Thông báo hỗ trợ SPSS

Thời gian qua nhóm Thạc Sĩ QTKD ĐH Bách Khoa  TP.HCM đã cung cấp nhiều trang web, và thường xuyên trả lời mail để hỗ trợ kiến thức SPSS, chia sẻ kinh nghiệm xử lý, phân tích SPSS, hỗ trợ tư vấn xử lý số liệu xấu cho cái bạn học viên Cao học, Đại học làm luận văn, hướng dẫn quy trình xử lý số liệu,các bước thực hành cronbach’s alpha, EFA, hồi quy... 

Các bạn có thể trao đổi thêm với nhóm về việc:

-Xây dựng mô hình nghiên cứu.

-Thiết kế bảng câu hỏi khảo sát.

-Khảo sát, xử lý số liệu sau khảo sát( kiểm định độ tin cậy Cronbach’s alpha kết quả quá thấp, kiểm định EFA các nhân tố bị xáo trộn, không xếp đúng thứ tự như mô hình đề xuất, hoặc kiểm định giả thiết hồi quy significant > 0.05, không đạt ý nghĩa thống kê)… 

Hãy mail cho nhóm Thạc Sĩ QTKD Bách Khoa tại hotrospss@gmail.com để được hỗ trợ tư vấn xử lý một cách nhanh nhất( nhóm thường xuyên check mail, các bạn cứ yên tâm gởi nhé).

Nay nhóm tổng hợp lại các link để các bạn dễ dàng truy cập:

SPSS:

-Diễn đàn facebook SPSS: https://www.facebook.com/Support.SPSS?ref=hl 

-Tài liệu, bài viết,video hướng dẫn phân tích SPSS: http://hotrospss.blogspot.com/

-Và đặc biệt các video hướng dẫn thực hành SPSS: https://www.youtube.com/playlist?list=PLIJLoulNaQMx0n_PY50IXnk-F_A1Pclmw

AMOS, mô hình cấu trúc tuyến tính SEM:

-Diễn đàn facebook AMOS, SEM, CFA:  https://www.facebook.com/HoTroAMOS?ref=hl

-Tài liệu, bài viết, video hướng dẫn phân tích AMOS, SEM, CFA: http://hotroamos.blogspot.com/

Email hỗ trợ xử lý,giải đáp thắc mắc : hotrospss@gmail.com

Dưới đây nhóm MBA nhắc lại một số nội dung thắc mắc của các bạn đi trước và đã được nhóm hỗ trợ tất cả mọi trường hợp( admin không lưu lại tên đề tài và tên người gởi, chỉ nêu các thắc mắc chung để các bạn cùng biết):

EFA thì các nhân tố nằm lộn xộn ,Ma trận xoay thì các biến quan sát bị xáo trộn

Mình đang phân tích nhân tố EFA. Mình rất mong nhóm hỗ trợ mình giải thích kết quả của ma trận xoay. Mình không hiểu sao số bị âm. Component chỉ có 3 trong khi mình đang phân tích 7 nhân tố? Hơn nữa, kết quả ko hội tụ

Chạy hoài không phân tích được EFA.

Em đang làm luận văn thạc sĩ về Đo lường sự thoả mãn nhưng khi lập Bảng câu hỏi, em thấy sao các yếu tố nó hơi bị trùng nhưng em không thấy được nó trùng ở đâu. Em nhờ Anh/ Chị góp ý dùm em Bảng câu hỏi ạ.

Thầy/cô/anh/chị cho em hỏi khi sử dụng SPSS để phân tích nhân tố EFA thì mình chỉ được dùng đối với những biến có thang đo likert thôi hay biến định danh cũng dùng được. em cam sơn!

Kính gửi Admin, em muốn hỏi 1 chút về SPSS ạ, nếu có 1 bảng phân tích kêt quả hồi quy bội dùng Stepwise như thế này thì từ chỉ tiêu nào có thể tính ra chỉ tiêu nào ko ạ, Hiện tại em chỉ biết trong các bảng này TSS, RSS, ESS và R2  là có công thức tính suy ra nhau, còn tất cả các con số hiển thị khác trong bảng chăng hạn như Std. Error of the Estimate, R2 hiệu chỉnh, Mean Square và các chỉ tiêu khác trong các bảng dưới đây. Có thể suy ra từ các chỉ tiêu khác ko ạ

Chạy EFA và hồi quy nhưng ko đẹp

Chào các bạn, mhờ các bạn hướng dẫn dùm cách cài đặt phần mềm SPSS16 dùm. Cảm ơn các bạn nhiều!

Bác ơi anh có cách cài bản spss 22 tiếng việt cho mac os x không, chỉ cho em với ạ?

Em đang phân tích CFA theo cách của anh chỉ trên youtube nhưng trong amos máy em k có dòng pluggin Pattern Matrix Model Builder là vì sao vậy anh? Phải làm thế nào máy mới có? Em xin cám ơn

Sau mà cronbach anpha mà thấp quá thì phải nắn chỉnh dữ liệu

Hiện tại em không hiểu về cách tạo biến trong hồi qui, xin nhờ nhóm hướng dẫn giúp,

Xin chào nhóm, mình đang làm 1 luận văn thạc sỹ về Nâng cao mức độ thỏa mãn đối với công việc của nhân viên. Khi phân tích nhân tố EFA mình bị nhảy biến độc lập lung tung ko theo đúng các nhân tố đặt ra, nhờ nhóm giúp mình xem sai ở đâu nhé. Mình có đính kèm mô hình, bảng câu hỏi và dữ liệu khảo sát. Mong nhóm sớm giúp mình. Xin cảm ơn nhóm MBA.

Mình đang trong quá trình chuẩn bị làm luận văn tốt nghiệp. Mình cần có người hỗ trợ sử dụng SPSS trong phân tích số liệu. Bạn có thể hỗ trợ mình hay không?

Lam sao co the tinh do tin cay cho cau hoi nhieu lua chon a. khi e cho chay cac cau hoi thi  phan output ra dong chu Warnings There are too few cases (N = 0) for the analysis. Execution of this command stops.

Hiện em là sinh viên, em đang muốn cài phần mềm spss 20 mà em không tải được về, khi tải được về thì lại không cài được. A có thể giúp em gửi cho xin file và core nữa anh nhé

Mình đang làm phiếu khảo sát bằng spss nhưng bị vướng ở chổ vẽ chart đối với câu hỏi nhiều lựa chọn, bạn hướng dẩn giúp mình nhé.Phần tạo bảng tần số Analyze/Multiple Response/Frequencies thì mình làm được nhưng ko có chart. Mình đang sài SPSS 16.

dạ chào anh!

e đang làm về phân tích nhân tố EFA, chỗ ma trận xoay, các nhân tố k sắp xếp đúng theo thứ tự thì e phải làm sao ạ! nhờ anh tư vấn giúp. e cảm ơn ạ!

Kính gởi các bạn trong nhóm MBA Bách khoa. Mình đang làm luận văn Thạc sĩ, do mới tiếp cận chương trình SPSS nên chưa nắm các kỹ thuật trong việc phân tích dữ liệu dạng hồi quy tuyến tính và ANOVA. Mong nhận được sự giúp đở của các bạn.

TB : Hiện mình đã nhập đầy đủ số liệu khảo sát vào chương trình SPSS, đã phân tích các biến đơn giản ( cao nhất, thấp nhất, trung bình ). Nếu được xin liên hệ qua email này

Dear Anh, em đang có làm phân tích EFA, nhưng mà ma trận xoay nhân tố khá lộn xộn và em không biết phân tích kết quả như thế nào. Anh xem giúp em dữ liệu phần này được ko ah. Có phải là do dữ liệu nghiên cứu ko chính xác ko ạ

Em cảm ơn!

Mình bị vấn đề này khi phân tích EFA, mong nhận được giúp đỡ:

1. Sử dụng phép trích Principle component và phép xoay Varimax, Eigenvalue >1.

Phân tích EFA lần 1, có 8 biến không đạt yêu cầu (<0.5 hoặc trùng lặp), lần lượt loại từng biến để phân tích EFA tiếp thì lại xuất hiện thêm biến không đạt yêu cầu nữa, cứ làm như thế mà vẫn vậy. Bỏ luôn cả 8 biến để phân tích EFA thì số lượng nhân tố rút xuống còn rất ít (ban đầu 11, giờ chỉ còn 7) và nhiều nhân tố mất hẳn tất cả biến quan sát luôn.

2. Sử dụng phép trích Principle component và phép xoay Varimax,Fix số lượng nhân tố là 11 (chọn Fixed number of factors trong mục Extraction)

Kết quả khả quan hơn: Sau 2 lần EFA, vẫn còn 11 nhân tố nhưng có 2 nhân tố nhóm lại thành 1 và 1 nhân tố tách ra làm 2. Các nhân tố mới này vẫn có thể giải thích được.

Cho mình hỏi: mình sử dụng cách 2 được không? Nếu không, phải sử dụng cách 1 thì giải quyết vấn đề như thế nào?

K/g nhom Thac sy KD Bach Khoa,

Xin vui long cho hoi nhom, sau khi phan tich EFA nhung sau khi run EFA thi cac items trong Rotated Component Matrix no khong xep nhom theo muc tieu cua minh ma no xao tron cac items lai. Vay bay gio minh xu ly tiep the nao?

Xin hoi them khong biet nhom co cu nguoi ho tro giup minh duoc khong

Nhóm mình cho em hỏi chút, em chạy spss đến phân tích nhân tố, em định sử dụng phương pháp trích principal axis factoring với phép quay promax nhưng bị loại nhiều biến quá mà làm mấy bước không ra được, còn dùng phương pháp principal component thì cũng phải loại tới 6,7  biến mới ra mà biến bị xoay lung tung hết. mong nhóm xem hộ mình dữ liệu để chạy được efa ạ. cảm ơn nhóm rất nhiều. mong nhóm hồi âm sớm vì mình đang làm bài gấp, cảm ơn

Chào các anh nhóm Thạc sĩ QTKD Bách Khoa!

Hiện tại em đang làm luận văn tốt nghiệp đề tài "Đánh giá sự hài lòng của khách hàng đối với chất lượng dịch vụ tại các siêu thị ".

Vì đề tài chỉ đánh giá sự hài lòng đối với chất lượng dịch vụ nên em đưa ra 5 chỉ tiêu đánh giá sự hài lòng đối với 5 yếu tố chính của chất lượng dịch vụ. Như vậy có được không ạ?

Đề tài em dự định sẽ chạy cronbach's alpha, EFA, CFA và mô hình tuyến tính SEM

Đây là bảng câu hỏi của em mong nhóm góp ý giúp em ạ!

Chào bạn, mình vừa mua macbook và cần dùng spss. Mình có thấy clip hướng dẫn cài đặt spss cho mac 20. Mà mình k biết tải ở đâu? Bạn có thể giúp đỡ đc k ? Cảm ơn bạn đã đọc mail.

Giới thiệu mô hình chất lượng dịch vụ khi dùng làm luận văn, điểm mạnh và điểm yếu

Hôm nay nhóm MBA giới thiệu đến các bạn mô hình chất lượng dịch vụ để thiết kế bảng câu hỏi làm luận văn kinh tế. Đồng thời cũng lưu ý một số điểm yếu của mô hình này:

SERVQUAL là một mô hình dùng dể quản lý chất lượng dịch vụ, được Zeithaml, Parasuraman & Berry phát triển vào giữa những năm 1980 để đo lường chất lượng trong mảng dịch vụ.

Thang  đo  SERVQUAL  được ghép từ 2 từ SERVice - Dịch vụ và QUALity - Chất  lượng.

Các tác giả ban đầu định ra mô hình bao gồm 10 biến về chất lượng dịch vụ, nhưng theo thời gian, các nhân tố được thu hẹp còn 5 nhân tố là : sự tin cậy, sự đảm bảo, sự hữu hình, sự cảm thông và sự đáp ứng. (reliability, assurance, tangibles, empathy and responsiveness) vào do đó được viết tắt là RATER.

Áp dụng vào việc lập mô hình làm luận văn kinh tế ở Việt Nam hiện nay, thông thường nhân tố phụ thuộc sẽ là sự thỏa mãn của khách hàng, sự hài lòng của khách hàng (customer satisfaction), nhân tố độc lập là 5 nhân tố ở trên (sự tin cậy, sự đảm bảo, sự hữu hình, sự cảm thông và sự đáp ứng). Tùy vào loại chất lượng dịch vụ được đo lường thì sẽ có một số thay đổi về câu hỏi, về thêm bớt nhân tố. Ví dụ chất lượng dịch vụ của hoạt động ngân hàng sẽ được đo lường khác với chất lượng dịch vụ siêu thị. Do đó bước nghiên cứu định tính là rất quan trọng để xác định mô hình.

Điểm mạnh: thang đo đã có sẵn, chỉ cần nghiên cứu định tính thêm bớt câu hỏi là có thể triển khai khảo sát. Và vì mô hình này là mô hình tổng quát nên áp dụng được cho hầu hết các loại dịch vụ.

Điểm yếu:Tuy nhiên các bạn cũng lưu ý là vì mô hình này quá thông dụng nên hiện nay một số giáo viên hướng dẫn khi nghe các bạn nói tên đề tài về sự hài lòng, sự thỏa mãn… Sẽ không có hứng thú mấy, điều đó đồng nghĩa với các bạn phải tìm tòi nhiều mô hình hơn nữa để áp dụng cho mình. Theo nhóm hỗ trợ, nếu áp dụng mô hình này qua nghiên cứu cấu trúc tuyến tính, kết hợp với phần mềm amos sẽ tốt hơn. Tuy nhiên điều này cần nhiều thời gian để các bạn tìm hiểu về SEM, AMOS.

Nghiên cứu của Parasuraman (1985) cho rằng chất lượng dịch vụ là khoảng  cách giữa kỳ vọng của khách hàng về dịch vụ mà họ đang sử dụng với cảm  nhận thực tế về dịch vụ mà họ hưởng thụ. Các nhà nghiên cứu này đưa ra mô  hình 5 khoảng cách chất lượng dịch vụ. Các câu hỏi được thiết kế ra để đo lường các khái niệm thuộc 5 nhân tố trên  trong mô hình. Đo lường mỗi khái niệm 2 khía cạnh: khía cạnh mọng đợi về chất lượng dịch vụ và khía cạnh cảm nhận về dịch vụ mà họ thật sự nhận được. Do đó, khi chất lượng mong đợi lớn hơn chất lượng thật sự nhận được, thì chất lượng dịch vụ được tính là thấp.

Theo nghiên cứu của  Parasuraman & Ctg (1988) đã cho ra đời thang đo chất  lượng dịch vụ (Thang đo SERVQUAL) với 21 biến quan sát thuộc 5 nhóm  thành phần của chất lượng dịch vụ

 Nhóm mức độ tin cậy: đo lường mức độ thực hiện các chương trình dịch vụ  đã đề ra với 5 biến quan sát:

1.Khi công ty XYZ hứa sẽ thực hiện điều gì đó vào khoảng thời gian xác  định, thì công ty sẽ thực hiện.

2.Khi bạn gặp vấn  đề, công ty XYZ thể hiện sự quan tâm chân thành  trong giải quyết vấn đề..

3.Công ty XYZ thực hiện dịch vụ đúng ngay lần đầu tiên.

4.Công ty XYZ cung cấp dịch vụ đúng vào thời điểm mà công ty hứa sẽ  thực hiện

5.Công ty XYZ thông báo cho khách hàng khi nào dịch vụ sẽ được thực  hiện

Nhóm mức độ đáp ứng: đo lường khả năng thực hiện các dịch vụ kịp thời và  đúng hạn với 3 biến quan sát: 

1.Nhân viên công ty XYZ phục vụ bạn nhanh chóng, đúng hạn.

2.Nhân viên công ty XYZ luôn luôn sẵn sàng giúp đỡ bạn.

3.Nhân viên công ty XYZ không bao giờ tỏ ra quá bận rộn để không đáp   ứng yêu cầu của bạn.

Nhóm năng lực phục vụ: đo lường khả năng tạo sự tin tưởng và an tâm của  đơn vị dịch vụ cho khách hàng với 4 biến quan sát:

1.Hành vi của nhân viên trong công ty XYZ ngày càng tạo sự tin tưởng  đối với bạn.

2.Bạn cảm thấy an toàn khi thực hiện giao dịch với công ty XYZ.

3.Nhân viên trong công ty XYZ bao giờ cũng tỏ ra lịch sự, nhã nhặn với  bạn.

4.Nhân viên trong công ty XYZ đủ kiến thức để trả lời các câu hỏi của  bạn

Nhóm mức độ đồng cảm: đo lường khả năng quan tâm, thông cảm và chăm  sóc từng cá nhân khách hàng với 4 biến quan sát:

1.Công ty XYZ thể hiện sự quan tâm đến cá nhân bạn.

2.Công ty XYZ có những nhân viên thể hiện sự quan tâm đến cá nhân  bạn.

3.Công ty XYZ thể hiện sự chú ý  đặc biệt  đến những quan tâm nhiều  nhất của bạn.

4.Nhân viên trong công ty XYZ hiểu được những nhu cầu đặc biệt của  bạn

Nhóm phương tiện vật chất hữu hình: đo lường mức độ hấp dẫn, hiện đại  của các trang thiết bị vật chất, giờ phục vụ thích hợp, cũng như trang phục của  các nhân viên phục vụ với 5 biến quan sát:

1.Công ty XYZ có trang thiết bị hiện đại.

2.Cơ sở vật chất của công ty XYZ trông rất hấp dẫn.

3.Nhân viên của công ty XYZ có trang phục gọn gàng, lịch sự

4.Các phương tiện vật chất trong hoạt động dịch vụ rất hấp dẫn tại công  ty XYZ.

5.Công ty XYZ có thời gian giao dịch thuận tiện

(Email: hotrospss@gmail.com)

Trích theo http://en.wikipedia.org/wiki/SERVQUAL và các nghiên cứu liên quan của nhóm tác giả MBA Bách Khoa- Email : hotrospss@gmail.com

So sánh sự khác nhau giữa hệ số beta đã chuẩn hóa và chưa chuẩn hóa khi phân tích hồi quy

     Khi phân tích hồi quy có trường hợp các bạn  thắc mắc khi nào sẽ dùng hệ số B chưa chuẩn hóa, khi nào sẽ dùng hệ số đã chuẩn hóa:  Unstandardized Coefficients(B) và Standardized Coefficients(Beta), cũng có bạn hỏi tại sao khi viết phương trình hồi quy lại dùng beta chưa chuẩn hóa?Dưới đây nhóm sẽ giải thích cụ thể ý nghĩa:

     Hệ số B chưa chuẩn hóa phản ánh lượng biến thiên của Y khi một đơn vị X thay đổi. Trong khi đó Hệ số Beta đã chuẩn hóa phản ánh lượng biến thiên của độ lệch chuẩn (standard deviation) của Y khi một đơn vị độ lệch chuẩn của X thay đổi. Cụ thể hơn, hệ số Beta đã chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến độc lập, biến phụ thuộc đã được chuẩn hóa ( phương sai =1). Còn hệ số B chưa chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến được giữ nguyên giá trị thô. Việc chuẩn hóa hệ số beta thường dùng để trả lời câu hỏi: biến độc lập nào có tác động mạnh hơn vào biến phụ thuộc khi phân tích hồi quy đa biến, khi mà các biến đo lường độc lập có đơn vị đo lường khác nhau( ví dụ THU NHẬP được tính bằng dollars và KÍCH CỠ gia đình được tính bằng số người).
   
     Trong phần mềm SPSS, hệ số chưa chuẩn hóa được kí hiệu là B, trong khi hệ số đã chuẩn hóa kí hiệu là Beta.
   
     Việc chuẩn hóa một biến có lợi: là đơn vị đo lường của một biến được bỏ qua, làm cho việc so sánh dễ dàng hơn.
     Đến đây có lẽ bạn sẽ hỏi làm thế nào để chuẩn hóa một biến. Để chuẩn hóa một biến bạn cần trừ giá trị của biến đó cho trung bình cộng của nó, sau đó chia tất cả cho độ lệch chuẩn của biến đó.

Dưới đây sẽ là bước chạy các hệ số đã được chuẩn hóa.
Trước tiên ta chạy hồi quy bình thường sẽ ra được kết quả, được bao trong hai hình màu vàng.
Sau khi chuẩn hóa bằng tay các hệ số F_KT, F_CV,...F_HL, bằng cách sử dụng công thức ở trên, còn độ lệch chuẩn tính trong excel bằng hàm STDEV.S(). Ta sẽ thực hiện chạy hồi quy lại. Kết quả là hai giá trị B và Beta là bằng nhau- đó là hai hình màu đỏ. Và hệ số Constant rất nhỏ, gần =0 ( 6.523E-16). Đó cũng là lí do trong cột Beta giá trị này không xuất hiện, do =0.
Lưu ý là giá trị đã chuẩn hóa và chưa chuẩn hóa của hệ số beta đã bằng nhau, vì trước khi chạy chúng ta đã thực hiện chuẩn hóa.

Dưới đây là một số đoạn trính từ wiki (http://en.wikipedia.org/wiki/Standardized_coefficient ) , dành cho các bạn say mê đọc tiếng anh:

 In statistics, standardized coefficients or beta coefficients are the estimates resulting from an analysis carried out on independent variables that have been standardized so that their variances are 1. Therefore, standardized coefficients refer to how many standard deviations a dependent variable will change, per standard deviation increase in the predictor variable. Standardization of the coefficient is usually done to answer the question of which of the independent variables have a greater effect on the dependent variable in a multiple regression analysis, when the variables are measured in different units of measurement (for example, income measured in dollars and family size measured in number of individuals).
 Before solving a multiple regression problem, all variables (independent and dependent) can be standardized. Each variable can be standardized by subtracting its mean from each of its values and then dividing these new values by the standard deviation of the variable. Standardizing all variables in a multiple regression yields standardized regression coefficients that show the change in the dependent variable measured in standard deviations.

Advantages: Standard coefficients' advocates note that the coefficients ignore the independent variable's scale of units, which makes comparisons easy.
 Each variable can be standardized by subtracting its mean from each of its values and then dividing these new values by the standard deviation of the variable.

NHÓM HỖ TRỢ : hotrospss@gmail.com

Về khái niệm listwise và pairwise trong thống kê với SPSS

Gần đây ad nhận được câu hỏi của một số bạn về hai khái niệm  listwise deletion  và pairwise deletion  khi phân tích với dữ liệu missing values, ad viết bài sau đây là chia sẻ  để các bạn có thể tham khảo thêm thông tin.
Khi thu thập dữ liêu nghiên cứu, có thể có trường hợp ta không thu thập đủ thông tin, những giá trị đó gọi là missing values. Phân tích dữ liệu với SPSS , hoặc AMOS chia ra như sau:
- Exclude Case Listwise : khi phân tích sẽ loại bỏ hoàn toàn dòng dữ liệu đó ra khỏi các phân tích liên quan.
- Exclude Case Pairwise : khi phân tích chỉ loại bỏ những giá trị trống của dòng dữ liệu đó, các cột có dữ liệu vẫn được phân tích bình thường.
Ví dụ khi phân tích tương quan, mục option có mục chọn như sau

Và dữ liệu như sau, chúng ta sẽ phân tích tương quan cho 3 biến RELIABILITY1 2 3

Chỉ có một missing value là RELIABILITY1 ở dòng thứ nhì. Trong phương pháp listwise deletetion thì phân tích bỏ hẵn dòng này ra, kể cả RELIABILITY2 và RELIABILITY3 không hề có missing value vẫn bị loại bỏ dòng thứ nhì ra, mẫu chỉ còn 3 dòng. Trong khi đó, phương pháp pairwise chỉ loại bỏ giá trị dòng thứ 2 liên quan đến biến RELIABILITY1 , còn các dòng không liên quan , mẫu vẫn là 4 dòng như các giá trị tô màu đỏ trong hình.

 

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)