RESEARCH METHOD

Minh họa thực hiện phân tích phân tách DA trên Stata


Hàm phân tách tuyến tính, chẳng hạn phân tích phân tách (discriminant analysis) được sử dụng để thực hiện một kiểm định đa biến về sự khác nhau giữa các nhóm. Ngoài ra, phân tích phân tích còn được sử dụng để xác định số nhóm tối thiểu cần thiết để mô tả các sự khác nhau này. Bài viết này sẽ minh họa thực hiện phân tích phân tách trên phần mềm Stata. Chi tiết: https://vietlod.com/phan-tich-phan-tach-stata

Hướng dẫn giải thích và đọc kết quả phân tích EFA trên Stata


Tiếp tục bài giới thiệu về nhân tố khám phá EFA, bài viết này sẽ minh họa các bước thực hiện và giải thích các kết quả phân tích nhân tố khám phá trên phần mềm Stata. Kết quả phân tích nhân tố sẽ được thực hiện với phép trích nhân tố mặc định là pf với 2 phép xoay varimax và promax.

Bài viết sử dụng dữ liệu thực hành là efa.dta. Bộ dữ liệu bao gồm 9 biến quan sát (x1-x9) và 3 biến đánh giá (y1 – y3). Các biến đều có thang đo Likert – 5 bậc. Bộ dữ liệu được khảo sát nhằm đánh giá chất lượng giảng dạy của người giảng viên ở 2 khía cạnh uy tín – kiến thức và kỹ năng truyền đạt. Chi tiết: https://vietlod.com/nhan-to-kham-pha-stata

Phân tích hệ số tin cậy Cronbach alpha trên Stata



Hệ số tin cậy Cronbach anpha được sử dụng để kiểm tra độ tin cậy bên trong của thang đo. Nó cho biết mức độ tương quan giữa các biến trong mỗi nhóm (nhân tố). Giá trị của hệ số tin cậy anpha cao của phương pháp không có nghĩa tính chất nhất quán của thang đo đã được thỏa mãn. Chúng ta cần phải sử dụng các kỹ thuật phân tích khác, chẳng hạn, phân tích nhân tố khẳng định CFA để kiểm định tính nhất quán này. Bài viết sẽ minh họa cách thực hiện phân tích hệ số tin cậy Cronbach anpha, cùng với việc giải thích các thông số của kết quả trên phần mềm Stata. Chi tiết: https://vietlod.com/he-so-tin-cay-cronbach-anpha-stata

Kết quả phân tích nhân tố khám phá trên Stata ở bài trước cho thấy chất lượng đội ngũ giảng viên có thể được đánh giá qua 2 nhân tố là uy tín – kiến thức và kỹ năng truyền đạt. Trong đó, nhân tố uy tín – kiến thức được tổng hợp từ 5 biến x1 – x5 và nhân tố kỹ năng truyền đạt được tổng hợp bởi 4 biến quan sát x6 – x9.

Hướng dẫn thực hiện phân tích nhân tố khám phá EFA trên Stata


Phân tích nhân tố khám phá EFA (Exploratory factor analysis) là một phương pháp rút gọn dữ liệu, cho biết mối quan hệ giữa các nhóm biến quan sát với các biến ẩn được gọi là các nhân tố. Sự kết hợp giữa phân tích nhân tố khám phá và phân tích nhân tố khẳng định sẽ tạo ra một bộ nhân tố đảm bảo độ tin cậy và hiệu quả cao.

Bài viết này sẽ tóm tắt lý thuyết phân tích nhân tố khám phá trên phần mềm Stata với câu lệnh factor. Phần trình bày phương pháp phân tích nhân tố khẳng định kết hợp với phân tích nhân tố khám phá sẽ được trình bày ở bài viết phân tích nhân tố khẳng định CFA. Chi tiết: https://vietlod.com/nhan-to-kham-pha-efa

Giới thiệu phép xoay nhân tố trong phân tích EFA



Một trong các bước quan trọng của phân tích nhân tố khám phá cũng như phân tích thành phần chính (PCA) là lựa chọn một phép xoay nhân tố hoặc thành phần (gọi tắt là phép xoay nhân tố). Bài viết này sẽ trình bày một số vấn đề liên quan đến phép xoay nhân tố. Qua bài viết này các bạn có thể biết thêm về ý nghĩa của các phép xoay và lựa chọn một phép xoay phù hợp cho nghiên cứu của mình. Chi tiết: https://vietlod.com/phep-xoay-nhan-to

Phân biệt PCA và EFA trong phân tích nhân tố



Phân tích thành phần chính (PCA) và phân tích nhân tố khám phá (EFA) là 2 phương pháp được sử dụng phổ biến trong các nghiên cứu thị trường. Cả hai phương pháp PCA vs EFA đều có cách thực hiện tương đối giống nhau. Tuy nhiên, mỗi phương pháp đều có mục tiêu riêng và sự phân biệt giữa 2 phương pháp PCA vs EFA vẫn còn rất nhiều điểm mơ hồ. Bài viết này thể hiện một số quan điểm của tác giả nhằm phân biệt PCA vs EFA. Đầu tiên là sự giống nhau giữa PCA vs EFA. Chi tiết: https://vietlod.com/phan-biet-pca-vs-efa

Hướng dẫn đọc kết quả phân tích CATPCA trên SPSS



Phân tích CATPCA hay còn gọi là phân tích thành phần chính dạng danh mục CATPCA (Categorical principal components analysis) là được sử dụng tinh giản dữ liệu khi các biến có dạng phân loại, với mục tiêu là xác định các thành phần chính của một tập biến có khả năng giải thích (đại diện) tốt nhất cho dữ liệu.

Tiếp tục phần trình bày ở bài minh họa thực hiện phân tích CATPCA trên SPSS, bài viết này sẽ đi sâu diễn giải kết quả phân tích CATPCA. Đầu tiên là phần giới thiệu về phiên bản của CATPCA, tiếp đến là thông tin thống kê sơ bộ về mô hình phân tích. Chi tiết: https://vietlod.com/doc-ket-qua-phan-tich-catpca-spss

Hướng dẫn thực hiện phân tích CATPCA trên SPSS



Phân tích CATPCA hay còn gọi là phân tích thành phần chính dạng danh mục CATPCA (Categorical principal components analysis) là được sử dụng tinh giản dữ liệu khi dữ liệu các biến có dạng phân loại, với mục tiêu là xác định các thành phần chính của một tập biến có khả năng giải thích (đại diện) tốt nhất cho dữ liệu. Chi tiết: https://vietlod.com/phan-tich-catpca-spss

Hướng dẫn thục hiện phương pháp phân tách Stepwise trên SPSS



Phương pháp phân tách stepwise (Stepwise Discriminant Analysis) có ý nghĩa tương đồng với phân tích hồi quy đa biến stepwise ở chổ là cố gắng tìm ra một tập biến giải thích tốt nhất cho biến phụ thuộc. Trong phương pháp phân tách stepwise, biến độc lập có tương quan mạnh nhất với biến phụ thuộc sẽ được đưa vào mô hình trước và quá trình sẽ lặp lại đến khi không còn biến nào không còn biến nào có ý nghĩa thống kê ngoài mô hình. Chi tiết: https://vietlod.com/phuong-phap-phan-tach-stepwise-spss

Hướng dẫn đọc kết quả phân tích phân tách DA trên SPSS



Trong phương pháp phân tách chúng ta cố gắng phân nhóm dựa vào sự tách biệt trong mỗi đối tượng. Vì vậy, đầu tiên chúng ta cần xem liệu có sự khác biệt thống kê giữa các nhóm hay không bằng cách sử dụng kết quả phân tích trung bình các nhóm và ANOVA. Bảng Group Statistics và Tests of Equality of Group Means cho chúng ta thấy được điều này.

Chi tiết: https://vietlod.com/doc-ket-qua-phuong-phap-phan-tach-spss