Bài viết này trình bày các nhận xét bảng số liệu SPSS theo quy trình phân tích dữ liệu thường được áp dụng trong luận văn và các nghiên cứu khoa học. Nội dung có thể được sử dụng như một tài liệu tham khảo hỗ trợ người học trong việc trình bày và phân tích kết quả nghiên cứu khi thực hiện luận văn hoặc bài báo khoa học.
Trong các nghiên cứu sử dụng phần mềm SPSS, quy trình phân tích dữ liệu thường bao gồm sáu bước kiểm định. Trong đó, các kiểm định ở bước 2, 3, 4 và 5 được xem là những bước cốt lõi nhằm xem xét và giải thích các mối quan hệ tác động giữa các biến trong mô hình nghiên cứu. Phần tiếp theo sẽ trình bày chi tiết cách đọc và phân tích các bảng kết quả SPSS tương ứng với sáu bước kiểm định này:
-
Phân tích thống kê mô tả, bao gồm thống kê tần số và các chỉ số trung bình.
-
Kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach’s Alpha.
-
Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA).
-
Phân tích tương quan tuyến tính Pearson.
-
Phân tích hồi quy tuyến tính.
-
Phân tích sự khác biệt về giá trị trung bình bằng kiểm định T-Test hoặc One-way ANOVA.
1. Cách nhận xét bảng số liệu thống kê mô tả trong SPSS
Trong phần mềm SPSS, thống kê mô tả bao gồm hệ thống các công cụ nhằm tổng hợp, khái quát và trình bày dữ liệu nghiên cứu một cách có hệ thống và dễ tiếp cận. Các chỉ số thống kê thường được sử dụng trong thống kê mô tả gồm giá trị trung bình, độ lệch chuẩn, tần suất, tỷ lệ phần trăm, khoảng biến thiên, giá trị xuất hiện nhiều nhất và trung vị. Dựa vào mục đích phân tích, thống kê mô tả có thể được triển khai dưới nhiều hình thức khác nhau như thống kê tần số, thống kê trung bình, kiểm định chi bình phương và bảng chéo. Tuy nhiên, trong các nghiên cứu khoa học và luận văn học thuật, hai hình thức thống kê mô tả được sử dụng phổ biến và có ý nghĩa nhất là thống kê tần số và thống kê trung bình.
a. Thống kê tần số
Thống kê tần số Frequency là phương pháp quan trọng giúp nhà nghiên cứu mô tả khái quát đặc điểm của mẫu nghiên cứu cũng như phân bố các biến khảo sát. Thông qua thống kê tần số, có thể xác định số lần xuất hiện và tỷ lệ của từng giá trị trong một biến nghiên cứu, từ đó phản ánh cấu trúc của tập dữ liệu.
Ví dụ:
- Đối với biến giới tính, thống kê tần số cho biết số lượng và tỷ lệ đáp viên là nam và nữ trong mẫu khảo sát.
- Đối với biến địa điểm cư trú, thống kê tần số phản ánh số lượng người tham gia khảo sát đến từ TP. Hồ Chí Minh, Hà Nội hoặc các tỉnh, thành phố khác.
VIDEO HƯỚNG DẪN
Kết quả thống kê tần số trong SPSS thường được trình bày dưới dạng bảng tần số, tỷ lệ phần trăm của đáp viên và các biểu đồ minh họa như biểu đồ tròn hoặc biểu đồ cột tương ứng với bảng số liệu.
Cách đọc và nhận xét bảng số liệu thống kê tần số trong SPSS:
Khi phân tích thống kê tần số, nhà nghiên cứu dựa vào bảng tần số và tỷ lệ phần trăm để mô tả đặc điểm nhân khẩu học hoặc đặc điểm phân loại của đối tượng khảo sát. Qua đó có thể xác định mẫu nghiên cứu có xu hướng nghiêng về giới tính nào, thuộc nhóm độ tuổi nào, hoặc chủ yếu thuộc nhóm lao động phổ thông hay lao động văn phòng. Việc phân tích này giúp đánh giá mức độ phù hợp của mẫu khảo sát so với mục tiêu và phạm vi của đề tài nghiên cứu, đồng thời là cơ sở để điều chỉnh mẫu nghiên cứu nếu cần thiết.
Ví dụ, trong trường hợp đề tài nghiên cứu tập trung vào hành vi sử dụng mạng xã hội của giới trẻ, nhưng quá trình khảo sát được thực hiện trên phạm vi rộng và ngẫu nhiên, kết quả thống kê tần số theo độ tuổi cho thấy tỷ lệ đáp viên trên 30 tuổi chiếm ưu thế. Khi đó, các đối tượng không thuộc phạm vi nghiên cứu cần được loại bỏ khỏi mẫu phân tích. Nếu số lượng mẫu hợp lệ còn lại vẫn đáp ứng yêu cầu tối thiểu, nghiên cứu có thể tiếp tục triển khai các bước phân tích tiếp theo. Ngược lại, nếu quy mô mẫu bị giảm đáng kể, nhà nghiên cứu cần tiến hành thu thập bổ sung dữ liệu nhằm đảm bảo tính đại diện và độ tin cậy của kết quả nghiên cứu.
b. Thống kê trung bình (Descriptives)
Khác với thống kê tần số vốn tập trung mô tả mức độ xuất hiện và tỷ lệ phần trăm của các đặc điểm trong mẫu khảo sát, thống kê trung bình hướng đến việc phản ánh đặc trưng tổng quát của biến nghiên cứu thông qua các chỉ số mô tả. Các chỉ số này bao gồm giá trị nhỏ nhất, giá trị lớn nhất, giá trị trung bình, độ lệch chuẩn và một số thước đo mô tả phân bố khác.
VIDEO HƯỚNG DẪN
Kết quả của thống kê trung bình trên phần mềm SPSS được thể hiện thông qua bảng số liệu, trong đó cung cấp các thông tin như giá trị nhỏ nhất, giá trị lớn nhất, giá trị trung bình, độ lệch chuẩn và các chỉ số mô tả liên quan.
Cách nhận xét bảng số liệu thống kê trung bình trong SPSS:
Dựa vào kết quả thống kê trung bình, người nghiên cứu có thể xác định được phạm vi biến thiên của biến thông qua giá trị nhỏ nhất và giá trị lớn nhất. Từ đó, tiến hành đánh giá xem khoảng giá trị này có phù hợp với bản chất của biến và mục tiêu nghiên cứu hay không.
Ví dụ: Trong trường hợp câu hỏi được đo lường bằng thang đo Likert 5 mức độ từ 1 đến 5, nhưng kết quả thống kê trung bình cho thấy giá trị nhỏ nhất bằng 0 và giá trị lớn nhất bằng 55, điều này cho thấy dữ liệu tồn tại sai lệch và cần được kiểm tra, làm sạch trước khi tiếp tục phân tích.
Giá trị trung bình Mean phản ánh mức độ trung bình của biến so với giới hạn nhỏ nhất và lớn nhất, qua đó giúp đánh giá mức độ tích cực hay tiêu cực của yếu tố nghiên cứu, từ đó đề xuất các định hướng phát huy hoặc cải thiện phù hợp.
Ví dụ: Câu hỏi A sử dụng thang đo Likert 5 mức độ đồng ý tăng dần từ 1 đến 5 (1 – rất không đồng ý, 5 – rất đồng ý). Kết quả thống kê cho thấy giá trị trung bình Mean của A là 1,32. Mức điểm này nằm gần giá trị 1 và thấp hơn mức trung lập là 3, cho thấy đa số đáp viên có xu hướng không đồng ý với nhận định được đưa ra trong câu hỏi.
2. Cách diễn giải kết quả phân tích độ tin cậy Cronbach’s Alpha
Phân tích độ tin cậy Cronbach’s Alpha là một bước không thể thiếu trong quá trình xử lý và phân tích dữ liệu bằng phần mềm SPSS, đặc biệt trong các nghiên cứu định lượng sử dụng thang đo để đo lường các khái niệm trong mô hình nghiên cứu. Hệ số Cronbach’s Alpha được sử dụng nhằm đánh giá mức độ nhất quán nội tại giữa các biến quan sát trong cùng một thang đo, qua đó xác định khả năng các biến này cùng phản ánh một khái niệm nghiên cứu thống nhất.
Vai trò của Cronbach’s Alpha trong nghiên cứu:
Thứ nhất, Cronbach’s Alpha cho phép đánh giá mức độ phù hợp của từng biến quan sát được xây dựng để đo lường một yếu tố cụ thể. Những biến quan sát không đạt yêu cầu về độ tin cậy sẽ được xem xét loại bỏ, chỉ giữ lại các biến có ý nghĩa và đóng góp tích cực cho thang đo.
Thứ hai, chỉ số này giúp đánh giá độ tin cậy tổng thể của tập hợp các biến quan sát dùng để đo lường một yếu tố. Trong trường hợp các biến không phù hợp đã bị loại bỏ nhưng thang đo vẫn chưa đạt mức độ tin cậy cần thiết, nhà nghiên cứu cần cân nhắc điều chỉnh lại thang đo hoặc loại bỏ yếu tố đó khỏi mô hình nghiên cứu.
VIDEO HƯỚNG DẪN
Kết quả phân tích Cronbach’s Alpha trong SPSS thường được trình bày thông qua hai bảng kết quả chính:
– Bảng Reliability Statistics thể hiện giá trị hệ số Cronbach’s Alpha, phản ánh mức độ tin cậy của thang đo. Trong thực tiễn nghiên cứu, thang đo thường được chấp nhận khi hệ số Cronbach’s Alpha đạt từ 0.7 trở lên.
– Bảng Item – Total Statistics cung cấp hệ số tương quan biến-tổng đã hiệu chỉnh, dùng để đánh giá mức độ đóng góp của từng biến quan sát trong thang đo. Các biến quan sát có giá trị Corrected Item – Total Correlation từ 0.3 trở lên được xem là đạt yêu cầu về độ tin cậy.
Cách nhận xét kết quả phân tích Cronbach’s Alpha trong SPSS:
→ Ngoại trừ biến quan sát LD7 không đạt yêu cầu về độ tin cậy và cần được loại bỏ do giá trị Corrected Item – Total Correlation nhỏ hơn 0.3, các biến quan sát còn lại của thang đo LD đều đạt yêu cầu, thể hiện qua hệ số tương quan biến-tổng lớn hơn 0.3.
→ Hệ số Cronbach’s Alpha của thang đo LD đạt giá trị 0.840, lớn hơn ngưỡng chấp nhận 0.7, cho thấy thang đo này đảm bảo độ tin cậy và có thể được sử dụng trong các bước phân tích tiếp theo.
Trong trường hợp xuất hiện các biến quan sát hoặc thang đo không đạt độ tin cậy, nhà nghiên cứu cần loại bỏ các biến hoặc thang đo này và tiến hành phân tích Cronbach’s Alpha lại nhằm đảm bảo tính nhất quán và độ tin cậy của dữ liệu nghiên cứu.
3. Cách nhận xét bảng số liệu trong phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) là kỹ thuật thống kê được sử dụng nhằm rút gọn tập hợp nhiều biến quan sát trong bảng câu hỏi thành một số lượng nhân tố đại diện có ý nghĩa, qua đó làm cơ sở cho các bước phân tích tiếp theo như phân tích tương quan và hồi quy. Quá trình thực hiện EFA tập trung vào ba nội dung chính:
(1) xác định số lượng nhân tố được trích từ các biến quan sát ban đầu;
(2) đánh giá mức độ hội tụ và phân biệt của các thang đo nhân tố;
(3) phát hiện và loại bỏ các biến quan sát không đáp ứng yêu cầu nghiên cứu.
VIDEO HƯỚNG DẪN
– Bảng KMO and Bartlett’s Test cung cấp hệ số KMO và giá trị ý nghĩa thống kê của kiểm định Bartlett nhằm đánh giá mức độ phù hợp của dữ liệu đối với phân tích EFA. Theo tiêu chuẩn, hệ số KMO phải đạt từ 0.5 trở lên và giá trị Sig. của kiểm định Bartlett phải nhỏ hơn 0.05 thì phân tích EFA mới được xem là phù hợp và có ý nghĩa.
– Bảng Total Variance Explained thể hiện tổng phương sai trích của các nhân tố, phản ánh mức độ giải thích biến thiên của dữ liệu; tổng phương sai trích đạt từ 50% trở lên cho thấy các nhân tố được trích là chấp nhận được.
– Bảng Rotated Component Matrix hoặc Pattern Matrix (tùy thuộc vào phương pháp quay nhân tố) cung cấp thông tin về hệ số tải của các biến quan sát lên các nhân tố, qua đó đánh giá tính hội tụ và phân biệt của thang đo; hệ số tải thường được chấp nhận khi đạt từ 0.5 trở lên.
Việc nhận xét kết quả phân tích EFA trong SPSS có thể được trình bày như sau:
- Hệ số KMO đạt 0.887, lớn hơn 0.5, cho thấy dữ liệu phù hợp để thực hiện phân tích nhân tố khám phá.
- Giá trị Sig. của kiểm định Bartlett bằng 0.000, nhỏ hơn 0.05, chứng tỏ các biến quan sát có mối tương quan với nhau và đáp ứng điều kiện để tiến hành EFA.
Trong trường hợp này, việc đánh giá mức độ phù hợp của EFA dựa đồng thời trên cả hệ số KMO và giá trị Sig. của kiểm định Bartlett; nếu một trong hai điều kiện không được thỏa mãn thì kết quả EFA sẽ không có giá trị.
→ Kết quả phân tích cho thấy có sáu nhân tố được trích dựa trên tiêu chí Eigenvalue lớn hơn 1. Tổng phương sai trích của sáu nhân tố đạt 63.109%, vượt ngưỡng 50%, cho thấy các nhân tố này giải thích được 63.109% sự biến thiên của dữ liệu từ 28 biến quan sát tham gia phân tích.
→ Trong quá trình đánh giá hệ số tải, biến quan sát DN4 bị loại do tải đồng thời lên nhiều nhân tố, vi phạm yêu cầu về tính phân biệt; biến LD5 cũng bị loại vì có hệ số tải nhỏ hơn 0.5. Các biến quan sát còn lại đều có hệ số tải lớn hơn 0.5 và đáp ứng yêu cầu về mặt ý nghĩa thống kê trong phân tích EFA.
Khi xuất hiện các biến quan sát hoặc nhân tố không đạt yêu cầu, cần tiến hành loại bỏ các biến này và thực hiện phân tích EFA lại để đánh giá kết quả ở lần tiếp theo.
4. Cách diễn giải kết quả bảng phân tích tương quan Pearson
Phân tích tương quan Pearson thường được tiến hành trước bước phân tích hồi quy trong quy trình xử lý dữ liệu bằng phần mềm SPSS. Phương pháp này nhằm đánh giá mức độ và chiều hướng mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, đồng thời hỗ trợ phát hiện sớm hiện tượng đa cộng tuyến thông qua việc xem xét mức độ tương quan giữa các biến độc lập với nhau.
VIDEO HƯỚNG DẪN
– Đối với mối quan hệ giữa biến độc lập và biến phụ thuộc, thông thường kỳ vọng giá trị sig nhỏ hơn 0.05 cùng với hệ số tương quan có giá trị tương đối cao. Điều này cho thấy tồn tại mối liên hệ tuyến tính có ý nghĩa thống kê giữa các biến độc lập và biến phụ thuộc, qua đó tạo cơ sở phù hợp để tiếp tục thực hiện phân tích hồi quy.
– Đối với mối quan hệ giữa các biến độc lập với nhau, hệ số tương quan được kỳ vọng không quá lớn, thường không vượt quá mức 0.5, nhằm hạn chế nguy cơ xảy ra hiện tượng cộng tuyến hoặc đa cộng tuyến trong mô hình hồi quy. Trong trường hợp này, giá trị sig của mối tương quan giữa các biến độc lập không được xem là yếu tố quá quan trọng.
Cách nhận xét bảng kết quả tương quan Pearson trong SPSS có thể được trình bày như sau:
→ Giá trị sig của mối tương quan giữa các biến độc lập và biến phụ thuộc (trong đó F_HL là biến phụ thuộc, các biến còn lại là biến độc lập) đều nhỏ hơn 0.05, cho thấy các biến độc lập có mối tương quan tuyến tính có ý nghĩa thống kê với biến phụ thuộc.
→ Hệ số tương quan giữa các biến độc lập đều nhỏ hơn 0.7, do đó có thể kết luận rằng mô hình không gặp phải vấn đề đa cộng tuyến giữa các biến độc lập.
5. Cách nhận xét bảng số liệu phân tích hồi quy tuyến tính bội
Phân tích hồi quy tuyến tính là một bước quan trọng trong quá trình nghiên cứu định lượng, nhằm kiểm định và đưa ra kết luận về mối quan hệ tác động giữa các biến trong mô hình nghiên cứu. Thông qua kết quả hồi quy, các giả thuyết nghiên cứu được xem xét và đánh giá một cách khoa học. Cụ thể, phân tích hồi quy tuyến tính bội có các nhiệm vụ chính như sau:
Thứ nhất, xác định các biến độc lập trong mô hình có ảnh hưởng hay không ảnh hưởng đến biến phụ thuộc.
Thứ hai, đánh giá mức độ tác động mạnh hay yếu của từng biến độc lập đối với biến phụ thuộc.
Thứ ba, xác định chiều tác động của các biến độc lập lên biến phụ thuộc, bao gồm tác động cùng chiều hay ngược chiều.
Thứ tư, đánh giá mức độ ảnh hưởng tổng thể của toàn bộ các biến độc lập đối với sự biến thiên của biến phụ thuộc.
VIDEO HƯỚNG DẪN
Kết quả phân tích hồi quy tuyến tính bội trên phần mềm SPSS thường bao gồm ba bảng kết quả quan trọng:
- Bảng ANOVA cung cấp giá trị Sig của kiểm định F nhằm đánh giá mức độ phù hợp chung của mô hình hồi quy. Nếu giá trị Sig của kiểm định F nhỏ hơn 0.05, có thể kết luận rằng mô hình hồi quy là phù hợp và có ý nghĩa thống kê để sử dụng cho phân tích.
- Bảng Model Summary cung cấp các chỉ số R bình phương và R bình phương hiệu chỉnh, phản ánh mức độ giải thích của các biến độc lập đối với sự biến thiên của biến phụ thuộc trong mô hình.
- Bảng Coefficients trình bày kết quả kiểm định t của từng biến độc lập thông qua giá trị Sig, từ đó xác định biến nào có tác động có ý nghĩa thống kê đến biến phụ thuộc. Đồng thời, bảng này cũng cung cấp hệ số hồi quy chưa chuẩn hóa (B) và hệ số hồi quy chuẩn hóa (Beta), giúp đánh giá mức độ tác động tương đối cũng như chiều tác động của các biến độc lập.
Trong quá trình nhận xét kết quả hồi quy tuyến tính trên SPSS, có thể diễn giải các chỉ số như sau:
→ Giá trị Sig của kiểm định F bằng 0.000 và nhỏ hơn 0.05 cho thấy mô hình hồi quy được xây dựng có ý nghĩa thống kê.
→ Giá trị R bình phương hiệu chỉnh đạt 0.695, tương ứng với 69.5%, cho thấy các biến độc lập trong mô hình có khả năng giải thích 69.5% sự biến thiên của biến phụ thuộc.
→ Chỉ số Durbin–Watson đạt 1.849, nằm trong khoảng từ 1.5 đến 2.5, cho thấy mô hình hồi quy không xuất hiện hiện tượng tự tương quan chuỗi bậc nhất.
→ Kết quả kiểm định t cho thấy biến F_DN không có ý nghĩa thống kê trong mô hình do giá trị Sig lớn hơn 0.05. Các biến độc lập còn lại đều có tác động đến biến phụ thuộc với mức ý nghĩa thống kê, do giá trị Sig của từng biến đều nhỏ hơn 0.05.
Đối với các biến không có ý nghĩa thống kê trong mô hình hồi quy, không nhất thiết phải loại bỏ và thực hiện hồi quy lại, mà chỉ cần ghi nhận rằng biến này không có tác động đến biến phụ thuộc.
→ Các hệ số VIF của các biến độc lập đều nhỏ hơn 3, chứng tỏ mô hình không xảy ra hiện tượng đa cộng tuyến.
Phương trình hồi quy được xác định như sau:
Phương trình hồi quy chưa chuẩn hóa:
F_HL = -0.475 + 0.267LD + 0.259F_CV + 0.084F_TL + 0.066F_DT + 0.393*F_DK + ε
Phương trình hồi quy chuẩn hóa:
F_HL = 0.322LD + 0.288F_CV + 0.096F_TL + 0.076F_DT + 0.421*F_DK + ε
6. Cách diễn giải kết quả phân tích T Test và One-way ANOVA
Ở bước thứ sáu trong quy trình xử lý dữ liệu bằng phần mềm SPSS phục vụ nghiên cứu luận văn, người nghiên cứu tiến hành các phân tích suy luận nhằm làm rõ sự khác biệt giữa các nhóm đối tượng, qua đó tạo cơ sở khoa học cho việc đề xuất các giải pháp và kiến nghị của đề tài.
Trong nhiều nghiên cứu định lượng, việc so sánh giá trị trung bình của một biến nghiên cứu giữa hai hoặc nhiều nhóm đối tượng là yêu cầu phổ biến. Các phép kiểm định này thường sử dụng đồng thời hai loại biến, bao gồm một biến định lượng dùng để tính toán giá trị trung bình và một biến định tính dùng để phân nhóm đối tượng so sánh.
Ví dụ, nhà nghiên cứu có thể xem xét liệu mức độ hài lòng trong công việc có sự khác biệt theo giới tính hay không, hoặc có sự khác biệt giữa các nhóm thu nhập dưới 10 triệu đồng, từ 10 đến 20 triệu đồng và trên 20 triệu đồng hay không. Việc đánh giá sự khác biệt giữa các nhóm giúp nhận diện sự đa dạng trong hành vi và thái độ của các nhóm đáp viên có đặc điểm cá nhân khác nhau, từ đó hỗ trợ việc xây dựng các giải pháp và định hướng quản lý phù hợp cho từng nhóm đối tượng.
a. Kiểm định Independent Sample T Test
Kiểm định Independent-Samples T Test được sử dụng để so sánh giá trị trung bình của một biến định lượng giữa hai nhóm đối tượng độc lập. Chẳng hạn, nghiên cứu có thể so sánh mức chi tiêu trung bình hàng tháng giữa các hộ gia đình chưa có con và các hộ gia đình có con dưới 6 tuổi. Trong trường hợp này, biến định lượng là mức chi tiêu hàng tháng, còn biến định tính là tình trạng con cái với hai nhóm tương ứng: chưa có con và có con dưới 6 tuổi.
VIDEO HƯỚNG DẪN
Kết quả phân tích Independent Sample T Test trên SPSS thường bao gồm hai bảng kết quả chính.
– Bảng Group Statistics cung cấp các chỉ tiêu thống kê mô tả cho từng nhóm của biến định tính, trong đó giá trị trung bình Mean là thông tin quan trọng nhất, dùng làm cơ sở để so sánh giữa hai nhóm đáp viên.
– Bảng Independent Samples Test cung cấp hai nhóm kết quả kiểm định.
- Thứ nhất, kiểm định F trong cột Levene’s Test được sử dụng để đánh giá sự khác biệt về phương sai giữa hai nhóm. Nếu giá trị sig nhỏ hơn 0.05, giả định phương sai bằng nhau bị vi phạm và kết quả kiểm định t ở hàng Equal variances not assumed sẽ được sử dụng. Ngược lại, nếu sig lớn hơn 0.05, giả định phương sai bằng nhau được chấp nhận và kết quả kiểm định t ở hàng Equal variances assumed sẽ được sử dụng.
- Thứ hai, kiểm định t trong cột t-test dùng để đánh giá sự khác biệt về giá trị trung bình giữa hai nhóm đối tượng. Nếu giá trị sig nhỏ hơn 0.05, có thể kết luận tồn tại sự khác biệt trung bình có ý nghĩa thống kê giữa hai nhóm. Nếu sig lớn hơn 0.05, sự khác biệt trung bình giữa hai nhóm không có ý nghĩa thống kê.
Cách nhận xét bảng kết quả Independent Sample T Test trong SPSS:
→ Giá trị sig của kiểm định F trong cột Levene’s Test bằng 0.127, lớn hơn mức ý nghĩa 0.05, cho thấy phương sai của hai nhóm nam và nữ là đồng nhất. Do đó, kết quả kiểm định t tại hàng Equal variances assumed được sử dụng để diễn giải.
→ Giá trị sig của kiểm định t trong cột t-test bằng 0.000, nhỏ hơn 0.05, cho thấy tồn tại sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa các đáp viên có giới tính khác nhau. Kết quả thống kê mô tả trong bảng Group Statistics cho thấy mức độ hài lòng trung bình của nam cao hơn so với nữ.
b. One-way ANOVA
Ở phần trước, kiểm định Independent Samples T-test đã được trình bày như một công cụ dùng để so sánh giá trị trung bình giữa hai nhóm độc lập. Tuy nhiên, khi biến định tính có từ ba nhóm trở lên, kiểm định này không còn phù hợp. Trong trường hợp đó, phương pháp thống kê được sử dụng là One-way ANOVA (phân tích phương sai một chiều), nhằm đánh giá sự khác biệt về giá trị trung bình của biến phụ thuộc giữa nhiều nhóm độc lập.
VIDEO HƯỚNG DẪN
Kết quả phân tích One-way ANOVA trên phần mềm SPSS thường bao gồm bốn bảng kết quả quan trọng:
– Bảng Test of Homogeneity of Variances cung cấp giá trị sig của kiểm định Levene, dùng để đánh giá giả định về sự đồng nhất phương sai giữa các nhóm được so sánh. Trường hợp sig < 0.05 cho thấy phương sai giữa các nhóm không đồng nhất, khi đó cần sử dụng kết quả kiểm định Welch trong bảng Robust Tests. Ngược lại, nếu sig > 0.05, giả định đồng nhất phương sai được thỏa mãn và kết quả kiểm định F trong bảng ANOVA sẽ được sử dụng.
– Bảng ANOVA hoặc bảng Robust Tests được dùng để đánh giá sự khác biệt về giá trị trung bình giữa các nhóm đáp viên. Chỉ một trong hai bảng này được sử dụng, tùy thuộc vào kết quả kiểm định Levene ở bước trước. Nếu giá trị sig của kiểm định F hoặc kiểm định Welch < 0.05, có thể kết luận rằng tồn tại sự khác biệt có ý nghĩa thống kê về giá trị trung bình giữa các nhóm. Ngược lại, nếu sig > 0.05, không có đủ bằng chứng thống kê để khẳng định sự khác biệt về giá trị trung bình giữa các nhóm.
– Bảng Descriptives và các biểu đồ đi kèm cung cấp các thống kê mô tả cho từng nhóm của biến định tính, bao gồm số quan sát, giá trị trung bình, độ lệch chuẩn và các tham số liên quan. Trong đó, giá trị trung bình (Mean) là chỉ tiêu quan trọng nhất, vì đây là cơ sở để so sánh mức độ khác biệt giữa các nhóm đáp viên.
Cách đọc kết quả One-way ANOVA trong SPSS có thể minh họa như sau:
→ Giá trị sig của kiểm định Levene bằng 0.092, lớn hơn 0.05, cho thấy phương sai giữa các nhóm đáp viên là đồng nhất. Do đó, kết quả kiểm định F trong bảng ANOVA được sử dụng để đưa ra kết luận.
→ Giá trị sig của kiểm định F trong bảng ANOVA bằng 0.010, nhỏ hơn 0.05, cho thấy tồn tại sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa các nhóm đáp viên có mức thu nhập khác nhau. Bảng thống kê mô tả và biểu đồ cho thấy mức độ hài lòng cao nhất thuộc về nhóm có thu nhập từ 20 triệu đồng/tháng trở lên, tiếp theo là nhóm từ 15 đến dưới 20 triệu đồng/tháng, sau đó là nhóm dưới 10 triệu đồng/tháng, và thấp nhất là nhóm từ 10 đến dưới 15 triệu đồng/tháng.
Như vậy, trên đây là cách đọc và diễn giải kết quả One-way ANOVA trong SPSS, một trong các kiểm định cơ bản thường được sử dụng trong phân tích dữ liệu phục vụ nghiên cứu và viết luận văn. Tùy theo đặc điểm và mục tiêu của đề tài, nghiên cứu có thể cần bổ sung các kiểm định khác như kiểm định Chi-bình phương, bảng chéo, phân tích phi tham số hoặc các phân tích nâng cao như CFA trên AMOS sau bước EFA. Do đó, người nghiên cứu cần tuân thủ và trao đổi chặt chẽ với giảng viên hướng dẫn để xây dựng quy trình nghiên cứu phù hợp và có cơ sở khoa học vững chắc.