Có nhiều người vướng mắc về spss là gì, tính năng của ứng dụng spss và bản hướng dẫn sử dụng ứng dụng spss rất đầy đủ là ra làm sao ? Bày viết sau đây chúng tôi ra mắt tới bạn cách sử dụng ứng dụng vừa đủ và chi tiết cụ thể nhất .
Tham khảo thêm những bài viết khác :
+ Tổng quan về phân tích nhân tố khám phá EFA
+ Kiểm định T – test, kiểm định sự khác biệt trong spss
Giới thiệu về phần mềm SPSS và cách sử dụng phần mềm SPSS
1. Phần mềm SPSS là gì?
SPSS ( viết tắt của Statistical Package for the Social Sciences ) là một chương trình máy tính ship hàng công tác làm việc thống kê. Phần mềm SPSS tương hỗ giải quyết và xử lý và nghiên cứu và phân tích tài liệu sơ cấp – là những thông tin được tích lũy trực tiếp từ đối tượng người dùng điều tra và nghiên cứu, thường được sử dụng thoáng rộng trong những những nghiên cứu và điều tra tìm hiểu xã hội học và kinh tế tài chính lượng .
2. Chức năng của SPSS
Phần mềm SPSS có những tính năng chính gồm có :
+ Phân tích thống kê gồm Thống kê diễn đạt : Lập bảng chéo, Tần suất, Mô tả, Khám phá, Thống kê Tỷ lệ Mô tả Thống kê đơn biến : Phương tiện, t-test, ANOVA, đối sánh tương quan ( hai biến, một phần, khoảng cách ), kiểm tra không giới Dự đoán cho tác dụng số : Hồi quy tuyến tính Dự đoán để xác lập những nhóm : Phân tích những yếu tố, nghiên cứu và phân tích cụm ( hai bước, K-phương tiện, phân cấp ), phân biệt. ( Tham khảo tại : https://vi.wikipedia.org/wiki/SPSS )
+ Quản lý tài liệu gồm có lựa chọn trường hợp, chỉnh sửa lại tập tin, tạo ra tài liệu gốc
+ Vẽ đồ thị : Được sử dụng để vẽ nhiều loại đồ thị khác nhau với chất lượng cao .
>>>>>>>>>>>>>Tham khảo thêm dịch vụ của chúng tôi
Nếu bạn không có nhiều kinh nghiệm trong việc làm bài trên phần mềm SPSS? Bạn cần đến dịch vụ dịch vụ SPSS để giúp mình xóa bỏ những rắc rối về lỗi gây ra khi không sử dụng thành thạo phần mềm này? Khi gặp khó khăn về vấn đề phân tích kinh tế lượng hay gặp vấn đề về chạy SPSS, hãy tìm đến Tổng đài tư vấn luận văn 1080 để hỗ trợ bạn.
3. Quy trình làm việc của phần mềm SPSS
Bạn đã có một một chút ít hiểu biết về SPSS thao tác như thế nào, tất cả chúng ta hãy nhìn vào những gì nó hoàn toàn có thể làm. Sau đây là một quy trình tiến độ thao tác của một dự án Bất Động Sản nổi bật mà SPSS hoàn toàn có thể triển khai
B1 : Mở những files dữ liệu – theo định dạng file của SPSS hoặc bất kể định dạng nào ;
B2 : Sử dữ liệu – như tính tổng và trung bình những cột hoặc những hàng tài liệu ;
B3 : Tạo những bảng và những biểu đồ – gồm có đếm những phổ cập hay những thống kê tổng hơn ( nhóm ) trải qua những trường hợp ;
B4 : Chạy những thống kê suy diễn như ANOVA, hồi quy và nghiên cứu và phân tích thông số ;
B5 : Lưu dữ liệu và đầu ra theo nhiều định dạng file .
B6 : Bây giờ tất cả chúng ta cùng khám phá kỹ hơn về những bước sử dụng SPSS .
4. Hướng dẫn sử dụng phần mềm SPSS
Khởi động SPSS
Trên màn hình desktop của Windows nhấp vào biểu tượng SPSS. Hoặc bạn mở phím Start >>> All program>>> SPSS for Windows >>>SPSS ( phiên bản hiện tại bạn đang cài) Sau đó tùy vào mục đích của bạn, bạn cần thống kê suy diễn, vẽ biểu đồ hay các phân tích hồi quy tuyến tính,…để lựa chọn phù hợp. Đây là một nguồn tài liệu chúng tôi tổng hợp được, bạn có thể tham khảo tài liệu hướng dẫn sử dụng SPSS phiên bản 20, 21, 22, 23 và download Spss 20, 21, 22, 23.
5. Hướng dẫn sử dụng phần mềm SPSS
5.1 Đề tài nghiên cứu
5.1.1 Đề tài nghiên cứu
Nghiên cứu các yếu tố ảnh hưởng đến sự hài lòng của nhân viên trong công việc tại công ty TNHH Nhãn Xanh.
Hướng dẫn sử dụng ứng dụng SPSS
5.1.2 Mô hình nghiên cứu
Ở đây, tác giả xem xét trên trong thực tiễn và kỳ vọng những biến độc lập đều tác động ảnh hưởng thuận chiều với biến nhờ vào nên sẽ ký hiệu dấu
( + ). Trường hợp có biến độc lập ảnh hưởng tác động nghịch chiều với biến phụ thuộc vào, tất cả chúng ta sẽ ký hiệu dấu
( – ). Thuận chiều là thế nào, thuận chiều có nghĩa là khi biến độc lập tăng thì biến phụ thuộc vào cũng tăng, ví dụ yếu tố Lương, thưởng, phúc lợi tăng lên, tốt hơn thì Sự hài lòng của nhân viên cấp dưới trong việc làm cũng sẽ tăng lên. Một ví dụ về ảnh hưởng tác động nghịch chiều giữa biến độc lập Giá cả loại sản phẩm và biến phụ thuộc vào Động lực mua hàng của người tiêu dùng. Trên trong thực tiễn, ta thấy rằng khi giá món hàng tăng cao thì tất cả chúng ta sẽ ngần ngại và ít có động lực để mua món hàng đó, hoàn toàn có thể thay vì mua nó với giá cao, tất cả chúng ta hoàn toàn có thể mua mẫu sản phẩm sửa chữa thay thế khác có giá thấp hơn nhưng cùng tính năng. Như vậy, giá càng tăng, động lực mua hàng của người tiêu dùng càng giảm. Chúng ta sẽ kỳ vọng rằng, biến Giá cả mẫu sản phẩm tác động ảnh hưởng nghịch với biến phụ thuộc vào Động lực mua hàng của người tiêu dùng .
5.1.3 Giả thuyết nghiên cứu
Theo như tên gọi của nó, đây chỉ là những giả thuyết, giả thuyết này tất cả chúng ta sẽ chứng minh và khẳng định nó là đúng hay sai sau bước nghiên cứu và phân tích hồi quy tuyến tính. Thường tất cả chúng ta sẽ dựa trên những gì bản thân nhận thấy để kỳ vọng rằng mối quan hệ giữa biến độc lập và biến nhờ vào là thuận chiều hay nghịch chiều. Hoặc mặc dầu bạn không biết bất kể điều gì về mối quan hệ này, bạn vẫn cứ đặt giả thuyết kỳ vọng của mình .
Nếu sau bước hồi quy tuyến tính, tác dụng xuất ra giống với kỳ vọng thì tất cả chúng ta đồng ý giả thuyết, ngược lại, ta bác bỏ giả thuyết. Chúng ta đừng bị sai lầm đáng tiếc khi đánh giá và nhận định bác bỏ là xấu đi, là xấu ; còn đồng ý là tích cực, là tốt. Ở đây không có sự phân biệt tốt xấu, tích cực hay xấu đi gì cả mà chỉ là xem xét cái mình nghĩ nó có giống với thực tiễn số liệu điều tra và nghiên cứu hay không mà thôi .
• H1 : Lương, thưởng, phúc lợi tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
• H2 : Cơ hội huấn luyện và đào tạo và thăng quan tiến chức ảnh hưởng tác động tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
• H3 : Lãnh đạo và cấp trên tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
• H4 : Đồng nghiệp ảnh hưởng tác động tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
• H5 : Bản chất việc làm ảnh hưởng tác động tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
• H6 : Điều kiện thao tác tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
5.1.4 Bảng câu hỏi khảo sát
5.1.5 Kích thước mẫu
Có nhiều công thức lấy mẫu, tuy nhiên, những công thức lấy mẫu phức tạp tác giả sẽ không đề cập trong tài liệu này chính do nó thiên về toán thống kê. Nếu lấy mẫu theo những công thức đó, lượng mẫu điều tra và nghiên cứu cũng là khá lớn, phần đông tất cả chúng ta không đủ thời hạn và nguồn lực để triển khai. Do vậy, phần lớn tất cả chúng ta lấy mẫu trên cơ sở tiêu chuẩn 5 : 1 của Bollen ( 1989 ) 1, tức là để bảo vệ nghiên cứu và phân tích tài liệu ( nghiên cứu và phân tích tác nhân mày mò EFA ) tốt thì cần tối thiểu 5 quan sát cho 1 biến đo lường và thống kê và số quan sát không nên dưới 100 .
Bảng câu hỏi khảo sát tác giả trích dẫn có tổng số 30 biến quan sát ( những câu hỏi sử dụng thang đo Likert ), do vậy mẫu tối thiểu sẽ là 30 x 5 = 150 .
Chúng ta quan tâm, mẫu này là mẫu tối thiểu chứ không bắt buộc tất cả chúng ta khi nào cũng lấy mẫu này, mẫu càng lớn thì nghiên cứu và điều tra càng có giá trị. Cụ thể trong nghiên cứu và điều tra này, tác giả lấy mẫu là 220 .
5.2 Kiểm định độ tin cậy thang đo Crnbach’s Alpha
5.2.1 Lý thuyết về giá trị và độ tin cậy của đo lường
Một thống kê giám sát được coi là có giá trị ( validity ) nếu nó giám sát đúng được cái cần đo lường và thống kê ( theo Campbell và Fiske 1959 ). Hay nói cách khác, thống kê giám sát đó sẽ không có hiện tượng kỳ lạ sai số mạng lưới hệ thống và sai số ngẫu nhiên .
• Sai số mạng lưới hệ thống : sử dụng thang đo không cân đối, kỹ thuật phỏng vấn kém …
• Sai số ngẫu nhiên : phỏng vấn viên ghi nhầm số đó của người vấn đáp, người vấn đáp đổi khác tính cách nhất thời như do căng thẳng mệt mỏi, đau yếu, nóng giận … làm ảnh hưởng tác động đến câu vấn đáp của họ. Trên trong thực tiễn nghiên cứu và điều tra, tất cả chúng ta sẽ bỏ lỡ sai số mạng lưới hệ thống và chăm sóc đến sai số ngẫu nhiên. Khi một thống kê giám sát vắng mặt những sai số ngẫu nhiên thì đo lường và thống kê có độ an toàn và đáng tin cậy ( reliability ). Vì vậy, một đo lường và thống kê có giá trị cao thì phải có độ an toàn và đáng tin cậy cao .
5.2.2 Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha
– Cronbach ( 1951 ) đưa ra thông số an toàn và đáng tin cậy cho thang đo. Chú ý, thông số Cronbach’s Alpha chỉ giám sát độ đáng tin cậy của thang đo ( gồm có từ 3 biến quan sát trở lên ) chứ không tính được độ an toàn và đáng tin cậy cho từng biến quan sát. ( Cronbach’s Alpha chỉ thực thi khi tác nhân có 3 biến quan sát trở lên trích nguồn từ : Nguyễn Đình Thọ, Phương pháp điều tra và nghiên cứu khoa học trong kinh doanh thương mại, NXB Tài chính, Tái bản lần 2, Trang 355. )
– Hệ số Cronbach’s Alpha có giá trị biến thiên trong đoạn [ 0,1 ]. Về triết lý, thông số này càng cao càng tốt ( thang đo càng có độ an toàn và đáng tin cậy cao ). Tuy nhiên điều này không trọn vẹn đúng mực. Hệ số Cronbach’s Alpha quá lớn ( khoảng chừng từ 0.95 trở lên ) cho thấy có nhiều biến trong thang đo không có độc lạ gì nhau, hiện tượng kỳ lạ này gọi là trùng lắp trong thang đo. ( Hệ số Cronbach’s Alpha quá lớn ( khoảng chừng từ 0.95 trở lên ) gây ra hiện tượng kỳ lạ trùng lắp trong thang đo trích nguồn từ : Nguyễn Đình Thọ, Phương pháp điều tra và nghiên cứu khoa học trong kinh doanh thương mại, NXB Tài chính, Tái bản lần 2, Trang 364. )
5.2.3 Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS
5.2.3.1 Các tiêu chuẩn kiểm định
– Nếu một biến đo lường và thống kê có thông số đối sánh tương quan biến tổng Corrected Item – Total Correlation ≥ 0.3 thì biến đó đạt nhu yếu. ( Tương quan biến tổng ≥ 0.3 trích nguồn từ : Nunnally, J. ( 1978 ), Psychometric Theory, Thành Phố New York, McGraw – Hill. )
– Mức giá trị thông số Cronbach’s Alpha : • Từ 0.8 đến gần bằng 1 : thang giám sát rất tốt. • Từ 0.7 đến gần bằng 0.8 : thang giám sát sử dụng tốt. • Từ 0.6 trở lên : thang thống kê giám sát đủ điều kiện kèm theo .
– Chúng ta cũng cần quan tâm đến giá trị của cột Cronbach’s Alpha if Item Deleted, cột này màn biểu diễn thông số Cronbach’s Alpha nếu loại biến đang xem xét. Thông thường tất cả chúng ta sẽ nhìn nhận cùng với thông số đối sánh tương quan biến tổng Corrected Item – Total Correlation, nếu giá trị Cronbach’s Alpha if Item Deleted lớn hơn thông số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0.3 thì sẽ loại biến quan sát đang xem xét để tăng độ đáng tin cậy của thang đo .
5.2.3.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu
Để thực thi kiểm định độ an toàn và đáng tin cậy thang đo Cronbach’s Alpha trong SPSS 20, tất cả chúng ta vào Analyze > Scale > Reliability Analysis …
Thực hiện kiểm định cho nhóm biến quan sát thuộc tác nhân Lương, thưởng, phúc lợi ( TN ). Đưa 5 biến quan sát thuộc tác nhân TN vào mục Items bên phải. Tiếp theo chọn vào Statistics …
Trong tùy chọn Statistics, tất cả chúng ta tích vào những mục giống như hình. Sau đó chọn Continue để setup được vận dụng .
Sau khi click Continue, SPSS sẽ quay về giao diện khởi đầu, tất cả chúng ta nhấp chuột vào OK để xuất tác dụng ra Ouput :
Kết quả kiểm định độ đáng tin cậy thang đo Cronbach’s Alpha của nhóm biến quan sát TN như sau :
Kết quả kiểm định cho thấy những biến quan sát đều có thông số đối sánh tương quan tổng biến tương thích ( ≥ 0.3 ). Hệ số Cronbach’s Alpha = 0.790 ≥ 0.6 nên đạt nhu yếu về độ đáng tin cậy. Chú thích những khái niệm :
• Cronbach’s Alpha : Hệ số Cronbach’s Alpha
• N of Items : Số lượng biến quan sát
• Scale Mean if Item Deleted : Trung bình thang đo nếu loại biến
• Scale Variance if Item Deleted : Phương sai thang đo nếu loại biến
• Corrected Item-Total Correlation : Tương quan biến tổng
• Cronbach’s Alpha if Item Deleted : Hệ số Cronbach’s Alpha nếu loại biến Thực hiện tương cho từng nhóm biến còn lại. Chúng ta cần quan tâm ở nhóm biến “ Điều kiện thao tác ”, nhóm này sẽ có một biến quan sát bị loại .
5.3 Phân tích nhân tố khám phá EFA
5.3.1 EFA và đánh giá giá trị thang đo
– Khi kiểm định một triết lý khoa học, tất cả chúng ta cần nhìn nhận độ an toàn và đáng tin cậy của thang đo ( Cronbach’s Alpha ) và giá trị của thang đo ( EFA ). Ở phần trước, tất cả chúng ta đã tìm hiểu và khám phá về độ đáng tin cậy thang đo, yếu tố tiếp theo là thang đo phải được nhìn nhận giá trị của nó. Hai giá trị quan trọng được xem xét trong phần này là giá trị quy tụ và giá trị phân biệt. ( Hai giá trị quan trọng trong nghiên cứu và phân tích tác nhân mày mò EFA gồm có : giá trị quy tụ và giá trị phân biệt. Trích nguồn từ : Nguyễn Đình Thọ, Phương pháp điều tra và nghiên cứu khoa học trong kinh doanh thương mại, NXB Tài chính, Tái bản lần 2, Trang 378. ) Hiểu một cách đơn thuần :
1. Thỏa mãn “Giá trị hội tụ”: Các biến quan sát hội tụ về cùng một nhân tố.
2. Đảm bảo ” Giá trị phân biệt ” : Các biến quan sát thuộc về tác nhân này và phải phân biệt với tác nhân khác .
– Phân tích tác nhân tò mò, gọi tắt là EFA, dùng để rút gọn một tập hợp k biến quan sát thành một tập F ( với F 5.3.2 Phân tích nhân tố khám phá EFA bằng SPSS
5.3.2.1 Các tiêu chí trong phân tích EFA – Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu.( Trị số của KMO phải đạt giá trị 0.5 trở lên là điều kiện đủ để phân tích nhân tố là phù hợp trích nguồn từ: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, trang 31)
– Kiểm định Bartlett ( Bartlett’s test of sphericity ) dùng để xem xét những biến quan sát trong tác nhân có đối sánh tương quan với nhau hay không. Chúng ta cần chú ý quan tâm, điều kiện kèm theo cần để vận dụng nghiên cứu và phân tích tác nhân là những biến quan sát phản ánh những góc nhìn khác nhau của cùng một tác nhân phải có mối đối sánh tương quan với nhau. Điểm này tương quan đến giá trị quy tụ trong nghiên cứu và phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên vận dụng nghiên cứu và phân tích tác nhân cho những biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê ( sig Bartlett’s Test
– Tổng phương sai trích ( Total Variance Explained ) ≥ 50 % cho thấy quy mô EFA là tương thích. Coi biến thiên là 100 % thì trị số này bộc lộ những tác nhân được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của những biến quan sát .
– Hệ số tải tác nhân ( Factor Loading ) hay còn gọi là trọng số tác nhân, giá trị này biểu lộ mối quan hệ đối sánh tương quan giữa biến quan sát với tác nhân. Hệ số tải tác nhân càng cao, nghĩa là đối sánh tương quan giữa biến quan sát đó với tác nhân càng lớn và ngược lại. Theo Hair và ctg ( 2009,116 ), Multivariate Data Analysis, 7 th Edition thì :
• Factor Loading ở mức 0.3 : Điều kiện tối thiểu để biến quan sát được giữ lại .
• Factor Loading ở mức 0.5 : Biến quan sát có ý nghĩa thống kê tốt .
• Factor Loading ở mức 0.7 : Biến quan sát có ý nghĩa thống kê rất tốt. Tuy nhiên, giá trị tiêu chuẩn của thông số tải Factor Loading cần phải nhờ vào vào kích cỡ mẫu. Với từng khoảng chừng size mẫu khác nhau, mức trọng số tác nhân để biến quan sát có ý nghĩa thống kê là trọn vẹn khác nhau. Cụ thể, tất cả chúng ta sẽ xem bảng dưới đây :
Trên trong thực tiễn vận dụng, việc nhớ từng mức thông số tải với từng khoảng chừng kích cỡ mẫu là khá khó khăn vất vả, do vậy người ta thường lấy thông số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350 ; lấy tiêu chuẩn thông số tải là 0.3 với cỡ mẫu từ 350 trở lên .
5.3.2.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu
Lần lượt thực thi nghiên cứu và phân tích tác nhân mày mò cho biến độc lập và biến phụ thuộc vào. Lưu ý, với những đề tài đã xác lập được biến độc lập và biến phụ thuộc vào ( thường khi vẽ quy mô nghiên cứu và điều tra, mũi tên chỉ hướng 1 chiều từ biến độc lập hướng tới biến phụ thuộc vào chứ không có chiều ngược lại ), tất cả chúng ta cần nghiên cứu và phân tích EFA riêng cho từng nhóm biến : độc lập riêng, nhờ vào riêng .
Bạn hoàn toàn có thể do
Việc cho biến nhờ vào vào cùng nghiên cứu và phân tích EFA hoàn toàn có thể gây ra sự rơi lệch tác dụng vì những biến quan sát của biến phụ thuộc vào hoàn toàn có thể sẽ nhảy vào những nhóm biến độc lập một cách bất hài hòa và hợp lý. Để thực thi nghiên cứu và phân tích tác nhân mày mò EFA trong SPSS 20, tất cả chúng ta vào Analyze > Dimension Reduction > Factor …
thập phân, nếu tất cả chúng ta để Decimals về 0 sẽ không hài hòa và hợp lý lắm vì ta đã làm tròn về dạng số nguyên. Do vậy, tất cả chúng ta nên làm tròn 2 chữ số thập phân, nhìn vào tác dụng sẽ hài hòa và hợp lý và tự nhiên hơn. * *
Lưu ý 1 : Cronbach’s Alpha và EFA giúp vô hiệu đi những biến quan sát rác, không có góp phần vào tác nhân, và triển khai xong quy mô điều tra và nghiên cứu. Do tập dữ liệu mẫu ở đây không xảy ra thực trạng Open biến độc lập mới, hoặc một biến độc lập này lại gồm có biến quan sát của biến độc lập khác nên quy mô điều tra và nghiên cứu vẫn giữ nguyên đặc thù bắt đầu. Những trường hợp như giảm / tăng số biến độc lập, biến quan sát giữa những biến độc lập trộn lẫn vào nhau, … sẽ làm mất đi đặc thù của quy mô bắt đầu. Khi đó, tất cả chúng ta phải sử dụng quy mô mới được định nghĩa lại sau bước EFA để liên tục triển khai những nghiên cứu và phân tích, kiểm định về sau mà không được dùng quy mô được đề xuất kiến nghị bắt đầu .
* * Lưu ý 2 : Khi triển khai hiện nghiên cứu và phân tích tác nhân tò mò, có nhiều trường hợp sẽ xảy ra ở bảng ma trận xoay như : biến quan sát nhóm này nhảy sang nhóm khác ; Open số lượng tác nhân nhiều hơn bắt đầu ; số lượng tác nhân bị giảm so với lượng khởi đầu ; lượng biến quan sát bị vô hiệu do không thỏa điều kiện kèm theo về thông số tải Factor Loading quá nhiều …
Mỗi trường hợp tất cả chúng ta sẽ có hướng giải quyết và xử lý khác nhau, có trường tất cả chúng ta chỉ mất ít thời hạn và sức lực lao động. Tuy nhiên, cũng có những trường hợp khó, buộc tất cả chúng ta phải hủy hàng loạt số liệu hiện tại và triển khai khảo sát lại từ đầu. Do vậy, để tránh những sự cố hoàn toàn có thể trấn áp được, tất cả chúng ta nên làm thật tốt những bước tiền giải quyết và xử lý SPSS. Đặc biệt là khâu chọn quy mô, chốt bảng câu hỏi khảo sát, chọn đối tượng người tiêu dùng / thực trạng / thời hạn khảo sát hài hòa và hợp lý và làm sạch tài liệu trước khi giải quyết và xử lý .
5.4 Tương quan Pearson
Sau khi đã có được những biến đại diện thay mặt độc lập và nhờ vào ở phần nghiên cứu và phân tích tác nhân EFA, tất cả chúng ta sẽ triển khai nghiên cứu và phân tích đối sánh tương quan Pearson để kiểm tra mối quan hệ tuyến tính giữa những biến này .
5.4.1 Lý thuyết về tương quan và tương quan Pearson
– Giữa 2 biến định lượng có nhiều dạng liên hệ, hoàn toàn có thể là tuyến tính hoặc phi tuyến hoặc không có bất kể một mối liên hệ nào .
– Người ta sử dụng 1 số ít thống kê có tên là thông số đối sánh tương quan Pearson ( ký hiệu r ) để lượng hóa mức độ ngặt nghèo của mối liên hệ tuyến tính giữa 2 biến định lượng ( chú ý quan tâm rằng Pearson chỉ xét mối liên hệ tuyến tính, không nhìn nhận những mối liên hệ phi tuyến ) .
– Trong đối sánh tương quan Pearson không có sự phân biệt vai trò giữa 2 biến, đối sánh tương quan giữa biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc vào .
5.4.2 Phân tích tương quan Pearson bằng SPSS
5.4.2.1 Một số tiêu chí cần biết Tương quan Pearson r có giá trị dao động từ -1 đến 1:
• Nếu r càng tiến về 1, – 1 : đối sánh tương quan tuyến tính càng mạnh, càng ngặt nghèo. Tiến về 1 là đối sánh tương quan dương, tiến về – 1 là tương quan âm .
• Nếu r càng tiến về 0 : đối sánh tương quan tuyến tính càng yếu .
• Nếu r = 1 : đối sánh tương quan tuyến tính tuyệt đối, khi trình diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, những điểm màn biểu diễn sẽ nhập lại thành 1 đường thẳng .
• Nếu r = 0 : không có mối đối sánh tương quan tuyến tính. Lúc này sẽ có 2 trường hợp xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến .
Bảng trên đây minh họa cho tác dụng đối sánh tương quan Pearson của nhiều biến đưa vào cùng lúc trong SPSS. Trong bảng tác dụng đối sánh tương quan Pearson ở trên :
• Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến
• Hàng Sig. ( 2 – tailed ) là sig kiểm định xem mối đối sánh tương quan giữa 2 biến là có ý nghĩa hay không. Sig 5.4.2.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu
Để thực thi nghiên cứu và phân tích đối sánh tương quan Pearson trong SPSS 20, tất cả chúng ta vào Analyze > Correlate > Bivariate …
Tại đây, tất cả chúng ta đưa hết toàn bộ những biến muốn chạy đối sánh tương quan Pearson vào mục Variables. Cụ thể là những biến đại diện thay mặt được tạo ra sau bước nghiên cứu và phân tích EFA. Để tiện cho việc đọc số liệu, tất cả chúng ta nên đưa biến nhờ vào lên trên cùng, tiếp theo là những biến độc lập. Sau đó, nhấp vào OK để xuất hiệu quả ra Output .
* *. Correlation is significant at the 0.01 level ( 2 – tailed ) .
*. Correlation is significant at the 0.05 level ( 2 – tailed ) .
Sig đối sánh tương quan Pearson những biến độc lập TN, CV, LD, MT, DT với biến phụ thuộc vào HL nhỏ hơn 0.05. Như vậy, có mối liên hệ tuyến tính giữa những biến độc lập này với biến HL. Giữa DT và HL có mối đối sánh tương quan mạnh nhất với thông số r là 0.611, giữa MT và HL có mối tương quan yếu nhất với thông số r là 0.172 .
Sig đối sánh tương quan Pearson giữa HL và Doanh Nghiệp lớn hơn 0.05, do vậy, không có mối đối sánh tương quan tuyến tính giữa 2 biến này. Biến DN sẽ được vô hiệu khi triển khai nghiên cứu và phân tích hồi quy tuyến tính bội .
Các cặp biến độc lập đều có mức đối sánh tương quan khá yếu với nhau, như vậy, năng lực cao sẽ không có hiện tượng kỳ lạ đa cộng tuyến xảy ra1 .
5.5 Hồi quy đa biến
5.5.1 Lý thuyết về hồi quy tuyến tính
– Khác với đối sánh tương quan Pearson, trong hồi quy những biến không có đặc thù đối xứng như nghiên cứu và phân tích đối sánh tương quan. Vai trò giữa biến độc lập và biến nhờ vào là khác nhau. X và Y hay Y và X có đối sánh tương quan với nhau đều mang cùng một ý nghĩa, trong khi đó với hồi quy, ta chỉ hoàn toàn có thể nhận xét : X ảnh hưởng tác động lên Y hoặc Y chịu tác động ảnh hưởng bởi X .
– Đối với nghiên cứu và phân tích hồi quy tuyến tính bội, tất cả chúng ta giả định những biến độc lập X1, X2, X3 sẽ tác động ảnh hưởng đến biến nhờ vào Y. Ngoài X1, X2, X3 … còn có rất nhiều những tác nhân khác ngoài quy mô hồi quy ảnh hưởng tác động đến Y mà tất cả chúng ta không liệt kê được .
5.5.2 Phân tích hồi quy đa biến bằng SPSS
5.5.2.1 Các tiêu chí trong phân tích hồi quy đa biến – Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square) phản ánh mức độ giải thích biến phụ thuộc của các biến độc lập trong mô hình hồi quy. R2 hiệu chỉnh phản ánh sát hơn so với R2. Mức dao động của 2 giá trị này là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng dù mô hình đó tốt đến nhường nào. Giá trị này thường nằm trong bảng Model Summary.
Cần quan tâm, không có sự số lượng giới hạn giá trị R2, R2 hiệu chỉnh ở mức bao nhiêu thì quy mô mới đạt nhu yếu, 2 chỉ số này nếu càng tiến về 1 thì quy mô càng có ý nghĩa, càng tiến về 0 thì ý nghĩa quy mô càng yếu. Thường tất cả chúng ta chọn mức tương đối là 0.5 để làm giá trị phân ra 2 nhánh ý nghĩa mạnh / ý nghĩa yếu, từ 0.5 đến 1 thì quy mô là tốt, bé hơn 0.5 là quy mô chưa tốt. Đây là số lượng nhắm chừng chứ không có tài liệu chính thức nào pháp luật, nên nếu bạn thực thi nghiên cứu và phân tích hồi quy mà R2 hiệu chỉnh nhỏ hơn 0.5 thì quy mô vẫn có giá trị .
– Giá trị sig của kiểm định F được sử dụng để kiểm định độ tương thích của quy mô hồi quy. Nếu sig nhỏ hơn 0.05, ta Kết luận quy mô hồi quy tuyến tính bội tương thích với tập dữ liệu và hoàn toàn có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA .
– Trị số Durbin – Watson ( DW ) dùng để kiểm tra hiện tượng kỳ lạ tự đối sánh tương quan chuỗi bậc nhất ( kiểm định đối sánh tương quan của những sai số kề nhau ). DW có giá trị biến thiên trong khoảng chừng từ 0 đến 4 ; nếu những phần sai số không có đối sánh tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2, nếu giá trị càng nhỏ, gần về 0 thì những phần sai số có đối sánh tương quan thuận ; nếu càng lớn, gần về 4 có nghĩa là những phần sai số có đối sánh tương quan nghịch. Theo Field ( 2009 ), nếu DW nhỏ hơn 1 và lớn hơn 3, tất cả chúng ta cần thực sự quan tâm bởi năng lực rất cao xảy ra hiện tượng kỳ lạ tự đối sánh tương quan chuỗi bậc nhất. Theo Yahua Qiao ( 2011 ), thường giá trị DW nằm trong khoảng chừng 1.5 – 2.5 sẽ không xảy ra hiện tượng kỳ lạ tự đối sánh tương quan, đây cũng là mức giá trị tiêu chuẩn tất cả chúng ta sử dụng thông dụng lúc bấy giờ .
1 Để bảo vệ đúng mực, tất cả chúng ta sẽ tra ở bảng thống kê Durbin-Watson ( hoàn toàn có thể tìm bảng thống kê DW trên Internet ). Giá trị này thường nằm trong bảng Model Summary .
Hệ số k ’ là số biến độc lập đưa vào chạy hồi quy, N là size mẫu. Nếu N của bạn là một con số lẻ như 175, 214, 256, 311 …. mà bảng tra DW chỉ có những size mẫu làm tròn dạng 150, 200, 250, 300, 350 … thì bạn hoàn toàn có thể làm tròn kích cỡ mẫu với giá trị gần nhất trong bảng tra. Ví dụ : 175 làm tròn thành 200 ; 214 làm tròn 200 ; 256 làm tròn 250, 311 làm tròn 300 …
– Giá trị sig của kiểm định t được sử dụng để kiểm định ý nghĩa của thông số hồi quy. Nếu sig kiểm định t của thông số hồi quy của một biến độc lập nhỏ hơn 0.05, ta Kết luận biến độc lập đó có ảnh hưởng tác động đến biến nhờ vào. Mỗi biến độc lập tương ứng với một thông số hồi quy riêng, do vậy mà ta cũng có từng kiểm định t riêng. Giá trị này thường nằm trong bảng Coefficients .
– Hệ số phóng đại phương sai VIF dùng để kiểm tra hiện tượng kỳ lạ đa cộng tuyến. Thông thường, nếu VIF của một biến độc lập lớn hơn 10 nghĩa là đang có đa cộng tuyến xảy ra với biến độc lập đó. Khi đó, biến này sẽ không có giá trị lý giải biến thiên của biến nhờ vào trong quy mô hồi quy2. Tuy nhiên, trên trong thực tiễn, nếu thông số VIF > 2 thì năng lực rất cao đang xảy ra hiện tượng kỳ lạ đa cộng tuyến giữa những biến độc lập. Giá trị này thường nằm trong bảng Coefficients .
– Kiểm tra những giả định hồi quy, gồm có phần dư chuẩn hóa và liên hệ tuyến tính : • Kiểm tra vi phạm giả định phần dư chuẩn hóa : Phần dư hoàn toàn có thể không tuân theo phân phối chuẩn vì những nguyên do như : sử dụng sai quy mô, phương sai không phải là hằng số, số lượng những phần dư không đủ nhiều để nghiên cứu và phân tích …
Vì vậy, tất cả chúng ta cần thực thi nhiều cách khảo sát khác nhau. Hai cách thông dụng nhất là địa thế căn cứ vào biểu đồ Histogram và Normal P-P Plot. Đối với biểu đồ Histogram, nếu giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1, ta hoàn toàn có thể khẳng định chắc chắn phân phối là giao động chuẩn. Đối với biểu đồ Normal P-P Plot, nếu những điểm phân vị trong phân phối của phần dư tập trung chuyên sâu thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm. • Kiểm tra vi phạm giả định liên hệ tuyến tính : Biểu đồ phân tán Scatter Plot giữa những phần dư chuẩn hóa và giá trị Dự kiến chuẩn hóa giúp tất cả chúng ta dò tìm xem, tài liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không. Nếu phần dư chuẩn hóa phân chia tập trung chuyên sâu xunh quanh đường hoành độ 0, tất cả chúng ta hoàn toàn có thể Tóm lại giả định quan hệ tuyến tính không bị vi phạm .
5.5.2.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu
Sau đối sánh tương quan Pearson, tất cả chúng ta còn 5 biến độc lập là TN, CV, LD, MT, DT. Thực hiện nghiên cứu và phân tích hồi quy tuyến tính bội để nhìn nhận sự ảnh hưởng tác động của những biến độc lập này đến biến phụ thuộc vào HL. Để thực thi nghiên cứu và phân tích hồi quy đa biến trong SPSS 20, tất cả chúng ta vào Analyze > Regression > Linear …
Xem thêm:
+ Kiểm định T – test, kiểm định sự khác biệt trong spss
+ Tổng quan về phân tích nhân tố khám phá EFA
Các tìm kiếm tương quan khác : hướng dẫn sử dụng spss, ứng dụng spss là gì, hướng dẫn sử dụng ứng dụng spss, cách sử dụng ứng dụng spss, hướng dẫn sử dụng spss 20, ứng dụng thống kê spss, ứng dụng spss cách sử dụng, cách sử dụng spss cho người mới mở màn, ứng dụng xử lý số liệu spss, …
