Category Archives: SPSS

Phép kiểm định nào phù hợp khi so sánh quan hệ giữa biến định tính với định tính, định tính với định lượng

Giới thiệu

Hôm nay nhóm MBA Bách Khoa sẽ bàn về Phép kiểm định nào phù hợp khi so sánh quan hệ giữa biến định tính với định tính, định tính với định lượng.

Kiểu biến nào thì dùng loại phân tích nào phù hợp, anova hay crosstab chi bình phương.

Cách thực hiện

Đầu tiên các bạn tải file về nhé  phantichspss.com/filefordownload/Crosstab_or_Anova.sav

Giải thích sơ lược về số liệu: có ba cột

  1. Giới tính mã hóa là Nam/Nữ. Đây là biến định tính phân loại
  2. Độ tuổi được mã hóa là các mức tuổi khác nhau. Đây là biến định tính phân loại
  3. Chi tiêu hàng tháng tính bằng đồng.. Đây là biến định lượng

Giờ vấn đề đặt ra là sẽ tìm quan hệ giữa các cặp biến này với nhau, vậy thì sử dụng phương pháp nào trong spss

  1. Quan hệ giữa GIỚI TÍNH và ĐỘ TUỔI
  2. Quan hệ giữa GIỚI TÍNH và CHI TIÊU
  3. Quan hệ giữa ĐỘ TUỔI và CHI TIÊU

Việc so sánh dựa trên nguyên tắc sau:

  1. Nguyên tắc 1: So sánh hai biến định tính với nhau: crosstab
  2. Nguyên tắc 2: So sánh một biến định tính và một biến định lượng: oneway anova, hoặc independent sample t test

Vậy việc so sánh sẽ dùng phương pháp

  1. Quan hệ giữa GIỚI TÍNH và ĐỘ TUỔI: sử dụng crosstab, mục tiêu là xem xem giữa giới tính và độ tuổi quan hệ như thế nào(Tuổi càng cao thì giới tính càng là nữ nhiều hơn chẳng hạn)
  2. Quan hệ giữa GIỚI TÍNH và CHI TIÊU : sử dụng t test hoặc anova, mục tiêu là xem xem chi tiêu trung bình của từng nhóm giới tính có khác nhau hay không? Như ta thấy chi tiêu trung bình của Nam là khoảng 3.15 triệu, nữ là 3.32 triệu
  3. Quan hệ giữa ĐỘ TUỔI và CHI TIÊU: sử dụng anova,mục tiêu là xem xem chi tiêu trung bình của từng nhóm độ tuổi có khác nhau hay không? Ta thấy trên 25 tuổi có vẻ chi tiêu mạnh hơn.

Ứng với mỗi phương pháp sẽ có phân tích chi tiết hơn như các bài trước đây của nhóm.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

 

Ý nghĩa của các kí tự * hoặc ** hoặc *** trong các báo cáo thống kê( một sao hai sao ba sao)

Thỉnh thoảng bạn sẽ gặp các kí tự * hoặc ** hoặc *** trong các báo cáo thống kê khi đọc các kết quả từ các bài báo cáo thống kê, các luận văn, hoặc từ chương trình thống kê xuất ra. Vậy quy ước của các kí tự * hoặc ** hoặc *** là gì? Bài này sẽ giải thích vấn đề đó.

Như hình dưới, các giá trị tương quan đính kèm với kí tự ** hai sao  tô vàng.

Kí hiệu Ý nghĩa của P (hoặc Sig.)
* một sao P ≤ 0.05
** hai sao P ≤ 0.01
*** ba sao P ≤ 0.001

Thông thường dưới các bảng biểu này có đề cập tới ý nghĩa của kí tự * ** ***. Tuy nhiên một số bài không có ghi nên ta cần phải hiểu là nó theo quy tắc trên. Và dĩ nhiên, khi một mối quan hệ  đã đạt mức ý nghĩa ba sao *** thì mặc nhiên nó đạt luôn 2 sao * và 1 sao *.

Như vậy kí tự * đã được giải thích chi tiết, nhìn vào kí tự * là bạn có thể hiểu mối quan hệ đó đạt ý nghĩa thống kê ở mức ý nghĩa nào( 1 phần trăm, 5 phần trăm hay 1 phần ngàn)

 

Quan hệ giữa Eigenvalues và số lượng nhân tố được tạo thành khi phân tích nhân tố EFA

Hôm nay nhóm MBA Bách khoa sẽ giúp các bạn hiểu được bản chất của việc hình thành nên số lượng nhân tố khi phân tích EFA. Khi phân tích nhân tố, số lượng nhân tố được tạo thành được căn cứ trên một trong hai cách.

  1. Cách 1: dựa vào Eigenvalues, thường chuẩn của hệ số Eigenvalues này là 1. Nghĩa là nhân tố nào có Eigenvalues lớn hơn hoặc bằng 1 thì sẽ được giữ lại. Đây là cách làm thông dụng nhất, vì nó tôn trọng kết quả của số liệu.
  2. Cách 2: dựa vào việc ép số lượng nhân tố một cách chủ động, ví dụ mô hình lý thuyết mình chỉ có 3 nhân tố độc lập, và mình muốn ép kết quả đó là 3 nhân tố luôn, cho dù số liệu có xấu đi nữa… Thì lúc đó mình sẽ chọn mục Fixed number of factors, sau đó nhập vào ô Factors to extract: số lượng nhân tố mình cần tạo. Lúc đó kết quả efa sẽ ra số lượng nhân tố theo  yêu cầu. Đây là cách làm ít khi được làm, vì mình cố tình ép số lượng nhân tố.

Ví dụ bộ dữ liệu để chạy EFA ở đây: http://phantichspss.com/filefordownload/Eigenvalues.sav

Cách 1: dựa vào Eigenvalues

Khi chạy EFA theo cách thông thường, dựa vào Eigenvalues thì kết quả sẽ ra như sau:

Ta thấy có 2 nhân tố được tạo thành, và các hệ số Eigenvalues của 2 nhân tố này lần lượt là 4.997 và 2.222 đều lớn hơn 1. Giờ ta thực hiện chạy lại EFA với ngưỡng Eigenvalues là 0.5 thì kết quả sẽ ra được 4 nhân tố như sau:

Như vậy, giá trị Eigenvalues càng nhỏ thì số lượng nhân tố tạo ra càng nhiều. Thậm chí nếu gán hệ số Eigenvalues =0 thì bài mình có bao nhiêu câu hỏi nó sẽ tách ra bấy nhiêu nhân tố.

Cách 2: dựa vào việc ép số lượng nhân tố một cách chủ động

Chọn mục Fixed number of factors, sau đó nhập vào ô Factors to extract: số 3

Có 3 nhân tố được tạo thành như sau, bất chấp giá trị Eigenvalues 🙂

Như vậy các bạn đã có thể hình dung rõ hơn về Quan hệ giữa Eigenvalues và số lượng nhân tố được tạo thành khi phân tích nhân tố EFA. Các bạn có thể nhờ nhóm hỗ trợ thêm về các vấn đề trong bài luận văn về mã hóa, xử lý số liệu tốt nhé…

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com