Category Archives: SPSS

Phương sai sai số thay đổi: định nghĩa dễ hiểu nhất, có đồ thị minh họa

SPSS

Một vấn đề gây khó khăn khi nghiên cứu các vấn đề liên quan đến mô hình hồi quy đó chính là phương sai sai số thay đổi. Bài này nhóm MBA Bách Khoa sẽ viết một cách dễ hiểu nhất có thể về khái niệm này.

Đặt vấn đề

Ví dụ xét phương trình hồi quy đơn biến Tiết Kiệm theo Thu Nhập như sau:

TIETKIEMi = b0 + b1*THUNHAPi + ui.

Giải thích phương trình:

ui : là sai số. Mục tiêu của bài này là xác định phương sai của ui có thay đổi theo các mức tiết kiệm DỰ ĐOÁN khác nhau hay không?

TIETKIEM: là số tiền( đơn vị triệu đồng) tiết kiệm hàng tháng của một người.

THUNHAP: là số tiền( đơn vị triệu đồng) thu nhập hàng tháng của một người.

b0,b1: là các hệ số trong phương trình hồi quy

Một giả định của hồi quy OLS là phương sai của sai số không đổi theo những mức giá trị dự đoán(Unstandardized Predicted Value) khác nhau của biến phụ thuộc.
Lưu ý: giá trị dự đoán(Unstandardized Predicted Value) là giá trị của biến phụ thuộc khi ta thế giá trị của các biến độc lập vào phương trình hồi quy. Còn sai số ( phần dư) chính là sự chênh lệch giữa giá trị dự đoán này và giá trị của biến phụ thuộc thực tế quan sát được).

Định nghĩa phương sai sai số thay đổi

Phương sai sai số là một đại lượng đo lường mức độ phân tán của các số hạng sai số xung quanh giá trị trung bình. Một cách tương đương, đó là một đại lượng đo lường mức độ phân tán của giá trị biến phụ thuộc quan sát được (Y) xung quanh đường hồi qui ß1 + ß2X2 +… +ßkXk. Phương sai của sai số không đổi có nghĩa là mức độ phân tán như nhau cho tất cả các quan sát.

Minh họa phương sai sai số thay đổi

Dưới đây là hai hình. Hình đầu tiên là phương sai của sai số không đổi theo các mức Thu Nhập khác nhau. Hình thứ nhì phương sai của sai số biến đổi theo các mức Thu Nhập khác nhau

Hình ở  đây là trường hợp phương sai sai số không đổi:

Hình ở  đây là trường hợp phương sai sai số thay đổi:

So sánh hai hình, ta thấy hình bên dưới phương sai của sai số thay đổi khác nhau khi mà các mức Thu Nhập khác nhau. Còn hình đầu tiên thì phương sai của sai số như nhau khi mà các mức Thu Nhập khác nhau.

Giả sử b0 =1 , b1=0.3 thì phương trình hồi quy được viết lại như sau:
TIETKIEMi = 1 + 0.3*THUNHAPi + ui
Ví dụ: thu nhập là 10 triệu, thì tiết kiệm sẽ là 1+0.3*10=4 triệu. Tuy nhiên thực tế thì có người sẽ tiết kiệm 3 triệu, có người tiết kiệm 2 triệu, có người 5 triệu… Dẫn đến giá trị của sai số ui lần lượt sẽ là -1,-2 và 1 triệu. Sau đó tất cả các chỉ số sai số ui ở mức tiết kiệm 4 triệu này sẽ được tính giá trị phương sai.( lưu ý: mức 4 triệu này là giá trị dự đoán Unstandardized Predicted Value)

Sau đó các giá trị phương sai của sai số ui ứng với tất cả các giá trị của giá trị dự đoán Unstandardized Predicted Value sẽ được tính toán. Sau đó các giá trị phương sai của sai số này sẽ được so sánh với nhau để xem phương sai số thay đổi hay không thay đổi.(Nghĩa là có sự khác biệt về giá trị phương sai của sai số ứng với các giá trị dự đoán Unstandardized Predicted Value khác nhau hay không?)

Như vậy, nhóm MBA Bách Khoa đã giới thiệu khái niệm cơ bản nhất về phương sai sai số thay đổi. Đây chỉ là định nghĩa cơ bản, còn các kiểm định phát hiện ra phương sai sai số thay đổi, rồi cách khắc phục phương sai sai số sẽ được trình bày trong bài khác nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

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

– Email:                 hotrospss@gmail.com

Cách viết kết quả phân tích nhân tố EFA chi tiết nhất của một bài luận văn cụ thể

SPSS

Khi phân tích nhân tố ra kết quả sẽ phân tích chi tiết, cách viết kết quả phân tích nhân tố EFA đưa vào bài luận văn như thế nào? Bài này nhóm MBA sẽ giải đáp, viết phân tích mẫu nhé.

Các kết quả khi thực hiện phân tích nhân tố EFA

Mô hình chất lượng dịch vụ gồm 5 nhân tố độc lập, khi phân tích nhân tố sẽ ra được ba bảng sau:

Bảng 1:

Bảng 2:

Bảng 3:

Cách viết kết quả phân tích nhân tố EFA

Bảng 1: Kiểm định KMO và Bartlett

Tiêu chuẩn của phương pháp phân tích nhân tố là chỉ số KMO phải lớn hơn 0.5 (Garson, 2003) và kiểm định Barlett’s có mức ý nghĩa sig < 0.05 để chứng tỏ dữ liệu dùng phân tích nhân tố là thích hợp và giữa các biến có tương quan với nhau.
Giá trị Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO)=0.845.
Kết quả phân tích nhân tố cho thấy chỉ số KMO là 0.845 > 0.5, điều này chứng tỏ dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp.
Kết quả kiểm định Barlett’s là 2654.293 với mức ý nghĩa Sig. = 0.000< 0.05,lúc này bác bỏ giả thuyết H0: các biến quan sát không có tương quan với nhau trong tổng thể. Như vậy giả thuyết về ma trận tương quan giữa các biến là ma trận đồng nhất bị bác bỏ, tức là các biến có tương quan với nhau và thỏa điều kiện phân tích nhân tố.
Bảng 2: Eigenvalues và phương sai trích 

Thực hiện phân tích nhân tố theo Principal components với phép quay Varimax.
Kết quả cho thấy 25 biến quan sát ban đầu được nhóm thành 5 nhóm.
Giá trị tổng phương sai trích = 73.178% > 50%: đạt yêu cầu; khi đó có thể nói rằng 5 nhân tố này giải thích 73.178% biến thiên của dữ liệu.
Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 5 có Eigenvalues thấp nhất là 2.231> 1
Ma trận nhân tố với phương pháp xoay Varimax:

Các hệ số tải nhân tố đều lớn hơn 0.5, và không có trường hợp biến nào cùng lúc tải lên cả hai nhân tố với hệ số tải gần nhau.Nên các nhân tố đảm bảo được giá trị hội tụ và phân biệt khi phân tích EFA. Ngoài ra không có sự xáo trộn các nhân tố, nghĩa là câu hỏi của nhân tố này không bị nằm lẫn lộn với câu hỏi của nhân tố kia. Nên sau khi phân tích nhân tố thì các nhân tố độc lập này được giữ nguyên, không bị tăng thêm hoặc giảm đi nhân tố.

Như vậy cách viết kết quả phân tích nhân tố EFA đã được trình bài. Các bạn có thể xem thêm một số bài về EFA tại đây nhé:

Tổng quan, cách thực hành phân tích nhân tố khám phá EFA http://phantichspss.com/tong-quan-phan-tich-nhan-to-kham-pha-efa.html

Quy tắc loại biến xấu khi phân tích nhân tố EFA http://phantichspss.com/quy-tac-loai-bien-xau-khi-phan-tich-nhan-to-efa.html

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

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

– Email:                 hotrospss@gmail.com

Để được:

– Xử lý/ hiệu chỉnh số liệu khảo sát để chạy ra kết quả phân tích nhân tố hội tụ,phân tích hồi quy hồi quy có ý nghĩa thống kê.
– Tư vấn mô hình/bảng câu hỏi/ traning trực tiếp về phân tích hồi quy, nhân tố, cronbach alpha… trong SPSS, và mô hình SEM, CFA, AMOS

Mô hình IPA mức độ quan trọng – mức độ thực hiện (IPA – Importance-Performance Analysis)

SPSS

Nhóm MBA giới thiệu mô hình IPA khi làm luận văn,cách thiết kế bảng câu hỏi IPA. Song song đó là cách đánh giá khi biểu diễn sơ đồ IPA trên đồ thị.

     Mô hình IPA mức độ quan trọng – mức độ thực hiện (IPA – Importance-Performance Analysis) là gì?

     Mô hình IPA mức độ quan trọng – mức độ thực hiện (IPA – Importance-Performance Analysis) được đề xuất bởi Martilla và Jame năm 1977. Mô hình IPA là mô hình đo lường chất lượng dịch vụ dựa vào sự khác biệt giữa ý kiến khách hàng về mức độ quan trọng của các chỉ tiêu và mức độ thực hiện các chỉ tiêu của nhà cung ứng dịch vụ (I-P gaps). Mô hình này phân loại những thuộc tính đo lường chất lượng dịch vụ, cung cấp cho nhà cung ứng dịch vụ những thông tin bổ ích về điểm mạnh và điểm yếu của những dịch vụ mà mình cung cấp cho khách hàng. IPA giúp doanh nghiệp xác định tầm quan trọng của chỉ tiêu dịch vụ cũng như điểm mạnh, điểm yếu của sản phẩm/ dịch vụ cung cấp trên thị trường.

     Cụ thể, quá trình phát triển IPA được thực hiện bằng cách so sánh hai tiêu chuẩn hình thành nên quyết định lựa chọn khách hàng, cụ thể: (1) Tầm quan trọng tương đối của các thuộc tính chất lượng và (2) Mức độ thực hiện các thuộc tính chất lượng. Theo Barsky (1995), mức độ quan trọng thấp nhất của thuộc tính chỉ ra khả năng ít làm ảnh hưởng tới nhận thức chung về CLDV. Ngược lại, thuộc tính có mức độ quan trọng cao thì sẽ ảnh hưởng lớn nhận thức của họ. Mô hình này phân loại những thuộc tính đo lường chất lượng dịch vụ, cung cấp cho nhà cung ứng dịch vụ những thông tin bổ ích về điểm mạnh và điểm yếu của những dịch vụ mà chính họ cung cấp cho khách hàng. Từ đó, nhà quản trị cung ứng dịch vụ sẽ có những quyết định chiến lược đúng đắn để nâng cao chất lượng dịch vụ.

Bảng câu hỏi cho mô hình IPA được thiết kế như thế nào?

Bảng câu hỏi lúc nào cũng có hai phần trả lời cho cùng một câu hỏi. Đó là phần trả lời về mức độ quan trọng Importance, và phần trả lời mức độ thực hiện Performance.

Ma trận IPA là gì?

      Mỗi ma trận IPA gồm 4 phần tư với trục tung (Y) thể hiện mức độ quan trọng và trục hoành (X) thể hiện mức độ thực hiện như sơ đồ sau:

– Phần tư thứ 1 (Tập trung phát triển): Mức độ quan trọng cao , mức độ thực hiện thấp. Những thuộc tính nằm ở phần tư này được xem là rất quan trọng đối với khách hàng, nhưng mức độ thực hiện của nhà cung ứng dịch vụ rất kém. Kết quả này giúp cho nhà quản trị cung ứng dịch vụ du lịch chú ý những thuộc tính này, tập trung phát triển mức độ cung ứng dịch vụ nhằm thỏa mãn khách hàng.
– Phần tư thứ 2 (Tiếp tục duy trì): Mức độ quan trọng cao, mức độ thực hiện cao. Những thuộc tính nằm ở phần tư này được xem là rất quan trọng đối với khách hàng và nhà cung ứng dịch vụ cũng đã có mức độ thể hiện rất tốt.  Nhà quản trị cung ứng dịch vụ nên tiếp tục duy trì và phát huy thế mạnh này.
– Phần tư thứ 3 (Hạn chế phát triển): Mức độ quan trọng thấp, mức độ thực hiện thấp. Những thuộc tính nằm ở phần tư này được xem là có mức độ thể hiện thấp và không quan trọng đối với khách hàng. Nhà quản trị cung ứng dịch vụ nên hạn chế nguồn lực phát triển những thuộc tính này.
– Phần tư thứ 4 (Giảm sự đầu tư): Mức độ quan trọng thấp, mức độ thực hiện cao. Những thuộc tính nằm ở phần tư này được xem là không quan trọng đối với khách hàng, nhưng mức độ thể hiện của nhà cung ứng rất tốt. Có thể xem sự đầu tư quá mức như hiện tại là vô ích. Nhà quản trị cung ứng dịch vụ nên sử dụng nguồn lực này tập trung phát triển những thuộc tính khác.
     Cụ thể hơn: mối quan hệ giữa mức độ quan trọng (I) và mức độ thực hiện (P) các thuộc tính của điểm đến được thể hiện thông qua hiệu số (P – I). Nếu (P – I) ≥ 0 cho thấy chất lượng dịch vụ tốt và ngược lại cho thấy chất lượng dịch vụ không tốt khi (P – I) < 0.
 Hiệu số        Chất lượng dịch vụ
 P – I >= 0      Tốt
 P – I < 0        Không tốt

Lý do lựa chọn mô hình ipa

     SERVQUAL và SERVPERF chỉ đo mức độ hài lòng mà không bao gồm xếp hạng tầm quan trọng của các thuộc tính. SERVQUAL cũng có nhiều hạn chế, đó là phải thu thập thông tin trước và sau khi khách hàng sử dụng dịch vụ. SERVPERF không biết đặc điểm nào của dịch vụ được khách hàng kỳ vọng cao. IPA là vượt trội hơn so cả SERVPERF và SERVQUAL vì nó có đánh giá tầm quan trọng của các thuộc tính. Hơn nữa, IPA có thể được vẽ đồ họa bằng cách sử dụng tầm quan trọng và mức độ thực hiện cho mỗi thuộc tính. Với nhiều ưu điểm, mô hình IPA được nhiều nhà nghiên cứu sử dụng để đánh giá CLDV và để đề xuất giải pháp nâng cao CLDV một cách hiệu quả.  
Không giống như mô hình SERVQUAL hay SERVPERF đánh giá giá trị tuyệt đối mức độ cảm nhận của người tiêu dùng về chất lượng dịch vụ, mô hình IPA được sử dụng để xác định mức độ quan trọng của từng tiêu chí chất lượng dịch vụ đối với người tiêu dùng.

Quy trình nghiên cứu định lượng đối với luận văn sử dụng mô hình IPA

– Khảo sát
– Làm sạch và mã hóa dữ liệu
– Phân tích dữ liệu:  
+ Thống kê mô tả (thông tin mẫu, tính trị trung bình)
+ Đánh giá độ tin cậy của thang đo
+ Phân tích nhân tố cho mức độ quan trọng.
+ Paired  Samples t-test (Kiểm dịnh sự khác biệt)
+ Biểu diễn lên mô hình IPA
+ Đề xuất, kiến nghị, giải pháp…

Như vậy, nhóm MBA Bách Khoa đã giới thiệu các khái niệm liên quan đến mô hình IPA và cách lập bảng câu hỏi cho nó. 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