Nhận xét bảng số liệu SPSS theo quy trình luận văn

3. Nhận xét bảng số liệu trong phân tích nhân tố khám phá EFA

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là phương pháp thống kê được sử dụng nhằm rút gọn số lượng lớn các biến quan sát trong bảng câu hỏi thành một số lượng nhỏ hơn các nhân tố đại diện, có ý nghĩa lý thuyết và thực tiễn. Kết quả của EFA tạo cơ sở cho các phân tích tiếp theo như phân tích tương quan và hồi quy. Quá trình thực hiện EFA tập trung vào các nội dung chính sau:

Thứ nhất, xác định số lượng nhân tố được trích từ tập hợp các biến quan sát ban đầu.

Thứ hai, đánh giá mức độ hội tụ và phân biệt của các thang đo nhân tố.

Thứ ba, phát hiện và loại bỏ các biến quan sát không đáp ứng yêu cầu nghiên cứu.

VIDEO HƯỚNG DẪN

Kết quả phân tích EFA trên phần mềm SPSS thường được trình bày thông qua ba bảng kết quả quan trọng:

• Bảng KMO and Bartlett’s Test cung cấp hệ số KMO và giá trị ý nghĩa thống kê của kiểm định Bartlett nhằm đánh giá mức độ phù hợp của dữ liệu đối với phân tích EFA. Theo các tiêu chuẩn nghiên cứu, hệ số KMO phải đạt từ 0.5 trở lên và giá trị Sig. của kiểm định Bartlett phải nhỏ hơn 0.05 thì dữ liệu mới được xem là phù hợp để tiến hành phân tích nhân tố khám phá.
• Bảng Total Variance Explained thể hiện tổng phương sai được giải thích bởi các nhân tố trích ra từ mô hình. Trong nghiên cứu khoa học xã hội, tổng phương sai trích đạt từ 50% trở lên cho thấy các nhân tố được trích có khả năng giải thích tốt sự biến thiên của dữ liệu quan sát.
• Bảng Rotated Component Matrix hoặc Pattern Matrix (tùy thuộc vào phương pháp xoay nhân tố được sử dụng) cung cấp thông tin về hệ số tải nhân tố của từng biến quan sát. Bảng này được sử dụng để đánh giá tính hội tụ và phân biệt giữa các nhân tố, đồng thời xác định mức độ đóng góp của từng biến quan sát vào nhân tố. Thông thường, hệ số tải nhân tố từ 0.5 trở lên được xem là đạt yêu cầu và có ý nghĩa trong phân tích EFA.

Cách nhận xét kết quả phân tích EFA trong SPSS có thể được trình bày như sau:

→ Hệ số KMO đạt giá trị 0.887, lớn hơn 0.5, cho thấy dữ liệu phù hợp để tiến hành phân tích nhân tố khám phá.

→ Giá trị Sig. của kiểm định Bartlett bằng 0.000, nhỏ hơn 0.05, chứng tỏ các biến quan sát có mối tương quan tuyến tính với nhau và đáp ứng điều kiện thực hiện EFA.

Việc đánh giá tính phù hợp của phân tích EFA cần đồng thời dựa trên cả hệ số KMO và giá trị Sig. của kiểm định Bartlett; nếu một trong hai điều kiện không đạt, kết quả EFA sẽ không có giá trị sử dụng.

→ Dựa trên tiêu chí Eigenvalue lớn hơn 1, kết quả cho thấy có 6 nhân tố được trích. Tổng phương sai trích của 6 nhân tố này đạt 63.109%, lớn hơn ngưỡng 50%, cho thấy các nhân tố được trích có khả năng giải thích 63.109% sự biến thiên của dữ liệu từ 28 biến quan sát tham gia vào phân tích EFA.

→ Trong quá trình đánh giá hệ số tải nhân tố, biến quan sát DN4 bị loại do tải lên nhiều hơn một nhân tố, vi phạm tính phân biệt. Biến quan sát LD5 cũng bị loại do có hệ số tải nhân tố nhỏ hơn ngưỡng 0.5. Các biến quan sát còn lại đều có hệ số tải nhân tố lớn hơn 0.5 và đáp ứng yêu cầu về chất lượng thang đo trong phân tích EFA.

Cần lưu ý rằng, khi kết quả EFA xuất hiện các biến quan sát hoặc nhân tố không đạt yêu cầu, nhà nghiên cứu cần loại bỏ các biến hoặc nhân tố này và tiến hành phân tích EFA lại để đảm bảo độ tin cậy và giá trị của mô hình nghiên cứu.

4. Cách diễn giải kết quả bảng phân tích tương quan Pearson

Phân tích tương quan Pearson thường được thực hiện trước khi tiến hành phân tích hồi quy trong quy trình xử lý dữ liệu bằng phần mềm SPSS. Mục đích của kỹ thuật này là đánh giá mức độ và chiều hướng của mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, đồng thời hỗ trợ phát hiện sớm hiện tượng đa cộng tuyến thông qua việc xem xét mức độ tương quan giữa các biến độc lập với nhau.

VIDEO HƯỚNG DẪN

Kết quả của phân tích tương quan Pearson trong SPSS bao gồm hệ số tương quan Pearson và giá trị sig dùng để kiểm định ý nghĩa thống kê của hệ số tương quan.

• Đối với mối quan hệ giữa biến độc lập và biến phụ thuộc, giá trị sig thường được kỳ vọng nhỏ hơn 0.05 cùng với hệ số tương quan ở mức tương đối cao, cho thấy sự tồn tại của mối quan hệ tuyến tính có ý nghĩa thống kê. Điều này tạo cơ sở phù hợp cho việc tiếp tục thực hiện phân tích hồi quy.
• Đối với mối quan hệ giữa các biến độc lập, hệ số tương quan được kỳ vọng không vượt quá ngưỡng 0.5 nhằm hạn chế nguy cơ xảy ra hiện tượng cộng tuyến hoặc đa cộng tuyến. Trong trường hợp này, giá trị sig của mối tương quan giữa các biến độc lập không được xem là yếu tố mang tính quyết định.

Cách nhận xét bảng kết quả tương quan Pearson trong SPSS:

→ Giá trị sig của mối tương quan giữa các biến độc lập và biến phụ thuộc (trong đó F_HL là biến phụ thuộc, các biến còn lại là biến độc lập) đều nhỏ hơn 0.05. Kết quả này cho thấy các biến độc lập có mối quan hệ tuyến tính có ý nghĩa thống kê với biến phụ thuộc.

→ Hệ số tương quan giữa các biến độc lập đều nhỏ hơn 0.7, cho thấy không xuất hiện hiện tượng đa cộng tuyến giữa các biến độc lập trong mô hình nghiên cứu.

5. Nhận xét bảng số liệu phân tích hồi quy tuyến tính bội

Phân tích hồi quy tuyến tính bội là bước quan trọng trong nghiên cứu định lượng nhằm xác định và kiểm định mối quan hệ tác động giữa các biến trong mô hình nghiên cứu. Thông qua kết quả hồi quy, nghiên cứu có thể đưa ra kết luận về mức độ chấp nhận hay bác bỏ các giả thuyết đã đề xuất. Cụ thể, phân tích hồi quy tập trung giải quyết các nội dung sau:

Thứ nhất, xác định các biến độc lập trong mô hình có ảnh hưởng đến biến phụ thuộc hay không.

Thứ hai, đánh giá mức độ tác động của từng biến độc lập, từ đó so sánh mức độ ảnh hưởng mạnh hay yếu của các biến này lên biến phụ thuộc.

Thứ ba, xác định chiều tác động của các biến độc lập đối với biến phụ thuộc, bao gồm tác động cùng chiều hay ngược chiều.

Thứ tư, đánh giá mức độ giải thích chung của toàn bộ các biến độc lập đối với sự biến thiên của biến phụ thuộc.

VIDEO HƯỚNG DẪN

Kết quả phân tích hồi quy tuyến tính bội được thực hiện trên phần mềm SPSS thường bao gồm ba bảng kết quả chính.

• Bảng ANOVA cung cấp giá trị mức ý nghĩa thống kê của kiểm định F nhằm đánh giá sự phù hợp tổng thể của mô hình hồi quy. Khi giá trị sig của kiểm định F nhỏ hơn 0.05, có thể kết luận rằng mô hình hồi quy có ý nghĩa thống kê và phù hợp để sử dụng cho phân tích.
• Bảng Model Summary cung cấp các chỉ số R bình phương và R bình phương hiệu chỉnh, phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc. Chỉ số này cho biết tỷ lệ phần trăm sự biến thiên của biến phụ thuộc được giải thích bởi mô hình nghiên cứu.
• Bảng Coefficients trình bày kết quả kiểm định t cho từng biến độc lập trong mô hình. Giá trị sig của kiểm định t nhỏ hơn 0.05 cho thấy biến độc lập có tác động có ý nghĩa thống kê đến biến phụ thuộc. Đồng thời, bảng này cũng cung cấp hệ số hồi quy chưa chuẩn hóa B và hệ số hồi quy chuẩn hóa Beta, qua đó cho phép đánh giá mức độ ảnh hưởng mạnh hay yếu cũng như chiều tác động của từng biến độc lập.

Việc nhận xét và diễn giải kết quả hồi quy tuyến tính trong SPSS được thực hiện như sau:

→ Giá trị sig của kiểm định F bằng 0.000 và nhỏ hơn 0.05, cho thấy mô hình hồi quy có ý nghĩa thống kê và phù hợp với dữ liệu nghiên cứu.

→ Giá trị R bình phương hiệu chỉnh đạt 0.695, tương đương 69.5%, cho thấy các biến độc lập được đưa vào mô hình giải thích được 69.5% sự biến thiên của biến phụ thuộc, phần còn lại được giải thích bởi các yếu tố khác ngoài mô hình và sai số ngẫu nhiên.

→ Giá trị thống kê Durbin–Watson là 1.849, nằm trong khoảng từ 1.5 đến 2.5, cho thấy mô hình không xuất hiện hiện tượng tự tương quan chuỗi bậc nhất của phần dư.

→ Biến F_DN không có ý nghĩa thống kê trong mô hình hồi quy do giá trị sig của kiểm định t lớn hơn 0.05. Các biến độc lập còn lại đều có tác động có ý nghĩa thống kê đến biến phụ thuộc vì giá trị sig của kiểm định t đều nhỏ hơn 0.05.

Trong trường hợp này, biến không có ý nghĩa thống kê không nhất thiết phải loại bỏ và chạy lại mô hình hồi quy, mà chỉ cần ghi nhận rằng biến này không có tác động đáng kể đến biến phụ thuộc.

→ Các hệ số phóng đại phương sai VIF của các biến độc lập đều nhỏ hơn 3, cho thấy mô hình không xảy ra hiện tượng đa cộng tuyến.

→  Phương trình hồi quy được xác định như sau:

Phương trình hồi quy chưa chuẩn hóa:

F_HL = -0.475 + 0.267LD + 0.259F_CV + 0.084F_TL + 0.066F_DT + 0.393*F_DK + ε

Phương trình hồi quy chuẩn hóa:

F_HL = 0.322LD + 0.288F_CV + 0.096F_TL + 0.076F_DT + 0.421*F_DK + ε

6. Cách diễn giải kết quả phân tích T Test và One-way ANOVA

Ở bước thứ 6 trong quy trình xử lý dữ liệu bằng SPSS cho luận văn, nghiên cứu sẽ chuyển sang giai đoạn phân tích chuyên sâu nhằm cung cấp cơ sở khoa học cho việc thảo luận kết quả, cũng như đề xuất các giải pháp và kiến nghị phù hợp với mục tiêu nghiên cứu.

Trong thực tiễn nghiên cứu, nhà nghiên cứu thường có nhu cầu so sánh giá trị trung bình của một biến nghiên cứu giữa hai hoặc nhiều nhóm đối tượng khác nhau. Các phép kiểm định so sánh trung bình được sử dụng trong trường hợp này yêu cầu hai loại biến: một biến định lượng dùng để tính giá trị trung bình và một biến định tính dùng để phân nhóm đối tượng so sánh.

Ví dụ, nghiên cứu có thể xem xét liệu mức độ hài lòng trong công việc có sự khác biệt giữa nam và nữ hay không, hoặc có sự khác biệt giữa các nhóm thu nhập dưới 10 triệu đồng, từ 10 đến 20 triệu đồng và trên 20 triệu đồng hay không.

Việc đánh giá sự khác biệt này giúp nhận diện những khác biệt về thái độ hoặc hành vi giữa các nhóm đáp viên có đặc điểm cá nhân khác nhau. Trên cơ sở đó, nghiên cứu có thể đề xuất các giải pháp và định hướng quản trị phù hợp cho từng nhóm đối tượng cụ thể.

a. Kiểm định Independent Samples T Test

Kiểm định Independent Samples T Test được sử dụng nhằm so sánh giá trị trung bình của một biến định lượng giữa hai nhóm đối tượng độc lập. Ví dụ, khi phân tích sự khác biệt về mức chi tiêu trung bình hàng tháng giữa các hộ gia đình chưa có con và các hộ gia đình có con dưới 6 tuổi. Trong trường hợp này, biến định lượng là mức chi tiêu hàng tháng, còn biến định tính gồm hai nhóm: nhóm chưa có con và nhóm có con dưới 6 tuổi.

VIDEO HƯỚNG DẪN

Kết quả phân tích Independent Samples T Test trong SPSS thường được trình bày thông qua hai bảng kết quả chính.

– Bảng Group Statistics cung cấp các thống kê mô tả cho từng nhóm của biến định tính, bao gồm số quan sát, giá trị trung bình, độ lệch chuẩn và sai số chuẩn của trung bình. Trong số các chỉ tiêu này, giá trị trung bình là thông tin quan trọng nhất vì đây là cơ sở để so sánh giữa hai nhóm đối tượng nghiên cứu.

– Bảng Independent Samples Test cung cấp kết quả của hai phép kiểm định.

• Thứ nhất là kiểm định Levene trong cột Levene’s Test, được sử dụng để đánh giá giả định về sự đồng nhất phương sai giữa hai nhóm. Nếu giá trị sig nhỏ hơn 0.05, giả định phương sai bằng nhau bị bác bỏ và nhà nghiên cứu sử dụng kết quả kiểm định t ở dòng Equal variances not assumed. Ngược lại, nếu giá trị sig lớn hơn 0.05, giả định phương sai bằng nhau được chấp nhận và kết quả kiểm định t ở dòng Equal variances assumed sẽ được sử dụng.
• Thứ hai là kiểm định t trong cột t-test, dùng để đánh giá sự khác biệt về giá trị trung bình giữa hai nhóm đối tượng. Nếu giá trị sig của kiểm định t nhỏ hơn 0.05, có thể kết luận rằng tồn tại sự khác biệt về giá trị trung bình giữa hai nhóm một cách có ý nghĩa thống kê. Nếu giá trị sig lớn hơn 0.05, sự khác biệt trung bình giữa hai nhóm không có ý nghĩa thống kê.

Cách nhận xét kết quả bảng Independent Samples T Test trong SPSS có thể được minh họa như sau.

→ Giá trị sig của kiểm định Levene bằng 0.127, lớn hơn 0.05, cho thấy phương sai của hai nhóm nam và nữ là đồng nhất; do đó, kết quả kiểm định t ở dòng Equal variances assumed được sử dụng để diễn giải.

→ Giá trị sig của kiểm định t bằng 0.000, nhỏ hơn 0.05, cho thấy tồn tại sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa các đáp viên có giới tính khác nhau. Dựa trên bảng Group Statistics, giá trị trung bình cho thấy mức độ hài lòng của nam cao hơn so với nữ.

b. Phân tích phương sai một chiều (One-way ANOVA)

Ở phần trước, kiểm định Independent Samples T-test đã được trình bày nhằm so sánh giá trị trung bình giữa hai nhóm độc lập. Tuy nhiên, trong trường hợp biến định tính bao gồm từ ba nhóm trở lên, kiểm định này không còn phù hợp. Khi đó, phân tích phương sai một chiều (One-way ANOVA) được sử dụng để đánh giá sự khác biệt về giá trị trung bình của biến định lượng giữa nhiều nhóm độc lập.

VIDEO HƯỚNG DẪN

Kết quả phân tích One-way ANOVA trên phần mềm SPSS thường bao gồm bốn bảng kết quả quan trọng sau:

• Bảng Test of Homogeneity of Variances cung cấp giá trị Sig của kiểm định Levene nhằm kiểm tra giả định đồng nhất phương sai giữa các nhóm được so sánh. Trường hợp Sig < 0.05 cho thấy phương sai giữa các nhóm không đồng nhất, khi đó cần sử dụng kết quả kiểm định Welch trong bảng Robust Tests. Ngược lại, nếu Sig > 0.05, giả định đồng nhất phương sai được thỏa mãn và kết quả kiểm định F trong bảng ANOVA sẽ được sử dụng.
• Bảng ANOVA hoặc bảng Robust Tests được dùng để đánh giá sự khác biệt về giá trị trung bình giữa các nhóm đáp viên. Chỉ một trong hai bảng này được sử dụng tùy thuộc vào kết quả kiểm định Levene ở bước trước. Nếu Sig của kiểm định F hoặc Sig của kiểm định Welch < 0.05, có thể kết luận tồn tại sự khác biệt có ý nghĩa thống kê về giá trị trung bình giữa các nhóm. Ngược lại, nếu các giá trị Sig này > 0.05, không có đủ bằng chứng thống kê để khẳng định sự khác biệt trung bình giữa các nhóm.
• Bảng Descriptives và các biểu đồ minh họa cung cấp các chỉ tiêu thống kê mô tả cho từng nhóm của biến định tính. Trong các chỉ tiêu này, giá trị trung bình (Mean) là thông số được quan tâm nhất, vì đây là cơ sở để so sánh mức độ khác biệt giữa các nhóm đáp viên.

Cách đọc kết quả bảng số liệu One-way ANOVA trong SPSS có thể được minh họa như sau:

→ Giá trị Sig của kiểm định Levene bằng 0.092 > 0.05 cho thấy phương sai giữa các nhóm đáp viên là đồng nhất, do đó sử dụng kết quả Sig của kiểm định F trong bảng ANOVA.

→ Giá trị Sig của kiểm định F trong bảng ANOVA bằng 0.010 < 0.05, cho thấy tồn tại sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa các nhóm đáp viên có mức thu nhập khác nhau. Dựa trên bảng thống kê mô tả và biểu đồ, mức độ hài lòng cao nhất thuộc về nhóm có thu nhập từ 20 triệu đồng/tháng trở lên, tiếp theo là nhóm từ 15 đến dưới 20 triệu đồng/tháng, sau đó là nhóm dưới 10 triệu đồng/tháng, và thấp nhất là nhóm từ 10 đến dưới 15 triệu đồng/tháng.

Như vậy, trên đây là cách đọc và diễn giải kết quả phân tích One-way ANOVA trong SPSS, một trong sáu kiểm định cơ bản thường được sử dụng trong phân tích dữ liệu luận văn. Tùy thuộc vào đặc điểm và mục tiêu của đề tài nghiên cứu, có thể cần bổ sung thêm các phương pháp phân tích khác như kiểm định Chi-bình phương, bảng chéo, các kiểm định phi tham số hoặc phân tích CFA trên AMOS sau bước EFA. Do đó, người nghiên cứu cần trao đổi và thực hiện theo hướng dẫn của giảng viên hướng dẫn để xây dựng quy trình nghiên cứu phù hợp và đảm bảo tính khoa học của đề tài.