Độ tin cậy thang đo và các trường hợp

1. Đánh giá độ tin cậy thang đo

– Độ tin cậy của thang đo thường được đánh giá bằng phương pháp nhất quán nội tại qua hệ số
Cronbach’s Alpha.

 Phương pháp phân tích độ tin cậy bằng hệ số Cronbach’s Alpa

 Dịch spss Tiếng Việt
 Cách phân tích EFA bằng phần mềm SPSS
 Kiểm định sự khác biệt với T- test và Anova
 Lỗi khi chạy EFA: “Rotation failed to converge in 25 iterations…”

– Chạy cho từng nhân tố (cả độc lập và phụ thuộc)

– Mục đích là tìm hiểu xem các biến quan sát có cùng đo lường cho 1 khái niệm cần đo hay
không. Muốn biết cái nào đóng góp nhiều hay ít thì quan sát hệ số tương quan biến – tổng.

– 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 nhân tố giả khi phân tích EFA
(Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009). – Điều kiện khi chạy Cronbach’s alpha: –
Hệ số cronbach’s alpha > 0.6

– Hệ số tương quan biến – tổng > 0.3 (thường khi loại 1 biến thì hệ số cronbach’s alpha phải tăng
hơn trước)

2. Phân tích cronbach’s alpha với nhân tố chỉ có 2 items

Có một vấn đề các bạn cũng hay hỏi khi chạy Cronbach’s alpha là khi nhân tố chỉ có 2 biến (2
câu hỏi) thì khi chạy kết quả sẽ như trong hình. Cột hệ số cronbach khi loại biến ko có số liệu.
Đó là do khi chạy cronbach’s alpha SPSS đòi hỏi phải đưa ít nhất 2 biến vào chạy, trong TH này
bạn ko thể loại biến nào nữa trong 2 biến này. Kí hiệu .a theo mình nghĩ là dạng “không xác định”
nếu loại thêm biến. Gặp TH này nếu hệ số alpha tổng vẫn >0.6 thì các bạn vẫn giữ nhân tố này
phân tích bình thường cho các bước sau nhé.

3. Trường hợp hệ số cronbach’s alpha tổng quá lớn (>0.95)

Các thang đo trong nghiên cứu thường được đánh giá thông qua phương pháp hệ số tin cậy
Cronbach Alpha. Tiêu chuẩn để đánh giá một thang đo đạt tiêu chuẩn là: trong phân tích
Cronbach’s Alpha: α > 0.6, hệ số tương quan biến tổng > 0.3 (Nunnally & Burnstein, 1994).

Tuy nhiên cũng cần lưu ý rằng nếu Cronbach Alpha quá cao (>0.95) thì có khả năng xuất hiện
biến quan sát thừa ở trong thang đo. Biến quan sát thừa là biến đo lường một khái niệm hầu như
trùng với biến đo lường khác, tương tự như trường hợp đa cộng tuyến trong hồi quy, khi đó biến
thừa nên được loại bỏ.
4. Phân tích Cronbach’s Alpha – Hệ số tương quan biến tổng & hệ số
Cronbach’s Alpha khi delete biến

Đây là 1 vấn đề tương đối đơn giản khi phân tích độ tin cậy thang đo sử dụng phương pháp
Cronbach’s alpha. Tuy nhiên nhiều bạn vẫn “loay hoay” và tương đối mất thời gian cho vấn đề
này. Vì vậy hôm nay Ad post bài viết này hỗ trợ các bạn hiểu rõ hơn về các giá trị: hệ số tương
quan biến – tổng (Corrected Item-Total Correlation) và Hệ số Cronbach’s alpha khi delete biến
(Cronbach’s Alpha if Item Deleted)

Như các bạn đã biết người ta thường dùng phương pháp hệ số tin cậy Cronbach’s Alpha trước
khi phân tích nhân tố khám phá EFA để loại các biến không phù hợp vì các biến rác này có thể
tạo ra các nhân tố giả khi phân tích EFA (Nguyễn Đình Thọ & Nguyễn Thị Mai Trang, 2009).
Điều kiện khi chạy Cronbach’s alpha như sau:

– Hệ số cronbach’s alpha tổng (chung) > 0.6 – Hệ số tương quan biến – tổng > 0.3 (có nghĩa là
loại các item có hệ số tương quan biến tống <0.3) Cột hệ số tương quan biến tổng (cột gần cuối)
(Corrected Item-Total Correlation) thì chắc các bạn đã biết rõ. Cột này cho biết item hiện tại có
đóng góp nhiều hay ít cho thang đo chung hay không. Item nào không đóng góp nhiều thì hệ số
tương quan biến – tổng thấp, nếu nhỏ hơn 0.3 thì phải loại ra vì có khả năng item này sẽ tạo
thành những “biến rác” nếu đưa vào phân tích ở các bước sau. Cột cuối cùng Cronbach’s Alpha
if Item Deleted, thể hiện giá trị của hệ số cronbach’s alpha tổng (chung) khi item tương ứng bị
loại. Các bạn lưu ý là các items “xấu”, không đóng góp nhiều cho thang đo chung thì khi delete
đi sẽ làm tăng hệ số alpha tổng.

Ví dụ như trong Hình 1, item INN1có hệ số tương quan biến – tổng 0.281 < 0.3 nên items này
không đóng góp nhiều cho thang đo, quan sát cột cuối Cronbach’s Alpha if Item Deleted thấy
rằng khi loại item này thì hệ số alpha tổng sẽ tăng từ 0.801 lên 0.893 (một con số đáng kể), do đó
việc loại item này là hoàn toàn hợp lý, vì item này khá “xấu”. Có 1 tình huống phát sinh cũng
hay làm các bạn “bối rối” khi phân tích ở bước này được Ad mô tả như trong Hình 2.

Đó là item CON2 có hệ số tương quan khá lớn 0.553 (>0.3) nhưng khi delete item này thì hệ số
alpha tổng tăng từ 0.797 lên 0.811. Lúc này các bạn có 2 option: loại hay không loại item CON2?
Các bạn có thể loại item này nếu muốn, vì đúng là item này đang làm “xấu” thang đo chung.
Nhưng trong 1 số tình huống các bạn vẫn muốn giữ lại item này để phân tích ở các bước sau thì
có thể lý luận như sau: hệ số tương quan biến – tổng của item CON2 khá lớn (thỏa điều kiện hệ
số tương quan biến – tổng >0.3); đồng ý là khi delete item này thì hệ số alpha tổng tăng lên
nhưng tăng không đáng kể; hơn nữa các items (câu hỏi) trong mô hình phải trải qua một quá
trình tìm tòi, nghiên cứu… chứ không dễ dàng có được => Vì những lý do trên nên “tác giả” vẫn
giữ lại item này để phân tích ở các bước sau.
Một số câu hỏi phản biện về SPSS khi bảo vệ
luận văn thạc sĩ
Câu hỏi về SPSS trong các buổi phản biện trước hồi đồng luôn trở thành mối lo lắng của không ít
sinh viên khối ngành kinh tế.

 Kiểm định sự khác biệt với T- test và Anova

 Lỗi khi chạy EFA không hiện bảng KMO
 Cronbach alpha trước hay EFA trước ?
 Phân tích EFA – Kiểm tra giá trị hội tụ & giá trị phân biệt
 4 tính năng chính của SPSS

Luận Văn A-Z thực hiện khá nhiều luận văn ngành kinh tế nên chúng tôi cũng hiểu được sự khó
khăn, lo lắng của các bạn khi mà không có nhiều điều kiện tiếp xúc với các giáo trình về SPSS,
nguồn tài liệu trên mạng lại khá hạn chế. Thực sự là khá vất vả khi gặp những câu hỏi phản biện
SPSS mà mình không được giảng dạy tại lớp.

Chính vì vậy mà hôm nay Luận Văn A-Z viết bài này, nhằm tổng hợp lại một số câu hỏi phản
biện về SPSS cùng câu trả lời do Luận Văn A-Z tổng hợp lại từ các nguồn cộng với kiến thức có
được. Lưu ý các bạn một điều, các bạn chỉ xem những câu trả lời của mình ở dạng tham khảo,
mình không đảm bảo chính xác 100%, nhưng mình sẽ cố gắng đưa ra những câu trả lời có cơ sở
rõ ràng nhất.

Câu hỏi số 1: Tại sao lại lấy hệ số Beta (hệ số hồi quy chuẩn hóa) để kết luận?

Trả lời:

Hệ số Beta (hệ số hồi quy chuẩn hóa) phản ánh được thứ tự mức độ tác động của biến độc lập tới
biến phụ thuộc bởi vì đơn vị của các biến đã đồng nhất, trong khi đó hệ số B (hệ số hồi quy chưa
chuẩn hóa) không làm được điều này.

Nhờ có phương trình hồi quy chuẩn hóa và hệ số Beta, các nhà kinh tế sẽ căn cứ vào đó cùng các
cơ sở khác để đánh giá liệu rằng nên đầu tư mạnh, nên đầu tư ít vào yếu tố nào để mang lại hiệu
quả.

Câu hỏi số 2: Ý nghĩa R bình phương hiệu chỉnh là gì?

Trả lời:

Giá trị R bình phương hiệu chỉnh cho biến các biến độc lập giải thích được bao nhiêu phần trăm
(%) sự biến thiên của biến phụ thuộc.

Một nhận xét cụ thể tham khảo: Biến phụ thuộc là “Sự trung thành của nhân viên”
Kết quả thống kê có giá trị R bình phương hiệu chỉnh = 0.789, nghĩa là trong 100% sự biến động
của biến phụ thuộc “Sự trung thành của nhân viên” thì có 78.9% sự biến động là do tác động từ
các biến độc lập, còn lại 21.1% là do sai số ngẫu nhiên hoặc các yếu tố khác ngoài mô hình.

Câu hỏi số 3: Hệ số tải Factor Loading trong EFA có ý nghĩa gì?

Trả lời:

Hệ số Factor Loadings (hệ số tải nhân tố) tỏng phân tích nhân tố khám phá EFA 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. Thường chúng ta lấy hệ số tải lớn hơn 0,5 hoặc 0,3.

Câu hỏi số 4: Hiện tượng đa cộng tuyến là gì?

Trả lời:

Vấn đề đa cộng tuyến xảy ra khi các biến (nhân tố) độc lập có tương quan tuyến tính khá mạnh
với nhau. Nói cách khác hiện tượng đa cộng tuyến xảy ra khi có mối tương quan tuyến tính hiện
hữu giữa các biến độc lập trong mô hình.

Hậu quả của hiện tượng đa cộng tuyến:

– Hạn chế giá trị của R bình phương (Thường sẽ 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 hỏi số 5: Hệ số Durbin-Watson trong hồi quy có ý nghĩa gì?

Trả lời:

Hệ số Durbin Watson dùng để kiểm tra xem có hiện tương tự tương quan hay không trong phần
dư của một phép phân tích hồi quy.

Durbin Watson có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương
quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2 (từ 1 đến 3); 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.

Câu hỏi số 6: Hệ số F trong hồi quy có ý nghĩa gì?

Trả lời:

Kiểm định F phải có giá trị sig. nhỏ hơn 0.05 để kiểm chứng mức độ phù hợp của mô hình hồi
quy với tổng thể bởi vì chúng ta nghiên cứu mục đích là để đánh giá tổng thể các phần tử chứ
không phải mẫu phần tử.
Ví dụ cụ thế: Bạn nghiên cứu một số nhân viên trong cty để suy ra chung cho toàn nhân viên
công ty thì một số nhân viên là mẫu còn toàn nhân viên là tổng thể (quy mô mẫu < tổng thế).
Nếu sig F <0.05 nghĩa là mô hình hồi quy của bạn có ý nghĩa áp dụng và suy luận ra tính chất
của tổng thể.

Câu hỏi số 7: Mẫu nghiên cứu của đề tài lấy trên cơ sở nào?

Trả lời:

Thông thường, do điều kiện hạn hẹp về chi phí và thời gian, chúng ta đều dựa trên tiêu chuẩn 5:1
của Bollen (1998) và Hair & ctg (1998).

Để thỏa mãn yêu cầu về dữ liệu của phân tích định lượng, một biến cần có 5 quan sát tương ứng
với 5 đáp viên. Bảng câu hỏi đưa ra có 30 biến, nên mẫu tối thiểu là 150 (30 x 5 = 150) người

Câu hỏi số 8: Phương pháp chọn mẫu của bạn là gì?

Trả lời:

Từ kiến thức môn Nghiên cứu Marketing, chúng ta có 2 phương pháp chọn mẫu: chọn mẫu xác
suất và chọn mẫu phi xác suất.

Nhưng phổ biến nhất, chúng ta thường sử dụng phương pháp CHỌN MẪU PHI XÁC SUẤT
THUẬN TIỆN để áp dụng trong các nghiên cứu tiểu luận, báo cáo.
* Chọn mẫu phi xác suất là chọn mẫu theo ý định chủ quan của người nghiên cứu.
* Chọn mẫu phi xác suất kiểu thuận tiện: Các đơn vị mẫu được chọn ở tại một địa điểm và vào
một thời gian nhất định.

Ví dụ cụ thể: Chọn mẫu những nhân viên làm việc tại công ty. Khi chúng ta gặp ai thì chúng ta
nhờ họ đánh vào bảng khảo sát. Vậy là chúng ta khảo sát dựa trên tính “dễ tiếp xúc” và “cơ hội
thuận tiện” để chọn mẫu. 2 thuộc tính “dễ tiếp xúc” + “cơ hội thuận tiện” là biểu hiện của chọn
mẫu phi xác suất thuận tiện.

Ưu điểm phi xác suất thuận tiện: dễ dàng tập hợp các đơn vị mẫu Nhược điểm: không đạt được
độ xác thực cao.

Câu hỏi số 9: Ý nghĩa của kiểm định Cronbach’s Alpha?

Trả lời:

Cronbach Alpha giúp kiểm định độ tin cậy của thang đo.

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 hỏi số 10: Ý nghĩa của phân tích nhân tố khám phá EFA?

Trả lời:

EFA dùng để thu gọn, rút trích các biến quan sát có ý nghĩa hội tụ và 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.
CHIA SẺ v/v PHÂN TÍCH ĐỘ TIN CẬY CRONBACH'S ALPHA VÀ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA
Chào cả nhà, hôm qua Ad nhận được chia sẻ rất thú vị của một bạn trên Page Hỗ trợ SPSS này về vấn đề
phân tích độ tin cậy cronbach’s alpha và phân tích nhân tố khám phá EFA. Các bạn xem qua và cùng chia
sẻ quan điểm của mình về vấn đề này nhé ;)
“Ôi sao nhiều người vẫn còn băn khoăn cái này thế nhỉ. Đây là hai công việc khác nhau để đánh giá độ
hội tụ và độ tin cậy của thang đo. Vì thế nếu tiến hành trước hay sau thì đều phải làm. Nếu bạn nói là
phân tích nhân tố trước là vô nghĩa thì quả thật là đáng lo ngại. Mục đích của EFA là việc xem xét mối
quan hệ giữa các biến quan sát và gộp chúng vào các nhóm biến giải thích cho các nhân tố. Giả sử bạn
dùng 30 mục hỏi để điều tra về các yếu tố ảnh hưởng đến hành vi mua sắm của khách hàng. Tuy nhiên
nếu sử dụng cả 30 biến trong mô hình thì sẽ rất phức tạp. Khi đó dùng EFA để nhóm các biến có quan hệ
gần gũi với nhau thành 5 biến chính. Như vậy từ 30 biến đã chuyển thành 5 biến chính. Theo nguyên tắc
của phân tích định lượng, một mô hình đơn giản nhưng giải thích được kết quả tương đương hoặc gần
tương đương với mô hình phức tạp thì chọn mô hình đơn giản. Như vậy, nếu bạn kiểm định cronbach
alpha trước thì bạn sẽ phải làm thế này: Đầu tiên kiểm định cronbach alpha cho cả 30 biến quan sát để
loại biến rác theo như bạn nói. Sau đó phân tích nhân tố để xem các mục hỏi thuộc các nhóm biến nào,
sau đó lại kiểm định cronbach alpha cho từng nhóm biến. ôi, bó tay. Vì bạn chưa biết các biến quan sát
sẽ gộp vào những nhân tố nào nên bạn phải dùng EFA trước để biết điều đó. Còn theo như bạn nói kiểm
định cronbach alpha trước, trong trường hợp khi bạn đã biết rõ các mục hỏi nào dùng cho những biến
nào, cái này là do bạn tham khảo những nghiên cứu trước đây mà có.
Còn trong trường hợp bạn mới lần đầu phát triển thang đo thì bạn phải phân tích nhân tố khám phá
trước để biết các nhóm biến quan sát thuộc về những nhân tố nào. Vì thế nó mới có tên là phân tích
nhân tố khám phá. Còn bạn lấy dẫn chứng thầy giáo của bạn thì kể cả thầy không hiểu rõ thì cũng có suy
nghĩ như thế thôi. Hiểu bản chất của từ EFA thì sẽ thấy.
Nếu bạn nào làm nghiên cứu mà sử dụng các thang đo từ nghiên cứu trước thì chỉ việc kiểm tra độ hội
tụ và độ tin cậy alpha cho từng thang đo thế là xong.
Tôi thấy nhiều bạn băn khoăn mục này quá. Nói túm lại, đây là hai tiêu chí khác nhau, kiểu như chiều cao
và tuổi của các ứng viên thi hoa hậu vì thế đừng mất công suy nghĩ kiểu: bố giao cho hai cái bát đi mua
mắm và mua tương, bạn lại cứ băn khoăn bát nào đựng mắm, bát nào đựng tương. Dù bạn làm cái gì
trước hay sau thì cũng phải kết luận được hai điều đó là thang đo đảm bảo độ hội tụ và độ tin cậy. Vì thế
hãy làm EFA trước sẽ nhanh hơn.
Do việc hiểu quá máy móc EFA nên nhiều người mới bị cái tật là dùng máy tính để suy ra cho con người.
Vì thế hầu hết các tài liệu viết về FA đều nói đây là một kỹ thuật thống kê, tuy nhiên cần phải xem xét nội
dung và mục tiêu nghiên cứu để quyết định nên giữ hay bỏ mục hỏi nào. Trở lại ví dụ trên nhé, do người
nghiên cứu ko xem xét gì tới nội dung nghiên cứu nên sẽ gộp 4 mục hỏi A1 A2 A3 C4 vào một nhân tố.
Đây là việc dùng kết quả của máy tính để suy ra cho con người mà không biết rằng việc tương quan giữa
các mục hỏi do nhiều nguyên nhân như: do người trả lời không hiểu hoăc hiểu sai ý câu hỏi, trả lời không
nghiêm túc, hoặc nhập dữ liệu sai...vv. Túm lại là hàng tỷ lý do. Vì thế đừng coi máy tính là trên hết mà
phải kết hợp máy tính với mục tiêu nghiên cứu của con người. Tôi thấy ở Vn mới có loại nghiên cứu như
vậy. Điển hình nhất là bài của bạn Phạm Lê Hồng Nhung gì đó. Bạn đó phân tích nhân tố và có mục hỏi
NV4: Nhân viên trang phục gọn gàng thuộc vào nhóm với với 2 mục hỏi MB1: không gian siêu thị rộng rãi,
MB2: Khu vực mua sắm rộng rãi thoáng mát, sau đó bạn đặt tên nhóm này là yếu tố không gian.
Ối trời ơi, nhân viên ăn mặc gọn gàng mà thuộc về yếu tố ko gian thì cũng bó tay. Không biết làm nghiên
cứu này để làm gì, làm cho máy tính hay làm cho con người nhỉ? Nhân viên ăn mặc gọn gàng có liên
quan quái gì tới không gian mua sắm.
Đây là việc hiểu quá máy móc về EFA.
Nếu có hiện tượng các mục hỏi trộn lẫn vào các nhân tố khác thì bạn làm như sau: Nếu bạn tham khảo
thang đo từ nghiên cứu trước, khi đó bạn chỉ cần chạy EFA riêng cho các mục hỏi thuộc nhóm A, biến A4
tự tách ra khỏi nhóm và giải thích cho nhân tố khác, hoặc A4 có giá trị factor loading thấp khi đó mình
loại bỏ biến này ra, giữ lại các mục hỏi còn lại. Làm tương tự cho các nhóm khác.
Còn việc kiểm định cronbach cho 12 mục hỏi vì bạn nói là phải làm cái cronbach trước mà. Vì không biết
các mục hỏi thuộc vào nhân tố nào nên phải kiểm tra hệ số alpha cho cả 12 biến. Còn sau khi phân tích
nhân tố rồi mới biết mỗi nhóm có bao nhiêu mục hỏi và sẽ kiểm tra hệ số cronbach một lần nữa. Vì thế
nên làm EFA trước” (trích từ nội dụng comment của

Cách đọc, nhận xét bảng kết quả kiểm định

Cronbach Alpha
 Admin
 10/07/2017
 Cronbach Alpha, Học SPSS


Bài viết này sẽ hướng dẫn cho các bạn cách đọc kết quả Cronbach Alpha trong SPSS để các
bạn có thể có được những thông tin hữu ích khi nhận xét, trình bày vào bài luận văn, nghiên cứu
của mình. Trong mỗi kiểm định của SPSS có rất nhiều tùy chọn, sử dụng cho nhiều mục đích
khác nhau từ chuyên sâu đến cơ bản nhất. Bởi vì có nhiều mục đích nên sẽ có người tích chọn
mục này, có người tích chọn mục khác để xuất ra các bảng kết quả cần thiết. Phạm vi bài viết
này chỉ tập trung vào các bảng cần thiết phục vụ cho luận văn, do vậy các bạn sẽ tích và các tùy
chọn như bài viết này giúp mình nhé.
Dùng 3 tùy chọn đó khi chạy Cronbach Alpha, các bạn sẽ có các bảng xuất ở Ouput như sau:
Case Processing Summary | Reliability Statistics | Item-Total Statistics. Chúng ta sẽ đọc kết
quả kiểm định Cronbach Alpha từng bảng:

Xem thêm: Lý do và cách xử lý khi hệ số Cronbach Alpha bị âm

Xem thêm: Bạn hiểu bản chất của kiểm định độ tin cậy Cronbach's Alpha chưa?

1. Case Processing Summary

Đây là bảng tóm tắt thông cơ bản về các quan sát khi đưa vào kiểm định Cronbach Alpha. Cỡ
mẫu là 220 cases. Cả 220 cases này đều hợp lệ (Valid: Số quan sát hợp lệ được chấp nhận đưa
vào thống kê), 0 có số quan sát không hợp lệ (Excluded: Số quan sát không hợp lệ đưa vào
thống kê). Trường hợp Excluded lớn hơn 0 phổ biến hay gặp nhất là các bạn nhập sót một vài giá
trị trong các biến quan sát đưa vào phân tích Cronbach Alpha.
Hình ảnh ở trên là mình chụp lại khi không để trống bất kỳ ô nào. Giả sử mình nhập bị sót 4 giá
trị ở 3 hàng (3 hàng = 3 cases) như hình ảnh bên dưới:

Khi đó các bạn thực hiện kiểm định độ tin cậy thang đo Cronbach Alpha, bảng output sẽ xuất ra
kết quả Excluded là 3, chiếm tỷ lệ 1.4% . Các bạn lưu ý, mặc dù có 4 giá trị nhưng mà chỉ có 3
hàng (3 cases) nên kết quả Excluded sẽ là 3.

Nếu dữ liệu các bạn thu thập xuất hiện Excluded lớn hơn 0, các bạn cần kiểm tra lại xem mình có
nhập sót giá trị nào hay không nhé. Trong bình bày bài, các bạn có thể không cần đưa bảng này
vào bài làm, bảng này chỉ phục vụ để các bạn rà soát lại việc nhập liệu của mình.

2. Reliability Statistics
Bảng này cho biết giá trị Conbach Alpha của thang đo đưa vào kiểm định là bao nhiêu. Có 5
biến quan sát được đưa vào kiểm định (N of Items), giá trị Cronbach Alpha của thang đo là 0.788.
Thường giá trị này lớn hơn hoặc bằng 0.6 thì thang đo được chấp nhận. Để biết chi tiết mức độ
tin cậy của thang đo tương ứng với từng mức giá trị của hệ số Cronbach Alpha như thế nào, các
bạn xem bài viết Kiểm định độ tin cậy thang đo Cronbach's Alpha là gì?

Trên thực tế, giá trị Cronbach Alpha càng lớn thì thang đo càng có độ tin cậy tốt. Tuy nhiên, nếu
giá trị này quá lớn (khoảng từ 0.95-1) thì cần đánh giá lại cẩn thận bởi có thể các biến trong
thang đo đang rất giống nhau về tính chất, hay các câu hỏi quan sát của nhóm biến này gần như
rất giống nhau.

3. Item-Total Statistics

Chúng ta sẽ quan tâm đến 3 cột như hình ở trên:

 Cột đầu tiên cho biến các biến quan sát được đưa vào để kiểm định độ tin cậy thang đo.
 Cột thứ hai Corrected Item-Total Correlation, tạm dịch là cột hệ số tương quan biến
tổng, cột này các giá trị phải lớn hơn hoặc bằng 0.3 thì biến quan sát mới đóng góp xây
dựng độ tin cậy của thang đo, nếu biến quan sát nào có giá trị tương quan biến tổng nhỏ
hơn 0.3, bạn cần loại bỏ nó đi (xem lý do tại sao loại ở mục các tiêu chuẩn kiểm định
Cronbach Alpha trong bài viết ở đây)
 Cột thứ ba Cronbach Alpha if Item Deleted, tạm dịch là giá trị Cronbach Alpha mới
của thang đo trong trường hợp loại bỏ biến quan sát này đi. Vậy nghĩa là gì? Như các bạn
thấy, hệ số này có giá trị là 0.736 tại hàng của biến TN1. Nghĩa là khi bỏ biến này khỏi
nhóm và thực hiện kiểm định lại Cronbach Alpha với 4 biến TN2, TN3, TN4, TN5 hệ số
Cronbach Alpha mới của nhóm sẽ là 0.736 chứ không phải 0.788 (bảng số 2: Reliability
Statistics) như ban đầu nữa. Như đã đề cập ở mục số 2, giá trị Cronbach Alpha càng lớn
thì thang đo càng có giá trị nên trường hợp xuất hiện một số biến quan sát có giá
trị Cronbach Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha của thang đo (hệ số
Cronbach Alpha trong bảng Reliability Statistics), nghĩa là nếu bỏ biến quan sát đó,
thang đo sẽ tăng độ tin cậy lên, lúc này các bạn cần xem xét kỹ có nên loại biến đó ra hay
không. Nếu Corrected Item-Total Correlation của biến nhỏ hơn 0.3 thì các bạn nên bỏ
biến đó, trường hợp Corrected Item-Total Correlation ≥ 0.3 nhưng Cronbach Alpha if
Item Deleted > Cronbach Alpha của thang đo bạn cần phải đánh giá thật kỹ, và hỏi
thêm ý kiến giảng viên, liên hệ thực tế về mức độ đóng góp của biến này đến thang đo để
xem có nên loại hay không.
 Xem thêm: Tài liệu sử dụng SPSS 20 làm luận văn cực chi tiết và dễ hiểu

Trên đây là bài hướng dẫn cách đọc kết quả Cronbach Alpha trong SPSS. Các bạn cần chú ý
3 bảng kết quả quan trọng ở trên và trường hợp đặc biệt: hệ số tương quan biến tổng lớn hơn
hoặc bằng 0.3 nhưng hệ số Cronbach Alpha if Item Deleted lớn hơn hệ số Cronbach Alpha của
thang đo để có thể đưa ra quyết định loại biến chính xác.