Bài giảng Tin học Quản lý SPSS: Chương 6 - Phạm thị Mộng Hằng

CHƯƠNG 6:<br /> PHÂN TÍCH TƯƠNG<br /> QUAN VÀ HỒI QUY<br /> <br /> LOGO<br /> <br /> NỘI DUNG CỐT LÕI<br /> Hoàn thành chương này người học có thể hiểu được:<br />  Phân tích tương quan là gì? Và thao tác trên SPSS như thế<br /> nào?<br />  Phân tích hồi quy trên SPSS thực hiện như thế nào?<br />  Các phương pháp hồi quy (backward, stepwise, enter,<br /> forward,...)<br />  Đọc kết quả của phân tích hồi quy (Regression analysis)<br />  Hệ số R-squared và adjust R-squared có ý nghĩa gì?<br />  Giá trị của hệ số hồi quy, và ý nghĩa như thế nào?<br />  Kiểm định ý nghĩa thống kê của hệ số hồi quy<br />  Khoảng tin cậy của hệ số hồi quy và ý nghĩa của khoảng tin<br /> cậy<br />  Kiểm tra một số khuyết tật của mô hình hồi quy: Đa cộng<br /> tuyến, hiện tượng Phương sai của Sai số ngẫu nhiên thay<br /> đổi, tự tương quan chuỗi,...<br /> LOGO<br /> <br /> Mô hình nghiên cứu tổng quát<br /> • Sau khi tiến hành phân tích dữ liệu thu thập được thông<br /> qua các bước phân tích độ tin cậy Cronbach’s Alpha và<br /> phân tích nhân tố, mô hình nghiên cứu được điều chỉnh<br /> gồm 6 biến độc lập (Phong cách phục vụ, Sự thuận tiện,<br /> Sự tín nhiệm, Sự hữu hình, Hình ảnh doanh nghiệp và Tính<br /> cạnh tranh về giá) để đo lường biến phụ thuộc là Sự hài<br /> lòng của khách hàng.<br /> <br /> LOGO<br /> <br /> 1<br /> <br /> 4.4 Mô hìnhnghiên cứu tổng quát<br /> Mô hình nghiên cứu tổng quát<br /> Các giả thuyết: Những nhân tố tác động đến sự hài<br /> lòng của khách hàng<br /> H1: Phong cách phục vụ tác động đến sự hài lòng của khách hàng<br /> H2: Tính cạnh tranh về giá tác động đến sự hài lòng của khách hàng<br /> H3: Sự tín nhiệm tác động đến sự hài lòng của khách hàng<br /> H4: Danh mục dịch vụ tác động đến sự hài lòng của khách hàng<br /> H5: Hình ảnh doanh nghiệp tác động đến sự hài lòng của khách hàng<br /> H6: Sự thuận tiện tác động đến sự hài lòng của khách hàng<br /> <br /> LOGO<br /> <br /> Phân tích tương quan hệ số<br /> Pearson<br /> Người ta sử dụng một số thống kê có tên là hệ số tương<br /> quan Pearson để lượng hóa mức độ chặt chẽ của mối liên<br /> hệ tuyến tính giữa hai biến định lượng.<br /> Trong phân tích mối tương quan giữa 2 biến, nếu 2 biến có<br /> sự liên quan quá chặt chẽ với nhau thì phải lưu ý đến hiện<br /> tượng đa cộng tuyến. Nếu có xảy ra hiện tượng<br /> <br /> đa<br /> <br /> cộng tuyến thì tức là các biến giải thích có ảnh hưởng lẫn<br /> nhau, khi biến này thay đổi sẽ dẫn đến biến kia thay đổi<br /> theo và ngược lại<br /> <br /> LOGO<br /> <br /> 4.5 Phân tích tương quan hệ số Pearson<br /> <br /> Phân tích tương quan hệ số<br /> Pearson<br /> Đa cộng tuyến là trạng thái các biến độc lập có tương<br /> quan chặt chẽ với nhau. Vấn đề của hiện tượng cộng<br /> tuyến là chúng cung cấp cho mô hình những thông tin rất<br /> giống nhau, và rất khó tách rời ảnh hưởng của từng biến<br /> một đến biến phụ thuộc.<br /> Cần xem xét hiện tương đa cộng tuyến khi phân tích hồi<br /> quy nếu hệ số tương quan pearson > 0.3.<br /> <br /> LOGO<br /> <br /> 2<br /> <br /> 4.5 Phân tích tương quan hệ số Pearson<br /> <br /> Phân tích tương quan hệ số<br /> Pearson<br /> Hình dạng phương trình:<br /> Y = 0 + 1X1 + 2X2 + 3X3 + 4X4 + 5X5 + 6X6<br /> <br /> Đặt các biến trong phương trình hồi quy đa biến như sau:<br /> X1 : Phong cách phục vụ (là trung bình của các biến c1,c2,f3,c5,c4,c3,f4)<br /> X2 : Tính cạnh tranh về giá (là trung bình của các biến e1,e2,e3,f1,b3)<br /> X3 : Sự tín nhiệm (là trung bình của các biến h1,f2,b2,h2,h3)<br /> X4 : Danh mục dịch vụ (là trung bình của các biến g3,g2,g1,b1)<br /> X5 : Hình ảnh doanh nghiệp (là trung bình của các biến d2,d1,d3,d4)<br /> X6 : Sự thuận tiện (là trung bình của các biến a1,a3,a2)<br /> Y<br /> <br /> : Hài lòng với chất lượng dịch vụ ngân hàng (là trung bình của 3 biến<br /> q6,q7,q8)<br /> LOGO<br /> <br /> 4.5 Phân tích tương quan hệ số Pearson<br /> <br /> Phân tích tương quan hệ số<br /> Pearson<br /> Cách tạo biến X1:<br /> X1 : Phong cách phục vụ (là trung bình của các biến c1,c2,f3,c5,c4,c3,f4)<br /> <br /> Vào Transform\ Compute Variable…<br /> Đặt tên biến<br /> mới<br /> (X1)<br /> <br /> Nhập hàm tính giá trị<br /> trung bình Mean(đối số 1,<br /> đối số 2,… đối số n)<br /> <br /> Bấm OK, kết quả tạo ra một biến mới ở<br /> Data, tên là X1, Tương tự tạo cho các<br /> biến x2, x3, x4, x5, x6 và Y<br /> LOGO<br /> <br /> 4.5 Phân tích tương quan hệ số Pearson<br /> <br /> Phân tích tương quan hệ số<br /> Pearson<br /> Cách làm phân tích hệ số Pearson:<br /> Vào Analyze\ Correlate\ Bivariate…<br /> <br /> Đưa các biến độc lập<br /> trong mô hình hồi quy<br /> -> Variables<br /> <br /> LOGO<br /> <br /> 3<br /> <br /> Kết quả<br /> pearson<br /> <br /> • Các giá trị sig đều nhỏ hơn 0.05 do vậy các biến đều tương<br /> quan với nhau và có ý nghĩa thống kê.<br /> • Hệ số tương quan của các biến Xi tương tác nhau cũng khá lớn<br /> > 0.3 nên khi phân tích tương quan cần chú ý đến hiện tượng tự<br /> tương quan của các biến độc lập.<br /> LOGO<br /> <br /> Phân tích hồi quy<br /> Phân tích hồi quy sẽ xác định mối quan hệ giữa biến phụ<br /> thuộc (hài lòng với chất lượng dịch vụ ngân hàng) và các<br /> biến độc lập (phong cách phục vụ, tính cạnh tranh về giá, sự<br /> tín nhiệm, danh mục dịch vụ, hình ảnh doanh nghiệp, sự<br /> thuận tiện).<br /> Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên<br /> hệ và qua đó giúp dự đoán được mức độ của biến phụ<br /> thuộc khi biết trước giá trị của biến độc lập.<br /> <br /> LOGO<br /> <br /> 4.6 Phân tích hồi quy<br /> <br /> Phân tích hồi quy<br /> Hình dạng phương trình:<br /> Y = 0 + 1X1 + 2X2 + 3X3 + 4X4 + 5X5 + 6X6<br /> <br /> Trong đó:<br /> X1 : Phong cách phục vụ<br /> X2 : Tính cạnh tranh về giá<br /> X3 : Sự tín nhiệm<br /> X4 : Danh mục dịch vụ<br /> X5 : Hình ảnh doanh nghiệp<br /> X6 : Sự thuận tiện<br /> Y<br /> <br /> : Hài lòng với chất lượng dịch vụ ngân hàng<br /> <br /> LOGO<br /> <br /> 4<br /> <br /> 4.6 Phân tích hồi quy<br /> <br /> Phân tích hồi quy<br /> Cách làm:<br /> Bước 1: Vào Analyze\ Regression\ Linear…<br /> 3<br /> 1<br /> <br /> 2<br /> <br /> Bước 2:<br /> (1): Đưa biến phục thuộc vào ô Dependent<br /> (2): Đưa các biến độc lập vào ô Independent<br /> (3): Click vào Statistics<br /> (4): Chọn phương pháp Stepwise, cuối cùng bấm OK.<br /> <br /> 4<br /> <br /> LOGO<br /> <br /> LOGO<br /> <br /> 4.6 Phân tích hồi quy<br /> <br /> Phân tích hồi quy<br /> Method:<br /> Enter: đưa vào một lượt<br /> Stepwise: từng bước<br /> Remove: Loại bỏ một lượt<br /> Backward: Loại bỏ dần<br /> Forward: Đưa vào dần<br /> Các phương pháp trên không phải lúc nào cũng cho<br /> ra một phương trình. Chúng ta có thể xây dựng<br /> nhiều mô hình có thể chấp nhận được và sau đó<br /> chọn ra mô hình có khả năng giải thích, khả năng<br /> thu thập dữ kiện dễ dàng của biến…<br /> LOGO<br /> <br /> 5<br /> <br />