Cẩm Nang Khởi Tạo Và Cách Sử Dụng Phần Mềm SPSS Từ A-Z

Có nhiều người vướng mắc về spss là gì, tính năng của ứng dụng spss và bản hướng dẫn sử dụng ứng dụng spss vừa đủ là ra làm sao ? Bày viết sau đây chúng tôi trình làng tới bạn cách sử dụng ứng dụng vừa đủ và chi tiết cụ thể nhất .
Tham khảo thêm các bài viết khác :

+ Tổng quan về phân tích nhân tố khám phá EFA

+ Kiểm định T – test, kiểm định sự khác biệt trong spss

1. Phần mềm SPSS là gì?

• SPSS( viết tắt của Statistical Package for the Social Sciences ) là một chương trình máy tính ship hàng công tác làm việc thống kê .
• Phần mềm SPSSgiúp giải quyết và xử lý và nghiên cứu và phân tích tài liệu sơ cấp – là các thông tin được tích lũy trực tiếp từ đối tượng người tiêu dùng điều tra và nghiên cứu, thường được sử dụng thoáng rộng trong các các điều tra và nghiên cứu tìm hiểu xã hội học và kinh tế tài chính lượng .

2. Chức năng của SPSS

Phần mềm SPSS có các tính năng chính gồm có :

• Phân tích thống kê
• Thống kê mô tả:Lập bảng chéo, Tần suất, Mô tả, Khám phá, Thống kê Tỷ lệ Mô tả
• Thống kê đơn biến:Phương tiện, t-test, ANOVA, đối sánh tương quan ( hai biến, một phần, khoảng cách ), kiểm tra không giới
• Dự đoán cho tác dụng số : Hồi quy tuyến tính
• Dự đoán để xác lập các nhóm : Phân tích các yếu tố, nghiên cứu và phân tích cụm ( hai bước, K-phương tiện, phân cấp ), phân biệt. ( Tham khảo tại :xử lý số liệu spss)
• Quản lý dữ liệu:gồm có lựa chọn trường hợp, chỉnh sửa lại tập tin, tạo ra tài liệu gốc
• Vẽ đồ thị: Được sử dụng để vẽ nhiều loại đồ thị khác nhau với chất lượng cao ..

3. Quy trình làm việc của phần mềm SPSS

Bạn đã có một một chút ít hiểu biết về SPSS thao tác như thế nào, tất cả chúng ta hãy nhìn vào những gì nó hoàn toàn có thể làm. Sau đây là một quá trình thao tác của một dự án Bất Động Sản nổi bật mà SPSS hoàn toàn có thể triển khai

• Bước 1 : Mở các files dữ liệu– theo định dạng file của SPSS hoặc bất kể định dạng nào ;
• Bước 2 :Sử dữ liệu– như tính tổng và trung bình các cột hoặc các hàng tài liệu ;
• Bước 3 :Tạo các bảng và các biểu đồ – gồm có đếm các thông dụng hay các thống kê tổng hơn ( nhóm ) trải qua các trường hợp ;
• Bước 4 :Chạy các thống kêsuy diễn như ANOVA, hồi quy và nghiên cứu và phân tích thông số ;
• Bước 5 : Lưu dữ liệuvà đầu ra theo nhiều định dạng file .
• Bước 6 : Bây giờ tất cả chúng ta cùng tìm hiểu và khám phá kỹ hơn về những bước sử dụng SPSS .

4. Cách khởi động phần mềm SPSS

• Trên màn hình hiển thị desktop của Windows nhấp vào hình tượng SPSS.

• Hoặc bạn mở phím Start >>> All program>>> SPSS for Windows >>>SPSS (phiên bản hiện tại bạn đang cài) 

• Sau đó tùy vào mục tiêu của bạn, bạn cần thống kê suy diễn, vẽ biểu đồ hay các nghiên cứu và phân tích hồi quy tuyến tính, … để lựa chọn tương thích .
• Đây là một nguồn tài liệu chúng tôi tổng hợp được, bạn hoàn toàn có thể tìm hiểu thêm tài liệu hướng dẫn sử dụng SPSS phiên bản 20, 21, 22, 23 vàdownload Spss 20, 21, 22, 23 .

Nếu bạn không có nhiều kinh nghiệm trong việc làm bài trên phần mềm SPSS? Bạn cần đến dịch vụ dịch vụ hỗ trợ SPSS để giúp mình xóa bỏ những rắc rối về lỗi gây ra khi không sử dụng thành thạo phần mềm này? Khi gặp khó khăn về vấn đề phân tích kinh tế lượng hay gặp vấn đề về chạy SPSS, hãy tìm đến Tổng đài tư vấn luận văn 1080 để hỗ trợ bạn

5. Hướng dẫn sử dụng phần mềm SPSS

5.1. Đề tài nghiên cứu

5.1.1. Tên đề tài

Nghiên cứu các yếu tố ảnh hưởng tác động đến sự hài lòng của nhân viên cấp dưới trong việc làm tại công ty Trách Nhiệm Hữu Hạn Nhãn Xanh .

Nghiên cứu các yếu tố ảnh hưởng

 

5.1.2.  Mô hình nghiên cứu

Ở đây, tác giả xem xét trên thực tế và kỳ vọng các biến độc lập đều tác động thuận chiều với biến phụ thuộc nên sẽ ký hiệu dấu

• Trường hợp có biến độc lập tác động ảnh hưởngnghịch chiềuvới biến nhờ vào, tất cả chúng ta sẽ ký hiệu dấu ( – ) và ngược lại là ( + )
• Thuận chiều có nghĩa là khi biến độc lập tăng thì biến phụ thuộc vào cũng tăng
  • Ví dụ 1 : yếu tố lương, thưởng, phúc lợi tăng lên, tốt hơn thì sự hài lòng của nhân viên cấp dưới trong việc làm cũng sẽ tăng lên .
  • Ví dụ 2 : Giá cả mẫu sản phẩm và biến phụ thuộc vào vào động lực mua hàng của người tiêu dùng .
    • Trên thực tiễn, ta thấy rằng khigiámón hàngcàng tăngthì tất cả chúng ta sẽe dèvà ít có động lực để mua món hàng đó, hoặc hoàn toàn có thểthay vì mua nó với giá cao, tất cả chúng ta hoàn toàn có thể muasản phẩm thay thế kháccó giá thấp hơn nhưng cùng tính năng .
    • Như vậy ,giá càng tăng,động lực mua hàngcủa người tiêu dùngcàng giảm. Chúng ta sẽ kỳ vọng rằng, biến “giá thành loại sản phẩm” ảnh hưởng tác động nghịch với biến nhờ vào “động lực mua hàng của người tiêu dùng” .

5.1.3. Giả thuyết nghiên cứu

• Giả thuyết này tất cả chúng ta sẽ khẳng định chắc chắn nó là đúng hay sai sau bước nghiên cứu và phân tích hồi quy tuyến tính .
• Nếu sau bước hồi quy tuyến tính, hiệu quả xuất ra giống với kỳ vọng thì tất cả chúng ta gật đầu giả thuyết, ngược lại, ta bác bỏ giả thuyết .
• Chúng ta đừng bị sai lầm đáng tiếc khi đánh giá và nhận định bác bỏ là xấu đi, là xấu ; còn gật đầu là tích cực, là tốt .
  • H1:Lương, thưởng, phúc lợi tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
  • H2: Cơ hội đào tạo và giảng dạy và thăng quan tiến chức tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
  • H3:Lãnh đạo và cấp trên tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
  • H4:Đồng nghiệp tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
  • H5:Bản chất việc làm tác động ảnh hưởng tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .
  • H6: Điều kiện thao tác ảnh hưởng tác động tích cực ( thuận chiều ) đến sự hài lòng của nhân viên cấp dưới trong việc làm .

5.1.4 Bảng câu hỏi khảo sát

Bảng câu hỏi khảo sát

5.1.5. Kích thước mẫu

• Đa phần tất cả chúng ta lấy mẫu trên cơ sở tiêu chuẩn 5 : 1 của Bollen ( 1989 ) 1, tức là để đảm bảo phân tích dữ liệu ( nghiên cứu và phân tích tác nhân mày mò EFA ) tốt thì cần tối thiểu 5 quan sát cho 1 biến giám sát và số quan sát không nên dưới 100 .

• Bảng câu hỏi khảo sát tác giả trích dẫn có tổng cộng

  30 biến quan sát ( các câu hỏi sử dụng thang đo Likert ), do vậymẫu tối thiểusẽ là30 x 5 = 150.

• Chúng ta quan tâm, mẫu này làmẫu tối thiểuchứ không bắt buộc tất cả chúng ta khi nào cũng lấy mẫu này, mẫu càng lớn thì điều tra và nghiên cứu càng có giá trị. Cụ thể trong điều tra và nghiên cứu này, tác giả lấy mẫu là 220 .

5.2. Kiểm định độ tin cậy thang đo Crnbach’s Alpha

5.2.1. Lý thuyết về giá trị và độ tin cậy của đo lường

• Một thống kê giám sát được coi là có giá trị ( validity ) nếu nó thống kê giám sát đúng được cái cần thống kê giám sát ( theo Campbell và Fiske 1959 ) .
• Hay nói cách khác, thống kê giám sát đó sẽ không có hiện tượng kỳ lạ sai số mạng lưới hệ thống và sai số ngẫu nhiên .
• Sai số hệ thống: sử dụng thang đo không cân đối, kỹ thuật phỏng vấn kém …
• Sai số ngẫu nhiên:phỏng vấn viên ghi nhầm số đó của người vấn đáp, người vấn đáp biến hóa tính cách nhất thời như do stress, đau yếu, nóng giận … làm tác động ảnh hưởng đến câu vấn đáp của họ .

5.2.2.  Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha

• Hệ số Cronbach’s Alpha chỉ đo lường và thống kê độ đáng tin cậy của thang đo ( gồm có từ 3 biến quan sát trở lên ) chứ không tính được độ đáng tin cậy cho từng biến quan sát .
• Hệ số Cronbach’s Alpha có giá trịbiến thiêntrong đoạn [0,1]. Về kim chỉ nan, thông số này càng cao càng tốt ( thang đo càng có độ đáng tin cậy cao ). Hệ số Cronbach’s Alpha quá lớn ( khoảng chừng từ 0.95 trở lên ) cho thấy có nhiều biến trong thang đo không có độc lạ gì nhau, hiện tượng kỳ lạ này gọi là trùng lắp trong thang đo .

5.2.3. Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS

• Nếu một biến thống kê giám sát có thông số đối sánh tương quan biến tổng Corrected Item – Total Correlation ≥ 0.3 thì biến đó đạt nhu yếu .
• Mức giá trị thông số Cronbach’s Alpha :
• Từ 0.8 đến gần bằng 1:thang giám sát rất tốt .
• Từ 0.7 đến gần bằng 0.8: thang giám sát sử dụng tốt .
• Từ 0.6 trở lên:thang thống kê giám sát đủ điều kiện kèm theo .
• Thông thường tất cả chúng ta sẽ nhìn nhận cùng với thông số đối sánh tương quan biến tổng Corrected Item – Total Correlation ,
• Nếu giá trị Cronbach’s Alpha if Item Deleted lớn hơn thông số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0.3 thì sẽ loại biến quan sát đang xem xét để tăng độ đáng tin cậy của thang đo .

5.3. Phân tích nhân tố khám phá EFA

5.3.1. EFA và đánh giá giá trị thang đo

• Ở phần trước, tất cả chúng ta đã tìm hiểu và khám phá về độ đáng tin cậy thang đo, yếu tố tiếp theo là thang đo phải được nhìn nhận giá trị của nó .
• Hai giá trị quan trọng được xem xét trong phần này làgiá trị hội tụvàgiá trị phân biệt. Hiểu một cách đơn thuần :
• Giá trị hội tụ:Các biến quan sát quy tụ về cùng một tác nhân .
• Giá trị phân biệt:Các biến quan sát thuộc về tác nhân này và phải phân biệt với tác nhân khác .

• Phân tích tác nhân tò mò, gọi tắt là EFA,dùng để rút gọn một tập hợp k biến quan sát thành một tập F (với F các tác nhân có ý nghĩa hơn .

Lưu ý : Trong điều tra và nghiên cứu, tất cả chúng ta thường tích lũy được một số lượng biến khá lớn. Thay vì đi điều tra và nghiên cứu 20 đặc thù nhỏ của một đối tượng người dùng, tất cả chúng ta hoàn toàn có thể chỉ nghiên cứu và điều tra 4 đặc thù lớn, gồm nhiều đặc thù nhỏ có sự đối sánh tương quan với nhau. Điều này giúp tiết kiệm ngân sách và chi phí thời hạn và kinh phí đầu tư nhiều hơn cho người điều tra và nghiên cứu .

5.3.2. Phân tích nhân tố khám phá EFA bằng SPSS

• Hệ số KMO (Kaiser-Meyer-Olkin)là một chỉ số dùng để xem xét sự thích hợp của nghiên cứu và phân tích tác nhân .
  • Trị số của KMO phải đạt giá trị 0.5 trở lên ( 0.5 ≤ KMO ≤ 1 ) là điều kiện kèm theo đủ để nghiên cứu và phân tích tác nhân là tương thích .
  • Nếu trị số này nhỏ hơn 0.5, thì nghiên cứu và phân tích tác nhân có năng lực không thích hợp với tập dữ liệu điều tra và nghiên cứu .

• Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có

  tương quan với nhau hay không.

  • Chúng ta cần quan tâm, điều kiện kèm theo cần để vận dụng nghiên cứu và phân tích tác nhân là các biến quan sát phản ánh những góc nhìn khác nhau của cùng một tác nhân phải có mối đối sánh tương quan với nhau .

  • Điểm này liên quan đến

    Xem thêm: Lý do khiến điều hòa Gree 9000 GWC09QB-K3DNB6B luôn thu hút người dùng

    giá trị hội tụ trong nghiên cứu và phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên vận dụng nghiên cứu và phân tích tác nhân cho các biến đang xem xét .

• Kiểm định Bartlett có ý nghĩa thống kê

  (sig Bartlett’s Test , chứng tỏ các biến quan sát có đối sánh tương quan với nhau trong tác nhân. 1

  • Trị số Eigenvalue là một tiêu chuẩn sử dụng thông dụng để xác lậpsố lượng nhân tốtrong nghiên cứu và phân tích EFA.
  • Nhân tố nào cóEigenvalue ≥ 1mới được giữ lại trong quy mô nghiên cứu và phân tích 2 .
  • Ví dụ : bảng phía dưới cho thấy có 3 tác nhân trích được tại eigenvalue là 1.537. Nếu tất cả chúng ta trích thêm một tác nhân nữa ( tác nhân thứ tư ) thì eigenvalue lúc này là 0.900

Phân tích EFA

 

• Tổng phương sai trích ( Total Variance Explained ) ≥ 50 % cho thấy quy mô EFA là tương thích .
• Coi biến thiên là 100 % thì trị số này biểu lộ các tác nhân được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát .
• Hệ số tải nhân tố( Factor Loading ) hay còn gọi là trọng số tác nhân, giá trị này bộc lộ mối quan hệ đối sánh tương quan giữa biến quan sát với tác nhân .

  • Factor Loading ở mức  0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.

  • Factor Loading ở mức  0.5: Biến quan sát có ý nghĩa thống kê tốt.

  • Factor Loading ở mức  0.7: Biến quan sát có ý nghĩa thống kê rất tốt. 

  • Hệ số tải tác nhân càng cao, nghĩa là đối sánh tương quan giữa biến quan sát đó với tác nhân càng lớn và ngược lại. Theo Hair và ctg ( 2009,116 ), Multivariate Data Analysis, 7 th Edition thì :
• Tuy nhiên, giá trị tiêu chuẩn của thông số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. 
• Với từng khoảng chừngkích thước mẫu khác nhau,mức trọng số tác nhân để biến quan sát cóý nghĩa thống kê là hoàn toàn khác nhau.Cụ thể, tất cả chúng ta sẽ xem bảng dưới đây :

Hệ số tải nhân tố Factor Loading

Trên thực tiễn, việc nhớ từng mức thông số tải với từng khoảng chừng kích cỡ mẫu là khá khó khăn vất vả, do vậy người ta thường lấy thông số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350 ; lấy tiêu chuẩn thông số tải là 0.3 với cỡ mẫu từ 350 trở lên .

5.4. Tương quan Pearson

Sau khi đã có được các biến đại diện thay mặt độc lập và phụ thuộc vào ở phần nghiên cứu và phân tích tác nhân EFA, tất cả chúng ta sẽ thực thi nghiên cứu và phân tích đối sánh tương quan Pearson để kiểm tra mối quan hệ tuyến tính giữa các biến này .

5.4.1 Lý thuyết về tương quan và tương quan Pearson

Lý thuyết về tương quan và tương quan Pearson

• Giữa 2 biến định lượng có nhiều dạng liên hệ, hoàn toàn có thể là tuyến tính hoặc phi tuyến hoặckhông cóbất kể một mối liên hệ nào .
• Người ta sử dụng một số ít thống kê là thông số đối sánh tương quan Pearson ( ký hiệu r ) để lượng hóamức độ chặt chẽcủa mối liên hệ tuyến tínhgiữa 2 biến định lượng( quan tâm rằng Pearson chỉ xét mối liên hệ tuyến tính, không nhìn nhận các mối liên hệ phi tuyến ) .
• Trong đối sánh tương quan Pearsonkhông có sự phân biệtvai trò giữa 2 biến, đối sánh tương quan giữa biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc vào .

5.4.2. Phân tích tương quan Pearson bằng SPSS

5.4.2.1. Một số tiêu chí cần biết Tương quan Pearson r có giá trị dao động từ -1 đến 1:

• Nếu r càng tiến về 1, -1:đối sánh tương quan tuyến tính càng mạnh, càng ngặt nghèo. Tiến về 1 là đối sánh tương quan dương, tiến về – 1 là tương quan âm .
• Nếu r càng tiến về 0: đối sánh tương quan tuyến tính càng yếu .
• Nếu r = 1: đối sánh tương quan tuyến tính tuyệt đối, khi trình diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, các điểm trình diễn sẽ nhập lại thành 1 đường thẳng .
• Nếu r = 0: không có mối đối sánh tương quan tuyến tính. Lúc này sẽ có 2 trường hợp xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến .

Chỉ số r trong tương quan Pearson

Bảng trên đây minh họa cho hiệu quả đối sánh tương quan Pearson của nhiều biến đưa vào cùng lúc trong SPSS. Trong bảng tác dụng đối sánh tương quan Pearson ở trên :

• Hàng Pearson Correlationlà giá trị r để xem xét sự tươngthuận hay nghịch, mạnh hay yếugiữa 2 biến
• Hàng Sig. (2-tailed)là sig kiểm định xem mối đối sánh tương quan giữa 2 biến là có ý nghĩa hay không .
• Sig
• sig ≥ 0.05, đối sánh tương quan không có ý nghĩa .
• Cần xem xét sig trước, nếu sig
• Hàng N hiển thị cỡ mẫu của tập dữ liệu. Cụ thể trong bảng trên là 220 .

5.4.2.2. Thực hành trên SPSS 20 với tập dữ liệu mẫu

Để thực hiện phân tích tương quan Pearson trong SPSS 20, chúng ta vào Analyze > Correlate > Bivariate…

Phân tích tương quan trong SPSS 20

Tại đây, tất cả chúng ta đưa hết toàn bộ các biến muốn chạy đối sánh tương quan Pearson vào mục Variables. Cụ thể là các biến đại diện thay mặt được tạo ra sau bước nghiên cứu và phân tích EFA. Để tiện cho việc đọc số liệu, tất cả chúng ta nên đưa biến nhờ vào lên trên cùng, tiếp theo là các biến độc lập. Sau đó, nhấp vào OK để xuất tác dụng ra Output .

Bảng Correlations

* *. Correlation is significant at the 0.01 level ( 2 – tailed ) .
*. Correlation is significant at the 0.05 level ( 2 – tailed ) .

• Sig đối sánh tương quan Pearson các biến độc lập TN, CV, LD, MT, DT với biến nhờ vào HL nhỏ hơn 0.05. Như vậy, có mối liên hệ tuyến tính giữa các biến độc lập này với biến HL. Giữa DT và HL có mối đối sánh tương quan mạnh nhất với thông số r là 0.611, giữa MT và HL có mối tương quan yếu nhất với thông số r là 0.172 .
• Sig đối sánh tương quan Pearson giữa HL và Doanh Nghiệplớn hơn 0.05, do vậy, không có mối đối sánh tương quan tuyến tính giữa 2 biến này. Biến DN sẽ được vô hiệu khi thực thi nghiên cứu và phân tích hồi quy tuyến tính bội .
• Các cặp biến độc lập đều có mức đối sánh tương quan khá yếu với nhau, như vậy, năng lực cao sẽ không có hiện tượng kỳ lạ đa cộng tuyến xảy ra .

5.5. Hồi quy đa biến

5.5.1 Lý thuyết về hồi quy tuyến tính

• Khác với đối sánh tương quan Pearson, trong hồi quy các biếnkhôngcó đặc thùđối xứngnhư nghiên cứu và phân tích đối sánh tương quan .
• Vai trògiữa biến độc lập và biến phụ thuộc vào làkhác nhau. X và Y hay Y và X có đối sánh tương quan với nhau đều mang cùng một ý nghĩa, trong khi đó với hồi quy, ta chỉ hoàn toàn có thể nhận xét : X ảnh hưởng tác động lên Y hoặc Y chịu tác động ảnh hưởng bởi X .
• Đối với nghiên cứu và phân tíchhồi quy tuyến tính bội, tất cả chúng ta giả định các biến độc lập X1, X2, X3 sẽ ảnh hưởng tác động đến biến phụ thuộc vào Y. Ngoài X1, X2, X3 … còn có rất nhiều nhữngnhân tố khácngoài quy mô hồi quy tác động ảnh hưởng đến Y mà tất cả chúng ta không liệt kê được .

5.5.2 Phân tích hồi quy đa biến bằng SPSS

5.5.2.1 Các tiêu chí trong phân tích hồi quy đa biến 

• Giá trị R2 (R Square), R2 hiệu chỉnh (Adjusted R Square):phản ánh mức độ lý giải biến phụ thuộc vào của các biến độc lập trong quy mô hồi quy .
• R2 hiệu chỉnh phản ánh sát hơn so với R2. Mức giao động của 2 giá trị này là từ0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng dù quy mô đó tốt đến nhường nào. Giá trị này thường nằm trong bảng Model Summary .
• Cần quan tâm ,không có sự giới hạn giá trị R2, R2 hiệu chỉnh ở mức bao nhiêu thì quy mô mới đạt nhu yếu, 2 chỉ số này nếucàng tiến về 1thì quy mô càng có ý nghĩa, càng tiến về 0 thì ý nghĩa quy mô càng yếu. 
• Thường tất cả chúng tachọn mức tương đối là 0.5để làm giá trị phân ra 2 nhánh ý nghĩa mạnh / ý nghĩa yếu, từ 0.5 đến 1 thì quy mô là tốt, bé hơn 0.5 là quy mô chưa tốt .
• Giá trị sig của kiểm định F: được sử dụng để kiểm định độ tương thích của quy mô hồi quy .
• Nếu sig nhỏ hơn 0.05, ta Kết luận quy mô hồi quy tuyến tính bội tương thích với tập dữ liệu và hoàn toàn có thể sử đụng được. Giá trị này thường nằm trong bảng ANOVA .
• Trị số Durbin – Watson (DW): dùng để kiểm tra hiện tượng kỳ lạ tự đối sánh tương quan chuỗi bậc nhất ( kiểm định đối sánh tương quan của các sai số kề nhau ) .
• DW có giá trị biến thiên trong khoảng chừng từ0 đến 4
• Nếu giá trị cànggần về 0thì các phần sai số có đối sánh tương quanthuận; nếu càng lớn ,gần về 4có nghĩa là các phần sai số có đối sánh tương quannghịch.
• Để bảo vệ đúng mực, tất cả chúng ta sẽ tra ở bảng thống kê Durbin-Watson ( hoàn toàn có thể tìm bảng thống kê DW trên Internet ). Giá trị này thường nằm trong bảng Model Summary .

Trị số Durbin – Watson

• Hệ số k’:là số biến độc lập đưa vào chạy hồi quy, N là kích cỡ mẫu. Nếu N của bạn là một con số lẻ như 175, 214, 256, 311 thì bạn hoàn toàn có thể làm tròn size mẫu với giá trị gần nhất trong bảng tra .
• Giá trị sig của kiểm định t:được sử dụng để kiểm định ý nghĩa của thông số hồi quy .
• Nếu sig kiểm định t của thông số hồi quy của một biến độc lập , ta Tóm lại biến độc lập đó có tác động ảnh hưởng đến biến nhờ vào .
• Hệ số phóng đại phương sai VIF:dùng để kiểm tra hiện tượng kỳ lạ đa cộng tuyến .
• Thông thường, nếu VIF>10nghĩa là đang có đa cộng tuyến xảy ra với biến độc lập đó. Khi đó, biến này sẽ không có giá trị lý giải biến thiên của biến phụ thuộc vào trong quy mô hồi quy .
• Thực tế nếuVIF > 2 thì năng lực rất cao đang xảy ra hiện tượng kỳ lạ đa cộng tuyến giữa các biến độc lập. Giá trị này thường nằm trong bảng Coefficients .
• Kiểm tra giả định hồi quy, gồm có phần dư chuẩn hóa và liên hệ tuyến tính :
  • Đối với biểu đồ Histogram, nếu giá trị trung bình Mean gần bằng 0, độ lệch chuẩn gần bằng 1, ta hoàn toàn có thể khẳng định chắc chắn phân phối là xê dịch chuẩn .
  • Đối với biểu đồ Normal P-P Plot,nếu các điểm phân vị trong phân phối của phần dư tập trung chuyên sâu thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm .
  • Nếu phần dư chuẩn hóa phân chiatập trung xung quanh đường hoành độ 0,tất cả chúng ta hoàn toàn có thể Kết luận giả định quan hệ tuyến tínhkhông bị vi phạm.
• Kiểm tra vi phạm giả định phần dư chuẩn hóa:Phần dư hoàn toàn có thể không tuân theo phân phối chuẩn vì những nguyên do như : sử dụng sai quy mô, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để nghiên cứu và phân tích …
• Kiểm tra vi phạm giả định liên hệ tuyến tính:Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị Dự kiến chuẩn hóa giúp tất cả chúng ta dò tìm xem, tài liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không .

5.5.2.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu

Sau tương quan Pearson, chúng ta còn 5 biến độc lập là TN, CV, LD, MT, DT. Thực hiện phân tích hồi quy tuyến tính bội để đánh giá sự tác động của các biến độc lập này đến biến phụ thuộc HL. Để thực hiện phân tích hồi quy đa biến trong SPSS 20, chúng ta vào Analyze > Regression > Linear…

Bước 1

Bước 2

Bước 3

Bước 4

Bước 5

Bước 6

Bước 7

Xem thêm :

+ Xử lý số liệu spss 

+ Kiểm định T – test, kiểm định sự độc lạ trong spss
+ Tổng quan về nghiên cứu và phân tích tác nhân mày mò EFA
Các tìm kiếm tương quan khác : hướng dẫn sử dụng spss, dịch vụ chạy spss ứng dụng spss là gì, nhận chạy stata, hướng dẫn sử dụng ứng dụng spss, cách sử dụng ứng dụng spss, hướng dẫn sử dụng spss 20, nhận xử lý số liệu spss, ứng dụng thống kê spss, ứng dụng spss cách sử dụng, cách sử dụng spss cho người mới khởi đầu, chạy eview, ứng dụng xử lý số liệu spss, …