Tổng hợp hơn 20 câu hỏi bảo vệ luận văn thạc sỹ sử dụng SPSS thường gặp

Với kinh nghiệm tham gia nhiều buổi bảo vệ luận văn thạc sỹ kinh tế, đồng thời trao đổi với các bạn học viên sau khi các bạn đã bảo vệ thành công. Nhóm MBA ĐH Bách Khoa Hỗ Trợ SPSS giới thiệu đến các bạn Tổng hợp hơn 20 câu hỏi bảo vệ luận văn thạc sỹ sử dụng SPSS, hội đồng hay đề cập các câu này khi bảo vệ luận văn liên quan đến các mô hình kinh tế lượng sử dụng SPSS để giải quyết.

Lưu ý quan trọng khi bảo vệ luận văn: Các bạn nên đi sớm, hoặc đi tham dự các buổi bảo vệ trước để quen không khí và quy trình trong phòng bảo vệ luận văn nhé. Đồng thời thu thập thêm các câu hỏi bảo vệ luận văn( các buổi bảo vệ thường mở cửa tự do cho các học viên khác tham dự)

Các câu hỏi ở đây được đặt theo thứ tự logic của quy trình làm bài làm nhé:
1. Tìm cơ sở lý thuyết
2. Xây dựng mô hình
3. Thiết kế thang đo
4. Nghiên cứu định tính
5. Lập questionaire & thực hiện khảo sát sơ bộ( đa số bài không làm bước này)
6. Lập questionaire & thực hiện khảo sát chính thức
7. Thống kê mô tả
8. Thống kê tần số
9. Kiểm định độ tin cậy cronbach’s alpha
10. Phân tích nhân tố EFA
11. Phân tích tương quan
12. Phân tích hồi quy
13. Phân tích anova, t test

Chi tiết các câu hỏi bảo vệ luận văn thạc sỹ

Các câu hỏi phản biện luận văn hay hỏi liên quan đến đề tài, mô hình

Câu hỏi bảo vệ luận văn: Tính mới của đề tài này là gì?

-Nếu đề tài của bạn có thể không mới, mô hình không mới, nhưng áp dụng trong một hoàn cảnh nghiên cứu khác, cho một đối tượng khác, trong một không gian địa lý khác, nên đó là tính mới của đề tài.
– Nếu mô hình đề xuất cho đề tài của bạn trước giờ chưa ai làm thì đúng là mới thật, thì bạn phải bảo vệ mô hình này bằng cách nói lên sự cấp thiết, về sự cấp bách của vấn đề cần nghiên cứu, vì chưa ai nghiên cứu nó nên tôi quyết định nghiên cứu.

Câu hỏi bảo vệ luận văn: Bạn tìm cơ sở lý thuyết ở đâu?

Tôi tìm cơ sở lý thuyết từ các nguồn học thuật uy tín như:

• Google Scholar, Scopus, ScienceDirect, và ResearchGate – nơi có nhiều bài báo quốc tế được bình duyệt.
• Các tạp chí chuyên ngành liên quan đến [ghi tên lĩnh vực nghiên cứu như: marketing, giáo dục, quản trị, công nghệ,…].
• Ngoài ra, tôi cũng tham khảo sách chuyên khảo, giáo trình, và các luận văn thạc sĩ, tiến sĩ có liên quan để tổng hợp mô hình, khái niệm, và thang đo.
• Tìm trong các luận văn của các anh chị khóa trước ở thư viện.

Câu hỏi bảo vệ luận văn: Dựa vào đâu để đưa ra mô hình nghiên cứu?

Mô hình nghiên cứu được đưa ra dựa vào các mô hình nghiên cứu trước đây. Cùng với đề xuất của bản thân tác giả( lưu ý là mô hình ví dụ có 7 giả thiết, thì ít nhất đã có 5 giả thiết đã được đặt ra trong các nghiên cứu trước, hạn chế tự đặt giả thiết mà trước giờ chưa ai làm). Tôi xây dựng mô hình dựa trên lý thuyết nền tảng, các nghiên cứu trước, và điều chỉnh theo thực tiễn và mục tiêu cụ thể của đề tài

Câu hỏi bảo vệ luận văn: Thiết kế thang đo dựa trên cơ sở nào?

• Thiết kế thang đo dựa trên cơ sở mô hình nghiên cứu đề xuất. Tuy nhiên không nhất thiết phải làm rập khuông thang đo theo các nghiên cứu trước, mà thường là có thay đổi, cải tiến cho hợp với đề tài.
• Cơ sở lý thuyết và các mô hình nghiên cứu trước: Tôi tham khảo các lý thuyết nền tảng và các nghiên cứu thực nghiệm đã được công bố, đặc biệt là những nghiên cứu sử dụng các thang đo đã được kiểm định về độ tin cậy và giá trị đo lường.Việc này giúp đảm bảo tính kế thừa, học thuật, và độ tin cậy của thang đo.
• Điều chỉnh theo bối cảnh thực tiễn và mục tiêu nghiên cứu. Tôi có điều chỉnh một số câu hỏi trong thang đo về ngôn ngữ và nội dung để phù hợp với đối tượng khảo sát tại Việt Nam. Ví dụ: thay đổi cách diễn đạt cho dễ hiểu, hoặc thêm câu hỏi phản ánh đúng thực tế hành vi người tiêu dùng Việt.

Câu hỏi bảo vệ luận văn: Nghiên cứu định tính dùng để làm gì?

Nghiên cứu định tính nhằm khám phá, điều chỉnh và bổ sung các biến quan sát dùng để đo lường các khái niệm trong mô hình. Từ đó, các thang đo sơ bộ khái niệm được điều chỉnh phù hợp. Thông tin có được từ thảo luận sẽ được tổng hợp và là cơ sở cho việc hiệu chỉnh, bổ sung các biến trong thang đo. Kỹ thuật là thảo luận tay đôi và diễn dịch.

Cụ thể nghiên cứu định tính thường được sử dụng để:
1. Khám phá vấn đề, làm rõ khái niệm hoặc hành vi phức tạp:

Khi vấn đề nghiên cứu còn mới hoặc chưa có nhiều tài liệu, định tính giúp hiểu sâu nhận thức, thái độ, động cơ, hoặc trải nghiệm của người tham gia.

Ví dụ: Tìm hiểu lý do người dùng không tiếp tục sử dụng ví điện tử dù đã từng dùng thử.

2. Hỗ trợ xây dựng mô hình hoặc thiết kế thang đo:

Trước khi tiến hành nghiên cứu định lượng, tôi sử dụng định tính để:

Phỏng vấn chuyên gia hoặc người sử dụng thực tế.

Xác định các yếu tố tiềm năng ảnh hưởng đến biến phụ thuộc.

Kiểm tra lại sự phù hợp về nội dung và cách diễn đạt của các biến quan sát trong thang đo.

3. Bổ trợ và giải thích sâu hơn cho kết quả định lượng:

Trong một số trường hợp, tôi dùng định tính để lý giải vì sao có mối quan hệ hoặc không có mối quan hệ giữa các biến, từ đó đưa ra khuyến nghị cụ thể hơn.

Câu hỏi bảo vệ luận văn: Lập questionaire & thực hiện khảo sát sơ bộ( đa số bài không làm bước này) để làm gì?

Để hiệu chỉnh bảng câu hỏi chính thức, trong khảo sát sơ bộ sẽ chạy cronbach’s alpha. Câu nào bị loại sẽ không được đưa vào nghiên cứu chính thức. Khảo sát sơ bộ giúp tôi kiểm tra bảng hỏi có dễ hiểu không, đảm bảo thang đo đáng tin cậy, và tránh sai sót khi thu thập dữ liệu chính thức.

Cụ thể, việc lập bảng hỏi và thực hiện khảo sát sơ bộ có vai trò rất quan trọng trong nghiên cứu định lượng, nhằm mục đích:
1. Kiểm tra tính rõ ràng, dễ hiểu của câu hỏi và thang đo

• Giúp phát hiện các câu hỏi khó hiểu, mơ hồ, trùng lặp hoặc nhạy cảm.
• Kiểm tra xem ngôn ngữ, cách diễn đạt có phù hợp với đối tượng khảo sát không.
• Ví dụ: Sau khảo sát sơ bộ, tôi phát hiện câu “Tôi thấy công nghệ này đáng tin cậy” gây hiểu nhầm, nên tôi điều chỉnh thành “Tôi tin tưởng vào tính bảo mật của ứng dụng”.

2. Kiểm tra sơ bộ độ tin cậy của thang đo (Cronbach’s Alpha)

• Khảo sát sơ bộ trên khoảng 30–50 người giúp tôi tính nhanh độ tin cậy Cronbach’s Alpha cho từng thang đo.
• Nếu một biến quan sát có hệ số tương quan biến-tổng thấp hoặc làm giảm Alpha, tôi loại bỏ hoặc điều chỉnh.

3. Ước lượng thời gian và mức độ phản hồi

• Kiểm tra thời gian cần để người trả lời hoàn thành bảng hỏi.
• Ước tính tỷ lệ phản hồi, khả năng hiểu đúng câu hỏi để tối ưu cho khảo sát chính thức.

Ví dụ trong luận văn của tôi:

Trước khi khảo sát chính thức, tôi đã thực hiện khảo sát sơ bộ với 40 người.
Kết quả giúp tôi điều chỉnh lại một số câu hỏi, loại bỏ 2 biến quan sát không phù hợp, đồng thời đảm bảo thang đo đạt độ tin cậy tốt trước khi tiến hành khảo sát lớn.

Câu hỏi bảo vệ luận văn: Cơ sở nào để tính số lượng mẫu nghiên cứu của đề tài?

Kích thước mẫu tối thiểu là gấp 5 lần tổng số biến quan sát, các bạn xem chi tiết công thức ở đây nhé: https://phantichspss.com/cong-thuc-xac-dinh-co-mau-bao-nhieu-la-phu-hop-cho-nghien-cuu-2.html

Các câu hỏi phản biện luận văn liên quan đến kĩ thuật sử dụng SPSS

Câu hỏi bảo vệ luận văn: Thống kê mô tả dùng để làm gì?

Thống kê mô tả dùng cho mục đích thống kê giá trị bé nhất, lớn nhất,trung bình cộng. Ngoài ra còn thống kê được các chỉ tiêu khác nhưng ít xài: Std. Deviation, Variance, Skewness, Kurtosis (chi tiết tại: https://phantichspss.com/huong-dan-cach-chay-thong-ke-mo-ta-trong-spss.html)

Thống kê mô tả được sử dụng để tóm tắt, mô tả và trình bày đặc điểm cơ bản của dữ liệu trong nghiên cứu, cụ thể:
1. Tóm tắt đặc điểm mẫu khảo sát:

Trình bày thông tin về giới tính, độ tuổi, trình độ học vấn, thu nhập, tần suất sử dụng dịch vụ… của người tham gia khảo sát.

Giúp người đọc hiểu rõ bối cảnh và tính đại diện của mẫu.

Ví dụ: “Trong 250 người khảo sát, có 60% là nữ, 70% nằm trong độ tuổi từ 18–35, và 80% sử dụng ứng dụng ít nhất 1 lần/tuần.”
2. Kiểm tra dữ liệu đầu vào và đánh giá sơ bộ biến định lượng:

Thống kê giá trị trung bình, độ lệch chuẩn, min, max giúp tôi đánh giá sự phân bố dữ liệu.

Qua đó phát hiện giá trị bất thường (outliers), sai lệch hoặc xu hướng lệch về một phía.

3. Giới thiệu xu hướng tổng quan trước khi phân tích sâu hơn:

Thống kê mô tả là bước chuẩn bị và định hướng cho các phân tích tiếp theo như kiểm định Cronbach’s Alpha, EFA, hồi quy,…

Nó giúp hình dung ban đầu về mức độ đồng thuận, đánh giá trung bình với từng biến trong thang đo.

Câu hỏi bảo vệ luận văn: Thống kê tần số dùng làm gì?

Dùng để tần suất xuất hiện của các biến định tính, ví dụ: giới tính, trình độ, tuổi tác, học vấn, nghề nghiệp, thu nhập…Thống kê tần số để xác định số lần xuất hiện của một giá trị cụ thể, đồng thời cho ra số tỷ lệ phần trăm tương ứng. (chi tiết tại: https://phantichspss.com/huong-dan-cach-chay-thong-ke-tan-so-trong-spss.html)

Câu hỏi bảo vệ luận văn: Hệ số tin cậy cronbach’s alpha phản ảnh điều gì?

Hệ số tin cậy Cronbach’s Alpha phản ảnh độ tin cậy của thang đo, cho biết các biến đo lường có liên kết với nhau hay không. Hệ số này càng cao càng tốt. Ngưỡng chấp nhận là hệ số này phải lớn hơn 0.6

Cronbach’s Alpha là chỉ số đánh giá độ tin cậy nội tại của thang đo, tức là mức độ nhất quán giữa các biến quan sát cùng đo một khái niệm
Nếu các biến quan sát trong cùng một thang đo phản ánh tốt một khái niệm duy nhất, thì hệ số Cronbach’s Alpha sẽ cao, cho thấy thang đo có độ tin cậy tốt.

Câu hỏi bảo vệ luận văn: Khi Cronbach’s Alpha if Item Deleted > Cronbach’s Alpha thì có loại biến không?

Không nhất thiết phải loại ngay.
Việc “Cronbach’s Alpha if Item Deleted” lớn hơn Alpha tổng chỉ là dấu hiệu cho thấy biến đó có thể đang làm giảm độ tin cậy của thang đo, nhưng cần kết hợp các yếu tố khác trước khi quyết định loại hay giữ:
Cụ thể, tôi sẽ xem xét thêm các yếu tố sau:
1. Hệ số tương quan biến – tổng (Corrected Item-Total Correlation):

Nếu hệ số này < 0.3, biến đó không tương quan tốt với tổng thể thì nên loại.

Nếu hệ số vẫn > 0.3, thì chưa cần loại, dù Alpha có tăng nhẹ khi xóa.

2. Mức tăng của Alpha có đáng kể không?

Nếu tăng rất ít (dưới 0.01) thì nên giữ lại để đảm bảo độ bao phủ nội dung.

Nếu tăng đáng kể (ví dụ từ 0.68 lên 0.75) thì nên cân nhắc loại biến.

3. Ý nghĩa lý thuyết của biến đó

Nếu biến đó phản ánh nội dung quan trọng của khái niệm, không nên loại chỉ vì lý do thống kê. Tùy vào tình huống, nếu giá trị lớn hơn đó không nhiều và nhân tố có ít biến( 3-4-5 biến chẳng hạn) thì lý luận để giữ lại luôn.

Câu hỏi bảo vệ luận văn: Tại sao phải phân tích nhân tố EFA?

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) được thực hiện nhằm kiểm định cấu trúc của thang đo, cụ thể là:
1. Xác định tính hội tụ và phân biệt giữa các biến quan sát:

EFA giúp kiểm tra các biến quan sát có thực sự đo cùng một khái niệm (nhân tố) hay không.

Những biến tải vào cùng một nhân tố (factor) được xem là đo cùng một khái niệm tiềm ẩn.

2. Loại bỏ biến không phù hợp, đảm bảo độ tinh gọn của thang đo:

Biến có hệ số tải yếu (factor loading < 0.5) hoặc tải chồng nhiều nhân tố sẽ bị loại để đảm bảo thang đo chất lượng.

Nhờ đó, thang đo cô đọng, chính xác và đo đúng nội dung nghiên cứu.

3. Làm tiền đề cho các phân tích sâu hơn như hồi quy, SEM:

EFA giúp xác nhận sơ bộ rằng các khái niệm nghiên cứu có cơ sở thống kê rõ ràng, trước khi tiếp tục các phân tích như hồi quy đa biến hoặc phân tích nhân tố khẳng định (CFA).

Tôi thực hiện EFA để kiểm tra thang đo có đang đo đúng các khái niệm lý thuyết không, loại bỏ biến không phù hợp, và đảm bảo mô hình đủ tin cậy để tiếp tục phân tích

Vì mô hình đề xuất là mô hình ban đầu, ứng với các nghiên cứu khác. Còn trường hợp nghiên cứu của mình chưa chắc dữ liệu đã phù hợp với mô hình. Ví dụ mô hình đề xuất có 7 nhân tố độc lập 1 nhân tố phụ thuộc. Khi chạy EFA ra chỉ còn 6 nhân tố độc lập. Như vậy mô hình nghiên cứu mô hình ban đầu cần phải hiệu chỉnh lại. Chỉ có bước EFA mới xác định được vấn đề này. Nói chung mục đích chính của EFA là xác định số lượng nhóm nhân tố thực sự tương ứng với bộ dữ liệu của chúng ta.

Câu hỏi bảo vệ luận văn: Eigenvalues có ý nghĩa như thế nào?

Eigenvalue (giá trị riêng) phản ánh mức độ quan trọng của từng nhân tố (factor) được trích ra trong phân tích nhân tố EFA.

Eigenvalue thể hiện lượng phương sai (variance) trong tập dữ liệu gốc mà mỗi nhân tố giải thích được.

Nhân tố có Eigenvalue càng cao thì càng giải thích được nhiều thông tin hơn từ dữ liệu.

Tiêu chuẩn chọn nhân tố:

Theo Kaiser’s Criterion, chỉ giữ lại những nhân tố có Eigenvalue ≥ 1. Vì một nhân tố có Eigenvalue < 1 thì giải thích ít phương sai hơn một biến quan sát, nên không đủ mạnh để giữ lại.

Câu hỏi bảo vệ luận văn: Hệ số tải Factor Loading trong EFA có ý nghĩa gì?

Tiêu chuẩn đối với hệ số tải nhân tố là phải lớn hơn hoặc bằng 0,5 để đảm bảo mức ý nghĩa thiết thực của EFA. Lúc đó là điều kiện cần để nhân tố đạt được giá trị hội tụ.

Factor Loading hệ số tải nhân tố cho biết mức độ liên hệ giữa biến quan sát và nhân tố tiềm ẩn được rút trích trong phân tích EFA.
Cụ thể:

• Là hệ số tương quan giữa biến quan sát và nhân tố.
• Giá trị Factor Loading càng cao, nghĩa là biến quan sát càng đại diện tốt cho nhân tố đó.

Câu hỏi bảo vệ luận văn: Giá trị hội tụ và giá trị phân biệt trong phân tích nhân tố là gì?

Trong EFA, hai khái niệm giá trị hội tụ và giá trị phân biệt giúp đánh giá mức độ phù hợp của thang đo, cụ thể:
1. Giá trị hội tụ (Convergent Validity):

Là mức độ mà các biến quan sát cùng thuộc một khái niệm lý thuyết có xu hướng tải mạnh vào cùng một nhân tố.

Thể hiện qua: Các biến có hệ số tải nhân tố (Factor loading) ≥ 0.5. Các biến trong cùng nhóm đo hội tụ vào một nhân tố duy nhất chứng minh rằng chúng đo cùng một khái niệm. Nếu đạt, nghĩa là các biến thực sự đo đúng khái niệm lý thuyết mà chúng đại diện.
2. Giá trị phân biệt (Discriminant Validity):
Là mức độ mà các nhóm biến đại diện cho các khái niệm khác nhau có thể phân biệt rõ ràng với nhau.

Thể hiện qua: Một biến chỉ tải mạnh vào một nhân tố, không có tải chéo cao vào các nhân tố khác. Mỗi nhân tố được rút trích đại diện cho một và chỉ một khái niệm tiềm ẩn.Nếu đạt, chứng tỏ các khái niệm trong mô hình là khác biệt rõ ràng, không bị chồng lấn.
Tóm lại:

Trong EFA, giá trị hội tụ và phân biệt được đánh giá dựa vào hệ số tải nhân tố và mức độ tải chéo của các biến.
Nếu biến tải cao vào một nhân tố và không tải mạnh vào các nhân tố khác, thì thang đo được xem là đạt cả hai giá trị hội tụ và phân biệt.

Giá trị hội tụ có nghĩa là các biến trong một yếu tố có mối tương quan cao. Điều này được thể hiện bằng các hệ số nhân tố. Hệ số tải phụ thuộc vào kích thước mẫu của bộ dữ liệu của bạn. Nói chung, kích thước mẫu càng nhỏ thì hệ số tải yêu cầu càng cao.  Bất kể kích thước mẫu, quy tắc thông dụng tốt nhất là để tải lớn hơn 0.5 .
Giá trị phân biệt: là mức độ mà các yếu tố khác biệt với nhau và không tương quan với nhau. Nguyên tắc là các biến phải liên quan nhiều hơn đến yếu tố của chúng so với các yếu tố khác.
https://phantichspss.com/gia-tri-hoi-tu-va-gia-tri-phan-biet-trong-spss-la-gi.html

Câu hỏi bảo vệ luận văn: Mục đích phân tích tương quan?

Dùng xác định xem có mối tương quan giữa biến độc lập và biến phụ thuộc hay không? Nếu biến độc lập không có tương quan với biến phụ thuộc thì sẽ không đưa biến độc lập vào chạy hồi quy để giải thích cho biến phụ thuộc.

Phân tích tương quan nhằm mục đích đo lường mức độ và chiều hướng quan hệ giữa hai biến định lượng (thường là các biến độc lập và biến phụ thuộc trong nghiên cứu).
Cụ thể, phân tích tương quan giúp:
Xác định xem các biến có mối quan hệ với nhau không: Hệ số tương quan Pearson (r) cho biết hai biến có quan hệ thuận chiều hay nghịch chiều, và mức độ mạnh – yếu của mối quan hệ.

Kiểm tra sơ bộ trước khi hồi quy:

Dùng để sàng lọc biến độc lập: nếu biến không có tương quan với biến phụ thuộc => có thể loại ra khỏi mô hình hồi quy.

Giúp phát hiện đa cộng tuyến sơ bộ giữa các biến độc lập (nếu hệ số tương quan giữa các biến độc lập quá cao).

Câu hỏi bảo vệ luận văn: Phân tích hồi quy dùng để làm gì?

• Dùng để xác định xem các biến độc lập có thực sự là nguyên nhân giải thích được cho biến phụ thuộc hay không? Đồng thời xác định mức độ giải thích đó là mạnh hay yếu thông qua hệ số R Bình Phương hiệu chỉnh.
• Xác định mối quan hệ giữa biến phụ thuộc (Y) và một hoặc nhiều biến độc lập (X), giúp trả lời câu hỏi: Y bị ảnh hưởng bởi những yếu tố nào, và mức độ ảnh hưởng ra sao?
• Dự báo (predict) giá trị của biến phụ thuộcDựa vào giá trị các biến độc lập, ta có thể ước lượng giá trị của Y trong tương lai.Ví dụ: Dự đoán mức độ hài lòng của khách hàng dựa trên các yếu tố như chất lượng dịch vụ, giá cả, thái độ nhân viên.
• Kiểm định giả thuyết nghiên cứu: xem các giả thuyết H1 đề xuất có được hỗ trợ bằng dữ liệu thực nghiệm hay không, thông qua ý nghĩa thống kê của các hệ số hồi quy (sig < 0.05).
• Ưu tiên chiến lược, chính sách: xác định yếu tố nào ảnh hưởng mạnh nhất đến Y (qua hệ số b tác động), từ đó đề xuất hướng cải thiện hoặc can thiệp hiệu quả.

Câu hỏi bảo vệ luận văn: R bình phương hiệu chỉnh giải thích gì được cho mô hình?

Giả sử R bình phương hiệu chỉnh là 0.60, thì mô hình hồi quy tuyến tính này phù hợp với tập dữ liệu ở mức 60%. Nói cách khác, 60% biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập.( còn 40% còn lại ở đâu, dĩ nhiên là do sai số đo lường, do cách thu thập dữ liệu, do có thể có biến độc lập khác giải thích cho biến phụ thuộc mà chưa được được vào mô hình nghiên cứu…vv).
https://phantichspss.com/r-binh-phuong-r-binh-phuong-hieu-chinh-cong-thuc-y-nghia-cach-tinh-thu-cong-va-cach-tinh-bang-spss.html

Câu hỏi bảo vệ luận văn: Tại sao r2 chưa hiệu chỉnh >r2 đã hiệu chỉnh?

Vì theo công thức sau:

Vì (n-1)/(n – k) không bao giờ nhỏ hơn 1 nên R2 hiệu chỉnh sẽ không bao giờ lớn hơn R2 .

Câu hỏi bảo vệ luận văn: Tại sao lại lấy hệ số b (hệ số hồi quy chưa chuẩn hóa) để kết luận?

Câu  hỏi này rất hay, các bạn lưu ý không phải là chuẩn hóa tốt hơn chưa chuẩn hóa hoặc ngược lại nhé. Mà là mỗi hệ số có cách giải thích riêng của nó:
https://phantichspss.com/so-sanh-su-khac-nhau-giua-he-so-beta-da-chuan-hoa-va-chua-chuan-hoa-khi-phan-tich-hoi-quy.html

Hệ số b cho biết mức độ thay đổi cụ thể của biến phụ thuộc (Y) khi biến độc lập (X) thay đổi một đơn vị, trong điều kiện các biến khác không đổi. Điều này giúp diễn giải trực tiếp bằng đơn vị gốc của biến, dễ hiểu, phù hợp với ngữ cảnh thực tế của đề tài.

Câu hỏi bảo vệ luận văn: Hiện tượng đa cộng tuyến là gì?

Trong mô hình hồi quy, nếu các biến độc lập có quan hệ chặt với nhau, các biến độc lập có mối quan hệ tuyến tính, nghĩa là các biến độc lập có tương quan chặt, mạnh với nhau thì sẽ có hiện tượng đa cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số. Ví dụ có hai biến độc lập A và B, khi A tăng thì B tăng, A giảm thì B giảm…. thì đó là một dấu hiệu của đa cộng tuyến. Nói một cách khác là hai biến độc lập có quan hệ rất mạnh với nhau, đúng ra hai biến này nó phải là 1 biến nhưng thực tế trong mô hình nhà nghiên cứu lại tách làm 2 biến. Hiện tượng đa cộng tuyến vi phạm giả định của mô hình hồi qui tuyến tính cổ điển là các biến độc lập không có mối quan hệ tuyến tính với nhau.
https://phantichspss.com/da-cong-tuyen-dinh-nghia-cach-phat-hien-hau-qua-cach-khac-phuc.html

Câu hỏi bảo vệ luận văn: Ý nghĩa hệ số Durbin-Watson trong hồi quy?

Dùng để xác định có tương quan bậc 1 ( còn gọi là tự tương quan) giữa các phần dư hay không?
https://phantichspss.com/durbin-watson-thuc-hanh-kiem-dinh-tu-tuong-quan-trong-spss.html

Hệ số Durbin-Watson (viết tắt là D-W) là chỉ số dùng để kiểm tra hiện tượng tự tương quan (autocorrelation) của sai số trong mô hình hồi quy tuyến tính. Tự tương quan xảy ra khi các sai số trong mô hình có mối liên hệ với nhau thay vì độc lập, điều này vi phạm giả định của mô hình hồi quy OLS (Ordinary Least Squares).

Câu hỏi bảo vệ luận văn: Kiểm định F trong hồi quy có ý nghĩa gì?

Kiểm định F dùng để xác định R bình phương của tổng thể có khác 0 hay không.

Kiểm định F là kiểm định tổng thể của mô hình hồi quy tuyến tính. Nó giúp trả lời câu hỏi:Mô hình hồi quy có phù hợp với dữ liệu không? Các biến độc lập có giải thích được biến phụ thuộc một cách có ý nghĩa thống kê hay không?

Cụ thể:

Giả thuyết kiểm định F:

• H0(giả thuyết vô hiệu): Tất cả các hệ số hồi quy bằng 0 → mô hình không có ý nghĩa.
• Ha (giả thuyết đối): Ít nhất một hệ số ≠ 0 → mô hình có ý nghĩa thống kê.

Cách diễn giải:

• Nếu Sig. (p-value) < 0.05, ta bác bỏ H0 → mô hình hồi quy có ý nghĩa, tức là các biến độc lập giải thích được biến phụ thuộc ở mức độ đáng kể.
• Nếu Sig. > 0.05, mô hình không có ý nghĩa, tức là các biến độc lập không có tác động đáng kể đến biến phụ thuộc.
• Kiểm định F kiểm tra mức độ phù hợp chung của mô hình.
• Còn các kiểm định t dùng để kiểm tra từng hệ số riêng lẻ trong mô hình.

Câu hỏi bảo vệ luận văn: Phân tích oneway anova, hoặc independent sample t test dùng để làm gì?

Dùng để xác định xem có sự khác biệt về giá trị trung bình của một biến định lượng( ví dụ SỰ HÀI LÒNG) giữa các nhóm biến định tính khác nhau( ví dụ GIỚI TÍNH). Nghĩa là xem những người giới tính Nam có đánh giá cao sự Hài Lòng hơn so với những người  giới tính Nữ hay không?

Câu hỏi bảo vệ luận văn: Sự khác nhau giữa t test và anova là gì?

T-test và ANOVA đều là những kiểm định dùng để so sánh trung bình giữa các nhóm, nhưng khác nhau chủ yếu ở số lượng nhóm và phạm vi ứng dụng

T test chỉ kiểm định được cho biến có hai nhóm quan sát, còn anova kiểm định được cho biến có từ 2 biến quan sát trở lên, ví dụ 2 3 4 5 nhóm…
https://phantichspss.com/su-khac-nhau-giua-t-test-va-anova.html

Ví dụ áp dụng trong luận văn:

• Nếu tôi muốn so sánh sự hài lòng giữa nam và nữ, tôi dùng independent t-test vì chỉ có 2 nhóm.

• Nếu tôi muốn so sánh sự hài lòng giữa các nhóm tuổi (dưới 30, 30–40, trên 40), tôi dùng One-way ANOVA vì có 3 nhóm trở lên.

T-test là trường hợp đặc biệt của ANOVA, khi chỉ có 2 nhóm. Còn ANOVA dùng được cho nhiều nhóm hơn và thường kết hợp với phân tích sâu để xác định nhóm nào khác biệt so với nhóm nào.

Như vậy nhóm MBA Bách Khoa đã giới thiệu hơn 20 câu hỏi bảo vệ luận văn thạc sỹ sử dụng SPSS thường gặp. Các bạn khi thực hiện có thắc mắc, cần hỗ trợ tư vấn xử lý số liệu cứ liên hệ nhóm nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

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