Giới thiệu về SPSS

50 %
50 %
Information about Giới thiệu về SPSS

Published on June 19, 2016

Author: kudos21

Source: slideshare.net

1. NGHIÊN CỨU KHOA HỌC (Thực hành trên SPSS)

2. Mục tiêu buổi học – Học viên biết cách đưa kết quả khảo sát và bảng câu hỏi vào SPSS. – Học viên có khả năng tự thực hiện các kiểm định đơn giản. – Học viên biết qui trình thực hiện EFA, hồi qui nhằm phục vụ cho việc thực hiện luận văn.

3. Màn hình biến Tên biến Màn hình biến Kiểu biến Nhãn Giá trị trong biến Thang đo

4. Màn hình dữ liệu Màn hình dữ liệu Biến quan sát Phiếu khảo sát

5. Tạo cơ sở dữ liệu – Nhập thủ công tại màn hình dữ liệu – Đưa từ bên ngoài vào thông qua File/Open/…

6. Cách phân loại thang đo cho biến – Thang đo định danh (Nominal scale): dùng cho các biến định tính để phân loại, giá trị không mang ý nghĩa khác. – Ví dụ: giới tính, nghề nghiệp, bộ phận công tác, tình trạng hôn nhân, …

7. Cách phân loại thang đo cho biến – Thang đo thứ bậc (Ordinal scale): các biến định tính có các giá trị cần sắp xếp theo thứ bậc để chỉ rõ sự hơn kém. – Ví dụ: Độ tuổi, vị trí công tác, trình độ chuyên môn, thu nhập, …

8. Cách phân loại thang đo cho biến – Thang đo định lượng gồm thang đo khoảng cách (interval scale) và thang đo tỷ lệ (ratio) dùng cho tất cả các biến định lượng.

9. Cách xác định cỡ mẫu cho EFA – N = cỡ mẫu tối thiểu, M = số lượng biến quan sát, m = nhân tố độc lập – EFA: N = 5*M (Hair & ctg, 1998) – Phân tích hồi qui đa biến: N = 50 + 8*m (Tabachnick và Fidell, 1996)

10. Xác định tần suất – Analyze/Descriptive Statistics/Frequencies

11. Kiểm định mối liên hệ giữa hai biến định tính – Dùng kiểm định Chi-square – Analyze/Descriptive Statistics/Crosstabs – Xác định độ tin cậy (SPSS mặc định là 95% => mức ý nghĩa α = 0.05) – Xác định giả thuyết H0: không có mối liên hệ => H1 – Nếu Chi-square < α => bác bỏ H0 – Nếu Chi-square >= α => không bác bỏ H0

12. Hiển thị đồ thị dạng cột Kiểm định Chi-square Kiểm định định danh Kiểm định thứ bậc Giá trị Chi- square Cần dưới 20%

13. Kiểm định ANOVA – Dùng kiểm định độ đồng nhất giữa phương sai các nhóm – Kiểm định sự khác biệt giữa biến định tính với biến định lượng – Analyze/Compare Means/One-way ANOVA – Kiểm định Levene: sig. <= α → phương sai giữa các lựa chọn khác nhau – ANOVA: sig. <= α → có sự khác biệt giữa các nhóm định tính – Nếu có sự khác biệt thì Mean của nhóm nào cao hơn sẽ tác động mạnh hơn đến biến định lượng

14. Kiểm định Levene ANOVA Kiểm định Levene Thống kê mô tả Các biến định tính Biến định lượng

15. CRONBACH’s ALPHA – Độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Alpha – “Sử dụng phương pháp 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). – “Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp 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, 2008).

16. CRONBACH’s ALPHA – Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo qua hệ số Cronbach’s Alpha: – Sử dụng hệ số tương quan biến-tổng nhỏ >= 0.3 khi kiểm định Cronbach’s Alpha (Nguyễn Đình Thọ, 2011). – Mỗi lần chỉ xóa một biến “tồi” nhất. – Mỗi khái niệm được đo bằng hai biến trở lên. – Tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 (Alpha càng lớn thì độ tin cậy nhất quán nội tại càng cao) (Nunally & Burnstein, 1994). – Các mức giá trị của Alpha: lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995)

17. CRONBACH’s ALPHA – Analyze/Scale/Reliability Analysis Model: Alpha Kiểm tra xóa biến Tương quan biến-tổng Hệ số Cronbach’ s Alpha

18. Phân tích nhân tố khám phá (EFA)– Ba thuộc tính quan trọng trong kết quả EFA: 1) Số lượng nhân tố trích được: dừng khi nhân tố có Eigenvalue >=1 (Nguyễn Đình Thọ, 2011). 2) Hệ số tải nhân tố (factor loading): nhân tố có λ>= 0.5 là chấp nhận được (Hair & ctg, 1998). 3) Tổng phương sai trích: phải đạt >= 50% thì chấp nhận được (Gerbing & Anderson, 1988). Nguyễn Đình Thọ (2011) cho rằng tổng này đạt từ 60% trở lên là tốt.

19. Phân tích nhân tố khám phá (EFA)– Ngoài ra: A) Hệ số Kaiser-Mayer-Olkin (KMO): là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. 0.5 <= KMO <= 1 là điều kiện đủ để phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). B) Chênh lệch |Factor loading| lớn nhất và |Factor loading| bất kỳ phải >= 0.3 (Jabnoun & Al-Tamimi, 2003). C) Phương pháp trích Principal Component Analysis với phép xoay Varimax cho tổng phương sai trích tốt hơn. Còn Principal Axis Factoring với Promax sẽ phản ánh cấu trúc dữ liệu chính xác hơn (Gerbing & Anderson, 1988).

20. Phân tích nhân tố khám phá (EFA)– Analyze/Dimension Reduction/Factor – Mỗi lần loại biến, chỉ được loại một biến “tồi nhất”

21. Barlett’s test Phương pháp trích Eigenvalues Phương pháp xoay Loại các hệ số nhỏ

22. Phân tích nhân tố khám phá (EFA) KMO >= 0.5 Sig. <= α Eigenvalues >=1 Tổng phương sai trích >=50%

23. Phân tích nhân tố khám phá (EFA) Factor Loading >= 0.5 Hiệu 2 |Factor Loading| >= 0.3

24. Phân tích tương quan Pearson – Kiểm tra mối tương quan tuyến biến phụ thuộc với các biến độc lập? – Nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh. – Analyze/Correlate/Bivariate – Hệ số tương quan r - |r| <0.25: không tương quan hay tương quan kém chặt chẽ - |r| từ 0.25 đến 0.5: tương quan yếu - r từ 0.5 đến 0.75: tương quan trung bình - r từ 0.75 đến <1: tương quan mạnh (Fraenkel & Wallen, 2006). – Sig. < α.

25. Phân tích tương quan Pearson Hệ số r Sig.

26. Thiết lập biến mới – Để sử dụng mô hình hồi qui tuyến tính cho các nhân tố mới sau EFA thì phải thiết lập biến mới → Transform/Compute Variable/

27. Phân tích hồi qui đa biến – Analyze/Regression/Linear – “Sau khi kết luận là hai biến có mối liên hệ tuyến tính thì có thể mô hình hóa mối quan hệ nhân quả của hai biến này bằng hồi quy tuyến tính” (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). – “Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF (Variance inflation factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến” (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008). – R square > 0.5 trong các mô hình về nhận dạng, giải thích. Mô hình về mối quan hệ thì không cần quan tâm đến chỉ số này. – Nhân tố có Sig. < 0.05 mới được đưa vào mô hình hồi qui.

28. Phân tích hồi qui đa biến

29. Tài liệu tham khảo – Comrey, A. L. (1973), A first course in factor analysis, New York: Academic. – Fraenkel, J.R., & Wallen, N.E. (2006), How to design and evaluate research in education, New York: McGraw-Hill. – Jabnoun, N. and Al-Tamimi, H.A.H. (2003), “Measuring perceived service quality at UAE commercial banks”, International Journal of Quality & Reliability Management, Vol. 20 Nos 4/5, pp. 458-72. – Hair, J.F. Jr. , Anderson, R.E., Tatham, R.L., & Black, W.C. (1998), Multivariate Data Analysis, (5th Edition), Upper Saddle River, NJ: Prentice Hall.

30. Tài liệu tham khảo – Gerbing, D.W & Anderson, J.C (1988), “Structural Equation Modeling in practice: a review and recommended two-step approach”, Psychological Bulletin, 103 (3): 411-423. – Nunally C. Jum (1978), Psychometric Theory, New York, McGraw-Hill. – Nunally C. Jum & Burnstein H. Ira (1994), Psychometric theory (3rd ed.), New York, McGraw-Hill, Inc. – Peterson R. A.(1994), “A Meta-Analysis of Cronbach’s Coefficient Alpha”, Journal of Consumer Research, No. 21 Vol 2, pp 381-391. – Slater S. F.(1995), “Issues in Conduction Marketing Strategy Research”, Journal of Strategic, No. 3 Vol 4, pp 257-270.

31. Tài liệu tham khảo – Tabachnick, B. G., & Fidell, L. S. (1996), Using multivariate statistics (3rd ed.), New York: Harper Collins. – Nguyễn Đình Thọ (2011), Phương pháp nghiên cứu khoa học trong kinh doanh, TPHCM: NXB Lao động – Xã hội. – Nguyễn Đình Thọ & Nguyễn Thị Mai Trang (2009), Nghiên cứu khoa học trong quản trị kinh doanh, NXB Thống kê. – Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS, NXB Hồng Đức.

Add a comment