Tài liệu ôn thi SPSS, đầy đủ thông tin mô tả, tóm tắt gọn ý, trình bày các bảng kết quả SPSS có diễn giải cách đọc, tài liệu phù hợp để tham khảo, sử dụng, hiểu rõ hơn về SPSS, ngắn gọn dễ hiêu dành cho các bạn sinh viên.
Trang 1ĐỌC KẾT QUẢ SPSS
THỐNG KÊ MÔ TẢ (DESRIPTIVE)
Cách thực hiện:
Analyze Descriptive Statistics Descriptive Chọn biến (biến định lượng và
mô tả) OK
THỐNG KÊ TẦN SỐ (FREQUENCIES)
Cách thực hiện:
Analyze Descriptive Statistics Frequencies Chọn biến (biến định lượng) +Statistics: Chọn Mean, Media, Sum, Std Min max
PHÂN TÍCH ĐỘ TIN CẬY CỦA THANG ĐO
Cách thực hiện:
Analyze Scale Reliability Analysis Chọn biến (chọn hết các biến thuộc 1 thuộc tính ) Stastistics Scale if item deleted continue OK
Đọc kết quả:
- Hệ số Cronbach’s Alpha
+ Từ 0.8 đến gần bằng 1: thang đo lường rất tốt
+ Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt
+ Từ 0.6 trở lên: thang đo lường đủ điều kiện
-Hệ số tương quan biến tổng Corrected Item-Total Correlation: >= 0.3 là phù hợp, < 0.3 thì loại
PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA
Cách thực hiện đối với biến độc lập:
Analyze Dimention Reduction Factor Đưa hết các biến độc lập phù hợp ( biến không bị loại bỏ ở Cronbach’s Alpha )
+ Descriptives: chọn KMO
+ Ronation: Ở đây có các phép quay, thường chúng ta hay sử dụng Varimax và Promax Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc, chúng ta sử dụng phép quay Varimax
+Extraction: chọn Princical
+ Options: Chọn Sorted by size và suppress small, chọn 0.3 hoặc 0.5
Chọn OK
Đọc kết quả:
Trang 2Chỉ quan tâm đến 3 bảng KMO and Barlett’s Test, Total Variance Explained và Rotated Component Matrix.
-Ở bảng KMO:
+KMO >= 0.5, nhân tố được chấp nhận
+Sig 0.000 < 0.05, phân tích nhân tố là phù hợp
-Ở bảng Total Variance Explained:
+Giá trị Total ở cột Eigenvalue >= 1 thì sẽ trích được n nhân tố phù hợp, còn nhỏ hơn 1 không trích được các nhân tố phù hợp
+Gía trị Cumulative >= 50%, tính từ n nhân tố phù hợp thì mô hình EFA là phù hợp -Ở bảng Ronated matrix:
+ Nếu các Component không bị trùng thì phù hợp, trùng mà sự chênh lệnh giữa 2 cái nhỏ hơn 0.3 loại
+ Nếu biến độc lập nhỏ hơn 0.5 sẽ không được xuất ra Component cũng bị loại
Cách thực hiện đối với biến phụ thuộc:
Thực hiện tương tự như biến độc lập và đọc số liệu cũng vậy Đa phần bảng Rotated
Component Matrix sẽ báo Only one component was extracted The solution cannot
be rotated Đây không phải là lỗi phần mềm hay lỗi dữ liệu, thông báo này mang ý
nghĩa: Chỉ có 1 nhân tố được trích, do đó, SPSS không thể thực hiện xoay ma trận Điều này hoàn toàn hợp lý, bởi SPSS chỉ thực hiện xoay nhân tố khi có từ 2 nhân tố trở lên được trích
THỰC HIỆN GỘP CÁC BIẾN ĐỂ DỄ PHÂN TÍCH HỒI QUY
Cách thực hiện: Transform Compute Variable Chú ý tới:
+Target Variable: Điền tên biến đại diện Ví dụ ở đây là nhân tố CV
+Numeric Expression: Nhập hàm Mean(giá trị 1,giá trị 2,giá trị 3, ) VD ở đây là Mean(CV2,CV1,CV5,CV3,CV4) Tên hàm có thể viết hoa hoặc viết thường, các giá trị trong hàm ngăn cách nhau bằng dấu phẩy và không có khoảng cách trắng
PHÂN TÍCH TƯƠNG QUAN PEARSON (KT xem biến PT với ĐL có tương quan với nhau không)
Cách thực hiện:
Analize Correlate Bivarite Đưa hết các biến đã gộp vô ( nên đưa biến phụ thuộc ở trên để dễ đọc ) OK
Đọc kết quả:
*Phân tích biến phụ thuộc với biến độc lập:
Cần xem Sig trước, nếu có ý nghĩa thì mới xét tiếp r
Trang 3- Sig tương quan Pearson < 0.05 phù hợp, >= 0.05 tương quan không có ý nghĩa
- Pearson Correlation là r :
+Nếu r càng tiến về 1(tương quan dương), -1(tương quan âm) : tương quan càng mạnh, chặt chẽ
+Nếu r càng tiến về 0: tương quan càng yếu
+Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng +Nếu r = 0: không có mối tương quan tuyến tính Lúc này sẽ có 2 tình huống xảy ra Một, không có một mối liên hệ nào giữa 2 biến Hai, giữa chúng có mối liên hệ phi tuyến
+N: tổng số data
*Phân tích biến độc lậpvới biến độc lập:
Xem giữa các biến ĐL xem tương quan có mạnh không Nếu mạnh, sẽ có khả năng xảy ra đa cộng tuyến và ngược lại
PHÂN TÍCH HỒI QUY ĐA BIẾN
Cách thực hiện:
Analyze Regression Linear Đưa biến phụ thuộc vào ô Dependent, các biến độc lập vào ô Indenpendents ( lưu ý là chỉ đưa biến phù hợp, không đưa biến đã loại sau khi phân tích tương quan Pearson )
+ Mục Statistics : chọn Descriptive, Durbin…, Collinearity…
+ Mục Plots: Xuất ZPRED vào ô Y, ZRESID vào ô X , tick chọn Histogram và Normal Continue
+ Những cái khác thì mặc định
+ Method: Enter
Xong OK
Đọc kết quả: Chỉ quan tâm 3 bảng Model Summary, ANOVA, Coefficients -Bảng Model Summary:
+Gía trị R2 ( R Square ): từ 0-1, tuy nhiên bằng 1 là điều không thể Từ 0,5-1 là mô hình tốt, <0.5 là chưa tốt
+Hệ số Durbin – Watson: biến thiên trong khoảng từ 0 đến 4; nếu giá trị càng nhỏ,
gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa
là các phần sai số có tương quan nghịch Còn nếu gần = 2 thì không có tương quan.
-Bảng ANOVA:
+Sig kiểm định F: <0.05 mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và
Trang 4có thể sử đụng được.
-Bảng Coefficients:
+Sig kiểm định t (t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy.) nhỏ hơn 0.05, ta kết luận biến độc lập đó có tác động đến biến phụ thuộc Mỗi biến độc lập,
ta kiểm định từng t riêng
+Hệ số phóng đại phương sai VIF (dùng để kiểm tra hiện tượng đa cộng tuyến):
Nếu VIF của biến độc lập >10, nghĩa là đang có đa cộng tuyến xảy ra không có giá trị giải thích sự biến thiên của biến phụ thuộc >2, khả năng cao xảy ra đa cộng
tuyến
-Kiểm tra vi phạm giả định phần dư chuẩn hóa:
+Đối với biểu đồ Histogram: Nếu giá trị trung bình Mean gần bằng 0, độ lệch
chuẩn Std.Dev gần bằng 1, ta có thể khẳng định phân phối là xấp xỉ chuẩn
+Đối với biểu đồ Normal P-P Plot: Nếu các điểm phân vị trong phân phối của phần
dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm
-Kiểm tra vi phạm giả định liên hệ tuyến tính:
+ Biểu đồ phân tán Scatter Plot: Nếu phần dư chuẩn hóa phân bổ tập trung xunh
quanh đường hoành độ 0, chúng ta có thể kết luận giả định quan hệ tuyến tính không bị vi phạm
PHÂN TÍCH ANOVA:
Cách thực hiện:
Analize Compare mean Chọn one-way anova Đưa biến định lượng vào khung Dependent list; biến phân loại xác định các đôi tượng vào khung Fator
+Contrasts: kiểm định trước
+Post Hoc: kiểm định sau
+Chọn lệnh Options: Chọn Descriptive, Homo…,Welch,Means plot Continue
Đọc kết quả:
- Xem bảng Test of homor: Sig lớn hơn 0.05 thì dùng bảng này, còn nhỏ hơn thì dùng bảng Robust test
- Xem bảng Anova: Sig nhỏ hơn 0.05 thì có sự khác biệt, còn lớn hơn thì không có
sự khác biệt giữa các nhân khẩu