Hướng dẫn dùng SPSS-AMOS để xử lý dữ liệu

Hướng dẫn dùng SPSS và AMOS để xử lý dữ liệu

1. 1 Nghiên cứu ả nh hưởng của các yếu tố tới ý định sử dụng thực phẩm hữu cơ: Khảo sát tại Hà Nội ĐỀ TÀI

2. 2 Mô hình nghiên cứu và Giả thuyết nghiên cứu H1 : Thái độ có tác động tích cực tới ý định sử dụng thực phẩm hữu cơ H2: Ý thức về sức khỏe có tác động tích cực tới ý định sử dụng thực phẩm hữu cơ H3: Có một mối quan hệ cùng chiều giữa kiến thức tiêu dùng và ý định sử dụng sản phẩm hữu cơ H4: Mối quan tâm về môi trường có ảnh hưởng tích cực tới ý định sử dụng sản phẩm thực phẩm hữu cơ Giới tính Độ tuổi Trình độ học vấn

3. MÃ HÓA THANG ĐO

4. MÃ HÓA THANG ĐO

5. MÃ HÓA THANG ĐO

6. MÃ HÓA THANG ĐO

7. MÃ HÓA THANG ĐO

8. Quy trình nhập dữ liệu vào SPSS

9. 2 1 3 Giải nén file vừa tải, mở file excel vừa giải nén

10. Hàng trên cùng là các câu hỏi đã mã hóa Từ hàng thứ 2 trở đi là câu trả lời của các phiếu

11. 11 Kích vào Cancel Hiện file SPSS để nhập dữ liệu Kích vào Data view Sau đó kích vào file Rồi kích vào Open, Vào Data

12. 12 Chọn đường dẫn tới file excel trong mục Look in. Mục File of type chọn loại file Excell . Sau đó kích vào file Excell rồi kích vào Open Mục “files of Type” chọn loại file excell

13. 13

14. Import dữ liệu thành công Tiến hành khai báo lại biến

15. Mở tab Variable View bên cạnh Data View tiến hành khai báo lại biến . Kiểm tra lại cột “Name”, Label, value, Mesure xem đã đúng chưa . Tiến hành khai báo lại nếu chưa đúng .

16. Khai báo các biến có nhiều giá trị vào cột value 1 2 3 Khai báo biến. Ví dụ: 1. Nam 2. Nữ Kết quả khai báo hiển thị ở khu vực này 4

17. Quy trình xử lý số liệu cơ bản bằng SPSS

18. Bước 1: Phân tích thống kê mô tả biến nhân khẩu học 1 2 3 4

19. Bước 1: Phân tích thống kê mô tả biến nhân khẩu học 2 1 3

20. Bước 1: Phân tích thống kê mô tả biến nhân khẩu học

21. 22 Bước 2: Kiểm tra độ tin cậy của thang đo Cronbach’s Alpha Thang đo là gì ? Tại sao phải kiểm Tra độ tin cậy của Thang đo ? Một biến được đo bằng nhiều chỉ báo . Kiểm tra độ tin cậy của thang đo giúp đánh giá tính nhất quán của các chỉ báo

22. 23 Kiểm tra độ tin cậy của thang đo Cronbach’s Alpha Hệ số Cronbach’s Alpha được ký hiệu là :  Hệ số  càng lớn càng tốt . Tuy nhiên nếu > 0.95 – 1 thì không tốt . Vì như vậy chứng tỏ nhiều chỉ báo đo lường biến đó có hiện tượng trùng nhau . 0,60 ≤  < 0,70: Chấp nhận được ( Trong trường hợp nghiên cứu mới hoặc bối cảnh nghiên cứu mới ) 0,70 ≤  < 0,80: Chấp nhận được 0,80 ≤  < 0,90: Tốt 0,90 ≤  ≤ 1,00: Chấp nhận được – Không tốt Ví dụ kiểm định độ tin cậy đối với thang đo TD

23. 24 Kích vào Statistics sẽ xuất hiện hộp thoại Reliability Analysis Chọn các ô Item, Scale, Scale if item deleted, sau đó kích Continue để trở về với cửa sổ Reliability Analysis. Sau đó ấn Ok

24. 25 Kết quả như sau Chú ý: Nếu hệ số Cronbach alpha < 0,6 thì tiến hành loại các chỉ báo có hệ số tương quan biến tổng < 0,3 loại chỉ báo từ thấp đến cao cho đến khi Cronbach alpha thỏa mãn >0,6 Nếu thấy hệ số Cronbach alpha trong cột Cronbach's Alpha if Item Deleted lớn hơn Cronbach's Alpha tổng thì tiến hành loại chỉ báo đó và chạy lại kiểm định . <0. 777

25. 26 6.4 Phân tích nhân tố khám phá _EFA Khái niệm : Là việc kiểm tra giá trị hội tụ và giá trị phân biệt của các biến quan sát : Giá trị hội tụ : kiểm tra các biến quan sát cùng tính chất hội tụ về cùng một nhân tố , khi biểu diễn trong ma trận xoay , các biến này sẽ nằm chung một cột với nhau . Giá trị phân biệt : Các biến quan sát hội tụ về nhân tố này và phải phân biệt với các biến quan sát hội tụ ở nhân tố khác , khi biểu diễn trong ma trận xoay , từng nhóm biến sẽ tách thành từng cột riêng biệt .

26. 27 6.4 Phân tích nhân tố khám phá _EFA Muc đích: Phân tích nhân tố được sử dụng chủ yếu để thu nhỏ và tóm tắt các dữ liệu. Bởi vì, Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá lớn và rất nhiều các biến quan sát trong đó có liên hệ tương quan với nhau EFA xem xét mối quan hệ giữa các biến ở tất cả các nhóm (các nhân tố trông mô Hình nghiên cứu) khác nhau nhằm phát hiện ra những biến quan sát tải lên nhiều nhân tố hoặc các biến quan sát bị phân sai nhân tố từ ban đầu.

27. 28 Các tiêu chí trong phân tích EFA Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng không thích hợp với tập dữ liệu nghiên cứu. Kiểm định Bartlett (Bartlett’s test of sphericity) dùng để xem xét các biến quan sát trong nhân tố có tương quan với nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải có mối tương quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy không có ý nghĩa thống kê thì không nên áp dụng phân tích nhân tố cho các biến đang xem xét. Kiểm định Bartlett có ý nghĩa thống kê ( sig Bartlett’s Test < 0.05 ), chứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.

28. 29 Các tiêu chí trong phân tích EFA Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được giữ lại trong mô hình phân tích. Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô hình EFA là phù hợp. Coi biến thiên là 100% thì trị số này thể hiện các nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của các biến quan sát. Hệ số tải nhân tố (Factor Loading)  hay còn gọi là trọng số nhân tố, giá trị này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao, nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Thường lấy hệ số tải 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 đến dưới 350 ; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên .

29. 30

30. 31 Cách thức chạy EFA cho các biến độc lập Bước 1: Từ menu Analyze  Dimension Reduction  Factors

31. 32 Xuất hiện hộp thoại sau:

32. 33 Kích vào Descriptives sẽ xuất hiện hộp thoại Factor Analysis: Descriptives, sau đó chọn các mục như hình phía dưới: Sau đó kích Continue để trở về với cửa sổ Factor Analysis , kích vào Extraction, sau đó chọn các mục như hình phía dưới:

33. 34 Sau đó kích Continue để trở về với cửa sổ Factor Analysis , kích vào Rotation và lựa chọn phương pháp xoay:

34. 35 Sau đó kích Continue để trở về với cửa sổ Factor Analysis , kích vào Options và lựa chọn Sorted by size để sắp xếp từ lớn đến nhỏ hệ số tải nhân tố và bỏ những hệ số tải có giá trị nhỏ hơn 0,4:

35. 36 Sau đó kích Continue để trở về với cửa sổ Factor Analysis . Rồi ấn Ok để chạy kết quả

36. 37 Cần quan tâm đến 3 bảng này

37. 38 0.5 ≤ KMO ≤ 1 chứng tỏ dữ liệu phù hợp để Phân tích EFA sig Bartlett’s Test < 0.05 C hứng tỏ các biến quan sát có tương quan với nhau trong nhân tố.

38. 39 Trong bảng này quan tâm đến 2 chỉ số : Trị số Eigenvalue >1 ( xác định số biến độc lập trong mô hình ) và Total Variance Explained >= 50%: Tổng phương sai trích ( Sự giải thích được của các biến độc lập trong mô hình . Coi mô hình là 100% thì các biến độc lập giải thích được bao nhiêu %) Eigenvalue ủa 3 biến độc lập đều >1 Vì vậy cả 3 biến đều được giữ lại trong mô hình Tổng phương sai trích của 3 biến bằng 69,938 %> 50% Vì vậy , mô hình hợp lệ . Các biến Giải thích đc 69,938 % sự biến thiên của mô hình Tổng phương sai trích

39. 40 Bảng ma trận số xoay Các hệ số tải của các biến quan sát đều > 0,5 thỏa mãn điều kiện nên đều được giữ lại . Các biến quan sát của từng biến độc lập đều được tải lên hội tụ vào cùng một nhóm . 3 biến độc lập của mô hình được tải lên phân biệt thành 3 nhóm khác nhau . Chứng tỏ không có sự tương quan giữa các biến độc lập . Mô hình hoàn toàn phù hợp .

40. 6.5 Phân tích hồi quy đa biến Bước 1: Tạo các biến giả cho các biến độc lập và phụ thuộc . Bước 2 tiến hành chạy phân tích hồi quy

41. Lựa chọn biến số và lập bảng Phân tích chi tiết Tính tỷ lệ phần trăm Bước 1: Tạo biến giả Từ menu Transform  Compute Variable

42. 43 Xuất hiện hộp thoại Compute Variable , như sau: Lần lượt tạo các biến giả:HVMNH , BAITRIBN,TBAYMNC, DHKM. Các biến này chính là giá trị trung bình của các biến quan sát của từng biến độc lập hay phụ thuộc VD: DHKM= (DHKM_1+ DHKM_2+ DHKM_3+ DHKM_4)/4 1 2 3 4

43. 44 Bước 2: chạy phân tích hồi quy Từ menu Analyze  Regression  Linear

44. 45 Xuất hiện hộp thoại Linear Regression , như sau: 1 2 3 Chuyển biến phụ thuộc vào ô Dependent; các biến độc lập vào ô Independent(s), như sau:

45. 46 Kích vào Statistics , sẽ xuất hiện hộp thoại Linear Regression: Statistics, sau đó chọn các mục như hình phía dưới: Sau đó ấn Continue quay về hộp thoại đầu

46. 47 Kích vào Plots tích vào các ô như hình dưới, sau đó ấn Continue ấn Ok

47. 48 Kết quả như sau

48. 49 R 2 = 21,8% tức là các biến độc lập giải thích được 21,8 % cho biến phụ thuộc . Nếu R 2 càng lớn thì chứng tỏ biến độc lập trong mô hình Giải thích được càng nhiều cho biến độc lập

49. 50 Bảng ANOVA cho chúng ta kết quả kiểm định F để đánh giá giả thuyết sự phù hợp của mô hình hồi quy . Giá trị sig kiểm định F bằng 0.000 < 0.05 thì mô hình hồi quy là phù hợp . sig = 0.000 < 0.05 Như vậy Mô hình hoàn toàn phù hợp

50. 51 Hệ số Beta chuẩn hóa ( hệ số hồi quy ) Hệ số này dùng để đánh giá mức độ tác động của biến độc lập lên biến phụ thuộc 1 Sig dùng để kiểm định giả thuyết sig = 0.000 < 0.05 Chấp nhận giả thuyết Sig> 0.05 bác bỏ giả thuyết

51. 52 HVMNH= 2,230+ 0,151 BAITRIBN+ 0,103 TBAYMNC+ 0,149DHKM + ε Dùng để lập phương trình hồi quy