Thực hành cách phân tích Paired Sample T-Test

Các bạn like và share cho mọi người cùng biết các video hỗ trợ nhé... Gặp khó khăn khi phân tích SPSS, hãy liên hệ nhóm MBA tại: hotrospss@gmail.com

Hướng dẫn Paired Sample T-Test

Phân tích Paired Sample T-Test

Kiểm định Paired Sample T-Test

Cách chạy phân tích Paired Sample T-Test

Paired Sample T Test

Thực hành cách phân tích Paired Sample T-Test

Cách xử lý câu trả lời nhiều lựa chọn

Cách xử lý câu trả lời nhiều lựa chọn được thực hiện trong video sau, các bạn xem nhé

Phân tích multiple response
Câu trả lời nhiều lựa chọn
Câu hỏi nhiều lựa chọn
Cách chạy phân tích câu trả lời nhiều lựa chọn
Multiple response sets

Cách sử dụng Independent Sample T-Test trong SPSS

Independent Sample T-Test dùng tượng tự như phân tích ANOVA , tuy nhiên hạn chế là chỉ so sánh được 2 nhóm với nhau, hoặc một nhóm với một số cụ thể. Ví dụ phần này dùng so sánh có sự  khác biệt của giới tính( nam, nữ) với sự hài lòng hay không :) 

Phân tích Independent Sample  T-Test
Kiểm định Independent Sample  T-Test
Cách chạy phân tích Independent Sample  T-Test
Independent sample t test

Cách sử dụng custom tables trong SPSS

Hôm nay hotrospss@gmail.com giới thiệu cách thực hiện phân tích với custom tables trong SPSS

Custom tables thay cho Basic tables , General tables trong các phiên bản SPSS cũ

Cách tạo Basic tables
Cách tạo General tables
Cách tạo Custom tables
Phân tích Custom tables

Crosstabs - Thực hành cách phân tích bảng chéo Crosstabs trong SPSS

Phân tích này rất hữu ích trong việc xác định mối quan hệ, số lượng giữa các biến định tính, hoặc định lượng với nhau.

Các bạn like và share cho mọi người cùng biết các video hỗ trợ nhé... Gặp khó khăn khi phân tích SPSS, hãy liên hệ nhóm MBA tại: hotrospss@gmail.com
Cross tabulation
Phân tích Crosstabs
Cách chạy phân tích Crosstabs
Phân tích bảng chéo

Hướng dẫn cách chạy phân tích anova trong SPSS

Đây là video hướng dẫn phân tích phương sai một yếu tố, phần này dùng trong luận văn thạc sĩ, sau phần hồi quy các bạn nhé.

Các bạn like và share cho mọi người cùng biết các video hỗ trợ nhé... Gặp khó khăn khi phân tích SPSS, hãy liên hệ nhóm MBA tại: hotrospss@gmail.com
One way ANOVA
Phân tích phương sai ANOVA
Cách chạy phân tích phương sai một yếu tố One-way ANOVA
Phân tích sự khác biệt giữa các thuộc tính độ tuổi, giới tính với biến phụ thuộc

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.

HỒI QUY VÀ TƯƠNG QUAN

HỒI QUY VÀ TƯƠNG QUAN

Hồi quy và tương quan khác nhau về mục đích và kỹ thuật. Phân tích tương quan trước hết là đo mức độ kết hợp tuyến tính giữa các biến. Ví dụ: mức độ quan hệ giữa nghiện thuốc là và ung thư phổi, giữa kết quả thi môn Lý và môn Toán… Nhưng phân tích hồi quy lại ước lượng hoặc dự báo một biến (biến phụ thuộc) trên cơ sở giá trị đã cho của các biến khác (biến độc lập). Về kỹ thuật, trong phân tích hồi quy các biến không có tính chất đối xứng. Biến phụ thuộc là đại lượng ngẫu nhiên. Các biến giải thích giá trị của chúng (biến độc lập) đã được xác định. Trong phân tích tương quan không có sự phân biệt giữa các biến, chúng có tính chất đối xứng.

Tóm lại, hồi quy thì tương quan (hay nói cách khác đk để hồi quy thì trước hết phải tương quan), còn tương quan thì chưa chắc đã hồi quy.

(hotrospss@gmail.com)

CÁCH CHỌN MẪU TRONG NGHIÊN CỨU MARKETING

CÁCH CHỌN MẪU TRONG NGHIÊN CỨU MARKETING

Hỏi:

“Chào Hỗ trợ SPSS!

Mình tìm thấy các bạn trên trang Facebook. Bạn có thể cho mình tham vấn về cách chọn mẫu được không? Bọn m đang làm về đề tài đánh giá sự cảm nhận của sinh viên về chất lượng kí túc xá. Bọn m chon mẫu theo dãy nhà. Nhưng nếu tính theo dãy nhà thì không biết xác định cỡ mẫu thế nào. Bạn có thê tham vấn giúp m được không?

M cảm ơn!”

Trả lởi:

“Chào bạn,

Liên quan đến câu hỏi của bạn (mình không biết là bạn đang làm đề tài cho bài tập nhóm hay đang làm luận văn) Mình có 1 số gợi ý như sau:

Để thực hiện đề tài nghiên cứu thì trước tiên bạn phải tìm hiểu cơ sở lý thuyết (luận văn trước, bài báo nghiên cứu liên quan...) để đưa ra mô hình nghiên cứu (và phải được giáo viên hướng dẫn cũng như hội đồng phản biện thông qua (bảo vệ đề cương) thì bạn mới có thể làm các bước tiếp theo)

Từ mô hình nghiên cứu đó bạn sẽ đi xây dựng thang đo cho các yếu tố trong mô hình (thang đo cũng xuất phát từ những bài báo or luận văn trước, có điều chỉnh cho phù hợp hơn thông qua nghiên cứu định tính, sơ bộ định lượng)

Từ thang đo đó bạn mới xây dựng bảng câu hỏi để đi khảo sát.

Sau đó bạn mới mã hóa, nhập liệu và chạy dữ liệu cho mô hình định lượng: thống kế mô tả, kiểm tra độ tin cậy cronbach’s alpha, phân tích nhân tố EFA, tương quan, hồi quy đa biến, anova,…

Số lương mẫu thì có nhiều cách tiếp cận khác nhau. Cách đơn giản nhất là bạn lấy số lượng câu hỏi * 5 lần. Ví dụ: nếu bạn có 30 câu hỏi trong bảng khảo sát thì số lượng mẫu tối thiểu bạn phải có là 30*5= 150 mẫu.

Thông tin cụ thể thì bạn tham khảo như dưới đây:

Mẫu được chọn theo phương pháp thuận tiện, một trong các hình thức chọn mẫu phi xác suất. Khi đó, nhà nghiên cứu có thể chọn những phần tử (đối tượng nghiên cứu) có thể tiếp cận được (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2009).

Kích thước của mẫu áp dụng trong nghiên cứu được dựa theo yêu cầu của phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) và hồi quy đa biến:

-   Đối với phân tích nhân tố khám phá EFA: Dựa theo nghiên cứu của Hair, Anderson, Tatham và Black (1998) cho tham khảo về kích thước mẫu dự kiến. Theo đó kích thước mẫu tối thiểu là gấp 5 lần tổng số biến quan sát.

-   Đối với phân tích hồi quy đa biến: cỡ mẫu tối thiểu cần đạt được tính theo công thức là 50 + 8*m (m: số biến độc lập) (Tabachnick và Fidell, 1996)..

Nghiên cứu về cỡ mẫu do Roger thực hiện (2006) cho thấy cỡ mẫu tối thiểu áp dụng được trong các nghiên cứu thực hành là từ 150-200

Một vài ý trao đổi cùng bạn”

 (hotrospss@gmail.com)

Factor loading trong Phân tích nhân tố khám phá EFA

Factor loading trong Phân tích nhân tố khám phá EFA

Theo Hair & ctg (1998,111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading >0.3 được xem là đạt được mức tối thiểu, >0.4 được xem là quan trọng , >=0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998,111) cũng khuyên như sau: nếu chọn tiêu chuẩn Factor loading >0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn Factor loading >0.55 (thường có thể chọn 0.5), nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải >0.75

(hotrospss@gmail.com)

CÁCH TÍNH NHÂN SỐ ĐẠI DIỆN CHO NHÂN TỐ

CÁCH TÍNH NHÂN SỐ ĐẠI DIỆN CHO NHÂN TỐ

Sau khi chạy Cronbach’s alpha để kiểm tra độ tin cậy thang đo xong, bạn sẽ phân tích nhân tố EFA để khẳng định lại mô hình nghiên cứu của bạn có bao nhiêu nhân tố.

Nếu bạn tiếp tục chạy tương quan và hồi quy đa biến… trong SPSS thì bước tiếp theo là phải tính được nhân số đại diện cho các nhân tố này. Thường có 2 cách:

C1. Bạn có thể dùng hàm mean để tính trung bình cộng các biến quan sát thuộc nhân tố để làm nhân số đại diện (cách này được áp dụng khá phổ biến vì dễ giải thích).

C2. Khi phân tích EFA trong SPSS, bạn chọn nút Scores để lưu lại nhân số đại diện của nhân tố một cách tự động (SPSS sẽ tính giúp bạn). Nhân số tính theo cách này đã được SPSS chuẩn hóa. Theo kinh nghiệm thì cách này phù hợp khi bạn sử dụng các nhân số này để phân tích hồi quy, kiểm định mối quan hệ ảnh hưởng của các biến độc lập lên biến phụ thuộc… và đặc biệt thích hợp trong TH các biến quan sát có đơn vị tính khác nhau. Còn nếu bạn dùng để thống kê mô tả, t-test or ANOVA… thì không nên vì khi đó sẽ khó giải thích kết quả.

(hotrospss@gmail.com)

TỔNG QUÁT VỀ PHÂN TÍCH ĐA BIẾN

TỔNG QUÁT VỀ PHÂN TÍCH ĐA BIẾN

Phân tích phụ thuộc:

-         Xác định được biến nào là phụ thuộc, biến nào là độc lập

-         Bao gồm các phương pháp: phân tích hồi quy đa biến, ANOVA, Conjoint, Discriminant, Canonical analysis…

Phân tích tương tác:

-         Không xác định trước biến nào là phụ thuộc, biến nào là độc lập, chủ yếu là tìm kiếm các mô thức tương quan.

-         Bao gồm các phương pháp: Factor analaysis, Cluster, Multi-dimensional Scaling…

(Lưu ý: phân tích đa biến giúp giải quyết nhiều bài toán phức tạp. Tuy nhiên, mỗi phương pháp phân tích đa biến đều dựa trên 1 số giả thiết (ngầm) -> cần phải thận trọng)

Ý NGHĨA GIÁ TRỊ TRUNG BÌNH TRONG THANG ĐO KHOẢNG (Interval Scale)

Ý NGHĨA GIÁ TRỊ TRUNG BÌNH TRONG THANG ĐO KHOẢNG (Interval Scale)

Khi phân tích SPSS, bước đầu tiên bạn thường làm là thống kê mô tả, một trong những thông số thông dụng là Mean – trung bình cộng. Bạn nên hiểu rõ ý nghĩa giá trị trung bình của thang đo mà bạn sử dụng (thường là thang đo khoảng - interval scale)

Giả sử bạn dùng thang đo Likert 5 lựa chọn trong bảng khảo sát. Khi đó:

Giá trị khoảng cách = (Maximum – Minimum) / n = (5-1)/5 = 0.8

Ý nghĩa các mức như sau:

1.0         – 1.80: Rất không đồng ý/ Rất không hài lòng/ Rất không quan trọng…

1.81 – 2.60: Không đồng ý/ Không hài lòng/ Không quan trọng…

2.61 – 3.40: Không ý kiến/ Trung bình…

3.41 – 4.20: Đồng ý/ Hài lòng/ Quan trọng…

4.21 – 5.00: Rất đồng ý/ Rất hài lòng/ Rất quan trọng…

(hotrospss@gmail.com)

Ý NGHĨA GIÁ TRỊ TRUNG BÌNH TRONG THANG ĐO KHOẢNG

Ý NGHĨA GIÁ TRỊ TRUNG BÌNH TRONG THANG ĐO KHOẢNG
Khi phân tích SPSS, bước đầu tiên bạn thường làm là thống kê mô tả, một trong những thông số thông dụng là Mean – trung bình cộng. Bạn nên hiểu rõ ý nghĩa giá trị trung bình của thang đo mà bạn sử dụng (thường là thang đo khoảng - interval scale) để giúp cho việc phân tích số liệu được hợp lý và hiệu quả hơn.
Giả sử bạn dùng thang đo Likert 5 lựa chọn trong bảng khảo sát. Khi đó:
Giá trị khoảng cách = (Maximum – Minimum) / n = (5-1)/5 = 0.8
Ý nghĩa các mức như sau:
1.00 – 1.80: Rất không đồng ý/ Rất không hài lòng/ Rất không quan trọng…
1.81 – 2.60: Không đồng ý/ Không hài lòng/ Không quan trọng…
2.61 – 3.40: Không ý kiến/ Trung bình…
3.41 – 4.20: Đồng ý/ Hài lòng/ Quan trọng…
4.21 – 5.00: Rất đồng ý/ Rất hài lòng/ Rất quan trọng…
(hotrospss@gmail.com)

PHÂN TÍCH PHƯƠNG SAI MỘT YẾU TỐ (ANOVA)

PHÂN TÍCH PHƯƠNG SAI MỘT YẾU TỐ (ANOVA)
Dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Ví dụ: Phân tích sự khác biệt giữa các thuộc tính khách hàng (giới tính, tuổi, nghề nghiệp, thu nhập…) đối với 1 vấn đề nào đó (thường chọn là nhân tố phụ thuộc, vd: 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 or cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
- Phương sai của các nhóm so sánh phải đồng nhất.
Lưu ý: nếu giả định tổng thể có phân phối chuẩn với phương sai bằng nhau không đáp ứng được thì bạn có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVA.
(hotrospss@gmail.com)

PHÂN TÍCH ANOVA (cont.)

Levene test

Ho: “Phương sai bằng nhau”

Sig < 0.05: bác bỏ Ho

Sig >=0.05: chấp nhận Ho -> đủ điều kiện để phân tích tiếp anova

ANOVA test

Ho: “Trung bình bằng nhau”

Sig >0.05: bác bỏ Ho -> chưa đủ điều kiện để khẳng định có sự khác biệt…

Sig <=0.05: chấp nhận Ho -> đủ điều kiện để khẳng định có sự khác biệt…

Khi có sự khác biệt thì có thể phân tích sâu hơn để tìm ra sự khác biệt như thế nào giữa các nhóm quan sát.

(hotrospss@gmail.com)