Hướng dẫn SPSS

Tính toán các chỉ số phân tán trong SPSS

by

Giới thiệu tổng quan về các chỉ số phân tán

Trong thống kê mô tả, bên cạnh các chỉ số trung tâm (trung bình, trung vị, mode) cho biết giá trị điển hình, các chỉ số phân tán lại cho chúng ta biết mức độ biến động hoặc “lan truyền” của dữ liệu. Hai chỉ số phân tán quan trọng và được sử dụng phổ biến nhất là phương sai (variance) và độ lệch chuẩn (standard deviation).

Phương sai (Variance)

Khái niệm

Phương sai là một thước đo cho biết mức độ phân tán của các giá trị dữ liệu so với giá trị trung bình của chúng. Về mặt toán học, phương sai được tính bằng trung bình cộng của bình phương độ lệch của mỗi giá trị so với giá trị trung bình.

  • Ý nghĩa: Phương sai càng lớn, dữ liệu càng phân tán xa giá trị trung bình. Tuy nhiên, đơn vị của phương sai là đơn vị gốc của biến được bình phương (ví dụ: nếu biến là “tuổi” thì phương sai là “tuổi bình phương”), điều này khiến việc diễn giải trở nên khó khăn.

Read more

Tính toán các chỉ số trung tâm trong SPSS

by

Giới thiệu tổng quan về các chỉ số trung tâm

Các chỉ số trung tâm là những thước đo thống kê mô tả cơ bản nhất, dùng để đại diện cho “giá trị điển hình” của một tập dữ liệu. Ba chỉ số phổ biến nhất là trung bình (mean), trung vị (median) và mode (yếu vị). Hiểu rõ cách tính toán và diễn giải chúng trong SPSS là bước đầu tiên để phân tích dữ liệu hiệu quả.

Trung bình (Mean)

Khái niệm

Trung bình là giá trị trung bình cộng của tất cả các quan sát trong tập dữ liệu. Đây là chỉ số trung tâm được sử dụng rộng rãi nhất, thích hợp cho các biến định lượng có phân phối đối xứng.

Cách tính toán trong SPSS

  • Bước 1: Vào menu Analyze > Descriptive Statistics > Frequencies… hoặc Analyze > Descriptive Statistics > Descriptives…
  • Bước 2: Di chuyển biến bạn muốn tính trung bình vào khung Variable(s).
  • Bước 3: Nhấp vào nút Statistics…
  • Bước 4: Trong mục Central Tendency, tích chọn Mean.
  • Bước 5: Nhấp Continue, sau đó OK. Kết quả sẽ hiển thị trong cửa sổ Output.

Read more

Phân tích tần số và biểu đồ cơ bản trong SPSS

by

Giới thiệu tổng quan

Phân tích tần số (Frequency Analysis) và vẽ biểu đồ là những công cụ thống kê mô tả cơ bản nhất. Chúng giúp bạn có cái nhìn tổng quan về phân phối của dữ liệu, xác định các giá trị phổ biến, và phát hiện các bất thường một cách trực quan.

Phân tích tần số (Frequency Analysis)

Phân tích tần số thống kê và hiển thị số lượng và tỷ lệ phần trăm của các giá trị riêng biệt của một biến.

Các bước thực hiện phân tích tần số

  • Bước 1: Mở hộp thoại Frequencies:
    • Vào menu Analyze > Descriptive Statistics > Frequencies…
  • Bước 2: Chọn biến để phân tích:
    • Chọn biến bạn muốn phân tích từ danh sách bên trái và di chuyển sang khung Variable(s).
  • Bước 3: Tùy chỉnh thống kê (Statistics):
    • Nhấp vào nút Statistics…
    • Tại đây, bạn có thể chọn các chỉ số thống kê mô tả mà bạn muốn hiển thị, ví dụ:
      • Central Tendency (Đo lường xu hướng trung tâm): Mean (Trung bình), Median (Trung vị), Mode (Yếu vị).
      • Dispersion (Đo lường độ phân tán): Std. deviation (Độ lệch chuẩn), Variance (Phương sai), Range (Khoảng biến thiên).
      • Distribution (Đo lường hình dạng phân phối): Skewness (Độ lệch), Kurtosis (Độ nhọn).
  • Bước 4: Tùy chỉnh biểu đồ (Charts):
    • Nhấp vào nút Charts…
    • Chọn loại biểu đồ bạn muốn hiển thị cùng với bảng tần số, ví dụ: Bar charts (biểu đồ cột), Pie charts (biểu đồ tròn) hoặc Histograms (biểu đồ Histogram).
  • Bước 5: Hoàn tất:
    • Nhấp Continue, sau đó nhấp OK. Kết quả sẽ được hiển thị trong cửa sổ Output.

Read more

Những Lý Do Khiến Kết Quả EFA Trong SPSS Bị “Xấu”

by

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là một kỹ thuật thống kê mạnh mẽ trong **SPSS** giúp các nhà nghiên cứu xác định cấu trúc tiềm ẩn của các thang đo, rút gọn dữ liệu và kiểm định lý thuyết. Tuy nhiên, không ít lần, người thực hiện EFA gặp phải tình trạng kết quả “xấu” – tức là ma trận xoay lộn xộn, các chỉ số không đạt yêu cầu, gây khó khăn trong việc diễn giải và kết luận. Vậy, những lý do phổ biến nào dẫn đến kết quả EFA không như mong muốn? Hiểu rõ các nguyên nhân này sẽ giúp bạn khắc phục hiệu quả và nâng cao chất lượng nghiên cứu của mình.

https://youtu.be/8KYpwUFXM2w?si=1ndRNKkXslV3jyR3

1. Chất Lượng Dữ Liệu Không Đảm Bảo

Chất lượng dữ liệu là yếu tố tiên quyết cho mọi phân tích thống kê, và EFA không phải là ngoại lệ. Dữ liệu kém chất lượng có thể dẫn đến các kết quả EFA sai lệch hoặc không có ý nghĩa.

1.1. Cỡ mẫu không đủ lớn

EFA rất nhạy cảm với kích thước mẫu. Một quy tắc chung là cần tối thiểu 5-10 quan sát cho mỗi biến được đưa vào phân tích EFA. Ngoài ra, nhiều tài liệu khuyến nghị cỡ mẫu tối thiểu là 100-200 quan sát. Nếu cỡ mẫu quá nhỏ so với số lượng biến, kết quả EFA có thể không ổn định và không đáng tin cậy.

1.2. Dữ liệu thiếu (Missing Data)

Việc xử lý dữ liệu thiếu không phù hợp có thể ảnh hưởng nghiêm trọng đến các mối tương quan giữa các biến, từ đó làm sai lệch cấu trúc nhân tố. Nếu tỷ lệ dữ liệu thiếu quá cao, hoặc phương pháp thay thế dữ liệu thiếu không phù hợp, kết quả EFA sẽ bị ảnh hưởng.

1.3. Giá trị ngoại lai (Outliers)

Các giá trị ngoại lai là những điểm dữ liệu có giá trị quá khác biệt so với phần còn lại của tập dữ liệu. Chúng có thể kéo lệch các mối tương quan, làm tăng phương sai và dẫn đến kết quả EFA không ổn định hoặc các biến tải chéo.

1.4. Phân phối dữ liệu không chuẩn

Mặc dù EFA khá mạnh mẽ với dữ liệu không chuẩn, nhưng nếu các biến có phân phối quá lệch hoặc có nhiều đỉnh, nó vẫn có thể ảnh hưởng đến các mối tương quan và khả năng trích xuất nhân tố.

Read more

Quy Trình Chạy Hồi Quy Logistic Nhị Phân Trong SPSS

by

Hồi quy Logistic nhị phân (Binary Logistic Regression) là một kỹ thuật thống kê được sử dụng khi bạn muốn dự đoán xác suất xảy ra của một sự kiện hoặc phân loại một đối tượng vào một trong hai nhóm dựa trên một hoặc nhiều biến độc lập. Khác với hồi quy tuyến tính (với biến phụ thuộc là định lượng liên tục), biến phụ thuộc trong hồi quy Logistic nhị phân chỉ có hai giá trị (ví dụ: Có/Không, Thành công/Thất bại, Mua/Không mua, Đạt/Không đạt). Trong **SPSS**, việc chạy hồi quy Logistic nhị phân là một quy trình tương đối đơn giản nhưng đòi hỏi sự hiểu biết về các giả định và cách diễn giải kết quả đặc thù của nó. Bài viết này sẽ hướng dẫn bạn từng bước thực hiện phân tích này.

https://youtu.be/EXaR9UwBLvU?si=ORBFrw713jMM9Q4x

1. Hiểu Về Hồi Quy Logistic Nhị Phân

Hồi quy Logistic không dự đoán trực tiếp giá trị của biến phụ thuộc, mà dự đoán **xác suất** của một sự kiện xảy ra (thường là xác suất biến phụ thuộc có giá trị 1, ví dụ: “có” hoặc “thành công”). Xác suất này sau đó được chuyển đổi thành **Odds Ratio (Tỷ lệ chênh lệch)** hoặc logit.

Phương trình cơ bản của hồi quy Logistic:

$$ \text{Logit}(p) = \ln\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k $$

  • $p$: Xác suất biến phụ thuộc có giá trị 1.
  • $p/(1-p)$: Odds (Tỷ lệ chênh lệch) của biến phụ thuộc.
  • $\beta_0$: Hằng số.
  • $\beta_i$: Hệ số hồi quy cho biến độc lập $X_i$.
  • $X_i$: Các biến độc lập (có thể là định lượng hoặc định tính).

Read more

Quy Trình Chạy Hồi Quy Tuyến Tính Đa Biến Trong SPSS

by

Hồi quy tuyến tính đa biến (Multiple Linear Regression) là một trong những kỹ thuật phân tích thống kê mạnh mẽ và được sử dụng rộng rãi nhất trong nghiên cứu khoa học, đặc biệt trong các lĩnh vực kinh tế, quản lý, khoa học xã hội và y học. Kỹ thuật này giúp chúng ta dự đoán giá trị của một biến phụ thuộc định lượng dựa trên giá trị của hai hay nhiều biến độc lập định lượng hoặc định tính. Trong **SPSS**, việc chạy hồi quy tuyến tính đa biến khá đơn giản, nhưng để đảm bảo kết quả chính xác và đáng tin cậy, bạn cần tuân thủ một quy trình nhất định, bao gồm kiểm tra các giả định và diễn giải kết quả một cách hợp lý. Bài viết này sẽ hướng dẫn bạn quy trình chi tiết để thực hiện phân tích này trong SPSS.

https://youtu.be/LAfQDoSRjTM?si=XYc9V-ToziSV8uts

1. Hiểu Về Hồi Quy Tuyến Tính Đa Biến

Mục tiêu của hồi quy tuyến tính đa biến là tìm ra mối quan hệ tuyến tính giữa biến phụ thuộc (Y) và các biến độc lập (X1, X2, …, Xk). Phương trình tổng quát có dạng:

$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + … + \beta_k X_k + \epsilon$

  • $Y$: Biến phụ thuộc (Dependent Variable) – phải là biến định lượng (scale).
  • $X_i$: Các biến độc lập (Independent Variables) – có thể là biến định lượng (scale) hoặc biến định tính (nominal/ordinal) đã được mã hóa thành biến giả (dummy variables).
  • $\beta_0$: Hằng số (Intercept).
  • $\beta_i$: Hệ số hồi quy cho từng biến độc lập, cho biết mức độ thay đổi của Y khi Xi thay đổi một đơn vị, trong khi các biến độc lập khác được giữ nguyên.
  • $\epsilon$: Sai số ngẫu nhiên.

Read more