CÁC BƯỚC THỰC HÀNH SPSS

THỐNG KÊ MÔ TÃ – CROBACHS ALPHA – EFA – PHÂN TÍCH TỰ TƯƠNG QUANG – HỒI QUY TUYẾN TÍNH

• Thống kê mô tả: Giúp tóm tắt và mô tả đặc điểm cơ bản của dữ liệu nghiên cứu như giá trị trung bình, tần suất, độ lệch chuẩn và tỷ lệ phần trăm.
• Cronbach’s Alpha: Dùng để kiểm tra độ tin cậy của thang đo, đánh giá mức độ phù hợp và tính nhất quán giữa các biến quan sát.
• EFA (Phân tích nhân tố khám phá): Giúp nhóm các biến quan sát thành những nhân tố có ý nghĩa, đồng thời kiểm định cấu trúc thang đo trong mô hình nghiên cứu.
• Phân tích tự tương quan: Kiểm tra mối liên hệ giữa các sai số trong mô hình hồi quy nhằm đảm bảo dữ liệu và mô hình đạt độ tin cậy thống kê.
• Hồi quy tuyến tính: Dùng để xác định mức độ và chiều hướng tác động của các biến độc lập đến biến phụ thuộc trong nghiên cứu.

1. Thống Kê Mô Tả (Descriptive Statistics)

Thống kê mô tả là bước đầu tiên trong quá trình phân tích dữ liệu, giúp tóm tắt và khái quát đặc điểm của mẫu nghiên cứu. Nội dung này hỗ trợ người nghiên cứu hiểu được xu hướng, mức độ phân tán và đặc điểm cơ bản của dữ liệu trước khi tiến hành các kiểm định chuyên sâu.

Các chỉ số thường sử dụng gồm:

• Tần suất (Frequency)
• Giá trị trung bình (Mean)
• Độ lệch chuẩn (Standard Deviation)
• Giá trị lớn nhất – nhỏ nhất (Max – Min)
• Phần trăm (%)

Thống kê mô tả giúp:

• Đánh giá đặc điểm mẫu khảo sát
• Kiểm tra dữ liệu bất thường
• Xác định xu hướng phản hồi của đối tượng nghiên cứu
• Làm cơ sở cho các bước phân tích tiếp theo

Analyze  -> descriptive statistics -> frequencies -> chọn biến -> OK

2. Cronbach’s Alpha – Kiểm Định Độ Tin Cậy Thang Đo

Cronbach’s Alpha là phương pháp dùng để đánh giá mức độ tin cậy và tính nhất quán của các biến quan sát trong cùng một thang đo.

Phân tích này giúp xác định:

• Các biến có phù hợp với thang đo hay không
• Mức độ ổn định của dữ liệu khảo sát
• Loại bỏ các biến không đạt yêu cầu trước khi thực hiện EFA hoặc CFA

Các tiêu chuẩn thường áp dụng:

• Hệ số Cronbach’s Alpha ≥ 0.7: thang đo đạt độ tin cậy tốt
• Hệ số tương quan biến tổng (Corrected Item – Total Correlation) ≥ 0.3
• Loại bỏ biến có hệ số thấp hoặc làm giảm độ tin cậy chung

Cronbach’s Alpha là bước quan trọng nhằm đảm bảo dữ liệu nghiên cứu có chất lượng và đủ điều kiện cho các phân tích tiếp theo.

Anlyze -> scale -> reliabifly anlysis -> chọn biến -> OK

( chọn statistics -> scale if itemdel )

Chọn và chạy hết các thang đo

• Tiêu chí nhận xét :

. Hệ số Cronbach’s alpha cần trên 0,7 , tốt nhất từ 0.7 đến 0.9

. Hệ số coreected item – tolal corelati của từng biến quan sát trong thang đo từ 0.3 trở lên.

3. EFA – Phân Tích Nhân Tố Khám Phá (Exploratory Factor Analysis)

EFA là kỹ thuật phân tích dùng để khám phá cấu trúc các nhóm nhân tố trong mô hình nghiên cứu. Phương pháp này giúp xác định các biến quan sát đang đo lường những nhân tố nào và mức độ liên kết giữa chúng.

Mục đích của EFA:

• Rút gọn số lượng biến quan sát
• Kiểm định cấu trúc thang đo
• Xác định các nhóm nhân tố phù hợp
• Tăng tính đại diện và tính khoa học của mô hình

Các tiêu chí thường sử dụng:

• KMO ≥ 0.5
• Bartlett’s Test có Sig < 0.05
• Eigenvalue > 1
• Factor Loading ≥ 0.5
• Tổng phương sai trích ≥ 50%

EFA thường được sử dụng trong nghiên cứu định lượng, luận văn, khóa luận và các đề tài khoa học xã hội, kinh tế, quản trị và marketing.

Anelyze -> dimension Reduction -> factor -> chọn biến ->ok

( chọn biến độc lập , loại biến không phù hợp ở phần trên )

• Đọc kết quả : 3 bản KMO , Total variance , Rotated comple

• KMON : > 0.5 ( tốt nhất là 0.7 đến 0.9)
• Total variance ( bảng phương sai ) : Eirgenvalue ≥ 1 , cumutative ≥ 50%
• Rotated component > 0.5 là ok

4. Phân Tích Tự Tương Quan (Autocorrelation Analysis)

Phân tích tự tương quan được sử dụng để kiểm tra mối liên hệ giữa các sai số trong mô hình hồi quy. Đây là bước quan trọng nhằm đánh giá tính độc lập của phần dư và độ phù hợp của mô hình nghiên cứu.

Tự tương quan thường xuất hiện trong:

• Dữ liệu chuỗi thời gian
• Nghiên cứu kinh tế lượng
• Mô hình hồi quy nhiều biến

Các phương pháp kiểm định phổ biến:

• Durbin – Watson
• Breusch – Godfrey
• Kiểm định LM

Ý nghĩa của phân tích tự tương quan:

• Kiểm tra giả định của mô hình hồi quy
• Đảm bảo kết quả ước lượng chính xác
• Hạn chế sai lệch trong kiểm định giả thuyết

Nếu mô hình xảy ra tự tương quan, người nghiên cứu có thể áp dụng các phương pháp điều chỉnh như GLS, Cochrane-Orcutt hoặc thêm biến phù hợp để khắc phục.

5. Hồi Quy Tuyến Tính (Linear Regression)

Hồi quy tuyến tính là phương pháp phân tích nhằm xác định mức độ tác động của các biến độc lập lên biến phụ thuộc. Đây là kỹ thuật phổ biến trong nghiên cứu khoa học, kinh tế, quản trị, marketing và xã hội học.

Mục đích của hồi quy tuyến tính:

• Kiểm định giả thuyết nghiên cứu
• Xác định chiều hướng tác động (+/-)
• Đo lường mức độ ảnh hưởng của từng biến
• Dự báo xu hướng dữ liệu

Các nội dung thường được phân tích:

• Hệ số Beta
• Sig kiểm định
• R² và Adjusted R²
• ANOVA
• Kiểm tra đa cộng tuyến (VIF)
• Kiểm định phần dư

Ý nghĩa thực tiễn:

• Hỗ trợ ra quyết định
• Đưa ra kết luận khoa học
• Xây dựng mô hình nghiên cứu có giá trị ứng dụng cao

Hồi quy tuyến tính là bước cốt lõi giúp kiểm định toàn bộ mô hình nghiên cứu và đưa ra kết luận học thuật chính xác.

Anerlyze  → Regression → Linear

• Dependent: Chọn biến phụ thuộc (Y)
• Independent(s): Chọn các biến độc lập (X)
• Chọn statistis chọn R squaredchange + collinean
• Vẽ biểu đồ : chọn plots -> Zpred (X) -> Zprexid (Y)

Đọc kết quả hồi quy đa biến ( gồm 3 bảng) :

• Bảng Model sumang ; R2 trong khoảng 60 đến 70% tùy theo đề tài
• Bảng Anova : sig < 0.01
• Bảng hồi quy Coeffele :

• Sig < 0.05 ( biến có ý nghĩa ) , >0.05 ( biến không có nghĩa loại bỏ)
• Peta ( theo yêu cầu đề tài )