0972.162.399
luanvanaz@gmail.com

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

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

Độ tin cậy là mức độ mà thang đo được xem xét là nhất quán và ổn định (Parasuraman, 1991). Hay nói cách khác, độ tin cậy của một phép đo là mức độ mà phép đo tránh được sai số ngẫu nhiên. Trong nghiên cứu này, để đánh giá độ tin cậy (reliability) của từng thang đo, đánh giá độ phù hợp của từng mục hỏi (items) hệ số tương quan alpha của Cronbach (Cronbach’s Coefficient Alpha) được sử dụng.

Đo lường độ tin cậy bằng hệ số Cronbach’s alpha là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005), hệ số này đánh giá độ tin cậy của phép đo dựa trên sự tính toán phương sai của từng item và tính tương quan điểm của từng item với điểm của tổng các items còn lại của phép đo.

Nhiều nhà nghiên cứu đồng ý rằng hệ số alpha của từng thang đo từ 0.8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0.7 đến gần 0.8 là sử dụng được. Cũng có nhà nghiên cứu đề nghị rằng hệ số alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995 dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).Vì vậy, đối với nghiên cứu này thì hệ số alpha từ 0.6 trở lên là chấp nhận được.

Khi đánh giá độ phù hợp của từng item, những item nào có hệ số tương quan biến tổng (item-total correlation) lớn hơn hoặc bằng 0.3 được coi là những item có độ tin cậy bảo đảm (Nguyễn Công Khanh, 2005), các item có hệ số tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại bỏ ra khỏi thang đo.

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

Cách phân tích EFA bằng phần mềm SPSS

Cách phân tích EFA bằng SPSS

Dear all, dạo này Luận Văn A-Z thấy nhiều bạn đặt câu hỏi về EFA. Nên mình viết bài này hy vọng sẽ giúp mọi người có cái nhìn tổng quát và rõ hơn trong phân tích EFA.

Phân tích EFA có 4 bước cơ bản:

B1: Tính ma trận các mối liên quan cho tất cả các biến (correlation matrix)

  1. Tạo correlation matrix cho tất cả các biến.
  2. Xác định các biến mà không có liên quan với biến khác.
  3. Trong TH mối liên quan giữa các biến nhỏ, chúng có thể không chung một nhân tố.
  4. Thông thường thì Correlation coefficients >= 0.3 thì OK.
  5. The Kaiser-Meyer-Olkin (KMO)
  6. Bartlett test of Sphericity

KMO là một chỉ tiêu để xem xét sự phù hợp cho việc ptich EFA. ( 0.5< KMO <1 là tốt).
Kiểm định Bartlett xem xét giạ thuyết Ho: Độ tương quan giữa các biến số quan sát bằng 0. Nếu kiểm định này có ý nghĩa thống kê ( sig <0.05) thì các biến có tương quan với nhau trong tổng thể.

B2: Xác định nhân tố – Factor extraction

  1. Ở bước này ta sẽ dủng phương pháp Principal components analysis để xác định các nhân tố.
  2. The 1st principal components là phức hợp giải thích được nhiều biến thiên nhất trong quần thể (1st extracted factor), sau đó giảm dần ở nhân tố thứ 2, 3…
  3. Đề xác định giữ lại bao nhiêu factor, căn cứ vào 2 yếu tố:

Eigen values > 1


The Scree Plot

  • Độ dốc cho thấy các factor lớn.
  • Khi hết độ dốc, thường các factor còn lại có giá trị Eigen < 1.
  • Ngoài các test thống kê, cần dựa vào thực tế và mục đích bài nghiên cứu.
  • Giai đoạn này chưa thể kết luận số lượng nhân tố.

B3: Xoay nhân tố – Factor rotation

  1. Có nhiều PP đề xoay nhân tố. Tuỳ theo điều kiện gạn lọc dữ liệu mà chúng ta có thể áp dụng.
  2. PP varimax rotations là phương pháp phổ biến hiện nay.
  3. Chọn các factor có trị số lớn nhất và nhóm chúng lại
  4. 1 Lưu ý trong SPSS là bạn có thể chọn Option ( Sort by – giá trị lấy thông thường > 0.3, Numbers of factor) đẻ tối ưu hoá quyết định chọn lựa nhân tố của mình

B4: Đặt tên nhân tố

Dựa vào bảng trên, và xu hướng diễn đạt của từng thang đo các bạn có thể đặt tên phù hợp cho từng nhân tố rồi.
Chúc mọi người thành công nhé !!!

Cách phân tích EFA bằng phần mềm SPSS

Kiểm định sự khác biệt với T- test và Anova

Kiểm định sự khác biệt với T- test và Anova

Nội dung của phần này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng, ví dụ có sự khác biệt về sự hài lòng dịch vụ ngân hàng A với các đối tượng khách hàng (như giới tính, độ tuổi, mức thu nhập…) hay không. Để thực hiện được điều này chúng ta tiến hành phân tích phương sai ANOVA và Indepent-sample T – test. Sự khác biệt có ý nghĩa thống kê với độ tin cậy 95% (hay mức ý nghĩa Sig.< 0.05).

Có hai thủ tục phân tích phương sai: ANOVA một yếu tố và ANOVA nhiều yếu tố. Tuỳ nghiên cứu mà thực hiện phân tích phương sai một yếu tố hay hai yếu tố, riêng đối với các luận văn bậc Đại học hoặc Cao học thuần về hướng nghiên cứu ứng dụng khảo sát mẫu không quá phức tạp thì những nghiên cứu dạng này dùng kiểm định phương sai một yếu tố sẽ được thực hiện vì chúng ta chỉ kiểm định biến định tính để phân loại các quan sát thành các nhóm khác nhau. Kiểm định ANOVA gồm kiểm định độ đồng nhất giữa phương sai của các nhóm nhân tố có mức ý nghĩa sig. > 0.05.

Các biến có hai lựa chọn (ví dụ như giới tính chỉ có hai thái thể hiện là Nam và Nữ) chính vì thế chúng ta sẽ sử dụng phép kiểm định Independent-sample T – test (kiểm định giả thuyết trung bình của hai tổng thể) để tìm sự khác biệt với biến định lượng.

KIỂM ĐỊNH INDEPENT-SAMPLE T – TEST

Cách thực hiện kiểm định này trong SPSS: Analysist/Compare Mean/Independent Samples T-Test/
Cho biến định lượng vào Test varible
Biến định tính vào Grouping Varible
Sau đó chọn Define Groups; lần lượt chọn giá trị đã gán cho 2 lựa chọn của biến định tính vào
okie xong phần T-Test

Đọc kết quả phân tích T-Test

Kiểm tra kiểm định Levene’s ở bảng Independent Samples Test
Nếu sig. của kiểm định này < 0.05 thì phương sai giữa 2 lựa chọn của biến định tính ở trên khác nhau, ta sẽ sử dụng kết quả kiểm định T ở phần Equal variances not assumed. Nếu giá trị sig của kiểm định t ở phần Equal variances not assumed sig. > 0.05 thì kết luận kiểm định T không có sự khác biệt, còn Sig <= 0.05 thì kết luận có sự khác biệt giữa các nhóm của biến định tính

Nếu sig. của kiểm định này >=0.05 thì phương sai giữa 2 lựa chọn của biến định tính ở trên không khác nhau, ta sẽ sử dụng kết quả kiểm định T ở phần Equal variances assumed. Nếu giá trị sig của kiểm định t ở phần Equal variances not assumed sig. > 0.05 thì kết luận kiểm định T không có sự khác biệt, còn Sig <= 0.05 thì kết luận có sự khác biệt giữa các nhóm của biến định tính

KIỂM ĐỊNH ANOVA

Cách thực hiện kiểm định này trong SPSS: Analysist/Compare Mean/One way ANOVA
Cho biến định lượng vào ô Dependent list
Cho biến định tính vào ô Factors
Chọn Opiton chọn Descriptive và Homogeneity of variance test
Okie xong các bước thực hiện ANOVA

Đọc kết quả phân tích ANOVA

Thực hiện kiểm tra kiểm định Levene ở bảng Test of Homogeneity of variances, nếu sig ở kiểm định này < = 0.05 thì kết luận phương sai giữa các lựa chọn của biến định tính ở trên khác nhau.

Nếu sig ở kiểm định này >0.05 thì phương sai giữa các lựa chọn của biến định tính ở trên không khác nhau, xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng này > 0.05 kết luận không có sự khác biệt giữa các nhóm biến định tính, còn nếu sig ở bảng này < = 0.05 thì kết luận có sự khác biệt giữa các nhóm biến định tính

Khi có sự khác biệt giữa các nhóm của biến định tính với định lượng trong phần T – Test hoặc ANOVA ta tiếp tục theo dõi giá trị Mean ở bảng Descriptives và kết luận

Nếu nhóm nào có giá trị Mean cao hơn thì kết luận nhóm đó tác động nhiều hơn với biến định lượng.

Kiểm định sự khác biệt với T- test và Anova

Lỗi khi chạy EFA: “Rotation failed to converge in 25 iterations…”

Lỗi khi chạy EFA: “Rotation failed to converge in 25 iterations…”

Khi chạy EFA, một số bạn phản ánh với Luận Văn A-Z rằng mình bị mắc lỗi này “Rotation failed to converge in 25 iterations…”

Lỗi EFA

Lỗi này thường là do dữ liệu của bạn chưa thể hội tụ được sau 25 bước lặp. Cách xử lý là khi chạy EFA, bạn vào nút “Extraction” và chỉnh “Maximum iteration for convergence” từ 25 lên 40, 50… rồi chạy lại EFA là ok nhé!

Lỗi khi chạy EFA: “Rotation failed to converge in 25 iterations…”

Lỗi khi chạy EFA không hiện bảng KMO

Lỗi khi chạy EFA không hiện bảng KMO

Điều kiện để phân tích nhân tố khám phá là phải thỏa mãn các yêu cầu:

Hệ số tải nhân tố (Factor loading ) > 0.5

0.5 ≤ KMO ≤ 1: Hệ số KMO (Kaiser-Meyer-Olkin) là chỉ số được dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO lớn có ý nghĩa phân tích nhân tố là thích hợp.

Lỗi khi chạy EFA không hiện bảng KMO mặc dù có chọn: “This matrix is not positive definite” (như hình mô tả).

KMO trongg phân tích EFA

Lỗi này thường là do trong dữ liệu của các bạn có những biến (items) tương quan rất mạnh với nhau, có thể biến này là tổ hợp của các biến khác chẳng hạn. Và câu báo lỗi đưa ra của SPSS “This matrix is not positive definite” cũng chẳng ăn nhập gì với ND lỗi nên thường làm các bạn bối rối, khó hiểu Cách khắc phục là bạn tìm loại bớt các biến có tương quan mạnh với nhau như thế, vì đây gần như là có sự trùng lắp dữ liệu. Nếu bạn qua được bước này thì về sau bạn cũng sẽ đối mặt với vấn đề đa cộng tuyến khi chạy hồi quy áh. Bạn có thể chạy tương quan cho các biến này để tìm ra các biến có tương quan mạnh với nhau nhé

Lỗi khi chạy EFA không hiện bảng KMO