PHẦN 1 : CÁC BƯỚC PHÂN TÍCH DỮ LIỆU BẰNG PHẦN MỀM SPSS DÀNH CHO MÔ HÌNH CHỈ CÓ BIẾN

ĐỘC LẬP
VÀ BIẾN PHỤ THUỘC
1. Frequency: thống kê theo tỉ lệ % các thông tin từ nhóm câu hỏi Demographic ( giới tính, tuổi…)
2. Descriptive: Mean, Std Deviation và tính Average Mean của nhóm câu hỏi đo từng biến
Vd : biến “A” gồm 5 items A1, A2, A3, A4, A5
Average mean của biến A = (mean A1, mean A2, mean A3, mean A4, mean A5):5
Đối với thang Likert 5 point:
Giá trị khoảng cách = (Maximum – Minimum) / n = (5-1)/5 = 0.8
Ý nghĩa các mức như sau:
1.00 – 1.80: Rất không đồng ý/ Rất không hài lòng/ Rất không quan trọng…
1.81 – 2.60: Không đồng ý/ Không hài lòng/ Không quan trọng…
2.61 – 3.40: Không ý kiến/ Trung bình…
3.41 – 4.20: Đồng ý/ Hài lòng/ Quan trọng…
4.21 – 5.00: Rất đồng ý/ Rất hài lòng/ Rất quan trọng…
 std. deviation >1 indicate that respondents show various evaluation for this statement
3. Reliability test :
Analyze > Scale > Reliability Analysis> Scale if Item deleted
 An alpha value > 0.7 : tốt (Nunnally ,1978; George & Mallery 2003; DeVellis 2003 ; Zikmund 2010 ).
Alpha value > 0.6 : có thể được chấp nhận nếu thang đo hoàn toàn mới, mới được xây dựng và áp dụng
vào bối cảnh nghiên cứu
 Corrected Item – Total Correlation < 0.3 : loại item ra khỏi thang đo (Field ,2005; Pallant 2010)
 Cronbach's Alpha if Item Deleted> Cronbach's Alpha
+ Trường hợp 1: loại item ra khỏi thang đo khi đồng thời Corrected Item – Total Correlation < 0.3 và có sự
chênh lệch lớn của Cronbach's Alpha if Item Deleted
+ Trường hợp 2: Nếu Corrected Item – Total Correlation cao , Cronbach's Alpha cao, Cronbach's Alpha if
Item Deleted không chênh lệch nhiều , đồng thời item đó là một đặc điểm quan trọng của thang đo thì item
đó được cân nhắc giữ lại và đưa vào phân tích nhân tố
-> Sau khi loại các items không đạt tiêu chuẩn ra khỏi thang đo thì tiến hành chạy lại Reliability test lần thứ
2.
4. Exploratory Factor Analysis (EFA)
Analyze > Dimension Reduction > Factor…
Lần 1 : Chỉ đưa tất cả scale của biến độc lập vào chạy : dùng principle component & phép xoay varimax
Lần 2: Chỉ đưa scale của biến phụ thuộc vào chạy : dùng principle component & phép xoay varimax
Nếu số mẫu
< 350 : chọn absolute value below : 0.5
> 350 : chọn absolute value below : 0.3
 Factor loading > = 0.5 (Hair, Anderson, Tatham & Black. 1995) .
 0.5 ≤ KMO ≤ 1 (Kaiser,1974): xem xét sự thích hợp của phân tích nhân tố
 Barlett’s test of sphericity checks whether there are correlations among variables when p- value is less
than 0.05 (Tabachnick & Fidell. 2007): có ý nghĩa thống kê
 Total variance extracted must be at or greater than 50% to confirm the validity of items grouped into
factors (Gerbing & Anderson 1988)
 Trường hợp 1: biến quan sát tải lên ở cả 2 nhân tố, nếu chênh lệch hệ số tải nhỏ hơn 0.3, chúng ta cần
loại bỏ biến quan sát đó
 Trường hợp 2: 2 hệ số tải chênh nhau từ 0.3 trở lên, khi đó biến quan sát sẽ được giữ lại và nó sẽ nằm
ở nhóm nhân tố có hệ số tải cao hơn
 Mỗi lần sẽ loại lần lượt 01 item xấu nhất rồi thực hiện chạy lại EFA chứ không bỏ đồng loạt cùng lúc
nhiều items, thường sẽ loại item có factor loading nhỏ nhất trước.
5. Tạo giá trị đại diện nhân tố
Ex: V ( giá trị đại diện nhân tố) = MEAN(V1,V2,V3,V4,V5)
V1,V2,V3,V4,V5 là các items hợp lệ còn lại trong thang đo biến V.
Transform-> compute variable -> MEAN (…,….,….,)
6. Phân tích tương quan Pearson
Analyze > Correlate > Bivariate… chọn biến phụ thuộc nằm trên cùng
Xem xét sig của biến độc lập & biến phụ thuộc : Giá trị sig < 0.05 thì hệ số tương quan r mới có ý nghĩa thống
kê ở mức ý nghĩa 5%, biến độc lập có tương quan với biến phụ thuộc.
Xem xét sig giữa các biến độc lập : giá trị sig càng lớn càng tốt, sig > 0.05 nghĩa là giữa các biến độc lập này
không có mối tương quan và nó càng khẳng định tính "độc lập" tốt giữa các biến độc lập, nếu sig < 0.05 thì
nghi ngờ xảy ra đa cộng tuyến giữa các biến độc lập.
Hệ số tương quan < 0.8 : Mức tương quan này không quá cao (<0.8), vì vậy, theo đánh giá sơ bộ, không có
hiện tượng đa cộng tuyến (Maddala, 1988).
7. Phân tích hồi quy Regression
Analyze > Regression > Linear:
- Xem bảng Model Summary
 Adjusted R Square: thường > 50 % : accepted
các biến độc lập đưa vào ảnh hưởng ...% sự thay đổi của biến phụ thuộc, còn lại là do các biến ngoài mô hình
và sai số ngẫu nhiên
 Durbin-Watson: để kiểm định tự tương quan của các sai số kề nhau (hay còn gọi là tương quan chuỗi
bậc nhất)
 - Xem bảng Anova
 giá trị sig của kiểm định F < 0.05 : , mô hình hồi quy tuyến tính xây dựng được phù hợp với tổng thể.
- Xem Bảng Coefficients
 Sig ( p value) < 0.05 : biến độc lập có ảnh hưởng đến biến phụ thuộc -> support (H)
 Xem hệ số standardized Coefficients (beta): biến độc lập nào có Beta lớn nhất thì biến đó ảnh hưởng
nhiều nhất đến sự thay đổi của biến phụ thuộc. Do đó khi đề xuất giải pháp, nên chú trọng nhiều vào
các nhân tố có Beta lớn.
 VIF : VIF < 2 ( rất tốt) hoặc VIF < 10 ( có thể được chấp nhận) : không có đa cộng tuyến  theo Hoàng
Trọng, Chu Nguyễn Mộng Ngọc. (2005). Phân tích dữ liệu nghiên cứu với SPSS. Hà Nội: NXB Thống Kê.

Dùng beta chưa chuẩn hóa để viết phương trình hồi quy, beta đã chuẩn hóa để so sánh mức độ ảnh
hưởng đối với biến phụ thuộc!

PHẦN 2 : MỘT SỐ KIỂM ĐỊNH THƯỜNG DÙNG KHÁC TRÊN SPSS

1. KIỂM ĐỊNH INDEPENDENT SAMPLES T TEST
Kiểm định sự khác biệt trung bình với trường hợp biến định tính có 2 giá trị. Ví dụ như biến giới tính
(nam, nữ), biến tình trạng hôn nhân (độc thân, đã kết hôn).

Ví dụ : muốn kiểm định giả thuyết:

(H1) Có sự khác biệt có ý nghĩa thống kê về kiến thức tài chính giữa nhà đầu tư nam và nhà đầu tư nữ
(H2) Có sự khác biệt có ý nghĩa thống kê về kiến thức tài chính giữa nhà đầu tư độc thân và nhà đầu
tư đã kết hôn

Vào Analyze > Compare Means > Independent Sample T-Test...

https://www.phamlocblog.com/2017/07/kiem-dinh-independent-sample-t-test-SPSS.html

2. KIỂM ĐỊNH ONE-WAY ANOVA

Phương pháp này giúp chúng ta so sánh trị trung bình của 3 nhóm trở lên. Ví dụ biến trình độ học vấn
( THPT, Đại học, sau đại hoc), biến thu nhập ( dưới 10 tr, 10-20 tr, 21-30tr, trên 30tr)…
 Ví dụ : muốn kiểm định giả thuyết:
(H1) Có sự khác biệt có ý nghĩa thống kê về kiến thức tài chính của những nhà đầu tư có trình độ học
vấn khác nhau
(H2) Có sự khác biệt có ý nghĩa thống kê về kiến thức tài chính của những nhà đầu tư có mức thu nhập
hàng tháng khác nhau.

Vào Analyze > Compare Means > One-Way ANOVA...

https://www.phamlocblog.com/2016/03/phan-tich-anova-trong-spss.html

3. PHÂN TÍCH SÂU ONE-WAY ANOVA

Sau khi đã xác định có sự khác biệt trung bình giữa các nhóm đối tượng ví dụ : Có sự khác biệt có ý
nghĩa thống kê về kiến thức tài chính của những nhà đầu tư có mức thu nhập hàng tháng khác nhau,
muốn biết sự khác nhau này xảy ra cụ thể ở những cặp giá trị nào (nhóm dưới 10 tr với 10-20 tr hay
nhóm 21-30tr với trên 30tr? ), ta tiến hành phân tích sâu one -way anova

http://phantichspss.com/phan-tich-sau-anova-mot-yeu-post-hoc-one-way-anova.html

PHẦN 3: CÁC BƯỚC PHÂN TÍCH SEM - DÀNH CHO MÔ HÌNH CÓ BIẾN TRUNG GIAN
1.Kiểm định độ tin cậy cronbach’s alpha trên SPSS
2.Phân tích nhân tố EFA trên SPSS
Chú ý :
- Đưa scale của tất cả các biến vào chạy một lần duy nhất ( biến độc lập, biến trung gian, biến phụ thuộc)
- Chọn phương pháp trích xuất Principal Axis Factoring và phép quay Promax.
3.Chạy Confirmatory Factor Analysis (CFA) trên phần mềm AMOS
3.1 Check for Model fit-

 Kiểm tra các chỉ số :

 Ex: The CMIN/DF is 3.129, it is acceptable value. CFI gets great value at 0.954
(0.954> 0.95), GFI is 0.909 which is greater than 0.95, TLI is 0.945 that greater than 0.9,
SRMR is 0.052 and less than 0.09. RMSEA gets moderate value at 0.065. Generally, the
model of this study is fairly good fit when it satisfies most Threshold criteria.

 Từ bảng Regression Weights , xem P value :

p value is < 0.05 indicating all coefficients are significant
Ex:

3.2 Check reliability

Value of composite reliability (CR) > 0.7
http://phantichspss.com/cach-tinh-do-tin-cay-tong-hop-composite-reliability-trong-amos.html

3.3 Check convergent validity

 Each factor loading (the standardized estimate) > 0.5( Hair. et al. 2006)
Xem “estimate” ở bảng Standardized Regression Weights
Ex:

 AVE (average variance extracted of each variable) > 0.5. (Fornell & Larcker. 1981)
http://phantichspss.com/cach-tinh-phuong-sai-trich-average-variance-extracted-ave-trong-
amos.html

Trường hợp giá trị AVE của thang đo < 0.5 nhưng độ tin cậy tổng hợp CR của thang đo này > 0.7 thì vẫn
được chấp nhận theo quan điểm của C. Fornell and D. F. Larcker ( 1981).
Ref: C. Fornell and D. F. Larcker, “Evaluating structural equation models with unobservable variables and
measurement error,” Journal of marketing research, pp. 39-50, 1981

3.4 Check Discriminant Validity

 The Correlation between two constructs is less than 0.85 (r < 0.85 or 0.90)
r= “Estimate” xem trong bảng Correlation
Ex:
 Correlation value range from -.404 to .530 < 0.85

 Both AVEs of two constructs are larger than SIC (r2)

Ex:

Both AVE values of two construct are obviously greater than SIC (r2) value. For example, AVE of
CE is .505 and AVE of PJ is .72. Both are greater than SIC (r2) value (.133225)
4.Chạy Structural Equation Modeling (SEM) trên phần mềm AMOS
4.1 Check model fit

 Kiểm tra các chỉ số :

Ex: The CMIN/DF is 3.129, it is acceptable value. CFI gets great value at 0.954 (0.954> 0.95). GFI is 0.909
which is greater than 0.95. TLI gets value of 0.945 that is satisfy the condition ( 0.945> 0.9). SRMR is
0.052 and less than 0.09. RMSEA gets moderate value at 0.065. In overall, The model fit is good since it
fulfill all criteria .
4.2 Testing Hypothesis

 Từ bảng Regression Weights , xem P value & “ estimate”

P value < 0.05 : Hypothesis is supported
“ estimate” > 0: positive impact
“estimate” < 0: negative impact
Ex:

P value of CE-> COO = 0.134> 0.05 -> CE doesn’t have significant impact to COO
P value of CE-> PJ = 0.000 < 0.05 -> CE has significant impact to PJ
Xem “ estimate” : -0.307 < 0 -> CE has negative impact to PJ
Xét tương tự với COO-> PJ, CE-> PI, COO-> PI, PJ-> PI

 Xem mức độ mạnh yếu của sự tác động lên các biến trung gian & biến phụ thuộc
So sánh giá trị Standardized Estimate (β ) Từ bảng Standardized Regression Weights
Ex:
 I -0.345 I > I 0.279 I -> CE has stronger impact on PJ than COO
1.338 0.321> I -0.258 I -> PJ has strongest impact to PI

4.3 Tính Total Cause effect lên biến phụ thuộc

Total Cause effect = Direct effect + Indirect Effect
Tính bằng cách sử dụng giá trị Standardized Estimate (β ) Từ bảng Standardized Regression Weights
Path coefficients of hypothesis testing

Total Causal Effects on Purchase Intention

Causal Effects

Variables Direct Indirect Total

CE -.258 -.117 (-0.345x 0.338) -.375
COO .321 .094 (0.279x 0.338) .415
PJ .338 ------ .338
Total 0.401 -.023 .378
0.415 > I -0.375 I > 0.338 -> COO has strongest impact to PI