SPSS NGHIÊN CỨU MARKETING 2

ĐỌC KẾT QUẢ SPSS
 THỐNG KÊ MÔ TẢ (DESRIPTIVE)
Cách thực hiện:
Analyze  Descriptive Statistics  Descriptive  Chọn biến (biến định lượng và
mô tả)  OK
 THỐNG KÊ TẦN SỐ (FREQUENCIES)
Cách thực hiện:
Analyze  Descriptive Statistics  Frequencies  Chọn biến (biến định lượng)
+Statistics: Chọn Mean, Media, Sum, Std Min max
 PHÂN TÍCH ĐỘ TIN CẬY CỦA THANG ĐO
Cách thực hiện:
Analyze  Scale  Reliability Analysis  Chọn biến (chọn hết các biến thuộc 1
thuộc tính )  Stastistics  Scale if item deleted  continue  OK
Đọc kết quả:
- Hệ số Cronbach’s Alpha
+ Từ 0.8 đến gần bằng 1: thang đo lường rất tốt.
+ Từ 0.7 đến gần bằng 0.8: thang đo lường sử dụng tốt.
+ Từ 0.6 trở lên: thang đo lường đủ điều kiện
-Hệ số tương quan biến tổng Corrected Item-Total Correlation: >= 0.3 là phù hợp, <
0.3 thì loại.
 PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA
Cách thực hiện đối với biến độc lập:
Analyze  Dimention Reduction  Factor  Đưa hết các biến độc lập phù hợp
( biến không bị loại bỏ ở Cronbach’s Alpha ).
+ Descriptives: chọn KMO
+ Ronation: Ở đây có các phép quay, thường chúng ta hay sử dụng Varimax và
Promax. Riêng với dạng đề tài đã xác định được biến độc lập và biến phụ thuộc,
chúng ta sử dụng phép quay Varimax.
+Extraction: chọn Princical
+ Options: Chọn Sorted by size và suppress small, chọn 0.3 hoặc 0.5
Chọn OK

Đọc kết quả:


Chỉ quan tâm đến 3 bảng KMO and Barlett’s Test, Total Variance Explained và
Rotated Component Matrix.
-Ở bảng KMO:
+KMO >= 0.5, nhân tố được chấp nhận
+Sig 0.000 < 0.05, phân tích nhân tố là phù hợp.
-Ở bảng Total Variance Explained:
+Giá trị Total ở cột Eigenvalue >= 1 thì sẽ trích được n nhân tố phù hợp, còn nhỏ
hơn 1 không trích được các nhân tố phù hợp.
+Gía trị Cumulative >= 50%, tính từ n nhân tố phù hợp thì mô hình EFA là phù hợp.
-Ở bảng Ronated matrix:
+ Nếu các Component không bị trùng thì phù hợp, trùng mà sự chênh lệnh giữa 2
cái nhỏ hơn 0.3 loại.
+ Nếu biến độc lập nhỏ hơn 0.5 sẽ không được xuất ra Component cũng bị loại.
Cách thực hiện đối với biến phụ thuộc:
Thực hiện tương tự như biến độc lập và đọc số liệu cũng vậy. Đa phần bảng Rotated
Component Matrix sẽ báo Only one component was extracted. The solution cannot
be rotated. Đây không phải là lỗi phần mềm hay lỗi dữ liệu, thông báo này mang ý
nghĩa: Chỉ có 1 nhân tố được trích, do đó, SPSS không thể thực hiện xoay ma trận.
Điều này hoàn toàn hợp lý, bởi SPSS chỉ thực hiện xoay nhân tố khi có từ 2 nhân tố
trở lên được trích.
 THỰC HIỆN GỘP CÁC BIẾN ĐỂ DỄ PHÂN TÍCH HỒI QUY
Cách thực hiện: Transform  Compute Variable  Chú ý tới:
+Target Variable: Điền tên biến đại diện. Ví dụ ở đây là nhân tố CV.
+Numeric Expression: Nhập hàm Mean(giá trị 1,giá trị 2,giá trị 3,...). VD ở đây là
Mean(CV2,CV1,CV5,CV3,CV4). Tên hàm có thể viết hoa hoặc viết thường, các giá
trị trong hàm ngăn cách nhau bằng dấu phẩy và không có khoảng cách trắng.
 PHÂN TÍCH TƯƠNG QUAN PEARSON (KT xem biến PT với ĐL có

tương quan với nhau không)
Cách thực hiện:
Analize  Correlate  Bivarite  Đưa hết các biến đã gộp vô ( nên đưa biến phụ
thuộc ở trên để dễ đọc )  OK
Đọc kết quả:
*Phân tích biến phụ thuộc với biến độc lập:
Cần xem Sig trước, nếu có ý nghĩa thì mới xét tiếp r


- Sig tương quan Pearson < 0.05 phù hợp, >= 0.05 tương quan không có ý nghĩa.
- Pearson Correlation là r :
+Nếu r càng tiến về 1(tương quan dương), -1(tương quan âm) : tương quan càng
mạnh, chặt chẽ
+Nếu r càng tiến về 0: tương quan càng yếu
+Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán
Scatter như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
+Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra.
Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi
tuyến.
+N: tổng số data.
*Phân tích biến độc lậpvới biến độc lập:
Xem giữa các biến ĐL xem tương quan có mạnh không. Nếu mạnh, sẽ có khả năng
xảy ra đa cộng tuyến và ngược lại.
 PHÂN TÍCH HỒI QUY ĐA BIẾN
Cách thực hiện:
Analyze  Regression  Linear  Đưa biến phụ thuộc vào ô Dependent, các biến
độc lập vào ô Indenpendents ( lưu ý là chỉ đưa biến phù hợp, không đưa biến đã loại
sau khi phân tích tương quan Pearson )
+ Mục Statistics : chọn Descriptive, Durbin…, Collinearity…
+ Mục Plots: Xuất ZPRED vào ô Y, ZRESID vào ô X , tick chọn Histogram và

Normal Continue
+ Những cái khác thì mặc định
+ Method: Enter
Xong OK
Đọc kết quả: Chỉ quan tâm 3 bảng Model Summary, ANOVA, Coefficients.
-Bảng Model Summary:
+Gía trị R2 ( R Square ): từ 0-1, tuy nhiên bằng 1 là điều không thể. Từ 0,5-1 là mô
hình tốt, <0.5 là chưa tốt.
+Hệ số Durbin – Watson: biến thiên trong khoảng từ 0 đến 4; nếu giá trị càng nhỏ,
gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa
là các phần sai số có tương quan nghịch. Còn nếu gần = 2 thì không có tương
quan.
-Bảng ANOVA:
+Sig kiểm định F: <0.05 mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và


có thể sử đụng được.
-Bảng Coefficients:
+Sig kiểm định t (t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy.) nhỏ hơn
0.05, ta kết luận biến độc lập đó có tác động đến biến phụ thuộc. Mỗi biến độc lập,
ta kiểm định từng t riêng.
+Hệ số phóng đại phương sai VIF (dùng để kiểm tra hiện tượng đa cộng tuyến):
Nếu VIF của biến độc lập >10, nghĩa là đang có đa cộng tuyến xảy ra  không có
giá trị giải thích sự biến thiên của biến phụ thuộc. >2, khả năng cao xảy ra đa cộng
tuyến.
-Kiểm tra vi phạm giả định phần dư chuẩn hóa:
+Đối với biểu đồ Histogram: Nếu giá trị trung bình Mean gần bằng 0, độ lệch
chuẩn Std.Dev gần bằng 1, ta có thể khẳng định phân phối là xấp xỉ chuẩn.
+Đối với biểu đồ Normal P-P Plot: Nếu các điểm phân vị trong phân phối của phần
dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư

không bị vi phạm.
-Kiểm tra vi phạm giả định liên hệ tuyến tính:
+ Biểu đồ phân tán Scatter Plot: Nếu phần dư chuẩn hóa phân bổ tập trung xunh
quanh đường hoành độ 0, chúng ta có thể kết luận giả định quan hệ tuyến tính
không bị vi phạm.
 PHÂN TÍCH ANOVA:
Cách thực hiện:
Analize  Compare mean  Chọn one-way anova. Đưa biến định lượng vào khung
Dependent list; biến phân loại xác định các đôi tượng vào khung Fator.
+Contrasts: kiểm định trước
+Post Hoc: kiểm định sau
+Chọn lệnh Options: Chọn Descriptive, Homo…,Welch,Means plot  Continue
Đọc kết quả:
- Xem bảng Test of homor: Sig lớn hơn 0.05 thì dùng bảng này, còn nhỏ hơn thì
dùng bảng Robust test
- Xem bảng Anova: Sig nhỏ hơn 0.05 thì có sự khác biệt, còn lớn hơn thì không có
sự khác biệt giữa các nhân khẩu.