute values less than, gõ vào .3 Sau đó nhấn OK, kết quả sẽ hiển thị khá dài, trong đó có bảng Rotated Component Matrix như sau: – Xử lý/ hiệu chỉnh số liệu khảo sát để chạy ra kết quả phân tích nhân tố hội tụ,phân tích hồi quy hồi quy có ý nghĩa thống kê.– Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha… trong SPSS, và mô hình SEM, CFA, AMOS 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 : 0911.070.546-  0966.736.325 (Mr Long) Email   : luanvan3c@gmail.com
0966736325