Mục đích Kiểm định xem có tồn tại mối quan hệ giữa 2 yếu tố đang nghiên cứu trong tổng thể hay không.. Cơ sở lý thuyết Giả thiết H0: 2 biến kiểm định độc lập với nhau Giả thuyết H1: 2 bi
Trang 1CHƯƠNG 3 – KIỂM ĐỊNH LIÊN HỆ CÁC
BIẾN
I Kiểm định Chi-square
1 Mục đích
Kiểm định xem có tồn tại mối quan hệ giữa 2 yếu tố đang
nghiên cứu trong tổng thể hay không
2 Đối tượng
Biến định tính hay biến định lượng rời rạc ít giá trị
3 Cơ sở lý thuyết
Giả thiết H0: 2 biến kiểm định độc lập với nhau Giả thuyết H1: 2 biến kiểm định có liên hệ với nhau Đại lượng kiểm định là X2.
Đại lượng tra bảng là X2(r-1)(c-1),α
X2 > X2(r-1)(c-1),α -> bác bỏ H0
X2 ≤ X2(r-1)(c-1),α-> chọn H0
Trang 24 Kiểm định 2 biến danh nghĩa hoặc 1 danh nghĩa, 1 thứ bậc
Chọn Analyze -> Descriptive Statistics -> Crosstabs…
Chuyển 2 biến vào 2 ô Row và Column
Chọn Statistics và chọn Chi-square, rồi chọn Continue
Chọn Cells >ø chọn hàm thống kê theo yêu cầu > chọn Cont Chọn OK
Đọc bảng kết quả Chi-square Tests tìm số Asymp Sig (2-sided) ở dòng Pearson Chi-square.
Sig < 0.05 -> bác bỏ H0 Sig ≥ 0.05 -> chọn H0
Trang 3Ví dụ:
Liệu chừng cách đọc báo có liên hệ với học vấn không.
Kết quả:
Sig = 0.009 < α = 0.05 => chọn H 1.
Trang 45 Kiểm định dữ liệu thứ tự
- Thao tác tương tự trên
- Nhưng trong Statistics chọn thêm 1 trong 4 thống kê Gamma, Somers’d, Kendall’s tau-b, Kendall’s tau-c
- Kết quả cần đọc là số Approx Sig
Approx Sig < 0.05 -> bác bỏ H0 Approx Sig ≥ 0.05 -> chọn H0
Trang 5Ví dụ:
Liệu chừng học vấn có liên hệ mức quan tâm chủ đề trên báo không?
Kết quả:
Sig = 0.039 < α = 0.05 => chọn H 1.
Trang 6Lưu ý
SPSS cung cấp nhiều giá trị thống kê được thiết kế để đo
mức độ của quan hệ giữa hai biến định tính Hai số đo hữu dụng là Phi và Cramer’s V
Cramer’s V và Phi là những thống kê có quan hệ mật
thiết Trong ví dụ này, thực tế vì một trong những biến của ta chỉ có hai loại, giá trị thống kê là lý tưởng
Cramer’s V được dùng thông dụng hơn vì nó chỉ có hai
giá trị giữa 0 và 1
0 (zero) cho biết không có mối quan hệ nào
và 1 cho biết có mối quan hệ hoàn hảo (Theo lý thuyết, giá trị của Phi không có giới hạn trên) Trong ví dụ này, Cramer’s V =
0.072
Trang 7 Thống kê Chi-square không phải là số đo mức độ chặt chẽ của mối quan hệ Không thể kết luận rằng mối quan
hệ giữa giới tính và mức sống là quan trọng, vì nó chỉ có
ý nghĩa thống kê (tức là các thống kê này không thể hiện
mức độ chặt chẽ của mối quan hệ) Khi thảo luận các kết
quả cần xem xét mức độ quan hệ trong mẫu cũng như ý
nghĩa của nó (và phần trăm theo dòng và cột).
Trang 8 Thống kê Chi-square chỉ phù hợp nếu có đầy đủ dữ liệu
Theo kinh nghiệm, nếu có hơn 20% ô có tần số kỳ vọng nhỏ
hơn 5, thì Chi-Square là không thích hợp Chú ý, kết xuất của
SPSS bao gồm số quan sát (và phần trăm) của các ô với tần
suất kỳ vọng nhỏ hơn 5 Trong trường hợp này, chỉ 2 trong 8
ô (25%) có tần suất kỳ vọng nhỏ hơn 5, vì vậy kiểm định
Chi-Square là không thích hợp Làm gì nếu có nhiều hơn 20% ô
có tần số kỳ vọng nhỏ?
Trang 9II Mối quan hệ giữa các biến định lượng
Biểu đồ phân tán (scatter) rất hữu ích trong việc mô tả mối quan hệ giữa hai biến định lượng Theo quy ước, có thể đặt biến phụ thuộc trên trục tung và biến độc lập trên trục
hoành Không giống quy ước cho các bảng, thường bị bỏ
qua, quy ước này được dùng rất rộng rãi trong các ngành
khoa học xã hội (Xem phần hồi quy tuyến tính)
Trang 10Thực hiện: Graph->scatter -> Definel
… set Markers by
Trang 11 Thêm biến điều khiển định tính
Giả sử muốn biết quan hệ giữa chiều cao và cân
nặng có giống nhau cho nam và nữ không? (tập thuc_hanh.sav) Cách nghiên cứu là phân biệt giữa nam và nữ trên biểu đồ phân tán Trong cửa sổ Simple Scatterplot, hãy chuyển biến sex (giới tính) vào hộp Set Markers by (đánh dấu phân biệt theo trị
của biến điều khiển này) như sau:
Trang 12III Mối quan hệ giữa biến định lượng và biến định tính
Thực hiện mô tả mối quan hệ trên SPSS
Trang 14 hộp Dependent List (chứa
các biến phụ thuộc và là
biến định lượng)
hộp Factor List (chứa các
yếu tố độc lập, và là biến
định tính)
116 84
N =
Thu tu sinh
sinh sau sinh dau
30
20
10
0
102 108 86 105