SPSS là gì? Các chức năng chính của SPSS

SPSS là gì? Các chức năng chính của SPSS
5 (100%) 7 vote[s]

SPSS là gì? Các chức năng chính của SPSS là gì? Các ứng dụng trong thực tế của SPSS như thế nào? Các câu hỏi thường gặp trong SPSS khi làm luận văn sẽ được Luận Văn 24 giải đáp chi tiết trong bài viết này.

SPSS là gì? Các chức năng chính của SPSS

SPSS là gì? Các chức năng chính của SPSS

1. SPSS là gì?

SPSS (viết tắt của Statistical Package for the Social Sciences) là một phần mềm máy tính phục vụ công tác phân tích thống kê.
SPSS là phần mềm thống kê được sử dụng phổ biến cho các nghiên cứu điều tra xã hội học và kinh tế lượng. SPSS có giao diện thân thiện với người dùng, dễ sử dụng bởi sử dụng chủ yếu các thao tác click chuột dựa trên các các công cụ (tool) mà rất ít dùng lệnh (khác với R hay Stata). SPSS rất mạnh cho các phân tích như kiểm định phi tham số (Chi-square, Phi, lamda….), thống kê mô tả, kiểm định sự tin cậy của thang đo bằng Cronbach Alpha, phân tích tương quan, hồi quy tuyến tính đơn và bội, kiểm định trung bình (T-test), kiểm định sự khác nhau giữa các biến phân loại (định danh) bằng phân tích phương sai (ANOVA), vẽ bản đồ nhận thức (dùng trong marketing) hay sử dụng biến giá (hồi quy với biến phân loại), hồi quy nhị thức (logistic), v.v…

Quan hệ giữa SPSS AMOS và AMOS

Điểm chung:

Hai phần mềm SPSS và AMOS đều là phần mềm thống kê của hãng IBM.

Điểm khác biệt:

SPSS: Chuyên về phân tích tần số, anova, thống kê mô tả, tương quan, hồi quy, kiểm định có tham số, kiểm định phi tham số các loại. Hệ điều hành hỗ trợ Windows, Mac OS. Đây là một chương trình sử dụng rộng rãi để phân tích thống kê trong khoa học xã hội. Nó cũng được sử dụng bởi các nhà nghiên cứu thị trường, các nhà nghiên cứu y tế, công ty khảo sát, chính phủ, các nhà nghiên cứu giáo dục, các tổ chức tiếp thị, kĩ sư khai thác dữ liệu…Các thống kê căn bản trong phần mềm SPSS:

+Thống kê mô tả: Lập bảng chéo, tần số, Descriptives, khám phá, mô tả, tỷ lệ
+Thống kê đơn biến: Trung bình, T -test, ANOVA, tương quan (hai biến, từng phần partial, khoảng cách), kiểm tra phi tham số
+Dự đoán kết quả: hồi quy tuyến tính
+Dự đoán phân  nhóm nhóm: phân tích nhân tố, phân tích cluster (Hai bước, K -means, phân cấp), biệt số.

SPSS AMOS: Là công cụ để dễ dàng thực hiện biểu các mô hình cấu trúc (SEM) để xây dựng các mô hình với độ chính xác hơn các kỹ thuật thống kê đa biến tiêu chuẩn. Điều  này không thể làm được nếu chỉ sử dụng phần mềm SPSS trong trường hợp mô hình có nhiều biến phụ thuộc và trung gian. Với SPSS Amos, bạn có thể xác định, ước lượng, đánh giá, và trình bày mô hình của bạn trong một giao diện trực quan cho thấy mối quan hệ giữa các biến số giả thuyết . SPSS Amos cũng cung cấp một phương pháp phi đồ họa để xác định mô hình . SPSS Amos là công cụ hoàn hảo cho nhiều mục đích, ngoài ra còn cho phép sử dụng lập trình VB# hoặc C# để thiết kế mô hình. Hệ điều hành hỗ trợ Windows. Định dạng dữ liệu cho Amos thường dùng định dạng file input của SPSS. Phân tích CFA, kiểm định SEM, phân tích bootstrap, phân tích đa nhóm, phân tích tác động của biến điều tiết, biến trung gian được thực hiện với phần mềm AMOS này.

Tóm lại:

Nếu muốn đánh giá tổng thể một mô hình gồm nhiều ước lượng hồi quy, tương quan… AMOS là lựa chọn số một. Tuy nhiên nếu mô hình đơn giản, chỉ có một biến phụ thuộc, không có biến trung gian thì dùng SPSS là đủ để đánh giá.
Trong việc làm luận văn, nếu bạn chỉ sử dụng SPSS thì không cần cài AMOS làm gì. Tuy nhiên, nếu bạn định sử dụng AMOS để chạy mô hình thì bắc buộc phải cài thêm phần mềm SPSS để thực hiện các kiểm định cronbach’s alpha, EFA trước khi có thể chạy CFA và SEM với AMOS.

>>>Xem thêm bài viết có nội dung liên quan:

+ Kiểm định Cronbach Alpha là gì? Thực hành phân tích Cronbach Alpha

+ Hướng dẫn cách tạo bộ dữ liệu đẹp trong phân tích định lượng

2. Nội dung chủ yếu của SPSS

Nội dung của SPSS rất phong phú và đa dạng bao gồm từ việc thiết kế các bảng biểu và sơ đồ thống kê, tính toán các đặc trưng mẫu trong thống kê mô tả, đến một hệ thống đầy đủ các phương pháp thống kê phân tích như:
So sánh các mẫu bằng nhiều tiêu chuẩn tham số và phi tham số (Nonparametric Test), các mô hình phân tích phương sai theo dạng tuyến tính tổng quát (General Linear Models), các mô hình hồi quy đơn biến và nhiều biến, các hồi quy phi tuyến tính (Nonlinear), các hồi quy Logistic;
Phân tích theo nhóm (Cluster Analysis);
Phân tích tách biệt (Discriminatory Analysis);
Và nhiều chuyên sâu khác (Advanced Statistics).

3. Cấu trúc, tổ chức dữ liệu trong SPSS

SPSS tổ chức các file dưới dạng định dạng riêng (có thể trao đổi – nhập và xuất sang các định dạng khác) và gồm các cấu trúc file như sau:
File dữ liệu: *.sav hoặc *.sys;
File Syntax: *.sps;
File kết quả: *.spv;
File Script: *.wwd hoặc *.sbs.
Các định dạng dữ liệu khác mà SPSS có thể đọc:
Bảng tính – Excel (*.xls, *.xlsx), Lotus (*.w*);
Database – dbase (*.dbf);
ASCII text (*.txt, *.dat);
Complex database – Oracle, Access;
Các tập tin từ các phần mềm thống kê khác (Stata, SAS).

4. Các chức năng chính của SPSS

Quy trình làm việc của một dự án điển hình mà SPSS có thể thực hiện bao gồm những nội dung sau đây:
Mở các files dữ liệu – Theo định dạng file của SPSS hoặc bất kỳ định dạng nào;
Xử lý dữ liệu – Như tính tổng và trung bình các cột hoặc các hàng dữ liệu;
Tạo biểu đồ và bảng- Gồm có đếm các phổ biến hay các thống kê tổng hợp (nhóm) thông qua các trường hợp;
Chạy các thống kê suy diễn như ANOVA, hồi quy và phân tích hệ số;
Lưu dữ liệu và đầu ra theo nhiều định dạng file.
Bây giờ chúng ta sẽ có một cái nhìn sâu hơn về mỗi tính năng này.

Ảnh 1 - Mở file dữ liệu

Ảnh 1 – Mở file dữ liệu

Mở các file dữ liệu
SPSS có định dạng tập tin dữ liệu riêng của nó. Các định dạng tập tin khác, nó có thể mở bao gồm MS Excel, các tập tin văn bản đơn giản trong ASCII, UTF-8 hoặc bất kỳ mã hóa khác (kết quả truy vấn từ) cơ sở dữ liệu quan hệ như MS SQL Server, MySQL, và Oracle, Stata và SAS.
Chỉnh sửa dữ liệu
Trong nghiên cứu thực tế, dữ liệu thô thường cần một số chỉnh sửa trước khi chúng có thể được phân tích đúng. Các ví dụ điển hình là tạo ra trung bình hoặc tổng như là các biến mới, tái cấu trúc dữ liệu hoặc xóa và loại bỏ các quan sát không không mong muốn. SPSS thực hiện các nhiệm vụ với hiệu quả đáng kinh ngạc.
Để thu được những cái đã thực hiện nhanh chóng, SPSS chứa nhiều hàm số học, các hàm chuỗi, hàm ngày tháng và các thói quen có ích khác.
Các bảng và biểu đồ
Tất cả các bảng và các biểu đồ cơ bản có thể được tạo ra dễ dàng và nhanh chóng trong các ví dụ SPSS. Các ví dụ điển hình được thể hiện dưới Data Analysis. Một điểm yếu thực sự của SPSS là các biểu đồ của nó có xu hướng xấu xí và thường có một sự bố trí vụng về. Một cách tuyệt vời để khắc phục vấn đề này là phát triển và áp dụng các mẫu biểu đồ SPSS. Tuy nhiên, làm như vậy đòi hỏi bạn phải mất một số tiền.

Ảnh 2 - Các bảng và biểu đồ

Ảnh 2 – Các bảng và biểu đồ

Thống kê và suy diễn

Ảnh 3 - Thống kê suy diễn

Ảnh 3 – Thống kê suy diễn

Lưu dữ liệu và Output
Dữ liệu SPSS có thể được lưu lại dưới dạng một loạt các định dạng tập tin, bao gồm cả MS Excel, văn bản đơn giản, Stata và SAS. Các tùy chọn cho output thậm chí còn phức tạp hơn: các biểu đồ thường được sao chép-dán như hình ảnh trong định dạng .png. Đối với các bảng, định dạng văn bản phong phú thường được sử dụng bởi vì nó vẫn giữ được bố cục, phông chữ và đường viền của bảng. Hơn nữa, các mục output có thể được export trong PDF, HTML, MS Word, hoặc các định dạng file phổ biến khác.

5. Một số ứng dụng chính của SPSS trong thực tế

Những nội dung nói trên, SPSS có thể là đủ để giúp các nhà khoa học thực hiện việc xử lý số liệu nghiên cứu nói chung và trong nghiên cứu các mảng chuyên ngành khác nhau của mình, chẳng hạn:
Ứng dụng SPSS trong nghiên cứu tâm lý học: tâm lý tội phạm, tâm lý học sinh-sinh viên…;
Ứng dụng SPSS trong nghiên cứu xã hội học: ý kiến của người dân trong việc xây dựng lại khu chung cư, thống kê y tế…;
Ứng dụng SPSS trong nghiên cứu thị trường: nghiên cứu và định hướng phát triển sản phẩm, mở rộng thị trường; sự hài lòng của khách hàng…;
Ứng dụng SPSS nghiên cứu đa dạng sinh học, trong phát triển nông lâm nghiệp…
Với SPSS, bạn có thể phân tích được thực trạng, tìm ra nhân tố ảnh hưởng, dự đoán được xu hướng xảy ra tiếp theo, giúp bạn đưa ra các quyết định một cách chính xác, giải quyết các vấn đề một cách nhanh chóng và cải thiện kết quả tốt hơn
SPSS cùng với AMOS còn cho phép các nhà nghiên cứu sử dụng các kỹ thuật phân tích định lượng bậc cao như phân tích bằng phương trình cấu trúc (SEM) cho phép đo lường và kiểm định nhiều mô hình lý thuyết.
Hiện nay phần mềm SPSS đang được sử dụng rộng rãi trong thống kê phân tích số liệu. Đặc biệt trong các trường đại học, việc sử dụng SPSS làm công cụ nghiên cứu đang hết sức phổ biến.
SPSS là một bộ chương trình rất dễ sử dụng nên thu hút được nhiều người sử dụng. SPSS cung cấp một giao diện giữa người và máy cho phép sử dụng các Menu thả xuống để chọn các lệnh thực hiện. Khi thực hiện một phân tích chỉ đơn giản chọn thủ tục cần thiết và chọn các biến phân tích rồi bấm OK là có kết quả ngay trên màn hình để xem xét.

Hiện tại Luận Văn 24 đang triển các Dịch Vụ Xử Lý Số Liệu SPSS nếu bạn đang gặp khó khăn trong việc Làm Bài Spss, hãy liên hệ với đội ngũ Luận Văn 24 để được hỗ trợ sử dụng Dịch Vụ Xử Lý Số Liệu SPSS. Với kinh nghiệm và đội ngũ trình độ cao, chúng tôi cam kết sẽ mang đến cho bạn nhiều lợi ích nhất.
Hãy gọi ngay tới tổng đài tư vấn Luận Văn 24 – 0988 5524 24 nhận xử lý số liệu theo yêu cầu, đảm bảo chuẩn giá, chuẩn thời gian và chuẩn chất lượng, giúp bạn đạt được điểm cao với thời gian tối ưu nhất mà vẫn làm được những việc quan trọng của bạn.

6. Các câu hỏi thường gặp về SPSS trong bảo nghiên cứu và bảo vệ luận văn

Câu 1: Phân tích cronbach’s alpha trước khi EFA hay phân tích EFA trước?
Điều này phù thuộc vào mục đích nghiên cứu, không có trường hợp nào là sai.
Mục đích phân tích EFA có 2 mục đích:
Thứ nhất, khi bạn có quá nhiều biến quan sát và muốn sắp xếp chúng thành các nhóm khác nhau. (Ví dụ như đánh giá đặc điểm liên quan đến cơ thể chẳng hạn, qua EFA sẽ sắp xếp thành bộ phận chân, tay, đầu thân mình v.v)
Thứ hai, dùng để phát hiện những nhóm mới lạ. (Chẳng hạn, mô hình chúng ta đã được xây dựng dựa trên nhiều nghiên cứu khác nhau, và cũng nhiều biến, mặc dù đã xác định đc rõ bộ phận phân biệt với nhau, nhưng thông qua EFA ta có cách nhóm khác, chẳng hạn cơ thể bây giờ thành phần bên trong và bên ngoài, bên trên, giữa, bên dưới)
Còn Cronbach’s alpha dùng để kiểm tra các biến trong cùng một thang đo có đủ độ tin cậy để tạo thành một biến tổng đại diện dùng để phân tích hay không (cụ thể các bạn có thể xem phía dưới, phần câu hỏi về cronbach’s alpha)
Vì vậy, bạn chỉ cần dùng Cronbach’s alpha để kiểm tra độ tin cậy thang đo chứ không nhất thiết phải dùng EFA nếu thang đo của bạn dựa trên mô hình của những người đi trước và không thay đổi nhiều.
Ngoài ra, sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).

Câu 2: Vì sao phải chú ý đến việc thiết kế thang đo và kiểm định thang đo?
Các khái niệm (biến tiềm ẩn) trong mô hình nghiên cứu cần được đo lường để nghiên cứu mối liên hệ hay ảnh hưởng tác động. Các khái niệm này thường trừu tượng nên cần được chi tiết hóa thành các mục cụ thể (item – biến quan sát) gọi là thiết kế thang đo (nếu người nghiên cứu dùng những khái niệm để hỏi người được nghiên cứu mà người được nghiên cứu hiểu khái niệm khác đi so với cách hiểu của người nghiên cứu thì không thể thu thập được dữ liệu chính xác và đáng tin cậy)

Câu 3: Vì sao đã phân tích Cronbach’s Alpha lại phải phân tích thêm EFA?
Bạn cần phân tích EFA trong những trường hợp sau:
Thứ nhất, vì cấu trúc thang đo trong tình huống của người nghiên cứu là khác với các nghiên cứu trước do có một số thang đo đã được hiệu chỉnh các biến quan sát và được kết hợp của các thang đo khác nhau hoặc người nghiên cứu muốn kiểm nghiệm lại thang đo
Thứ hai, một thang đo có độ tin cậy cao chưa hẳn là đã không đa hướng (dimensional), Cronbach’s Alpha chỉ cho biết nó có cùng một khái niệm hay không.

Câu 4: Nếu hệ số alpha loại bỏ lớn hơn alpha tổng thì có bắt buộc phải bỏ đi?
Nếu thang đo đã có hệ số alpha > 0.7, đây đã là một hệ số tốt. Do đó, việc bỏ biến nhằm mục đích tăng hệ số alpha mà không có lý do là một việc làm máy móc. Nếu biến đó nhà nghiên cứu cho rằng cần phải loại bỏ đi do thống kê mô tả cho thấy sự phân bố không theo quy luật chuẩn, thì mới đc bỏ đi. Tuy nhiên bỏ ở đây không có nghĩa là loại ra hẳn mô hình mà phải có sự xem xét liệu nó có cùng với các biến loại bỏ khác tạo nên một thang đo ý nghĩa.

Câu 5: Trong phân tích cronbach’s alpha vì sao phải xét đến hệ số tương quan biến tổng.
Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Câu 6: Ý nghĩa của phân tích nhân tố là gì?
Phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu.Trong nghiên cứu Marketing, có thể có rất nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau và thường được rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa những bộ khác nhau của nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến)
Dùng để đánh giá giá trị hội tụ và giá trị phân biệt. EFA giúp sắp xếp các biến thành nhiều tập khác nhau (các biến thuộc cùng 1 tập là giá trị hội tụ, việc chia các tập khác nhau là giá trị phân biệt).
– Hội tụ: Các biến quan sát cùng tải mạnh (hệ số tải Factor Loading) cho 1 nhân tố sẽ gom về 1 nhân tố đó.
– Phân biệt: Mỗi nhân tố sẽ có xu hướng tải khác nhau. Nhóm biến quan sát tải cho nhân tố thứ nhất tách biệt với nhóm biến quan sát tải cho nhân tố thứ hai dẫn đến sự phân nhóm nhân tố thành từng cột trong ma trận xoay.

Câu 7: Hệ số tương quan biến tổng là gì?
Là hệ số cho biết mức độ liên kết giữa một biến quan sát trong nhân tố với các biến còn lại.

Câu 8: Ý nghĩa của Cronbach’s Alpha
Đánh giá tính nhất quán các các biến đơn lẻ về việc đại diện cho cùng một khái niệm. Hay nói cách khác, là đánh giá mức độ tin cậy của việc thiết lập một biến tổng hợp trên cơ sở nhiều biến đơn.
Đồng thời loại bỏ đi những biến rác, những biến không cùng một khái niệm để phân tích EFA tốt hơn.
Mô hình Cronbach’s Alpha nằm trong nhóm phương pháp đáng giá tương quan trong (hay còn gọi là đánh giá độ tin cậy bên trong). Tư tưởng chung của phương pháp này là tìm kiếm sự vô lý nếu có trong các câu trả lời,
Mỗi nhân tố gồm các biến quan sát biểu hiện cho 1 thang đo nhất định cho nhân tố đó. Các biến quan sát có thể hiện được ý nghĩa của nhân tố hay không chính là độ tin cậy thang đo.
Câu hỏi quan sát kém, không có căn cứ, số lượng quá ít sẽ thường không tạo được sự tin cậy cho thang đo nhân tố đó. Ngược lại, câu hỏi quan sát dựa trên các cơ sở lý luận cụ thể, lấy từ các nghiên cứu đã được kiểm duyệt, số lượng vừa đủ sẽ phản ánh được gần đúng ý nghĩa của nhân tố. Từ đó mà độ tin cậy của thang đo tăng lên

Câu 9: Ý nghĩa của KMO là gì?
Xem xét sự thích hợp của phân tích nhân tố, từ 0.5-1. KMO lớn có nghĩa phân tích nhân tố là thích hợp.

Câu 10: Khi nào cần xử lý đa biến, nếu không xử lý có được không?
Phân tích đa biến có ứng dụng hay được dùng nhất là khống chế nhiễu và dự đoán biến phụ thuộc dựa trên các biến độc lập. Vậy nên dùng phân tích đa biến khi nghiên cứu có hai nhu cầu trên. Phân tích đa biến hay không phụ thuộc vào nhà nghiên cứu, câu hỏi/ mục tiêu nghiên cứu, bản chất mối liên quan giữa các biến trong NC và bản chất bộ số liệu.

Câu 11: Ý nghĩa của hệ số tải là gì?
Là những hệ số tương quan đơn giữa các biến quan sát với nhân tố. Nếu hệ số tải càng lớn chứng tỏ biến quan sát có mối quan hệ càng chặt chẽ với nhân tố.

Câu 12: Khi thu thập số liệu, thông tin bị mất đến mức độ nào thì nên bỏ phiếu đó đi?
Không có qui định nào về việc mất bao nhiêu thì bỏ phiếu đó đi, các câu hỏi có tầm quan trọng khác nhau và phụ thuộc vào mục tiêu nghiên cứu cũng như các phân tích trong báo cáo. Việc mất số liệu còn do nhiều nguyên nhân ví dụ: không trả lời, câu hỏi nhạy cảm, …

Câu 13: Khi quan sát để tránh sai số thì những điểm thường phải lưu ý là gì? Làm thế nào để tránh sai số khi quan sát?
Khi quan sát có thể vi phạm về vấn đề bí mật riêng tư, sai số điều tra viên vì họ chỉ muốn quan sát những gì họ cần. Sự có mặt của quan sát viên có thể làm tác động đến đối tượng và làm cho họ thực hành khác đi so với bình thường. Để tránh sai số thường cần có hướng dẫn chi tiết quan sát.

Câu 14: Hệ số Tolerance là gì?
Là hệ số độ chấp nhận của biến thường dùng được sử dụng để đo lường hiện tượng cộng tuyến. Nếu độ chấp nhận của một biến nhỏ, thì nó gần như là một kết hợp tuyến tính của các biến độc lập khác.

Câu 15: Vì sao lấy Beta (hệ số hồi quy chuẩn hóa) để kết luận?
Hệ số beta phản ảnh được thứ tự mức độ tác động của các biến độc lập đến biến phụ thuộc.
Đặc biệt khi các biến độc lập có tương quan với nhau (qua bảng Pearson) thì ảnh hưởng của mỗi biến đến biến độc lập rất khó đánh giá. Tức ảnh hưởng đó bây giờ còn phụ thuộc vào các biến độc lập khác trong phương trình chứ không thể tách riêng để đọc hệ số hồi quy riêng từng phần như hồi quy đơn.
Dùng hệ số beta khi tất cả các biến độc lập có cùng thang đo lường.
Mặc dù hệ số beta cũng thay đổi khi đưa các biến độc lập khác vào phương trình nhưng nó phản ánh tốt hơn B. (các giải quyết là dùng hệ số tương quan từng phần và tương quan riêng).

Câu 16: Hệ số VIF là gì?
Là hệ số phóng đại phương sai, có liên hệ gần với độ chấp nhận. Thực tế là nghịch đảo của hệ số chấp nhận. Khi VIF vượt quá 10 là dấu hiệu của Đa cộng tuyến.

Câu 17: Hệ số F trong hồi quy có ý nghĩa gì?
Trước hết, kiểm định F kiểm chứng mức độ phù hợp của mô hình hồi quy với tổng thể bởi vì nghiên cứu mục đích chính là để đánh giá tổng thể các phần tử chứ không phải là mẫu phần tử
Nếu sig của F < 0.05 tức có nghĩa mô hình hồi quy có ý nghĩa áp dụng và suy ra tính chất của tổng thể.

Câu 18: Hệ số Durbin-watson là gì?
Dùng để kiểm tra xem có hiện tượng tự tương quan hay không trong phần dư của phép phân tích hồi quy.
d-w có hệ số biến thiên từ 0-4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì sẽ có giá trị gần bằng 2 (Từ 1-3); nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận, nếu về 4 thì có tương quan nghịch.

Câu 19: Hiện tượng đa cộng tuyến là gì?
Là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề đa tuyến là cung cấp cho mô hình những thông tin rất giống nhau và rất khó tách rời ảnh hưởng của từng biến đến biến phụ thuộc
Hậu quả:
Hạn chế giá trị của R bình phương (Thường làm giá trị R bình phương tăng ảo)
Làm sai lệch hoặc đổi dấu các hệ số hồi quy trong phương trình hồi quy

Câu 20: Phân tích Pearson để làm gì?
Phân tích Pearson thể hiện mối quan hệ tương quan chặt chẽ hay không thông qua hệ số r. Bảng pearson thì có hai chiều trong khi đó hồi quy thì không. Chưa hẳn đã có mối quan hệ nhân quả.

Phần 21: Vì sao dùng R bình hiệu chỉnh mà không dùng R bình phương
Cả 2 đều dùng để đánh giá ước lượng lạc quan của thước đo sự phù hợp của mô hình và dữ liệu. Tuy nhiên, dùng R2 chuẩn hóa sẽ sát hơn, an toàn hơn không thổi phồng mức độ của mô hình.

Câu 22: Ý nghĩa của R bình phương
Hệ số xác định R bình phương được chứng minh là nếu ta đưa càng nhiều biến độc lập vào mô hình thì R bình sẽ tăng, nhưng k có nghĩa là biến sẽ phù hợp hơn với dữ liệu. R có khuynh hướng ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu.

Từ khóa: spss la gi, spss package, sử dụng spss, thống kê mô tả trong spss, hồi quy đa biến trong spss, hồi quy logistic trong spss, đọc kết quả hồi quy trong spss, các lệnh cơ bản trong spss, bộ số liệu mẫu spss, chi square test là gì, huong dan spss, kiểm định anova, kiểm định phi tham số, phần mềm spss là gì, phần mềm thống kê spss, phân tích dữ liệu với r, phân tích hồi quy spss, phương pháp thống kê mô tả là gì

avatar
  Subscribe  
Notify of