Bài giảng Các phương pháp nghiên cứu định lượng trong kinh tế: Phần 2 - TS. Chu Thị Thu Thuỷ

Mục tiêu của Bài giảng Các phương pháp nghiên cứu định lượng trong kinh tế nhằm giúp các bạn nắm vững các kiến thức thống kê cơ bản; Nắm vững các kiến thức kinh tế lượng; Hiểu được các nghiên cứu định lượng được thực hiện bởi các nhà nghiên cứu khác; Có thể tự thực hiện được các nghiên cứu định lượng trong kinh tế. Mời các bạn cùng tham khảo nội dung phần 2 sau đây.

Chương III PHÂN TÍCH HỒI QUY ĐA BIẾN (HỒI QUY BỘI) Số 10 lý thuyết + 18 thực hành+ Thuyết trình+ kiểm tra Mục tiêu chương: Sau học xong này, sinh viên cần đảm bảo yêu cầu sau:  Dựa vào vấn đề nghiên cứu biết cách xây dựng mơ hình hồi quy nhiều biến  Phân tích kết ước lượng mơ hình từ phương pháp OLS (đánh giá tác động biến độc lập đến giá trị trung bình biến phụ thuộc) với số liệu mẫu cụ thể  Dự báo giá trị biến phụ thuộc mức giá trị cụ thể biến độc lập  Đánh giá phù hợp hàm hồi quy mẫu qua hệ số xác định  Linh hoạt phân tích mơ hình với tình thường gặp kinh tế – xã hội: khuyết tật, dạng mơ hình Bài tiếp nối ý tưởng phân tích Nội dung đề cập đến việc đánh giá tác động biến độc lập X lên giá trị trung bình biến phụ thuộc Y giả thiết từ đến thỏa mãn Tuy nhiên, mơ hình hồi quy đơn (còn gọi hồi quy hai biến) thường vi phạm giả thiết 2, giả thiết quan trọng, thực tế thay đổi biến phụ thuộc lại nguyên nhân (1 biến độc lập) gây nên Khi kết ước lượng khơng có giá trị sử dụng Do đó, cần phải xây dựng mơ hình hồi quy bội với nhiều biến độc lập (hay gọi hồi quy nhiều biến) Tính ưu việt mơ hình hồi quy bội chỗ cho phép đánh giá tác động riêng biến độc lập lên biến phụ thuộc điều kiện biến độc lập khác mơ hình khơng đổi Đây tiền đề quan trọng cho việc phân tích tác động đại lượng kinh tế – xã hội Ngoài ra, việc đưa thêm biến số thích hợp vào mơ hình đồng nghĩa với việc có thêm nhiều ngun nhân giải thích cho thay đổi biến phụ thuộc, góp phần cải thiện chất lượng dự báo mơ hình Các nội dung giới thiệu mơ hình hồi quy k biến (với k ≥ 2), phương pháp OLS cho mơ hình hồi quy bội, hệ số xác định bội vài dạng mơ hình, khuyết tật mơ hình thường gặp tình cụ thể kinh tế – xã hội 3.1 MƠ HÌNH HỒI QUY Một tốn quan trọng phân tích kinh té toán đánh giá tác động biến số lên biến số khác 49 Ví dụ 3.1: Muốn đánh giá tác động lượng phân bón lên suất lúa tổng thể ruộng lúa đồng sông Cửu Long, ta thường suy luận cách dễ hiểu sau, tăng lượng phân bón suất lúa tăng lên, đó, hồn tồn tìm mối liên hệ phụ thuộc hàm số biến sau: NS = f(PB) Trong đó: NS suất PB: số lượng phân bón hecta Hàm = bắt đầu dạng: + (3.1) , Trong đó: số Hàm số (3.1) thể mối quan hệ biến NS PB, tức biết giá trị biến PB biết giá trị biến NS cách chắn, sai số Tuy nhiên, thực tế, điều khơng phù hợp, suất cịn phụ thuộc vào nhiều yếu tố khác lượng nước tưới, độ pH đất, yếu tố ngẫu nhiên thời tiết, sâu bệnh, bão lụt… Do đó, để hợp lý ta thường viết hàm (3.1) sau: = + + (3.2) Trong đó: u thể cho tất yếu tố khác có ảnh hưởng đến suất, ngồi phân bón Như chương trình bày, mơ hình trình bày dạng mơ hình hồi quy tuyến tính hai biến thể mối quan hệ phụ thuộc biến Y (phụ thuộc) biến X (độc lập) có dạng sau: = + + (3.3) Sai số ngẫu nhiên u yếu tố đại diện cho yếu tố có tác động đến biến Y ngồi biến X (biến độc lập hay cịn gọi biến giải thích, biến điều khiển) Trong mơ hình (3.3) khơng có quan sát sai số ngẫu nhiên nên thường gọi sai số ngẫu nhiên không quan sát Do đó, để hàm hồi quy có ý nghĩa cần đưa giả thiết cho thành phần Tức là, giả thiết: giá trị X kì vọng u 0: E(u/x)= Nguyên nhân 1: Vì giả thiết trung bình sai số ngẫu nhiên tương đương với trung bình hàm hồi quy E(Y/Xi) = f(Xi) hay hàm hồi quy tổng thể xác định qua điểm trung bình có điều kiện Nói đơn giản sai số ngẫu nhiên dao động ngẫu nhiên quanh điểm PRF xác định, dao động ngẫu nhiên 50 triệt tiêu khơng mang tính hệ thống Tức sai số ngẫu nhiên không tác động đến xu biến động trung bình biến độc lập X giải thích Nguyên nhân 2: Theo ví dụ phân bón trên, có nghĩa mức phân bón bất kì, tác động tổng hợp yếu tố ngày cơng chăm sóc, lượng nước tưới lên suất lúa Giả thiết trung bình hay vọng sai số ngẫu nhiên để đảm bảo ý nghĩa hệ số : tác động thay đổi biến X đơn vị lên giá trị trung bình biến phụ thuộc Nếu kì vọng bị thay đổi thay đổi đo sai số ngẫu nhiên u (giả sử E(u/PB=10) = E(u/PB=11) = 6) lượng thay đổi suất lúa phân bón thay đổi đơn vị + đơn vị Cũng điều nên thực tế, mơ hình hồi quy biến đánh giá tác động biến độc lập X lên giá trị trung bình biến phụ thuộc Y điều kiện mơ hình ước lượng sở mẫu ngẫu nhiên với kích thước n phương sai sai số ngẫu nhiên giá trị Xi Hay var (u/x) = var ( | ) = Nguyên nhân 3: Do tương quan biến X với sai số ngẫu nhiên Theo giả thiết tương quan 0, tương đương: cov[X, u] = 0, tức X u tương quan với giả thiết kì vọng sai số ngẫu nhiên không thỏa mãn (Công lao động = CLD) Với ví dụ phân bón, ta thấy rõ rằng, ngồi phân bón, cơng lao động có ý nghĩa quan trọng tới hoạt động nâng cao suất trồng Lượng công lao động lớn suất thu cao Hay biến PB biến cơng lao động thường có tương quan cao Điều nói chung gây tương quan biến u với biến suất  cov(NS, u) khác Chính điều khiến người ta phải đưa thêm biến Cơng lao động vào mơ hình biến sau: = + + + (3.4) Khi thêm biến công lao động vào mô hình (3.4) sai số ngẫu nhiên u khơng cịn chứa đựng tác động yếu tố công lao đông nữa, đó, khơng cịn nhân tố gây nên vi phạm giả thiết kì vọng sai số ngẫu nhiên 0, tức có tương quan biến độc lập với biến phụ thuộc kì vọng sai số ngẫu nhiên khác Lúc ta gọi biến độc lập mô hình có tương quan với sai số ngẫu nhiên biến độc lập nội sinh Như vậy, mô hình có biến độc lập nội sinh 51 ước lượng OLS ước lượng chệch, mơ hình có vấn đề Trên thực tế vấn đề biến độc lập nội sinh xảy phổ biến với mơ hình hai biến phân tích kinh tế xã hội Do biến phụ thuộc Y thường chịu tác động nhiều yếu tố yếu tố tương quan với nhau, đó, chọn yếu tố làm biến độc lập biến có khả tương quan với sai số ngẫu nhiên mơ hình Và giải pháp cho vấn đề đưa thêm biến độc lập vào mơ hình, mơ hình có tên gọi mơ hình hồi quy bội hay mơ hình hồi quy đa biến * Một số ưu điểm mơ hình hồi quy bội - Chất lượng dự báo tốt đưa thêm biến phù hợp, làm tăng khả giải thích mơ hình thay đổi biến phụ thuộc, gia tăng chất lượng dự báo mơ hình - Cung cấp dự báo hữu ích dự báo cho biến phụ thuộc giá trị cụ thể từ biến độc lập trở lên tốt so với biến độc lập nội sinh - Cho phép sử dụng dạng hàm phong phú log – log, bán loga, phi tuyến hay đa thức cho nhiều dạng biến biến giả - Cho phép thực phân tích phong phú cho phép đánh giá tác động tổng hợp đồng thời biến độc lập lên biến phụ thuộc 3.1.1 Dạng giả thiết mơ hình (vii) Dạng mơ hình Ví dụ 3.2: Nhiều nghiên cứu giới quan tâm tới mối quan hệ thu nhập trình độ học vấn Chúng ta kỳ vọng rằng, trung bình mà nói, học vấn cao, thu nhập cao Vì vậy, lập phương trình hồi quy sau: ℎ ℎậ = + ọ ấ + (3.5) Tuy nhiên, mơ hình bỏ qua yếu tố quan trọng người thường có mức thu nhập cao họ làm việc lâu năm hơn, trình độ học vấn họ Vậy nên, mơ hình tốt cho mục đích nghiên cứu là: ℎ ℎậ = + ọ ấ + ổ + 52 (3.6) Nhưng người ta thường quan sát thấy, thu nhập có xu hướng tăng chậm dần người ta nhiều tuổi so với thời trẻ Để thể điều đó, mở rộng mơ sau: ℎ ℎậ = + ọ ấ + ổ + ổ + (3.7) Như ta có mơ hình hồi quy biến: = + + + (3.8) PRF: E (Y / X 2i , X 3i )  1   X 2i   X 3i PRM: Yi  1   X 2i  3 X 3i  U i ;(i   N ) Trong đó: , ,… hệ số tự hệ số hồi quy riêng Y biến phụ thuộc X 2i , X 3i biến độc lập - Hệ số 1  E (Y / X 2i  X 3i  0) giá trị trung bình Y X2i = X3i = - Hệ số 2  E (Y / X , X ) cho biết X2 tăng đơn vị trung bình Y X thay đổi điều kiện X3 không thay đổi - Hệ số 3  E (Y / X , X ) cho biết X3 tăng đơn vị trung bình Y X thay đổi điều kiện X2 không thay đổi - Giả sử giả thiết phương pháp OLS thoả mãn Mơ hình hồi quy tuyến tính k biến tổng thể viết dạng sau: = + + + ⋯+ + (3.9) Trong đó: Y biến phụ thuộc Xj (j = 1,2,3…k) biến độc lập Lưu ý dù có đưa biến độc lập vào mơ hình tồn yếu tố có tác động đến biến phụ thuộc mà khó quan sát hết không muốn đưa vào mô hình, đó, tồn sai số ngẫu nhiên u, đại diện cho yếu tố biến Xj (j=2…k), có tác động đến Y khơng đưa vào mơ biến số Mơ hình hồi quy tổng thể mơ hình xây dựng tồn phần tử tổng thể, toàn phần tử chứa đựng dấu hiệu nghiên cứu, chứa đứng mối quan hệ xem 53 xét Trên thực tế, tổng thể tập hợp lớn, thu thập tồn hệ thống thơng tin khơng đảm bảo thơng tin thu thập hồn tồn xác, đó, việc xây dựng mơ hình hồi quy cho tồn tổng thể mang tính định hướng Do vậy, cần thiết xây dựng hàm hồi quy tổng thể Population Regression Function để mô tả mối quan hệ trung bình biến phụ thuộc biến độc lập, xác định toàn tổng thể Hàm hồi quy tổng thể cho biết xu biến động mật trung bình biến phụ thuộc theo biến độc lập Như vậy, ta có hàm hồi quy tổng thể k biến: ( | )= + + + ⋯+ - Hàm hồi quy tổng thể (PRF) mô hình hồi quy tổng thể (PRM) có dạng: PRF: E (Y / X 2i , X 3i , , X ki )  1   X 2i   X 3i    k X ki PRM: Yi  1   X 2i  3 X 3i    k X ki  U i ;(i   N ) - Trong đó: Y biến phụ thuộc X 2i , X 3i , , X ki biến độc lập 1 gọi hệ số chặn  , 3 , ,  k gọi hệ số góc riêng phần (các hệ số hồi quy) - Giá trị k cho biết: Số biến số tham số cần ước lượng mơ hình - Hệ số 1  E (Y / X 2i  X 3i   X ki  0) giá trị trung bình Y X mi  0;(m   k ) - Hệ số m  E (Y / X , X , , X k ) ;(m   k ) cho biết Xm tăng đơn vị X m trung bình Y thay đổi điều kiện biến Xj; ( j  m ) không thay đổi - Ký hiệu véc tơ:  Y1   X 21 Y  1 X 22 Y   X         Yn  n1  X 2n X k   1   U1     U  X k      U  2           X kn  k n   k  k 1  U n n1 - Khi PRF PRM viết dạng ma trận: 54 PRF : E (Y )  X  PRM : Y  X   U - Giả sử giả thiết phương pháp OLS thoả mãn Các giả thiết mơ hình Xét giả thiết sau: Giả thiết 1: Việc ước lượng dựa sở mẫu ngẫu nhiên, kích thước n: {( , ), = 1,2,3, … } Khi đó, mơ hình cho quan sát mẫu sau: = Trong đó, đến + + + ⋯+ + sai số ngẫu nhiên cho quan sát thứ I, bao hàm yếu tố có ảnh hưởng Giả thiết đảm bảo độc lập với nhau, tức lượng phân bón ruộng thứ khơng liên quan đến lượng phân bón ruộng thứ mẫu, hay chi tiêu hộ gia đình thứ khơng liên quan đến chi tiêu hộ gia đình thứ Mẫu ngẫu nhiên với số liệu chéo, với chuỗi thời gian khơng tương quan chuỗi  Giả thiết 2: Trung bình sai số ngẫu nhiên 0: ( | ) = Giả thiết cho biết giá trị X = trung bình ảnh hưởng yếu tố X lên Y Hay theo ví dụ: mức phân bón bất kì, tác động tổng hợp yếu tố công lao động, số ngày chăm sóc, lượng nước tưới lên suất lúa Giả thiết nhằm đảm bảo ý nghĩa hệ số tức tác động thay đổi biến X đơn vị lên giá trị trung bình biến phụ thuộc * Giả thiết 3: Phương sai sai số ngẫu nhiên giá trị Phương sai mức độ dao động, hay độ phân tán, độ phủ quan sát Nếu độ phủ đồng có nghĩa phân phối sai số ngẫu nhiên u X số Nếu phương sai sai số ngẫu nhiên mà khác giá trị khác ước lượng bị chệch, có nghĩa khơng xác ( )= Giả thiết 4: Giữa biến độc lập  (j=2-k) khơng có mối quan hệ đa cộng tuyến hồn hảo, nghĩa khơng tồn số l , l , … l không đồng thời cho: l +l +l = 55 Nếu biến có quan hệ đa cộng tuyến hồn hảo có biến biến suy từ biến lại, nói cách khác, thơng tin từ biến chứa đựng thông tin biến lại Giả thiết đặt để loại trừ vấn đề Hình III-1 Biến phụ thuộc Y biến Xj không chứa tượng đa cộng tuyến Hình III-2 Các trường hợp đa cộng tuyến Giải thích điều sau: Thuật ngữ đa cộng tuyến Ragnar Frisch đề nghị Khởi đầu có nghĩa tồn mối quan hệ tuyến tính “hồn hảo” xác số tất biến giải thích mơ hình hồi qui Đối với hồi qui k biến liên quan đến biến X1, X2, , Xk (với X1 = quan sát kể số hạng tung độ gốc), quan hệ tuyến tính xác cho tồn thỏa điều kiện sau: l +l + l + ⋯+ l =0 (3.10) l1, l2, , lk số không đồng thời 56 Tuy nhiên, ngày nay, thuật ngữ đa cộng tuyến dùng với nghĩa rộng hơn, bao gồm trường hợp đa cộng tuyến hoàn hảo công thức trường hợp biến X có tương quan với khơng hồn hảo đây: l +l + l + ⋯+ l + =0 (3.11) với i số hạng sai số ngẫu nhiên Tại mơ hình hồi qui tuyến tính cổ điển giả định khơng có vấn đề đa cộng tuyến biến X? Lý là: Nếu đa cộng tuyến hoàn hảo theo (a), hệ số hồi qui biến X vô định sai số chuẩn không xác định Nếu đa cộng tuyến chưa hoàn hảo, (b), hệ số hồi qui, xác định lại có sai số chuẩn (liên quan đến thân hệ số) lớn, có nghĩa khơng thể ước lượng hệ số với độ xác cao Hình III-3 Quan điểm Ballentine đa cộng tuyến Ví dụ 3.3: Giả sử để xem xét tác động hình thức đầu tư lên GDP sử dụng hàm hồi quy sau đây: = + + + + + (3.12) Trong đó: GI: đầu tư khu vực nhà nước PI: đầu tư khu vực tư nhân FDI: đầu tư trực tiếp nước I tổng đầu tư Mơ hình vi phạm giả thiết biến độc lập mơ hình có quan hệ đa cộng tuyến hoàn hảo: GI + PI + FDI – I = (3.13) 57 Ví dụ 3.4: Đánh giá loại phân bón có tác động đến suất lúa khơng, sử dụng mơ hình hồi quy sau: = + + + (3.14) Trong đó: HC: lượng phân bón hữu VC: lượng phân bón vơ Nếu lượng phân bón hữu vơ khơng có liên hệ với mơ hình khơng vi phạm giả thiết khơng có đa cộng tuyến hồn hảo Tuy nhiên, 10kg phân hữu cơ, người nông dân lại sử dụng 1kg phân vơ ta có quan hệ đa cộng tuyến hoàn hảo biến Giả thiết 5: Các sai số ngẫu nhiên không tương quan với ( ,  ) = 0; (∀ ≠ ) Ý nghĩa hệ số hồi quy: Các hệ số hồi quy mơ hình hồi quy bội gọi hệ số hồi quy bội Hàm hồi quy tổng thể: ( | 2, … , ) = b1 + b2 + … + b Hệ số 1: giá trị trung bình biến phụ thuộc Y biến độc lập mơ hình nhận giá trị Tuy nhiên, thực tế, hệ số quan tâm Các hệ số góc bj ( j = 2, 3, , k): thể tác động riêng biến Xj lên giá trị trung bình biến phụ thuộc (cịn gọi hệ số hồi quy riêng), tác động biến Xj lên giá trị trung bình biến phụ thuộc yếu tố Xs (s khác j) không đổi Cụ thể, Xj tăng giảm đơn vị, điều kiện biến độc lập khác không đổi, Y trung bình thay đổi bj đơn vị Có thể nhận thấy ba khả xảy hệ số góc:  Hệ số bj > 0: mối quan hệ Y Xj thuận chiều, nghĩa Xj tăng (hoặc giảm) điều kiện biến độc lập khác khơng đổi Y tăng (hoặc giảm)  Hệ số bj < 0: mối quan hệ Y Xj ngược chiều, nghĩa Xj tăng (hoặc giảm) điều kiện biến độc lập khác khơng đổi Y giảm (hoặc tăng)  Hệ số bj = 0: cho Y Xj khơng có tương quan với nhau, cụ thể Y khơng phụ thuộc vào Xj Xj không thực ảnh hưởng tới Y 58 Sau tìm hiểu sơ lược bước phân tích nhân số, chúng tả vào kỹ thuật chi tiết cho phân tích nhân số 4.2.1 - Kiểm định độ tin cậy liệu Nhân tố (Factors): Ý tưởng EFA biến quan sát có số đặc điểm chung mà lại khơng thể quan sát trực tiếp Ví dụ: Nhiều người hỏi câu hỏi thu nhập, giáo dục, nghề nghiệp có cách trả lời giống họ có đặc điểm chung địa vị kinh tế xã hội Địa vị kinh tế xã hội nhân tố chi phối thu nhập, giáo dục nghề nghiệp họ - Trong phân tích nhân tố khám phá, nhân tố có chức giống biến, đo lường phương sai tổng thể biến quan sát thường hay liệt kê theo thứ tự khả giải thích nhân tố - Độ tin cậy thang đo đánh giá phương pháp quán nội qua hệ số Cronbach’s Alpha Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước phân tích nhân tố EFA để loại biến khơng phù hợp biến rác tạo yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009) - Hệ số tin cậy Cronbach’s Alpha cho biết đo lường có liên kết với hay không; không cho biết biến quan sát cần bỏ biến quan sát cần giữ lại Khi đó, việc tính tốn hệ số tương quan biến-tổng giúp loại biến quan sát khơng đóng góp nhiều cho mơ tả khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005) Vì vậy, tiêu chí sử dụng thực đánh giá độ tin cậy thang đo: - Tiêu chuẩn chọn thang đo có độ tin cậy Alpha lớn 0,7 (Hair cộng 2009, 116); từ 0,6 trở lên sử dụng trường hợp khái niệm nghiên cứu mới bối cảnh nghiên cứu (Nunally, 1978; Peterson, 1994; Slater, 1995; Hoàng Trọng Chu Nguyễn Mộng Ngọc, 2005) Chú ý: Trong thực tế phân tích có loại thang sử dụng dụng phân tích thang đo phản ánh (reflective measurement) thang đo khẳng định (formative measurement) Hai thang đo sử dụng đo lường biến tiềm ẩn (biến đo lường thông qua nhiều khái niệm khác => khái niệm trừu tượng) Tuy nhiên Cronbach Alpha sử dụng đánh giá độ tin cậy thang đo phản ánh thực kiểm định EFA, CFA (những kiểm định xoay quanh việc đánh giá tương quan biến quan sát với nhau) Với thang đo phản ánh biến quan sát có 118 xu hướng tương quan chặt chẽ với biến quan sát kết tạo từ biến tiềm ẩn Chính vậy, tập hợp biến thang đo phản ánh tạo thang đo có tính đơn hướng có ổn định cao Ngược lại, thang đo khẳng định, biến quan sát mảng tách biệt khơng đạt tính đơn hướng ổn định Tóm lại, hệ số cronbach Alpha sử dụng cho loại thang đo thoả mãn điều kiện sau: Thứ nhất, biến quan sát thang đo phải có tương quan với tốt Thứ hai, biến quan sát phải thoả mãn tính đơn hướng chiều 4.2.2 Tiêu chuẩn chọn số nhân tố Một định quan trọng trọng EFA nhân tố giữ lại Có nhiều cách khác để đưa định số nhân tố giữ lại Một số tiêu chuẩn đồng thời để chọn nhân tố sau: - Kiểm định thống kê (Sử dụng kiểm định Bartlet): Đây đại lượng thống kê dùng để xem xét giả thuyết biến khơng có tương quan tổng thể Nếu kiểm định có ý nghĩa thống kê (Sig < 0.05) biến quan sát có mối tương quan với tổng thể Điều điều kiện để thực EFA biến quan sát cần phản ánh khía cạnh khác nhân tố phải có mối tương quan với Về mặt ly thuyết, kiểm định Bartlett dùng để xem xét ma trận tương quan có phải ma trận đơn vị (identity matrix) hay không ? Ma trận đơn vị hiểu ma trận có hệ số tương quan biến 0, hệ số tương quan với Nếu phép kiểm định Bartlett có p= 0.90: RẤT TỐT; 0.80 1) Cột Cumulative dòng thứ 0.5497, giá trị tổng phương sai trích,ý nghĩa nhân tố giải thích 54,97% biến thiên liệu Ý nghĩa cột khác bảng: Difference: Sự khác biệt giá trị riêng giá trị tiếp theo: Ví dụ giá trị Factor 6,18535, difference 4,18281 => Eigenvalue 2,00254 Proportion: Vì tổng giá trị riêng = tổng số biến Proportion trọng số tương đối yếu tố tổng phương sai Ví dụ: Proportion factor = 6,18535/20 128 = 0,3093 hay yếu tố giải thích 30,93% tổng thay đổi Bước 7: Xoay nhân tố: Statistics > Multivariate analysis > Factor and principal component analysis > Postestimation > Rotate loadings,chọn varimax( default) check vào Apply Kaiser normalization hình Bước 8: Tiếp theo nhấn vào tab report , chọn Display loading as blank when |loading|< #, nhập vào giá trị 0.5, mục đích bảng ma trận xoay không thị fatorloading bé 0.5 để dễ nhìn Theo Hair cộng (2009, trang 116) hệ số tải +/-0,3 điều kiện tối thiểu để biến quan sát giữ lại Hệ số tải +/-0,5 biến quan sát có ý nghĩa thống kê tốt hệ số tải lớn +/-0,7 biến quan sát có ý nghĩa thống kê tốt 129 Bước 9: Nhấn OK kết sau Cột Uniqueness: phương sai ‘duy biến khơng chia sẻ với biến khác Nó - tính cộng đồng (phương sai chia sẻ với biến khác) Ví dụ, 46,99% phương sai ‘q1”, không chia sẻ với biến khác mô hình nhân tố tổng thể Ngược lại, q4 có phương sai thấp khơng tính biến khác (29,95%) Lưu ý ‘tính lớn mức độ liên quan biến mơ hình nhân tố thấp Factor rotation matrix: Là ma trận chuyển đổi để ước tính hệ số tải xoay nhân tố (RFL) RFL = Hệ số tải nhân tố* Hệ số xoay nhân tố Bước 10: Kiểm định thêm KMO Bartlett's Test of Sphericity - KMO: Dùng lệnh: estat kmo, novar => Kết Kaiser-Meyer-Olkin measure of sampling adequacy (overall) = 0.8458 -Bartlett's Test of Sphericity: Dùng lệnh factortest => Kết sau Determinant of the correlation matrix Det = 0.001 Bartlett test of sphericity Chi-square = 1428.198 130 Degrees of freedom = p-value = 190 0.000 H0: variables are not intercorrelated Kaiser-Meyer-Olkin Measure of Sampling Adequacy KMO = 0.846 Kết cho thấy hệ số Sig Ballet test < 5% hệ số KMO = 0,846 > 0,7 nên mơ hình phù hợp để phân tích nhân tố khám phá Chú ý: Trong thực tế có lúc khơng tìm KMO: EFA bị lỗi "This matrix is not positive definite", khơng có bảng KMO Một lỗi phổ biến chạy phân tích nhân tố khám phá không bảng KMO thay vào vị trí dịng chữ "This matrix is not positive definite".Lý xuất lỗi thường liệu bạn có chồng chéo nhân tố độc lập với Giá trị biến quan sát nhân tố độc lập giống với giá trị biến quan sát 2, 3, Sự trùng lắp nhiều làm cho tính phân biệt EFA bị loại bỏ, nên nhận thông báo Cách xử lý: Các bạn tìm loại bớt biến có tương quan mạnh với thế, gần có trùng lắp liệu Nếu câu hỏi quan trọng khơng loại bỏ, cách bạn phải thay đổi số liệu, đừng để số liệu biến quan sát nhân tố lại giống đến 70% số liệu biến quan sát nhân tố khác.Thủ thuật để nhận biết biến trùng lắp liệu với biến khác sử dụng tương quan Pearson Thực phân tích tương quan nhân tố độc lập, nhìn giá trị sig nhỏ 0.05, cặp nhân tố có tương quan r từ 0.6 trở lên khả lớn có đa cộng tuyến biến này, đồng nghĩa biến có trùng lặp liệu đáng kể Bước 11: Tính nhân số : Để chạy hồi quy tính nhân số chuẩn hố lệnh Predict tạo biến dùng lệnh trung bình Predict factor factor Hoặc tạo biến dùng lệnh trung bình Bài tập 1: Thiết kế bảng hỏi xây dựng mơ hình cho đề tài sau: Nghiên cứu nhân tố ảnh hưởng đến kết học tập môn phân tích định lượng kinh tế trường Đại học Thăng Long 131 Gợi ý: Tìm hiểu khái niệm kết học tập => Đưa tiêu chí đo lường kết học tập Tìm hiểu nhóm nhân tố ảnh hưởng đến kết học tập ví dụ sở vật chất, phương pháp học tập, lực giảng viên, ảnh hưởng bạn bè Tính tốn xác định cỡ mẫu cho nghiên cứu Tiến hành điều tra theo cỡ mẫu xác định Sử dụng phân tích nhân tố để giải thích kết mơ hình Tài liệu tham khảo Bruce Thompson (2004), Exploratory and confirmatory factor analysis, American Psychological Association, Washington DC, Chương 1,2,3 Ngơ Văn Thứ (2015), Giáo trình thống kê thực hành, NXB Đại học Kinh tế quốc dân 132 ... 28 171 21 1 68 190 193 29 185 21 5 69 21 1 195 30 21 3 22 9 70 21 1 20 2 31 1 82 236 71 22 6 22 0 32 207 25 2 72 208 22 4 33 21 2 27 4 73 24 5 22 5 34 24 6 27 6 74 23 0 22 7 35 22 8 306 75 24 9 23 9 36 25 2 346 76 24 6... 175 25 0 48 21 0 23 9 88 337 3 92 205 29 4 49 20 7 25 4 89 161 113 10 20 5 29 4 50 21 0 25 8 90 21 3 154 11 21 8 309 51 23 5 26 7 91 24 3 20 3 12 241 333 52 274 29 8 92 229 22 7 13 23 3 347 53 28 2 325 93 28 8 27 1... 41 1 72 149 81 27 3 28 5 100 118 42 156 1 62 82 276 29 0 100 119 43 165 164 83 28 1 3 12 114 148 44 155 166 84 27 7 325 5 126 155 45 173 183 85 29 4 340 177 193 46 189 20 3 86 29 4 360 171 21 7 47 23 2 22 8