bài thực hành nhóm 2

Sau khi nhập liệu thành công, chọn mục “Variable view’ để quan sát những biến số đã được nhập vào SPSS như sau:2.1.2 Điều chỉnh thông tin cho biến định tínhChọn ô có tên “None” tại cột v

TRƯỜNG ĐẠI HỌC DUY TÂN

1Bảng câu hỏi khảo sát

Vui lòng chọn vào số tương ứng với mức độ đồng ý từ thấp đến cao cho mỗi câu sau:

1- Hoàn toàn không đồng ý

1 Làm thêm mang lại cho tôi thu nhập tôi mong muốn 1 2 3 4 5 2 Thu nhập chính của tôi là từ việc làm thêm 1 2 3 4 5 3 Tôi không thích đi làm thêm bởi đã có phụ cấp của bố mẹ 1 2 3 4 5 4 Thu nhập từ công việc làm thêm thường không cao 1 2 3 4 5 5 Làm thêm giúp sinh viên ổn định hơn về tài chính 1 2 3 4 5

IIChi tiêu

1 Làm thêm giúp tôi chi trả được các khoản chi tiêu hằng ngày như

ăn uống, sắm sửa, 1 2 3 4 5 2 Làm thêm giúp tôi có thêm khoản phí đóng tiền học 1 2 3 4 5

2

3 Tôi làm thêm để lấy tiền đầu tư 1 2 3 4 5 4 Tôi không đi làm thêm vì tôi đã đủ chi tiêu hằng tháng 1 2 3 4 5 III Thời gian

1 Làm thêm vì thời gian rảnh rất nhiều 1 2 3 4 5 2 Làm thêm chiếm gần hết thời gian học tập 1 2 3 4 5 3 Làm thêm nên lựa chọn thời gian làm phù hợp 1 2 3 4 5 4 Nếu thời gian làm thêm và thời gian học trùng nhau thì sẽ ưu tiên

việc học hơn 1 2 3 4 5 5 Nếu thời gian làm thêm và thời gian học trùng nhau thì ưu tiên

việc đi làm hơn 1 2 3 4 IV Kỹ năng - Kinh nghiệm

1 Làm thêm đem lại kỹ năng giao tiếp tốt 1 2 3 4 5 2 Làm thêm giúp nâng cao khả năng ứng xử 1 2 3 4 5 3 Làm thêm đem lại kỹ năng tư duy, sáng tạo 1 2 3 4 5 4 Làm thêm không đem lại lợi ích cho cuộc sống 1 2 3 4 5 V Môi trường làm việc

Làm thêm giúp tôi hòa nhập tốt

1 2 3 4 5 3

2 Làm thêm giúp mở rộng mối quan hệ 1 2 3 4 5 4 Làm thêm giúp nâng cao kiến thức mở rộng trong học tập 1 2 3 4 5 2 Làm sạch và thu thập dữ liệu trong SPSS

2.1 Nhập dữ liệu và gán thông tin cho biến số 2.1.1 Nhập dữ liệu

Để nhập dữ liệu vào phần mềm ta thực hiện như sau: File Open data excel Open

4

Sau khi chọn open thì sẽ xuất hiện hộp thoại sau, ta bấm “OK” để thực hiện việc nhập dữ liệu vào

5

Sau khi nhập liệu thành công, chọn mục “Variable view’ để quan sát những biến số đã được nhập vào SPSS như sau:

2.1.2 Điều chỉnh thông tin cho biến định tính

Chọn ô có tên “None” tại cột values của các biến định tính, sau đó hộp “Value labels” xuất hiện, sau đó ta thực hiện gán nhãn và điền giá trị của biến số tại ô “Label” sau đó chọn “Add” và bấm “OK”

Sau khi thực hiện xong ta được kết quả như sau: 6

2.1.3 Điều chỉnh thông tin cho biến định lượng

Ta thực hiện tương tự như biến định tính nhưng có phần dễ hơn so với biến định tính

Ta được kết quả như sau:

7

2.2 Làm sạch dữ liệu

2.2.1 Phát hiện dữ liệu không chính xác

2.2.1.1 Phát hiện và xử lý dữ liệu không chính xác đối với biến định tính Bước 1: Thống kê mô tả biến định tính

Thực hiện như sau: Analyze Descriptive statics Frequences

Sau đó chuyển hai biến “Giới tính” và “Trường” từ ô bên trái sang ô bên phải tại hộp Frequences, sau đó bấm “OK”

8

Kết quả thống kê như sau:

Bước 2: Phát hiện vị trí dữ liệu bị sai - Biến “Trường”

Ta thực hiện như sau: Data Validation Validation Data

9

Sau đó, di chuyển biến số Trường sang hộp thoại “Analysis Variables”

Tiếp theo chọn “Single-Variabl Rules” để thiết lập giá trị hợp lệ cho biến số

10

Chọn “Define Rules” sau đó đặt tên cho luật là Trường, chọn giá trị thấp nhất là 1 và giá trị cao nhất là 10, sau đó bỏ dấu chọn tại ô “Allow noninteger value within a range” sau đó chọn Continue

Tại hộp thoại hiện ra, chọn vào luật có tên Trường tại hộp “Rules” sau đó chọn OK

11

Ta được kết quả như sau

- Biến “Giới tính”

Ta thực hiện như sau: Data Validation Validation Data

12

Chọn “Define Rules” sau đó đặt tên cho luật là TN3 và CT1, chọn giá trị thấp nhất là 1 và giá trị cao nhất là 5, sau đó bỏ dấu chọn tại ô “Allow noninteger value within a range” sau đó chọn Continue

Tại hộp thoại hiện ra, chọn vào luật có tên TN3 và CT1 tại hộp “Rules” sau đó chọn OK

29

Ta được kết quả như sau

30

Bước 3: Thay thế giá trị không chính xác thành giá trị khuyết - Biến “TN3”

Thực hiện như sau: Transform Recode into Different variables

Sau đó chuyển biến số TN3 sang hộp thoại “Numeric Variable-> Output variable” và đặt tên cho biến mới là TN3_Val sau đó chọn Change sau đó chọn “Old and New values” để tiến hành mã hóa giá trị.

31

Tại hộp “Old value” nhập giá trị 6 sau đó tại hộp “New value” chọn “System-missing” và chọn “Add”

Tiếp theo chọn “All other values” tại hộp “Old value” và chọn “Copy old values” tại hộp “New values” sau đó chọn “Add”, sau cùng chọn “Continue” và chọn “OK”

32

Ta được kết quả mới với bảng tần số và tần suất mới như sau:

- Biến “CT1”

Thực hiện như sau: Transform Recode into Different variables

33

Sau đó chuyển biến số CT1 sang hộp thoại “Numeric Variable-> Output variable” và đặt tên cho biến mới là CT1_Val sau đó chọn Change sau đó chọn “Old and New values” để tiến hành mã hóa giá trị.

Tại hộp “Old value” nhập giá trị 1 sau đó tại hộp “New value” chọn “System-missing” và chọn “Add”

34

Tiếp theo chọn “All other values” tại hộp “Old value” và chọn “Copy old values” tại hộp “New values” sau đó chọn “Add”, sau cùng chọn “Continue” và chọn “OK”

Ta được kết quả mới với bảng tần số và tần suất mới như sau:

35

2.2.2 Phát hiện và xử lý dữ liệu khuyết 2.2.2.1 Phát hiện dữ liệu khuyết

Ta thực hiện như sau: Analyze Report Case Summarizes

Tiếp theo đưa các biến cần phân tích sau khi đã loại bỏ dữ liệu sai và xử lý dữ liệu

36

Ta được kết quả như sau:

2.2.2.2 Xử lý dữ liệu khuyết

- Xử lý giá trị khuyết đối với biến định tính

Đối với biến định tính, giá trị khuyết sẽ được thay thế bằng giá trị yếu vị

37

Ta thực hiện như sau: Transform/Record into different variables, tại hộp Old value chọn “System missing” và tại hộp New value nhập giá trị 3 vì tần số xuất hiện của nó lớn hơn các giá trị khác và c

Tiếp theo chọn “All other values” tại hộp “Old value” và chọn “Copy old values” tại hộp “New values” sau đó chọn “Add”, sau cùng chọn “Continue” và chọn “OK”

38

Ta được kết quả mới với bảng tần số và tần suất mới như sau:

- Xử lý giá trị khuyết đối với biến định lượng số nguyên ta thực hiện tương tự Thu nhập 3

39

Ta được kết quả như sau:

Chi tiêu 1

41

Ta được kết quả như sau:

2.2.3 Phát hiện và xử lý dữ liệu lặp 2.2.3.1 Giá trị lặp lại trong một biến số

- Phát hiện

43

Ta thực hiện như sau: Data Identify Duplicate Cases

Sau đó chuyển Q-id qua ô “Define matching cases by”

Sau đó nhấn OK, ta được kết quả sau:

44

- Xử lý: Ta sẽ gán giá trị khác cho một giá trị lặp cụ thể như sau đổi giá trị C10 thành C11

Ta được kết quả mới như sau:

45

2.2.3.2 Giá trị lặp trong nhiều biến số - Phát hiện

Ta thực hiện như sau: Data Identify Duplicate Cases

46

Sau đó bấm OK, ta được kết quả sau:

- Xử lý: Ta sẽ xóa bỏ dữ liệu C47, C48, C52 Ta được kết quả mới như sau:

47

2.3 Mô tả dữ liệu 2.3.1 Một biến định tính

Thực hiện như sau: Analyze Descriptives Statistics Frequencies

Toàn bộ các biến định tính cần được đưa vào hộp “Variable”, sau đó chọn “charts” rồi chọn bar charts sau đó bấm continue rồi bấm OK.

48

Ta được kết quả như sau

49

2.3.2 Một biến định lượng

Thực hiện như sau: Analyze Tables Custom Tables

Sau đó kéo thả Trường đc vào rows và giới tính vào columns

52

Sau đó bấm OK, ta được kết quả sau

2.3.3 Nhiều biến định lượng

Thực hiện như sau: Analyze correlate Bivarate

53

Sau đó chuyển toàn bộ các biến TN1 đên QD4 sang ô “variables”

Ta được bảng kết quả ma trận như sau:

54

3 Đánh giá mô hình cấu tạo, mô hình kết quả, mô hình cấu trúc trên Smart PLS Bước 1: Đặt tên dự án phân tích và thực hiện nhập liệu

- Vào Import data file và chọn file “DỮ LIỆU NHÓM” để thực hiện nhập số liệu vào.

56

Bước 2: Khảo sát dữ liệu

- Xây dựng mô hình đường dẫn

- Vào PLS Algorithm Final results Outer loadings xem các hệ số tải nhân tố của các biến tiềm ẩn EXP, LOY, VAL với các chỉ báo khác.

- Vào PLS Algorithm Final results Path coefficents xem hệ số hồi quy giữa các biến tiềm ẩn

Bước 3: Xây dựng mô hình đường dẫn - Vào Create model và đặt tên như hình

57

Bước 4: Lựa chọn tham số ước lượng và ước lượng mô hình

Vào Calculate ▶ PLS Algorithm và chỉnh các thông số như hình vẽ phía dưới:

58

Bước 5: Quan sát lần lượt các kết quả 1 Giá trị chuẩn hoá của các chỉ báo

Thực hiện theo trình tự:

mục Model and Data

59

2 Sự hội tụ của giá trị trọng số ngoài

mục Algorithm

3 Giá trị chuẩn hoá của biến tiềm ẩn

60

4 Hệ số tải nhân tố của các chỉ báo thuộc mô hình đo lường kết quả

5 Trọng số của các chỉ báo thuộc mô hình đo lường cấu tạo

61

6 Hệ số hồi quy thể hiện mối liên hệ giữa các biến tiềm ẩn

Cách 1: Chọn thẻ “*CRS.splsm” để xem các giá trị này được thể hiện trên chính mô hình đường dẫn được vẽ:

Cách 2: PLS Algorithm (Run No.1) Final Results Path Coefficents▶ ▶

62

3.1 Đánh giá mô hình cấu tạo

+ TG_Redundant.

+ KN_Redundant.

64

+ MT_Redundant.

+ HT_Redundant.

Tiếp theo thực hiện phân tích PLS-SEM cho lần lượt sáu mô hình:

Vào từng mô hình chọn Calculate → PLS SEM algorithm → Setup → Start calculation thì được kết quả như hình vẽ:

65

Kết quả phân tích cho thấy hệ số R của:

+ TN, CT, TG, MT đạt được mức độ chính xác về sự hội tụ vì có hệ số R ≥ 0.52

+ KN và HT không đạt mức độ chính xác về sự hội tụ 3.1.2 Đánh giá mức độ đa cộng tuyến

Vào PLS Algorithm Quality criteria Collinearity statistics (VIF) Outer VIF values để xem hệ số VIF của sáu chỉ báo

Tất cả kết quả đều nhỏ hơn 5 nên 6 chỉ báo không có hiện tượng đa cộng tuyến - Vào Calculate Bootstrapping Setup để đánh giá ý nghĩa thống kê của giá trị

trọng số ngoài:

68

- Ở ô Amount of results chọn Complete (slower) và chọn Bias corrected and accelarated (Bca) bootstrap ở ô Confidence interval method Các mục còn lại giữ nguyên sau đó bấm Start calculation thì được kết quả như hình dưới:

Vào Final results Outer weights và quan sát hệ số P-values của sáu chỉ báo

69

Hệ số P-values của các chỉ báo CT1, CT4, HT2, KN3, MT4, TG1, TG2, TN1 không có ý nghĩa thống kê.

3.2 Đánh giá mô hình kết quả

3.2.1 Đánh giá mức độ tin cậy nhất quán nội bộ

- Vào PLS Algorithm Final results Outer loadings được kết quả như hình:

70

Hệ số tải của CT1, CT4, HT2, KN4, MT3, MT4, QD3, QD4, TG1, TG2, TG5, TN2, TN3, TN4 thuộc [0.4 - 0.7) ta có thể giữ lại các chỉ báo này vì hệ số tải cũng gần đạt 0.7 Các hệ số tải còn lại loại bỏ và chạy lại PLS –SEM được kết quả như ở dưới:

71

Vào PLS algorithm Quality criteria Construct reliability and validity

Kết quả cho thấy giá trị tin cậy tổng hợp của QD nằm trong khoảng [0.4;0.7], nhưng 1 thang đo không thoả mãn Điều này hàm ý rằng một số hoặc tất cả các chỉ báo đang cùng đo lường cùng một kết quả giống nhau từ biến tiềm ẩn Như vậy, mô hình này chưa đạt được tính nhất quán nội bộ và ta cần xem xét việc xây dựng lại mô hình đo lường hoặc thu thập thêm dữ liệu Sau đó, cần phân tích lại mô

72

hình PLS - SEM Nhưng việc loại bỏ các chỉ báo sẽ ảnh hưởng tới tính chính xác về mặt nội dung Nên ta sẽ giữ lại các chỉ báo.

3.2.2 Đánh giá mức độ chính xác về sự hội tụ

Kết quả cho thấy giá trị của QD nhỏ hơn 0.5 nên có thể kết luận rằng các tập hợp của chỉ báo này chưa đạt được mức độ chính xác về sự hội tụ

3.2.3 Đánh giá mức độ chính xác về sự phân biệt

Vào PLS algorithm → Quality criteria → Discriminant Validity → Fornell-Larcker Criterion

Sau đó ta đánh giá chính thức sử dụng chỉ số HTMT theo các bước như sau:

Bước 1: So sánh hệ số tải ngòai và hệ số tải chéo Ta thực hiện như sau:

73

Vào PLS algorithm Quality criteria Discriminant Validity Cross loadings thì hệ số tải của các chỉ báo đều lớn hơn hệ số tải chéo còn lại

Ở ô Amount of results chọn Complete (slower) và chọn Bias corrected and accelarated (Bca) bootstrap ở ô Confidence interval method Các mục còn lại giữ nguyên sau đó bấm Start calculation thì được kết quả mô hình đừng dẫn được

74

phần mềm mặc định là P-value, bao gồm hệ số P của hệ số tải ngoài và hệ số hồi quy như sau:

Vào PLS Algorithm Final results Outer loadings Samples được kết quả các mẫu như hình dưới:

Tiếp theo chọn mục “Mean, STDEV, T-Values, P – Values” ta nhận được kết quả như sau:

75

Tiếp theo vào Bootstrapping Final Result Outer Loading Confidence intervals Bias Corrected

3.3 Đánh giá mô hình cấu trúc 3.3.1 Đánh giá hiện tượng đa cộng tuyến

Thực hiện theo trình tự PLS algorithm → Quality Criteria → Collinearity Statistics (VIF) → Inner VIF values thì được kết quả như sau:

76

Tất cả hệ số VIF < 3 nên có thể kết luận rằng không có xuất hiện hiện tượng đa cộng tuyến trong từng mô hình cấu trúc thành phần.

3.3.2 Đánh giá mức ý nghĩa thống kê và mức độ tác động của hệ số hồi quy 3.3.2.1 Tác động trực tiếp

Thực hiện theo trình tự:

Bootstrapping → Final Results → Path Coefficents thì được kết quả kiểm định như sau: Biến số CT, HT, KN, MT, TN không tác động tới QD vì P-Values lớn hơn 0.05 Hệ số hồi quy của các biến số giải thích còn lại đều có ý nghĩa thống kê

3.3.2.2 Tác động gián tiếp Thực hiện theo trình tự:

Bootstrapping → Final Results →Total Indirect Effect thì được kết quả là mô hình cấu trúc không chịu tác động gián tiếp được thể hiện như sau:

77

3.3.2.3 Tổng mức báo động Thực hiện theo hướng dẫn:

Bootstraping → Final Results →Total Effects Kết quả như sau:

3.3.3 Đánh giá hệ số xác định R 2

Thực hiện theo trình tự:

PLS Algorithm → Quality → R square thì được kết quả như sau:

Hệ số R > 0.5 nên được đánh giá ở mức ổn.2

3.3.4 Đánh giá hệ số f2

Thực hiện theo trình tự:

Bootstrapping → Quality → f square thì được kết quả như sau:

78