Hướng dẫn thực hành cách phân tích hồi quy đa biến

Video hướng dẫn thực hành cách phân tích hồi quy đa biến cho các bạn tham khảo

Các nhân tố được trích ra trong phân tích nhân tố được sử dụng cho phân tích hồi quy đa biến để kiểm định mô hình nghiên cứu và các giả thuyết kèm theo. Các kiểm định giả thuyết thống kê đều áp dụng mức ý nghĩa là 5%.

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, 2005).

Nghiên cứu thực hiện hồi quy đa biến theo phương pháp Enter: tất cả các biến được đưa vào một lần và xem xét các kết quả thống kê liên quan.

Kiểm định các giả thuyết, sử dụng với phần mềm SPSS:

Đánh giá độ phù hợp của mô hình hồi quy đa biến

Kiểm định giả thuyết về độ phù hợp của mô hình

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, 2005)

Xác định mức độ ảnh hưởng của: yếu tố có hệ số beta càng lớn thì có thể nhận xét rằng yếu tố đó có mức độ ảnh hưởng cao hơn các yếu tố khác trong mô hình nghiên cứu.

Hướng dẫn chạy phân tích tương quan với SPSS

Video thực hành cách chạy SPSS cho phần phân tích tương quan, các bạn tham khảo thêm ở đây

Kiểm định hệ số tương quan Pearson dùng để kiểm tra mối liên hệ tuyến tính giữa các biến . Nếu các biến độc lập và biến phụ thuộc có tương quan chặt thì phải lưu ý đến vấn đề đa cộng tuyến khi phân tích hồi quy (giả thuyết H₀: hệ số tương quan bằng 0).

Hướng dẫn cách chạy thống kê tần số trong SPSS

Thống kê tần số để xác định số lần xuất hiện của một giá trị cụ thể trong tổng thể. Chi tiết thống kê như trong video đính kèm. Thống kê dùng phần mềm SPSS, ngoài ra excel cũng hỗ trợ thống kê dạng này.

Hướng dẫn cách chạy thống kê mô tả trong SPSS

Thống kê mô tả dùng cho mục đích thống kê trung bình cộng, tổng sum, độ lệch chuẩn,minimum,maximum.... Các bạn xem hướng dẫn cách thực hiện ở đây

Thực hành cách phân tích nhân tố EFA

Lúc này rãnh rỗi, admin làm vài video hướng dẫn các bạn chạy EFA, check ở đây nhé :)

Cụ thể nội dung cần nắm về mặt lý thuyết:

Các thang đo đạt yêu cầu về độ tin cậy sẽ được sử dụng phân tích nhân tố để rút gọn một tập gồm nhiều biến quan sát thành một tập biến (gọi là nhân tố) ít hơn; các nhân tố được rút gọn này sẽ có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu (Hair, Anderson, Tatham và Black; 1998). Phương pháp phân tích nhân tố khám phá EFA được dùng để kiểm định giá trị khái niệm của thang đo (dẫn theo Lê Ngọc Đức, 2008).

-   Kiểm định Bartlett: các biến quan sát có tương quan với nhau trong tổng thể

-   Xem xét giá trị KMO: 0,5≤KMO≤1 thì phân tích nhân tố là thích hợp với dữ liệu; ngược lại KMO≤ 0,5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005)

-   Để phân tích EFA có giá trị thực tiễn: tiến hành loại các biến quan sát có hệ số tải nhân tố < 0,5

-   Xem lại thông số Eigenvalues (đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố) có giá trị > 1

Xem xét giá trị tổng phương sai trích (yêu cầu là ≥ 50%): cho biết các nhân tố được trích giải thích được % sự biến thiên của các biến quan sát

Cách thực hiện và tiêu chí đánh giá trong phân tích nhân tố khám phá EFA:

-   Sử dụng phương pháp trích yếu tố là Principal components với phép quay Varimax và điểm dừng khi trích các yếu tố có Eigenvalues =1. Với các thang đo đơn hướng thì sử dụng phương pháp trích yếu tố Princial components. Tiến hành loại các biến số có trọng số nhân tố (còn gọi là hệ số tải nhân tố) nhỏ hơn 0,4 và tổng phương sai trích được bằng hoặc lớn hơn 50% (thang đo được chấp nhận) (Gerbing & Anderson, 1988; dẫn theo Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).

-   Tiêu chuẩn đối với hệ số tải nhân tố là phải lớn hơn hoặc bằng 0,5 để đảm bảo mức ý nghĩa thiết thực của EFA. Các mức giá trị của hệ số tải nhân tố: lớn hơn 0,3 là đạt được mức tối thiểu; lớn hơn 0,4 là quan trọng; lớn hơn 0,5 là có ý nghĩa thực tiễn. Tiêu chuẩn chọn mức giá trị hệ số tải nhân tố: cỡ mẫu ít nhất là 350 thì có thể chọn hệ số tải nhân tố lớn hơn 0,3; nếu cỡ mẫu khoảng 100 thì chọn hệ số tải nhân tố lớn hơn 0,55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố phải lớn hơn 0,75 (Hair, Anderson, Tatham và Black; 2008).

Video hướng dẫn chạy cronbach's alpha do nhóm MBA thực hiện

Các bạn đang tìm hiểu cách chạy phân tích độ tin cậy cronbach alpha vào đây xem video hướng dẫn thực hành nhé.