Hướng dẫn thực hành SPSS phan tich va xu ly so lieu bang spss pdf

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

TO≈ CH÷ŸC C‘ S‘¤ D÷’ LIEƒU

I.

KIE≈M TRA VAÿ MA’ HOAŸ BA¤NG CA¬U HO¤I

1

…

. KieÂm tra

a⁄y la bÓÏÒc kie›m tra chaŸt lÓÏÁng baÛng ca⁄u hoÛi nha‡m baÛo ÈaÛm kho⁄ng coÒ baÛng ca⁄u hoÛi

nao thieŸu tho⁄ng tin caÿn thieŸt theo ye⁄u caÿu thieŸt keŸ ban Èaÿu, bÓÏÒc nay caÿn thieŸt ÈÓÏÁc

thÓÁc hie‹n trÓÏÒc khi tieŸn hanh maÌ hoÒa va nha‹p dÓÌ lie‹u vao maÒy tÂnh. NgÓÏi kie›m tra

phaÛi baÛo ÈaÛm tÂnh toan veÁn va tÂnh chÂnh xaÒc cuÛa tÓng baÛng ca⁄u hoÛi & tÓng ca⁄u traÛ lÏi.

Tho⁄ng thÓÏng kie›m tra baÛng ca⁄u hoÛi la kie›m tra nhÓÌng Èa„c tÂnh sau cuÛa baÛng ca⁄u hoÛi:

•

TÂnh logic cuÛa caÒc ca⁄u traÛ lÏi

TÂnh Èaÿy ÈuÛ cuÛa mo‹t ca⁄u traÛ lÏi va cuÛa mo‹t baÛng ca⁄u hoÛi

TÂnh hÏÁp lyÒ va xaÒc thÓÁc cuÛa caÒc ca⁄u traÛ lÏi

ThÓÒ nhaŸt la tÂnh logic cuÛa caÒc ca⁄u traÛ lÏi trong mo‹t baÛng ca⁄u hoÛi. …o⁄i khi trong baÛng

ca⁄u hoÛi, do ye⁄u caÿu nghie⁄n cÓÒu seÌ coÒ nhÓÌng ÈÓÏng da¤n, nhÓÌng Èieÿu kie‹n Èe¤ ngÓÏi traÛ

lÏi hoa„c coÒ the› traÛ lÏi taŸt caÛ caÒc ca⁄u hoÛi hoa„c coÒ the› boÛ qua mo‹t vai ca⁄u hoÛi nao ÈoÒ.

Kie›m tra tÂnh logic cuÛa baÛng ca⁄u hoÛi cho pheÒp nha nghie⁄n cÓÒu loaÁi boÛ nhÓÌng ca⁄u traÛ

lÏi thÓa, cuÌng nhÓ kÍp thÏi bo› sung nhÓÌng phaÿn thieŸu trong baÛng ca⁄u hoÛi. TÂnh logic

cuÛa ca⁄u traÛ lÏi con phuÁ thuo‹c vao sÓÁ keŸt noŸi va lie⁄n he‹ la¤n nhau giÓÌa caÒc ca⁄u hoÛi trong

mo‹t baÛng ca⁄u hoÛi, da¤n ÈeŸn Èo⁄i khi mo‹t ca⁄u traÛ lÏi la coÒ yÒ nghÎa neŸu ÈÓÒng rie⁄ng mo‹t

m‰nh noÒ nhÓng laÁi vo⁄ nghÎa neŸu keŸt hÏÁp so saÒnh vÏÒi caÒc ca⁄u traÛ lÏi trÓÏÒc hoa„c sau noÒ

ThÓÒ hai la kie›m tra tÂnh Èaÿy ÈuÛ cuÛa mo‹t ca⁄u traÛ lÏi va cuÛa mo‹t baÛng ca⁄u hoÛi. Mo‹t ca⁄u

hoÛi trong nghie⁄n cÓÒu thÍ trÓÏng Èo⁄i khi bao goÿm nhieÿu ca⁄u hoÛi nhoÛ, nhÓ ÈoŸi vÏÒi ca⁄u hoÛi

veÿ mÓÒc Èo‹ Èoÿng yÒ ÈoŸi vÏÒi nhÓÌng ca⁄u noÒi the› hie‹n nhÓÌng Èa„c tÂnh veÿ mo‹t saÛn pha›m cuÁ

the› nao ÈoÒ seÌ bao goÿm nhieÿu Èa„c tÂnh khaÒc nhau, neŸu nhÓ thieŸu mo‹t ÈaÒnh giaÒ veÿ mo‹t

Èa„c tÂnh nao ÈoÒ th‰ coÒ the› xem nhÓ ca⁄u traÛ lÏi ÈoÒ kho⁄ng hoan chﬁnh. Hay ÈoŸi vÏÒi caÒc

ca⁄u hoÛi mÏÛ, Èo⁄i khi ngÓÏi traÛ lÏi do kho⁄ng hie›u roÌ ca⁄u hoÛi, hay do sÓÁ thieŸu nhie‹t t‰nh

cuÛa ngÓÏi traÛ lÏi, ca⁄u traÛ lÏi cuÛa hoÁ thÓÏng raŸt chung chung va vo⁄ nghÎa ÈoŸi vÏÒi muÁc

tie⁄u nghie⁄n cÓÒu. KhÂa caÁnh khaÒc la tÂnh Èaÿy ÈuÛ cuÛa baÛng ca⁄u hoÛi, mo‹t baÛng ca⁄u hoÛi chﬁ

coÒ giaÒ trÍ neŸu nhÓ taŸt caÛ nhÓÌng ca⁄u hoÛi theo ye⁄u caÿu Èeÿu ÈÓÏÁc traÛ lÏi Èaÿy ÈuÛ. Mo¤i ca⁄u

hoÛi trong baÛng ca⁄u hoÛi Èeÿu coÒ mo‹t giaÒ trÍ nhaŸt ÈÍnh, do ÈoÒ thieŸu mo‹t ca⁄u traÛ lÏi cho

mo‹t ca⁄u hoÛi nao ÈoÒ seÌ lam maŸt Èi giaÒ trÍ cuÛa baÛng ca⁄u hoÛi

CuoŸi cung la kie›m tra tÂnh hÏÁp lyÒ va xaÒc thÓÁc cuÛa ca⁄u traÛ lÏi. Mo‹t ca⁄u traÛ lÏi Èaÿy ÈuÛ

chÓa haÚn la ca⁄u traÛ lÏi coÒ giaÒ trÍ, do tÂnh cha⁄n thÓÁc va hÏÁp lyÒ cuÛa ca⁄u traÛ lÏi cuÌng quyeŸt

ÈÍnh ÈeŸn giaÒ trÍ cuÛa ca⁄u traÛ lÏi va cuÛa baÛng ca⁄u hoÛi, Èa„c bie‹t la caÒc ca⁄u hoÛi chaŸm

Èie›m, ca⁄u hoÛi mÏÛ va caÒc ca⁄u hoÛi mang tÂnh logic

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

QuaÒ tr‰nh kie›m tra, ra soaÒt laÁi baÛng ca⁄u hoÛi la nha‡m muÁc ÈÂch kie›m tra, phaÒt hie‹n, sÓÛa

chÓÌa va tho⁄ng baÒo kÍp thÏi cho ngÓÏi thu tha‹p dÓÌ lie‹u traÒnh nhÓÌng sai soÒt tieŸp theo.

Mo‹t soŸ sai soÒt thÓÏng ga„p nhÓ sau:

•

NhÓÌng cuo‹c phoÛng vaŸn giaÛ taÁo

NhÓÌng ca⁄u traÛ lÏi kho⁄ng Èaÿy ÈuÛ

NhÓÌng ca⁄u traÛ lÏi thieŸu nhaŸt quaÒn

NhÓÌng ca⁄u traÛ lÏi kho⁄ng thÂch hÏÁp

NhÓÌng ca⁄u traÛ lÏi kho⁄ng ÈoÁc ÈÓÏÁc

…

e› xÓÛ lyÒ caÒc lo¤i trong kie›m tra va hie‹u ÈÂnh, ta coÒ the› lÓÁa choÁn caÒch xÓÛ lyÒ nhÓ sau tuy

thuo‹c vao mÓÒc Èo‹ sai soÒt cuÁ the›:

•

TraÛ veÿ cho bo‹ pha‹n thu tha‹p dÓÌ lie‹u Èe› lam saÒng toÛ vaŸn Èeÿ

Suy lua‹n tÓ caÒc ca⁄u traÛ lÏi khaÒc

LoaÁi boÛ toan bo‹ baÛng ca⁄u hoÛi

2

. Maı ho˘a

La quaÒ tr‰nh chuye›n dÍch ca⁄u traÛ lÏi thÓÁc cuÛa ngÓÏi traÛ lÏi vao tÓng nhoÒm, tÓng ma¤u

ÈaÁi die‹n vÏÒi caÒc giaÒ trÍ tÓÏng ÓÒng nha‡m lam cho quaÒ tr‰nh toÒm ta·t, pha⁄n tÂch va nha‹p

lie‹u ÈÓÏÁc de¤ dang va hie‹u quaÛ hÏn

•

Tieÿn maÌ hoÒa: La vie‹c maÌ hoÒa cho caÒc ca⁄u hoÛi ÈoÒng, ca⁄u hoÛi nhaÌn hie‹u. Do Èa„c

Èie›m cuÛa caÒc loaÁi ca⁄u hoÛi nay la nha nghie⁄n cÓÒu ÈaÌ coÒ saÙn caÒc ca⁄u traÛ lÏi tÓ

trÓÏÒc, ngÓÏi traÛ lÏi chﬁ vie‹c lÓÁa choÁn ca⁄u traÛ lÏi nao phu hÏÁp nhaŸt, do ÈoÒ vie‹c

maÌ hoÒa cho caÒc ca⁄u hoÛi nay thÓÏng ÈÓÏÁc tieŸn hanh tÓ trÓÏÒc, ÏÛ giai ÈoaÁn thieŸt

keŸ baÛng ca⁄u hoÛi

•

MaÌ hoaÒ: Trong baÛng ca⁄u hoÛi ngoai nhÓÌng ca⁄u hoÛi ÈoÒng ne⁄u ÏÛ tre⁄n, con nhÓÌng

ca⁄u hoÛi mÏÛ, la nhÓÌng ca⁄u hoÛi ma nha nghie⁄n cÓÒu Èe› caÒc khoaÛng troŸng trong

baÛng ca⁄u hoÛi cho ngÓÏi traÛ lÏi tÓÁ do ÈÓa ra ca⁄u traÛ lÏi theo suy nghÎ va die¤n giaÌi

cuÛa chÂnh hoÁ. …oŸi vÏÒi caÒc ca⁄u hoÛi mÏÛ, do caÒc ca⁄u traÛ lÏi kho⁄ng ÈÓÏÁc lie‹t ke⁄

trÓÏÒc, ne⁄n khoÒ xaÒc ÈÍnh ÈÓÏÁc caÒc ca⁄u traÛ lÏi thÓÁc cuÛa ngÓÏi traÛ lÏi. CaÒc baÛng

ca⁄u hoÛi nha‹n veÿ thÓÏng coÒ nhÓÌng ca⁄u traÛ lÏi raŸt khaÒc nhau, raŸt Èa daÁng. Do ÈoÒ

co⁄ng vie‹c maÌ hoÒa nhÓÌng ca⁄u traÛ lÏi nay la caÿn thieŸt cho quaÒ tr‰nh kie›m tra,

nha‹p lie‹u, toÒm ta·t va pha⁄n tÂch sau nay

MuÁc ÈÂch cuÛa maÌ hoÒa la taÁo nhaÌn cho caÒc ca⁄u traÛ lÏi, thÓÏng la ba‡ng caÒc con soŸ.

MaÌ hoÒa con giuÒp giaÌm thie›u soŸ lÓÏÁng caÒc ca⁄u traÛ lÏi ba‡ng caÒch nhoÒm caÒc ca⁄u traÛ

lÏi thanh nhÓÌng nhoÒm coÒ nhÓÌng Èa„c Èie›m gioŸng nhau, nhÓ nhÓÌng nhoÒm veÿ mau

sa·c, veŸ chaŸt lÓÏÁng, É khi ÈaÒnh giaÒ veÿ mo‹t nhaÌn hie‹u saÛn pha›m cuÁ the› nao ÈoÒ. TieŸn

tr‰nh maÌ hoÒa coÒ the› ÈÓÏÁc tieŸn hanh nhÓ sau:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

•

…aÿu tie⁄n, xaÒc ÈÍnh loaÁi ca⁄u traÛ lÏi cho nhÓÌng ca⁄u hoÛi tÓÏng ÓÒng. NhÓÌng ca⁄u traÛ

lÏi nay coÒ the› thu tha‹p tÓ mo‹t ma¤u caÒc baÛng ca⁄u hoÛi ÈaÌ hoan taŸt, thÓÏng la 25%

tre⁄n to›ng soŸ baÛng ca⁄u hoÛi

TieŸp theo la xa⁄y dÓÁng mo‹t danh saÒch lie‹t ke⁄ caÒc ca⁄u traÛ lÏi, caÒc ca⁄u traÛ lÏi

ÈÓÏÁc lie‹t ke⁄ cÏ baÛn dÓÁa tre⁄n nhÓÌng ca⁄u traÛ lÏi xaÒc ÈÍnh ÏÛ tre⁄n, va coÒ tieŸn hanh

nhoÒm caÒc ca⁄u traÛ lÏi theo nhÓÌng nhoÒm Èa„c trÓng. NhÓÌng ca⁄u traÛ lÏi ÈÓÏÁc nhoÒm

laÁi theo nhÓÌng yeŸu toŸ nhÓ sÓÁ gioŸng nhau veÿ Èa„c tÂnh, taÿn suaŸt xuaŸt hie‹n, É

•

CuoŸi cung, nhÓÌng nhoÒm ca⁄u traÛ lÏi nay ÈÓÏÁc gaÒn cho mo‹t nhaÌn hie‹u, mo‹t giaÒ

trÍ, thÓÏng la mo‹t con soŸ cuÁ the›

II.

NHAƒP D÷’ LIEƒU, —“NH BIE¡N VAÿ CAŸC THAO TAŸC TRE¬N BIE¡N

1

. Nha‰p dˆı lie‰u

Mo‹t caŸu truÒc dÓÌ lie‹u Èie›n h‰nh trong SPSS seÌ bao goÿm:

•

Co‰t

CaÒc co‹t trong man h‰nh data SPSS seÌ quaÛn lyÒ caÒc bieŸn (variables). Mo¤i co‹t

trong man h‰nh baÛng tÂnh SPSS seÌ ÈaÁi die‹n cho mo‹t ca⁄u traÛ lÏi trong baÛng ca⁄u

hoÛi. Tuy nhie⁄n chuÒ yÒ ÈeŸn hai loaÁi bieŸn, bieŸn mo‹t traÛ lÏi va bieŸn nhieÿu traÛ lÏi

LoaÔi bie·n mo‰t tra˚ lÙ¯i:

Mo¤i co‹t trong baÛng tÂnh seÌ la bieŸn ÈaÁi die‹n cho keŸt quaÛ duy nhaŸt cuÛa ca⁄u hoÛi

mo‹t traÛ lÏi.

LoaÔi bie·n nhie‡u tra˚ lÙ¯i:

…

oi hoÛi phaÛi sÓÌ duÁng nhieÿu co‹t Èe› quaÛn lyÒ cho caÒc keŸt quaÛ khaÒc nhau coÒ the› coÒ

cho ca⁄u hoÛi nhieÿu traÛ lÏi. PhaÛi baÛo ÈaÛm khai baÒo ÈuÛ soŸ co‹t (soŸ bieŸn) nha‡m chÓÒa

ÈÓÁng ÈuÛ caÒc ca⁄u traÛ lÏi coÒ the› xaÛy xa.

•

Do¯ng

CaÒc dong trong man h‰nh baÛng tÂnh SPSS seÌ quaÛn lyÒ caÒc baÛng ca⁄u hoÛi, hay mo‹t

quan saÒt (observation). Mo¤i dong seÌ ÈÓÏÁc xem nhÓ mo‹t baÛng ca⁄u hoÛi, soŸ lÓÏÁng

ma¤u nghie⁄n cÓÒu phaÛi ba‡ng vÏÒi soŸ lÓÏÁng dong chÓÒa tho⁄ng tin.

DÓÌ lie‹u ÈÓÏÁc nha‹p ngay trong man h‰nh baÛng tÂnh cuÛa SPSS nhÓ h‰nh 1:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 1: Man h‰nh data

ChuÒng ta coÒ the› tieŸn hanh nha‹p dÓÌ lie‹u nhÓ sau:

•

Khai baÒo te⁄n bieŸn chÓÒa ÈÓÁng tho⁄ng tin caÿn nha‹p vao thanh be⁄n tre⁄n mo¤i co‹t

te⁄n ma„c ÈÍnh cuÛa caÒc co‹t nay trong SPSS la var0001, var000x). Phaÿn nay seÌ

ÈÓÏÁc Èeÿ ca‹p chi tieŸt trong phaÿn ÈÍnh bieŸn.

(

ChoÁn o⁄ caÿn nha‹p dÓÌ lie‹u, la phaÿn giao nhau giÓÌa co‹t va hang. O∫ caÿn nha‹p seÌ coÒ

khung vieÿn chung quanh baÒo cho ngÓÏi nha‹p bieŸt ÈoÒ la o⁄ Èang hoaÁt Èo‹ng, te⁄n

bieŸn va soŸ hie‹u hang ÈÓÏÁc hie‹n ÏÛ goÒc traÒi cuÛa cÓÛa so›.

GoÌ giaÒ trÍ caÿn nha‹p vao khung ÈaÌ choÁn, giaÒ trÍ nay ÈÓÏÁc hie‹n trong thanh sÓÌa

Èo›i (cell editor) na‡m ÏÛ tre⁄n cÓÛa so›. ChuÒ yÒ khi nha‹p dÓÌ lie‹u phaÛi baÛo ÈaÛm ÈuÒng

vÏÒi kie›u bieŸn ÈaÌ ÈÓÏÁc ÈÍnh nghÎa. Tho⁄ng thÓÏng caÒc kie›u bieŸn ÈÓÏÁc khai baÒo la

daÁng chuo›i (dai toŸi Èa 8 kyÒ tÓÁ) hoa„c daÁng soŸ, nha‡m baÛo ÈaÛm tÂnh tÓÏng thÂch

cho vie‹c pha⁄n tÂch sau nay.

2

. —Únh bie·n

Bie·n (variable):

La ta‹p hÏÁp nhÓÌng traÛ lÏi cho 1 ca⁄u hoÛi. CoÒ hai loaÁi bieŸn nhÓ sau:

Theo ye‚u ca‡u ba˚ng ca‚u ho˚i:

•

BieŸn mo‹t traÛ lÏi: BieŸn danh cho ca⁄u hoÛi coÒ mo‹t traÛ lÏi

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

•

BieŸn nhieÿu traÛ lÏi: CaÒc bieŸn danh cho nhieÿu ca⁄u traÛ lÏi traÛ lÏi Èoÿng thÏi trong

ca⁄u hoÛi nhieÿu traÛ lÏi

VÂ duÁ nhÓ trong baÛng ca⁄u hoÛi coÒ hai ca⁄u hoÛi sau:

Ca⁄u hoÛi 1: HaÌy cho bieŸt baÁn ÏÛ nhoÒm tuo›i nao trong soŸ nhÓÌng nhoÒm tuo›i sau:

NhoÒm tuo›i

DÓÏÒi 18

code

1

2

3

4

5

1

3

4

9 ÈeŸn 30

1 ÈeŸn 40

1 ÈeŸn 50

Tre⁄n 50

Ca⁄u hoÛi 2: NoÒi ÈeŸn Èie‹n thoaÁi di Èo‹ng, baÁn bieŸt ÈÓÏÁc nhÓÌng nhaÌn hie‹u nao trong

danh saÒch lie‹t ke⁄ dÓÏÒi Èa⁄y

NhaÌn hie‹u

Ericson

code

1

2

3

4

5

Motorola

Nokia

Siemens

Panasonic

É .V.V

CoÒ the› thaŸy ÈoŸi vÏÒi ca⁄u hoÛi 1, ngÓÏi traÛ lÏi chﬁ coÒ the› ÈÓa ra mo‹t ca⁄u traÛ lÏi duy

nhaŸt veÿ tuo›i cuÛa m‰nh, do ÈoÒ bieŸn chÓÒa ÈÓÁng ca⁄u traÛ lÏi cuÛa ca⁄u hoÛi 1 la bieŸn mo‹t

traÛ lÏi. Trong khi xem xeÒt ca⁄u hoÛi 2, ngÓÏi traÛ lÏi coÒ the› ne⁄u ra nhieÿu nhaÌn hie‹u ma

hoÁ coÒ bieŸt qua do ÈoÒ phaÛi coÒ nhieÿu bieŸn chÓÒa ÈuÁng caÒc traÛ lÏi coÒ the› coÒ, ta goÁi bieŸn

ÈoÒ la bieŸn nhieÿu traÛ lÏi.

Theo kieÂu dˆı lie‰u:

•

BieŸn ÈÍnh lÓÏÁng (quantitative variable): La bieŸn coÒ the› mo⁄ taÛ ba‡ng mo‹t con soŸ

va con soŸ ÈoÒ coÒ the› dung Èe› tÂnh toaÒn thanh nhÓÌng giaÒ trÍ soŸ hoÁc nhÓ giaÒ trÍ

trung b‰nh.

•

BieŸn ÈÍnh tÂnh (qualitative variable): La caÒc bieŸn the› hie‹n traÁng thaÒi cuÛa bieŸn

nhÓ mau sa·c, giÏÒi tÂnh. LoaÁi bieŸn nay coÒ the› ÈÓÏÁc maÌ hoÒa thanh caÒc con soŸ

nhÓng laÁi kho⁄ng coÒ giaÒ trÍ tÂnh toaÒn soŸ hoÁc.

Ta coÒ the› xem xeÒt baÛng mo⁄ ta caÒc loaÁi phong trong mo‹t khaÒch saÁn sau:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Mo⁄ taÛ

LoaÁi

GiaÒ

SoŸ lÓÏÁng

phong

(…oÿng/phong)

Tivi

CoÒ

TuÛ laÁnh MaÒy Èieÿu hoa

LoaÁi A

LoaÁi B

LoaÁi C

500,000

300,000

150,000

10

20

50

CoÒ

Kho⁄ng

Ta coÒ the› pha⁄n loaÁi bieŸn trong baÛng tre⁄n nhÓ sau:

BieŸn ÈÍnh lÓÏÁng: BieŸn giaÒ va soŸ lÓÏÁng phong

BieŸn ÈÍnh tÂnh: BieŸn LoaÁi phong va caÒc bieŸn mo⁄ taÛ.

Nhˆıng ca·p Òo‰ Òo lˆÙ¯ng (levels of measurement)

NhÓ ÈaÌ Èeÿ ca‹p ÏÛ tre⁄n, bieŸn dung Èe› chÓÒa caÒc keŸt quaÛ traÛ lÏi, nhÓÌng hie‹n tÓÏÁng

ÈÓÏÁc quan saÒt sau khi caÒc keŸt quaÛ hay hie‹n tÓÏÁng tre⁄n ÈaÌ ÈÓÏÁc gaÒn thanh nhÓÌng dÓÌ

kie‹n lÓÏÁng hoÒa (con soŸ) hay nhÓÌng kyÒ maÌ (code). Vie‹c gaÒn nhÓÌng dÓÌ lie‹u nay Èoi

hoÛi chuÒng ta phaÛi phaÒt trie›n mo‹t daÁng thang Èo phu hÏÁp vÏÒi Èa„c tÂnh cuÛa dÓÌ lie‹u.

CoÒ boŸn loaÁi thang Èo:

•

Thang Èo ÈÍnh danh (nominal measurement)

Thang Èo thÓÒ tÓÁ (ordinal measurement)

Thang Èo quaÌng (interval measurement)

Thang Èo tyÛ le‹ (ratio measurement)

Thang Òo ÒÚnh danh: Trong loaÁi thang Èo nay caÒc con soŸ ÈÓÏÁc sÓÛ duÁng ÈÏn thuaÿn

nhÓ mo‹t giaÒ trÍ xaÒc ÈÍnh mo‹t loaÁi, haÁng (category) khaÒc nhau va chﬁ ÈÓÏÁc dung nhÓ

mo‹t caÒi te⁄n hay nhaÌn cho loaÁi, haÁng ÈoÒ. …oŸi vÏÒi loaÁi thang Èo ÈÍnh danh caÒc giaÒ trÍ

soŸ ÈÓÏÁc sÓÛ duÁng nhÓ la kyÒ soŸ nha‹n daÁng va kho⁄ng coÒ giaÒ trÍ veÿ ma„t soŸ hoÁc nhÓ so

saÒnh, co‹ng, trÓ, nha⁄n, chia.

Thang Òo thˆ˘ tˆÔ: Trong thang Èo nay dÓÌ lie‹u ÈÓÏÁc xa·p xeŸp thÓÒ tÓÁ caÒc giaÒ trÍ theo

mo‹t tie⁄u chua›n nao ÈoÒ. Mo¤i giaÒ trÍ coÒ vÍ trÂ cao hÏn hoa„c thaŸp hÏn so vÏÒi giaÒ trÍ

khaÒc, nhÓng kho⁄ng die¤n taÛ ÈÓÏÁc cao hay thaŸp hÏn bao nhie⁄u. DaÁng ca⁄u hoÛi nhoÒm

tuo›i cuÛa ngÓÏi traÛ lÏi (1: nhoÛ hÏn 18 tuo›i; 2: 19-30 tuo›i, É ) hay khoaÛng thu nha‹p

(1: dÓÏÒi 1 trie‹u Èoÿng/thaÒng, 2: TÓ 1 trie‹u Èoÿng ÈeŸn 2 trie‹u Èoÿng/thaÒng) la vÂ duÁ roÛ

nhaŸt veÿ daÁng thang Èo nay. ToÒm laÁi thang Èo thÓÒ tÓÁ bao goÿm caÛ tho⁄ng tin ÈÍnh danh

Èoÿng thÏi cung caŸp luo⁄n quan he‹ thÓÒ tÓÁ giÓÌa caÒc giaÒ trÍ nhÓng kho⁄ng Èo ÈÓÏÁc

khoaÛng caÒch giÓÌa caÒc giaÒ trÍ ÈoÒ.

Thang Òo quaıng: GioŸng nhÓ Èa„c tÂnh cuÛa thang Èo thÓÒ tÓÁ, nhÓng thang Èo quaÌng cho

pheÒp ta Èo ÈÓÏÁc khoaÛng caÒch giÓÌa caÒc giaÒ trÍ. Tuy nhie⁄n do thang Èo quaÌng kho⁄ng

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

xaÒc ÈÍnh Èie›m 0, do ÈoÒ ta chﬁ coÒ the› noÒi giaÒ trÍ nay lÏÒn hÏn giaÒ trÍ kia bao nhie⁄u ÈÏn

vÍ nhÓng kho⁄ng the› keŸt lua‹n giaÒ trÍ ÈoÒ lÏÒn hÏn giaÒ trÍ kia bao nhie⁄u laÿn. VÂ duÁ nÓÏÒc

o

ÏÛ nhie‹t Èo‹ 80 C che⁄nh le‹ch veÿ nhie‹t Èo‹ so vÏÒi nÓÏÒc ÏÛ 40 C gioŸng nhÓ mÓÒc Èo‹

o

che⁄nh le‹ch veÿ nhie‹t Èo‹ cuÛa nÓÏÒc ÏÛ 50 C va nÓÏÒc ÏÛ 10 C, nhÓng ta kho⁄ng the› noÒi

nÓÏÒc ÏÛ 80 C noÒng gaŸp Èo⁄i nÓÏÒc ÏÛ 40 C

o

Thang Òo ty˚ le‰: …a⁄y la thang Èo coÒ ÈuÛ caÒc Èa„c tÂnh thÓÒ tÓÁ va khoaÛng caÒch. Ngoai ra

vie‹c xaÒc ÈÍnh tyÛ soŸ giÓÌa caÒc giaÒ trÍ la coÒ the› thÓÁc hie‹n do ÏÛ thang Èo nay Èie›m 0

ÈÓÏÁc xaÒc ÈÍnh mo‹t caÒch coÒ yÒ nghÎa. VÂ duÁ khi ta thu tha‹p soŸ lie‹u veÿ thu nha‹p ha‡ng

thaÒng cuÛa mo‹t ho‹ ÏÛ thanh phoŸ Hoÿ chÂ Minh, ta coÒ the› so saÒnh thu nha‹p cuÛa hai ho‹

A va B coÒ thu nha‹p laÿn lÓÏÁt la 4 trie‹u va 8 trie‹u nhÓ ho‹ B coÒ thu nha‹p gaŸp Èo⁄i ho‹

A, hay ho‹ A coÒ thu nha‹p ba‡ng pha⁄n nÓÛa ho‹ B

—Únh bie·n

Sau khi ÈaÌ khaÛo saÒt veÿ bieŸn va caÒc daÁng giaÒ trÍ trong bieŸn, chuÒng ta caÿn phaÛi coÒ

co⁄ng ÈoaÁn gaÒn nhaÌn cho caÒc bieŸn va gaÒn yÒ nghÎa cho caÒc giaÒ trÍ cuÛa bieŸn

Trong SPSS coÒ hai co⁄ng cuÁ ÈÍnh bieŸn ÈÍnh bieŸn rie⁄ng bie‹t va ÈÍnh bieŸn chung.

•

…Ính bieŸn rie⁄ng bie‹t (define variable): Tho⁄ng thÓÏng ÈÓÏÁc dung Èe› ÈÍnh bieŸn

mo‹t traÛ lÏi.

•

…Ính bieŸn chung (template): Mo‹t caÒch lam nga·n goÁn, tieŸt kie‹m thÏi gian khi

ÈÍnh caÒc bieŸn coÒ nhÓÌng Èa„c tÂnh gioŸng nhau (kie›u bieŸn, nhaÌn cuÛa caÒc giaÒ trÍ

trong bieŸn) nhÓ caÒc bieŸn trong ca⁄u hoÛi nhieÿu traÛ lÏi

•

VÏÒi phie⁄n baÛn SPSS 10.05, ta coÒ caÒch ÈÍnh bieŸn ÈÏn giaÛn hÏn nhieÿu ba‡ng caÒch

sÓÛ duÁng Variable View

—Únh bie·n rie‚ng bie‰t

…

e› ÈÍnh mÏÒi hoa„c thay Èo›i te⁄n, loaÁi va caÒc Èa„c tÂnh khaÒc cuÛa mo‹t bieŸn, coÒ hai

caÒch:

Double-click le⁄n te⁄n bieŸn hie›n thÍ tre⁄n Èaÿu mo¤i co‹t tre⁄n man h‰nh data cuÛa SPSS

Hoa„c choÁn baŸt ky o⁄ nao trong co‹t cuÛa bieŸn va choÁn tre⁄n menu: Data/Define

VariableÉ Ho‹p thoaÁi Define Variable ÈÓÏÁc mÏÛ ra nhÓ h‰nh 2:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 2: Ho‹p thoaÁi Define Variable

Khai ba˘o te‚n bie·n, te⁄n bieŸn nay seÌ hie›n thÍ tre⁄n man h‰nh data cuÛa SPSS va bÍ haÁn

cheŸ veÿ soŸ kyÒ tÓÁ hie›n thÍ, do ÈoÒ caÿn thieŸt phaÛi khai baÒo nga·n goÁn va de¤ gÏÁi nhÏÒ,

tho⁄ng thÓÏng ne⁄n Èa„t theo thÓÒ tÓÁ ca⁄u hoÛi trong baÛng ca⁄u hoÛi nhÓ q1, q3, q4a, É CoÒ

mo‹t soŸ qui ÓÏÒc sau Èa⁄y phaÛi tua⁄n theo khi khai baÒo te⁄n bieŸn :

Ba·t Èaÿu ba‡ng mo‹t chÓÛ caÒi va kho⁄ng ba·t Èaÿu ba‡ng daŸu chaŸm(.).

Te⁄n bieŸn kho⁄ng ÈÓÏÁc quaÒ 8 kyÒ tÓÁ

Kho⁄ng ÈÓÏÁc chÓÒa khoaÛng tra·ng va caÒc kyÒ tÓÁ Èa„c bie‹t nhÓ (!), (?), (*).

CaÒc tÓ khoÒa sau Èa⁄y kho⁄ng ÈÓÏÁc dung lam te⁄n bieŸn:

ALL, NE, EQ, TO, LE, LT, BY OR, GT, AND, NOT, GE, W ITH

…

e› ÈÍnh ra loaÁi bieŸn, aŸn thanh type trong hÏÁp thoaÁi define variable, ta seÌ coÒ ho‹p

thoaÁi Define Variable Type nhÓ h‰nh 3:

H‰nh 3: Ho‹p thoaÁi Define Variable Type

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Tuy thuo‹c vao ye⁄u caÿu cuÛa dÓÌ lie‹u, ma ta seÌ ÈÍnh loaÁi bieŸn cho bieŸn, SPSS ma„c

ÈÍnh loaÁi bieŸn la kie›u soŸ (numeric).

TieŸp theo la ga˘n nhaın cho ca˘c bie·n. Ta trÏÛ laÁi ho‹p thoaÁi define variable va nhaŸn

vao thanh labels Èe› coÒ ÈÓÏÁc ho‹p thoaÁi nhÓ h‰nh 4:

H‰nh 4: Ho‹p thoaÁi Define Lables

Co⁄ng vie‹c Èaÿu tie⁄n trong ho‹p thoaÁi define labels la tieŸn hanh gaÒn nhaÌn cho bieŸn

(variable labels), nhaÌn cuÛa bieŸn seÌ ÈÓÏÁc hie¤n thÍ vÏÒi chieÿu dai toŸi Èa 120 kyÒ tÓÁ,

ÈÓÏÁc dung Èe› mo⁄ taÛ the⁄m yÒ nghÎa cuÛa bieŸn. Tho⁄ng thÓÏng ta coÒ the› dung nhÓÌng

ca⁄u hoÛi trong baÛng ca⁄u hoÛi Èe› sÓÛ duÁng lam nhaÌn cuÛa bieŸn, Èieÿu nay giuÒp ta de¤

dang trong vie‹c ÈoÁc va hie›u soŸ lie‹u pha⁄n tÂch sau nay.

TieŸp theo la ga˘n nhaın cho ca˘c gia˘ trÚ cu˚a bie·n (Value labels) va Èa⁄y chÂnh la khai

baÒo yÒ nghÎa cuÛa caÒc giaÒ trÍ cuÛa bieŸn. Khai baÒo nhaÌn cuÛa bieŸn tre⁄n ho‹p thoaÁi

Variable lable. VÏÒi nhaÌn cuÛa giaÒ trÍ (value lables) coÒ ba thao taÒc:

•

GaÒn mo‹t nhaÌn mÏÒi:

Nha‹p giaÒ trÍ vao ho‹p thoaÁi Value

Nha‹p mo‹t nhaÌn vao ho‹p thoaÁi Value Label

AŸn nuÒt Add

•

SÓÌa Èo›i mo‹t nhaÌn:

Di ve‹t saÒng ÈeŸn nhaÌn caÿn sÓÛa Èo›i

Nha‹p te⁄n nhaÌn mÏÒi, aŸn nuÒt Change Èe› thay Èo›i

LoaÁi boÛ mo‹t nhaÌn:

Di ve‹t saÒng ÈeŸn nhaÌn caÿn loaÁi boÛ

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

AŸn nuÒt Remove Èe› loaÁi boÛ

Gia˘ trÚ khuye·t (Missing values) ÈÓÏÁc dung Èe› khai baÒo caÒc giaÒ trÍ ma ta cho pheÒp

chuÒng ÈaÁi die‹n cho caÒc trÓÏng hÏÁp troŸng dÓÌ lie‹u, khi ÈoÒ caÒc giaÒ trÍ nay seÌ kho⁄ng

ÈÓÏÁc sÓÛ duÁng trong quaÒ tr‰nh xÓÛ lyÒ thoŸng ke⁄ sau nay. …Ính nghÎa Missing Values

thÓÏng ÈÓÏÁc sÓÛ duÁng Èe› bieŸt taÁi sao tho⁄ng tin bÍ thieŸu. ChaÚng haÁn ta coÒ the› muoŸn

pha⁄n bie‹t tho⁄ng tin bÍ thieŸu do ngÓÏi traÛ lÏi tÓ choŸi traÛ lÏi hay do ca⁄u hoÛi kho⁄ng

thÂch hÏÁp ÈoŸi vÏÒi ÈoŸi tÓÏÁng ÈoÒ

Trong ho‹p thoaÁi tre⁄n ta coÒ the› nha‹p ba giaÒ trÍ khuyeŸt khaÒc nhau, mo‹t khoaÛng giaÒ trÍ

khuyeŸt hay mo‹t khoaÛng va mo‹t giaÒ trÍ khuyeŸt khaÒc. …Ính nghÎa ba‡ng khoaÛng chﬁ coÒ

the› ÈÓÏÁc dung khi bieŸn laŸy giaÒ trÍ soŸ

Ta kho⁄ng the› ÈÍnh nghÎa giaÒ trÍ khuyeŸt cho caÒc bieŸn chuo¤i dai hÏn taÒm kyÒ tÓÁ. TaŸt caÛ

caÒc giaÒ trÍ chuo¤i, ke› caÛ troŸng hay khoaÛng tra·ng, ÈÓÏÁc xem nhÓ coÒ giaÒ trÍ trÓ khi ta

ÈÍnh nghÎa ÈoÒ la giaÒ trÍ khuyeŸt. …e› ÈÍnh nghÎa troŸng hay khoaÛng tra·ng la giaÒ trÍ

khuyeŸt, ta nha‹p mo‹t khoaÛng tra·ng (single space) vao mo‹t trong ba vung cuÛa

Discrete missing values

Ta con coÒ the› pha⁄n tÂch caÒc giaÒ trÍ khuyeŸt ba‡ng co⁄ng cuÁ Missing Value Analysis.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Missing Value Analysis coÒ ba chÓÒc na‚ng chÂnh

1

. NoÒ la co⁄ng cuÁ giuÒp mo⁄ taÛ quy lua‹t cuÛa caÒc giaÒ trÍ khuyeŸt: caÒc giaÒ trÍ khuyeŸt

na‡m ÏÛ Èa⁄u, coÒ nhieÿu giaÒ trÍ khuyeŸt kho⁄ng, coÒ nhÓÌng ca„p bieŸn coÒ xu hÓÏÒng bÍ

thieŸu giaÒ trÍ ÏÛ caÒc baÛng ca⁄u hoÛi khaÒc nhau kho⁄ng, caÒc dÓÌ lie‹u quaÒ lÏÒn hay quaÒ

nhoÛ, hay coÒ phaÛi caÒc giaÒ trÍ bÍ thieŸu mo‹t caÒch nga›u nhie⁄n

2

. ŒÏÒc lÓÏÁng trung b‰nh, Èo‹ le‹ch chua›n, hie‹p phÓÏng sai, va he‹ soŸ tÓÏng quan

ba‡ng caÒc phÓÏng phaÒp listwise, pairwise, regression, or EM (expectation-

maximization). PhÓÏng phaÒp listwise boÛ qua caÒc trÓÏng hÏÁp coÒ giaÒ trÍ khuyeŸt ÏÛ

baŸt ky bieŸn nao, trong khi pairwise chﬁ boÛ qua caÒc trÓÏng hÏÁp coÒ giaÒ trÍ khuyeŸt

ÏÛ ca„p bieŸn Èang xÓÛ lyÒ. PhÓÏng phaÒp EM ÓÏÒc lÓÏÁng caÒc giaÒ trÍ khuyeŸt ba‡ng quaÒ

tr‰nh la„p. Ã” mo¤i bÓÏÒc la„p coÒ mo‹t bÓÏÒc E tÂnh giaÒ trÍ trung b‰nh cuÛa caÒc tham soŸ

va mo‹t bÓÏÒc M tÂnh caÒc ÓÏÒc lÓÏÁng hÏÁp lyÒ nhaŸt ( maximum likelihood

estimates). PhÓÏng phaÒp hoÿi quy th‰ ÓÏÒc lÓÏÁng caÒc giaÒ trÍ khuyeŸt ba‡ng thua‹t

toaÒn hoÿi quy.

3

. …ieÿn caÒc giaÒ trÍ bÍ thieŸu ba‡ng caÒc giaÒ trÍ ÓÏÒc lÓÏÁng cho bÏÛi hoÿi quy hay EM

Missing value analysis giuÒp giaÛi quyeŸt nhieÿu vaŸn Èeÿ ga⁄y ra do thieŸu dÓÌ lie‹u. NhÓÌng

trÓÏng hÏÁp bÍ thieŸu giaÒ trÍ khaÒc mo‹t caÒch he‹ thoŸng vÏÒi nhÓÌng trÓÏng hÏÁp coÒ Èaÿy ÈuÛ

giaÒ trÍ coÒ the› lam cho keŸt quaÛ khoÒ hie›u, mÏ hoÿ. CaÒc dÓÌ lie‹u bÍ thieŸu coÒ the› lam

giaÛm Èo‹ chÂnh xaÒc cuÛa caÒc thoŸng ke⁄ ÈÓÏÁc tÂnh v‰ coÒ Ât tho⁄ng tin hÏn dÓÁ tÂnh ban

Èaÿu. Mo‹t vaŸn Èeÿ nÓÌa la caÒc giaÛ thieŸt Èa‡ng sau nhieÿu thuÛ tuÁc thoŸng ke⁄ dÓÁa tre⁄n caÒc

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

trÓÏng hÏÁp coÒ ÈuÛ tho⁄ng tin, va caÒc giaÒ trÍ khuyeŸt coÒ the› lam phÓÒc taÁp the⁄m phaÿn lyÒ

thuyeŸt sÓÛ duÁng

Measurement. Tuy thuo‹c vao daÁng thang Èo ÈÓÏÁc sÓÛ duÁng trong bieŸn ma ta khai

baÒo trong co⁄ng cuÁ measurement, chuÒ yÒ khai baÒo scale ÈÓÏÁc dung chung cho daÁng

thang Èo quaÌng va thang Èo tyÛ le‹

—Únh bie·n chung

…

a⁄y la co⁄ng cuÁ ÈÍnh bieŸn nhanh cho cung mo‹t luÒc nhieÿu bieŸn coÒÒ cung chung kie›u

bieŸn-type hoa„c/va cung chung kie›u maÌ hoÒa dÓÌ lie‹u (caÒc giaÒ trÍ cuÛa bieŸn gioŸng

nhau-value labels). TrÓÏÒc tie⁄n ta ÈaÒnh daŸu khoŸi caÒc bieŸn (tÓ co‹t) ma ta muoŸn ÈÍnh

bieŸn chung tre⁄n man h‰nh Data cuÛa SPSS. TÓ data tre⁄n thanh menu ta nhaŸp

template Èe› coÒ ÈÓÏÁc ho‹p thoaÁi nhÓ h‰nh 5

H‰nh 5: Ho‹p thoaÁi Template

Sau khi coÒ ho‹p thoaÁi template, nhaŸn thanh Define>> trong ho‹p thoaÁi Èe› khai baÒo

te⁄n bieŸn ÏÛ ho‹p thoaÁi Name, phaÿn te⁄n khai baÒo nay seÌ ÈÓÏÁc lÓu trÓÌ trong template

va ta coÒ the› laŸy ra sÓÛ duÁng trong trÓÏng hÏÁp khai baÒo caÒc bieŸn khaÒc coÒ cung daÁng.

Phaÿn define template ÈÓÏÁc dung khai baÒo loaÁi, caÒc giaÒ trÍ cuÛa bieŸn,É cho caÒc bieŸn

Èang ÈÍnh nghÎa loaÁi bieŸn va gaÒn nhaÌn cho caÒc giaÒ trÍ cuÛa bieŸn. Phaÿn apply trong

ho‹p thoaÁi cho ta lÓÁa choÁn nhÓÌng phaÿn chung cuÛa caÒc bieŸn. Sau ÈoÒ nhaŸn Add Èe› xaÒc

nha‹n vie‹c ÈÍnh bieŸn chung nay. NeŸu phaÿn ÈÍnh nghiaÌ nay ÈaÌ ÈÓÏÁc lÓu trong

template sau nay khi muoŸn Èem noÒ ra Èe› ÈÍnh nghÎa cho caÒc bieŸn khaÒc coÒ sÓÁ gioŸng

nhau veÿ loaÁi hay nhaÌn giaÒ trÍ, É ta chﬁ vie‹c lÓÁa choÁn te⁄n template ÈaÌ ÈÓÏÁc lÓu

trong co⁄ng cuÁ template (ma„c ÈÍnh la default)

4

. TaÔo la‰p the‚m ca˘c bie·n

Ta‹p hÏÁp 1 soŸ bieŸn (traÛ lÏi) khaÒc nhau Èe› taÁo thanh mo‹t bieŸn mÏÒi coÒ yÒ nghÎa cho

thoŸng ke⁄ hay pha⁄n tÂch hÏn. Ngoai caÒc bieŸn ÈaÌ ÈÓÏÁc khai baÒo trong quaÒ tr‰nh nha‹p

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

dÓÌ lie‹u, mo‹t soŸ bieŸn khaÒc coÒ the› ÈÓÏÁc taÁo ra do nhu caÿu xÓÌ lyÒ va pha⁄n tÂch dÓÌ lie‹u.

CoÒ mo‹t soŸ co⁄ng cuÁ thÓÏng ÈÓÏÁc sÓÛ duÁng nhÓ Recode, Compute, Count

Recode

Recode into same variables: Recode tre⁄n cung mo‹t bieŸn, tÓÒc la ÈÍnh laÁi nhÓÌng giaÒ

trÍ cuÛa nhÓÌng bieŸn hie‹n taÁi hoa„c ruÒt nga·n bÏÒt daÌy caÒc giaÒ trÍ toÿn taÁi thanh nhÓÌng giaÒ

trÍ mÏÒi tre⁄n cung nhÓÌng bieŸn ÈoÒ. NhaŸp transform/recode tÓ thanh menu chÂnh. Ã”

Èa⁄y ta lÓÁa choÁn into same variable Èe› tieŸn hanh ÈÍnh laÁi giaÒ trÍ cho bieŸn tre⁄n cung

mo‹t bieŸn. Ta coÒ ho‹p thoaÁi nhÓ h‰nh 6

H‰nh 6: Ho‹p thoaÁi recode into same variables

Chuye›n caÒc bieŸn caÿn ÈÍnh laÁi giaÒ trÍ sang ho‹p thoaÁi variables. NhaŸn thaÒnh Old and

New Values Èe› ÈÍnh caÒc giaÒ trÍ cuÛ caÿn thay Èo›i thanh caÒc giaÒ trÍ mÏÒi. NhaŸn thanh If

Èe› xaÒc ÈÍnh caÒc Èieÿu kie‹n Èe› thÓÁc hie‹n le‹nh Recode

TieŸp theo nhaŸn thanh old and new values tÓ ho‹p thoaÁi Recode ta seÌ coÒ ho‹p thoaÁi

nhÓ h‰nh 7

H‰nh 7: Ho‹p thoaÁi Old and New Values

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Old value dung Èe› khai baÒo giaÒ trÍ cuÌ caÿn chuye›n Èo›i. GiaÒ trÍ cuÌ nay coÒ the› la mo‹t

gÂa trÍ ÈÏn leÛ, mo‹t giaÒ trÍ khuyeŸt, mo‹t daÌy caÒc giaÒ trÍ. New value dung Èe› khai baÒo

giaÒ trÍ mÏÒi seÌ thay theŸ cho giaÒ trÍ cuÌ tÓÏng ÓÒng. NhaŸn thanh Add Èe› lÓu sÓÁ chuye›n

Èo›i nay. CaÒc giaÒ trÍ chuye›n Èo›i coÒ the› sÓÛa chÓÛa hoa„c loaÁi boÛ ba‡ng caÒch di chuye›n

veŸt toŸi ÈeŸn bie›u thÓÒc the› hie‹n sÓÁ chuye›n Èo›i trong ho‹p thoaÁi Old->New va nhaŸn

thanh Change cho sÓÁ thay Èo›i hoa„c Remove Èe› loaÁi boÛ.

NeŸu vie‹c ÈÍnh laÁi giaÒ trÍ cuÛa caÒc giaÒ trÍ cuÛa bieŸn coÒ mo‹t soŸ Èieÿu kie‹n kem theo, ta

coÒ the› dung co⁄ng cuÁ if Èe› ÈÍnh ra caÒc Èieÿu kie‹n cho le‹nh recode. NhaŸn thanh if tÓ

ho‹p thoaÁi ta coÒ ho‹p thoaÁi con nhÓ h‰nh 8

H‰nh 8: Ho‹p thoaÁi If cases

Trong ho‹p thoaÁi If Cases, ma„c ÈÍnh la kho⁄ng coÒ Èieÿu kie‹n nao caÛ, pheÒp ÈÍnh laÁi giaÒ

trÍ cuÛa bieŸn ÈÓÏÁc thÓÁc hie‹n cho taŸt caÛ caÒc quan saÒt, ÏÛ Èa⁄y hie›n thÍ la Include all

cases. ChoÁn le‹nh include if case satisfies condition Èe› xaÒc ÈÍnh Èieÿu kie‹n trong vie‹c

ÈÍnh laÁi giaÒ trÍ cuÛa bieŸn. Chuye›n te⁄n bieŸn caÿn ÈÍnh laÁi caÒc giaÒ trÍ vao ho‹p thoaÁi be⁄n

phaÛi. LuÒc nay pheÒp ÈÍnh laÁi giaÒ trÍ cuÛa bieŸn noÒi tre⁄n chﬁ ÈÓÏÁc thÓÁc hie‹n ÈoŸi vÏÒi caÒc

quan saÒt nao thoÛa maÌn ÈÓÏÁc bie›u thÓÒc Èieÿu kie‹n ÈÓÏÁc the› hie‹n.

Recode into different variables: Trong trÓÏng hÏÁp ÈÍnh laÁi giaÒ trÍ hie‹n taÁi cuÛa mo‹t

bieŸn thanh mo‹t giaÒ trÍ mÏÒi trong mo‹t bieŸn khaÒc ta seÌ lÓÁa choÁn transform/recode/

into different variable va ta coÒ ho‹p thoaÁi nhÓ h‰nh 9:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 9: Ho‹p thoaÁi Recode into Different Variables

Chuye›n caÒc bieŸn caÿn ÈÍnh laÁi giaÒ trÍ vao trong ho‹p variables. Khai baÒo te⁄n bieŸn

mÏÒi va nhaÌn bieŸn mÏÒi trong ho‹p thoaÁi Output variable. Sau ÈoÒ nhaŸn thanh change

Èe› xaÒc nha‹n. CaÒc co⁄ng cuÁ If va Old and New Values cuÌng coÒ yÒ nghÎa va thao taÒc

gioŸng nhÓ trÓÏng hÏÁp ÈÍnh laÁi giaÒ trÍ cho cung mo‹t bieŸn.

Compute

Co‹ng cuÁ compute ÈÓÏÁc dung Èe› tÂnh caÒc giaÒ trÍ mÏÒi tÓ caÒc bieŸn saÙn coÒ trong caŸu

truÒc dÓÌ lie‹u. KeŸt quaÛ tÂnh toaÒn thÓÏng ÈÓÏÁc chÓÒa ÈÓÁng trong mo‹t bieŸn mÏÒi, hoa„c la

mo‹t bieŸn khaÒc saÚn coÒ hoa„c bieŸn chÓÒa ÈÓÁng giaÒ trÍ Èang tÂnh toaÒn. Truy xuaŸt co⁄ng

cuÁ compute variable tÓ transform tre⁄n thanh menu ta coÒ ho‹p thoaÁi nhÓ h‰nh 10,

Ho‹p thoaÁi Target variable chÓÒa ÈÓÁng te⁄n bieŸn seÌ nha‹n giaÒ trÍ ÈÓÏÁc tÂnh. Ta coÒ the›

khai baÒo kie›u va gaÒn nhaÌn cho caÒc giaÒ trÍ cuÛa bieŸn ba‡ng caÒch nhaŸn vao thanh

Type&label. Ho‹p thoaÁi Numeric Expression chÓÒa ÈuÁng caÒc bie›u thÓÒc soŸ ÈÓÏÁc dung

Èe› tÂnh giaÒ trÍ cho bieŸn ÈÂch (bieŸn chÓÒa ÈuÁng giaÒ trÍ mÏÒi), bie›u thÓÒc nay coÒ the› dung

te⁄n caÒc bieŸn saÙn coÒ, caÒc ha‡ng, caÒc toaÒn tÓÛ va caÒc ham soŸ. ChuÒng ta coÒ the› goÌ vao

va soaÁn bie›u thÓÒc tÂnh toaÒn tÓÏng tÓÁ nhÓ vÏÒi mo‹t va‚n baÛn, va coÒ the› sÓÌ duÁng caÒc

co⁄ng cuÁ ÈÓÏÁc hie›n thÍ trong ho‹p thoaÁi nhÓ caÒc phieŸm (+), (-), Function,É

Co⁄ng cuÁ If dung Èe› ÈÍnh ra nhÓÌng Èieÿu kie‹n caÿn thieŸt kem theo trong tÂnh toaÒn neŸu

coÒ, ÈÓÏÁc sÓÛ duÁng gioŸng nhÓ co⁄ng cuÁ If trong ho‹p thoaÁi Recode

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 10: Ho‹p thoaÁi Compute Variable

Count

Co⁄ng cuÁ nay ÈÓÏÁc dung Èe› taÁo ra mo‹t bieŸn mÏÒi chÓÒa to›ng soŸ laÿn xuaŸt hie‹n cuÛa mo‹t

giaÒ trÍ hay caÒc giaÒ trÍ ÈaÌ ÈÓÏÁc ÈÍnh ra danh saÒch caÒc bieŸn ÈÓÏÁc choÁn. TÓ menu ta

choÁn Transform/count Èe› coÒ ÈÓÏÁc ho‹p thoaÁi nhÓ h‰nh 11

H‰nh 11: Ho‹p thoaÁi Count

Mo‹t bieŸn mÏÒi seÌ ÈÓÏÁc taÁo ra khi ta thÓÁc hie‹n thuÛ tuÁc Count goÁi la bieŸn ÈÂch (Taget

variable) seÌ chÓÒa ÈÓÁng giaÒ trÍ co‹ng doÿn mo¤i khi ga„p ÈÓÏÁc giaÒ trÍ caÿn ÈeŸm trong mo‹t

hoa„c nhieÿu bieŸn ÈaÌ ÈÓÏÁc khai baÒo trÓÏÒc trong ho‹p thoaÁi Numeric variables. GiaÒ trÍ

caÿn ÈeŸm seÌ ÈÓÏÁc ÈÍnh roÌ trong phaÿn Define values. GiaÒ trÍ khai baÒo Èe› ÈeŸm coÒ the›

la nhÓÌng giaÒ trÍ cuÁ the› nao ÈoÒ (Value), hoa„c nhÓÌng giaÒ trÍ ro¤ng (System missing)

hoa„c la mo‹t daÌy caÒc giaÒ trÍ (range). Sau khi khai baÒo giaÒ trÍ caÿn ÈeŸm ta dung thanh

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Add Èe› xaÒc nha‹n giaÒ trÍ caÿn ÈeŸm vao trong ho‹p thoaÁi Values to count. SÓÛ duÁng

Change hoa„c Remove Èe› thay theŸ hoa„c loaÁi boÛ giaÒ trÍ caÿn ÈeŸm (giaÒ trÍ ÈaÌ ÈÓÏÁc

ÈaÒnh daŸu ba‡ng veŸt Èen). H‰nh 12:

H‰nh 12: Ho‹p thoaÁi define values

Co⁄ng cuÁ If dung Èe› xaÒc ÈÍnh caÒc Èieÿu kie‹n neŸu coÒ khi thÓÁc hie‹n le‹nh Count, (gioŸng

nhÓ co⁄ng cuÁ If trong phaÿn Recode ÈaÌ ÈÓoÁc Èeÿ ca‹p ÏÛ tre⁄n)

—Únh nghÛa nho˘m bie·n nhie‡u tra˚ lÙ¯i (define multiresponse sets)

Trong ca⁄u hoÛi nhieÿu traÛ lÏi seÌ bao goÿm nhieÿu bieŸn chÓÒa ÈÓÁng caÒc traÛ lÏi coÒ the› coÒ,

nhÓÌng bieŸn nay goÁi la bieŸn sÏ caŸp. Do ÈoÒ Èe› xÓÌ lyÒ, chuÒng ta phaÛi go‹p caÒc bieŸn sÏ

caŸp nay thanh mo‹t bieŸn go‹p chÓÒa caÒc bieŸn sÏ caŸp. Sau ÈoÒ trong caÒc pha⁄n tÂch thoŸng

ke⁄ lie⁄n quan ÈeŸn ca⁄u hoÛi nhieÿu traÛ lÏi, chuÒng ta seÌ dung te⁄n bieŸn go‹p nay thay theŸ

cho taŸt caÛ caÒc bieŸn sÏ caŸp. BieŸn go‹p nay chÓÒa ÈuÁng toan bo‹ caÒc giaÒ trÍ trong caÒc

bieŸn sÏ caŸp cuÛa mo‹t ca⁄u hoÛi nhieÿu traÛ lÏi.

ChoÁn menu Statistics/Multiple Response/Define setsÉ seÌ mÏÛ ho‹p thoaÁi Define

Multiple Response Sets nhu h‰nh 13:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 13: Ho‹p thoaÁi Define Multiple Response Sets

ChoÁn taŸt caÛ nhÓÌng bieŸn sÏ caŸp lie⁄n quan ÈeŸn mo‹t ca⁄u hoÛi nhieÿu traÛ lÏi ÏÛ ho‹p thoaÁi

be⁄n traÒi chuye›n sang ho‹p thoaÁi Variables in Set, chﬁ ÈÍnh caÒch maÌ hoÒa caÒc bieŸn ÈoÒ

(dichotomy hay category), daÌy giaÒ trÍ maÌ hoÒa Range É Through, xaÒc ÈÍnh te⁄n nhoÒm

Èa traÛ lÏi roÿi aŸn thanh Add Èe› ÈÓa te⁄n nhoÒm vÓa xaÒc ÈÍnh vao ho‹p Mult Response

Sets. Sau khi mo¤i nhoÒm ÈÓÏÁc ÈÍnh nghÎa, caÒc bieŸn choÁn seÌ ÈÓÏÁc traÛ veÿ ho‹p thoaÁi

thoaÁi be⁄n traÒi, cho pheÒp ta coÒ the› dung nhieÿu bieŸn tÓÏng tÓÁ cho nhieÿu nhoÒm Èa traÛ

lÏi khaÒc nhau

Trong khung Variable Are Code As, chuÒng ta coÒ the› choÁn mo‹t hay hai muÁc sau Èa⁄y

tuy theo phÓÏng phaÒp maÌ hoÒa:

Dichotomies: …a⁄y la traÁng thaÒi ma„c ÈÍnh, mo¤i bieŸn sÏ caŸp chﬁ coÒ hai giaÒ trÍ, va

chuÒng ta nha‹p giaÒ trÍ nao cuÛa bieŸn caÿn ÈeŸm vao ho‹p Counted Value

Category: Mo¤i bieŸn sÏ caŸp coÒ nhieÿu hÏn hai giaÒ trÍ, va chuÒng ta nha‹p caÒc giaÒ trÍ nhoÛ

nhaŸt va lÏÒn nhaŸt cuÛa daÌy giaÒ trÍ maÌ hoÒa vao caÒc o⁄ Range va thourgh

ChuÒng ta Èa„t te⁄n cho nhoÒm Èa bieŸn (toŸi Èa 7 kyÒ tÓÁ) va nhaÌn (toŸi Èa 40 kyÒ tÓÁ) vao

caÒc ho‹p Name va Label. LÓu yÒ la te⁄n cuÛa caÒc nhoÒm Èa bieŸn chﬁ ÈÓÏÁc sÓÛ duÁng trong

caÒc thuÛ tuÁc xÓÛ lyÒ bieŸn nhieÿu traÛ lÏi ma tho⁄i. …e› loaÁi boÛ va sÓÛa Èo›i vie‹c ÈÍnh nghÎa

mo‹t nhoÒm bieŸn Èa traÛ lÏi nao ÈoÒ ta di chuye›n ve‹t saÒng ÈeŸn te⁄n nhoÒm ÈoÒ va nhaŸp

thanh Remove Èe› loaÁi boÛ va thanh Change Èe› thay Èo›i.

La‰p ba˚ng cho bie·n nhie‡u tra˚ lÙ¯i

…

e› tieŸn hanh la‹p baÛng cho caÒc bieŸn nhieÿu traÛ lÏi, ta sÓÛ duÁng caÒc te⁄n nhoÒm Èa bieŸn

ÈaÌ ÈÓÏÁc ÈÍnh nghÎa ba‡ng co⁄ng cuÁ Define Multi Response Sets ÈaÌ ÈÓÏÁc Èeÿ ca‹p ÏÛ

phaÿn tre⁄n sau ÈoÒ vao Statistics\Multiple response va choÁn Frequencies hoa„c

Crosstabs tuy theo nhu caÿu la‹p baÛng mo‹t chieÿu hay Èa chieÿu.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Ngoai ra khi chuÒng ta tieŸn hanh la‹p baÛng cho keŸt quaÛ cuoŸi cung cuÛa vaŸn Èeÿ nghie⁄n

cÓÒu coÒ the› dung caÒc co⁄ng cuÁ trong statistics / custom table Èe› taÁo ra caÒc baÛng bie›u,

coÒ the› la baÛng mo‹t chieÿu, baÛng nhieÿu chieÿu va caÒc baÛng bie›u mo⁄ taÛ thoŸng ke⁄ tuy

theo ye⁄u caÿu cuÛa vaŸn Èeÿ nghie⁄n cÓÒu

BaÛng bie›u the› hie‹n taÿn soŸ xuaŸt hie‹n (Tables of frequencies): cho pheÒp chuÒng ta taÁo

ra nhÓÌng baÛng bie›u the› hie‹n taÿn soŸ xuaŸt hie‹n cuÛa mo‹t hay nhieÿu bieŸn ÈÏn

•

DaÁng baÛng bie›u cÏ baÛn (Basic tables): The› hie‹n caÒc dÓÌ lie‹u nghie⁄n cÓÒu theo

daÁng baÛng cheÒo (cross-tabulation) giÓÌa hai bieŸn hoa„c giÓÌa mo‹t bieŸn va mo‹t

nhoÒm caÒc bieŸn.

DaÁng baÛng Èa bieŸn (Multiple response tables): GioŸng nhÓ basic tables the› hie‹n

taÿn suaŸt xuaŸt hie‹n va baÛng cheÒo, tuy nhie⁄n daÁng baÛng bie›u nay cho pheÒp ta xa⁄y

dÓÁng baÛng bie›u cho caÒc ca⁄u traÛ lÏi Èa bieŸn

DaÁng baÛng bie›u to›ng hÏÁp (General tables): GioŸng nhÓ baÛng bie›u cÏ baÛn va Èa

traÌ lÏi. CaÒc dÓÌ lie‹u ÈÓÏÁc the› hie‹n dÓÏÒi daÁng baÛng cheÒo, tuy nhie⁄n ÏÛ daÁng baÛng

bie›u nay cho pheÒp ngÓÏi pha⁄n tÂch the› hie‹n moŸi lie⁄n he‹ giÓÌa mo‹t bieŸn vÏÒi

nhieÿu bieŸn khaÒc tre⁄n cung mo‹t baÛng

…

e› la‹p baÛng taÿn soŸ cho bieŸn nhieÿu traÛ lÏi ta ÈÓa bieŸn vao ho‹p thoaÁi sau

H‰nh 14: Ho‹p thoaÁi Multiple Response Frequencies

Sau Èa⁄y la keŸt quaÛ tÂnh toaÒn tÓ SPSS

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Group $NOI_XEM (Noi xem bong da)

Pct of Pct of

Code Count Responses Cases

Category label

Nha

QuaÒn caf·e

Bar

Sa⁄n va‹n Èo‹ng

QuaÒn nha‹u

1

2

3

4

6

164

50

4

41

1

63.1

19.2

1.5

15.8

.4

97.6

29.8

2.4

24.4

.6

-

------

260

-----

100.0

-----

154.8

Total responses

0

missing cases; 168 valid cases

…

e› la‹p baÛng cheÒo cho bieŸn nhieÿu traÛ lÏi, ta choÁn mo‹t bieŸn ÈÏn (kho⁄ng nhaŸt

thieŸt phaÛi la bieŸn thanh phaÿn cuÛa bieŸn go‹p) va mo‹t bieŸn go‹p (Multiple

Response sets) ÈÓa vao caÒc hang va co‹t roÿi choÁn caÒc keŸt quaÛ caÿn tÂnh trong

Options, coÒ the› tÂnh tﬁ le‹ phaÿn tra‚m theo soŸ ngÓÏi Èieÿu tra trong ma¤u hay soŸ keŸt

quaÛ traÛ lÏi. Ta coÒ the› taÒch baÛng cheÒo thanh nhieÿu lÏÒp dÓÁa vao caÒc giaÒ trÍ cuÛa

bieŸn Layer(s)

H‰nh 15: Ho‹p thoaÁi Multiple Response Crosstabs

KeŸt quaÛ tÂnh toaÒn cho trong baÛng sau Èa⁄y

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

*

* * C R O S S T A B U L A T I O N * * *

$

NOI_XEM (paired group) Noi xem bong da

by Q15B_1 A/C thích xem ôû ñaâu nhaát?

Q15B_1

Count

Nha

Quan cafe Bar

Sân van Nha van

Row pct

Col pct

Tab pct

dong

hoa

Row

Total

1

2

3

4

5

$

NOI_XEM

Nha

…………………À……………………À……………………À……………………À……………………À……………………À

1

2

3

4

6

80

19

11.7

42.2

7.4

3

59

36.2

53.2

22.9

2

1.2

66.7

.8

163

49.1

1.8

63.2

8

3

6.0

1.0

50.0

1.2

À……………………À……………………À……………………À……………………À……………………À

9

18

36.7

40.0

7.0

1

2.0

16.7

.4

20

40.8

18.0

7.8

1

2.0

33.3

.4

49

Quan café

18.4

19.0

9

3

.7

.5

À……………………À……………………À……………………À……………………À……………………À

0

3

75.0

6.7

1

25.0

16.7

.4

0

.0

0

.0

4

Bar

.0

1.6

.

0

1.2

À……………………À……………………À……………………À……………………À……………………À

4

5

12.2

11.1

1.9

1

2.4

16.7

.4

31

75.6

27.9

12.0

0

.0

41

Sân van dong

9.8

15.9

4

1

.3

.6

À……………………À……………………À……………………À……………………À……………………À

0

.0

0

.0

1

100.0

.9

0

.0

1

Quan nhau

.0

.4

.

0

.4

À……………………À……………………À……………………À……………………À……………………À

Column

Total

93

45

6

111

3

258

100.0

36.0

17.4

2.3

43.0

1.2

Percents and totals based on responses

67 valid cases; 1 missing cases

1

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

MO¬ TA¤ C‘ S‘¤ D÷’ LIEƒU

I.

MO¬ TA¤ D÷’ LIEƒU BA»NG BIE≈U —O¿

. Scatter

1

ChoÁn mo‹t bieŸn cho Y-axis va bieŸn khaÒc cho X-axis. CaÒc bieŸn nay phaÛi la soŸ

nhÓng kho⁄ng ne⁄n ÏÛ ÈÍnh daÁng ngay thaÒng

CoÒ the› choÁn bieŸn cho vao Set Markers. Mo¤i giaÒ trÍ cuÛa bieŸn nay seÌ ÈÓÏÁc ÈaÒnh

daŸu ba‡ng kyÒ hie‹u khaÒc nhau tre⁄n bie›u Èoÿ scatter. BieŸn nay coÒ the› la soŸ hay

chuo›i kyÒ tÓÁ

Ta cuÌng coÒ the› choÁn bieŸn soŸ hay chuo›i kyÒ tÓÁ ÈÓa vao Label Cases Èe› Èa„t nhaÌn

cho caÒc Èie›m tre⁄n bie›u Èoÿ

VÂ duÁ

NeŸu ÈÓÏÁc choÁn, caÒc nhaÌn giaÒ trÍ (hay giaÒ trÍ neŸu kho⁄ng ÈÍnh nghÎa nhaÌn) cuÛa

bieŸn nay ÈÓÏÁc dung Èe› gaÒn nhaÌn cho caÒc Èie›m

NeŸu kho⁄ng choÁn, soŸ trÓÏng hÏÁp coÒ the› ÈÓÏÁc dung Èe› gaÒn nhaÌn cho caÒc cÓÁc trÍ

H‰nh 16: Ho‹p thoaÁi Scatterplot

Ta coÒ boŸn caÒch Èe› hie›n thÍ keŸt quaÛ cuÛa bie›u Èoÿ: simple la caÒch hie›n thÍ ÈÏn giaÛn

mo‹t bieŸn theo bieŸn khaÒc, overlay Èe› hie›n thÍ nhieÿu bie›u Èoÿ giÓÌa nhieÿu ca„p bieŸn

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

cung mo‹t luÒc, matrix Èe› hie›n thÍ bie›u Èoÿ cuÛa nhieÿu bieŸn so tÓng ca„p vÏÒi nhau, 3-D

hie›n thÍ bie›u Èoÿ cuÛa ba bieŸn trong kho⁄ng gian ba chieÿu. CoÒ the› xem caÒc bie›u Èoÿ

minh hoÁa dÓÏÒi Èa⁄y tr‰nh bay laÿn lÓÏÁt theo thÓÒ tÓÁ tre⁄n

DÓÏÒi Èa⁄y ta chﬁ minh hoÁa trÓÏng hÏÁp simple scatterplot, caÒc trÓÏng hÏÁp khaÒc lam

tÓÏng tÓÁ

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 17: Ho‹p thoaÁi Simple Scatterplot

22

20

18

16

14

12

10

Gender

Male

8

6

Female

.5

1.0

1.5

2.0

2.5

3.0

3.5

Employment Category

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

2

. Histogram

Bie›u Èoÿ histogram nhoÒm caÒc giaÒ trÍ cuÛa bieŸn vao caÒc nhoÒm caÒch Èeÿu nhau vaveÌ

bie›u Èoÿ tÓÏng ÓÒng vÏÒi soŸ trÓÏng hÏÁp trong mo¤i nhoÒm. SoŸ trÓÏng hÏÁp coÒ the›

bie›u thÍ theo phaÿn tra‚m, raŸt tie‹n cho vie‹c so saÒnh caÒc ta‹p dÓÌ lie‹u coÒ kÂch thÓÏÒc

khaÒc nhau. SoŸ trÓÏng hÏÁp hay phaÿn tra‚m cuÌng coÒ the› ÈÓÏÁc tÂch luÌy theo caÒc

nhoÒm

Bie›u Èoÿ histogram coÒ the› chﬁ ra caÒc cÓÁc trÍ va Èo‹ le‹ch cuÛa pha⁄n phoŸi. …ieÿu nay

cho bieŸt coÒ the› dung caÒc thuÛ tuÁc coÒ giaÛ ÈÍnh pha⁄n phoŸi chua›n Èe› xÓÛ lyÒ bieŸn nay

kho⁄ng

H‰nh 18: Ho‹p thoaÁi Histogram

200

100

Std. Dev = 2.88

Mean = 13.5

N = 474.00

0

8.0

10.0

12.0

14.0

16.0

18.0

20.0

22.0

Educational Level (years)

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

3

. P-P Plots

P-P Plots bie›u die¤n pha⁄n phoŸi tÂch luÌy cuÛa bieŸn theo pha⁄n phoŸi tÂch luÌy cuÛa

pha⁄n phoŸi ÈaÌ choÁn Èe› kie›m tra. NeŸu caÒc Èie›m pha⁄n boŸ xung quanh ÈÓÏng

thaÚng, pha⁄n phoŸi cuÛa bieŸn phu hÏÁp vÏÒi pha⁄n phoŸi ÈaÌ choÁn. CaÒc pha⁄n phoŸi coÒ

saÙn Èe› kie›m tra la beta, chi-square, exponential, gamma, half-normal, Laplace,

Logistic, Lognormal, normal, pareto, Studentås t, W eibull, va uniform. Tuy theo

pha⁄n phoŸi ÈaÌ choÁn ma xaÒc ÈÍnh Èo‹ tÓÁ do va caÒc tham soŸ

CoÒ the› dung P-P Plots ÈoŸi vÏÒi caÒc soŸ lie‹u ÈaÌ ÈÓÏÁc bieŸn Èo›i. CaÒc pheÒp bieŸn Èo›i

coÒ saÙn la natural log, standardize values, difference, va seasonally difference.

H‰nh 19: Ho‹p thoaÁi P-P Plots

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Detrended Normal P-P Plot of Educational Level (years)

1

.

0

.0

-

.1

-

.2

0.0

.2

.4

.6

.8

1.0

1.2

Observed Cum Prob

Transforms: natural log, difference (1)

Normal P-P Plot of Educational Level (

.00

1

.

75

50

25

0

.00

0

.00

.25

.50

.75

1.00

Observed Cum Prob

Transforms: natural log, difference (1)

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

4

. Q-Q Plot

Co⁄ng cuÁ Q-Q Plot veÌ Èoÿ thÍ cuÛa caÒc Èie›m pha⁄n vÍ (quantiles) cuÛa pha⁄n phoŸi cuÛa

bieŸn theo caÒc pha⁄n vÍ cuÛa mo‹t pha⁄n phoŸi muoŸn kie›m tra. CaÒc Èoÿ thÍ xaÒc suaŸt

thÓÏng ÈÓÏÁc dung Èe› xaÒc ÈÍnh xem pha⁄n phoŸi cuÛa bieŸn coÒ phu hÏÁp vÏÒi phoŸi

muoŸn kie›m kho⁄ng. NeŸu phu hÏÁp caÒc Èie›m cuÛa Èoÿ thÍ seÌ pha⁄n boŸ quanh mo‹t

ÈÓÏng thaÚng. CaÒc pha⁄n phoŸi coÒ saÙn Èe› kie›m tra la beta, chi-square,

exponential, gamma, half-normal, Laplace, Logistic, Lognormal, normal,

pareto, Studentås t, W eibull, va uniform. Tuy theo pha⁄n phoŸi ÈaÌ choÁn ma chuÒng

ta xaÒc ÈÍnh Èo‹ tÓÁ do hay caÒc tham soŸ caÿn thieŸt. CoÒ the› dung Q-Q Plots ÈoŸi vÏÒi

caÒc soŸ lie‹u ÈaÌ ÈÓÏÁc bieŸn Èo›i. CaÒc pheÒp bieŸn Èo›i coÒ saÙn la natural log,

standardize values, difference, va seasonally difference.

H‰nh 20: Ho‹p thoaÁi Q-Q Plots

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Detrended Normal Q-Q Plot of Educational Level (years)

.

3

2

1

0

-

.0

.1

.2

-

.3

.4

-

4

-3

-2

-1

0

1

2

3

Standardized Observed Value

Transforms: natural log, difference (1)

Normal Q-Q Plot of Educational Level (years)

3

2

1

0

1

2

-

3

4

-

4

-3

-2

-1

0

1

2

3

Standardized Observed Value

Transforms: natural log, difference (1)

5

. Box plot

Co⁄ng cuÁ Box plot cho ta choÁn loaÁi bie›u Èoÿ phu hÏÁp: simple hay clustered, va

caÒch mo⁄ taÛ dÓÌ lie‹u toŸt nhaŸt qua caÒc lÓÁa choÁn trong phaÿn Data in Chart Are. Y—

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

nghÎa cuÛa lÓÁa choÁn nay seÌ ÈÓÏÁc tr‰nh bay dÓÏÒi Èa⁄y. Boxplots tr‰nh bay median,

interquartile range, outliers, va extreme cases cuÛa tÓng bieŸn

H‰nh 21: Ho‹p thoaÁi Boxplot

a. NeŸu choÁn Simple, ta coÒ the› coÒ caÒc box plots nhÓ sau:

A. Summaries for Groups of Cases

Mo‹t bieŸn laŸy giaÒ trÍ soŸ seÌ ÈÓÏÁc toÒm ta·t theo keŸt quaÛ cuÛa mo‹t bieŸn khaÒc. Mo¤i

ho‹p tr‰nh bay median, quartiles, va extreme values cuÛa mo‹t keŸt quaÛ. Caÿn coÒ

caÒc xaÒc ÈÍnh toŸi thie›u sau:

•

BieŸn laŸy giaÒ trÍ soŸ caÿn toÒm ta·t

BieŸn tre⁄n truÁc Category

…

Óa caÒc lÓÁa choÁn tre⁄n vao ho‹p thoaÁi sau

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 22: Ho‹p thoaÁi Define Simple Boxplot

KeŸt quaÛ xÓÛ lyÒ cuÛa SPSS

Employment Category

Case Processing Summary

Cases

Valid

Employment Category N

Educational Level Clerical 363 100.0% 0

years)

Missing

Percent N

Total

Percent N

.0%

Percent

363 100.0%

(

Custodial

Manager

27

84

100.0% 0

.0%

27

84

100.0%

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Educational Level (years)

2

1

2

0

8

6

4

2

0

8

6

N =

363

27

84

Clerical

Custodial

Manager

Employment Category

B. Summaries of Separate Variables

Nhieÿu bieŸn laŸy giaÒ trÍ soŸ ÈÓÏÁc toÒm ta·t. Mo¤i ho‹p ÈaÁi die‹n cho mo‹t bieŸn caÿn toÒm

ta·t. Caÿn coÒ caÒc xaÒc ÈÍnh toŸi thie›u sau:

•

≈t nhaŸt hai bieŸn laŸy giaÒ trÍ soŸ

…

Óa caÒc lÓÁa choÁn tre⁄n vao ho‹p thoaÁi sau

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 23: Ho‹p thoaÁi Define Simple Boxplot: Summaries of Separate Variables

KeŸt quaÛ xÓÛ lyÒ bÏÛi SPSS nhÓ sau

Case Processing Summary

Cases

Valid

N

Missing

Percent N

Total

Percent N

Percent

Educational Level (years) 474 100.0% 0

.0%

474 100.0%

Months since Hire

474 100.0% 0

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

1

20

00

8

6

4

2

0

Manager

0

N =

474

Educational Level (y

Months since Hire

b. NeŸu choÁn Scattered, ta coÒ caÒc box plots nhÓ sau:

A. Summaries for Groups of Cases

Mo‹t bieŸn laŸy giaÒ trÍ soŸ seÌ ÈÓÏÁc toÒm ta·t trong caÒc cuÁm ÈÓÏÁc xaÒc ÈÍnh bÏÛi mo‹t

bieŸn khaÒc. Mo¤i ho‹p trong cuÁm ÈaÁi die‹n cho mo‹t keŸt quaÛ cuÛa bieŸn dung Èe› ÈÍnh

nghÎa cuÁm. Caÿn coÒ caÒc xaÒc ÈÍnh toŸi thie›u sau:

•

BieŸn laŸy giaÒ trÍ soŸ caÿn toÒm ta·t

BieŸn tre⁄n truÁc Category (Category Variable 1).

BieŸn ÈÍnh nghÎa cuÁm (Cat Var 2)

…

Óa caÒc lÓÁa choÁn tre⁄n vao ho‹p thoaÁi sau

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 24: Ho‹p thoaÁi Define Clustered Boxplot: Summaries for Groups of Cases

Ta ÈÓÏÁc keŸt quaÛ cho bÏÛi SPSS nhÓ sau

Employment Category*Minority Classification

Case Processing Summary

Cases

Valid

N

Missing

Percent N

Total

Percent N

Employment Minority

Percent

Category

Current Salary Clerical

Custodial

Estimator Biweight Estimator W ave

26,748.94 26,355.50 26,767.65 26,349.30

30,663.60 30,581.11 30,579.29 30,583.04

61,388.90 59,820.52 61,059.63 59,780.37

Manager

a The weighting constant is 1.339.

b The weighting constant is 4.685.

c The weighting constants are 1.700, 3.400, and 8.500

d The weighting constant is 1.340*pi.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Stem-and-Leaf Plots

Current Salary Stem-and-Leaf Plot for

JOBCAT= Clerical

Frequency Stem & Leaf

2

.00

1 . 5

1 . 66666777

1 . 8899999

2 . 00000011111111111

2 . 2222222222222233333333

2 . 44444444444444455555555555

2 . 666666666666677777777777777

2 . 88888888999999999

3 . 00000001111111

3 . 222333333

16.00

15.00

35.00

44.00

53.00

55.00

35.00

30.00

19.00

17.00

11.00

3 . 44445555

3 . 66677

8

3

.00

3 . 8899

4 . 000&

4 . 2&

1

2.00 Extremes (>=43950)

Stem width: 10000

Each leaf: 2 case(s)

denotes fractional leaves.

&

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

PHA¬N TÕCH D÷’ LIEƒU

CoÒ nhieÿu pheÒp kie›m ÈÓÏÁc sÓÛ duÁng trong SPSS

•

NeŸu ta muoŸn so saÒnh trung b‰nh cuÛa ma¤u vÏÒi mo‹t giaÒ trÍ coŸ ÈÍnh nao ÈoÒ ta sÓÛ

duÁng pheÒp kie›m One-sample T test.

Hoa„c neŸu muoŸn so saÒnh trung b‰nh cuÛa hai nhoÒm, ta sÓÛ duÁng kie›m nghie‹m

Independent-samples T test.

…e› so saÒnh means cuÛa hai bieŸn ÈÓÏÁc khaÛo saÒt tÓ cung mo‹t ma¤u ta sÓÛ duÁng kie›m

nghie‹m Paired-samples T test.

Hoa„c vÏÒi trÓÏng hÏÁp ta coÒ nhieÿu hÏn hai ma¤u Èo‹c la‹p, caÿn kie›m nghie‹m trung

b‰nh ta coÒ the› dung ANOVA mo‹t yeŸu toŸ (One-way ANOVA).

Trong caÒc trÓÏng hÏÁp tre⁄n caÒc bieŸn ÈÓÏÁc kie›m nghie‹m trung b‰nh Èoi hoÛi phaÛi la

caÒc bieŸn ÈÍnh lÓÏÁng va pha⁄n phoŸi phaÛi la pha⁄n phoŸi chua›n hay ma¤u nghie⁄n cÓÒu

phaÛi ÈuÛ lÏÒn. Tuy nhie⁄n vÏÒi nhÓÌng trÓÏng hÏÁp bieŸn quan saÒt la bieŸn ÈÍnh lÓÏÁng

nhÓng la bieŸn theo thang Èo thÓÒ tÓÁ, hoa„c soŸ lÓÏÁng ma¤u kho⁄ng ÈuÛ lÏÒn hoa„c kho⁄ng

thoÛa maÌn Èieÿu kie‹n pha⁄n phoŸi chua›n ta coÒ the› tieŸn hanh kie›m nghie‹m ba‡ng co⁄ng

cuÁ W ilcoxon signed rank test (seÌ tham khaÛo trong phaÿn Nonparametric test seÌ ÈÓÏÁc

giÏÒi thie‹u trong chÓÏng tr‰nh SPSS na⁄ng cao)

TrÓÏÒc tie⁄n ta seÌ nghie⁄n cÓÒu mo‹t co⁄ng cuÁ ÈÏn giaÛn trong pha⁄n tÂch dÓÌ lie‹u la Means

I.

MEANS

Co⁄ng cuÁ Means dung Èe› tÂnh toaÒn caÒc giaÒ trÍ trung b‰nh theo caÒc nhoÒm nhoÛ va ÈÓa

caÒc chﬁ soŸ thoŸng ke⁄ lie⁄n quan cho mo‹t bieŸn phuÁ thuo‹c trong phaÁm vi caÒc nhoÒm cuÛa

mo‹t hay nhieÿu bieŸn Èo‹c la‹p. Ta coÒ the› lÓÁa choÁn caÒc co⁄ng cuÁ kem theo nhÓ pha⁄n

tÂch ANOVA mo‹t yeŸu toŸ, eta, va caÒc kie›m nghie‹m tuyeŸn tÂnh. VÂ duÁ ta coÒ the› Èo

lÓÏng mÓÒc Èo‹ ÈaÒnh giaÒ trung b‰nh veÿ mo‹t show quaÛng caÒo cuÛa ba nhoÒm tie⁄u dung

khaÒc nhau, co⁄ng nha⁄n, sinh vie⁄n va co⁄ng chÓÒc. Co⁄ng cuÁ nay seÌ cho ta mo‹t baÛng

cheÒo the› hie‹n sÓÁ ÈaÒnh giaÒ cuÛa ba nhoÒm ngÓÏi nay veÿ show quaÛng caÒo ÈÓÏÁc xem.

Co⁄ng cuÁ nay ÈÏn giaÛn chﬁ truy xuaŸt caÒc keŸt quaÛ thoŸng ke⁄ quan saÒt ÈÓÏÁc, caÒc pheÒp

kie›m kho⁄ng ÈÓÏÁc Èeÿ ca‹p trong phaÿn nay

…

e› thÓÁc hie‹n co⁄ng cuÁ nay ta choÁn Compare Means/MeansÖ. tÓ menus, ta coÒ ho‹p

thoaÁi nhÓ h‰nh 19. CoÒ the› choÁn mo‹t hay nhieÿu bieŸn phuÁ thuo‹c. Di chuye›n ve‹t Èen

ÈeŸn bieŸn chÓÒa caÒc giaÒ trÍ ÈÍnh lÓÏÁng ma ta caÿn quan saÒt giaÒ trÍ trung b‰nh cuÛa caÒc

giaÒ trÍ ÈÍnh lÓÏÁng ÈoÒ trong caÒc nhoÒm xaÒc ÈÍnh bÏÛi bieŸn Èo‹c la‹p. SÓÛ duÁng muÛi te⁄n

chuye›n bieŸn ÈaÌ choÁn vao ho‹p thoaÁi dependent list.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

CaÒc bieŸn phuÁ thuo‹c trong baÛng Means phaÛi la bieŸn ÈÍnh lÓÏÁng va caÒc bieŸn Èo‹c la‹p

thÓÏng la caÒc bieŸn ÈÍnh danh. CaÒc ÈaÁi lÓÏÁng thoŸng ke⁄ ÈÓÏÁc sÓÛ duÁng tuy thuo‹c vao

daÁng dÓÌ lie‹u. NhÓ mean va stadard deviation th‰ dÓÁa tre⁄n lyÒ thuyeŸt pha⁄n phoŸi

chua›n va thÂch hÏÁp cho caÒc bieŸn ÈÍnh lÓÏÁng vÏÒi pha⁄n phoŸi ÈoŸi xÓÒng. CaÒc ÈaÁi lÓÏÁng

khaÒc nhÓ median va range th‰ thÂch hÏÁp cho caÒc bieŸn ÈÍnh lÓÏÁng ma ta kho⁄ng bieŸt

lie‹u noÒ coÒ thoaÛ maÌn caÒc Èieÿu kie‹n veÿ pha⁄n phoŸi chua›n hay kho⁄ng. Ta coÒ the› lÓÁa

choÁn ANOVA va eta Èe› thÓÁc hie‹n vie‹c pha⁄n tÂch sÓÁ bieŸn thie⁄n mo‹t chieÿu cho mo¤i

bieŸn Èo‹c la‹p. Eta va eta b‰nh phÓÏng cho pheÒp Èo lÓÏng caÒc moŸi tÓÏng quan

BieŸn Èo‹c la‹p la bieŸn dung Èe› chia caÒc giaÒ trÍ cuÛa bieŸn phuÁ thuo‹c thanh nhÓÌng nhoÒm

nhoÛ. CoÒ hai caÒch Èe› lÓÁa choÁn bieŸn Èo‹c la‹p

•

LÓÁa choÁn mo‹t hoa„c nhieÿu bieŸn Èo‹c la‹p. LuÒc nay caÒc keŸt quaÛ cuÌng nhÓ caÒc ÈaÁi

lÓÏÁng thoŸng ke⁄ kem theo seÌ ÈÓÏÁc the› hie‹n tre⁄n caÒc baÛng rie⁄ng bie‹t cho mo¤i

bieŸn Èo‹c la‹p

•

LÓÁa choÁn bieŸn Èo‹c la‹p theo lÏÒp, mo¤i bieŸn Èo‹c la‹p trong mo‹t lÏÒp, luÒc nay caÒc

keŸt quaÛ va ÈaÁi lÓÏÁng thoŸng ke⁄ ÈÓÏÁc the› hie‹n tre⁄n chung mo‹t baÛng

H‰nh 31: Ho‹p thoaÁi Means

Co⁄ng cuÁ Options (h‰nh 32). Cho pheÒp ta lÓÁa choÁn caÒc ÈaÁi lÓÏÁng thoŸng ke⁄ caÿn khaÛo

saÒt va ANOVA, Eta, va Eta b‰nh phÓÏng (seÌ ÈÓÏÁc Èeÿ ca‹p chi tieŸt veÿ yÒ nghÎa ÏÛ phaÿn

sau)

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 32: Ho‹p thoaÁi Options

II.

ONE-SAMPLE T TEST

PheÒp kie›m mo‹t ma¤u ÈÓÏÁc dung Èe› kie›m ÈÍnh xem giaÒ trÍ trung b‰nh cuÛa mo‹t bieŸn

coÒ khaÒc vÏÒi mo‹t giaÒ trÍ ÈaÌ cho kho⁄ng. VÂ duÁ mo‹t nha nghie⁄n cÓÒu coÒ the› kie›m ÈÍnh

xem chﬁ soŸ IQ trung b‰nh cuÛa mo‹t nhoÒm sinh vie⁄n coÒ ba‡ng 100 vÏÒi mÓÒc yÒ nghÎa 5%

kho⁄ng. PhÓÏng phaÒp kie›m nghie‹m nay dung cho caÒc bieŸn coÒ thang Èo quaÌng hay tﬁ

le‹.

GiaÛ thieŸt H va co⁄ng thÓÒc tÂnh t nhÓ sau

One-sample T test

H: Mean = Test Value

K: Mean ≠ Test Value

Mean Difference

Standard Error of Mean

Ω t =

↔ Sig.(2 tailed)

Ta coÒ quy ta·c keŸt lua‹n veÿ giaÛ thieŸt H nhÓ sau:

Sig. nhoÛ (< 0.05 chaÚng haÁn) nghÎa la baÒc boÛ giaÛ thieŸt H, nghÎa la trung b‰nh khaÒc

vÏÒi test value.

LÓu yÒ la quy ta·c keŸt lua‹n ÈÏn giaÛn nay coÒ the› aÒp duÁng cho haÿu heŸt caÒc pheÒp kie›m.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

TÓ Menus ta choÁn Compare Mean\One-Sample T TestÖ ta seÌ coÒ ho‹p thoaÁi

H‰nh 33: Ho‹p thoaÁi One-Sample T Test

LÓÁa choÁn bieŸn caÿn so saÒnh ba‡ng caÒch di chuye›n ve‹t Èen va chuye›n ÈeŸn vao ho‹p

thoaÁi Test Variable(s), nha‹p giaÒ trÍ caÿn so saÒnh vao ho‹p thoaÁi Test Value.

ChoÁn co⁄ng cuÁ Options Èe› xaÒc ÈÍnh Èo‹ tin ca‹y cho kie›m nghie‹m, ma„c ÈÍnh la 95%

va caÒch xÓÌ lyÒ ÈoŸi vÏÒi caÒc giaÒ trÍ khuyeŸt. Khi kie›m nghie‹m caÒc bieŸn ta seÌ ga„p mo‹t

vai giaÒ trÍ khuyeŸt trong caÒc bieŸn ÈoÒ va vaŸn Èeÿ ÏÛ Èa⁄y la ta phaÛi choÁn caÒch loaÁi boÛ

caÒc giaÒ trÍ khuyeŸt ÈoÒ

•

Exclude cases analysis by analysis. Mo¤i kie›m nghie‹m T sÓÛ duÁng toan bo‹ caÒc

trÓÏng hÏÁp (cases) chÓÒa ÈÓÁng giaÒ trÍ coÒ yÒ nghÎa ÈoŸi vÏÒi bieŸn ÈÓÏÁc kie›m nghie‹m.

…

a„c Èie›m cuÛa lÓÁa choÁn nay la kÂch thÓÏÒc ma¤u luo⁄n thay Èo›i theo tÓng kie›m

nghie‹m

•

Exclude cases listwise. Mo¤i kie›m nghie‹m T sÓÛ duÁng chﬁ nhÓÌng trÓÏng hÏÁp coÒ

giaÒ trÍ Èaÿy ÈuÛ ÈoŸi vÏÒi taŸt caÛ caÒc bieŸn . Trong trÓÏng hÏÁp nay kÂch thÓÏÒc ma¤u

luo⁄n kho⁄ng Èo›i trong taŸt caÛ caÒc pheÒp kie›m

H‰nh 34: LÓÁa choÁn caÒch xÓÛ lyÒ giaÒ trÍ khuyeŸt

e› tieŸn hanh kie›m nghie‹m T mo‹t ma¤u Èoi hoÛi dÓÌ lie‹u phaÛi ÈaÒp ÓÒng giaÛ ÈÍnh sau

DÓÌ lie‹u phaÛi la pha⁄n phoŸi chua›n, hoa„c

…

•

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

•

KÂch thÓÏÒc ma¤u phaÛi ÈuÛ lÏÒn Èe› ÈÓÏÁc xem la xaŸp xﬁ pha⁄n phoŸi chua›n

INDEPENDENT-SAMPLES T TEST

III.

Kie›m nghie‹m nay dung cho hai ma¤u Èo‹c la‹p, daÁng dÓÌ lie‹u la daÁng thang Èo khaÛng

caÒch hoa„c tyÛ le‹

…

oŸi vÏÒi daÁng kie›m nghie‹m nay, caÒc ÈoŸi tÓÏÁng caÿn kie›m nghie‹m phaÛi ÈÓÏÁc xeŸp mo‹t

caÒch nga¤u nhie⁄n vao hai nhoÒm sao cho baŸt ky mo‹t khaÒc bie‹t nao tÓ keŸt quaÛ nghie⁄n

cÓÒu la do sÓÁ taÒc Èo‹ng cuÛa chÂnh nhoÒm thÓÛ ÈoÒ, chÓÒ kho⁄ng phaÛi do caÒc yeŸu toŸ khaÒc.

VÂ duÁ nhÓ ta kho⁄ng the› dung phÓÏng phaÒp nay Èe› so saÒnh thu nha‹p cuÛa nam va nÓÌ

bÏÛi v‰ thu nha‹p con bÍ aÛnh hÓÏÒng lÏÒn bÏÛi tr‰nh Èo‹ hoÁc vaŸn va ngheÿ nghie‹p. Hoa„c Èe›

ÈaÒnh giaÒ taÒc Èo‹ng cuÛa mo‹t chÓÏng tr‰nh quaÛng caÒo ta lÓÁa choÁn ra hai nhoÒm khaÒch

hang Èo‹c la‹p, nhoÒm ÈaÌ xem qua chÓÏng tr‰nh quaÛng caÒo va nhoÒm chÓa xem qua

chÓÏng tr‰nh quaÛng caÒo Èe› ÈaÒnh giaÒ mÓÒc Èo‹ Óa thÂch cuÛa saÛn pha›m ÈaÌ ÈÓÏÁc quaÛng

caÒo. Ã” Èa⁄y ngoai co⁄ng cuÁ thÓÛ la vie‹c xem quaÛng caÒo hoa„c kho⁄ng xem, nha nghie⁄n

cÓÒu phaÛi baÛo ÈaÛm kho⁄ng toÿn taÁi yeŸu toŸ nao ÈaÒng ke› taÒc Èo‹ng ÈeŸn sÓÁ ÈaÒnh giaÒ veÿ

saÛn pha›m, nhÓ giÏÒi tÂnh, sÓÁ tie⁄u dung, tr‰nh Èo‹, É ToÒm laÁi Èe› so saÒnh giaÒ trÍ trung

b‰nh (veÿ sÓÁ Óa thÂch, thu nha‹p, chi tie⁄u, É ) cuÛa hai nhoÒm Èo‹c la‹p ta phaÛi thieŸt keŸ

thÂ nghie‹m sao cho caÒc phaÛn ÓÒng thu ÈÓÏÁc cuÛa nhoÒm nay kho⁄ng bÍ aÛnh hÓÏÛng bÏÛi

nhoÒm kia, va ngoai caÒc taÒc nha⁄n caÿn ÈaÒnh giaÒ caÿn phaÛi chuÒ yÒ ÈeŸn caÒc taÒc Èo‹ng

khaÒc coÒ the› lam thay Èo›i sÓÁ phaÛn ÓÒng thu nha‹n ÈÓÏÁc giÓÌa hai nhoÒm

Veÿ ma„t quy tr‰nh, trÓÏÒc khi Èi vao caÒc kie›m nghie‹m trung b‰nh ta caÿn phaÛi tham

khaÛo mo‹t kie›m nghie‹m khaÒc ma keŸt quaÛ cuÛa noÒ la raŸt quan troÁng cho caÒc kie›m

nghie‹m trung b‰nh sau nay. Kie›m nghie‹m Levene la pheÒp kie›m tÂnh Èoÿng nhaŸt cuÛa

phÓÏng sai. Ã” Èa⁄y ta kie›m nghie‹m giaÛ thuyeŸt cho ra‡ng phÓÏng sai cuÛa caÒc ma¤u

quan saÒt la ba‡ng nhau. NeŸu keŸt quaÛ kie›m nghie‹m cho ta mÓÒc yÒ nghÎa nhoÛ hÏn 5%,

ta coÒ the› kho⁄ng chaŸp nha‹n giaÌ thuyeŸt cho ra‡ng phÓong sai hai ma¤u ba‡ng nhau. ChuÒ

yÒ trong mo‹t soŸ kie›m nghie‹m nhÓ ANOVA, kie›m nghie‹m t, É Èoi hoÛi phaÛi tieŸn

hanh pheÒp kie›m Levene trÓÏÒc Èe› xaÒc ÈÍnh tÂnh Èoÿng nhaŸt cuÛa caÒc phÓÏng sai. KeŸt

quaÛ nay seÌ aÛnh hÓÏÛng ÈeŸn vie‹c lÓÁa choÁn caÒc kie›m nghie‹m trung b‰nh khaÒc (Kie›m

nghie‹m trung b‰nh vÏÒi phÓÏng sai ma¤u ba‡ng nhau hoa„c kie›m nghie‹m trung b‰nh vÏÒi

phÓÏng sai ma¤u kho⁄ng ba‡ng nhau)

GiaÛ thieŸt H va co⁄ng thÓÒc tÂnh t trong caÒc trÓÏng hÏÁp phÓÏng sai ba‡ng nhau va khaÒc

nhau nhÓ sau

Independent-Samples T Test:

H: Mean Difference = 0

K: Mean Difference ≠ 0

Levene's Test:

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H: Equal Variance

K: Unequal Variance

•

Equal Variance:

Mean Difference

Standard Error of Mean Difference

Ω t =

t =

↔ Sig.(2 tailed)

X − X

1

2

1

2

(

N −1)S + (N −1)S ≈ 1

1 ’

1

2

∆

+

^N2

÷

N + N − 2

^N1

1

2

«

◊

df = N +N -2

1

2

•

Unequal Variance:

Mean Difference

Standard Error of Mean Difference

Ω t =

t =

↔ Sig.(2 tailed)

X − X

1

2

≈

∆

«

S₁

S ’

2

+

÷

^N1

^N2

◊

2

S₁

S

ω =

, ω =

2

1

N₁

N₂

2

(

ω₁

ω + ω )

1 2

2

df =

2

ω

+

N −1 N −1

1

2

…

e› thÓÁc hie‹n vie‹c so saÒnh nay ta vao Compare means\Independent sample t-

testÖ. CaÒc dÓÌ lie‹u caÿn so saÒnh na‡m trong cung mo‹t bieŸn ÈÍnh lÓÏÁng. …e› so saÒnh ta

tieŸn hanh nhoÒm caÒc giaÒ trÍ thanh hai nhoÒm nhÏ bieŸn grouping. TÓ Menus ta ÈÓÏÁc

ho‹p thoaÁi nhÓ h‰nh 35

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

H‰nh 35: Ho‹p thoaÁi Independent sample T-test

Di chuye›n ve‹t Èen vao bieŸn ÈÍnh lÓÏÁng ma ta caÿn so saÒnh giaÒ trÍ trung b‰nh, choÁn

ba‡ng caÒch nhaŸn nuÒt muÌi te⁄n Èe› chuye›n bieŸn ÈÍnh lÓÏÁng ÈoÒ vao ho‹p thoaÁi Test

variable(s). Ta coÒ the› choÁn nhieÿu bieŸn ÈÍnh lÓÏÁng Èe› so saÒnh.

Di chuye›n ve‹t toŸi ÈeŸn bieŸn ÈÍnh caÒc nhoÒm caÿn so saÒnh vÏÒi nhau (thÓÏng la bieŸn

ÈÍnh danh) di chuye›n vao ho‹p thoaÁi Gouping variable. Co⁄ng cuÁ Define GroupsÖ

cho pheÒp ta ÈÍnh ra hai nhoÒm caÿn so saÒnh vÏÒi nhau, nhÓ h‰nh 36

H‰nh 36: Ho‹p thoaÁi Define Groups

CoÒ hai caÒch ÈÍnh nhoÒm so saÒnh:

•

SÓÌ duÁng giaÒ trÍ cuÁ the›: nha‹p hai giaÒ trÍ ÈaÁi die‹n cho hai nhoÒm caÿn so saÒnh trong

bieŸn vao o⁄ group 1 va¯ group 2. VÂ duÁ Èe› so saÒnh thÏi gian tÓÁ hoÁc cuÛa hai nhoÒm

sinh vie⁄n na‚m nhaŸt va sinh vie⁄n na‚m cuoŸi, ta dung bieŸn loaÁi sinh vie⁄n vÏÒi 4

nhoÒm sinh vie⁄n ÈÓÁÏÁc maÌ hoÒa nhÓ sau: sinh vie⁄n na‚m nhaŸt, sinh vie⁄n na‚m hai,

sinh vie⁄n na‚m ba, sinh vie⁄n na‚m cuoŸi laÿn lÓÏÁt coÒ maÌ la 1,2,3,4. Ta nha‹p giaÒ trÍ 1

vao Group 1 va nha‹p giaÒ trÍ 4 vao group 2. LuÒc ÈoÒ thÏi gian tÓÁ hoÁc trung b‰nh seÌ

ÈÓÏÁc so saÒnh giÓÌa hai nhoÒm sinh vie⁄n na‚m nhaŸt va sinh vie⁄n na‚m cuoŸi.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

•

CaÒch thÓÒ hai la sÓÛ duÁng Cut point: nha‹p giaÒ tri pha⁄n caÒch caÒc giaÒ trÍ trong bieŸn

thanh hai nhoÒm. Toan bo‹ caÒc trÓÏng hÏÁp coÒ giaÒ trÍ nhoÛ hÏn giaÒ trÍ ÈÓÏÁc nha‹p

vao trong cut point seÌ ÈÍnh ra mo‹t nhoÒm, va toan bo‹ caÒc trÓÏng hÏÁp coÒ giaÒ trÍ

lÏÒn hÏn hoa„c ba‡ng giaÒ trÍ trong Cut point seÌ taÁo ra mo‹t nhoÒm khaÒc. VÂ duÁ ta

muoŸn so saÒnh thÏi gian tÓÁ hoÁc cuÛa sinh vie⁄n hai na‚m Èaÿu va sinh vie⁄n hai na‚m

cuoŸi, ta nha‹p giaÒ trÍ 3 (la giaÒ trÍ maÌ hoÒa cuÛa nhoÒm sinh vie⁄n na‚m thÓÒ ba) vao

cut point, luÒc ÈoÒ ta taÁo ÈÓÏÁc hai nhoÒm sinh vie⁄n bao goÿm, sinh vie⁄n hai na‚m

Èaÿu (sinh vie⁄n na‚m thÓÒ nhaŸt va sinh vie⁄n na‚n thÓÒ hai) va nhoÒm sinh vie⁄n hai

na‚m cuoŸi (sinh vie⁄n na‚m ba va sinh vie⁄n na‚m cuoŸi) va seÌ tieŸn hanh so saÒnh soŸ

thÏi gian tÓÁ hoÁc trung b‰nh tre⁄n hai nhoÒm sinh vie⁄n nay.

Co⁄ng cuÁ Options ÏÛ Èa⁄y coÒ thao taÒc va yÒ nghÎa gioŸng co⁄ng cuÁ Options ÈaÌ Èeÿ ca‹p

trong phaÿn kie›m nghie‹m T mo‹t ma¤u ÈaÌ Èeÿ ca‹p ÏÛ phaÿn trÓÏÒc.

CaÒc giaÛ ÈÍnh phaÛi ÈÓÏÁc thoÛa maÌn khi dung kie›m nghie‹m T cho hai ma¤u Èo‹c la‹p

•

Khi dung kie›m nghie‹m t cho hai ma¤u coÒ phÓÏng sai ba‡ng nhau (coÒ the› kie›m

ÈÍnh giaÛ thieŸt nay ba‡ng thoŸng ke⁄ Levene), caÒc quan saÒt phaÛi Èo‹c la‹p, ÈÓÏÁc laŸy

nga¤u nhie⁄n tÓ caÒc ÈaÒm Èo⁄ng coÒ pha⁄n phoŸi chua›n vÏÒi phÓÏng sai ba‡ng nhau

•

Dung kie›m nghie‹m t cho hai ma¤u coÒ phÓÏng sai kho⁄ng ba‡ng nhau khi caÒc quan

saÒt phaÛi Èo‹c la‹p, ÈÓÏÁc laŸy nga¤u nhie⁄n tÓ to›ng the› coÒ pha⁄n phoŸi chua›n.

IV.

PAIRED-SAMPLES T TEST

…

a⁄y la daÁng kie›m nghie‹m dung cho hai bieŸn coÒ lie⁄n he‹ vÏÒi nhau, dÓÌ lie‹u daÁng

thang Èo quaÌng hoa„c tyÛ le‹. NoÒ tÂnh hie‹u soŸ cuÛa caÒc giaÒ trÍ cuÛa hai bieŸn cho mo¤i

trÓÏng hÏÁp va kie›m nghie‹m xem hie‹u soŸ trung b‰nh coÒ khaÒc 0 hay kho⁄ng

LÏÁi Èie›m cuÛa vie‹c sÓÛ duÁng kie›m nghie‹m T cho ma¤u ca„p la ta loaÁi trÓ ÈÓÏÁc nhÓÌng

yeŸu toŸ taÒc Èo‹ng be⁄n ngoai vao nhoÒm thÓÛ. VÂ duÁ Èe› khaÛo saÒt sÓÁ Óa thÂch cuÛa hai loaÁi

nÓÏÒc hoa chua›n bÍ tung ra thÍ trÓÏng, tieŸn hanh thÓÛ nghie‹m tre⁄n cung mo‹t nhoÒm

ma¤u seÌ cho nhÓÌng tho⁄ng tin xaÒc thÓÁc hÏn veÿ sÓÁ Óa thÂch mui vÍ hai loaÁi nÓÏÒc hoa

nay, tÓ ÈoÒ coÒ the› ta‹p trung vao sÓÁ khaÒc bie‹t tÓÁ nhie⁄n cuÛa chuÒng. NeŸu ta tieŸn hanh

so saÒnh giÓÌa hai nhoÒm ma¤u Èo‹c la‹p vÏÒi nhau, keŸt quaÛ khaÒc bie‹t coÒ the› do nhÓÌng

taÒc nha⁄n khaÒc ga⁄y ra nhÓ sÓÁ khaÒc bie‹t veÿ con ngÓÏi, veÿ nha‹n thÓÒc, veÿ kinh nghie‹m

cuÌng nhÓ caÒc yeŸu toŸ be⁄n ngoai khaÒc. PhÓÏng phaÒp nay thÂch hÏÁp cho vie‹c kie›m

nghie‹m saÛn pha›m, noÒ kie›m nghie‹m giaÛ thuyeŸt cho ra‡ng sÓÁ khaÒc bie‹t giÓÌa hai trung

b‰nh ma¤u la ba‡ng kho⁄ng. Ta tÓ choŸi giaÛ thuyeŸt nay khi mÓÒc yÒ nghÎa cuÛa keŸt quaÛ

kie›m nghie‹m (significante) nhoÛ hÏn mÓÒc yÒ nghÎa cho trÓÏÒc (thÓÏng la 5%).

…

ieÿu kie‹n ye⁄u caÿu cho loaÁi kie›m nghie‹m nay la kÂch cÏÛ hai ma¤u so saÒnh phaÛi ba‡ng

nhau. CaÒc quan saÒt trong mo¤i ma¤u phaÛi ÈÓÏÁc thÓÁc hie‹n trong cung nhÓÌng Èieÿu kie‹n

gioŸng nhau. Hie‹u soŸ caÒc giaÒ trÍ cuÛa hai ma¤u phaÛi coÒ pha⁄n phoŸi chua›n hoa„c cÏÛ ma¤u

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

ÈuÛ lÏÒn Èe› xaŸp xﬁ pha⁄n phoŸi chua›n. PhÓÏng sai cuÛa hai bieŸn coÒ the› ba‡ng hoa„c kho⁄ng

ba‡ng nhau (coÒ the› kie›m nghie‹m qua pheÒp kie›m phÓÏng sai Levene)

GiaÛ thieŸt H va co⁄ng thÓÒc tÂnh t nhÓ sau

Paired-Samples T Test

H: Mean Difference = 0

K: Mean Difference ≠ 0

Mean Difference

Ω t =

↔ Sig.(2 tailed)

Standard Error of Mean Difference

e› thÓÁc hie‹n vie‹c so saÒnh nay ta vao Compare means\Paired-samples t-testÖ.

TÓ Menus ta ÈÓÏÁc ho‹p thoaÁi nhÓ h‰nh 25:

…

H‰nh 37: PheÒp kie›m T cho ma¤u ca„p

ChoÁn hai bieŸn caÿn so saÒnh ba‡ng caÒch di chuye›n ve‹t Èen laÿn lÓÏÁt ÈeŸn hai bieŸn caÿn

quan saÒt, di chuye›n bieŸn caÿn quan saÒt vao ho‹p thoaÁi Paired Variables ba‡ng nuÒt

muÌi te⁄n. Paired-samples t test con cho ta keŸt quaÛ veÿ moŸi tÓÏng quan giÓÌa hai bieŸn

Èang quan saÒt. Cho bieŸt lie‹u hai bieŸn nay coÒ tÓÏng quan vÏÒi nhau hay kho⁄ng, Èo‹

tÓÏng quan va chieÿu tÓÏng quan (the› hie‹n ÏÛ baÛng Paired samples correlation).

V.

ONE-W AY ANOVA

ANOVA la mo‹t co⁄ng cuÁ thoŸng ke⁄ dung Èe› so saÒnh nhieÿu giaÒ trÍ trung b‰nh vÏÒi

nhau. VÂ duÁ nhÓ trong no⁄ng nghie‹p ngÓÏi ta muoŸn bieŸt nguÌ coŸc seÌ phaÒt trie›n nhÓ

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

theŸ nao khi sÓÛ duÁng caÒc loaÁi pha⁄n boÒn khaÒc nhau. Nha nghie⁄n cÓÒu muoŸn bieŸt lie‹u

taŸt caÛ caÒc loaÁi pha⁄n boÒn tre⁄n coÒ aÛnh hÓÏÛng nhÓ nhau ÈeŸn sÓÁ phaÒt trie›n cuÛa nguÌ coŸc

hay mo‹t vai loaÁi pha⁄n boÒn seÌ coÒ taÒc duÁng toŸt hÏn mo‹t vai loaÁi khaÒc. …e› lam roÛ

Èieÿu nay ngÓÏi ta dung ANOVA kie›m nghie‹m toŸc Èo‹ phaÒt trie›n trung b‰nh (coÒ the›

la lÓÏÁng nguÌ coŸc thu hoaÁch, chieÿu cao cuÛa ca⁄y, soŸ lÓÏÁng traÒi trung b‰nh thu hoaÁch

ÈÓÏÁc, É ) khi dung caÒc loaÁi pha⁄n boÒn khaÒc nhau, Èa⁄y chÂnh la caÒc giaÒ trÍ trung b‰nh

ÈÓÏÁc sÓÛ duÁng trong thoŸng ke⁄.

ANOVA thÓÏng kie›m nghie‹m soŸ lÓÏÁng ma¤u lÏÒn hÏn hai, neŸu soŸ lÓÏÁng ma¤u ba‡ng 2

ta coÒ the› dung phÓÏng phaÒp tÓÏng ÈoŸi ÈÏn giaÛn hÏn la pheÒp kie›m t hai ma¤u nhÓ ÈaÌ

Èeÿ ca‹p ÏÛ phaÿn tre⁄n. ANOVA ÈÓÏÁc sÓÛ duÁng ro‹ng raÌi trong thÓÁc teŸ bÏÛi v‰ ta seÌ ga„p

raŸt nhieÿu trÓÏng hÏÁp Èoi hoÛi ta phaÛi kie›m nghie‹m nhieÿu ma¤u cung mo‹t luÒc. ChuÒ yÒ

neŸu ta kie›m tÓng ca„p laÿn lÓÏÁt ba‡ng phÓÏng phaÒp kie›m nghie‹m t hai ma¤u, mo¤i laÿn

kie›m khaÛ na‚ng sai la 5% (tuy thuo‹c vao mÓÒc yÒ nghÎa ta mong muoŸn). Do ÈoÒ khi

kie›m nghie‹m taŸt caÛ caÒc ca„p ma¤u laÿn lÓÏÁt tyÛ le‹ sai soÒt seÌ ta‚ng le⁄n theo mo¤i laÿn,

trong khi ANOVA cho pheÒp ta kie›m nghie‹m taŸt caÛ caÒc ma¤u cung mo‹t luÒc vÏÒi mÓÒc

Èo‹ sai soÒt la 5%

…

e› thÓÁc hie‹n kie›m nghie‹m ANOVA, dÓÌ lie‹u Èoi hoÛi phaÛi thoÛa maÌn mo‹t soŸ giaÛ

thuyeŸt sau:

•

CaÒc ma¤u kie›m nghie‹m phaÛi Èo‹c la‹p va ÈÓÏÁc choÁn nga¤u nhie⁄n

CaÒc ma¤u sÓÛ duÁng trong kie›m nghie‹m phaÛi coÒ pha⁄n phoŸi chua›n hoa„c kÂch thÓoÒc

ma¤u ÈuÛ lÏÒn Èe› ÈÓÏÁc xem nhÓ pha⁄n phoŸi chua›n.

•

PhÓÏng sai cuÛa caÒc ma¤u phaÛi Èoÿng nhaŸt (coÒ the› kie›m nghie‹m Èieÿu nay ba‡ng

pheÒp kie›m Levene)

NeŸu nhÓ caÒc ma¤u nghie⁄n cÓÒu kho⁄ng thoÛa maÌn caÒc Èieÿu kie‹n tre⁄n ta coÒ the› dung

pheÒp kie›m phi tham soŸ (nonparametric) nhÓ pheÒp kie›m Kruskal-W allis

GiaÛ thieŸt H va caÒc co⁄ng thÓÒc tÂnh toaÒn trong ANOVA nhÓ sau

ONE-W AY ANOVA:

H: µ = µ = ...= µ =... = µ

n

1

2

i

2

i i

2

Sum of Squares Between Groups = SSB = ƒ N 8 - N8

df = n -1

i

2

i i

Sum of Squares W ithin Groups = SSW = ƒ [ƒ N X - N 8 ]

df = N ê n

df = N - 1

i

j

ij

i

2

Sum of Squares Total = SST = ƒ N X - N8

ij ij ij

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

ANOVA

Sum of Squares df

Mean Square

F

Sig.

Current Between

88653535061.984

9

9850392784.665 92.779 .000

salary

Groups

Within

Groups

Total

4

9262960374.356

464

473

106170173.221

137916495436.340

NeŸu baÒc boÛ H: µ = µ = ...= µ =... = µ tieŸn hanh tieŸp Post hoc Èe› xaÒc ÈÍnh caÒc

1

2

i

n,

trung b‰nh nao khaÒc nhau. PhaÛi lam Levene test trÓÏÒc Èe› xaÒc ÈÍnh xem caÒc phÓÏng

sai trong tÓng nhoÒm coÒ Èoÿng nhaŸt kho⁄ng.

VÂ duÁ minh hoÁa:

CaÒc nha cheŸ bieŸn va pha⁄n pho⁄Â coffee ÏÛ thÍ trÓÏng Hoa Ky Èang ÈoŸi ma„t vÏÒi t‰nh

h‰nh baŸt o›n veÿ giaÒ cuÛa haÁt coffee. Trong mo‹t na‚m giaÒ cuÛa haÁt coffee bieŸn Èo‹ng tÓ

$1.40 / pound (0.373 kg) le⁄n $2.50 / pound roÿi sau ÈoÒ laÁi tuÁt xuoŸng $2.03 / pound.

NgÓÏi ta xaÒc ÈÍnh sÓÁ baŸt o›n veÿ giaÒ coffee nay la do t‰nh h‰nh hoaÁt Èo‹ng cuÛa caÒc

nha cheŸ bieŸn va pha⁄n phoŸi coffee va mo‹t yeŸu toŸ khaÒc raŸt quan troÁng la vaŸn Èeÿ haÁn

haÒn ÏÛ Brazil, bÏÛi v‰ Brazil saÛn xuaŸt ra 30% saÛn lÓÏÁng coffee tre⁄n theŸ giÏÒi, do ÈoÒ thÍ

trÓÏng coffee raŸt nhaÁy caÛm vÏÒi nhÓÌng bieŸn chuye›n veÿ thÏi tieŸt (nguy cÏ haÁn haÒn) ÏÛ

Brazil.

…

e› taÁo sÓÁ o›n ÈÍnh cho hoaÁt Èo‹ng cuÛa m‰nh mo‹t nha pha⁄n phoŸi coffee muoŸn loaÁi boÛ

ma„t hang coffee Brazil ra khoÛi cÏ caŸu hang hoÒa cuÛa m‰nh. Tuy nhie⁄n trÓÏÒc khi thÓÁc

hie‹n quyeŸt ÈÍnh nay caÿn phaÛi ca⁄n nha·c lie‹u loaÁi boÛ ma„t hang coffee Brazil coÒ lam

giaÛm doanh soŸ cuÛa co⁄ng ty hay kho⁄ng. V‰ va‹y co⁄ng ty thue⁄ mo‹t co⁄ng ty nghie⁄n cÓÒu

Marketing tieŸn hanh kie›m nghie‹m sÓÁ Óa thÂch mui vÍ coffee cuÛa khaÒch hang tie⁄u

dung coffee tre⁄n thÍ trÓÏng. Co⁄ng ty tieŸn hanh khaÛo saÒt ba nhoÒm khaÒch hang ÈÓÏÁc

choÁn nga¤u nhie⁄n bao goÿm nhoÒm khaÒch hang chuye⁄n tie⁄u dung coffee Brazil, nhoÒm

khaÒch hang chuye⁄n tie⁄u dung coffee Colombia va nhoÒm khaÒch hang chuye⁄n tie⁄u

dung coffee Cha⁄u Phi (Èa⁄y la 3 loaÁi coffee ÈÓÏÁc tie⁄u dung chuÛ yeŸu cuÛa co⁄ng ty).

ChuÒ yÒ co⁄ng ty loaÁi trÓ nhÓÌng nhoÒm khaÒch hang tie⁄u dung nhieÿu loaÁi coffee khaÒc

nhau Èe› baÛo ÈaÛm tÂnh Èo‹c la‹p cuÛa caÒc ma¤u ÈÓÏÁc choÁn, va do nghie⁄n cÓÒu veÿ mui vÍ

ne⁄n Èoi hoÛi phaÛi choÁn nhÓÌng khaÒch hang coÒ gu tie⁄u dung rie⁄ng bie‹t. Ã” Èa⁄y co⁄ng ty

muoŸn xaÒc ÈÍnh xem lie‹⁄u coÒ sÓÁ khaÒc bie‹t veÿ mÓÒc Èo‹ Óa thÂch ÈoŸi vÏÒi ba loaÁi coffee

(

seÌ cho khaÒch hanh thÓÛ ba loaÁi coffee va khaÛo saÒt mÓÒc Èo‹ Óa thÂch chuÒng) va neŸu

coÒ sÓÁ khaÒc nhau th‰ sÓÁ khaÒc nhau ÈoÒ xaÛy ra ÏÛ nhÓÌng loaÁi nao.

DÓÁa vao keŸt quaÛ pha⁄n tÂch ANOVA ta bieŸt lie‹u mÓÒc Èo‹ Óa thÂch trung b‰nh cuÛa ba

nhoÒm khaÒch hang tre⁄n coÒ gioŸng nhau kho⁄ng. NeŸu khaÒc nhau th‰ ta tieŸn hanh tieŸp

caÒc pheÒp kie›m trong Post Hoc Èe› xaÒc ÈÍnh nhÓÌng khaÒc bie‹t cuÛa tÓng nhoÒm khaÒch

hang veÿ loaÁi coffee ÈaÌ thÓÛ.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

Sau khi dung ANOVA khaÛo saÒt sÓÁ khaÒc bie‹t giÓÌa caÒc ma¤u. NeŸu ta coÒ ÈuÛ cÏ sÏÛ Èe›

keŸt lua‹n la kho⁄ng coÒ sÓÁ khaÒc bie‹t giÓÌa caÒc ma¤u, ta coÒ the› keŸt thuÒc co⁄ng vie‹c (vie‹c

loaÁi boÛ coffee brazil kho⁄ng ga⁄y aÛnh hÓÏÛng ÈeŸn doanh soŸ, ngÓÏi tie⁄u dung coÒ the›

chuye›n sang coffee comlobia hoa„c cha⁄u Phi mo‹t caÒch de¤ dang). Tuy nhie⁄n khi ta

loaÁi boÛ giaÛ thieŸt veÿ sÓÁ ngang ba‡ng giÓÌa caÒc mÓÒc Èo‹ Óa thÂch, ta phaÛi xaÒc ÈÍnh tieŸp

sÓÁ khaÒc bie‹t xaÛy ra ÏÛ Èa⁄u giÓÌa caÒc ma¤u kie›m nghie‹m. ChuÒng ta caÿn phaÛi xaÒc ÈÍnh

hÓÏÒng va Èo‹ lÏÒn cuÛa caÒc khaÒc bie‹t nay ba‡ng caÒch laÿn lÓÏÁt so saÒnh caÒc ma¤u vÏÒi

nhau (ngÓÏi tie⁄u dung coffee brazil coÒ the› thÂch coffee comlombia hÏn coffe cha⁄u

Phi, hoa„c ngÓÏi tie⁄u dung coffee brazil ÈaÒnh giaÒ coffee brazil ngang ba‡ng vÏÒi

coffee colombia, trong khi mÓÒc Èo‹ Óa thÂch coffee cha⁄u Phi th‰ thaŸp hÏn do ÈoÒ Èe›

giaÛm thie›u sÓÁ maŸt doanh soŸ baÒn coffee brazil khi loaÁi boÛ ma„t hang nay co⁄ng ty ne⁄n

ta‚ng lÓÏÁng coffee comlombia tie⁄u thuÁ tre⁄n thÍ trÓÏng), caÒc co⁄ng cuÁ thoŸng ke⁄ trong

Post Hoc cho pheÒp ta thÓÁc hie‹n co⁄ng vie‹c nay.

Pha⁄n tÂch phÓÏng sai mo‹t yeŸu toŸ la tieŸn tr‰nh pha⁄n tÂch phÓÏng sai mo‹t bieŸn ÈÍnh

lÓÏÁng phuÁ thuo‹c vao mo‹t yeŸu toŸ ÈÏn leÛ hay con goÁi la bieŸn Èo‹c la‹p. Pha⁄n tÂch

phÓÏng sai (ANOVA) ÈÓÏÁc dung Èe› kie›m nghie‹m giaÛ thuyeŸt cho ra‡ng taŸt caÛ caÒc

giaÒ trÍ trung b‰nh Èeÿu ba‡ng nhau. KyÛ thua‹t nay la mo‹t daÁng mÏÛ ro‹ng cuÛa kie›m

nghie‹m T hai ma¤u.

…

e› xaÒc ÈÍnh sÓÁ khaÒc bie‹t giÓÌa caÒc giaÒ trÍ trung b‰nh chuÒng ta coÒ the› muoŸn bieŸt

nhÓÌng giaÒ trÍ trung b‰nh nao khaÒc bie‹t. CoÒ hai caÒch Èe› so saÒnh sÓÁ khaÒc bie‹t nay la

kie›m nghie‹m priori contrasts va post hoc . Contrasts la kie›m nghie‹m ÈÓÏÁc ÈÓa ra

trÓÏÒc khi thÓÁc hie‹n pheÒp thÓÛ, va post hoc la kie›m nghie‹m ÈÓÏÁc thÓÁc hie‹n sau khi

pheÒp thÓÛ ÈaÌ ÈÓÏÁc thÓÁc hie‹n. ChuÒng ta con coÒ the› kie›m nghie‹m nhÓÌng xu hÓÏÒng qua

caÒc nhoÒm

One-W ay ANOVA Contrasts

ChuÒng ta coÒ the› chia to›ng b‰nh phÓÏng Èo‹ le‹ch giÓÌa caÒc nhoÒm (SSB) thanh caÒc

thanh phaÿn the› hie‹n xu hÓÏÒng hay xaÒc ÈÍnh priori contrasts.

Polynomial chia SSB thanh caÒc thanh phaÿn the› hie‹n xu hÓÏÒng. ChuÒng ta coÒ the›

kie›m xem bieŸn phuÁ thuo‹c coÒ thay Èo›i theo caÒc mÓÒc Èo‹ (theo mo‹t thÓÒ tÓÁ nao ÈoÒ)

cuÛa bieŸn yeŸu toŸ theo mo‹t xu hÓÏÒng nao kho⁄ng. ChaÚng haÁn nhÓ chuÒng ta coÒ the›

kie›m xem tieÿn lÓÏng coÒ thay Èo›i theo xu hÓÏÒng tuyeŸn tÂnh qua caÒc loaÁi co⁄ng vie‹c

tÓ thaŸp ÈeŸn cao kho⁄ng?

Degree CoÒ the› choÁn Èa thÓÒc caŸp 1, 2, 3, 4, hay 5

Coefficients Ba‡ng thoŸng ke⁄ t chuÒng ta ÈaÌ xaÒc ÈÍnh priori contrasts Èe› kie›m

nghie‹m. Nha‹p caÒc he‹ soŸ cho tÓng nhoÒm cuÛa bieŸn yeŸu toŸ va nhaŸp Add sau mo¤i laÿn

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

nha‹p. Mo¤i giaÒ trÍ mÏÒi ÈÓÏÁc ÈÓa vao cuoŸi danh saÒch he‹ soŸ. …e› xaÒc ÈÍnh the⁄m mo‹t

bo‹ contrasts, nhaŸp Next. Dung Next va Previous Èe› xem caÒc ta‹p contrasts.

ThÓÒ tÓÁ cuÛa caÒc he‹ soŸ raŸt quan troÁng v‰ noÒ tÓÏng ÓÒng vÏÒi thÓÒ tÓÁ ta‚ng daÿn cuÛa caÒc giaÒ

trÍ cuÛa bieŸn yeŸu toŸ. He‹ soŸ thÓÒ nhaŸt tÓÏng ÓÒng vÏÒi giaÒ trÍ nhoÛ nhaŸt va he‹ soŸ cuoŸi

cung tÓÏng ÓÒng vÏÒi giaÒ trÍ lÏÒn nhaŸt. ChaÚng haÁn neŸu coÒ 6 giaÒ trÍ trong bieŸn yeŸu toŸ,

caÒc he‹ soŸ 1, 0, 0, 0, 0.5, va 0.5 seÌ tÓÏng phaÛn nhoÒm thÓÒ nhaŸt vÏÒi nhoÒm thÓÒ na‚m va

thÓÒ saÒu. Trong haÿu heŸt caÒc ÓÒng duÁng, to›ng caÒc he‹ soŸ la 0. NeŸu to›ng khaÒc 0 quy

tr‰nh cuÌng ÈÓÏÁc thÓÁc hie‹n nhÓng seÌ coÒ tho⁄ng baÒo lÓu yÒ

VÂ duÁ

BaÒnh raÒn haŸp thuÁ daÿu a‚n hay mÏÌ theo nhÓÌng soŸ lÓÏÁng khaÒc nhau khi ta raÒn baÒnh

Mo‹t thÂ nghie‹m ÈÓÏÁc thÓÁc hie‹n tre⁄n ba loaÁi chaŸt beÒo goÿm daÿu pho‹ng, daÿu nguÛ coŸc

va mÏÌ lÏÁn. Daÿu pho‹ng va daÿu nguÛ coŸc la chaŸt beÒo kho⁄ng baÛo hoa, mÏÌ lÏÁn la chaŸt

beÒo baÛo hoa. Ngoai vie‹c xaÒc ÈÍnh lÓÏÁng chaŸt beÒo haŸp thuÁ coÒ phuÁ thuo‹c vao loaÁi

daÿu sÓÛ duÁng hay kho⁄ng, ta con coÒ the› tieŸn hanh kie›m nghie‹m priori contrasts Èe›

xaÒc ÈÍnh lÓÏÁng chaŸt beÒo haŸp thuÁ coÒ phuÁ thuo‹c vao tÂnh chaŸt baÛo hoa hay kho⁄ng baÛo

hoa cuÛa chaŸt beoÒ ÈÓÏÁc sÓÛ duÁng hay kho⁄ng. Khi ÈaÌ xaÒc ÈÍnh ÈÓÏÁc sÓÁ khaÒc bie‹t giÓÌa

caÒc giaÒ trÍ trung b‰nh, caÒc kie›m nghie‹m post hoc range va pairwise multiple

comparisons coÒ the› xaÒc ÈÍnh ÈÓÏÁc nhÓÌng giaÒ trÍ trung b‰nh nao khaÒc bie‹t. Range

tests xaÒc ÈÍnh ÈÓÏÁc nhÓÌng nhoÒm giaÒ trÍ trung b‰nh Èoÿng nhaŸt (kho⁄ng toÿn taÁi sÓÁ khaÒc

bie‹t giÓÌa caÒc giaÒ trÍ trung b‰nh nay). Kie›m nghie‹m Pairwise multiple comparisons

cho bieŸt sÓÁ khaÒc bie‹t giÓÌa caÒc ca„p giaÒ trÍ trung b‰nh va ÈÓa ra mo‹t ma tra‹n ÈaÒnh

daŸu hoa thÍ chﬁ ra nhÓÌng ca„p giaÒ trÍ trung b‰nh coÒ khaÒc bie‹t ÈaÒng ke› ÏÛ mÓÒc yÒ nghÎa

5%

Khi giaÛ thuyeŸt veÿ sÓÁ Èoÿng nhaŸt cuÛa caÒc phÓÏng sai ÈÓoÁc chaŸp nha‹n (tho⁄ng qua

kie›m nghie‹m Levene) ta coÒ caÒc phÓÏng phaÒp kie›m nghie‹m thoŸng ke⁄ sau Èe› so

saÒnh caÒc trung b‰nh:

•

The least significant difference (LSD) la pheÒp kie›m tÓÏng ÈÓÏng vÏÒi vie‹c sÓÛ

duÁng pheÒp kie›m t laÿn lÓÏÁt cho toan bo‹ caÒc ca„p bieŸn. YeŸu Èie›m cuÛa phÓÏng

phaÒp nay la noÒ kho⁄ng Èieÿu chﬁnh mÓÒc yÒ nghÎa cho tÓÏng thÂch vÏÒi vie‹c so saÒnh

nhieÿu bieŸn cung mo‹t luÒc. Do ÈoÒ da¤n ÈeŸn Èo‹ tin ca‹y kho⁄ng cao. CaÒc kie›m

nghie‹m sau Èa⁄y loaÁi boÛ ÈÓÏÁc yeŸu Èie›m nay ba‡ng caÒch Èieÿu chﬁnh mÓÒc yÒ nghÎa

khi phaÛi Èoÿng thÏi so saÒnh nhieÿu bieŸn.

PheÒp kie›m Bonferroni va Tukeyís honestly significant difference ÈÓÏÁc sÓÛ

duÁng cho haÿu heŸt caÒc so saÒnh Èa bo‹i. Sidakís t test cuÌng ÈÓÏÁc sÓÛ duÁng tÓÏng tÓÁ

nhÓ Bonferroni nhÓng noÒ cung caŸp nhÓÌng giÏÒi haÁn cha„t cheÛ hÏn (?). Khi tieŸn

hanh kie›m nghie‹m mo‹t soŸ lÓÏÁng lÏÒn caÒc ca„p trung b‰nh Tukeyís honestly

significant difference test seÌ hie‹u quaÛ hÏn la Bonferroni test. Va ngÓÏÁc laÁi

Bonferroni thÂch hÏÁp hÏn cho caÒc kie›m nghie‹m coÒ soŸ lÓÏÁng ca„p so saÒnh Ât.

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

•

Hochbergís GT2 cuÌng gioŸng nhÓ Tukeyís honestly significant difference test

nhÓng tho⁄ng thÓÏng Tukeyís test hie‹u quaÛ hÏn. Gabrielís pairwise

comparisons test th‰ gioŸng nhÓ Hochbergís GT2 nhÓng noÒ thÓÏng ÈÓÏÁc sÓÛ

duÁng khi caÒc cÏÛ ma¤u coÒ sÓÁ sai bie‹t lÏÒn

PheÒp kie›m Dunnettís pairwise ÈÓÏÁc dung Èe› so saÒnh caÒc giaÒ trÍ trung b‰nh cuÛa

caÒc ma¤u vÏÒi mo‹t gÂa trÍ trung b‰nh cuÁ the› ÈÓÏÁc laŸy tÓ trong ta‹p caÒc ma¤u so saÒnh.

Tho⁄ng thÓÏng ma„c ÈÍnh ma¤u cuoŸi cung la nhoÒm kie›m soaÒt, hoa„c ta coÒ the› lÓÁa

choÁn nhoÒm Èaÿu tie⁄n la nhoÒm kie›m soaÒt, luÒc ÈoÒ caÒc giaÒ trÍ trung b‰nh cuÛa caÒc

nhoÒm trong bieŸn Èo‹c la‹p seÌ ÈÓÏÁc so saÒnh vÏÒi giaÒ trÍ trung b‰nh cuÛa nhoÒm Èaÿu

tie⁄n hoa„c nhoÒm sau cung cuÛa bieŸn Èo‹c la‹p

•

Ryan, Einot, Gabriel, and W elsch (R-E-G-W ) ÈÓa ra hai bÓÏÒc kie›m nghie‹m.

…

aÿu tie⁄n tieŸn hanh kie›m nghie‹m toan bo‹ caÒc giaÒ trÍ trung b‰nh xem coÒ ba‡ng

nhau hay kho⁄ng. NeŸu toan bo‹ caÒc giaÒ trÍ trung b‰nh kho⁄ng ba‡ng nhau th‰ bÓÏÒc

thÓÒ hai seÌ kie›m nghie‹m sÓÁ khaÒc bie‹t giÓÌa caÒc nhoÒm nhoÛ vÏÒi nhau Èe› t‰m ra

nhÓÌng nhoÒm nao tha‹t sÓÁ khaÒc bie‹t veÿ giaÒ trÍ trung b‰nh. Tuy nhie⁄n vie‹c kie›m

nghie‹m nay kho⁄ng ne⁄n thÓÁc hie‹n ÈoŸi vÏÒi trÓÏng hÏÁp kÂch cÏÛ ma¤u cuÛa caÒc nhoÒm

kho⁄ng ngang ba‡ng nhau

•

Tho⁄ng thÓÏng khi kÂch thÓÏÒc ma¤u kho⁄ng ngang ba‡ng giÓÌa caÒc nhoÒm.

Bonferroni va Scheffe˘ la hai phÓÏng phaÒp kie›m nghie‹m ÈÓÏÁc lÓÁa choÁn hÏn la

phÓÏng phaÒp Tukey

•

Duncanís multiple range test, Student-Newman-Keuls (S-N-K), va Tukeyís

b cuÌng tÓÏng tÓÁ tuy nhie⁄n noÒ Ât ÈÓÏÁc sÓÛ duÁng nhÓ caÒc phÓÏng phaÒp tre⁄n.

Kie›m nghie‹m W aller-Duncant ÈÓÏÁc sÓÛ duÁng khi caÒc kÂch thÓÏÒc ma¤u kho⁄ng

ba‡ng nhau

PhÓÏng phaÒp Scheffe˘ cho pheÒp kie›m nghie‹m caÒc keŸt hÏÁp tuyeŸn tÂnh cuÛa nhÓÌng

giaÒ trÍ trung b‰nh, kho⁄ng chﬁ so saÒnh giÓÌa caÒc ca„p. ChÂnh v‰ va‹y keŸt quaÛ cuÛa

kie›m nghie‹m Scheffe˘ thÓÏng tha‹n troÁng hÏn caÒc phÓÏng phaÒp kie›m nghie‹m

khaÒc, noÒ Èoi hoÛi mo‹t sÓÁ khaÒc bie‹t lÏÒn giÓÌa caÒc giaÒ trÍ trung b‰nh Èe› baÛo ÈaÛm sÓÁ

khaÒc bie‹t tha‹t sÓÁ

•

Khi giaÛ thieŸt veÿ sÓÁ Èoÿng nhaŸt cuÛa caÒc phÓÏng sai kho⁄ng ÈÓÏÁc chaŸp nha‹n ta seÌ

sÓÛ duÁng caÒc pheÒp kie›m Tamhaneís T2, Dunnettís T3, Games-Howell,

Dunnettís C Èe› so saÒnh caÒc ca„p giaÒ trÍ trung b‰nh cuÛa caÒc nhoÒm

…

e› thÓÁc hie‹n pheÒp kie›m ANOVA ta vao Comapre means\One-W ay ANOVAÖ tÓ

thanh menus Èe› truy xuaŸt ra ho‹p thoaÁi nhÓ h‰nh 26. Di chuye›n ve‹t toŸi ÈeŸn caÒc bieŸn

ÈÍnh lÓÏÁng caÿn pha⁄n tÂch, chuye›n sang ho‹p thoaÁi Dependent List. ChoÁn bieŸn kie›m

soaÒt, con goÁi la bieŸn Èo‹c la‹p (ye⁄u caÿu phaÛi coÒ ba giaÒ trÍ trÏÛ le⁄n), ÈÓa vao ho‹p thoaÁi

Factor. BieŸn kie›m soaÒt nay cho pheÒp ta pha⁄n caÒc giaÒ trÍ cuÛa bieŸn phuÁ thuo‹c thanh

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

nhieÿu nhoÒm Èe› so saÒnh. ANOVA cho pheÒp ta ÈÓa ra keŸt lua‹n lie‹u caÒc trung b‰nh

cuÛa caÒc nhoÒm coÒ ba‡ng nhau hay kho⁄ng.

H‰nh 38: Pha⁄n tÂch ANOVA mo‹t yeŸu toŸ

NeŸu mÓÒc yÒ nghÎa cuÛa pheÒp kie›m ANOVA nhoÛ (thÓÏng so vÏÒi 5%), ta tieŸn hanh so

saÒnh tieŸp caÒc ca„p giaÒ trÍ trung b‰nh cuÛa caÒc nhoÒm ba‡ng co⁄ng cuÁ Post Hoc nhÓ trong

ho‹p thoaÁi h‰nh 39 va lÓÁa choÁn caÒc phÓÏng phaÒp kie›m nghie‹m thÂch hÏÁp

H‰nh 39: Co⁄ng cuÁ Post Hoc Èe› so saÒnh caÒc ca„p trung b‰nh trong ANOVA

LÓÁa choÁn Options cho ta ho‹p thoaÁi nhÓ h‰nh 40. Ta coÒ the› hie›n thÍ caÒc thoŸng ke⁄ mo⁄

taÛ ba‡ng caÒch choÁn Descriptive va kie›m ÈÍnh tÂnh Èoÿng nhaŸt cuÛa phÓÏng sai ba‡ng

thoŸng ke⁄ Levene (keŸt quaÛ kie›m ÈÍnh nay quyeŸt ÈÍnh sÓÁ lÓÁa choÁn phÓÏng phaÒp

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

kie›m nghie‹m trong phaÿn Post Hoc). Co⁄ng cuÁ Means Plot dung Èe› hie›n thÍ Èoÿ thÍ

veÿ giaÒ trÍ trung b‰nh cuÛa caÒc nhoÒm. Co⁄ng cuÁ Missing Values dung Èe› kie›m soaÒt caÒc

giaÒ trÍ khuyeŸt nhÓ ÈaÌ tr‰nh bay ÏÛ caÒc phaÿn trÓÏÒc

H‰nh 40: LÓÁa choÁn Options trong ANOVA

CaÒc giaÛ ÈÍnh phaÛi ÈÓÏÁc thoÛa maÌn khi dung pha⁄n tÂch ANOVA mo‹t yeŸu toŸ

•

CaÒc ma¤u dÓÌ lie‹u phaÛi Èo‹c la‹p, ÈÓÏÁc choÁn nga¤u nhie⁄n tÓ mo‹t to›ng the› pha⁄n phoŸi

chua›n

•

Trong to›ng the› caÒc phÓÏng sai cuÛa caÒc ma¤u dÓÌ lie‹u phaÛi ba‡ng nhau (Èieÿu nay

seÌ ÈÓÏÁc kie›m nghie‹m ba‡ng thoŸng ke⁄ Levene

Levene's Test:

H: Homogeneity of Variance

Equal Variances:

CoÒ the› dung caÒc tests nhÓ LSD, Bonferroni, Sidak, Scheffe, Tukey...

Unequal Variances:

•

CoÒ the› dung caÒc tests nhÓ Tamhane's T2, Dunnett's T3, Games-Howell...

Test of Homogeneity of Variances

Current Salary

Levene

Statistic

df1

df2

464

Sig.

.000

14.473

9

http://www.ebook.edu.vn

Pha‚n tÌch va¯ xˆ˚ ly˘ so· lie‰u baËng SPSS

Tra‡n quang Trung ñ —a¯o hoa¯i Nam

—AœI HOœC KINH TE¡ TP HCM

PHA¬N TÕCH VAÿ

X÷¤ LYŸ SO¡ LIEƒU

BA»NG SPSS

TH.S” TRA¿N QUANG TRUNG

KHOA QUA¤N TR“ KINH DOANH

—

AÿO HOAÿI NAM

KHOA TH÷‘NG MAœI-DU L“CH