bài giảng phân tích dữ liệu trong nghiên cứu kinh tế và kinh doanh - ts phạm cảnh huy

10/25/2012
1
1
Phân tích dữ liệu trong nghiên cứu
Kinh tế và Kinh doanh
TS. Phạm Cảnh Huy
Khoa Kinh tế và quản lý – ĐHBKHN
Bài giảng
2
Nội dung
 Giới thiệu mục tiêu học phần:
 Môn học này cung cấp các kỹ thuật phân tích dữ liệu cần thiết cho thực
hiện nghiên cứu khoa học và làm luận án/ luận văn tốt nghiệp.
 Học viên tiếp cận kiến thức của môn học không chỉ từ góc độ kiến thức
nền tảng của các công thức toán học cần thiết, từ các tình huống gần gũi
trong thực tế, mà còn dưới dạng ‘ứng dụng’, ‘thực hành’ trên phần mềm
Eviews, SPSS…
 Những kiến thức cơ bản được trang bị từ môn học:
1) Kỹ thuật phân tích thống kê mô tả với các loại dữ liệu khác nhau;
2) Các phương pháp kiểm định;
3) Kỹ thuật phân tích nhân tố khám phá, kiểm định độ tin cậy của thang đo;
4) Phân tích tương quan, hồi quy;
5) Sử dụng phần mềm Eviews và/hoặc SPSS.
10/25/2012
2
3
Nội dung
Tài liệu tham khảo:
 Gerhard Bohm, Günter Zech, Introduction to Statistics and Data
Analysis, 2010.
 Gerald Keller, Brian Warrack, Statistics for management and

economics. 6th Edition
 SPSS Programming and Data Management, 3rd Edition, SPSS
Inc.
 Damodar N.Gujarati, Basic Econometrics, McGraw-Hill 2004
 TS. Phạm Cảnh Huy, Bài giảng kinh tế lượng, Nhà xuất bản Đại
học Bách khoa Hà Nội 2008.
 Hoàng Trọng- Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu
nghiên cứu với SPSS , Nhà xuất bản Hồng Đức.

4
Nội dung
Giới thiệu phân tích dữ liệu
1
2
Phân loại dữ liệu và một số xử lý trên biến
Mô tả dữ liệu
3
4
Phân tích diễn giải dữ liệu
Phân tích tương quan và hồi quy
5
6
Phân tích nhân tố và đánh độ tin cậy của thang đo
10/25/2012
3
5
Chương 1
GIỚI THIỆU PHÂN TÍCH DỮ LIỆU
6
1.1. Nghiên cứu và phân tích dữ liệu

 Trong kinh doanh hiện đại thì kinh nghiệm còn được gọi là "dữ
liệu".
"Dữ liệu là Kinh nghiệm"
 Nếu bạn không thu thập dữ liệu bạn đang lãng phí kinh nghiệm
của bạn.
 Nhưng dữ liệu là "kinh nghiệm" chỉ là/ hay chỉ được mã hoá
bằng những con số.
 Để dữ liệu giải mã hoặc để hiểu được nó chúng ta cần phải phân
tích (Phân tích dữ liệu).

10/25/2012
4
7
1.1. Nghiên cứu và phân tích dữ liệu

 Phân tích dữ liệu thường được chia thành:

PHÂN TÍCH
DỮ LIỆU
1. Mô tả dữ liệu
2. So sánh dữ liệu
3. Liên hệ dữ liệu
8
1.2. Bản chất của phân tích dữ liệu

 Bản thân dữ liệu thô không phải là tri thức.
 Trình tự đi từ dữ liệu đến tri thức:

Mức độ chính xác của mô

hình thống kê
Dữ liệu Mức độ cải thiện các
quyết định
Thông tin
Sự kiện
Hiểu biết, tri thức
10/25/2012
5
9
1.3. Thống kê và phân tích dữ liệu
Khái niệm
 Thống kê là tập hợp các phương pháp dùng để thu thập, phân
tích, trình bày và diễn giải dữ liệu.
 Phân tích dữ liệu cung cấp kinh nghiệm thực hành để đẩy mạnh
việc ứng dụng tư duy thống kê và kỹ thuật thống kê nhằm hiểu rõ
các hiện tượng nghiên cứu làm cơ sở cho việc ra các quyết định
phù hợp.
 Máy tính đóng một vai trò rất quan trọng trong phân tích dữ liệu
nghiên cứu.

10
1.3. Thống kê và phân tích dữ liệu
Phương pháp phân tích theo các biến số
 Phương pháp biến số đơn: trong đó chỉ có một biến số duy nhất
được phân tích.
 Phương pháp biến số kép: được sử dụng để tìm hiểu sự liên hệ
giữa hai biến số.
 Phương pháp đa biến: được sử dụng để tìm hiểu sự liên hệ giữa
các biến số với nhau.

10/25/2012
6
11
1.4. Quá trình phân tích dữ liệu
Tổng quát
Thu thập và
Chuẩn bị dữ liệu
Thu thập dữ liệu
Mã hóa dữ liệu
Thiết lập cấu trúc dữ liệu
Nhập dữ liệu
Kiểm tra, hiệu chỉnh
Khám phá dữ liệu

Thống kê mô tả

Bảng biểu, đồ thị
Phân tích

So sánh các nhóm


Mối quan hệ giữa
các biến
12
1.4. Quá trình phân tích dữ liệu
Thu thập và Chuẩn bị dữ liệu
Thu thập dữ liệu
Mã hóa dữ liệu
Thiết lập cấu trúc

dữ liệu
Nhập dữ liệu
Kiểm tra, hiệu chỉnh
 Từ điều tra
 Từ dữ liệu sẵn có
 Chuyển dữ liệu gốc sang dữ liệu được mã hóa
 Tên biến (name): Là tên đại diện cho biến
 Loại biến (type): Thể hiện dạng dữ liệu thể hiện trong biến.
 Nhãn của biến (label): Tên biến được thể hiện tóm tắt bằng ký hiệu
 Giá trị khuyết (Missing)
 Dạng thang đo (measures): Hiển thị dạng thang đo của biến
 Trực tiếp (Data view)
 Từ Excel
 Kiểm tra lỗi (Min, max,…)
 Tìm lỗi (Sort case, Edit find)
10/25/2012
7
13
1.4. Quá trình phân tích dữ liệu
Khám phá dữ liệu
 Dữ liệu Categorical (phân loại): Tần suất
 Dữ liệu Numerical (dạng số):
 mean
 standard deviation
 minimum
 maximum…
 Histogram
 Table
 Bar charts
 Scatterplots

 Line graphs

Thống kê mô tả

Bảng biểu,
đồ thị
14
1.4. Quá trình phân tích dữ liệu
Phân tích dữ liệu
 Non-parametric statistics
 T-tests
 One-way analysis of variance ANOVA
 Two-way between groups ANOVA
 Multivariate analysis of variance MANOVA
 Crosstabulation/Chi Square
 Correlation
 Regression/Multiple regression
 Factor analysis

So sánh
các nhóm

Mối quan hệ
giữa các biến
10/25/2012
8
15
 EXCEL
 SPSS
 EVIEWS

 …………


1.5. Các phần mềm ứng dụng
16
Chương 2
PHÂN LOẠI, ĐÁNH GIÁ ĐO
LƯỜNG DỮ LIỆU VÀ MỘT SỐ
XỬ LÝ TRÊN BIẾN
10/25/2012
9
17
2.1. Phân loại dữ liệu

 Dữ liệu nghiên cứu có thể chia thành 2 loại chính là dữ liệu định
tính và dữ liệu định lượng, các dữ liệu này thu thập bằng 4 thang
đo cơ bản như sau:

Dữ liệu
Dữ liệu định
tính
Thang đo
danh nghĩa
Thang đo
thứ bậc
Dữ liệu định
lượng
Thang đo
khoảng cách
Thang đo tỷ

lệ
18
2.1. Phân loại dữ liệu
Thang đo danh nghĩa (biểu danh)/ nominal scale
 Thang đo biểu danh là thang đo đơn giản nhất để phân biệt sự vật
hay hiện tượng này với cái khác nó, nhiều khi người ta dùng các
con số để mã hoá hay chỉ (biểu danh) một sự vật, ngoài ra không
có ý nghĩ gì khác.
Ví dụ 1:
- Khách hàng:  Nam  Nữ;
- Đối tượng:  Người bán sỉ  Người bán lẻ;
- Thái độ:  Thích  Không thích

Giữa các biểu danh: Nam/ Nữ; Thích/ Không thích hoàn
toàn không có quan hệ thứ bậc nào cả.
10/25/2012
10
19
2.1. Phân loại dữ liệu
Thang đo danh nghĩa (biểu danh)/ nominal scale
 Ví dụ 2: Hỏi “Xin vui lòng cho biết tình trạng hôn nhân của bạn
hiện nay?”
Độc thân  1
Đang có gia đình  2
Goá bụa  3
Đã ly hôn  4
Những con số này mang tính định danh vì rõ ràng ta
không thể cộng chúng lại hoặc tính ra giá trị trung bình của
tình trạng hôn nhân”.
20

2.1. Phân loại dữ liệu
Thang đo danh nghĩa (biểu danh)/ nominal scale
 Những phép toán thống kê có thể sử dụng cho dạng thang biểu
danh là:
 Đếm;
 Tính tần suất của một biểu hiện nào đó;
 Xác định giá trị mode;
 Thực hiện một số phép kiểm định.

10/25/2012
11
21
2.1. Phân loại dữ liệu
Thang đo thứ bậc/ ordinal scale
 Là thang đo được sử dụng để xếp hạng các đồ vật hay hiện tượng
theo một thứ tự nhất định với sự so sánh định tính nào đó về thứ
bậc hay sự hơn kém, nó không cho ta biết được khoảng cách giữa
chúng.
 Thang đo xếp hạng theo thứ tự là thang đo biểu danh, nhưng
không phải thang đo biểu danh nào cũng đều là thang đo xếp
hạng theo thứ bậc.
 Đối với thang đo xếp hạng theo thứ tự, khuynh hướng trung tâm
có thể xem xét bằng trung vị; giá trị Mode.

22
2.1. Phân loại dữ liệu
Thang đo thứ bậc/ ordinal scale
 Ví dụ 1: Thu nhập của anh/chị/ông/bà hàng tháng:
1.< 3 triệu đồng
2.Từ 3-5 triệu đồng

3. >5 trđ
 Ví dụ 2: Xếp hạng TOPTEN hàng tiêu dùng Việt Nam tuỳ theo số
lượng thư khách hàng bình chọn nhiều hay ít từ hạng nhất đến hạng 10
(không nói rõ hạng nào được bao nhiêu thư). Hoặc theo mức độ ưa
chuộng của khách hàng ở 3 mức:
1. Không thích;
2. Hơi thích;
3. Rất thích.
Ta biết là “hơi thích” là hơn “không thích” nhưng không đo lường
được khoảng cách giữa hai cấp độ đó là bao nhiêu.
10/25/2012
12
23
2.1. Phân loại dữ liệu
Thang đo khoảng/ interval scale
Là loại thang cung cấp định lượng về
quan hệ thứ tự giữa các sự vật và hiện
tượng;
là một dạng đặc biệt của thang đo xếp
hạng theo thứ bậc;
Trong việc đo lường thái độ hay ý
kiến thì thang đo khoảng cách cung
cấp nhiều thông tin hơn so với thang
đo xếp hạng theo thứ tự
THANG ĐO KHOẢNG CÁCH
nó nói lên được khoảng cách giữa hai
cấp bậc thứ tự (đã được lượng hoá).
24
2.1. Phân loại dữ liệu
Thang đo khoảng/ interval scale

 Ví dụ 1: Đánh giá chất lượng đào tạo của một trường





Chương trình đào tạo của trường phù hợp tốt với
yêu cầu thực tiễn
1 2 3 4 5
Nội dung các môn học được cập nhật, đổi mới,đáp
ứng tốt yêu cầu đào tạo
GV có kiến thức sâu về môn học đảm trách
Rất không đồng ý Rất đồng ý
10/25/2012
13
25
2.1. Phân loại dữ liệu
Thang đo khoảng/ interval scale
 Ví dụ 2: Phát biểu ý thích về màu sắc sản phẩm nào đó bằng cách
đánh dấu vào bậc thang khoảng cách từ:

1 2 3 4 5 6 7
Không thích rất thích

Khi đó, người ta xác định thái độ của mình chính xác ở vào điểm số
nào.

26
2.1. Phân loại dữ liệu
Thang đo khoảng/ interval scale
 Các phép toán thống kê có thể sử dụng thêm cho loại thang đo
này (so với 2 loại thang đo trên) là:
 Tính khoảng biến thiên;
 Số trung bình;
 Độ lệch chuẩn.
Cần chú ý là thang đo khoảng cách tự nó không có điểm 0 tuyệt đối,
do đó bạn chỉ có thể thực hiện được phép tính công hay trừ (+/-),
nếu dùng phép chia (/) thì kết quả sẽ không có ý nghĩa.





10/25/2012
14
27
2.1. Phân loại dữ liệu
Thang đo tỷ lệ/ ratio scale
 Đây là những loại thang đo lường cho phép đánh giá và so sánh
các sự vật hiện tượng một cách tuyệt đối, cung cấp thông tin định
lượng một cách đầy đủ nhất và được áp dụng rộng rãi nhất.
Nhiều thang đo tỉ lệ cho thấy những ý nghiã sâu sắc hơn là ba
loại thang đo trước.
 Đây là thang đo dùng cho tiêu thức số lượng.
Ví dụ: Mức độ chi tiêu cho tiền học của con cái chiếm 30%
thu nhập của tôi.

 Nói chung thang đo khoảng và thang đo tỷ lệ có thể đo lường xu
hướng trung tâm bằng bảng tần số, biểu đồ tần số, trung bình số
học. Còn xu hướng phân tán được đo bằng phương sai, độ lệch
chuẩn. Do vậy SPSS gộp chung 2 thang đo này thành một và gọi
là Scale Measures.

28
2.2. Đánh giá đo lường
Sai lệch trong đo lường
 Sai lệch trong đo lường (measurement error- є
m
) được chia thành
2 nhóm: Sai lệch hệ thống (systematic error – є
s
); Sai lệch ngẫu
nhiên (Random error-

є
r
). Và chúng ta có:
є
m
= є
s
+ є
r
 Sai lệch hệ thống là các sai lệch tạo nên một “chệch” cố định
(constant bias) trong đo lường. Chúng xảy ra khi ta đùng thang
đo lường không cân bằng, hay kỹ thuật phỏng vấn kém,…
 Sai lệch ngẫu nhiên là do những sai sót xảy ra trong quá trình

thực hiện, do người thực hiện gây nên như: ghi nhầm; chọn sai ô
lựa chọn;… Các sai lệch ngẫu nhiên có thể do mệt mỏi, nóng
giận, buồn chán, sự hiện diện của người khác,… gây ra.

10/25/2012
15
29
2.2. Đánh giá đo lường
Giá trị và độ tin cậy của đo lường
 Một đo lường được gọi là có giá trị (Validity) nếu nó đo lường
được đúng cái cần đo lường. Nói cách khác do lường được coi là
“lý tưởng” khi Sai lệch trong đo lường bằng 0 (є
m
= 0 Khi є
s
= 0;
є
r
= 0). Thật vậy, nếu X là số đo được của một thuộc tính nào đó
và X
0
là số đo thật của nó thì:
X = X
0
+ є
m
= X
0
+ є
s

+ є
r

 Như vậy, nếu chúng ta có thể đo lường được đúng cái cần đo
lường thì sự khác biệt về số đo sẽ phản ánh sự khác nhau về thái
độ, ý kiến của đối tượng nghiên cứu.
 Khi một sự đo lường vắng mặt các sai lệch ngẫu nhiên (є
r
=0)thì
đo lường đó có độ tin cậy (reliability). Độ tin cậy là điều kiện cần
để cho một đo lường có giá trị.
30
2.3. Xử lý dữ liệu
Xử lý dữ liệu
 Nhiệm vụ tổng quát của việc xử lý dữ liệu là “chuyển hóa”
những ghi chép quan sát hoặc các câu trả lời dưới dạng “thô”
thành các con số thống kê theo một trật tự nhất định để chuẩn bị
cho việc phân tích và diễn giải các kết quả nghiên cứu thu được.


Xử lý
thủ công
Xử lý
với trợ giúp
của máy tính
10/25/2012
16
31
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu

Chuẩn bị dữ liệu Nhập dữ liệu và lưu trữ
Giai đọan này gổm 3 bước:
 Kiểm tra và hiệu chỉnh
dữ liệu;
 Định biến dữ liệu;
 Mã hóa dữ liệu.
Giai đọan này cũng gồm 3
bước:
 Nhập dữ liệu vào máy
tính;
 Làm sạch dữ liệu;
 Lưu trữ dữ liệu.
32
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Kiểm tra và hiệu chỉnh
 Đây là bước kiểm tra chất lượng thông tin, ví dụ thông tin trong
bảng câu hỏi nhằm đảm bảo không có bảng câu hỏi nào bị thiếu
hoặc chứa đựng những thông tin sai sót theo yêu cầu thiết kế ban
đầu. Người kiểm tra phải bảo đảm tính toàn vẹn và tính chính xác
của từng bảng câu hỏi. Thông thường ở bước này các nhà nghiên
cứu sẽ tiến hành kiểm tra các đặc tính cơ bản của bảng câu hỏi.
 Quá trình kiểm tra, rà soát lại nhằm mục đích kiểm tra, phát hiện,
sửa chữa và thông báo kịp thời cho người thu thập dữ liệu để
tránh những sai sót tương tự. Để xử lý các sai sót phát hiện được
qua kiểm tra, ta có thể chọn cách xử lý tuỳ thuộc vào mức độ sai
sót.


10/25/2012
17

33
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Định biến dữ liệu
 Biến nghiên cứu là tập hợp các khái niệm có ý nghĩa mô tả (định
tính, định lượng ) cho mục tiêu nghiên cứu, được thể hiện bằng
các ký hiệu (mã hoá) theo một qui ước nào đó. Biến nghiên cứu
được thể hiện và là một bộ phận không thể thiếu trong mô hình
nghiên cứu.
 Biến nghiên cứu có thể được phân loại theo kiểu dữ liệu (dạng
thang đo). Biến định tính là biến chứa các giá trị quan sát ở dạng
thang đo danh nghĩa và thang đo thứ bậc. Biến định lượng là
biến chứa các giá trị quan sát ở dạng thang đo khoảng và thang
đo tỷ lệ. Ví dụ trong bảng câu hỏi, mỗi một câu hỏi thường phải
nhằm một mục đích quan sát nào đó. Do vậy, thường mỗi một
câu hỏi tương ứng với một biến quan sát


34
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Định biến dữ liệu
 Ví dụ biến nghiên cứu:
Giả sử rằng “Các yếu tố tác động đến quyết định lựa chọn (mua) mì ăn liền nhãn hiệu
“Hảo Hảo” của khách hàng trên thị trường TP.HCM” là: (a1) Chất lượng SP; (a2) Khẩu vị
phù hợp; (a3) Định lượng vừa đủ; (a4) Dễ dàng mua; (a5) Bao bì hấp dẫn.
Khi đi sâu nghiên cứu về “ chất lượng” sản phẩm, các thuộc tính cấu thành kết luận chất
lượng sản phẩm tốt của mì ăn liền ”Hảo Hảo” gồm có: (a1.1) Sợi mì dai (khi ăn); (a1.2)
Màu sắc của mì và nước dùng tươi ngon; (a1.3) Có thành phần dinh dưỡng cao; … Và các
yếu tố còn lại cũng có các thuộc tính xác định chúng.
Ở thí dụ trên các biến số: a1; a2; a3; a4 là các biến số trực tiếp (cấp 1) tác động đến quyết
định lựa chọn mì ăn liến “ Hảo Hảo”. Còn các biến số a1.1; a1.2; … là các biến số cấp 2

10/25/2012
18
35
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Mã hóa dữ liệu
 Mã hoá giúp giảm số biểu hiện của một biến định tính chỉ còn 2 hay 3 biểu
hiện cơ bản hoặc khi biến định lượng có quá nhiều giá trị chúng ta muốn
nhóm lại giúp cho việc trình bày gọn hơn. Mã hoá dữ liệu làm cơ sở cho việc
thống kê phân tích dữ liệu.
 Mã hoá dữ liệu (Coding) là quá trình chuyển đổi thành dạng mã số để nhập và
xử lý dữ liệu.
 Trong nghiên cứu Marketing, mục đích của việc mã hoá là tạo nhãn (labels)
cho các câu trả lời, thường là bằng các con số, hay ký hiệu. Một trả lời khi mã
hoá thường sẽ thể hiện bằng 1ký tự chỉ số trả lời (số đo).
Thí dụ: Với câu hỏi “ Xin vui lòng cho biết sở thích của bạn đối với sữa chua
Vinamilk?
Code: 1 2 3 4 5
Rất ghét Ghét Tạm được Thích Rất thích

36
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Mã hóa dữ liệu
TT
Câu hỏi nghiên cứu
Biến quan sát
Mã trả lời
Trả lời
1
Vui lòng cho biết giới tính của

bạn?
a1:Giới tính
1
2
Nam
Nữ
2
Xin vui lòng cho biết bạn thuộc
nhóm tuổi nào dưới đây?
a2: Nhóm tuổi
1
2
3
4
5
Dưới 18 tuổi
Từ 19- 25
Từ 26-35
Từ 36-45
Trên 45 tuổi
3
Xin vui lòng cho biết sở thích
của bạn đối với sữa chua
Vinamilk?
a3: Sở thích của
khách hàng đối
với sữa chua
Vinamilk.
1
2

3
4
5
Rất ghét
Ghét
Tạm được
Thích
Rất thích
…
10/25/2012
19
37
2.3. Xử lý dữ liệu
Các giai đoạn xử lý dữ liệu/ Làm sạch và lưu trữ
Nhập dữ liệu vào máy tính
(Inputing data into computer)
Làm sạch dữ liệu
(Data cleaning)
CÁC BƯỚC CÔNG ViỆC
Lưu trữ dữ liệu
(Data saving)
38
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Cột (Column): Đại diện
cho biến quan sát.
Là nơi lưu trữ dữ
liệu nghiên cứu
với một cấu trúc
cơ sở dữ liệu bao

gồm cột, hàng và
các ô giao nhau
giữa cột và hàng
10/25/2012
20
39
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi lưu trữ dữ
liệu nghiên cứu
với một cấu trúc
cơ sở dữ liệu bao
gồm cột, hàng và
các ô giao nhau
giữa cột và hàng
Hàng (Row): Đại diện
cho một trường hợp
quan sát (người trả lời),
40
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi lưu trữ dữ
liệu nghiên cứu
với một cấu trúc
cơ sở dữ liệu bao
gồm cột, hàng và
các ô giao nhau
giữa cột và hàng
Ô giao nhau giữa cột và hàng (cell): Chứa
đựng một kết quả trả lời tương ứng với câu

hỏi cần khảo sát (biến) và một đối tượng trả
lời cụ thể (trường hợp quan sát). Ô là sự kết
hợp của đối tượng và biến. Các ô chỉ chứa
các trị số biến.
10/25/2012
21
41
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Tên biến (name): Là tên đại diện
cho biến, tên biến này sẽ được hiễn
thị trên đầu mỗi cột trong màn hình
dữ liệu
42
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng

với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Loại biến (type): Thể hiện dạng
dữ liệu thể hiện trong biến. Dạng
số, và dạng chuỗi
10/25/2012
22
43
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó

Số lượng con số hiễn thị cho giá
trị (Width): Giá trị dạng số được
phép hiễn thị bao nhiêu con số
44
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Decimals: Số lượng con số sau
dấu phẩy được hiễn thị
10/25/2012
23
45
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn

hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Nhãn của biến (label): Tên
biến chỉ được thể hiện tóm tắc
bằng ký hiệu, nhãn của biến
cho phép nêu rõ hơn về ý nghĩa
của biến
46
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Giá trị trong biến (Values):
Cho phép khai báo các giá
trị trong biến với ý nghĩa cụ

thể (nhãn giá trị)
10/25/2012
24
47
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Giá trị khuyết (Missing): Do thiết kế
bảng câu hỏi có một số giá trị chỉ mang
tính chất quản lý, không có ý nghĩa phân
tích, để loại bỏ các biến này ta cần khai
báo nó như là giá trị khuyết (user
missing). SPSS mặc định giá trị khuyết
(system missing) là một dấu chấm và tự
động loại bỏ các giá trị này ra khỏi các
phân tích thống kê.
48
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS

Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Kích thước cột
(columns): Cho
phép khai báo độ
rộng của cột
10/25/2012
25
49
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột

thể hiện các
thông số liên
quan đến biến đó
Ví trí (align): Vị
trí hiễn thị các giá
trị trong cột (phải,
trái, giữa)
50
2.3. Xử lý dữ liệu
Giới thiệu về màn hình quản lý dữ liệu trên SPSS
Là nơi quản lý
các biến cùng
với các thông số
liên quan đến
biến. Trong màn
hình này mỗi
hàng trên màn
hình quản lý một
biến, và mỗi cột
thể hiện các
thông số liên
quan đến biến đó
Dạng thang đo
(measures): Hiễn thị
dạng thang đo của giá trị
trong biến