Hướng dẫn thực hành SPSS cơ bản

Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 1 SPSS 16.0 CÁCH THỨC TIẾN HÀNH LỆNH FREQUENCIES (Tính tần số) 1. Sau khi mở file dữ liệu, vào menu Analyze  Descriptive Statistics  Frequencies Màn hình sẽ xuất hiện hộp thoại sau: 2. Chọn biến muốn tính tần số (biến Place V1) bằng cách click chuột vào tên biến rồi đưa sang khung Variable(s). 3. Click Ok. Trường hợp muốn vẽ biểu đồ thực hiện thêm bước 4 trước khi click Ok. 4. Để vẽ biểu đồ click chuột vào ô Charts. Chọn dạng biểu đồ ở Chart type, chọn giá trị thể hiện trên biểu đồ là số đếm (frequencies) hay phần trăm (percentages). Click Continue để trở lại hộp thoại Frequencies  Ok để thực hiện lệnh. Vẽ biểu đồ Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 2 Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 3 TÍNH TRỊ TRUNG BÌNH (2 CÁCH) CÁCH 1. DÙNG LỆNH FREQUENCY 1. Vào menu Analyze  Descriptive Statistics  Frequencies. Đưa biến cần tính trị trung bình vào ô variables như bước 1 và 2 ở phần trước. 2. Click chọn thẻ Statistic, mở hộp thoại, và click chọn các thông số cần thiết: 3. Ý nghĩa một số thông số thông dụng: Mean: trung bình cộng Sum: tổng cộng (cộng tất cả các giá tị trong tập dữ liệu quan sát) Std. Deviation: độ lệch chuẩn Minimum: giá trị nhỏ nhất Maximum: giá trị lớn nhất S.E. mean: sai số chuẩn khi ước lượng trị trung bình CÁCH 2. DÙNG LỆNH DESCRIPTIVES (Tính điểm trung bình) 1. Vào menu Analyze  Descriptive Statistics  Descriptives, xuất hiện hộp thoại Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 4 2. Chọn 1 hay nhiều biến (định lượng) muốn tính điểm trung bình đưa vào khung Variable(s). 3. Click vào ô Options để xuất hiện hộp thoại Descriptive Options. Chọn các đại lượng thống kê muốn tính toán bằng cách click vào ô vuông cần thiết. 4. Chọn cách sắp xếp kết quả tính toán theo thứ tự danh sách biến (Variable list), thứ tự Alphabetic của nhãn biến, thứ tự tăng dần (Ascending list), và thứ tự giảm dần (Descending list). 5. Click Continue để trở về hộp thoại Descriptive  Ok để thực hiện lệnh. Ý nghĩa của từng giá trị trung bình đối với thang đo khoảng (Interval Scale) Giá trị khoảng cách = (Maximum - Minimum) / n = (5 -1) / 5 = 0.8 Giá trị trung bình Ý nghĩa 1.00 - 1.80 Rất không đồng ý/Rất không hài lòng/Rất không quan trọng 1.81 - 2.60 Không đồng ý/Không hài lòng/ Không quan trọng 2.61 - 3.40 Không ý kiến/trung bình 3.41 - 4.20 Đồng ý/ Hài lòng/ Quan trọng 4.21 - 5.00 Rất đồng ý/ Rất hài lòng/ Rất quan trọng Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 5 CÁCH THỨC TIẾN HÀNH PHÂN TÍCH BẢNG CHÉO (CROSSTABULATION) Phân tích bảng chéo dùng để kiểm định mối quan hệ giữa các biến định tính với nhau bằng cách dùng kiểm định Chi – bình phương (Chi-square). Cách thức tiến hành với SPSS như sau: 1. Vào menu Analyze  Descriptive Statistics  Crosstabs, 2. Xuất hiện hộp thoại sau: 3. Chọn và đưa các biến vào khung Row(s) (dòng) và Column(s) (cột) và Layer 1 of 1 (đối với trường hợp trên 2 biến). 4. Click vào ô Statistics, xuất hiện hộp thoại sau: Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 6 5. Chọn các kiểm định cần thiết. Trong trường hợp này ta dùng kiểm định Chi – bình phương (Chi-square). - Các kiểm định ở ô Norminal dùng để kiểm định mối liên hệ giữa các biến biểu danh. - Các kiểm định ở ô Ordinal dùng để kiểm định mối liên hệ giữa các biến thứ tự. 6. Click vào continue để trở lại hộp thoại Crosstabs  Click vào ô Cells, hộp thoại sau xuất hiện: 7. Ở ô Counts chọn Observed (thể hiện tần số quan sát). Trong trường hợp muốn thể hiện tần số mong đợi chọn Expected. 8. Chọn cách thể hiện phần trăm theo dòng hay theo cột ở ô Percentages. 9. Click Continue để trở lại hộp thoại Crosstabs  Ok để thực hiện lệnh. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 7 CÁCH ĐỌC KẾT QUẢ KIỂM ĐỊNH Khi thực hiện kiểm định, ta có 2 giả thuyết. H0: không có mối quan hệ giữa các biến. H1: có mối quan hệ giữa các biến. Để kết luận là chấp nhận hay bác bỏ giả thuyết H0, ta sẽ dùng các kiểm định phù hợp. Dựa vào giá trị P (p-value) (SPSS viết tắt p-value là sig.) để kết luận là chấp nhận hay bác bỏ giả thuyết H0 p-value (sig.) ≤ α (mức ý nghĩa)  bác bỏ giả thuyết H0. Có nghĩa là có mối quan hệ có ý nghĩa giữa các biến cần kiểm định. p-value (sig.) > α (mức ý nghĩa)  chấp nhận H0. Không có mối quan hệ giữa các biến cần kiểm định. ĐỐI VỚI KIỂM ĐỊNH CHI – BÌNH PHƯƠNG Hàng đầu tiên của bảng Chi-square tests thể hiện giá trị P Chi-Square Tests Value df Asymp. Sig. (2-sided) Pearson Chi-Square 16.217a 8 .039 Likelihood Ratio 18.708 8 .017 Linear-by-Linear Association .202 1 .653 N of Valid Cases 511 a. 8 cells (44.4%) have expected count less than 5. The minimum expected count is 1.69. Cuối bảng Chi-Square tests SPSS sẽ đưa ra dòng thông báo cho biết % số ô có tần suất mong đợi dưới 5. Kiểm định Chi-bình phương chỉ có ý nghĩa khi số quan sát đủ lớn, nếu có quá 20% số ô trong bảng chéo có tần số lý thuyết nhỏ hơn 5 thì giá trị chi-bình phương không còn đáng tin cậy. Trong ví dụ trên có đến 44.4% số ô có tần số mong đợi dưới 5, biện pháp cho trường hợp này là ta sẽ gom các biểu hiện trên các biến lại để tăng số quan sát trong mỗi nhóm. p-value Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 8 CÁCH THỨC TIẾN HÀNH KIỂM ĐỊNH GIẢ THUYẾT VỀ TRỊ TRUNG BÌNH CỦA 2 TỔNG THỂ ĐỘC LẬP (Independent Samples T-test) 1. Vào menu Analyze  Compare Means  Independent-samples T-test 2. Chọn biến định lượng cần kiểm định trị trung bình đưa vào khung Test Variable(s). Chọn biến định tính chia số quan sát thành 2 nhóm mẫu để so sánh giữa 2 nhóm này với nhau đưa vào khung Grouping Variable. 3. Chọn Define Groups để nhập mã số của 2 nhóm. Click Continue để trở lại hộp thoại chính  Click Ok để thực hiện lệnh Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 9 Trong kiểm định Independent-samples T-test, ta cần dựa vào kết quả kiểm định sự bằng nhau của 2 phương sai tổng thể (kiểm định Levene). Phương sai diễn tả mức độ đồng đều hoặc không đồng đều (độ phân tán) của dữ liệu quan sát. Independent Samples Test A.Cleanliness and comfort of room Equal variances assumed Equal variances not assumed Levene's Test for Equality of Variances F .138 Sig. .710 t-test for Equality of Means t -3.066 -3.040 df 509 448.100 Sig. (2-tailed) .002 .003 Mean Difference -.231 -.231 Std. Error Difference .075 .076 95% Confidence Interval of the Difference Lower -.379 -.380 Upper -.083 -.082 Nếu giá trị Sig. trong kiểm định Levene (kiểm định F) < 0.05 thì phương sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed. Nếu Sig. ≥ 0.05 thì phương sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed. Trong VD trên Sig. của kiểm định F = 0.71 > 0.05  chấp nhận giả thuyết H0 không có sự khác nhau về phương sai của 2 tổng thể  sử dụng kết quả ở dòng Equal variances assumed. Nếu Sig. của kiểm định t ≤ α (mức ý nghĩa)  có sự phác biệt có ý nghĩa về trung bình của 2 tổng thể. Nếu Sig. > α (mức ý nghĩa)  không có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể. Trong VD trên sig. = 0.002 < 0.05  có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 10 CÁCH THỨC TIẾN HÀNH KIỂM ĐỊNH GIẢ THUYẾT VỀ TRỊ TRUNG BÌNH CỦA 2 TỔNG THỂ PHỤ THUỘC HAY PHỐI HỢP TỪNG CẶP (Paired-Samples T-test) 1. Vào menu Analyze  Compare means  Paired-samples T-test 2. Chọn cặp biến muốn so sánh (nhấn giữ phím ctrl để chọn 2 biến) đưa vào khung Paired Variable(s). Có thể chọn nhiều cặp để so sánh cùng 1 lúc. 3. Có thể chỉnh lại độ tin cậy bằng cách click vào ô Option, nhập độ tin cậy vào khung Confidence Interval. 4. Click Ok để thực hiện lệnh. 5. Xem cách đọc kết quả kiểm định ở phần trên. Cũng dùng giá trị Sig. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 11 CÁCH THỨC TIẾN HÀNH PHÂN TÍCH PHƯƠNG SAI (ANOVA – Analysis of Variance) Phân tích phương sai ANOVA là phương pháp so sánh trị trung bình của 3 nhóm trở lên. Có 2 kỹ thuật phân tích phương sai: ANOVA 1 yếu tố (một biến yếu tố để phân loại các quan sát thành các nhóm khác nhau) và ANOVA nhiều yếu tố(2 hay nhiều biến để phân loại). Ở phần thực hành cơ bản chỉ đề cập đến phân tích phương sai 1 yếu tố (One-way ANOVA). Một số giả định đối với phân tích phương sai một yếu tố: - Các nhóm so sánh phải độc lập và được chọn một cách ngẫu nhiên. - Các nhóm so sánh phải có phân phối chuẩn hoặc cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn. - Phương sai của các nhóm so sánh phải đồng nhất. 1. Từ menu Analyze  Compare Means  One-Way ANOVA, xuất hiện hộp thoại sau: 2. Đưa biến định lượng (trị trung bình) vào khung Dependent list. Đưa biến phân loại xác định các nhóm cần so sánh với nhau vào khung Factor. 3. Click vào nút Option để mở hộp thoại One-Way ANOVA Options. Trong hộp thoại One-way ANOVA Options: - Click chọn ô Descriptive để tính đại lượng thống kê mô tả (tính trị trung bình) theo từng nhóm so sánh. - Click chọn ô Homogeneity of variance test để kiểm định sự bằng nhau của các phương sai nhóm (thực hiện kiểm định Levene). 2 kỹ thuật dùng để kiểm định sâu ANOVA Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 12 4. Click chọn Continue để trở lại hộp thoại ban đầu  click Ok để thực hiện lệnh. 5. Dựa vào kết quả kiểm định ANOVA, nếu H0 được chấp nhận thì kết luận không có sự khác biệt có ý nghĩa giữa các nhóm với nhau. Nếu H0 bị bác bỏ  có sự khác biệt có ý nghĩa giữa các nhóm  trở lại hộp thoại One – way ANOVA để thực hiện kiểm định sâu ANOVA nhằm xác định cụ thể trung bình của nhóm nào khác với nhóm nào, nghĩa là tìm xem sự khác biệt của các nhóm xảy ra ở đâu. 6. Tuy nhiên có thể thực hiện kiểm định ANOVA và sâu ANOVA cùng lúc với nhau. Dựa vào sự chấp nhận hay bác bỏ giả thuyết H0 để quan tâm hay không quan tâm đến kết quả kiểm định sâu ANOVA. Phân tích sâu ANOVA – Xác định chỗ khác biệt Có 2 phương pháp để phân tích sâu ANOVA, đó là kiểm định “trước” (kiểm định Priori Contrasts) và kiểm định “sau” (kiểm định Post-Hoc test). Phương pháp kiểm định gần với phương pháp nghiên cứu thực là Post-Hoc test. Nên trong phần này ta sẽ sử dụng Post- Hoc test để thực hiện kiểm định sâu ANOVA nhằm tìm ra chỗ khác biệt. Các phương pháp kiểm định thống kê của Post-Hoc test thường được sử dụng: - LSD: đây là phép kiểm định dùng kiểm định t lần lượt cho từng cặp trung bình nhóm, do vậy nhược điểm của nó là độ tin cậy không cao vì làm gia tăng mức độ phạm sai lầm tương ứng với việc so sánh nhiều nhóm cùng một lúc. - Bonferroni: giống quy tắc của LSD nhưng điều chỉnh được mức ý nghĩa khi tiến hành so sánh bội dựa trên số lần tiến hành so sánh. Đây là một trong những thủ tục kiểm định đơn giản nhất và hay được sử dụng cho mục tiêu này. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 13 - Tukey: cũng được sử dụng phổ biến cho việc tìm kiếm các trung bình các nhóm khác biệt. Nó sử dụng bảng phân phối Studentizze range distribution. Tukey hiệu quả hơn Bonferroni khi số lượng các cặp trung bình cần so sánh khá nhiều. - R-E-G-W: thực hiện 2 bước kiểm định, đầu tiên tiến hành kiểm định lại toàn bộ các giá trị trung bình nhóm xem có bằng nhau không; nếu không bằng thì bước kế tiếp nó sẽ kiểm định để tìm các nhóm nào khác biệt thật sự với nhau về trị trung bình. Nhưng kiểm định này không phù hợp khi kích cỡ các nhóm mẫu không bằng nhau. - Dunnett: là thủ tục cho phép chọn so sánh các trị trung bình của các nhóm mẫu còn lại với trị trung bình của một nhóm mẫu cụ thể nào đó được chọn ra so sánh (nhóm điều khiển), SPSS mặc định chọn nhóm cuối (last) để làm nhóm điều khiển. Sử dụng kiểm định nào là tuỳ thuộc vào mục đích của nhà nghiên cứu và tình hình thực tế nghiên cứu. Đọc kết quả phân tích phương sai 1. Bảng đầu tiên thể hiện các đại lượng thống kê mô tả Descriptives Willingness to introduce N Mean Std. Deviation Std. Error 95% Confidence Interval for Mean Minimum Maximum Lower Bound Upper Bound Single 153 4.12 .811 .066 3.99 4.25 1.00 5 Married/Living with partner 341 4.28 .645 .035 4.22 4.35 1.00 5 Divorced 15 4.13 .743 .192 3.72 4.54 3.00 5 Widowed 2 4.50 .707 .500 -1.85 10.85 4.00 5 Total 511 4.23 .704 .031 4.17 4.29 1.00 5 2. Bảng thứ 2 thể hiện kết quả kiểm định Levene. Trong VD này Sig. = 0.273 > mức ý nghĩa 0.1  chấp nhận giả thuyết H0  phương sai các nhóm không khác nhau một cách có ý nghĩa  có thể sử dụng kết quả phân tích ANOVA ở bảng tiếp theo. Test of Homogeneity of Variances Willingness to introduce Levene Statistic df1 df2 Sig. 1.303 3 507 .273 Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 14 3. Bảng thứ 3 thể hiện kết quả kiểm định ANOVA. Trong VD này sig. = 0.089 < mức ý nghĩa 0.1  bác bỏ giả thuyết H0  có sự khác biệt có ý nghĩa về giá trị trung bình của mức độ sẵn lòng giới thiệu của các nhóm tình trạng hôn nhân. ANOVA Willingness to introduce Sum of Squares df Mean Square F Sig. Between Groups 3.228 3 1.076 2.186 .089 Within Groups 249.523 507 .492 Total 252.751 510 4. Bảng thứ 4 thể hiện kết quả kiểm định sâu ANOVA (dùng kiểm định LSD). Multiple Comparisons Willingness to introduce LSD (I) Marital status (J) Marital status Mean Difference (I-J) Std. Error Sig. 95% Confidence Interval Lower Bound Upper Bound Single Married/Living with partner -.167 * .068 .015 -.30 -.03 Divorced -.016 .190 .934 -.39 .36 Widowed -.382 .499 .444 -1.36 .60 Married/Living with partner Single .167 * .068 .015 .03 .30 Divorced .151 .185 .415 -.21 .51 Widowed -.216 .498 .665 -1.19 .76 Divorced Single .016 .190 .934 -.36 .39 Married/Living with partner -.151 .185 .415 -.51 .21 Widowed -.367 .528 .488 -1.40 .67 Widowed Single .382 .499 .444 -.60 1.36 Married/Living with partner .216 .498 .665 -.76 1.19 Divorced .367 .528 .488 -.67 1.40 *. The mean difference is significant at the 0.05 level. Dựa vào kết quả kiểm định LSD này, ta có thể kết luận chỉ có hai nhóm đã kết hôn và độc thân là có sự khác nhau về mức độ sẵn lòng giới thiệu. Trong VD này nhóm đã kết hôn sẽ sẵn lòng giới thiệu hơn nhóm độc thân (xem bảng thống kê mô tả). Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 15 MÔ HÌNH HỒI QUY TUYẾN TÍNH BỘI 1. Từ menu Analyze  Regression  Linear 2. Xuất hiện hộp thoại sau: - Đưa biến phụ thuộc vào khung Dependent(s). - Đưa biến độc lập vào khung Independent(s). 3. Chọn phương pháp đưa biến vào ở ô Method. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 16 - Mặc định SPSS sẽ chọn phương pháp đưa biến vào là Enter. Đây là phương pháp mà SPSS sẽ xử lý tất cả các biến độc lập mà nhà nghiên cứu muốn đưa vào mô hình. - Phương pháp đưa vào dần (forward selection). Biến độc lập đầu tiên được xem xét để đưa vào mô hình là biến có tương quan lớn nhất với biến phụ thuộc. Tiếp tục SPSS sẽ xét điều kiện để đưa các biến độc lập còn lại vào mô hình. Nếu biến đầu tiên không thoả điều kiện vào thì thủ tục này sẽ chấm dứt, không có biến nào được đưa vào mô hình. - Phương pháp loại trừ dần (backward elimination). Đầu tiên tất cả các biến độc lập được đưa vào mô hình, biến có hệ số tương quan nhỏ nhất sẽ được kiểm tra đầu tiên, nếu không thoả điều kiện sẽ bị loại ra. Lúc này mô hình này sẽ được tính toán lại mà không có biến độc lập vừa loại. Tiếp theo SPSS sẽ lặp lại thủ tục trên cho đến khi nào giá trị F của biến có hệ số tương quan nhỏ nhất lớn hơn điều kiện thì quá trình này sẽ dừng lại.  Tham khảo điều kiện để đưa vào và loại ra PIN, FIN, FOUT, POUT. - Phương pháp chọn từng bước (stepwise selection) là sự kết hợp của phương pháp đưa vào dần vào loại trừ dần và là phương pháp được sử dụng thông thường nhất.  Sử dụng phương pháp đưa biến vào nào phụ thuộc vào tính chất của cuộc nghiên cứu. Và phương pháp được sử dụng nhiều nhất là phương pháp chọn từng bước (stepwise selection). 4. Click vào ô Statistics, để mở hộp thoại sau: - Click chọn ô Collinearity diagnostics để kiểm tra hiện tượng Đa cộng tuyến (Multicollinearity). Độ chấp nhận của biến (Tolerances) và hệ số phóng đại Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 17 phương sai (Variance inflation factor – VIF) được dùng để phát hiện hiện tượng đa cộng tuyến. Quy tắc là khi VIF vượt quá 10 là dấu hiệu của đa cộng tuyến. 5. Click Continue để trở lại hộp thoại Linear Regressions  click Ok để thực hiện lệnh. Các bước đánh giá mô hình VD: sử dụng stepwsise để đưa các biến độc lập vào mô hình. Mô hình: sự hài lòng của DK về điểm đến = α + β1 (sự hài lòng về dịch vụ lưu trú) + β2 (sự hài lòng về dịch vụ ăn uống) + β3 (sự hài lòng về dịch vụ mua sắm) + β4 (sự hài lòng về dịch vụ vận chuyển) Giá trị Tolerances và VIF ở bảng số 3 (bảng Coefficients) cho thấy không hiện diện hiện tượng đa cộng tuyến của các biến.  tiếp tục đánh giá mô hình. 1. Đánh giá độ phù hợp của mô hình Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình. R2 hiệu chỉnh càng lớn thể hiện độ phù hợp của mô hình càng cao. Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .618a .382 .381 .461 2 .664b .441 .439 .439 3 .677c .459 .455 .432 4 .684d .468 .463 .429 R2 hiệu chỉnh của mô hình số 4 là 0.463  46.3% sự biến thiên của mức độ hài lòng của DK về điểm đến được giải thích bởi mối liên hệ tuyến tính của các biến độc lập.  Mức độ phù hợp của mô hình tương đối cao. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không ta phải kiểm định độ phù hợp của mô hình. 2. Kiểm định độ phù hợp của mô hình Giả thuyết H0: β1 = β2 = β3 = β4 = 0. Để kiểm định độ phù hợp của mô hình hồi quy tuyến tính đa bội ta dùng giá trị F ở bàng phân tích ANOVA sau: ANOVAe Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 18 Giá trị sig. của trị F của mô hình số 4 rất nhỏ (< mức ý nghĩa)  bác bỏ giả thuyết H0  mô hình phù hợp với tập dữ liệu và có thể suy rộng ra cho toàn tổng thể. 3. Ý nghĩa các hệ số hồi quy riêng phần trong mô hình - Ý nghĩa của hệ số riêng phần là βk đo lường sự thay đồi giá trị trung bình Y khi Xk thay đổi 1 đơn vị, giữ các biến độc lập còn lại không đổi. - Hệ số Beta (cột thứ 4 từ bên trái) được dùng để so sánh khi các biến độc lập không cùng đơn vị đo lường. - Ở VD này ta có thể viết lại mô hình như sau: Model Sum of Squares df Mean Square F Sig. 1 Regression 66.904 1 66.904 314.686 .000a Residual 108.216 509 .213 Total 175.119 510 2 Regression 77.248 2 38.624 200.475 .000b Residual 97.872 508 .193 Total 175.119 510 3 Regression 80.296 3 26.765 143.109 .000c Residual 94.823 507 .187 Total 175.119 510 4 Regression 81.897 4 20.474 111.131 .000d Residual 93.223 506 .184 Total 175.119 510 Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 4 (Constant) 1.172 .136 8.595 .000 Overall satisfaction Accommodation .300 .041 .335 7.331 .000 .502 1.990 Overall satisfaction Transportation .168 .032 .218 5.168 .000 .589 1.697 Overall satisfaction Food .139 .041 .150 3.404 .001 .538 1.857 Overall satisfaction Shopping .103 .035 .121 2.947 .003 .624 1.603 a. Dependent Variable: Overall satisfied Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 19 Hài lòng về điểm đến = 1.172 + 0.300(hài lòng về lưu trú) + 0.168(hài lòng về vận chuyển) + 0.139(hài lòng về ăn uống) + 0.103(hài lòng về mua sắm). Giải thích mô hình: Phương trình hồi quy bội được phương pháp stepwise ước lượng cho thấy sự hài lòng của du khách về 4 dịch vụ: lưu trú, vận chuyển, ăn uống, và mua sắm có tác động tỷ lệ thuận với sự hài lòng chung của du khách về điểm đến. Trong đó sự hài lòng về dịch vụ lưu trú có tác động mạnh nhất đến sự hài lòng về điểm đến. MỘT SỐ BIỆN PHÁP KHẮC PHỤC HIỆN TƯỢNG ĐA CỘNG TUYẾN TRONG MÔ HÌNH HỒI QUY TUYẾN TÍNH (Đề nghị tham khảo chi tiết hơn trong giáo trình Kinh tế lượng của Tiến sĩ Mai Văn Nam) 1. Sử dụng thông tin tiên nghiệm Thông tin tiên nghiệm có thể từ các công việc thực tế trước đây trong đó đã xảy ra hiện tượng cộng tuyến nhưng ít nghiêm trọng hoặc từ các lý thuyết tương ứng trong lĩnh vực nghiên cứu. 2. Loại trừ một biến giải thích ra khỏi mô hình Bước 1: Xem cặp biến có quan hệ chặc chẽ. Giả sử X3 và X4 có tương quan chặc chẽ với nhau. Bước 2: Tính R2 đối với các hàm hồi quy: có mặt cả 2 biến; không có mặt 1 trong 2 biến. Bước 3: Loại biến mà giá trị R2 tính được khi không có mặt biến đó lớn hơn. VD: R2 của hàm có mặt 2 biến là 0.94; R2 của mô hình không có biến X3 là 0.92; R2 của mô hình không có biến X4 là 0.87  loại biến X3 ra khỏi mô hình. 3. Thu thập thêm số liệu hoặc lấy mẫu mới Vấn đề đa cộng tuyến là một đặc tính của mẫu, có thể là trong một mẫu khác, các biến cộng tuyến có thể không nghiêm trọng như trong mẫu đầu tiên. Vì vậy, tăng cỡ mẫu có thể làm giảm bớt vấn đề cộng tuyến. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 20 HỒI QUY BINARY LOGISTIC Hồi quy Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được. Khi biến phụ thuộc ở dạng nhị phân ( hai biểu hiện 0 và 1) thì không thể phân tích với dạng hồi quy thông thường mà phải sử dụng hồi quy Binary Logistic. I. Cách thức tiến hành phân tích hồi quy Binary Logistic với SPSS 1. Vào menu Analyze  Regression  Binary Logistic, xuất hiện hộp thoại sau: 2. Đưa biến phụ thuộc Y dạng nhị phân vào ô dependent, và biến độc lập sang khung Covariate. 3. Chọn phương pháp đưa biến vào (Method) tương tự như hồi quy tuyến tính thông thường. Tuy nhiên điều kiện căn cứ trên số thống kê likelihood-ratio (tỷ lệ thích hợp) hay số thống kê Wald. - Enter: đưa vào bắt buộc, các biến trong khối biến độc lập được đưa vào trong một bước. - Forward: Conditional là phương pháp đưa dần vào theo điều kiện. Nó kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên những ước lượng thông số có điều kiện. - Forward: LR là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên ước lượng khả năng xảy ra tối đa (maximum-likelihood estimates). - Forward: Wald là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Wald. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 21 - Backward: Conditional là phương pháp loại trừ dần theo điều kiện. Nó kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên những ước lượng thông số có điều kiện. - Backward: LR là phương pháp loại trừ dần vào kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên ước lượng khả năng xảy ra tối đa. - Backward: Wald là phương pháp đưa dần vào kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Wald. - Stepwise: hồi quy từng bước, số thống kê được sử dụng cho các biến được đưa vào và loại ra căn cứ trên số thống kê Likelihood-ratio, hay số thống kê Wald. 4. Để hiện đồ thị phân loại giá trị thật và giá trị dự báo của biến phụ thuộc, chọn Option, chọn Classification plots trong phần Statistics and plots. Click Continue trở về hộp thoại đầu tiên. 5. Muốn tính được giá trị dự đoán, là xác suất mà một đối tượng sẽ (biến phụ thuộc Y), ta chọn Predict value trong hộp thoại Save. Chọn Continue  Ok để thực hiện lệnh. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 22 II. Cách thức đọc kết quả phân tích hồi quy Binary Logistic Ví dụ: sử dụng phương pháp đưa biến vào mặc định là Enter. Phân tích mức độ ảnh hưởng của sự hài lòng về 4 dịch vụ đến mức độ hài lòng chung về điểm đến khi đi du lịch của du khách. Y: mức độ hài lòng chung về điểm đến (0: không hài lòng, 1: hài lòng) X1  X4: mức độ hài lòng về 4 dịch vụ (tương tự như phần hồi quy tuyến tính) Thực hiện các bước trên để tiến hành phân tích. Kết quả xuất hiện với rất nhiều bảng. Ta sẽ chú ý phân tích các bảng sau: Bảng 1. Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 178.459 4 .000 Block 178.459 4 .000 Model 178.459 4 .000 Ở bảng 1, ta đọc kết quả kiểm định H0: 1 = 2 = = k = 0. Kiểm định này xem xét khả năng giải thích biến phụ thuộc của tổ hợp biến độc lập. Kết quả ở bảng 1 cho thấy độ phù hợp tổng quát có mức ý nghĩa quan sát sig. = 0,000 nên ta bác bỏ H0. Nghĩa là tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình có ý nghĩa trong việc giải thích cho biến phụ thuộc. Bảng 2. Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 26.793a .595 .769 a. Estimation terminated at iteration number 6 because parameter estimates changed by less than .001. Bảng 2 thể hiện kết quả độ phù hợp của mô hình. Khác với hồi quy tuyến tính thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu -2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo. Kết quả bảng 2 cho thấy giá trị của -2LL = 26,472 không cao lắm, như vậy nó thể hiện một độ phù hợp khá tốt của mô hình tổng thể. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 23 Bảng 3. Classification Tablea Observed Predicted Satisfied dummy Percentage Correct Dissatisfied Satisfied Step 1 Satisfied dummy Dissatisfied 51 49 51.0 Satisfied 22 389 94.6 Overall Percentage 86.1 a. The cut value is .500 Mức độ chính xác cũng được thể hiện ở bảng 3, bảng này cho thấy trong 73 trường hợp không hài lòng về điểm đến (xem theo cột) mô hình đã dự đoán đúng 49 trường hợp (xem theo hàng), vậy tỷ lệ đúng là 51%. Còn với 438 trường hợp hài lòng về điểm đến, mô hình dự đoán sai 22 trường hợp, tỷ lệ đúng là 94,6%. Từ đó ta tính được tỷ lệ dự đoán đúng của toàn bộ mô hình là 86,1%. Bảng 4. Variables in the Equation B S.E. Wald df Sig. Exp(B) Step 1a Satisfied with Accom 1.567 .255 37.812 1 .000 4.794 Satisfied with Food .435 .249 3.051 1 .031 1.546 Satisfied with Shopping .672 .222 9.164 1 .002 1.959 Satisfied with Transp .918 .228 16.273 1 .000 2.505 Constant -11.737 1.347 75.891 1 .000 .000 a. Variable(s) entered on step 1: Q3.2.a, Q3.2.f, Q3.2.s, Q3.2.t. Bảng 4 thể hiện kết quả của kiểm định Wald (kiểm định giả thuyết hồi quy khác không). Nếu hệ số hồi quy B0 và B1 đều bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy không có tác dụng dự đoán. Đối với hồi quy tuyến tính sử dụng kiểm định t để kiểm định giả thuyết H0: k=0. Còn đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Kết quả bảng 4 cho thấy mức độ hài lòng về 4 dịch vụ có giá trị p (sig.) nhỏ hơn mức ý nghĩa  = 0,05  bác bỏ H0. Như vậy các hệ số hồi quy tìm được có ý nghĩa và mô hình được sử dụng tốt. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 24 Từ các hệ số hồi quy này ta viết được phương trình: Diễn giải ý nghĩa của các hệ số hồi quy Binary Logistic như sau: Mức độ hài lòng về 4 dịch vụ đều làm tăng mức độ hài lòng chung về điểm đến , trong đó hài lòng về DV lưu trú tác động mạnh nhất. Cụ thể tác động biên của mức độ hài lòng về DV lưu trú lên mức độ hài lòng chung với xác suất ban đầu = 0,5 thì tác động này bằng 0,5(1-0,5)1,57 = 0,3925. VẬN DỤNG MÔ HÌNH HỒI QUY BINARY LOGISTIC CHO MỤC ĐÍCH DỰ BÁO Mô hình hồi quy Binary Logistic có thể được áp dụng để dự báo khả năng trả nợ khi đối tượng đi vay hay dự báo nhu cầu sử dụng một sản phẩm cụ thể nào đó. Ta sử dụng công thức sau: Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 25 CÁCH THỨC TIẾN HÀNH PHÂN TÍCH NHÂN TỐ 1. Từ menu Analyze  Data Reduction  Factor 2. Xuất hiện hộp thoại sau: 3. Chọn tất cả các biến cần gom nhóm vào ô Variables. 4. Click chọn ô Descriptives, xuất hiện hộp thoại sau: - Chọn các tham số thống kê mô tả. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 26 - Chọn tính các ma trận hệ số tương quan. - Chọn kiểm định Bartlett. Trong phân tích nhân tố, cần kiểm định mối tương quan của các biến với nhau (H0: các biến không có tương quan với nhau trong tổng thể). Nếu giả thuyết H0 không được bác bỏ thì phân tích nhân tố có khả năng không thích hợp. - Click continue để trở lại hộp thoại Factor analysis 5. Click chọn ô Extraction để mở hộp thoại sau: - Chọn phương pháp rút trích nhân tố, phương pháp mặc định là rút các thành phần chính – Principal components. - Phân tích ma trận tương quan hay hiệp phương sai ở ô Analyze. - Thể hiện phương án nhân tố chưa xoay và vẽ biểu đồ dốc ở ô Display. - Xác định tiêu chuẩn rút trích nhân tố hay số lượng nhân tố cần rút trích. Có 2 cách để xác định tiêu chuẩn này ở ô Extract:  Xác định từ trước dựa vào ý đồ của nhà nghiên cứu và kết quả của các cuộc nghiên cứu trước. Nhà nghiên cứu xác định số nhân tố ở ô Number of factors.  Xác định dựa vào Eigenvalue (Determination based on eigenvalue. Chỉ có những nhân tố nào lớn hơn 1 mới được giữ lại trong mô hình phân tích. - Click Continue để trở lại hộp thoại Factor Analysis. 6. Click chọn ô Rotation (Xoay nhân tố) để mở hộp thoại sau: Xoay nhân tố là thủ tục giúp ma trận nhân tố trở nên đơn giản và dễ giải thích hơn. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 27 Có nhiều phương pháp xoay khác nhau trong đó được sử dụng rộng rãi nhất là Varimax procedure (xoay nguyên góc các nhân tố để tối thiểu hoá số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố). Click Continue để trở lại hộp thoại chính. 7. Click chọn ô Factor Score để tính điểm các nhân tố Nếu nhà nghiên cứu muốn xác định tập hợp nhân tố ít hơn để sử dụng trong các phương pháp phân tích đa biến tiếp theo (phân tích ANOVA, hồi quy), ta có thể tính toán ra các nhân số (trị số của các biến tổng hợp) cho từng trường hợp quan sát một. Nhân số của nhân tố thứ i bằng: Fi = Wi1X1 + Wi2X2 + Wi3X3 + + WikXk Máy tính sẽ tính các nhân số này và tự động save vào file dữ liệu những biến mới này. - Mặc định của chương trình là phương pháp tính nhân số Regression (theo đơn vị đo lường độ lệch chuẩn). Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 28 - Chọn thể hiện bảng trọng số nhân tố bằng cách click vào ô Display factor - Click Continue để trở lại hộp thoại ban đầu  click Ok để thực hiện lệnh. ĐỌC KẾT QUẢ CỦA VÍ DỤ SAU VD: xác định nhân tố ảnh hưởng đến quyết định chọn nhà trọ của sinh viên khoa công nghệ trường Đại học Cần thơ. Bảng 1. Descriptive Statistics Mean Std. Deviation Analysis N gia ca 3.91 1.065 43 ve sinh 4.05 .950 43 an ninh 4.35 .948 43 moi truong song 4.09 .811 43 gan truong 3.60 1.072 43 gan khu vui choi, giai tri 3.28 1.161 43 phong co gac lung 3.33 .993 43 co nha ve sinh trong phong 3.67 1.063 43 noi qui 3.79 .940 43 dien, nuoc 4.16 .871 43 Bảng 2. Correlation Matrix Correlation gia ca ve sinh an ninh moi truong song gan truong gan khu vui choi, giai tri phong co gac lung co nha ve sinh trong phong noi qui dien, nuoc gia ca 1.000 .522 .528 .313 .238 .291 .209 .288 .123 .402 ve sinh .522 1.000 .801 .581 .392 .096 .337 .298 .198 .393 an ninh .528 .801 1.000 .607 .303 .191 .129 .281 .378 .535 moi truong song .313 .581 .607 1.000 .372 .174 .021 .257 .307 .315 gan truong .238 .392 .303 .372 1.000 .569 .325 .219 .034 .275 gan khu vui choi, giai tri .291 .096 .191 .174 .569 1.000 .270 .365 .142 .401 phong co gac lung .209 .337 .129 .021 .325 .270 1.000 .238 .049 .130 co nha ve sinh trong phong .288 .298 .281 .257 .219 .365 .238 1.000 .478 .470 noi qui .123 .198 .378 .307 .034 .142 .049 .478 1.000 .479 dien, nuoc .402 .393 .535 .315 .275 .401 .130 .470 .479 1.000 Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 29 Bảng 1 thể hiện đại lượng thống kê mô tả. Bảng 2 thể hiện ma trận tương quan giữa các biến. Ta thấy hệ số tương quan giữa các biến trong ma trận này tương đối cao. Bảng 3 thể hiện kết quả của kiểm định Barlett. Dựa vào kết quả này ta có thể bác bỏ H0 (Các biến không có tương quan với nhau).  Phân tích nhân tố là phương pháp phù hợp để phân tích ma trận tương quan ở bảng 2. Bảng 3. KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .714 Bartlett's Test of Sphericity Approx. Chi-Square 167.933 df 45 Sig. .000 Dựa vào bảng 5 và theo tiêu chuẩn eigenvalue lớn hơn 1 thì chỉ có 3 nhân tố được rút trích ra. Giá trị Cumulative % cho biết 3 nhân tố đầu giải thích 66.78% biến thiên của dữ liệu. Bảng số 4 (bảng Cummunalities) cho biết thông tin về phần biến thiên được giải thích bởi các nhân tố chung. Bảng số 6 là bảng thể hiện các nhân tố chưa xoay. Để dễ dàng giải thích các nhân tố hơn ta sử dụng bảng số 7 để đọc kết quả. Bảng 5. Total Variance Explained Component 1 2 3 4 5 6 7 8 9 10 Initial Eigenvalues Total 3.989 1.406 1.283 .892 .760 .526 .412 .324 .290 .119 % of Variance 39.892 14.058 12.829 8.916 7.599 5.259 4.116 3.238 2.903 1.191 Cumulative % 39.892 53.949 66.778 75.694 83.293 88.552 92.668 9.591E1 98.809 1.000E2 Extraction Sums of Squared Loadings Total 3.989 1.406 1.283 % of Variance 39.892 14.058 12.829 Cumulative % 39.892 53.949 66.778 Rotation Sums of Squared Loadings Total 2.776 2.006 1.896 % of Variance 27.758 20.056 18.965 Cumulative % 27.758 47.814 66.778 Extraction Method: Principal Component Analysis. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 30 Bảng 6. Component Matrixa Component 1 2 3 gia ca .647 -.039 -.221 ve sinh .781 -.245 -.419 an ninh .814 -.379 -.205 moi truong song .667 -.324 -.206 gan truong .573 .527 -.268 gan khu vui choi, giai tri .514 .661 .179 phong co gac lung .369 .529 -.184 co nha ve sinh trong phong .601 .127 .525 noi qui .498 -.288 .651 dien, nuoc .718 -.040 .369 Extraction Method: Principal Component Analysis. a. 3 components extracted. Bảng 7. Rotated Component Matrixa Component 1 2 3 gia ca (1) .604 .149 .286 ve sinh (2) .896 .069 .198 an ninh (3) .875 .280 .056 moi truong song (4) .743 .198 .041 gan truong (5) .312 .020 .762 gan khu vui choi, giai tri (6) -.015 .358 .778 phong co gac lung (7) .119 -.014 .660 co nha ve sinh trong phong (8) .124 .746 .285 noi qui (9) .176 .838 -.148 dien, nuoc (10) .364 .689 .215 Dựa vào bảng số 7 ta thấy biến 1,2,3,4 có tương quan mạnh với nhau và thuộc nhân tố thứ 1. Tương tự nhân tố 2 bao gồm các biến 8,9,10. Các biến 5,6,7 là các biến giải thích cho nhân tố 3. Dựa vào những điểm giống nhau (thể hiện tính chung) của biến nằm trong nhân tố và những nghiên cứu trước nhà nghiên cứu sẽ đặt tên cho những nhân tố này. VD: nhóm 1 là nhân tố an toàn; nhóm 2 là nhân tố điều kiện sinh hoạt; nhóm 3 là nhân tố vị trí thuận lợi. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 31 Bảng 8. Component Transformation Matrix Component 1 2 3 1 .736 .516 .437 2 -.461 -.090 .883 3 -.495 .852 -.171 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Bảng 9. Component Score Coefficient Matrix Component 1 2 3 gia ca .218 -.060 .076 ve sinh .386 -.161 -.012 an ninh .354 -.006 -.122 moi truong song .309 -.030 -.103 gan truong .036 -.138 .430 gan khu vui choi, giai tri -.191 .143 .448 phong co gac lung -.034 -.108 .397 co nha ve sinh trong phong -.134 .418 .076 noi qui -.065 .515 -.213 dien, nuoc .003 .341 .004 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. Bảng 10. Component Score Covariance Matrix Component 1 2 3 1 1.000 .000 .000 2 .000 1.000 .000 3 .000 .000 1.000 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. Dựa vào bảng 8, 9 và 10 ta xác định nhân số như sau: F1 = 0.218*giá cả + 0.386*vệ sinh + 0.354*an ninh + 0.309*môi trường sống F2 = 0.418*có nhà vệ sinh trong phòng + 0.515*nội quy + 0.341*điện nước F3 = 0.430*gần trường + 0.448*gần khu vui chơi + 0.397*có gác lửng Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 32 XỬ LÝ CÂU HỎI NHIỀU LỰA CHỌN 1. MÃ HOÁ Trong quá trình nghiên cứu, có những câu hỏi cho phép người trả lời chọn nhiều hơn 1 lựa chọn. Ví dụ: câu hỏi về tiền sử phẫu thuật, bệnh nhân có thể cùng một lúc có nhiều phẩu thuật trước đây. Đây được gọi là câu hỏi nhiều lựa chọn. Số thứ tự Tên phẫu thuật Đánh dấu và ghi chú (nếu có) 1. Cắt viêm ruột thừa 2. Mổ lấy thai 3. Cắt tử cung 4. Phẫu thuật u buồng trứng 5. Viêm túi mật 6. Phẫu thuật khác Đối với câu hỏi nhiều lựa chọn, mỗi một lựa chọn sẽ được mã hoá thành 1 biến. Theo ví dụ trên ta sẽ mã hoá thành 6 biến. Cách thức khai báo Value: có 2 cách thức - Cách 1: dùng dạng câu hỏi phân đôi Có – Không (Dạng biến Dichotomy) - Cách 2: dùng chính số thứ tự của biến để mã hoá. Nếu bệnh nhân nào có tiền sử cắt viêm ruột thừa sẽ nhập vào số 1, có tiền sử mổ lấy thai sẽ nhập vào số 2. (Dạng biến Category) 2. CÁCH THỨC XỬ LÝ Đối với câu hỏi nhiều lựa chọn, khi cần phân tích tần số chúng ta không sử dụng công cụ thống kê mô tả tính Frequency thông thường. Công cụ dùng xử lý câu hỏi nhiều lựa chọn là Multiple Response. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 33 2.1. Định dạng biến tổng hợp 1. Từ menu Analyze  Multiple Response  Define Variable Sets để mở hộp thoại sau: 2. Chọn tất cả các biến thuộc câu nhiều lựa chọn đưa vào khung Variables in Set. 3. Khai báo cách mã hoá ở khung Variables Are Coded As: - Nếu dùng cách mã hoá 1: dùng dạng câu hỏi phân đôi Có – Không, ta sẽ khai báo biến ở dòng Dichotomies. Và sẽ đếm giá trị “Có” ở ô Counted value. Đối với ví dụ trên, do ta khai báo 1. Không, 2. Có, nên ở ô này ta sẽ nhập giá trị cần đếm là “2” - Nếu dùng cách mã hoá 2, ta sẽ khai báo ở dòng Categories, và đếm các số thứ tự của biến. Trong ví dụ trên có 6 biến, ta sẽ đếm từ giá trị 1 đến 6 tại ô Range: 1 through: 6. 4. Khai báo tên và nhãn biến ở khung Name và Label. 5. Click vào Add để xác nhận biến tổng hợp đã được tạo  Click chọn Close để hoàn tất quá trình định dạng biến tổng hợp. 2.2. Phân tích tần số (Frequency) 1. Từ menu Analyze  Multiple Response  Frequency, xuất hiện hộp thoại sau: Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 34 2. Đưa biến tổng hợp vừa tạo ở phần trên vào ô Tables for  Click chọn Ok để hoàn tất thao tác. 3. Kết quả hiện ra ở cửa sổ Output như sau: $TSPHAUTHUATTH Frequencies Responses Percent of Cases N Percent TIEN SU PHAU THUAT TONG HOPa tien su cat viem ruot thua 38 69.1% 76.0% tien su mo lay thai 3 5.5% 6.0% tien su mo cat tu cung 2 3.6% 4.0% tien su phau thuat u buong trung 3 5.5% 6.0% ts mo do benh khac 9 16.4% 18.0% Total 55 100.0% 110.0% a. Dichotomy group tabulated at value 2. - Percent of Cases: phần trăm trên tổng số bệnh nhân được quan sát (50 bệnh nhân) - Percent of Responses: phần trăm trên tổng sự trả lời (vì mỗi bệnh nhân có thể có nhiều tiền sử phẩu thuật nên tổng sự trả lời = 55 > cỡ mẫu quan sát = 50) Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 35 MÃ HOÁ LẠI BIẾN Trong quá trình phân tích dữ liệu người làm nghiên cứu đôi khi sẽ phải mã hoá lại biến để sử dụng cho nhiều mục đích khác nhau, và trường hợp đơn cử nhất là: Khi nhà nghiên cứu muốn chuyển một biến định lượng (thang đo tỷ lệ) sang một biến định tính (thang đo biểu danh hay thứ tự). Ví dụ: Khi thu thập thông tin về độ tuổi của bệnh nhân, chúng ta sử dụng thang đo tỷ lệ (dùng chính xác số tuổi của bệnh nhân: 52, 67, hay 81 tuổi). Đến khi xử lý số liệu, nhà nghiên cứu lại muốn sử dụng nhóm tuổi để phân tích và viết báo cáo: 1. < 30 tuổi 2. 30 – 39 tuổi 3. 40 – 49 tuổi 4. 50 – 59 tuổi 5. ≥ 60 tuổi Quy trình mã hoá lại biến như sau: 1. Vào menu Transform  Recode into Different Variables Nếu chúng ta chọn Recode into Same Variables thì biến cũ (số tuổi chính xác) sẽ mất đi và được thay thế bằng một biến mới với các biểu hiện mới (là nhóm tuổi). Thông thường ta sẽ chọn Recode into Different Variables để tạo ra biến mới mà vẫn giữ lại biến cũ. 2. Xuất hiện hộp thoại sau: Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 36 3. Đưa biến cần mã hoá lại từ khung chứa bộ biến sang khung Numeric Variable -> Output Variable. 4. Tại khung Output Variable, khai báo tên và nhãn cho biến mới  Click chọn Change để thực hiện thay biến. 5. Tiếp tục thay đổi giá trị của biến bằng cách click chọn Old and New Values, mở hộp thoại sau: Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 37 6. Ta lần lượt khai báo giá trị cũ bên tay trái (Old Value) thành giá trị mới bên tay phải (New Value)  Click chọn Add sau mỗi lần khai báo. Với giá trị cũ có các dạng sau đây: - Value: từng giá trị cũ rời rạc - System-missing: giá trị khuyết hệ thống - System or user missing: giá trị khuyết của hệ thống hoặc do người sử dụng định nghĩa - Range: một khoảng giá trị (từ đến / range: through: ) - Range, LOWEST through value: một khoảng giá trị từ giá trị nhỏ nhất đến một giá trị được nhập vào - Range, value through HIGHEST: một khoảng giá trị từ giá trị nhập vào đến giá trị lớn nhất 7. Chọn Continue trở về hộp thoại trước, và chọn OK để hoàn tất kệnh. 8. Khai báo value cho biến vừa tạo tại ô Value của cửa sổ Variable View như hình sau: 9. Tiếp tục thực hiện các phép thống kê mô tả hay kiểm định dựa trên biến mới vừa tạo nhằm phục vụ cho mục tiêu nghiên cứu. Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 38 CÁCH TÍNH TOÁN GIÁ TRỊ BIẾN MỚI TỪ BIẾN CÓ SẴN Có thể sử dụng SPSS để cộng, trừ, nhân chia các biến đã có sẵn để trở thành 1 biến mới (thủ tục TransformCompute). Tuy nhiên biến mới được tính toán này không tự động thay đổi nếu ta thay đổi các biến thành phần như công cụ tính toán trong Excel. Vì vậy, thủ tục tính toán này thường được tiến hành sau khi đã chỉnh lý dữ liệu. Thủ tục tính toán này được sử dụng khá nhiều trong phân tích số liệu. Đặc biệt đối với những đề tài có sử dụng phân tích nhân tố để gom nhóm. Sau khi tiến hành gom nhóm các yếu tố có cùng tính chất, ta sẽ tính toán giá trị của nhóm bằng thủ tục Compute này. Ví dụ: kết quả sau khi tiến hành phân tích nhân tố như sau Với N1, N2, N3 là ký hiệu mã hoá cho 3 nhóm được gom từ 12 biến đánh giá chất lượng dịch vụ. Nếu những bước tiếp theo của đề tài cần thực hiện kiểm định t, ANOVA hay phân tích hồi quy liên quan đến các tiêu chí đánh giá chất lượng dịch vụ này, chúng ta sẽ không dùng 12 biến để thực hiện mà dùng nhóm lớn (3 nhóm). KẾT QUẢ SAU KHI COMPUTE VÀ THỐNG KÊ MÔ TẢ KẾT QUẢ PHÂN TÍCH NHÂN TỐ Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 39 Để tính được giá trị cho các nhóm lớn (bằng trị trung bình của các biến trong nhóm) nhằm phục vụ cho mục đích kiểm định t, ANOVA hay phân tích hồi quy, chúng ta sẽ thao tác trong SPSS theo trình tự như sau 6. Mã hoá biến mới (nhóm lớn) Đối với ví dụ trên, sau khi phân tích nhân tố ta có được 3 nhóm, vậy ta sẽ tiến hành mã hoá 3 biến mới (đại diện cho 3 nhóm) trong bộ số liệu đã có tại cửa sổ Variable View. 7. Tiến hành tính toán cho nhóm Vào menu Transform  Compute Variables, xuất hiện hộp thoại sau: PHÍM CÔNG CỤ CHO CÁC PHÉP TÍNH MŨI TÊN ĐƯA BIẾN VÀO Ô CÔNG THỨC Hướng dẫn thực hành SPSS cơ bản kienthucdldg.wordpress.com (sưu tầm) 40 Tại ô Target Variable, ta nhập vào tên biến mới sẽ chứa giá trị tính toán (tên biến của nhóm). Chú ý cần nhập đúng tên đã khai báo ở bước 1. Tại ô Numberic Expression, ta nhập công thức tính toán cho biến mới. Trong ví dụ trên, nhóm 1 gồm 5 biến 5.1, 5.6, 5.7, 5.8 và 5.9. Như vậy biến mới (N1) sẽ bằng trung bình của 5 biến. Cách nhập công thức tại ô này như sau: ta chọn biến từ khung chứa các biến rồi dùng dấu mũi tên đưa biến vào ô công thức, và sử dụng các phím công cụ cho phép tính trong cửa sổ này hoặc trên bàn phím máy vi tính. Sau đó chọn nút OK để hoàn tất lệnh, một hộp thoại xuất hiện để xác định quá trình tính toán biến, ta tiếp tục chọn OK. Đến đây thao tác tính toán biến đã hoàn thành. Trong ví dụ này, ta tính trị trung bình. Thao tác tương tự nếu chúng ta cần các phép tính nhân, chia, hiệu số, hay kết hợp nhiều phép tính. Kết quả sau khi compute sẽ thể hiện rõ tại cửa sổ Data View. Lệnh compute đã giúp ta tính toán được nhóm lớn (3 nhóm) cho từng quan sát (từng đối tượng nghiên cứu một) Chúng ta có thể thực hiện lệnh thống kê mô tả (tính trị trung bình của các nhóm trên tổng mẫu quan sát – kết quả 2 cột cuối cùng ở VD trang 1), kiểm định t, ANOVA hay phân tích hồi quy (đối với nhà nghiên cứu thuộc trường phái đồng ý trị trung bình làm biến độc lập X) trên 3 biến N1, N2, và N3 này. ************************ CHÚC THÀNH CÔNG ************************ GIÁ TRỊ CỦA BIẾN N1, N2, VÀ N3 CHO QUAN SÁT 1