PHẦN A:
MINH HỌA CÁC VÍ DỤ VỀ PHÂN TÍCH PHƯƠNG SAI ANOVA
1. Phân tích phương sai một nhân tố:
Một nghiên cứu được thực hiện nhằm xem xét năng suất lúa trung bình của 3 giống lúa.
Kết quả thu thập qua 4 năm như sau:
Năm
A
B
C
1
65
69
75
2
74
72
70
3
64
68
78
4
83
78
76
Hãy cho biết năng suất lúa trung bình của 3 giống lúa có khác nhau hay không?
α = 0.01 .
Bài giải
Gọi Xi là năng suất lúa trung bình của 3 giống lúa thứ i, i = 1,3
2
Xi ~ N ( µ i , σ )
Xét các giả thuyết
H0: µ1 = ... = µ3 , năng suất lúa trung bình của 3 giống lúa là như nhau
H1: ∃i ≠ j : µi ≠ µ j , năng suất lúa trung bình của 3 giống lúa là khác nhau
Ta có bảng ANOVA như sau:
Anova: Single Factor
SUMMARY
Groups
Count
Sum
Average Variance
A
4
286
71.5
79
B
4
287
71.75
20.25
C
4
299
74.75 11.58333
ANOVA
Source of Variation
Between Groups
SS
df
MS
26.16667
2 13.08333
1
F
P-value
F crit
0.354135 0.711136 8.021517
Within Groups
332.5
Total
9 36.94444
358.6667
11
Kết luận
Vì F = 0.354135 < Fk −1;n −k ;1−α = 8.021517 nên ta chấp nhận giả thuyết H0, nghĩa là năng
suất lúa trung bình của 3 giống lúa là như nhau.
2. Phân tích phương sai 2 nhân tố không lặp:
Có 4 công ty tài chính được yêu cầu dự đoán về tốc độ tăng trưởng (%) trong năm tới
của 5 công ty ngành nhựa. Dự đoán được ghi nhận như sau:
Chuyên gia
Công ty
A
B
C
D
1
8
12
8.5
13
2
14
10
9
11
3
11
9
12
10
4
9
13
10
13
5
12
10
10
10
Hãy lập bảng ANOVA. Có thể nói rằng dự đoán tốc độ tăng trưởng trung bình là như
nhau cho cả năm công ty nhựa được không? α = 0.05
Bài giải
Gọi Xij là dự đoán tốc độ tăng trưởng trung bình công ty nhựa thứ i ở chuyên gia công
2
ty tài chính thứ thứ j, i = 1,5, j = 1, 4 , Xij ~ N (α i + β j , σ )
Xét các giả thuyết
H0: α1 = ...α 5 , nghĩa là tốc độ tăng trưởng trung bình công ty nhựa là như nhau
H0’: β1 = ...β 4 , nghĩa là 4 công ty tài chính dự đoán là như nhau
Ta có bảng ANOVA như sau:
Anova: Two-Factor Without Replication
SUMMARY
Count Sum
Average
Variance
1
4
41.5
10.375
6.229167
2
4
44
11
4.666667
2
3
4
42
10.5
1.666667
4
4
45
11.25
4.25
5
4
42
10.5
1
A
5
54
10.8
5.7
B
5
54
10.8
2.7
C
5
49.5
9.9
1.8
D
5
57
11.4
2.3
ANOVA
Source of
Variation
Rows
SS
df
MS
F
P-value
F crit
2.3
4
0.575
0.144654 0.961924 3.259167
5.7375
3
1.9125
0.481132 0.701475 3.490295
Error
47.7
12
3.975
Total
55.7375
19
Columns
Kết luận
+ Vì FA = 0.144654 < F4;12;0.95 = 3.259167 nên tốc độ tăng trưởng trung bình 5 công
ty nhựa là như nhau.
+ Vì FB = 0.481132 < F4;12;0.95 = 3.490295 nên dụ đoán của 4 công ty là như nhau.
3. Phân tích phương sai 2 nhân tố có lặp:
Hãy phân tích tình hình kinh doanh của một số ngành nghề ở 4 quận trên cơ sở số liệu doanh
thu một số của hàng như sau:
Quận
Ngành nghề kinh doanh
Điện lạnh
Q1
Q2
Q3
Q4
2.5
3.1
2.2
11.2
2.7
3.5
2
12
2
2.7
9.5
19.8
3
Vật liêu xây dựng
Dịch vụ tin học
3
3.2
2.1
15.8
0.6
1.2
3.3
4.2
10.4
1
2.3
1
11.2
9.8
6.7
3.8
8.3
1.8
1.9
2.5
4.2
3.2
0.4
3.1
5
3
3
1
6.2
7.8
9.8
3.6
3.3
2.5
2.8
3.9
Giải
Gọi Xijk là quan sát thứ k về doanh thu ứng với ngành thứ i và quận thứ j, k = 1,4, i = 1,3, j = 1,4 ;
2
Xijk ~ N ( µ , α i + β j , σ )
Xét giả thuyết
H0: α1 = ...α 3 , nghĩa là tình hình kinh doanh của các ngành nghề là như nhau
H0’: β1 = ...β 4 , nghĩa là tình hình kinh doanh ở các quận là như nhau
Ta có bảng ANOVA như sau:
Anova: Two-Factor With Replication
SUMMARY
Q1
Q2
Q3
Q4
Total
Điện lạnh
Count
4
4
4
4
16
Sum
10.2
12.5
15.8
58.8
97.3
Average
2.55
3.125
3.95
14.7
6.08125
0.176667 0.109167 13.69667
15.58667
32.58963
Variance
Vật liêu xây dựng
Count
Sum
4
4
4
4
16
30.5
13.8
14.2
11.5
70
4
Average
7.625
Variance
3.45
3.55
2.875
4.375
23.42917 18.03667 4.756667
2.089167
13.48867
Dịch vụ tin học
Count
4
4
4
4
16
18.7
16.5
16
11.6
62.8
4.675
4.125
4
2.9
3.925
1.515833 6.089167 16.34667
1.713333
5.575333
Sum
Average
Variance
Total
Count
12
12
12
12
Sum
59.4
42.8
46
81.9
Average
4.95 3.566667 3.833333
6.825
Variance
11.57545 6.798788 9.535152
39.11477
ANOVA
Source of
Variation
SS
df
MS
F
P-value
F crit
Sample
41.40375
2 20.70188
2.399155
0.105169
3.259446
Columns
78.94229
3 26.3141
3.049559
0.040902
2.866266
Interaction
385.2246
6 64.2041
7.440658
3.14E-05
2.363751
Within
310.6375
36 8.628819
Total
816.2081
47
Kết luận
Vì P-value trên hàng = 0.105 > α = 0.05 nên ta chấp nhận giả thuyết H 0, nghĩa là các ngành
nghề khác nhau không ảnh hưởng đến tình hình kinh doanh
Vì P-value trên cột = 0.04 < α = 0.05 nên ta bác bỏ giả thuyết H0’, nghĩa là tại các quận khác
nhau tình hình kinh doanh các cửa hàng khác nhau.
5
PHẦN B
PHÂN TÍCH THÀNH PHẦN CHÍNH
MINH HỌA BÀI TẬP VỚI SỬ DỤNG PHẦN MỀM SPSS
A. CƠ SỞ LÝ THUYẾT:
1. Đặt vấn đề:
Phân tích thành phần chính (Principal Component Analysis – PCA) là một trong những
phương pháp phân tích dữ liệu nhiều biến đơn giản nhất. Khi không gian có số chiều lớn, ta
cần phải tìm cách đưa dữ liệu về không gian có số chiều nhỏ hơn.
PCA là một trong những phương pháp như thế với nhiều đặc tính tốt:
•
Giúp giảm số chiều của dữ liệu,
Thay vì giữ lại các trục tọa độ của không gian cũ, PCA xây dựng một không gian mới ít
chiều hơn, nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không gian cũ, nghĩa là
đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới.
•
•
Các trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ, do đó về
mặt ngữ nghĩa, PCA xây dựng feature mới dựa trên các feature đã quan sát được. Điểm hay là
những feature này vẫn biểu diễn tốt dữ liệu ban đầu.
Trong không gian mới, các liên kết tiềm ẩn của dữ liệu có thể được khám phá, mà nếu
đặt trong không gian cũ thì khó phát hiện hơn, hoặc những liên kết như thế không thể hiện rõ.
•
Nói một cách ngắn gọn, mục tiêu của PCA là tìm một không gian mới (với số chiều nhỏ hơn
không gian cũ). Các trục tọa độ trong không gian mới được xây dựng sao cho trên mỗi trục, độ
biến thiên của dữ liệu trên đó là lớn nhất có thể, còn gọi là maximize the variability. Ba chữ
này gói gọn ý tưởng chính của PCA.
2. Các kiến thức cơ sở và ý tưởng phân tích thành phần chính:
a.
Giá trị riêng, vectơ riêng:
Giả sử trong R n với tích vô hướng gắn với ma trận vuông A, và f là ánh xạ tuyến tính
từ R n vào R n .Véc tơ v ≠ 0 trong R n là vectơ riêng của f nếu: f ( v ) = λv ( λ là hằng số
khác không ). Khi đó λ gọi là giá trị riêng của ánh xạ f .
Nếu tồn tại một cơ sở trong R n sao cho ma trận A biểu diễn trong cơ sở có dạng chéo thì
6
ma trận A sẽ chéo hóa được, tức là tồn tại ma trận P khả nghịch sao cho: A ' = P −1A P có
dạng chéo.
b.
Kỳ vọng và phương sai của thống kê chiều chiều:
+ Kỳ vọng:
Trong thống kê nhiều chiều, mỗi một mẫu thống kê là một vectơ nhiều chiều. Giả sử ta có
biến ngẫu nhiên X = [ x 1 , x 2 ,..., x n ] , khi đó kỳ vọng của E [ X
1
]
được ước lượng bằng trung
N
bình của mẫu X với: X = ∑ X i , với N là tổng số mẫu trong thống kê.
N i =1
+ Ma trận hiệp phương sai:
Giá trị phương sai trong thống kê một chiều để đo mức độ phân tán của một biến ngẫu
nhiên xung quanh kỳ vọng của nó. Trong thống kê nhiều chiều, giá trị này được mở rộng
T
thành ma trận hiệp phương sai: C = E X − E [ X ] X − E [ X ] .
Ma trận hiệp phương sai là một ma trận đối xứng, mỗi phần tử ϕij của ma trận hiệp phương
sai thể hiện mối quan hệ giữa 2 thành phần x i và x j trong vectơ X.
ϕij =
cov ( X i , X
)
j
DX i .DX
j
Nếu ϕij = 0 ta nói 2 thành phần x i và x j độc lập với nhau, ϕij ≠ 0 thì x i và x j không độc lập
hay chúng phụ thuộc lẫn nhau.
c. PCA (Principal Component Analysis )
Giả sử ta cần giảm số chiều từ tập mẫu n chiều ban đầu x = av
1 1 + a2v 2 + ... + aNv N (trong đó v 1 ,
v 2 , ..., v N là cơ sở của không gian N chiều) xuống thành k chiều với y = b1u1 + b2u 2 + ... + b N u k
( u1 , u 2 , ..., u N là cơ sở của không gian K chiều. Gọi M là tổng số mẫu có trong thống kê.
Gọi x là một vectơ trong không gian n chiều, y là một vectơ trong không gian k chiều.
Phương pháp PCA tìm một phép biến đổi tuyến tính T thỏa: y = T .x với T là ma trận cấp kxn
sao cho trung bình bình phương lỗi là bé nhất
b1 = t 11a1 + t 12a2 + ... + t 1naN
b2 = t 21a1 + t 22a2 + ... + t 2 n aN
…
b k = t k 1a1 + t k 2a2 + ... + t kn aN
t 11 t 12
t
21 t 22
T
=
với
... ...
t K 1 t K 2
... t 1N
... t 2 N
... ...
... t KN
1
M
Gọi x là vectơ trung bình của các vectơ x trong tập X: x =
∑x i
M i =1
Gọi C là ma trận hiệp phương sai của các phần tử trong tập X:
C =
(
1 M
∑ xi −x
M − 1 i =1
)(x
i
−x
)
T
Khi đó T là một ma trận mà mỗi hàng là một vectơ riêng của C và m vectơ riêng này ( m
hàng của ma trận T) ứng với m trị riêng lớn nhất thì T chính là phép biến đổi tuyến tính thỏa
điều kiện trung bình bình phương lỗi khi loại bỏ một số thành phần trong x để thu được y sẽ
bẳng tổng phương sai của những thành phần bị loại bỏ nhỏ nhất.
7
Gọi Φ là ma trận vuông nxn mà mỗi cột là một vectơ riêng của C đã được chuẩn hóa với
y = ( y 1 , y 2 ,..., y n )
phép biến đổi y = ΦT .x
Tóm lại, phương pháp phân tích thành phần chính ánh xạ một vectơr từ không gian n chiếu
xuống không gian k chiều sẽ đi tìm các trị riêng và vectơr riêng của ma trận hiệp phương sai
C của tập X và giữ lại k vectơr riêng ứng với k trị riêng lớn nhất làm cơ sở cho không gian k
chiều này.
3. Tóm tắt phân tích thành phần chính : gồm các bước sau:
Giả sử X là một biến ngẫu nhiên trong không gian N chiều và M là tổng số mẫu có
trong thống kê.
B1: x =
1
M
M
∑x
i =1
i
B2: Thực hiện Φ i = x i − x
B3:Lập ma trận A = [ Φ1 Φ 2 ... Φ M
]
và tính C =
1
M
M
∑Φ Φ
i =1
i
T
i
=AAT
B4: Tính giá trị riêng của C: λ1 ≥ λ2 ≥ ... ≥ λN
B5: Tính các vectơ riêng của C: u1 ,u 2 ,...,u N
Vì C đối xứng (N x N) nên u1 ,u 2 ,...,u N là một cơ sở ta có:
x − x = b1u1 + b2u 2 + ... + bN u N
B6: (Giảm số chiều) Giữ lại thuộc tính tương ứng giá trị riêng lớn nhất.
K
xµ − x = ∑ bi u i trong đó K << N
i =1
Do đó sự biểu diễn của xµ − x trong u1 ,u 2 ,...,u K là:
b1
b2
...
bK
Phép biến đổi tuyến tính R N → R K nhằm giảm số chiều sẽ là:
T
b1 u1
T
b2 = u 2 x − x = U T x − x
... ...
T
bK u K
(
)
(
)
B. SỬ DỤNG PHẦN MỀM SPSS ĐỂ MINH HỌA BÀI TẬP
Sử dụng một số hàm trong phần mềm SPSS để phân tích dữ liệu từ bảng điểm của lớp Giải
tích khóa 17 của Trường Đại học Cần Thơ. Chúng tôi có file dữ liệu nguồn SPSS file giai tich
k17_du lieu.sav của 25 học viên với 15 môn: Triết học, PPNC KHGD, đại số tuyến tính, giải
tích hàm, tin học ứng dụng, tôpô đại cương, giải tích thực, phương trình vi phân, giải tích số,
giải tích hàm nâng cao, phương trình đạo hàm, giải tích phức, giải tích lồi và ứng dụng, pp
phần tử hữu hạn, phương trình vi phân. (tương ứng với các biến x1,x2, …, x15).
Bảng dữ liệu điểm 15 môn của 25 học viên cao học ngành giải tích K17 Cần Thơ
8
STT
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
1
7.7
8.5
6.5
6.5
9
6
6.5
8.5
7
10
6
2.3
8
7.5
8
2
8.2
9
8.5
8
9.3
7
7.5
8.5
7.5
8.5
7
3.3
6
7
9
3
7.1
8
7.5
6
9
8
6
7.5
8
8
6.5
4.5
6
1
8
4
7.1
7
8.5
8
8.5
8
9
8.5
7.5
10
5.5
3.8
8
6.5
8.5
5
8.2
9
8.5
9
8.8
7
8
8.5
8
10
6.5
4
8.5
7
7.5
6
8
8.5
9
9
9.7
7
8.5
8.5
7
9.5
5.5
7
8.5
6
7.5
7
7.4
8.5
8
9
8.8
5.5
9
8
7
9.5
7
6
5.8
7.5
8
8
7.4
9
9
10
9
10
8.5
9
8.5
10
7.5
9
9
6.5
8.5
9
7.9
8.5
8
7
8.7
7
7
8
8.5
9.5
5.5
2
6
8
8.5
10
7.9
8.5
8.5
9
9.3
7
8.5
8
8.5
7.5
7
4.5
7
6.5
9
11
7.9
8
7.5
8
9.8
5.5
8
7.5
7
8
6.5
3
8.5
6
7.5
12
7.5
6
8
6
8.5
6
5.5
8
8
9.5
5.5
3
8
6.5
8.5
13
7.9
8.5
7.5
8
8
5.5
4.5
9
9
9
5.5
4.3
6.5
5.5
9
14
8
7
8
6
9.3
7
4
8
9
8
5.5
5.5
7
6.5
7.5
15
8
8.5
8
5.5
9
5.5
6.5
8
8.5
7.5
5.5
3.5
7.5
5.5
7.5
16
7.6
8.5
8.5
6.5
9.7
5.5
7
8.5
8.5
8.5
6.5
4.5
7.3
7.5
8
17
7.7
8.5
7.5
7
10
5.5
6
7.5
9
8.5
6.5
2
7.5
7
8.5
18
7.5
7
7.5
7
9
7
7
9
9
10
6.5
5.5
8
7.5
8
19
7.4
7.5
7.5
8.5
9.5
5.5
5.5
8.5
8.5
9.5
5.5
2.3
5.8
8
8
20
8
8.5
7.5
8
9
5.5
7
9
7
9
6
4
7.3
7
8.5
21
7.4
9
7.5
8
8.5
7
6.5
8.5
8.5
10
6.5
5.5
7.5
8.5
9
22
7.7
7.5
7.5
9
9
7
7
8.5
8.5
10
7
3.5
8
6.5
8
23
7.7
8
6
5.5
8.5
7
5.5
8.5
8
10
5
2
7
6.5
8.5
24
7.8
8.5
8
7.5
9
10
8
8
7.5
8.5
6.5
5.5
7.5
7.5
7.5
25
7.3
7.5
7.5
5.5
7
5.5
4.5
8.5
5.5
7.5
5.5
4.5
7
7
9
9
x14 X15
Dữ liệu được nhập trên phần mềm SPSS:
Bắt đầu phân tích giảm số chiều: Anlyze → Dimension Reduction → Factor
Đánh dấu tất cả các biến sẽ chọn là x1, x2, …, x15 và chọn bấm vào Descriptives như sau:
10
Khi chọn Descriptives, hộp thoại như xuất hiện, đánh dấu chọn KMO and Bartlett’s test of sphericity.
Khi chọn Extraction, hộp thoại xuất hiện. Ta sử dụng phương pháp trích mặc định của SPSS là
Principal components. Một phương pháp hay được sử dụng khác là Principal axis factoring.
Tiếp theo, nhấn nút Continue, sau đó nhấp vào Scores. Scores sẽ thêm các cột mới vào tập dữ
liệu của chúng ta, mỗi cột mới sẽ bao gồm Scores của mỗi biến trên mỗi thành phần rút
11
ra. Chọn Save as variables nếu bạn muốn lưu lại nhân số (đã chuẩn hoá) của từng nhân tố.
Sau đó, click vào nút Continue, sau đó nhấn nút OK
Khi bấm nút Options, hộp thoại Factor Analysis: Options xuất hiện. Trong hộp thoại này:
+Chọn Sorted by size để sắp xếp các biến quan sát trong cùng một nhân tố đứng gần nhau
+Chọn suppress absolute value less than nếu không thể hiện các trọng số nhân tố có rị tuyệt
đối nhỏ hơn một giá trị nào đó (ví dụ: 0.10)
KẾT QUẢ:
Bảng Ma trận nhân tố:
12
Component Matrixa
Component
1
2
3
4
5
6
x1
.140
-.395
.640
.008
-.211
.486
x2
.478
-.142
.394
-.497
-.055
.083
x3
.685
-.172
-.178
-.131
-.066
.304
x4
.824
.147
.202
-.114
.051
-.139
x5
.378
-.680
.292
.274
.221
-.173
x6
.557
.123
-.475
.098
.214
.087
x7
.812
-.084
.002
-.022
-.241
-.367
x8
.230
.772
.228
.051
-.007
.359
x9
.065
-.142
.186
.231
.881
.243
x10
.287
.642
.218
.463
.170
-.278
x11
.708
-.147
-.045
-.310
.214
-.270
x12
.668
.172
-.451
-.072
-.027
.357
x13
.445
.100
-.103
.594
-.285
.134
x14
.151
.403
.633
.103
-.122
-.112
x15
-.172
.538
.078
-.631
.240
-.032
Extraction Method: Principal Component Analysis.
a. 6 components extracted.
Trong bảng kết quả ở hình trên, có bao nhiêu cột tức là có bấy nhiêu thành phần chính (nhân
tố) được rút ra. Có 6 nhân tố được rút ra.
Bảng KMO và kiểm định Bartlett
13
Kaiser-Meyer-Olkin Measure of Sampling
Adequacy.
Bartlett's Test of
Sphericity
Approx. Chi-Square
.562
127.159
df
105
Sig.
.070
KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5≤KMO≤1 thì phân tích nhân
tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết Ho: độ tương quan giữa các biến quan
sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig ≤ 0.05) thì các biến
quan sát có tương quan với nhau trong tổng thể.
Các bảng thống kê mô tả đơn giản là báo cáo, có nghĩa là độ lệch tiêu chuẩn, số trường hợp
cho mỗi biến trong phân tích.
14
Descriptive Statistics
Mean
Std.
Deviation
Analysis
N
x1
7.692
.3135
25
x2
8.120
.7676
25
x3
7.840
.6880
25
x4
7.500
1.3150
25
x5
8.956
.6212
25
x6
6.700
1.2910
25
x7
6.840
1.4195
25
x8
8.320
.4537
25
x9
7.960
.8651
25
x10
9.040
.9120
25
x11
6.160
.6727
25
x12
4.190
1.6883
25
x13
7.320
.9285
25
x14
6.660
1.3973
25
x15
8.220
.5416
25
15
Total Variance Explained
Initial Eigenvalues
% of
Variance
Total
Extraction Sums of Squared Loadings
Cumulative
%
Total
% of
Variance
Cumulative
%
1
3.845
25.635
25.635
3.845
25.635
25.635
2
2.252
15.012
40.647
2.252
15.012
40.647
3
1.705
11.367
52.015
1.705
11.367
52.015
4
1.496
9.971
61.986
1.496
9.971
61.986
5
1.214
8.090
70.076
1.214
8.090
70.076
6
1.025
6.832
76.908
1.025
6.832
76.908
7
.785
5.234
82.142
8
.583
3.885
86.026
9
.564
3.761
89.787
10
.511
3.406
93.193
11
.315
2.099
95.293
12
.254
1.693
96.985
13
.202
1.347
98.333
14
.132
.879
99.212
15
.118
.788
100.000
Extraction Method: Principal Component Analysis.
Trong hình trên, bạn quan tâm đến một con số ở cột cuối cùng của dòng số 6 (vì có 6 nhân tố
được rút ra). Con số này là 76.908. Người ta nói phương sai trích bằng 76.908 %. Con số này
cho biết 6 nhân tố giải thích được 76.908 % biến thiên của các biến quan sát (hay của dữ liệu).
Scree Plot
16
Biểu đồ gấp khúc thể hiện thông tin trong bảng trước gồm giá trị riêng của các thành phần.
17
Communalities
Initial
Extraction
x1
1.000
.867
x2
1.000
.660
x3
1.000
.644
x4
1.000
.776
x5
1.000
.844
x6
1.000
.614
x7
1.000
.861
x8
1.000
.833
x9
1.000
.948
x10
1.000
.862
x11
1.000
.740
x12
1.000
.812
x13
1.000
.671
x14
1.000
.624
x15
1.000
.781
Extraction Method: Principal
Component Analysis.
Phương sai tương đối của các yếu tố đơn giản là tổng bình phương của các thành phần và đại
diện cho lượng phương sai của biến số chiếm đa số trong các thành phần. Ví dụ, cả sáu thành
phần chiếm 78.1% phương sai trong biến số x15 ( 0.781) .
Để xác định một thành phần có liên quan hay không, chúng ta có thể kiểm tra một tương quan
đơn trên các thành đã lưu. Click vào Analyze > Correlate > Bivariate
18
Tiếp theo, đánh dấu các nhân tố REGR và sử dụng các nút mũi tên để di chuyển chúng đến
hộp Variables, click OK
Correlations
REGR
factor
score 1
for
analysis
STT
1
REGR
factor
score 2
for
analysis
1
REGR
factor
score 3
for
analysis
1
REGR
factor
score 4
for
analysis
1
-.320
.218
.089
.080
.057
.126
.119
.294
.671
.703
.788
.549
25
25
25
25
25
25
25
REGR Pearson
-.320
factor Correlation
score
.119
1 for Sig. (2analysis tailed)
1
N
25
1
.000
.000
.000
.000
.000
1.000
1.000
1.000
1.000
1.000
25
25
25
25
25
25
.000
1
.000
.000
.000
.000
STT
Pearson
Correlation
1
Sig. (2tailed)
N
REGR Pearson
factor Correlation
score
.218
19
REGR REGR
factor
factor
score 5 score 6
for
for
analysis analysis
1
1
Sig. (2tailed)
.294
1.000
1.000
1.000
1.000
1.000
25
25
25
25
25
25
25
REGR Pearson
factor Correlation
score
3 for Sig. (2analysis tailed)
1
N
.089
.000
.000
1
.000
.000
.000
.671
1.000
1.000
1.000
1.000
1.000
25
25
25
25
25
25
25
REGR Pearson
factor Correlation
score
4 for Sig. (2analysis tailed)
1
N
.080
.000
.000
.000
1
.000
.000
.703
1.000
1.000
1.000
1.000
1.000
25
25
25
25
25
25
25
REGR Pearson
factor Correlation
score
5 for Sig. (2analysis tailed)
1
N
.057
.000
.000
.000
.000
1
.000
.788
1.000
1.000
1.000
1.000
25
25
25
25
25
25
25
REGR Pearson
factor Correlation
score
6 for Sig. (2analysis tailed)
1
N
.126
.000
.000
.000
.000
.000
1
.549
1.000
1.000
1.000
1.000
1.000
25
25
25
25
25
25
N
Bảng trên thể hiện các thành phần có mối tương quan với nhau.
20
1.000
25