Slide Bài giảng Hướng dẫn Phân tích SMART PLS

Slide Bài giảng Hướng dẫn Phân tích SMART PLS: (i) Thống kê mô tả Frequencies trên SPSS (ii) Đánh giá độ tin cậy Cronbach’s Alpha trên SPSS (iii) Phân tích nhân tố khám phá EFA trên SPSS (iv) Phân tích tương quan Pearson trên SPSS (v) Nhập liệu Vẽ Diagram trên SMART PLS (vi) Mô hình hồi đo lường Mô hình cấu trúc SEM trên SMART PLS

Trang 1

(i) Thống kê mô tả Frequencies trên SPSS (ii) Đánh giá độ tin cậy Cronbach’s Alpha trên SPSS (iii) Phân tích nhân tố khám phá EFA trên SPSS (iv) Phân tích tương quan Pearson trên SPSS (v) Nhập liệu & Vẽ Diagram trên SMART PLS (vi) Mô hình hồi đo lường & Mô hình cấu trúc SEM trên SMART PLS

Đăng ký học trực tuyến 0905.39.2489

https://www.youtube.com/watch?v=46oJaJcwzb0

PHÂN TÍCH DỮ LIỆU KHOA HỌC

Trình bày: NKH NGÔ ĐỨC CHIẾN

Trang 2

Trình bày: NKH NGÔ ĐỨC CHIẾNLưu ý các bước thực hiện Mô hình

Nội dung (Thứ tự các bước thực hiện Mô hình)

Biến dạng thang đo Likert (Interval Scale)

Biến dạng thang đo

Ratio Scale

(2) Đánh giá độ tin cậy Cronbach’s alpha ✓

(6) Kiểm định Independent Sample T-Test

Trang 3

Trình bày: NKH NGÔ ĐỨC CHIẾNBiến dạng thang đo Likert

Trang 4

Trình bày: NKH NGÔ ĐỨC CHIẾNBiến dạng thang đo Ratio Scale

Hoặc các chỉ tiêu Lãi suất, Lạm phát, GDP, Chỉ tiêu tài chính,…

Trang 5

Thống kê mô tả Frequencies trên SPSS

(Đọc & Giải thích kết quả sau khi thực hiện Thống kê Frequencies trên SPSS)

Trang 7

Bên cạnh đó, thống kê Frequencies còn cho phép vẽ các dạng đồ thị cơ bản như: Barscharts (Đồ thị hình cột,) Pie charts (Đồ thị tỷ lệ %), Histograms (Đồ thị hình chuông, kiểmtra phân phối chuẩn)

Thống kê mô tả Frequencies

Trang 8

Trình bày: NKH NGÔ ĐỨC CHIẾN Được dùng để tính toán các chỉ số thống kê cơ bản như:

✓ Tần số (n), Tần suất (%), Vẽ đồ thị

✓ Các giá trị:

+ Mean (Trung bình), Median (Trung vị)

+ Mode (Tần suất hay xuất hiện), Sum (Tổng)

+ Min (Giá trị nhỏ nhất), Max (Giá trị lớn nhất)

+ Std (Độ lệch chuẩn), Var (Phương sai)

+ SE mean (Sai số trung bình)

Thống kê mô tả Frequencies Lý thuyết cần biết

Trang 9

Chuyên gia Phân tích dữ liệu định lượng

Dịch vụ Phân tích và Đào tạo

SPSS, AMOS, STATA, SMART PLS

Hình thức Online hoặc Offline

Trang 10

“Chúng tôi rất tự hào được đồng hành cùng các bạn trong việc tìm hiểu và chia

sẻ các kiến thức Phân tích định lượng Đó sẽ luôn luôn là nguồn cảm hứng cho

sự hoàn thiện bản thân của chúng tôi!”

Trang 11

Mr Corn’s Official

Tư vấn nội dung:

Trung tâm Đào tạo Phân tích SPSS, AMOS, STATA, SMART PLS

Thiết kế & Trình bày ý tưởng:

Trang 12

Đánh giá độ tin cậy Cronbach’s Alpha

(Đọc & Giải thích kết quả sau khi thực hiện Đánh giá độ tin cậy Cronbach’s Alpha)

Trang 14

Lý thuyết cần biết Đánh giá độ tin cậy Cronbach’s Alpha

Đầu tiên, chúng ta sẽ tìm hiểu khái niệm về “thang đo” Thang đo được định nghĩa là một tập hợp các biến quan sát con có khả năng đo được, thể hiện được tính chất của nhân tố mẹ.

Trong nghiên cứu định lượng, nếu chỉ sử dụng một thang đo đơn giản gồm một câu hỏi quan sát để

đo lường các nhân tố lớn thì rất khó khăn, phức tạp, dường như là không khả thi.

Do đó, nghiên cứu viên thường sử dụng các thang đo chi tiết hơn để đo lường nhân tố, từ đó hiểu

rõ hơn tính chất của nhân tố.

Thông thường các nhà nghiên cứu sử dụng từ 2 thang đo/biến quan sát để đo lường/đánh giá cho 1

Trang 15

Lý thuyết cần biết Đánh giá độ tin cậy Cronbach’s Alpha

Tuy nhiên, không phải lúc nào tất cả các biến quan sát mà chúng ta đưa ra để đo lường cho nhân tố

A đều hợp lý Do đó, vào năm 1951, Lee Cronbach đã phát triển công cụ mang tên kiểm

định Cronbach's alpha, α (hoặc hệ số alpha) có chức năng phản ánh mức độ tương quan chặt chẽ

giữa các biến quan sát trong cùng một nhân tố, kiểm tra biến quan sát nào phù hợp và không phù hợp

để đưa vào thang đo Trong nghiên cứu định lượng, chúng ta sẽ sử dụng phương pháp kiểm định

Cronbach’s Alpha trước khi phân tích nhân tố khám phá EFA để loại các biến quan sát không

Trang 16

Đối với các nghiên cứu, thông thường áp dụng hệ số Cronbach’s Alpha từ 0,6 trở lên

và những thang đo/biến nào có tương quan biến tổng < 0,3 sẽ bị loại bỏ (biến rác)

Đánh giá độ tin cậy Cronbach’s Alpha

Trang 17

Trang 18

Trang 19

Trang 20

Phân tích nhân tố khám phá EFA

(Đọc & Giải thích kết quả sau khi thực hiện Phân tích nhân tố khám phá EFA)

Trang 22

Lý thuyết cần biết Phân tích nhân tố khám phá EFA

Phân tích EFA được sử dụng trong các trường hợp sau:

✓ Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan trong mộttập hợp biến

✓ Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có tương quanvới nhau để thay thế tập hợp biến gốc có tương quan với nhau để thực hiện một phân tích

đa biến tiếp theo

✓ Để nhận ra một tập hợp gồm một số ít các biến nổi trội từ một tập hợp nhiều biến để sửdụng trong các phân tích đa biến kế tiếp

Trang 23

Lý thuyết cần biết Phân tích nhân tố khám phá EFA

Các chỉ số cần lưu ý khi phân tích EFA:

✓ Trị số của KMO lớn (từ 0,5 đến 1) là điều kiện đủ để phân tích nhân tố thích hợp Kiểmđịnh Barlett có ý nghĩa (Sig < 0,05)

✓ Điểm dừng khi trích các yếu tố Eigenvalue > 1 và tổng phương sai trích > 50%

✓ Các biến có hệ số tải nhân tố (factor loading) < 0,5 sẽ tiếp tục bị loại

Trang 24

Trang 25

Trang 26

Trang 27

Phân tích tương quan Pearson trên SPSS

(Đọc & Giải thích kết quả sau khi thực hiện phân tích tương quan Pearson)

Trang 29

Trình bày: NKH NGÔ ĐỨC CHIẾNPhân tích tương quan Pearson

Hệ số tương quan Pearson, được kí hiệu bằng chữ “r”, giá trị trong khoảng -1 ≤ r ≤ +1 Nếu

r > 0 thể hiện tương quan đồng biến, ngược lại, r < 0 thể hiện tương quan nghịch biến, giá trị r =

0 chỉ ra rằng hai biến không có mối liên hệ tuyến tính (Hair & cộng sự, 2014)

✓ r → +/-1: quan hệ giữa hai biến càng chặt

✓ r → 0: quan hệ giữa hai biến càng yếu

Trang 30

Ý nghĩa của hệ số tương quan Pearson “r”:

✓ +/- 0,01 đến +/-0,1: Mối tương quan quá thấp, không đáng kể

✓ +/- 0,2 đến +/-0,3: Mối tương quan thấp

✓ +/- 0,4 đến +/-0,5: Mối tương quan trung bình

✓ +/- 0,6 đến +/-0,7: Mối tương quan cao

✓ +/- 0,8 trở lên: Mối tương quan rất cao

Ví dụ: r = 0,525 thể hiện mối tương quan dương/tích cực ở mức độ trung bình

Trang 31

Trình bày: NKH NGÔ ĐỨC CHIẾNPhân tích tương quan Pearson Lý thuyết cần biết

Hệ số tương quan biểu thị trên đồ thị phân tán Scatter

Trang 32

Mức ý nghĩa “Sig.” của hệ số tương quan, cụ thể như sau:

✓ Sig < 5 %: mối tương quan khá chặt chẽ

✓ Sig < 1 %: mối tương quan rất chặt chẽ

✓ Sig > 5 %: không có mối tương quan

Thông thường các nhà nghiên cứu chọn mức ý nghĩa 5% để đánh giá!

Trang 33

Trang 34

Trang 35

Trang 36

Mô hình cấu trúc tuyến tính trên SMART PLS

(Đọc & Giải thích kết quả sau khi chạy mô hình)

Trang 37

Các tài liệu tham khảo thực hiện

Mô hình trên SMART PLS

1 Cohen, J (1988) Statistical Power Analysis for the Behavioral Sciences (2nd ed.) Hillsdale, NJ: Lawrence Erlbaum Associates,

Publishers.

2 Fornell, C., & Larcker, D F (1981) Evaluating structural equation models with unobservable variables and measurement

error Journal of marketing research, 18(1), 39-50.

3 Hair, J.F., Black, W.C., Babin, B.J and Anderson, R.E (2010) Multivariate Data Analysis 7th Edition, Pearson, New York.

4 Hair Jr., J F., Hult, G T M., Ringle, C., & Sarstedt, M (2016) A Primer on Partial Least Squares Structural Equation Modeling

(PLS-SEM) Thousand Oaks, CA: Sage Publications.

5 Hair, J.F., Risher, J.J., Sarstedt, M and Ringle, C.M (2019) When to Use and How to Report the Results of PLS-SEM European

Business Review, 31, 2-24 https://doi.org/10.1108/EBR-11-2018-0203

6 Henseler, J., & Sarstedt, M (2013) Goodness-of-fit indices for partial least squares path modeling Computational statistics, 28(2),

565-580 DOI 10.1007/s00180-012-0317-1

7 Henseler, J., Ringle, C M., & Sarstedt, M (2015) A new cri-terion for assessing discriminant validity in variance-basedstructural

equation modeling Journal of the Academy of Marketing Science, 43(1), 115–135 doi:10.1007/s11747-014-0403-8.

8 Hock, M., & Ringle, C M (2010) Local strategic networks in the software industry: an empirical analysis of the value

continuum International Journal of Knowledge Management Studies, 4(2), 132-151.

9 Kline, R.B (2015) Principles and practice of structural equation modeling New York: Guilford publications.

Trang 39

Các tiêu chí cần xem xét khi đánh giá mô hình cấu trúc tuyến tính trên SMART PLS:

✓ Chất lượng biến quan sát Outer Loading (Dựa trên PLS Algorithm)

✓ Độ tin cậy thang đo Reliability (Dựa trên PLS Algorithm)

✓ Tính hội tụ Convergence (Dựa trên PLS Algorithm)

✓ Tính phân biệt Discriminant (Dựa trên PLS Algorithm)

✓ Hệ số tác động và ý nghĩa các mức động của đường dẫn (Dựa trên PLS Bootstrapping)

✓ Hệ số VIF đánh giá đa cộng tuyến (Dựa trên PLS Algorithm)

✓ Hệ số R bình phương (Dựa trên PLS Algorithm)

✓ Hệ số f bình phương (Dựa trên PLS Algorithm)

Lý thuyết cần biết Các tiêu chí cần biết

Trang 40

Theo Hair và cộng sự (2016) thì chỉ sốOuter Loading nên ≥ 0,7

Chất lượng biến quan sát

Trang 41

Độ tin cậy thang đo đánh giá thông qua các tiêu chí:

✓ Độ tin cậy thang đo Cronbach’s Alpha nên ≥ 0,7 trở lên (Henseler & Sarstedt, 2013)

✓ Độ tin cậy tổng hợp Composite Reliability nên ≥ 0,7 trở lên (Hair & cộng sự, 2010) Tính hội tụ được đánh giá thông qua chỉ số phương sai trung bình được trích Average

Variance Extracted (AVE) nên ≥ 0,5 (Hock & Ringle, 2010)

Độ tin cậy thang đo

Trang 42

Độ tin cậy thang đo

& Tính hội tụ

Lý thuyết cần biết

CB > 0,7 Đạt yêu cầu

CR > 0,7 Đạt yêu cầu

AVE > 0,5 Đạt yêu cầu

Trang 43

Giá trị phân biệt cho thấy tính khác biệt của một cấu trúc khi so sánh với các cấu trúckhác trong mô hình Cách tiếp cận truyền thống để đánh giá tính phân biệt là sử dụng chỉ sốcăn bậc hai AVE do Fornell và Larcker (1981) đề xuất.

Căn bậc hai AVE > Tương quan giữa các biến tiềm ẩn (Fornell & Larcker, 1981)

Các con số tương quan giữa các biến đều nhỏ hơn các con

số đường chéo (0,890; 0,868; 0,818; 0,872):

Trang 44

Henseler và cộng sự (2015) đã sử dụng các nghiên cứu mô phỏng để chứng minh rằng giátrị phân biệt được đánh giá một cách tốt hơn bởi chỉ số HTMT mà họ đã phát triển Và theo

đó, Kline (2015) cho rằng chỉ số HTMT nên nhỏ hơn 0,85

HTMT ≤ 0,85 (Kline, 2015)

Các hệ số HTMT đều < 0,85:

Trang 45

Tùy theo giá trị mức ý nghĩa 1%, 5% hay 10%; kết quả mô hình sẽ cho thấy các mối quan

hệ tác động giữa các biến/nhân tố có ý nghĩa thống kê hay không

Mức ý nghĩa 5% là mức phổ biến nhất mà các nhà nghiên cứu hay lựa chọn Nếu giá trịSig của các mối quan hệ tác động giữa các biến/nhân tố nhỏ hơn 5% (tức nhỏ hơn 0,05) thìcác mối quan hệ tác động giữa các biến/nhân tố có ý nghĩa thống kê & ngược lại

Lý thuyết cần biết

Hệ số hồi quy đã chuẩn hóa

& Giá trị mức ý nghĩa Sig

Trang 46

Theo Hair và cộng sự (2019):

✓ VIF ≥ 5: Xảy ra hiện tượng đa cộng tuyến là rất cao

✓ 3 ≤ VIF ≤ 5: Có thể xảy ra hiện tượng đa cộng tuyến

✓ VIF < 3: Không xảy ra hiện tượng đa cộng tuyến

Các hệ số VIF đều < 3:

Trang 47

Giá trị R 2 (R Square), R 2 hiệu chỉnh (Adjusted R Square)

Mức dao động của 2 giá trị này là từ 0 đến 1, chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu.

Thường chúng ta chọn mức trung gian là 0,5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0,5 đến 1 thì mô hình là tốt, bé hơn 0,5 là mô hình chưa tốt.

Tuy nhiên, tùy vào dạng nghiên cứu và dạng dữ liệu, không phải lúc nào cũng bắt buộc rằng mô hình hồi quy phải đạt giá trị R 2 hiệu chỉnh lớn hơn 0,5 mới có ý nghĩa.

Trang 48

Theo Cohen (1988):

✓ f Square < 0,02: mức tácđộng là cực kỳ nhỏ hoặckhông có tác động

HT->TS:

Mức tác động lớn

TS->TT: Mức tác động lớn

Trang 50

Trang 51

Trang 52

Trang 53

THANK YOU!!!

(1) Dịch vụ Phân tích và Đào tạo trực tuyến SPSS, AMOS, STATA, SMART PLS (2) Hotline liên hệ: 0905.39.2489

(3) Theo dõi tại: https://www.youtube.com/watch?v=46oJaJcwzb0

Định dạng
Số trang	53
Dung lượng	1,56 MB