bài tập cá nhân môn học phương pháp nghiên cứu khoa học trong kinh doanh

Thực hiện phân tích anova một chiều để tìm sự khác biệt của các biến tiềm ẩn trong mô hình này với các tiêu thức phân loại: OWN, POS, Age, EXP.. BÀI LÀM:Câu 1: Thực hiện phân tích khám p

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HỒ CHÍ MINH

VIỆN ĐÀO TẠO SAU ĐẠI HỌC

-BÀI TẬP CÁ NHÂN

MÔN HỌC:

PHƯƠNG PHÁP NGHIÊN CỨU KHOA

HỌC TRONG KINH DOANH

Giảng viên: TS Nguyễn Hùng Phong Lớp: QTKD ĐÊM 5 - CAO HỌC K22 Học viên: Bùi Ngọc Lan Anh (Học Viên Học Ghép Lớp Gốc: QTKD Ngày 1 Cao Học K21)

MSSV: 7701210030

TP HCM tháng 8 năm 2013

Trang 2

ĐỀ BÀI:

Giả sử chúng ta có một mô hình lý thuyết gồm 4 khái niệm lý thuyết có quan hệvới nhau: Văn hóa tổ chức (OC), hệ thống giá trị của quản trị gia (PV), thực tiểnquản trị (MP), và kết quả hoạt động của công ty (P) Khái niệm văn hóa tổ chứcđược chia thành hai biến tiềm ẩn: OC1 và OC2 Trong đó OC1 được đo lườngbằng 5 yếu tố thành phần (OC11, OC12, … , OC15); OC2 được đo lường bằng 6yếu tố thành phần (OC21, OC22, … , OC26) Biến PV là khái niệm đơn biếnđược đo lường bằng 9 yếu tố thành phần (PV1, PV2, …., PV9) Khái niệm MPđược phân ra hai biến tiền ẩn: MP1 và MP2 MP1 được đo lường bằng 6 yếu tốthành phần (MP11, MP12, …., MP16) và MP2 được đo lường bằng 6 yếu tố thànhphần (MP21, MP22, …., MP26) Riêng khái niệm P được đo lường bởi 6 yếu tốthành phần (P1, P2, …., P6)

Trong mô hình này, P là biến phụ thuộc và các biến OC1, OC2, PV, MP1, MP2 làbiến độc lập Các biến phân loại bao gồm

 Loại hình doanh nghiệp: có bốn loại và được mã hóa từ 1 đến 4 (ký hiệu làOWN)

 Cấp bậc quản lý (POS) gồm hai bậc, trong đó quản lý cấp cao nhận giá trị

là 1, quản lý cấp trung nhận giá trị là 2

 Độ tuổi quản trị gia (Age) chia thành 4 nhóm: 1, 2, 3, 4

 Kinh nghiệm quản lý (EXP) cũng được chia thành 4 bậc, từ bậc 1 đến bậc

4 Mổi bậc có khoảng cách là 5 năm

Yêu cầu:

1 Thực hiện phân tích khám phá (EFA)/phân tích nhân tố để tìm các biếnmới/hoặc giảm biến, cũng như tìm các yếu tố thành phần đo lường biếnnày Sau đó tính giá trị của các biến mới (là trung bình của các yếu tố thànhphần)

2 Thực hiện kiểm tra độ tin cậy của đo lường bằng hệ số cronbach alpha

3 Thực hiện phân tích anova một chiều để tìm sự khác biệt của các biến tiềm

ẩn trong mô hình này với các tiêu thức phân loại: OWN, POS, Age, EXP

4 Xây dựng hàm tương quan tuyến tính giữa P và các biến độc lập vừa khámphá thông qua phân tích nhân tố/EFA

5 Kiểm định các giả thuyết tương quan với biến giả (dummy) của biến kếtquả hoạt động với các biến độc của hàm tương quan đa biến

6 Xây dựng hàm lập tìm được qua phân tích nhân tố Trong đó biến giả đượcxác định dựa vào biến “loại hình doanh nghiệp”

Trang 3

BÀI LÀM:

Câu 1: Thực hiện phân tích khám phá (EFA)/phân tích nhân tố để tìm các biến mới/hoặc giảm biến, cũng như tìm các yếu tố thành phần đo lường biến này Sau đó tính giá trị của các biến mới (là trung bình của các yếu tố thành phần)

Trước khi tiến hành các phân tích xử lý dữ liệu ta cần phải làm sạch dữ liệu nghiên cứu.

Phân tích tập tin dữ liệu data1.xls:

- Cột No không có số liệu: xóa bỏ cột này

- Cột IND, SIZE, EDU và PRO: không lien quan đến yêu cầu bài tập: xóa bỏ những cột này.

- Có 954 bảng khảo sát được thu thập, trong đó có một số dòng dữ liệu

bị thiếu, không hợp lệ nên ta loại bỏ những bảng khảo sát này đi

- Cỡ mẫu hợp lệ cuối cùng còn lại N=928.

*Phân tích EFA

Phương pháp phân tích nhân tố khám phá (EFA) dùng để đánh giá hai giá trịquan trọng của thang đo là giá trị hội tụ và giá trị phân biệt Dựa vào mối tươngquan giữa các biến với nhau, ta có thể rút gọn một tập k biến quan sát thành 1 tập

F (F<k) các nhân tố có ý nghĩa hơn

Ta thực hiện phân tích nhân tố khám phá (EFA) cho từng khái niệm lý thuyết cóquan hệ với nhau đó là văn hóa tổ chức (OC), hệ thống giá trị của quản trị gia(PV), thực tiễn quản trị (MP), và kết quả hoạt động của công ty (P)

* Phân tích EFA cho khái niệm văn hóa tổ chức (OC):

Khái niệm OC là khái niệm đa hướng bao gồm hai biến tiềm ẩn:

-OC1 được đo lường bởi năm yếu tố thành phần: OC11, OC12, OC13, OC14,OC15

- OC2 được đo lường bởi sáu yếu tố thành phần: OC21, OC22, OC23, OC24,OC25, OC26

Trang 4

1 Kiểm tra điều kiện phân tích nhân tố:

Anlyze => Data reduction => Factor => đưa các biến OC11, OC12,

OC13, OC14, OC15, OC21, OC22, OC23, OC24, OC25, OC26 vào hộp Variables.

- Mục Descriptives: chọn Univariate descriptive trong Statistics và chọn

Coefficients và KMO and Bartlett’s test of sphericity

- Mục Extraction: chọn Principal Components Method, các thông số khác mặc

định, chọn eigenvalue ≥ 1

- Mục Rotation: chọn phép quay vuông góc Varimax, các thông số khác mặc định

- Mục Rotation: chọn phương pháp “regression”

=> OK

* Phân tích kết quả:

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy .857

Bartlett's Test of Sphericity Approx Chi-Square 2.575E3

Trang 5

- KMO = 0,857 thỏa điều kiện 0,5 < KMO ≤ 1: phân tích EFA là thích hợp

- Sig < 0,005 nên ta bác bỏ giả thuyết Ho (H0: giả thuyết ma trận hệ số tươngquan là ma trận đơn vị), tức là giữa các biến quan sát có tương quan vớinhau => Điều kiện sử dụng EFA được thỏa mãn

b/ Trích nhân tố là quá trình tìm mối quan hệ giữa một biến quan sát nào đó vớimột nhân tố và đưa nó gom về để nó đo lường nhân tố đó

Total Variance Explained

Sử dụng phép trích nhân tố PCA ta thấy trích được hai nhân tố 1 và 2 (cóeigenvlue >1) đúng như ban đầu, có nghĩa là ta xác định những biến quan sát đó

đo lường được nhân tố đó

Trang 6

Rotated Component Matrix a

Extraction Method: Principal Component Analysis

Rotation Method: Varimax with Kaiser Normalization.

a Rotation converged in 3 iterations.

Bảng trên thể hiện giá trị trích xuất (loading value) hay hệ số tương quangiữa các yếu tố thành phần với hai nhân tố vừa trích được theo mô hình thànhphần chính (PCA) Loading value cao ở nhân tố nào thì nó đo lường được nhân tố

Trang 7

- Nhân tố 2 được đo lường bởi bốn yếu tố thành phần: OC21, OC22, OC23,OC24 vì các yếu tố này có hệ số tương quan với nhân tố 2 cao hơn

- Ta đặt tên cho hai nhân tố mới này lần lượt là AOC1, AOC2.

Ban đầu, biến tiềm ẩn OC2 được đo lường bằng OC21, OC22, OC23,OC24, OC25, OC26 nhưng sau khi phân tích EFA thì các yếu tố thành phần OC25

và OC26 không đo lường được OC2 mà lại đo lường OC1 nên giá trị hội tụ không có.

Hai thang đo đo lường hai biến khác nhau OC1 và OC2 thì phải khác nhaunhưng sau khi phân tích EFA thì OC25 và OC26 đã dịch chuyển sang đo lường

OC1 cho nên giá trị phân biệt không cao

* Phân tích EFA cho khái niệm hệ thống giá trị của quản trị gia (PV):

PV là khái niệm đơn biến được đo lường bằng 9 yếu tố thành phần: PV1,PV2, …., PV9 Đây là thang đo đơn hướng

*Phân tích nhân tố

Anlyze => Data reduction => Factor => đưa các biến quan sát PV1, PV2, PV3, PV4, PV5, PV6, PV7, PV8, PV9 vào hộp Variables.

=>Descriptives: chọn Univariate descriptive trong Statistics và chọn Coefficients

và KMO and Bartlett’s test of sphericity => continue

=> Extraction: chọn Principal Components Method, các thông số khác mặc định, chọn eigenvalue ≥ 1, => continue

=> Rotation: chọn phép quay vuông góc Varimax, các thông số khác mặc định

=> continue

=> OK

Ta có bảng kết quả sau đây:

Trang 8

b/ Trích nhân tố là quá trình tìm mối quan hệ giữa một biến quan sát nào đó vớimột nhân tố và đưa nó gom về để nó đo lường nhân tố đó:

Sử dụng phương pháp trích nhân tố là PCA, với eigenvalue >1 , ta tríchđược hai nhân tố, vậy thang đo này là đa hướng PV là khái niệm bậc 1 và được

đo lường qua hai khái niệm bậc 2 Điều này nói lên thang đo ban đầu là không cònđúng trong trường hợp này

Trang 9

Dựa vào bảng Communalities cho chúng ta biết phần chung, là giá trị của một

biến quan sát đo lường được cái chung của hai nhân tố là bao nhiêu phần trăm.Nhìn vào đây ta thấy những giá trị đo lường phần chung tốt nhất là: PV3, PV5 vàPV6

Bảng Rotated Component Matrix thể hiện giá trị trích xuất (loading value)

hay hệ số tương quan giữa các yếu tố thành phần với hai nhân tố vừa trích đượctheo phương pháp PCA Loading value cao ở nhân tố nào thì nó đo lường được

Trang 10

nhân tố đó Vậy thì nhân tố 1 được đo lường bởi năm yếu tố thành phần: PV2,PV8, PV5, PV6, PV7 và nhân tố 2 được đo lường bởi bốn yếu tố thành phần: PV4,

PV1, PV3, PV9 Và ta đặt tên cho hai nhân tố mới này lần lược là APV1, APV2.

Ban đầu, biến tiềm ẩn PV được đo lường bằng PV1, PV2, PV3, PV4, PV5,PV6, PV7, PV8, PV9 nhưng sau khi phân tích EFA thì từ chín yếu tố thành phần

được nhóm lại thành hai yếu tố có ý nghĩa, nên giá trị hội tụ không có.

Hai thang đo đo lường hai biến khác nhau thì phải khác nhau nhưng sau khiphân tích EFA thì thang đo khái niệm nghiên cứu ban đầu không đo được mà nó

tách thành hai thang đo hai khái niệm khác nhau nên giá trị phân biệt không có.

*Phân tích EFA cho khái niệm thực tiễn quản trị (MP):

Khái niệm MP được phân ra hai biến tiền ẩn: MP1 và MP2 MP1 được đolường bằng sáu yếu tố thành phần (MP11, MP12, …., MP16) và MP2 được đolường bằng sáu yếu tố thành phần (MP21, MP22, …., MP26) Đây là thang đo đahướng

* Phân tích nhân tố:

Anlyze => Data reduction => Factor => đưa các biến quan sát MP11, MP12, PM13, MP14, MP15, MP16, MP21, MP22, MP23, MP24, MP25, MP26 vào hộp Variables.

=> continue

=> OK

Trang 11

Tương tự như trên, dùng phương pháp trích nhân tố là PCA, với eigenvalue

>1, ta trích được ba nhân tố, không giống như lúc ban đầu chỉ có hai nhân tố Vàđiều này cũng nói lên thang đo MP không còn đúng

Trang 12

Bảng Communalities cho chúng ta biết phần chung, là giá trị của một biến

quan sát đo lường được cái chung của hai factor là bao nhiêu phần trăm Nhìn vàođây ta thấy những giá trị đo lường tốt nhất là: MP1, MP2 và MP4

Bảng Rotated Component Matrix thể hiện giá trị trích xuất (loading value)

hay hệ số tương quan giữa các yếu tố thành phần với hai nhân tố vừa trích đượctheo phương pháp PCA Loading value cao ở nhân tố nào thì nó đo lường đượcnhân tố đó Vậy thì nhân tố 1 được đo lường bởi tám yếu tố: MP15,MP16, MP21,

Trang 13

MP22, MP23, MP24, MP25, MP26 , nhân tố 2 được đo lường bởi hai yếu tố:MP11, MP12 và nhân tố 3 được đo lường bởi hai yếu tố: MP13, MP14 Và ta đặt

tên cho ba nhân tố mới này lần lược là AMP1, AMP2, AMP3.

Ban đầu, khái niệm MP được đo lường bằng hai biến MP1 và MP2 và biếnMP1 được đo lường bằng sáu yếu tố thành phần: MP11, MP12, MP13, MP14,MP15, MP16 và biến MP2 được đo lường bằng sáu yếu tố thành phần: MP21,MP22, MP23, MP24, MP25, MP26 nhưng sau khi phân tích EFA thì khái niệm

MP được đo lường qua ba biến tiềm ẩn nên giá trị hội tụ không có.

Hai thang đo đo lường hai biến khác nhau MP1 và MP2 thì phải khác nhaunhưng sau khi phân tích EFA thì một số yếu tố dịch chuyển từ biến tiềm ẩn nàysang biến tiềm ẩn khác như MP21, MP22, MP23, MP24, MP25,MP26 dịchchuyển từ biến tiềm ẩn hai sang biến tiềm ẩn một và MP11, MP12 từ biến tiềm ẩnmột dịch chuyển sang biến tiềm ẩn hai, đồng thời MP13, MP14 dịch chuyển từ

biến tiềm ẩn một sang một biến tiềm ẩn mới nên giá trị phân biệt không cao

MP25MP26

Trang 14

AMP3

* Phân tích EFA cho khái niệm kết quả hoạt động của công ty (P):

Khái niệm nghiên cứu P là khái niệm đơn hướng và được đo lường bởi sáuyếu tố thành phần : P1, P2, P3, P4, P5, P6 Đây là thang đo đơn hướng

* Phân tích nhân tố:

Anlyze => Data reduction => Factor => đưa các biến quan sát P1, P2, P3, P4, P5, P6 vào hộp Variables.

=> continue

=> OK

Trang 15

- Sig (Bartlett's Test ) < 0,005 nên ta bác bỏ giả thuyết Ho (H0: giả thuyết matrận hệ số tương quan là ma trận đơn vị), tức là giữa các biến quan sát cótương quan với nhau => Điều kiện sử dụng EFA được thỏa mãn.

* Trích nhân tố:

Compo

nent

Extraction Sums of Squared Loadings

Total % of Variance Cumulative %

1 3.330 55.493 55.493

Extraction Method: Principal Component Analysis.

Với eigenvalue >1 , ta trích được một nhân tố, giống như lúc ban đầu chỉ cómột nhân tố Điều này nói lên thang đo này đúng với dữ liệu khảo sát được

góp nhiều cho biến P Và ta đặt factor mới này là AP

Ban đầu biến P được đo lường bằng chín yếu tố và sau khi phân tích EFA

thì chín yếu tố này đo lường được biến P Nên với thang đo P thì cả giá trị hội tụ

và phân biệt đều được đảm bảo

P1P2P3P4P5P6

Trang 16

Transform -> Compute Variable

+ Target Variable: Đặt tên biến mới

+Numeric Expression: Chọn các biến thành phần với công thức tính trungbình cộng

 OK

Các biến mới sẽ được tính giá trị và thêm vào bộ dữ liệu

COMPUTE AOC1=(OC11 + OC12 + OC13 + OC14 + OC15+OC25 + OC26)/7.

VARIABLE LABELS AOC1 'AOC1'.

EXECUTE.

COMPUTE AOC2=(OC21 + OC22 + OC23 + OC24) / 4.

VARIABLE LABELS AOC2 'COMPUTE AOC2=(OC21 + OC22 + OC23 + OC24) / 4'.

Trang 17

Sau khi phân tích EFA ta được tám biến AOC1, AOC2, APV1, APV2, AMP1, AMP2, AMP3 và AP Và chúng ta sẽ kiểm tra độ tin cậy của tám biến

này

Sử dụng phần mềm SPSS, trình tự chung khi kiểm tra độ tin cậy như sau:

Analyze =>Scale => Reliability Analysis =>đưa các biến quan sát đo lường các biến mới sau khi phân tích EFA vào hộp items

Sau đó chọn Statistics

+ Descriptives for, chọn Item, Scale, Scale if item deleted

+Summaries chọn Means, Variances, Covriances

+Trong Inter item, chọn Correlations

=>Continue => OK

2.1 Biến tiềm ẩn AOC1 (được đo lường qua bảy yếu tố: OC11, OC12,

OC13, OC14, OC15, OC25, OC26)

Reliability Statistics

Cronbach's

Alpha

Cronbach's Alpha Based on Standardized Items N of Items

Trang 18

Item-Total Statistics

Scale Mean if

Item Deleted

Scale Variance if Item Deleted

Corrected Total Correlation

Item-Squared Multiple Correlation

Trong bảng Item-Total Statistics, cột thứ 2 nói lên trung bình của các biến

còn lại khi mà bỏ đi một biến quan sát Ví dụ như bỏ đi OC11 thì trung bình củacác biến còn lại là 24,64 Nhìn vào cột thứ 4, ta thấy hệ số tương quan của từngbiến quan sát với biến tổng đều lớn hơn 0,3 nên điều kiện cần để phân tích độ tincậy được thỏa mãn

Và giá trị của cột thứ 6 là giá trị của hệ số Cronbach's Alpha khi ta bỏ đitừng biến quan sát Ví dụ khi bỏ đi biến OC11 thì hệ số Cronbach's Alpha là 0,800nhỏ hơn 0,817 hoặc khi bỏ đi biến OC25 thì hệ số Cronbach's Alpha là 0,788 nhỏhơn 0,817 và có bỏ đi bất kỳ biến quan sát nào thì cũng không làm tăng được giátrị của hệ số Cronbach's Alpha

Như vậy bảy biến quan sát này đủ độ tin cậy để đo lường biến tiềm ẩn AOC1 và không phải bỏ bất kỳ biến quan sát nào

2.2 Biến tiềm ẩn AOC2 (được đo lường qua bốn yếu tố: OC21, OC22,

OC23, OC24)

Trang 19

Cronbach's

Alpha

Nhìn vào bảng Reliability Statistics ta thấy hệ số Cronbach's Alpha khá thấp và

nhỏ hơn 0,6 nên ta loại bỏ biến tiềm ẩn này.

2.3 Biến tiềm ẩn APV1 ( được đo lường qua năm yếu tố: PV2, PV5, PV6,

PV7, PV8)

Hệ số Cronbach's Alpha bằng 0,721 rấttốt, nên năm yếu tố này đủ độ tin cậy để

đo lường APV1 Ý nghĩa của hệ số này

là trong tổng biến thiên của năm yếu tố

đo lường APV1 thì biến thiên của giá trị thực chiếm 72,1%.

Scale Mean if

Item Deleted

Cronbach's

Alpha

Trang 20

Và giá trị của cột Cronbach's Alpha if Item Deleted là giá trị của hệ sốCronbach's Alpha khi ta bỏ đi từng biến quan sát Cả 5 giá trị trên đều không cógiá trị nào > 0.721 Cho nên năm biến quan sát này đủ độ tin cậy để đo lường tiềm

ẩn APV1 và không phải bỏ bất kỳ biến nào Thang đo APV1 đủ độ tin cậy đo lường.

2.4 Biến tiềm ẩn APV2 (được đo lường qua bốn yếu tố: PV1, PV3, PV4,

Ta loại bỏ biến APV2 vì hệ số Cronbach’s alpha nhỏ hơn 0,6.

2.5 Biến tiềm ẩn AMP1 (được đo lường qua tám yếu tố: MP15, MP16,

Hệ số Cronbach's Alpha bằng 0,82 là rất tốt, nên 8 yếu tố này đủ độ tin cậy

để đo lường AMP1 Ý nghĩa của hệ số này là trong tổng biến thiên của các yếu

tố đo lường AMP1 thì biến thiên của giá trị thực chiếm 82%.

Trang 21

Scale Mean if

Item Deleted

Cho nên tám biến quan sát này đủ độ tin cậy để đo lường tiềm ẩn AMP1 và

không phải bỏ bất kỳ biến quan sát nào Kết luận thang đo AMP1 đủ độ tin cậy

Hệ số Cronbach's Alpha bằng 0,615 lớn hơn 0,6 chấp nhận được, nên hai yếu

tố này đủ độ tin cậy để đo lường AMP2 Ý nghĩa của hệ số này là trong tổng biến thiên của hai yếu tố đo lường AMP2 thì biến thiên của giá trị thực chiếm 61,5%.

Trang 22

Scale Mean if

Item Deleted

Hệ số Cronbach’s alpha của MAP3 nhỏ hơn 0,6 nên ta loại bỏ biến này.

2.8 Biến tiềm ẩn AP (được đo lường qua sáu yếu tố: P1, P2, P3, P4, P5,

Trang 23

Hệ số Cronbach's Alpha bằng 0,839 là rất tốt, nên sáu yếu tố này đủ độ tin

cậy để đo lường AP Ý nghĩa của hệ số này là trong tổng biến thiên của các yếu

tố đo lường AP thì biến thiên của giá trị thực chiếm 83,9%.

Scale Mean if

Item Deleted

phải bỏ bất kỳ biến quan sát nào Cho nên thang đo AP đủ độ tin cậy đo lường.

Sau khi kiểm tra độ tin cậy, từ tám biến tiềm ẩn sau khi phân tích

EFA, ta đã loại bỏ ba biến AOC2, APV2, AMP3 và còn lại năm biến đủ độ tin cậy đo lường đó là : AOC1, APV1, AMP1, AMP2, AP.

Câu 3: Thực hiện phân tích anova một chiều để tìm sự khác biệt của các biến tiềm ẩn trong mô hình này với các tiêu thức phân loại: OWN, POS, Age, EXP

Thực hiện phân tích Anova một chiều với biến phụ thuộc là các biến

mới tìm được khi phân tích EFA và kiểm tra độ tin cậy (AOC1, APV1, AMP1, AMP2, AP) và biến phân loại lần lượt là OWN, POS, AGE, EXP:

Phân tích Anova một chiều là kiểm định sự khác biệt giữa nhiều trung bình.Trình tự thực hiện Anova một chiều như sau:

1 2 1



Trang 24

Bước 1: Thiết lập giả thuyết

Bước 2: Chọn alpha (0,05)

Bước 3: Xác định giá trị Ftt

MSSB: trung bình tổng biến thiên giữa các nhóm

MSSW: trung bình tổng biến thiên trong phạm vi 1 nhóm tính cho tất cảcác nhóm

Bước 4: So sánh Ftt với Ftc để xem chấp nhận hay từ chối giả thuyết H0

Nhưng với phần mềm SPSS sẽ tính cho ta giá trị của Ftt và ta chỉ cần dựavào giá trị p-value để kết luận là chấp nhận hay bác bỏ H0 Nếu p-value < mức ýnghĩa (0,05) thì bác bỏ H0 Tức là tồn tại ít nhất hai nhóm có trung bình khác nhau

Và ngược lại Nếu tồn tại ít nhất hai nhóm có trung bình khác nhau, ta thực hiệnthêm Post hoc test để tìm xem cụ thể nhóm nào khác biệt với nhóm nào

Một điều kiện cần để phân tích để phân tích Anova là Leven-test, giả thuyết

H0 của kiểm định này là phương sai của các nhóm không có sự khác biệt Khi màmẫu quan sát càng lớn thì giả thuyết này thường bị vi phạm Nhưng không ảnhhưởng gì đến kết quả phân tích Anova, cho nên trong bài này mẫu quan sát rất lớn,

có 928 quan sát, nên ta không cần quan tâm đến Leven-test

Trình tự chung thực hiện Anova một chiều trên SPSS như sau:

Analyze => Compare Means => One way ANOVA => Đưa biến phụ thuộcvào ô Dependent List và đưa biến phân loại vào ô Factor => Option chọnDescriptives và Homogeneity of variance test => OK

3.1 Biến phân loại OWN:

Với biến phân loại là OWN ta thấy chỉ có AOC1, APV1 không có sự khác biệt giữa các nhóm đủ độ tin cậy thống kê 95% vì p-value > 0,05 Và ba biến còn

lại: AMP1, AMP2 và AP thì có sự khác biệt vì p-value < 0,05

2 1

n X X k F

Định dạng
Số trang	48
Dung lượng	1,65 MB