Professional Documents
Culture Documents
2.1. Phân tích nhân tố khám phá (EFA) .................................................. .................................................... ....................4
2.1.1. EFA cho (các) biến độc lập .................................................. .................................................... ..............4
2.1.2. EFA cho (các) biến phụ thuộc .................................................. .................................................... ...................9
1
Machine Translated by Google
1. PHÂN TÍCH MÔ TẢ
Các mặt hàng được mã hóa ngược lại đã được mã hóa lại.
Sau khi nhập dữ liệu vào SPSS, các nhà nghiên cứu phải kiểm tra xem có lỗi do con người trong quá trình
Ý nghĩa
Trung bình
Tối thiểu
Tối đa
2
Machine Translated by Google
Kiểm tra các giá trị còn thiếu thông qua phân tích Tần suất.
- Dữ liệu nhân khẩu học của người trả lời hiển thị: Giới tính, tuổi tác, học vấn, nghề nghiệp, địa điểm,
vân vân.
- Thói quen của người trả lời (tần suất mua sắm, lựa chọn, v.v.) (Không bắt buộc)
Hướng dẫn: SPSS/Analyze Descriptive Statistics Frequencies/Output: Bảng tần suất, Thống kê tần số.
3
Machine Translated by Google
Phân tích nhân tố là một kỹ thuật thống kê để xác định những nhân tố cơ bản nào được đo lường bằng một số
EFA tìm cách khám phá các yếu tố cơ bản của một tập hợp các biến tương đối lớn. SPSS cố gắng tìm các nhóm
4
Machine Translated by Google
1. Tab: Mô tả
5
Machine Translated by Google
- Loại trừ các trường hợp theo danh sách: Khi xóa theo danh sách, một trường hợp bị loại khỏi phân
tích vì trường hợp đó có giá trị bị thiếu ở ít nhất một trong các biến đã chỉ định. Phân tích chỉ
- Loại trừ các trường hợp theo cặp: Việc xóa theo cặp xảy ra khi quy trình thống kê sử dụng các
trường hợp chứa một số dữ liệu bị thiếu. Quy trình không thể bao gồm một biến cụ thể khi nó có một
giá trị bị thiếu, nhưng nó vẫn có thể sử dụng trường hợp này khi phân tích các biến khác có giá trị
không bị thiếu.
- Thay thế bằng giá trị trung bình: Giá trị bị thiếu sẽ được thay thế bằng giá trị trung bình.
Đầu ra EFA:
- Thử nghiệm Kaiser-Meyer-Olkin (KMO) được sử dụng trong nghiên cứu để xác định mức độ phù hợp của
việc lấy mẫu dữ liệu sẽ được sử dụng cho Phân tích nhân tố. Thử nghiệm KMO cho phép chúng tôi đảm bảo
rằng dữ liệu chúng tôi có phù hợp để chạy Phân tích nhân tố và do đó xác định xem chúng tôi đã đặt ra
những gì chúng tôi dự định đo lường hay chưa.
- Thử nghiệm về tính toàn cầu của Bartlett kiểm tra giả thuyết rằng ma trận tương quan của bạn là ma
trận đồng nhất, điều này sẽ chỉ ra rằng các biến của bạn không liên quan và do đó
6
Machine Translated by Google
không phù hợp để phát hiện cấu trúc. Các giá trị nhỏ (dưới 0,05) của mức ý nghĩa cho thấy rằng
phân tích nhân tố có thể hữu ích với dữ liệu của bạn.
0,7; Kiểm định tính cầu của Bartlett: Sig. < 0,05.
sig. ,000
b) Phản ảnh
Trong một mô hình yếu tố tốt, hầu hết các yếu tố ngoài đường chéo sẽ nhỏ. Thước đo mức độ thỏa
đáng của việc lấy mẫu đối với một biến được hiển thị trên đường chéo của ma trận tương quan
phản ảnh.
Quy tắc ngón tay cái: Một chỉ số biến đổi có thể đáng được phân tích nếu giá trị của MSA (Đo
lường mức độ thỏa đáng của mẫu) lớn hơn 0,5.
MEAN1 MEAN2 MEAN3 CONF1 CONF2 CONF3 TÁC ĐỘNG1 TÁC ĐỘNG2 TÁC ĐỘNG3 SLEF1 SELF2 SELF3
Chống Ý NGHĨA1 ,501 -,077 -,206 -,030 -,210 -,021 ,046 -,105 ,011 ,034 ,014 -,017 -,023
hình ảnh Ý NGHĨA2 -,077 ,523 ,023 ,445 -,008 -,026 -,013 -,017 -,072 ,001 ,027 -,014 -,053
hiệp phương sai
Ý NGHĨA3 -,206 -,210 -,008 -,010 ,003 ,005 -,020 ,010 ,000 -,030
ce
CONF1 -,030 ,023 -,008 ,338 -,224 -,074 -,029 -,030 -,009 -,011 ,016 ,015
CONF2 -,021 -,026 -,008 -,224 -,010 ,321 -,089 ,007 -,025 ,014 -,081 -,027 -,006
CONF3 ,046 -,013 -,074 ,003 -,029 -,089 ,736 -,027 ,057 -,041 -,007 -,096 -,047
TÁC ĐỘNG1 -,105 -,017 ,005 -,030 ,007 -,027 ,519 -,205 -,118 -,016 ,023 ,038
TÁC ĐỘNG2 ,011 -,072 -,025 ,057 -,205 ,487 -,197 -,028 -,014 ,029
TÁC ĐỘNG3 ,034 ,001 -,020 -,009 ,014 -,041 -,118 -,197 ,650 -,036 ,058 -,048
SLEF1 ,014 ,027 ,010 -,011 ,000 -,081 -,007 -,016 -,028 -,036 ,759 -,076 -,205
SELF2 -,017 -,014 ,016 -,030 ,015 -,027 -,096 ,023 -,014 ,058 -,076 ,816 -,224
TỰ3 -,023 -,053 -,437 -,073 -,006 -,047 ,038 ,029 -,048 -,205 -,224 ,748
chống Ý NGHĨA1 ,830a -,150 -,052 ,076 -,207 ,021 ,059 ,023 -,026 -,037
hình ảnh Ý NGHĨA2 -,150 ,837a -,435 ,055 -,064 -,021 -,034 -,144 ,001 ,042 -,022 -,085
tương quan
Ý NGHĨA3 -,437 -,435 ,782a -,021 -,020 -,017 ,005 ,010 -,036 ,018 ,000 -,052
TRÊN
CONF1 -,073 ,055 -,021 ,760a -,680 -,148 -,069 -,074 -,019 -,022 ,030 ,030
CONF2 -,052 -,064 -,020 -,680 ,758a -,183 ,016 -,063 ,030 -,165 -,053 -,011
CONF3 ,076 -,021 -,017 -,148 -,183 ,876a -,043 ,095 -,059 -,010 -,124 -,064
TÁC ĐỘNG1 -,207 -,034 ,005 -,069 ,016 -,043 ,834a -,409 -,204 -,026 ,036 ,062
TÁC ĐỘNG2 ,021 -,144 ,010 -,074 -,036 -,063 ,095 -,409 ,801a -,351 -,045 -,023 ,048
TÁC ĐỘNG3 ,059 ,001 -,019 ,018 -,022 ,030 -,059 -,204 -,351 ,819a -,052 ,080 -,068
SLEF1 ,023 ,042 -,165 -,010 -,026 -,045 -,052 ,839a -,097 -,272
SELF2 -,026 -,022 ,000 ,030 -,053 -,124 ,036 -,023 ,080 -,097 ,749a -,287
TỰ3 -,037 -,085 -,052 ,030 -,011 -,064 ,062 ,048 -,068 -,272 -,287 ,735a
c) Cộng đồng
Cộng đồng = Tỷ lệ phương sai chiếm bởi các thành phần được chọn.
Các biến có tính cộng đồng thấp (=thấp hơn 0,40) không đóng góp nhiều vào việc đo lường các yếu
tố cơ bản.
7
Machine Translated by Google
cộng đồng
- Cột Tổng thể hiện giá trị riêng, hoặc lượng phương sai trong các biến ban đầu
tính theo từng thành phần. Giá trị riêng: Mỗi thành phần có một điểm chất lượng được gọi là
một Eigenvalue (Eigenvalue = điểm chất lượng). Chỉ những thành phần có giá trị riêng cao mới được
có khả năng đại diện cho một yếu tố cơ bản thực sự.
Quy tắc ngón tay cái: Chọn các thành phần (= các yếu tố cơ bản) có Giá trị riêng tại
ít nhất 1.
- Cột % of Variance cho biết tỷ lệ, được biểu thị bằng phần trăm, của phương sai
tính theo từng thành phần vào tổng phương sai trong tất cả các biến.
- Cột % tích lũy cho biết tỷ lệ phần trăm phương sai chiếm bởi n đầu tiên
các thành phần. Ví dụ: tỷ lệ phần trăm tích lũy cho thành phần thứ hai là
tổng tỷ lệ phần trăm của phương sai cho các thành phần thứ nhất và thứ hai.
4.137 34.477 34.477 4.137 34.477 34.477 2.324 48.548 19.364 19,364
1 2 1.688 14.070 48.548 1.688 60.077 14.070 2.168 60.077 2.165 18.069 37,433
3 1.384 11.529 1.384 69.225 1.098 11.529 69.225 1.650 18.043 55,476
4 1.098 9.148 75.408 9.148 13.750 69,225
.742 6.182
5 6 .646 5.384 80,792
7 .535 4.462 85,254
số 8
.492 4.100 89,354
.454 3.787 93,141
9 .329 2.739 95,880
10 11 .300 2.497 98,377
12 .195 1.623 100.000
Ma trận thành phần xoay trả lời cho câu hỏi: “Biến số nào đo lường yếu tố nào?”. Một nhân tố (hoặc thành
phần) đại diện cho bất kỳ điểm chung nào mà các biến của nó có.
số 8
Machine Translated by Google
Hệ số tải ≥ 0,5 ;
Một biến có tương quan mạnh với một thành phần.
Thành phần
1 2 3 4
Ý NGHĨA3 ,866
Ý NGHĨA1 ,810
Ý NGHĨA2 ,800
TÁC ĐỘNG3 ,826
TÁC ĐỘNG2 ,819
TÁC ĐỘNG1 ,749
CONF1 ,844
CONF2 ,843
CONF3 ,719
TỰ3 ,813
SELF2 ,722
TỰ1 ,612
Đầu ra:
df 15
sig. ,000
cộng đồng
9
Machine Translated by Google
Giá trị bản địa ban đầu Tổng khai thác của tải trọng bình phương
Thành phần Tổng % Phương sai Tổng % tích lũy % phương sai Tích lũy %
Thành phần
ENG4 ,828
ENG5 ,725
ENG2 ,676
ENG3 ,673
ENG6 ,658
ENG1 ,506
Phân tích.
trích xuất.
[Độ tin cậy của thang đo (Reliability) = sự ổn định về mặt kết quả trong một chu kỳ thời
gian]
Cronbach's alpha là thước đo phổ biến nhất về tính nhất quán bên trong. Nó thường được
sử dụng để khảo sát bằng các câu hỏi Likert. Nó thay đổi giữa 0 và 1.
10
Machine Translated by Google
11
Machine Translated by Google
Đầu ra:
Hệ số Cronbach alpha
Dựa trên
,823 ,824 3
Mục-Tổng số thống kê
Quy mô có nghĩa là nếu Phương sai tỷ lệ nếu Mục đã sửa bình phương nhiều Cronbach's Alpha
Đã xóa mục Đã xóa mục Tổng tương quan tương quan nếu mục bị xóa
12
Machine Translated by Google
3. TƯƠNG QUAN
Đầu ra:
tương quan
MEA MEA MEA CON CON CON SỰ VA CHẠM SỰ VA CHẠM SỰ VA CHẠM BẢN THÂN BẢN THÂN BẢN THÂN ENG ENG ENG ENG ENG ENG
N1 N2 N3 F1 F2 F3 1 2 3 1 2 3 1 2 3 4 5 6
MEAN1 Tương quan Pearson ,538* ,653* ,339* ,342* ,127* ,136* ,109* ,164* ,430* ,462* ,516* ,612* ,482* ,407*
1 ,409** ,314** ,191**
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1145 1136 1135 1131 1134 1130 1137 1131 1122 1130 1136 1135 747 733 1138 1139 496 1130
MEAN2 Tương quan Pearson ,538* ,640* ,266* ,307* ,149* ,120* ,124* ,201* ,313* ,425* ,412* ,561* ,412* ,394*
1 ,338** ,354** ,220**
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 1136 1138 1128 1125 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1130 1123 1131 1126 1116 1125 1129 1129 742 729 1131 1133 494 1123
MEAN3 Tương quan Pearson ,653* ,640* ,299* ,321* ,155* ,135* ,114* ,197* ,342* ,466* ,462* ,672* ,473* ,457*
1 ,326** ,296** ,205**
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 1135 1128 1136 1123 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1127 1125 1129 1124 1117 1122 1129 1130 741 728 1129 1132 494 1125
CONF1 Tương quan Pearson ,339* ,266* ,299* ,798* ,439* ,326* ,154* ,165* ,153* ,307* ,223* ,339* ,402* ,206*
1 ,368** ,369** ,249**
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
13
Machine Translated by Google
N 1131 1125 1123 1133 1128 1122 1130 1128 1116 1125 1123 1127 740 729 1126 1129 491 1120
CONF2 Tương quan Pearson ,342* ,307* ,321* ,798* ,457* ,376* ,209* ,204* ,175* ,288* ,222* ,361* ,386* ,229*
1 ,329** ,350** ,226**
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 1134 1130 1127 1128 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1136 1124 1132 1128 1117 1126 1127 1130 740 729 1129 1132 493 1123
CONF3 Tương quan Pearson ,127* ,149* ,155* ,439* ,457* ,219* ,226* ,182* ,121* ,173* ,276* ,106*
1 ,168** ,138** ,144** * ,085* ,089*
* * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 1130 1123 ,000 ,000 ,000 ,000 ,000 ,000 ,020 ,016 ,000 ,000 ,000 ,000
N 1125 1122 1124 1131 1126 1124 1117 1119 1124 1127 738 726 1124 1128 492 1121
SỰ VA CHẠM Tương quan Pearson ,409* ,338* ,326* ,368* ,329* ,168* ,186* ,173* ,422* ,144* ,387* ,403* ,182*
1 ,635** ,478** * ,016 ,048
1 * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1137 1131 1129 ,000 ,000 ,000 ,586 ,108 ,000 ,000 ,000 ,000 ,000 ,000
1130 1132 1126 ,314* 1139 1130 1120 1128 1129 1132 743 732 1132 1134 495 1125
SỰ VA CHẠM Tương quan N Pearson ,354* ,296* ,369* ,350* ,138* ,216* ,119* ,379* ,116* ,346* ,329* ,161*
,635** 1 ,549** * ,041 ,058
2 * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,172 ,052 ,001 ,000 ,000 ,000 ,000 ,000
N 1131 1126 1124 1128 1128 1124 1130 1133 1117 1124 1124 1127 739 730 1126 1129 490 1120
SỰ VA CHẠM Tương quan Pearson ,191* ,220* ,205* ,249* ,226* ,144* ,177* ,091* ,327* ,279* ,262* ,080*
,478** ,549** 1 * -,013 ,047 * -,001
3 * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1122 1116 1117 ,000 ,000 ,000 ,673 ,002 ,202 ,000 ,964 ,000 ,000 ,008
N 1116 1117 1117 1120 1117 1123 1114 1116 1120 732 722 1116 1121 486 1113
Tương quan SLEF1 Pearson ,136* ,120* ,135* ,326* ,376* ,219* ,246* ,349* ,234* ,099* ,143* ,222* ,119*
,186** ,216** ,177** 1 ,058
* * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1130 1125 1122 ,000 ,000 ,000 ,000 ,000 ,114 ,000 ,001 ,000 ,000 ,000
N 1125 1126 1119 1128 1124 1114 1132 1124 1125 740 728 1125 1128 494 1118
SELF2 Tương quan Pearson ,109* ,124* ,114* ,154* ,209* ,226* ,246* ,372* ,183* ,171* ,136*
,016 ,041 -,013 1 * ,073* -,013 * ,061*
* * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1136 1129 1129 ,586 ,172 ,673 ,000 ,000 ,046 ,735 ,000 ,039 ,000 ,000
N 1123 1127 1124 1129 1124 1116 1124 1137 1129 743 729 1131 1133 493 1124
SELF3 Tương quan Pearson ,164* ,201* ,197* ,165* ,204* ,182* ,349* ,372* ,158* ,142* ,180* ,178* ,155* ,186*
,048 ,058 ,091** 1
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1135 1129 1130 ,108 ,052 ,002 ,000 ,000 ,000 ,000 ,000 ,000 ,001 ,000
N 1127 1130 1127 1132 1127 1120 1125 1129 1136 741 730 1129 1135 495 1127
ENG1 Tương quan Pearson ,430* ,313* ,342* ,153* ,175* ,158* ,272* ,477* ,333* ,184* ,301*
* ,085* ,173** ,119** ,047 ,058 ,073* 1
* * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,020 740 740 738 ,000 ,001 ,202 ,114 ,046 ,000 ,000 ,000 ,000 ,000 ,000
N 747 742 741 743 739 732 740 743 741 750 735 745 745 414 740
ENG2 Tương quan Pearson ,462* ,425* ,466* ,307* ,288* ,234* ,142* ,272* ,272* ,586* ,401* ,279*
* ,089* ,422** ,379** ,327** * -,013 1
* * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,016 ,000 ,000 ,000 ,000 ,735 ,000 ,000 ,000 ,000 ,000 ,000
N 733 729 728 729 729 726 ,516* 732 730 722 728 729 730 735 735 731 733 409 729
ENG3 Tương quan Pearson ,412* ,462* ,223* ,222* ,121* ,099* ,183* ,180* ,477* ,272* ,407* ,313* ,447*
,144** ,116** -,001 1
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,964 ,001 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1138 1131 1129 1126 1129 1124 1132 1126 1116 1125 1131 1129 745 731 1140 1133 493 1125
ENG4 Tương quan Pearson ,612* ,561* ,672* ,339* ,361* ,173* ,143* ,178* ,333* ,586* ,407* ,574* ,378*
,387** ,346** ,279** * ,061* 1
* * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 1139 1133 1132 ,000 ,000 ,000 ,000 ,039 ,000 ,000 ,000 ,000 ,000 ,000
N 1129 1132 1128 1134 1129 1121 1128 1133 1135 745 733 1133 1140 496 1129
ENG5 Tương quan Pearson ,482* ,412* ,473* ,402* ,386* ,276* ,222* ,171* ,155* ,184* ,401* ,313* ,574* ,325*
,403** ,329** ,262** 1
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 496 494 494 ,000 ,000 ,000 ,000 ,000 ,001 ,000 ,000 ,000 ,000 ,000
N 491 493 492 495 490 486 494 493 495 414 409 493 496 497 492
ENG6 Tương quan Pearson ,407* ,394* ,457* ,206* ,229* ,106* ,119* ,136* ,186* ,301* ,279* ,447* ,378* ,325*
,182** ,161** ,080** 1
* * * * * * * * * * * * * *
sig. (2 đuôi) ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,008 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000
N 1130 1123 1125 1120 1123 1121 1125 1120 1113 1118 1124 1127 740 729 1125 1129 492 1131
14
Machine Translated by Google
Trong nhiều trường hợp, ý tưởng tốt hơn là tính toán điểm yếu tố như phương tiện trên các biến
Chúng ta phải tính toán tất cả các loại yếu tố cơ bản (=xây dựng): Ý nghĩa, Sự tự
tin, Tác động, Tự bảo vệ và Tương tác.
Đầu ra:
15
Machine Translated by Google
16
Machine Translated by Google
1 2
1. Thống kê tab…
2. Ô tab
17
Machine Translated by Google
Đầu ra:
Bảng hiển thị các biến trong phân tích của chúng tôi. Điều đó có nghĩa là Selfprotection_m,
Impactful_m, Meaning_m và Confidence_m hữu ích để dự đoán mức độ tương tác_m.
Câu hỏi: Mô hình của chúng tôi dự đoán biến phụ thuộc tốt như thế nào?
- Bảng tóm tắt mô hình hồi quy tuyến tính bội và thống kê phù hợp tổng thể.
R-square là tỷ lệ phương sai của biến phụ thuộc trong toàn bộ mô hình hồi quy. R-square
(R2) được tính toán trên dữ liệu mẫu có xu hướng đánh giá quá cao R2 cho toàn bộ tổng
thể.
Các nhà nghiên cứu thích báo cáo R2 đã điều chỉnh (R2adj), đây là một công cụ ước lượng không chệch
Kết quả cho thấy R2 hiệu chỉnh của mô hình là 0,565 với R2 = 0,567. Điều này có nghĩa là hồi quy
tuyến tính giải thích được 56,5 % phương sai trong dữ liệu.
- Durbin-Watson d = 1,954. Chúng ta có thể giả định rằng không có tự động tuyến tính bậc nhất
tương quan trong dữ liệu hồi quy tuyến tính bội của chúng tôi.
c) Bảng ANOVA
- Kiểm định F của hồi quy tuyến tính có giả thuyết không là mô hình giải thích phương sai bằng 0 ở biến phụ thuộc, nghĩa là H0:
R2 = 0. Giá trị p (Sig.) tìm được trong bảng ANOVA áp dụng cho R và R2.
18
Machine Translated by Google
Quy tắc chung: Nếu kiểm định F có ý nghĩa cao (Sig. < 0,05), chúng tôi giả định rằng mô hình giải
thích một lượng đáng kể phương sai trong Biến phụ thuộc (trong mô hình của chúng tôi: Mức độ tương
tác).
ANOVAa
Người mẫu Tổng bình df Bình phương trung F sig.
1 hồi quy phương 4 bình 100.988 371,557 ,000b
Dư 403,953 1136 ,272
- P-value của hệ số beta: The “Sig.” cột trong bảng hệ số chứa (2-
Quy tắc ngón tay cái: hệ số beta có ý nghĩa thống kê nếu giá trị p của nó < 0,05 (Sig.).
- Hệ số beta chưa chuẩn hóa: mỗi hệ số b biểu thị mức tăng trung bình của biến phụ thuộc tương ứng với
mức tăng 1 đơn vị của biến dự đoán. Trong mô hình của chúng tôi, cứ tăng 1 đơn vị mức độ tin cậy, chúng
Các hệ số beta không chuẩn hóa chỉ ra mô hình hồi quy của chúng tôi:
- Các hệ số beta chuẩn hóa (hệ số hồi quy chuẩn hóa) cho chúng ta biết độ mạnh tương đối của các yếu
sức mạnh tương đối của các dự đoán của chúng tôi. Các hệ số beta chuẩn hóa thu được bằng cách chuẩn
hóa tất cả các biến hồi quy thành các điểm số z trước khi tính toán các hệ số b.
Các biến chuẩn hóa áp dụng một tiêu chuẩn (hoặc thang đo) tương tự cho chúng: điểm z kết quả luôn có
Yếu tố dự đoán mạnh nhất trong mô hình của chúng tôi là Ý nghĩa (β = 0,698). Nói cách khác, Ý nghĩa có
- Đa cộng tuyến trong mô hình hồi quy tuyến tính bội: Đa cộng tuyến xảy ra khi phân tích hồi quy tuyến
tính bội bao gồm một số biến có tương quan đáng kể không chỉ với biến phụ thuộc mà còn với nhau.
Quy tắc ngón tay cái: Dung sai > 0,1 hoặc VIF < 10
19
Machine Translated by Google
hệ sốsa
động_m ,032 Tự bảo vệ_m ,050 a. ,018 ,038 1,736 ,083 ,776 1.288
Biến phụ thuộc: Engagement_m ,019 ,057 2,675 ,008 ,850 1.176
20