phân tích thống kê SPSS

Một thang đo mà có độ tin cậy cao có nghĩa là các biến quan sát nhỏ bên trong nó càng thể hiện được tính chất của nhân tố mẹ hay là thể hiện được tính chất của biến tiềm ấn.. Nếu 1 thang

NGHIÊN CỨU MAR.2 Câu 1: Xử lí câu hỏi nhiêu lựa chọn

“SẼ tin sử mẽ CTEE |E=E

“SẼ tìm sự ma mại CRÉC |:

AẾP Ir mơ ⁄/TMIIIrTMI 'Y

VuMtatifE% Âu t3 CIIMEI FLš Ei[clhslardes (are thất

'Gabeiyie+

Hme

Lm

He Set rlefred hen an 0rty nviênHie In {it Mufiple Resprnine Freusricfa vệ CTpoesitfin pdf Gceiarer, Liae

Ielrte julipie F;ecgkffrse S3 (íi The [IR nen N0 13615 Lý Evl PI-A/]ilf6

Cũng Hạn

B2: Chọn tất cả các biến thuộc câu nhiều lựa chọn đưa vào khung Variables m Set

B3: Khai báo cách mã hoá ở khung Variables Are Coded As:

e Nếu dùng cách mã hoá I: dùng dạng câu hỏi phân đôi Có — Không, ta sẽ khai báo biên ở dòng Dichotomies Và sẽ đêm giá trị “Có” ở ô Counted value Đôi với ví dụ trên, do ta khai báo "1 là Không”, "2 là Có”, nên ở ô này ta sẽ nhập giá trị cân đêm là “2”

® Nêu dùng cách mã hoá 2, ta sẽ khai báo ở dòng Categories, và đêm các sô thứ

rtự của biến Trong ví dụ trên có 6 biến, ta sẽ đếm từ giá trị Ì đến 6 tại ô Range:

I through: 6

B4: Khai báo tên và nhãn biến ở khung Name và Label

B5: Click vào Add để xác nhận biến tổng hợp đã được tạo -> Click chọn Close đề

hoàn tất quá trình định dạng biến tổng hợp

2 Phân tích tần số Frequency

BI: Từ menu Analyze -> Multiple Response -> Frequency, xuất hiện hộp thoại sau:

si h|u|{Ípnfe [fesporse Ý reqte ncÏes

WiAllipie Riesporrse Sel+ Tialbie{+] To

Mtssirm| Wậtre+

Exchude ceres Eelm/ire wuÊlwế rêciotcrhde-r

EXCH Kim C®ke# E5TWEIIE (JVIRIWEt C-HÍIECKNIES

Etetl | Gancml Huy:

B2: Đưa biến tổng hợp vừa tạo ở phần trên vào ơ Tables for -> Click chọn Ok để hồn

tien su cat viem ruotthua 38 69.1% 76.0%

tien su mo lay thai 3 5.5% 6.0%

TFONG HOP' tien su phau thuat u buong

-Percent of Responses: phần trăm trên tổng sự trả lời (vì mỗi bệnh nhân cĩ thể

cĩ nhiều tiền sử phầu thuật nên tổng sự trả lời = 55 > cỡ mẫu quan sát = 50)

Câu 2: Thống kê mơ tả - Thống kê tần số - Biểu đỗ

Thống kê mơ tả là kỹ thuật giúp người nghiên cứu mơ tả tổng quát về đặc điểm của mâu nghiên cứu vả kêt quả khảo sát được VD: mâu khảo sát cĩ bao nhiêu nam, bao

thi@ngwfc@ĩ thaoAnhiơndaggdbtala6PEIGMnibaqiidjiêuenesrked HW, điểm trung bình

2

Thống kê mô tả gồm thống kê trung bình và thống kê tần số

1 Thống kê tần số

Thống kê tần số thường sử dụng cho biến định tính VD là các biến về nhân khẩu học

như giới tính, độ tuổi, thu nhập

BI: Chọn menu Analyze ->Descriptive statistics-> Frequencies

B2: Sau đó các biến định tính cần thống kê được đưa vào mục bên phải Variable

B3: Chọn Charts ở bên phải

- _ Trong ô Chart Type: chọn biểu đồ hình cần vẽ (ở đây thường dùng Pie Charts —

biểu đồ tròn)

- _ Trong ô Chart Values: chọn Percentages (thể hiện %)

B4: Nhấp vào continue và chọn OK Kết quả sẽ hiển thị ra output bảng thống kê tần số

và biểu đồ tương ứng của các biến

- _ Cột Frequency: Thể hiện tần số của từng nhóm học vấn

- _ Cột Percent: Tý lệ phần trăm của từng nhóm học vấn

- _ Cột Valid Percent: Tỷ lệ phân trăm hợp lệ của từng nhóm học vân

- _ Cột Cumulative Percent: Phần trăm tích lũy

Trong bảng nảy, chúng ta sẽ quan tâm 2 cột chính là Frequency để xem tần số của từng nhóm giá trị và cột tý lệ phần trăm để xem cơ cấu các giá trị nảy Ví dụ cụ thê ở biển Học vấn, đối tượng khảo sát chủ yếu có học vấn là Trung cấp với 141/220

người, chiếm tỷ lệ 64.1%, số người có học vấn cao trên đại học chiếm số lượng rất

nhỏ chỉ 2/220 người, tỷ lệ chưa tới 1%

Lưu ý: Muốn thể hiện % trên biểu đồ, click đôi vào biểu đô sẽ hiện ra bảng

Chart Editor, nhấp vào biểu tượng kụ, sẽ hiển thị ra được số % trên biếu đồ

2 Thống kê trung bình:

Với các biến định lượng ta sẽ chạy thống kê trung bình để xem các chỉ số trung

bình (Mean), giá trị nhỏ nhất (Min), giá trị lớn nhất (Max), độ lệch chuẩn (Stardard

deviation),

Thống kê trung bình đối với các câu định lượng sử dụng bằng thang đo likert để xem mức đánh giá trung bình của đáp viên trên mỗi câu hỏi sẽ ứng với giá trị bao nhiêu Ở thang đo 5 mức độ thì giá trị trung bình là 3, thì khi thực hiện thống kê trung bình ta sẽ biết được mức độ đồng ý của đáp viên nó trên 3 hay dươis 3, tiến gần về 5 hay tiễn gần về 1 Từ đó biết được sự hài lòng hay không hải lòng của đáp viên ứng với từng tiêu chí hoặc yếu tố trên thông tin khảo sát

Cách làm:

BI: Chọn menu Analyze ->Descriptive statistics->Descriptive

B2: Dưa hết tất cả các biến cần chạy thống kê mô tả (thường đưa từng nhóm) từ mục bên trái sang ô bên phải Variable sau đó nhấp OK

Kết quả sẽ xuất ra

- _ Cột N: cỡ mẫu nghiên cứu

- Cột Minimum: giá trị nhỏ nhất của biến Như bên dưới là biển TN, giá trị nhỏ

nhất của TNI1, TN2, TN3, TN5 đều là I, trong khi giá trị nhỏ nhất của biến TN4 là 2

-_ Cột Maximum: giá trị lớn nhất của biến Ví dụ bên dưới tử biến TN2 đến TN5 giá trị lớn nhất đều là 5 trong khi biến TNI giá trị lớn nhất là 4

-_ Cột Mean: giá trị trung bình của biến Đây là cột mang nhiều ý nghĩa giải thích nhất trong bảng Thang đo Likert 5 mức độ, chúng ta có mức điểm 3 là trung

4

gian, nếu thiên về 3-5 nghĩa là đáp viên đồng ý với quan điểm của biến đưa ra Ngược lại, nếu thiên về 1-3, đáp viên không đồng ý với quan điểm của biến Biến TNI có Mean = 2.64 < 3, như vậy dữ liệu cho thấy rằng, mức độ đồng ý của đối tượng khảo sát là dưới mức trung gian 3 Trong khi đó, biến TN2, TN3, TN5 có mức Mean năm giữa khoảng 3-4 Riêng biến TN4, mức Mean = 4.41 > 4 cho thấy rằng đáp viên đang rất đồng ý với quan điểm của TN4

-_ Cột Std Deviation: độ lệch chuẩn của biến Giá trị này càng nhỏ cho thấy, đáp viên trả lời các con số đáp án không chênh lệch nhau nhiều (thường rơi vào gần l) Ngược lại nếu giá trị này cao, thể hiển rằng đối tượng khảo sát có nhận định rất khác

biệt nhau đối với biến đó, nên mức điểm cho chênh lệch nhau khá nhiều

Bên cạnh việc một số nhà nghiên cứu đánh giá Mean qua mức trung lập (trong trường hợp nảy là 3), một số nhà nghiên cứu khác thực hiện chia khoảng giá trị để

phân đoạn mức độ Ví dụ, với thang đo 5 mức độ, có thể chia đoạn theo công thức

sau:

Giá trị khoảng cách= (Maximum — Minimum)/n= (5-1)/5= 0.8

Ý nghĩa các mức như sau:

SH ái hà độ tin cậy của thang đo Cronbach Alpha

Trong mô hình nghiên cứu, ta sẽ có các biến độc lập tác động lên biến phụ thuộc

Các biến độc lập và biến phụ thuộc này trong thống kê được gọi là biến tiềm ân hay nhân tố Các biển tiềm ân nảy không thê trực tiếp đo lường nó được mà chúng ta cần xây dựng những biến quan sát nhỏ bên trong để làm rõ cho biến tìm ấn đó Tập hợp những biến quan sát nhỏ nảy thì được gọi là thang đo của biến tiềm ấn đó

Một thang đo mà có độ tin cậy cao có nghĩa là các biến quan sát nhỏ bên trong

nó càng thể hiện được tính chất của nhân tố mẹ hay là thể hiện được tính chất của biến

tiềm ấn Nếu 1 thang đo có độ tin cậy thấp có nghĩa là các biến quan sát nhỏ bên trong

chưa tốt chưa thê hiện được các khía cạnh của nhân tố mẹ thì khi đó chúng ta dùng

thuật ngữ đo lường độ tin cậy của thang đo có nghĩa là chúng ta đi kiểm tra xem biến

5

quan sát của thang đo đó có thể hiện được đặc điểm, tính chất của biến tìm ẩn mẹ hay

không

Nếu chạy kết quả ra tiễn dần về I thì thang đo đó có độ tin cậy cao và các biến

quan sát thể hiện được đặc điểm tính chất của biến tìm ấn mẹ Còn nếu tiễn dần về 0

thì thang đo đó có độ tin cậy thấp, và các biến quan sát nhỏ bên trong của biến tiềm ấn

đó càng thể hiện rất ít tính chất của nhân tố mẹ Chúng ta không được nhằm lẫn thang

đo của biến quan sát của biến tiềm ấn với thang đo Likert

2.2_ Kiểm định độ tin cậy Cronbach Alpha trên SPSS

Tuy nhiên, không phải lúc nào tất cả các biến quan sát xI, x2, x3, 14, I5 chúng

ta đưa ra để đo lường cho nhân tố A đều hợp lý, đều phản ánh được khái niệm, tính

chất của A Do vậy, cần phải có một công cụ giúp kiểm tra xem biến quan sát nào phù hợp, biến quan sát nào không phủ hợp để đưa vào thang đo

Kiểm định độ tin cậy thang đo Cronbach's Alpha là công cụ chúng ta cần Công

cụ này sẽ giúp kiểm tra xem các biến quan sát của nhân tố mẹ (nhân tố A) có đáng tin cậy hay không, có tốt không Phép kiểm định nảy phản ánh mức độ tương quan chặt chẽ giữa các biến quan sát trong cùng 1 nhân tố Nó cho biết trong các biến quan sát

kủô/mô12tâufÐcbifnbndo 4ãrdôoness2msá9ớ tốt đ¿IfenstdcnlÊpiáhândfsbifthnae

ta liệt kê là rất tốt, thể hiện được đặc điểm của nhân tố mẹ, chúng ta đã có được một

thang đo tốt cho nhân tố mẹ này

2.3 Đo lường độ tin cậy băng hệ số Cronbachs Alpha

Cronbach (1951) đưa ra hệ số tin cậy cho thang đo Chú ý, hệ số Cronbach's Alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên ) chứ không tính được độ tin cậy cho từng biến quan sát (Nguồn: Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh doanh, NXB Tài chính, Tái bản lần 2, Trang 355)

Hệ số Cronbachs Alpha có giá trị biến thiên trong đoạn từ 0 đến 1 Về lý thuyết,

hệ số nảy càng cao cảng tốt (thang đo cảng có độ tin cậy cao) Tuy nhiên điều này không hoàn toàn chính xác Hệ số Cronbach's Alpha quá lớn (khoảng từ 0.95 trở lên) cho thấy có nhiều biến trong thang đo không có khác biệt gì nhau, hiện tượng này gọi

là trùng lặp trong thang đo (Nguyễn Đình Thọ, Phương pháp nghiên cứu khoa học trong kinh đoanh, NXB Tài chính, Tải bản lần 2, Trang 364)

2.4 Các tiêu chuẩn trong kiểm định độ tin cậy thang đo Cronbachs Alpha

Nếu một biến đo lường có hệ số tương quan biến tổng Corrected Item - Total Correlation > 0.3 thì biến đó đạt yêu cầu (Nguồn: Nunnally, J (1978), Psychometric Theory, New York, MeGraw-HiII) Nếu nhỏ hơn 0,3 thì phải loại biến quan sát đó đi

Mức giá trị hệ số Cronbach's Alpha (Nguồn: Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS Tập 2, NXB Hồng Đức, Trang 24)

e_ Từ0.§ đến gần bằng l: thang đo lường tất tốt

e_ Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt

e©_ Từ0‹6 trở lên: thang đo lường đủ điều kiện

Chúng ta cũng cần chú ý đến giá trị của cột Cronbach's Alpha ¡f Iem Deleted, cột nảy biểu diễn hệ số Cronbachs Alpha nếu loại biến đang xem xét Mặc dù đây không phải là một tiêu chuẩn phố biến để đánh giá độ tin cậy thang đo, tuy nhiên, nếu giá trị Cronbach's Alpha ¡f Iem Deleted lớn hơn hệ số Cronbach Alpha của nhóm thì chúng ta nên cân nhắc xem xét biến quan sát này tùy vào từng trường hợp

Cách làm:

BI: Để thực hiện kiểm định độ tin cậy Cronbach Alpha, bạn vào Analyze > Scale >

Reliability Analysis

B2: Thực hiện kiểm định cho nhóm biến quan sát bằng cách đưa các biến quan sát vào

Bực ltems bên phải, Tiếp đó chọn StatIstics

3: Lúc nảy tick vào các mục Scale 1f item deleted, và chọn Continue

Đọc kết quả:

Reliability Statisties Crũnhaeh's

lI'iha El n† ltsrms

Iltem-T otal Statistic=

5ralE lulEairt iŸ MZITÍTIEE ÍÝ |tzrm-Tmtal “&[[i[1a if IEärTI

lItạfm Aslglazd ILäfrI Baálg1t2d GñirlatiarI Dálö1ä dÌ

e_ Cronbach's Alpha: Hệ số Cronbachs Alpha

e© Nofltems: Số lượng biến quan sát

e©_ Scale Mean ¡f Item Deleted: Trung bình thang đo nếu loại biến

e©_ Scale Variance ¡f Item Deleted: Phương sai thang đo nếu loại biến

e Corrected Item-Total Correlation: Tương quan biến tổng

e Cronbach”s Alpha 1f Item Deleted: Hệ số Cronbach°s Alpha nếu loại biễn

Bảng đầu tiên chính là hệ số Cronbach Alpha của nhóm, ở đây ta thấy hệ số Cronbach

Alpha của nhóm TN là 0,790 thì thõa mãn điều kiện là > 0,6

7

Tiếp theo chúng ta quan sát hệ số tương quan biến tổng ở bảng thứ 2, xem xét các hệ

SỐ Ở cột Corrected Item-Total Correlation xem có hệ số nào nhỏ hơn 0,3 thì loại

biến đó đi và chạy lại cronbach alpha Còn trường hợp các hệ số này đều lớn hơn 0,3 thì các biến sẽ được giữ lại

Quan sát tiếp tục cột Cronbach°s Alpha if Item Deleted cột này sẽ đưa ra hệ số

Cronbach alpha mới của nhóm khi mà biên quan sát đó được loại bỏ đi Ví dụ như néu

biển TRĐ đợc loại bó đi (lu hệ SỐ cronDach đÌpha HhỚt của nRÓHH Hí Ủ,g 1ã, Tết ác” các giá trị trong nhóm này nhỏ hơn giá trị của Cronbach Alpha trong bảng I thì chấp

nhận hết tất cả các biến

Trường hợp nếu các hệ số nó lớn hơn giá trị Cronbach Alpha sẽ có 2 trường hợp:

- THI:Nếu chúng ta đặt tiêu chuẩn cho hệ số Cronbach Alpha lúc đầu là 0,7 mà

chạy ra bảng thứ 1 có giá trị nhỏ hơn 0,7 Thì đừng nên vội loại bỏ biến tiềm ân nảy, mà chúng ta phải xét các biến quan sát ở đưới xem biến quan sát nào có giá trị ở cột Cronbach°s Alpha ïif Item Deleted lớn nhất và giá trị của nó là lớn hơn hoặc bằng 0,7 thì chúng ta sẽ loại bỏ biến quan sát đó và chạy lại

Cronbach Alpha

- _ TH2: nếu chúng ta có giá trị của cột Cronbach”s Alpha If Iem Deleted lớn hơn giá trị của cronbach alpha chúng ta phải nhớ đên tiêu chuân loại biên là: hệ sô cronbach alpha phảu từ 0,6 trở trên và hệ số tương quan biến tổng phải lớn hơn 0,3 Nếu biến quan sát thõa mãn 2 điều kiện trên thì chúng ta không loại biến quan sát đó và vẫn giữa biến lại

2.5 Bao nhiêu biến quan sát là đủ cho Cronbach Alpha

- _ Tốt là từ 3 trở lên

- _ Không nên xây dựng quá nhiều biến quan sát (trên 8) sẽ dễ gây trùng lặp thang

đo

- _ Nếu nhân tố lớn và chứa quá nhiều biến quan sát (trên 10) hãy xem xét tách

-_ NiÑhtÑraHhành&*qnSósánhBdi:fệdâ¡ehânrGelphân tích độ tin cậy

Cronbach Alpha Không nên xây dựng thang đo Ï quan sát

- Nhântổ 2 biến quan sát

® Không xuất hiện cột Cronbach Alpha 1f item Deleted

e©_ Nếu Conbach Alpha của nhóm không đạt hoặc có l trong 2 biến có tương quan tổng nhỏ hơn 0,3 thì loại cá thang đo

e© Hạn chế sử dụng thang đo 2 quan sát

Câu 3: Phân tích nhân tổ khám phá EFA trong SPSS

3.1 Khái niệm và ứng dụng

- lên chung của l nhóm các chức năng dùng chủ yêu “thu nhỏ” và tóm tắt đữ

§

- _ Phân tích nhân tố được sử dụng trong các trường hợp:

e Nhận diện các khía cạnh hay nhân tố giải thích được các liên hệ tương quan

trong một tập hợp biến

e© Nhận diện một tập hợp gồm một số lượng biến mới tương đối ít không có

tương quan với nhau đề thay thế tập hợp biến gốc có tương quan

e_ Đề nhận dạng I tập hợp I số ít các biến nỗi trội tử I tập nhiều biến

3.2 Các chỉ tiêu trong phân tích EEA

Khi phân tích nhân tô khám phá, các nhà nghiên cứu thường quan tâm đên một sô tiêu chuẩn:

- _ Thứ nhất, hệ số KMO (Kaiser-Meyer-Olkim) = 0.5, mức ý nghĩa của kiểm định

Bartlett = 0.05

- _ Thứ hai hệ số tải nhân tố (Factor loading) > 0.45 Nếu biến quan sát nảo có hệ

số tải nhân tố = 0.45 sẽ bị loại (Tabachnick & Fidell, 1989, Using Multivariate

Statistics, Northridge, USA: HarperCollins Publishers)

- _ Thứ ba, thang đo được chấp nhận khi tổng phương sai trích = 50% và

eigenvalue có giá trị lớnhơn | ở ¬

- _ Tiêu chuân thử tư là khác biệt hệ sô tải nhân tô của một biên quan sát giữa các nhân tố = 0.3 để đảm bảo giá trị phân biệt giữa các nhân tố

Hệ số KMO là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố Trị số

của KMO phải đạt giá trị 0,5 trở lên (0,5 <= KMO <= I) là điều kiện đủ để phân tích

nhân tố là phủ hợp Nếu trị số nảy nhỏ hơn 0,5 thì phân tích nhân tô có khả năng không thích hợp với tập dữ liệu nghiên cứu

Kiểm định Bartlett (Bartletts test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không Chúng ta cần lưu ý, điều kiện cần đề áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh

khán đồauwElacbeEtmôbnbÂshiô pÏkht EÉ nôr@@qi££<Iö2zớnniđó, Mêm¡6äy điên

cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét Kiểm định Bartlett có ý nghĩa thống kê (sig Bartletts Test < 0.05), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố

Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA Với tiêu chí này, chỉ có những nhân tô nào có Elgenvalue = Ï mới được giữ lại trong mô hình phân tích

Tổng phương sai trích (Total Varianee Explained) > 50% cho thấy mô hình

EFA là phủ hợp Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích

cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát

Hệ số tải nhân tổ (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biển quan sát với nhân tố Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tô càng lớn và ngược lại Theo Harr & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:

e©_ Factor Loading ở mức +0.3: Điều kiện tối thiểu để biến quan sát được giữ lại e_ Factor Loading ở mức + 0.5: Biến quan sát có ý nghĩa thống kê tốt

® Eactor Loading ở mức +0.7: Biến quan sát có ý nghĩa thống kê rất tốt

Trên thực tế, người ta thường lẫy hệ số tải 0,5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đên dưới 350; lây tiêu chuân hệ sô tải là 0,3 với cỡ mâu từ 350 trở lên

3.3 Cách thực hiện:

I Chạy EFA cho biến độc lập:

BI: Analyze > Dimension Reduction > Factor

B2: Đưa biến quan sát của các biến độc lập cần thực hiện phân tích EFA vào mục

Variables, nêu có biên quan sát nào bị loại ở bước trước đó, chúng ta sẽ không đưa vào phân tích EFA

- _ Descriptives: tích vào mục KMO để xuất giá trị bảng KMO và giá trị Sig của

kiểm định Barlett Nhấp Continue

- _ Extracton: ở đây, chúng ta sẽ sử dụng phép trích PCA (Principal Componenfts Analysis) Chúng ta cũng có thể sử dụng PAE

- - Rotatlon: ở đây có các phép quay, thường chúng ta sẽ hay ssuwr dụng Varimax

và Promax Riêng dạng đề tài đã xác định được biến độc lập lên biến phụ thuộc

chúng ta sẽ sử dụng phép quay Varimax

- _ Options: tích vào 2 mục: Sorted by size giúp sắp xếp ma trận xoay thành từng cột dạng bậc thang đề dễ đọc dữ liệu hơn và Suppress small coefficients giúp loại bỏ hệ số tải không đạt tiêu chuẩn ra khỏi ma trận xoay, giúp ma trận xoay gọn gàng và trực quan hơn Tại mục này sẽ có hàng Absolute value below bạn cần nhập hệ số tải nhân tố Factor Loading tiêu chuẩn Nhấp continue

B3: OK

3.4 Cách đọc:

Chúng ta có khá nhiều bảng tuy nhiên chí cần quan tâm 3 bảng:

Bảng 1: KMO and Barlett?s Test để xem hệ số KMO và sig kiểm định Barlett

HIMO arrl Bartlielt's Test

|<ãiÌ se tr<£J|Kin RMleasLuire cÍ S lÌ Lia@M Nó:

Ta có: 0,5 <= KMO= 0,752 <= I, phân tích chấp nhận với tập dữ liệu nghiên cứu

Sig Barlett”s Test = 0,000 < 0,05, phân tích nhân tố là phù hợp

Bảng 2: Total Varianee Explained để xem tổng phương sai trích Total Variance Explained và giá trị Eigenvalue

Total Varianca Explainad

Gompon Iniial Eiqenvalues Extractian Surns sf Squiared Rotatien Suma of Squared

Tatal #u nÝ Cumiuilaflve | Total #ụ nÍ Cuimullalive| Total % dƒ CurnulaBwe

Varianoe Tạ \/ariaioe Tù Vafianice Ki

Giá trị Eigenvalue = 1.428 > I và trích được 6 nhân tố mang ý nghĩa tóm tắt thông tin

Tổng phương sai trích = 62.586 > 50% cho thấy mô hình EFA là phù hợp Như vậy, 6

nhân tố được trích cô đọng được 62.586% biến thiên các biến quan sát

Bảng 3: Rolated Component Matrix xem ma trận xoay và kiểm tra hệ số tải Factor Loading của các biên quan sát

Từ kết quả ma trận xoay, biến LD5 và DN4 sẽ bị loại

- _ Biến LD§ tái lên ở cả 2 nhân tố là Component I và Component 3, vi phạm tính phân biệt trong ma tra trận xoay với hệ số tải lần lượt là 0.516 và 0.644, mức

chênh lệch hệ số tải nhỏ hơn 0.3

II

-_ Biến DN4 có hệ số tải nhỏ hơn 0.5, như vậy biến này không tải lên ở nhân tố nào

Tiến hành thực hiện phân tích nhân tổ khám phá EFA lần 2 sau khi đã loại đi 2 biến

quan sát LDS, DN4

Kết quả ma trận xoay cho thấy, 24 biến quan sát được gom thành 6 nhân tố, tất

cả các biên quan sát đêu có hệ sô tải nhân tô Factor Loading lớn hơn 0.5

2 Chạy EFA cho biến phụ thuộc:

Cách làm: tương tự với biến độc lập chỉ khác ở bước 2 là đưa biến phụ thuộc vào ô Variable

Cách đọc:

KMOD and BarliletL's Test

Kaiser-Mewer-Olkin Rlsasure øf Sampling Adlequaew 684

Ta có: 0,5 <= KMO= 0,684 <= I, phân tích chấp nhận với tập dữ liệu nghiên cứu

Sig Barlett”s Test = 0,000 < 0,05, phân tích nhân tố là phù hợp

Talal %:› d[ Variance | Cumulative 3 Total 9u DỊ Variance | Cumulativwe 5%

Giá trị Eigenvalue = 2.043 > 1 và Tổng phương sai trích = 62.586 > 50% Kết luận thang đo được chấp nhận

Component Matrix°

Compmnent

HL2Z HL† 805 853

Khi phân tích EFA cho biến phụ thuộc thay vì nhận xét bảng ma trận xoay thì chúng

ta nhận xét bảng ma trận chưa xoay Bởi vì muôn xoay được phải có 2 nhân tô trở lên

Câu 4: Phân tích ANOVA

4.1 Phân tích phương sai ANOVA một yếu tố

Phân tích phương sai một yếu tố ( còn gọi là oneway anova) dùng đề kiểm định giả thuyết trung bình băng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là

59

Vĩ dụ: Phân tích sự khác biệt giữa các thuộc tính khách hàng (giới tính, tuổi, nghề

nghiệp, thu nhập ) đối với 1 vấn đề nào đó (thường chọn là nhân tố phụ thuộc, vd: lòng trung thành)

Nhiệm vụ của Anova: xem xét có sự khác biệt về trung bình của biến định lượng đối với những giá trị khác nhau của một biến định tính hay không? Ở đây mình sẽ có biến định lượng về lòng trung thành của KH với thương hiệu laptop và mình có các

biến định tính như là độ tuỗi, giới tính, thu nhập, nơi làm việc, tình trạng hôn nhân,

Nhiệm vụ của ANOVA ở đây là xem xét rằng lòng trung thành của khách hàng có sự

khác nhau giữa các mức thu thập, độ tuổi, nơi làm việc, tình trạng hôn nhân hay

không Như là những người có thu nhập cao thì lòng trung thành của họ có nhiều hơn những người có thu nhập thấp hay là những người trẻ có lòng trung thành cao hơn hay thấp hơn những người lớn tuổi hơn

Một số giả định khi phân tích ANOVA:

— Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên

— Các nhóm so sánh phải có phân phôi chuân or cỡ mâu phải đủ lớn đê được xem như tiệm cận phân phôi chuân

— Phương sai của các nhóm so sánh phải đông nhât

13