Author: xulysolieu

Nghiên cứu khoa học là gì, khái niệm và 4 cách phân loại

Trong thế giới hiện đại, nghiên cứu khoa học đã trở thành nền tảng không thể thiếu để thúc đẩy sự phát triển và tiến bộ của nhân loại. Từ những phát minh công nghệ tiên tiến đến các giải pháp sáng tạo trong y học và môi trường, nghiên cứu khoa học đóng vai trò then chốt trong việc nâng cao chất lượng cuộc sống và giải quyết các thách thức toàn cầu.

Bài viết này sẽ giúp bạn hiểu rõ hơn về khái niệm nghiên cứu khoa học, những thuật ngữ cơ bản liên quan, và phân loại các loại hình nghiên cứu, từ đó xây dựng nền tảng kiến thức vững chắc để tiếp cận và thực hiện các dự án nghiên cứu khoa học một cách hiệu quả.

1. Nghiên cứu khoa học là gì?

Nghiên cứu khoa học là một quá trình hệ thống nhằm khám phá, phát hiện và hiểu rõ bản chất, quy luật của các sự vật và hiện tượng trong tự nhiên, xã hội và tư duy.

Mục tiêu của nghiên cứu khoa học là tạo ra kiến thức mới hoặc xác nhận lại kiến thức đã có, đồng thời tìm kiếm các giải pháp sáng tạo để áp dụng những hiểu biết này vào thực tiễn, góp phần cải thiện cuộc sống và thúc đẩy sự phát triển của xã hội.

Nghiên cứu khoa học là gì?

2. Một số khái niệm trong nghiên cứu khoa học

– Đề tài nghiên cứu (research project): là hình thức tổ chức nghiên cứu khoa học do một người hoặc một nhóm người thực hiện để trả lời những câu hỏi mang tính học thuật hoặc ứng dụng vào thực tế. Mỗi đề tài nghiên cứu có tên đề tài (research title), là phát biểu ngắn gọn và khái quát về các mục tiêu nghiên cứu của đề tài.

– Nhiệm vụ nghiên cứu (research topic): là những nội dung được đặt ra để nghiên cứu, trên cơ sở đã xác định tên đề tài nghiên cứu.

– Đối tượng nghiên cứu (research focus): là bản chất cốt lõi của sự vật hay hiện tượng cần xem xét và làm rõ trong đề tài nghiên cứu.

– Mục tiêu nghiên cứu (research objective): những nội dung cần được xem xét và làm rõ trong khuôn khổ đối tượng nghiên cứu đã xác định nhằm trả lời câu hỏi “Nghiên cứu cái gì?”. Dựa trên mục tiêu, các câu hỏi nghiên cứu được xây dựng.

– Mục đích nghiên cứu (research purpose): ý nghĩa thực tiễn của nghiên cứu. Mục đích trả lời câu hỏi “ Nghiên cứu nhằm vào việc gì?” hoặc “ Nghiên cứu để phục vụ cho cái gì?”.

– Khách thể nghiên cứu (research population): là sự vật chứa đựng đối tượng nghiên cứu. Khách thể nghiên cứu có thể là một không gian vật lý, một quá trình, một hoạt động, hoặc một cộng đồng.

– Đối tượng khảo sát (research sample): là mẫu đại diện của khách thể nghiên cứu.

– Phạm vi nghiên cứu (research scope): sự giới hạn về đối tượng nghiên cứu, đối tượng khảo sát và thời gian nghiên cứu (do những hạn chế mang tính khách quan và chủ quan đối với đề tài và người làm đề tài).

Một số khái niệm trong nghiên cứu khoa học

3. Phân loại nghiên cứu khoa học

Nếu bạn gặp những vấn đề trong việc làm nghiên cứu khoa học, xulysolieu.info có ngay Dịch vụ hỗ trợ với chất lượng cực tốt trong thời gian ngắn nhất hoặc liên hệ fanpage của xulysolieu.info

3 cách tăng hệ số Cronbach’s Alpha trong SPSS

Cronbach’s Alpha thấp ảnh hưởng đáng kể đến độ tin cậy của thang đo. Vì vậy cần tăng giá trị Cronbach’s Alpha khi cần thiết

Lỗi Cronbach’s Alpha if Item Deleted bạn phải biết (1)

Cronbach’s Alpha if Item Deleted không hiển thị không phải do dữ liệu hay phần mềm lỗi, mà là do mặc định của SPSS

Tại sao làm bảng hỏi, thu thập dữ liệu nhưng không chạy SPSS được?

Trong nghiên cứu khoa học, bảng hỏi và thu thập dữ liệu là hai bước quan trọng, ảnh hưởng trực tiếp đến chất lượng và độ tin cậy của kết quả nghiên cứu. Bảng hỏi được thiết kế tốt sẽ giúp thu thập được thông tin chính xác, đầy đủ từ đối tượng nghiên cứu. Ngược lại, một bảng hỏi không chuẩn có thể dẫn đến việc thu thập dữ liệu không chính xác, gây khó khăn cho việc phân tích bằng phần mềm thống kê như SPSS.

Bài viết này nhằm tìm hiểu các nguyên nhân phổ biến khiến cho quá trình phân tích dữ liệu bằng SPSS gặp khó khăn, mặc dù đã tiến hành thu thập dữ liệu thông qua bảng hỏi. Đồng thời, bài viết cũng đề xuất các giải pháp khắc phục để giúp nghiên cứu viên cải thiện quy trình thu thập và phân tích dữ liệu.

1. Một số nguyên nhân phổ biến

Chưa cài đặt phần mềm SPSS mới nhất hoặc sai định dạng file data Excel:

Đầu tiên, hãy kiểm tra xem bạn đã cài đặt phiên bản mới nhất của SPSS chưa, vì phiên bản cũ có thể không tương thích với dữ liệu hoặc các tính năng mới. Nếu bạn đang sử dụng file Excel, hãy đảm bảo rằng file không bị mở bởi chương trình khác và bạn có quyền truy cập cần thiết. Một nguyên nhân phổ biến khác là phiên bản Excel không tương thích với SPSS, hoặc file Excel có thể bị hỏng.

Thiết kế bảng hỏi không chuẩn:

Một bảng hỏi không được thiết kế chuẩn xác có thể gây ra nhiều vấn đề khi phân tích dữ liệu. Các vấn đề thường gặp bao gồm câu hỏi không rõ ràng, lựa chọn câu hỏi không phù hợp (câu hỏi mở hay đóng), và thiếu cấu trúc logic trong bảng hỏi. Việc này không chỉ làm giảm chất lượng dữ liệu thu thập được mà còn gây khó khăn khi nhập liệu vào SPSS.

Dữ liệu bị thiếu hoặc không đầy đủ:

Dữ liệu thiếu hoặc không đầy đủ là một trong những nguyên nhân chính gây khó khăn trong việc phân tích dữ liệu bằng SPSS. Nguyên nhân này có thể do người trả lời không hoàn thành hết bảng hỏi, hoặc do lỗi trong quá trình thu thập và ghi nhận dữ liệu.

Sai sót trong quá trình nhập liệu:

Quá trình nhập liệu là bước rất quan trọng, nhưng cũng dễ xảy ra sai sót. Những lỗi thường gặp bao gồm nhập sai định dạng dữ liệu, nhập thiếu hoặc dư dữ liệu, và các lỗi đánh máy. Những sai sót này có thể dẫn đến việc SPSS không thể phân tích dữ liệu một cách chính xác.

Định dạng dữ liệu không phù hợp:

SPSS yêu cầu dữ liệu được nhập vào theo một định dạng nhất định. Nếu dữ liệu không đúng định dạng, SPSS sẽ gặp khó khăn trong việc phân tích. Ví dụ, dữ liệu chữ và số bị lẫn lộn, hoặc các biến số không được xác định rõ ràng.

Biến số và giá trị biến số:

Việc xác định các biến số và giá trị biến số không chính xác cũng là nguyên nhân dẫn đến khó khăn trong quá trình phân tích. Các biến số phải được định nghĩa rõ ràng, và các giá trị của chúng phải nhất quán và hợp lý.

Một số nguyên nhân phổ biến

2. Cách xử lý cho từng trường hợp

Cài đặt phiên bản của SPSS mới nhất và đảm bảo tương thích với file Excel:

Hãy đảm bảo rằng bạn đã cài đặt đúng phiên bản của SPSS và nó được cập nhật thường xuyên. Trước khi nhập dữ liệu, kiểm tra kỹ lưỡng tính chính xác và định dạng của chúng, đặc biệt là khi chuyển từ Excel sang SPSS

Xem thêm:Link tải SPSS full bản quyền miễn phí

Thiết kế bảng hỏi chặt chẽ:

Một bảng hỏi được thiết kế chặt chẽ, rõ ràng và có cấu trúc logic sẽ giúp thu thập dữ liệu chính xác và đầy đủ. Nên có sự kiểm tra kỹ lưỡng trước khi triển khai để đảm bảo không có sai sót.

Xem thêm:Lưu ý khi xây dựng bảng câu hỏi khảo sát (form khảo sát) và thu thập phiếu khảo sát

Kiểm tra và làm sạch dữ liệu:

Trước khi nhập dữ liệu vào SPSS, cần phải kiểm tra và làm sạch dữ liệu. Điều này bao gồm việc xử lý dữ liệu thiếu, loại bỏ các giá trị ngoại lai, và kiểm tra tính nhất quán của dữ liệu.

Xem thêm:Phương pháp làm sạch và chuẩn hóa dữ liệu

Đào tạo và thực hành nhập liệu:

Để giảm thiểu sai sót trong quá trình nhập liệu, nên có sự đào tạo kỹ lưỡng cho những người thực hiện việc nhập liệu. Thực hành nhiều lần và sử dụng các công cụ hỗ trợ cũng sẽ giúp giảm thiểu sai sót.

Xem thêm:Hướng dẫn nhập liệu, import data vào phần mềm SPSS

Cách xử lý cho từng trường hợp

3. Tài liệu tham khảo

Thiết kế bảng hỏi và thu thập dữ liệu:

• Bryman, A. (2012). Social Research Methods (4th ed.). Oxford University Press.
• Dillman, D. A., Smyth, J. D., & Christian, L. M. (2014). Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method (4th ed.). Wiley.
• Fink, A. (2013). How to Conduct Surveys: A Step-by-Step Guide (5th ed.). Sage Publications.
• Fowler, F. J. (2013). Survey Research Methods (5th ed.). Sage Publications.
• Creswell, J. W., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (5th ed.). Sage Publications.

Thu thập và quản lý dữ liệu:

• Babbie, E. R. (2016). The Practice of Social Research (14th ed.). Cengage Learning.
• Groves, R. M., Fowler, F. J., Couper, M. P., Lepkowski, J. M., Singer, E., & Tourangeau, R. (2009). Survey Methodology (2nd ed.). Wiley.
• Robson, C., & McCartan, K. (2016). Real World Research (4th ed.). Wiley.
• Kumar, R. (2014). Research Methodology: A Step-by-Step Guide for Beginners (4th ed.). Sage Publications.

Sử dụng SPSS trong phân tích dữ liệu:

• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). Sage Publications.
• Pallant, J. (2020). SPSS Survival Manual: A Step by Step Guide to Data Analysis using IBM SPSS (7th ed.). Open University Press.
• Green, S. B., & Salkind, N. J. (2016). Using SPSS for Windows and Macintosh: Analyzing and Understanding Data (8th ed.). Pearson.
• Brace, N., Kemp, R., & Snelgar, R. (2016). SPSS for Psychologists (6th ed.). Palgrave Macmillan.
• Kinnear, P. R., & Gray, C. D. (2012). IBM SPSS Statistics 19 Made Simple. Psychology Press.

4. Kết luận

Việc không thể chạy SPSS sau khi đã thu thập dữ liệu qua bảng hỏi thường xuất phát từ các nguyên nhân như thiết kế bảng hỏi không chuẩn, dữ liệu bị thiếu hoặc sai sót trong quá trình nhập liệu. Bằng cách thiết kế bảng hỏi chặt chẽ, kiểm tra và làm sạch dữ liệu, cùng với việc đào tạo nhập liệu, chúng ta có thể khắc phục các vấn đề này.

Quản lý dữ liệu hiệu quả là yếu tố then chốt đảm bảo tính chính xác và độ tin cậy của kết quả nghiên cứu. Nghiên cứu viên cần chú trọng từng bước trong quy trình thu thập và phân tích dữ liệu để đạt được kết quả tốt nhất.

Nghiên cứu định lượng – định tính và tầm quan trọng trong nghiên cứu khoa học

1. Nghiên cứu định lượng

Khái niệm

Nghiên cứu định lượng là phương pháp nghiên cứu chú trọng vào việc thu thập và xử lý dữ liệu thông qua các kỹ thuật thống kê. Các công cụ thường được sử dụng trong phương pháp này bao gồm bảng hỏi, khảo sát và các thí nghiệm thực nghiệm để thu thập dữ liệu số. Kết quả từ nghiên cứu định lượng thường được trình bày dưới dạng số liệu, biểu đồ và mô hình toán học.

Trong các ngành khoa học xã hội, phương pháp nghiên cứu định lượng được áp dụng rộng rãi trong nhiều lĩnh vực như tâm lý học, kinh tế học, xã hội học, tiếp thị và y tế…

Nghiên cứu định lượng là gì

Đặc trưng cơ bản

• Nghiên cứu định lượng tập trung vào các yếu tố số lượng và thống kê, trong khi nghiên cứu định tính chú trọng đến các yếu tố chất lượng và mô tả.
• Mục tiêu của nghiên cứu định lượng là đo lường và kiểm tra mối quan hệ giữa các biến số thông qua các chỉ số và phân tích thống kê.
• Phương pháp này đòi hỏi phải sử dụng các mô hình kinh tế lượng và mô hình toán học.
• Nghiên cứu định lượng cho phép tổng quát hóa kết quả bằng cách sử dụng các mẫu đại diện và phân phối ngẫu nhiên.
• Đối với các biến số mang tính định tính (không thể đo lường trực tiếp), việc chuyển đổi chúng thành các biến số định lượng là cần thiết để tiến hành nghiên cứu định lượng.

Ví dụ: Khi điều tra mức độ thường xuyên của người tiêu dùng khi sử dụng một sản phẩm, các câu trả lời có thể mang tính chất định tính như “Không bao giờ”, “Thỉnh thoảng”, “Thường xuyên”, “Rất thường xuyên”. Nhà nghiên cứu cần phải chuyển đổi những dữ liệu định tính này thành các giá trị số, ví dụ như 1 (tương ứng với “Không bao giờ”) đến 4 (tương ứng với “Rất thường xuyên”), để thực hiện các phân tích định lượng.

Ưu điểm của nghiên cứu định lượng

• Cung cấp các kết quả có thể định lượng và so sánh: Nghiên cứu định lượng cho phép thu thập dữ liệu dưới dạng số liệu, giúp cho việc đo lường và phân tích trở nên rõ ràng và khách quan. Những kết quả này có thể dễ dàng so sánh giữa các nhóm khác nhau hoặc theo thời gian, giúp xác định các xu hướng và mối quan hệ giữa các biến số.
• Cho phép kiểm tra các giả thuyết cụ thể: Bằng cách sử dụng các phương pháp thống kê, nhà nghiên cứu có thể xác nhận hoặc bác bỏ các giả thuyết khoa học dựa trên dữ liệu thu thập được, từ đó đưa ra các kết luận chắc chắn hơn.
• Tạo ra các kết quả có tính đại diện cao nhờ vào mẫu nghiên cứu lớn: Điều này có nghĩa là các kết quả thu được có thể được áp dụng cho một quần thể rộng lớn hơn, mang lại sự tin cậy cao trong các kết luận và ứng dụng thực tiễn. Mẫu nghiên cứu lớn cũng giúp giảm thiểu sai số và tăng độ chính xác của các kết quả phân tích.

Nhược điểm của nghiên cứu định lượng

• Tiềm ẩn nhiều sai biệt thống kê, tốn nhiều thời gian nếu gặp vấn đề về dữ liệu: Nghiên cứu định lượng có thể gặp phải nhiều sai số thống kê do nhiều nguyên nhân khác nhau như mẫu nghiên cứu không đại diện, dữ liệu thiếu chính xác, hoặc sai lệch trong quá trình thu thập và nhập liệu. Những sai biệt này có thể làm giảm độ tin cậy của kết quả nghiên cứu. Hơn nữa, nếu gặp vấn đề về dữ liệu như dữ liệu bị thiếu, bị lỗi hoặc không đầy đủ, việc xử lý và hiệu chỉnh dữ liệu có thể tốn nhiều thời gian và công sức, ảnh hưởng đến tiến độ và chất lượng của nghiên cứu.
• Khó kiểm soát chất lượng dữ liệu điều tra: Dữ liệu điều tra có thể bị ảnh hưởng bởi nhiều yếu tố như cách thiết kế bảng hỏi, cách thức thu thập dữ liệu, hoặc sự trung thực và hợp tác của người tham gia. Nếu các yếu tố này không được kiểm soát chặt chẽ, dữ liệu thu được có thể bị sai lệch hoặc không chính xác, dẫn đến kết quả nghiên cứu không đáng tin cậy và thiếu tính xác thực.

2. Nghiên cứu định tính

Khái niệm nghiên cứu định tính

Nghiên cứu định tính chú trọng vào việc thu thập và phân tích dữ liệu phi số liệu, thường bao gồm các thông tin mô tả như phỏng vấn, quan sát, và phân tích văn bản. Phương pháp này giúp hiểu rõ hơn về các hiện tượng xã hội, cảm xúc và trải nghiệm cá nhân của con người. Nghiên cứu định tính rất hữu ích trong việc trả lời các câu hỏi “Như thế nào” (How), “Tại sao” (Why) hoặc “Cái gì” (What), mang đến cái nhìn sâu sắc và chi tiết về các vấn đề nghiên cứu.

Nghiên cứu định tính là gì

Đặc trưng cơ bản của nghiên cứu định tính

• Nghiên cứu định tính liên quan đến việc mô tả và giải thích các hiện tượng, thường mang tính chủ quan của nhà nghiên cứu.
• Mục tiêu của nghiên cứu định tính là trả lời các câu hỏi nghiên cứu thông qua việc thu thập và phân tích dữ liệu mô tả, giúp minh chứng cho những phát hiện của nhà nghiên cứu. Tuy nhiên, những kết quả này không được kiểm chứng bằng các mô hình kinh tế lượng hay toán học như trong nghiên cứu định lượng.
• Nghiên cứu định tính đặc biệt hữu ích trong việc trả lời các câu hỏi mà nghiên cứu định lượng chưa thể giải quyết, giúp mở ra các hướng nghiên cứu mới bằng phương pháp khoa học. Điều này tạo ra thách thức cho nhà nghiên cứu khi áp dụng phương pháp này.
• Phương pháp này có vẻ dễ sử dụng nhưng khó thuyết phục, vì chất lượng của nghiên cứu phụ thuộc nhiều vào kỹ năng, tư duy và khả năng lý luận của nhà nghiên cứu, không giống như nghiên cứu định lượng dựa vào kết quả của các mô hình phân tích.

Ưu điểm của nghiên cứu định tính

• Cung cấp cái nhìn sâu sắc về các hiện tượng xã hội: Thay vì chỉ đo lường và số hóa dữ liệu, phương pháp này giúp hiểu rõ hơn về cảm xúc, suy nghĩ và trải nghiệm cá nhân của những người tham gia vào nghiên cứu.
• Linh hoạt trong việc thu thập dữ liệu: So với nghiên cứu định lượng, nhà nghiên cứu có thể sử dụng nhiều phương pháp như phỏng vấn, quan sát trực tiếp, và phân tích nội dung từ các tài liệu để thu thập thông tin chi tiết và đa dạng về các hiện tượng mà họ quan tâm.
• Khả năng tìm hiểu và khám phá các vấn đề mới: Nhà nghiên cứu có thể sử dụng phương pháp này để tìm hiểu sâu hơn về các vấn đề chưa được khai thác hoặc để nghiên cứu các hiện tượng phức tạp mà không cần phải dựa vào các mô hình số liệu cụ thể.

Nhược điểm của nghiên cứu định tính

• Khó tiếp cận chuyên gia để phỏng vấn: Truy cập vào các chuyên gia có thể cần thiết để thu thập thông tin chuyên môn hoặc để có những góc nhìn sâu hơn về các vấn đề nghiên cứu có thể gặp khó khăn. Điều này đặc biệt đúng khi nghiên cứu đòi hỏi sự hiểu biết chuyên sâu hoặc khả năng phân tích sự kiện từ góc độ chuyên môn cao.
• Khó viết phần phân tích và báo cáo: Việc phân tích và báo cáo kết quả từ nghiên cứu định tính có thể phức tạp hơn so với nghiên cứu định lượng. Phần phân tích thường đòi hỏi nhà nghiên cứu phải có khả năng diễn giải dữ liệu một cách chi tiết và logic, đồng thời phải chắc chắn rằng các kết quả được trình bày một cách rõ ràng và thuyết phục. Ngoài ra, việc viết báo cáo cũng đòi hỏi kỹ năng viết lách và trình bày để có thể chia sẻ những phát hiện quan trọng một cách hiệu quả với cộng đồng nghiên cứu và công chúng.
• Độ tin cậy của dữ liệu: Dữ liệu thu thập từ phương pháp nghiên cứu định tính có thể không luôn đảm bảo độ tin cậy cao do tính chủ quan và có thể bị ảnh hưởng bởi sự thiên lệch trong cách thu thập dữ liệu.
• Khó khảo sát lặp lại: So với nghiên cứu định lượng, việc khảo sát lại kết quả của nghiên cứu định tính thường khó khăn hơn do tính chất mô tả và chủ quan của dữ liệu.
• Thiếu tính khả quan trọng: Mặc dù cung cấp cái nhìn sâu sắc, nghiên cứu định tính có thể thiếu tính khả quan trọng so với nghiên cứu định lượng, do không đo lường và số hóa dữ liệu một cách cụ thể và khách quan.

Kinh nghiệm thực hiện khóa luận & luận văn tốt nghiệp và các vấn đề liên quan 2024

Khóa luận tốt nghiệp, luận văn tốt nghiệp là gì

Thực ra có rất nhiều bạn nhầm lẫn khóa luận với từ luận văn. Khóa luận là của cử nhân, luận văn là của thạc sĩ và luận án là của các bác tiến sĩ. Hãy sử dụng đúng nhé, các cử nhân tương lai.

Khóa luận thường sẽ chiếm 15 tín chỉ (nếu như bạn đi thực tập thì chuyên đề thực tập chiếm 5 tín chỉ, 2 môn thi tốt nghiệp chiếm 10 tín chỉ còn lại). Đã viết khóa luận thì không đi thực tập, không học và thi các môn tốt nghiệp liên quan đến Phương pháp nghiên cứu khoa học. Nếu đủ điều kiện viết khóa luận nhưng muốn đi thực tập cho gần gia đình, tìm kiếm cơ hội ở quê nhà thì bạn cứ làm đơn, sẽ được đi thực tập thôi. Nhưng Xulysolieu khuyên bạn hãy viết khóa luận vì điểm cao hơn, đỡ vất vả hơn.

Có thể hiểu đơn giản khóa luận là một bài cá nhân học kì mở rộng về phạm vi dung lượng và yêu cầu cao hơn về chất lượng, bao gồm 2 hoặc 3 chương với cách đánh đề mục cụ thể rõ ràng.

2. Kinh nghiệm trong giai đoạn chuẩn bị khóa luận tốt nghiệp

Chuẩn bị khóa luận tốt nghiệp

3. Kinh nghiệm thực hiện khóa luận tốt nghiệp

Thực hiện khóa luận tốt nghiệp

Quá trình thực hiện khóa luận trải qua nhiều bước, trong đó có những bước cơ bản ban đầu đã như đã nêu bên trên. Tuy nhiên, thực sự quan trọng nhất phải là giai đoạn viết và hoàn thành, nộp cho Khoa. Vì vậy, bạn hãy:

Bạn nên xác định những điều sau:

– Nếu như khóa luận cho dù có được 10 điểm mà bạn cũng không nâng từ loại Khá nên Loại Giỏi, thầy cô hướng dẫn không nhiệt tình, bản thân bạn cũng cho là khóa luận của bạn chất lượng không cao lắm thì mình khuyên bạn bạn cũng đừng nên áp lực quá để gây ra mệt mỏi làm gì. Phải nói thật là điểm khóa luận hấu hết là cao và rất cao, thậm chí 9đ là tệ lắm rồi.

– Tuy nhiên, nếu bạn thực sự cần điểm cao để thay đổi tấm bằng thì bạn nên thực sự nỗ lực để có được mong muốn đó đối với khóa luận.

– Nếu bạn thực sự thấy mình không có khả năng viết thì bạn nên xin được đi thực tập. Đừng cố làm gì khi không có khả năng và thầy cô sẽ rất khó chịu nếu thực sự bạn ko viết được. Sẽ có rất ít thầy cô sửa, viết lại hộ bạn để bạn có thể đi nộp khóa luận khi bạn ko có khả năng viết.

3.1 Quy trình thực hiện đề tài

Lẽ dĩ nhiên, không phải nhận đề tài về rồi là bạn bắt tay vào viết được đâu. Muốn viết được, bạn phải chuẩn bị đầy đủ các dữ kiện.

Trước hết bạn nên dành thời gian để đọc. Tại sao ư? Bạn cần tìm đọc các tài liệu, công trình, bài viết liên quan trực tiếp, gián tiếp đến đề tài, để biết được những người đi trước đã khai thác vấn đề đến đâu, đã đạt được kết quả gì, vẫn còn điều gì chưa được đề cập hoặc giải quyết chưa thấu đáo. Như vậy bạn sẽ hình dung được điều mình làm là gì và không lặp lại những gì người khác đã làm. Nhờ đó, bạn bắt đầu hình thành một đề cương để thảo luận với thầy hướng dẫn. Bạn cũng cần biết rằng, toàn bộ những tài liệu đã đọc ấy sẽ giúp bạn viết nên mục lịch sử nghiên cứu vấn đề, nằm ở phần Mở đầu của khóa luận.

Sau khi thảo luận với thầy hướng dẫn và được thầy góp ý, gợi mở, bạn đã có trong tay đề cương chi tiết của khóa luận. Đề cương này cũng có thể còn thay đổi: thu hẹp hoặc mở rộng, tùy thuộc vào nguồn tư liệu và kết quả khảo sát tư liệu trong quá trình thực hiện. Đây là chuyện thường thấy.

Cấu trúc chung của một khóa luận tốt nghiệp (của cả luận văn thạc sĩ, luận án tiến sĩ) là gồm ba phần: Mở đầu (Dẫn nhập), Các chương, Kết luận. Tuần tự như tiến, không ít bạn sẽ bắt tay viết phần Mở đầu trước.

Không sao cả. Nhưng bạn có biết rằng bạn không cần bắt đầu với Mở đầu không? Hãy để đến khi hoàn tất các chương chính của khóa luận, bạn viết Mở đầu cũng không muộn, đấy là chưa nói, có thể đó là cách làm khôn ngoan, vì bạn sẽ mô tả chính xác hơn những gì khóa luận đã thực hiện, những kết quả khóa luận đã đạt được.

3.3 Tài liệu tham khảo, trích dẫn và hình thức trình bày

Về tài liệu tham khảo có nhiều nguồn để tìm kiếm, nhưng quan trọng nhất là thư viện và Internet. Nhưng một điều quan trọng là bạn nên tìm đến những khóa luận đã làm có liên quan đến đề tài của bạn để tham khảo. Điều này có ý nghĩa là: kế thừa được những kết quả nghiên cứu trước và phát huy hơn nữa; thầy cô rất khuyến khích như thế.

Thực tế có nhiều bạn đã viết xong nhưng thầy cô yêu cầu tìm các khóa luận cũ để đọc thêm nữa. Nên kiểm tra kĩ là tài liệu có còn hiệu lực hay không, đừng có trích dẫn tài liệu một cách thụ động mà ko kiểm tra lại thông tin, nếu không sẽ dễ bị bắt bẻ khi ra Hội đồng.

Trích dẫn tài liệu nên đúng chỗ, đúng cách, ko nên trích dẫn quá nhiều mà cũng ko nên chép mà ko chú thích. Nhìn chung thầy cô đều nhận ra bạn đã trích ở đâu cho dù bạn có làm chú thích hay ko đấy.

Phần nào dễ thì viết trước (thường thì là phần thực trạng, cơ sở lí luận), khó thì viết sau (thường là kết quả phân tích dữ liệu, kiến nghị). Phần lý luận ko nên dài quá mà cân đối với các phần khác. Tuy nhiên lý luận cũng ko nên quá ít, sẽ bị đánh giá là yếu về cơ sở lý luận. Nếu trong phần lý luận đưa ra được ý mới, khái niệm, quan điểm mới thì sẽ rất có giá trị, được đánh giá cao.

Phần kiến nghị ko nên viết quá chung chung mà phải nêu rõ được cơ sở của kiến nghị và thực hiện kiến nghị cụ thể đó như thế nào, tránh đưa ra khẩu hiệu, hô hào trong khóa luận,… Trong khi viết nếu có vấn đề nào đó thực sự ko quan trọng nhưng bạn nắm rõ thì bạn ko nên nêu quá kĩ mà nên viết sơ qua, thầy cô thường đánh vào những chỗ này để hỏi lúc ra Hội đồng bảo vệ, khi đó bạn sẽ chủ động và thành công hơn.

Bạn nên tuân thủ quy định hình thức của khóa luận và đề cương chi tiết đã đề ra. Có một số điểm khác biệt nhất định về hình thức khóa luận so với bài tập tín chỉ, như: số trang đánh ở bên trên, chính giữa; chú thích làm kiểu [ ] chứ không làm ngay dưới mỗi trang (đối với kiểu này bạn phải ổn định, thống nhất đc danh mục tài liệu tham khảo cuối cùng rồi mới đánh số chính xác cho chú thích được),… Số trang của khóa luận yêu cầu tối đa 50 nhưng bạn có thể làm đến 60 cũng đc, nếu nhiều hơn dễ bị trừ điểm.

4. Kinh nghiệm trình bày khóa luận & thuyết trình trước hội đồng

Trình bày khóa luận & thuyết trình trước hội đồng

4.1 Trình bày khóa luận

Các bạn không cần băn khoăn tự hỏi phải trình bày khóa luận ra sao, vì bạn đã có cẩm nang hướng dẫn trình bày hình thức khóa luận/đồ án tốt nghiệp do trường, khoa hoặc bộ môn đào tạo cung cấp. Từ cách trình bày trang bìa, trang bìa trong, phông chữ, cỡ chữ…, đến nguyên tắc dãn dòng, canh lề, đánh số trang, chú thích… mọi chi tiết đều được chỉ dẫn rõ ràng.

Một khóa luận có hình thức trình bày đúng chuẩn bao giờ cũng chiếm được cảm tình của người đọc ngay từ trang đầu tiên. Nhớ kiểm tra kỹ từng trang để đảm bảo không còn sót lỗi chính tả, lỗi ngữ pháp, lỗi diễn đạt… Mấy “chuyện nhỏ” ấy có thể lấy đi của bạn số điểm đáng kể đấy.

Trong từng chương, bạn nên đặt tên các mục, tiểu mục một cách có hệ thống và đánh số thứ tự cho các tiêu đề. Thông thường, ở các trường kỹ thuật, cách đánh số Ả Rập, theo ma trận (nhiều nhất là đến bốn chữ số) sẽ được ưa chuộng hơn.

Tuy nhiên, cũng có những trường sẽ hướng dẫn cách đánh số thứ tự tiêu đề theo số La Mã và chữ cái.

Cách nào cũng thể hiện được tính hệ thống cả bạn ạ. Miễn là bạn làm đúng theo quy định về định dạng báo cáo của trường bạn. Nếu trường bạn không có quy định cụ thể thì bạn có thể lựa chọn một trong hai cách trên.

Ngoài ra, cũng nên chú ý viết mấy dòng mở đầu chương (gọi là Tiểu dẫn) và kết chương (gọi là Tiểu kết), như vậy bố cục của chương sẽ rất chặt chẽ. Bố cục này bạn sẽ còn sử dụng về sau, nếu bạn có cơ hội làm luận văn cao học, luận án tiến sĩ. Vậy hãy tập cách làm việc chuyên nghiệp này ngay từ bây giờ bạn nhé.

4.2 Thuyết trình, bảo vệ trước hội đồng

Sau bao nhiêu ngày tháng vất vả, giờ bạn đã có trong tay khóa luận/đồ án tốt nghiệp để trình lên hội đồng giám khảo. Nỗi lo đã vơi đi, nhưng vẫn còn một cửa ải cuối cùng phải vượt qua. Làm thế nào để có một buổi bảo vệ thành công?

Trước khi buổi bảo vệ diễn ra, khóa luận của bạn sẽ được gửi đến cho một thầy cô khác đọc phản biện, điểm của thầy cô này cho được tính vào điểm trung bình chung cuối cùng của bạn. Thầy cô này cũng sẽ đưa ra cho bạn 1, 2 câu hỏi. Việc trả lời các câu hỏi của phản biện này tại Hội đồng ko ảnh hưởng đến số điểm mà thầy cô này đã cho trc đó của bạn. Thông thường Hội đồng bảo vệ có 5 người, nếu thầy cô nào hướng dẫn bạn mà có trong Hội đồng sẽ ko đc cho điểm và ko đưa ra câu hỏi cho các bạn. Các thành viên Hội đồng sau khi nghe bạn trình bày kết quả nghiên cứu sẽ đưa ra câu hỏi. Bạn có thể sẽ có thời gian để suy nghĩ các câu trả lời.

Thường thì kết quả chấm sẽ được cộng chia đều rồi lấy đến hai chữ số thập phân và công bố khi tất cả các sinh viên viết môn đó đã bảo vệ xong. Có bạn sẽ biết điểm trước nếu thầy cô hướng dẫn ngồi trong Hội đồng, làm thư ký. Có một lưu ý là nếu điểm của bạn lẻ, ví dụ như 9.75 thì khi tính điểm trung bình cuối khóa vẫn dùng 9.75 nhưng khi vào điểm trong Bảng điểm toàn khóa cho bạn thì thường được ghi là 10 đấy ^^.

a. Chuẩn bị kỹ càng

Một sự chuẩn bị chu đáo bao giờ cũng quyết định 80% thành công. Bạn hãy tận dụng sự trợ giúp từ các slide trình chiếu, nhưng đừng lạm dụng. Các slide nên trình bày đơn giản (không rối rắm màu sắc, trừ phi đồ án của bạn cần thể hiện một kết quả nào đó liên quan nhiều đến màu sắc, đường nét, hình họa; không chen hình hoa lá, thú vật nhảy nhót), ít chữ, chữ cỡ lớn để dễ nhìn, không chọn những màu chữ quá chói (vàng cam, nõn chuối) hoặc quá nhạt. Các slide trình chiếu tuyệt đối không thể là kết quả của công đoạn “chép và dán” từ văn bản soạn trong chương trình Microsoft Word. Cần cân nhắc lựa chọn nên trình chiếu nội dung gì và thể hiện nó một cách gọn ghẽ thành các ý, chứa trong đó một câu hay một ngữ (chứ không phải một đoạn!). Những ý nêu lên chỉ là cái khung gợi ý để bạn thuyết minh thêm, chứ chúng không làm thay phần trình bày của bạn.

Bạn nên chuẩn bị trước một số tư liệu, sách báo, băng đĩa, hình ảnh… liên quan đến quá trình thực hiện khóa luận/đồ án. Đó sẽ là những minh chứng cần thiết khi giám khảo yêu cầu.

Bạn cần hiểu rõ những gì bạn đã làm được, và cả những gì bạn chưa thật hài lòng, hay chưa kịp thực hiện trong khóa luận. Điều đó sẽ khiến bạn tự tin với thành quả, đồng thời có một thái độ tự chủ, sẵn sàng lắng nghe những góp ý của hội đồng giám khảo.

Bạn hãy chuẩn bị một sức khỏe tốt cho ngày bảo vệ. Đừng để mình kiệt sức khi “trận đấu” chưa thực sự mở màn.

b. Thái độ tự tin, đúng mực

Đã trải qua những ngày tháng dài làm đồ án, bạn phải là người hiểu rõ công việc của mình, chỗ mạnh, chỗ yếu của công trình. Vậy thì tại sao bạn không tự tin bước tới trình bày những gì bạn đã làm được? Sự tự tin, điềm tĩnh, đúng mực của bạn sẽ được ban giám khảo đánh giá cao.

c. Nói năng lưu loát

Đứng trước một hội đồng giám khảo gồm toàn những chuyên gia có tên tuổi, bạn bỗng “run như cầy sấy” và lúng túng nói không thành câu.

Đừng lo, mấy giây đó sẽ qua nhanh thôi. Hãy hít một hơi thật sâu, lấy lại bình tĩnh, chào các thành viên hội đồng và… bắt đầu. Sẽ rất hữu ích nếu bạn đã chuẩn bị trước phần thuyết minh này ở nhà bằng cách tập nói trôi chảy, không ngắc ngứ, theo thời gian quy định (thường là 10-15 phút đối với khóa luận/đồ án tốt nghiêp). Hai ba lần tập luyện như thế sẽ giúp bạn không còn lúng túng trong ngày bảo vệ.

d. Trình bày vấn đề và nêu bật kết quả nghiên cứu

Cả một công trình đồ sộ trên dưới 100 trang, kết quả của 3-4 tháng miệt mài lao động, lại chỉ được trình bày trong vẻn vẹn 10-15 phút! Bạn sẽ thấy, chao ôi, thời gian ít ỏi quá, làm sao nói cho hết. Nhưng bạn không cần “nói cho hết”, mà chỉ nhấn mạnh những điểm cần nói. Hãy dành khoảng 2 phút để nói về lý do bạn lựa chọn đề tài này, mục tiêu mà bạn đặt ra là gì, bạn đã dùng những phương pháp gì để thực hiện, trên cơ sở dữ liệu nào. Dành khoảng 1-2 phút cuối cho những kết luận khẳng định lại kết quả nghiên cứu của bạn. Thời gian còn lại, bạn hãy chọn trình bày những vấn đề cốt lõi, cơ bản của đề tài, theo một mạch dẫn liên kết chặt chẽ, có hệ thống. Đừng cố nói “tất tần tật” mọi ý tưởng, vì như thế, có thể bạn sẽ bị cắt ngang vì hết giờ, trong khi bạn còn biết bao điều chưa kịp nói.

e. Trả lời thuyết phục

Các bạn sinh viên khi lên bảo vệ có một tâm lý chung là sợ bị chất vấn, phản biện. Câu hỏi dù khó, dù dễ đều ngại trả lời, tốt nhất là cứ “cảm ơn thầy cô, em xin ghi nhận và sẽ tìm hiểu sau” cho an toàn!

Nếu làm như thế thì đâu còn ý nghĩa của một buổi bảo vệ khóa luận/đồ án. Với tư cách là tác giả công trình, bạn hãy sẵn sàng “đương đầu” với những câu hỏi, mà phần lớn chỉ với mục đích tạo cho thí sinh cơ hội được thể hiện những hiểu biết của mình xung quanh đề tài đã làm. Hãy cố gắng trả lời hoặc thảo luận trong chừng mực có thể, còn với những câu hỏi vượt quá khả năng trả lời, bạn hãy trung thực nói rõ, đồng thời tỏ thái độ cầu thị, thầy cô sẽ cho bạn lời giải. Và lời giải đó có thể là một gợi ý để bạn hoàn thiện đề tài hoặc mở rộng đề tài ở cấp nghiên cứu cao hơn.

5. Một số vấn đề nhạy cảm liên quan

Nhiều bạn lo ngại chuyện thầy cô hướng dẫn như thế nào, các vấn đề liên quan như thế nào. Xulysolieu thì có một số lời khuyên như thế này:

– Bạn nên xác định là đây là việc hướng dẫn. Trên đời này hiếm khi có việc gì mà không công. Nên bạn hãy xác định ngay từ đầu chuyện quà cáp, thậm chí là tiền nong là chuyện hết sức bình thường để tránh tâm lý tiêu cực làm khóa luận chỉ là sự đổi chác. Nếu điều đó xảy ra tự bản thân bạn đã làm mình bị áp lực. Đơn giản là làm khóa luận thì tốn kém nhiều thứ hơn so với đi thực tập. Do đó, nếu bạn thấy có làm khóa luận mà điểm của bạn cũng ko lên loại Khá hay lên Giỏi được mà bạn lại ko có điều kiện kinh tế cho lắm (tất nhiên cũng ko yêu cầu cao về tài chính) và bạn thấy ko thực sự hứng thú viết, thấy ko có khả năng viết thì tốt nhất bạn nên xin đi thực tập. Còn nếu bạn đã chọn viết thì bạn nên biết chấp nhận và đơn giản hóa những điều vốn đã tồn tại từ lâu. Bạn nên quan tâm đến một số dịp lễ như 20/11, Tết, 8/3, khi đến nhà để bàn bạc thêm về khóa luận, lâu lâu đến nhà chơi 1 lần, cảm ơn khi đã kết thúc hoàn thành xong khóa luận,…

– Nếu thầy cô của bạn thực sự tốt, ko nhận quà của sinh viên, ko muốn sinh viên đến nhà, chỉ muốn gặp ở trường thì bạn cũng đừng nên cố gắng mà tìm cách đưa được quà cho thầy cô đó. Các thầy cô này đã làm như thế là đã rất tốt với sinh viên. Bạn đừng có nghĩ theo hướng nếu ko đưa được quà cáp thì thầy cô sẽ ko nhiệt tình, sẽ không giúp bạn hoàn thành xong khóa luận. Điều đó là hoàn toàn sai lầm. Hãy xem đó là điều may mắn của bạn. Bên cạnh đó, nếu người hướng dẫn là người quen của bạn, gia đình thì càng tốt, nhiệt tình mà ko tốn kém nhiều. Tuy nhiên cũng lưu ý là dù gì khi hoàn thành xong cũng nên đến cảm ơn, dù ít dù nhiều nhé.

– Có nhiều người hướng dẫn thực sự không tốt cho lắm. Chỉ khi bạn đến thăm họ nhiều, mang nhiều quà cáp đến thì mới tích cực hướng dẫn. Nếu bạn đã lỡ rơi vào trường hợp như thế này mà ko thể thay đổi nữa thì bạn nên biết chấp nhận. Bạn nên cố gắng hoàn thành thật tốt tiến độ, cố làm tốt, trước khi đưa kết quả cho thầy cô đó sửa thì nên nhờ ai đó khác đọc sửa hộ trước để bạn ko phải gặp thầy cô của bạn quá nhiều lần để sửa và khi đó lại tỉ lệ thuận với quà cáp mà bạn phải dùng; tận dụng những khi gặp nhau trực tiếp để hỏi được nhiều nhất những vấn đề mà bạn còn chưa rõ, còn thắc mắc,… Bên cạnh đó, đã là người khó trong chuyện quà cáp thì bao giờ bạn cũng nên quan tâm hơn một chút, chú trọng hơn một chút việc thăm hỏi. Nói thật là dù gì cũng là người do thầy cô đó hướng dẫn, cũng liên quan đến uy tín nên thực sự họ cũng ko bao h quá thờ ơ hay vô trách nhiệm được đâu.

– Nếu bạn đã làm đề tài đó tham dự cuộc thi SV NCKH và bây h nâng lên thành khóa luận thì mình nói thật là bạn sẽ phải làm việc rất ít và ít tốn kém khi viết lại thành khóa luận. Lí do đơn giản là bạn đã có một bản đề tài từ lúc tham gia cuộc thi rồi, bây h chỉ gia cố lại, viết thêm một số phần; ngay lúc làm đề tài NCKH SV thực ra bạn chỉ tốn kém tiền in ấn tài liệu chứ chuyện quà cáp thầy cô hầu như là không có vì hầu như là làm việc qua mạng; sẽ phải sửa ít hơn và số lần gặp thầy cô ít hơn (ko có giai đoạn làm đề cương nữa, ko nộp từng chương nữa mà đưa luôn cả khóa luận đã làm xong, sửa kĩ hơn vì có nhiều thời gian hơn). Sẽ rất thuận lợi cho bạn.

Vì vậy:

– Nên lựa chọn kĩ thầy cô hướng dẫn, tìm hiểu kĩ.

– Nếu có khả năng hãy tham gia cuộc thi SV NCKH để nâng lên thành khóa luận.

Xử Lý Số Liệu cung cấp cho bạn hướng dẫn trong bài viết này để bạn nắm được những tips và lưu ý quan trọng quá trình làm nghiên cứu khoa học cho luận văn, khóa luận tốt nghiệp. Nếu bạn cần hỗ trợ thêm, Xử Lý Số Liệu sẵn lòng cung cấp dịch vụ hỗ trợ chuyên nghiệp nhanh chóng. Đừng ngần ngại liên hệ Xử Lý Số Liệu tại đây để được trợ giúp!

3 trường hợp phải biết về Cronbach’s Alpha if Item Deleted lớn hơn Cronbach’s Alpha của nhóm

Nếu Cronbach’s Alpha if Item Deleted lớn hơn Cronbach’s Alpha của nhóm, có 3 giải pháp phù hợp cho trường hợp này

Chạy Cronbach’s Alpha trên SPSS: 4 trường hợp loại hay giữ biến

Cronbach’s Alpha phải lớn hơn 0.6. Khi chạy SPSS sẽ xảy ra 4 trường hợp giữ hoặc loại Cronbach’s Alpha.

Hướng dẫn 4 bước phân tích hồi quy tuyến tính trong SPSS

Hồi quy tuyến tính là bước quan trọng tiếp theo sau tương quan trong chuỗi các kiểm định SPSS. Trong bài viết bên dưới, Xulysolieu sẽ mách bạn 4 bước thực hiện hồi quy tuyến tính bằng SPSS, cũng như giải thích và báo cáo kết quả từ kết quả nhận được.

1. Định nghĩa hồi quy tuyến tính trong SPSS

Trong quá trình nghiên cứu, chúng ta thường phải kiểm tra các giả thuyết liên quan đến mối quan hệ giữa hai hoặc nhiều biến. Trong trường hợp chỉ có một biến độc lập, chúng ta sử dụng mô hình hồi quy tuyến tính đơn biến (SLR – Simple Linear Regression). Khi có từ hai biến độc lập trở lên, chúng ta áp dụng hồi quy tuyến tính bội (MLR – Multiple Linear Regression). MLR là mô hình mở rộng của SLR, cho phép xem xét tương quan giữa một biến phụ thuộc và nhiều biến độc lập.

Hướng dẫn phân tích hồi quy tuyến tính trong SPSS 26

Các phần tiếp theo trong bài viết này sẽ tập trung vào hồi quy tuyến tính bội, nhưng hồi quy tuyến tính đơn biến cũng có tính chất tương tự với hồi quy bội. Phương trình cụ thể cho 2 dạng như bên dưới:

– Phương trình hồi quy tuyến tính đơn biến (SLR): Y = β₀ + β₁X + e

– Phương trình hồi quy tuyến tính bội (MLR): Y = β₀ + β₁X₁ + β₂X₂ + … + β_nX_n + e

Với mục tiêu là tìm các hệ số β0​ và β1​ sao cho mô hình phù hợp với dữ liệu quan sát. Trong đó:

• Y: biến phụ thuộc, là biến nhận tác động của (các) biến khác.
• X, X₁, X₂, X_n: (các) biến độc lập, là biến tác động lên biến khác.
• β₀: hằng số hồi quy, hay còn được gọi là hệ số chặn.
  • Hằng số hồi quy ( β₀) là giá trị của biến phụ thuộc Y khi tất cả các biến độc lập X đều bằng 0. Nói cách khác, nếu không có sự ảnh hưởng của bất kỳ biến nào, giá trị của Y sẽ là β0.
  • Khi chúng ta biểu diễn hàm hồi quy trên đồ thị hai chiều (đồ thị Oxy), điểm β₀ là điểm mà đường hồi quy cắt qua trục Oy. Nó cho chúng ta cái nhìn về giá trị ban đầu của biến phụ thuộc khi không có ảnh hưởng từ các biến độc lập.
• β₁, β_2, β_n: hệ số hồi quy, hay còn được gọi là hệ số góc.
  • Hệ số hồi quy (βi) (với (i = 1, 2, …, n) là chỉ số cho biết mức thay đổi của biến phụ thuộc Y do biến độc lập Xi tương ứng gây ra. Nói cách khác, βi cho chúng ta biết có bao nhiêu đơn vị Y sẽ thay đổi nếu Xi tăng hoặc giảm một đơn vị.
  • Khi biểu diễn trên đồ thị hai chiều, hệ số hồi quy (βi) là độ dốc của đường hồi quy liên quan đến biến Xi. Điều này giúp chúng ta hiểu về mức độ ảnh hưởng của từng biến độc lập đối với biến phụ thuộc.
• e: sai số, hay thường được hiểu dưới dạng sai số trong hồi quy tổng thể. Nó là sự sai lệch giữa giá trị dự đoán của mô hình hồi quy và giá trị thực tế. Chỉ số này càng lớn, khả năng dự đoán của mô hình trở nên kém chính xác hơn hoặc sai lệch nhiều hơn so với thực tế.
  • Sai số trong hồi quy tổng thể: Đây là sự sai lệch giữa giá trị dự đoán của mô hình và giá trị thực tế trên toàn bộ dữ liệu. Nó phản ánh khả năng dự đoán của mô hình trên tất cả các quan sát.
  • Sai số phần dư trong hồi quy mẫu: Đây là sự sai lệch giữa giá trị dự đoán của mô hình và giá trị thực tế trên từng quan sát cụ thể trong mẫu dữ liệu. Sai số này bao gồm hai thành phần:
    • Các biến độc lập ngoài mô hình: Đây là sự ảnh hưởng của các biến không được bao gồm trong mô hình hồi quy tuyến tính.
    • Các sai số ngẫu nhiên: Đây là sai số không thể dự đoán được, phụ thuộc vào yếu tố ngẫu nhiên và các yếu tố không xác định khác.

Trong thống kê, chúng ta thường muốn đánh giá thông tin về tổng thể, tuy nhiên vì tổng thể thường quá lớn để thu thập toàn bộ dữ liệu, chúng ta không thể có được thông tin này một cách trực tiếp. Vì vậy, chúng ta sử dụng thông tin từ mẫu nghiên cứu để ước lượng hoặc kiểm định thông tin của tổng thể.

Trong hồi quy tuyến tính, các hệ số hồi quy tổng thể như β₁, β_2, β_n hay hằng số hồi quy β₀ là những tham số chúng ta quan tâm và muốn biết. Tuy nhiên, chúng không thể đo lường trực tiếp được. Do đó, chúng ta sử dụng tham số tương ứng từ mẫu để ước lượng và từ đó suy diễn ra thông tin về tổng thể.

Phương trình hồi quy tuyến tính trên mẫu nghiên cứu có dạng:

Y = B₀ + B₁X₁ + B₂X₂ + … + B_nX_n + ε

Trong đó:

• Y: biến phụ thuộc
• X, X₁, X₂, X_n: biến độc lập
• B₀: hằng số hồi quy
•  B₁, B_2, B_n: hệ số hồi quy
• ε: phần dư

Tất cả các nội dung hồi quy tiếp sau đây chỉ nói về hồi quy tuyến tính trên tập dữ liệu mẫu. Do vậy, thuật ngữ sai số sẽ không được đề cập mà chỉ nói về phần dư. Nếu 2 hoặc nhiều biến có mối tương quan với nhau, thì ta có thể dùng mô hình hồi quy tuyến tính để phân tích mối quan hệ nhân quả của chúng. Trong đó, có một bên là biến phụ thuộc (biến được giải thích – Y) và một bên là (các) biến độc lập (biến giải thích – X).

2. Ước lượng hồi quy tuyến tính bằng OLS

Một trong các phương pháp ước lượng hồi quy tuyến tính phổ biến là bình phương nhỏ nhất OLS (Ordinary Least Squares). Mục tiêu của OLS là làm cho biến thiên phần dư trong phép hồi quy là nhỏ nhất. 

Nguyên tắc khi biểu diễn trên mặt phẳng Oxy, đường hồi quy OLS là một đường thẳng đi qua đám đông các điểm dữ liệu. Đường hồi quy OLS được xác định sao cho khoảng cách từ các điểm dữ liệu đến đường hồi quy (trị tuyệt đối của ε) là ngắn nhất.

Trong tổng thể, sai số được ký hiệu là (e). Đây là sự sai lệch giữa giá trị dự đoán của mô hình hồi quy tuyến tính và giá trị thực tế. Sai số phản ánh sự không hoàn hảo của mô hình trong việc dự đoán.

Còn trong mẫu nghiên cứu, sai số lúc này được gọi là phần dư (residual) và được ký hiệu là ε. Phần dư là sự sai lệch giữa giá trị dự đoán của mô hình và giá trị thực tế trên từng quan sát cụ thể. Biến thiên phần dư tính bằng tổng bình phương của tất cả các phần dư.

Ước lượng hồi quy tuyến tính bằng OLS trong SPSS

Đồ thị phân tán scatter biểu diễn mối quan hệ giữa các biến độc lập và biến phụ thuộc. Các điểm dữ liệu sẽ nằm phân tán trên đồ thị, nhưng có xu hướng chung tạo thành một đám đông. Điều này thể hiện xu hướng tổng quát của dữ liệu.

Trong hồi quy tuyến tính, chúng ta cố gắng tìm ra đường thẳng mô tả sát nhất xu hướng dữ liệu. Có rất nhiều đường hồi quy có thể đi qua đám đông các điểm dữ liệu, không chỉ một đường duy nhất. Bình phương nhỏ nhất OLS sẽ tìm ra đường thẳng đó dựa trên nguyên tắc cực tiểu hóa khoảng cách từ các điểm dữ liệu đến đường hồi quy. Trong hình ở trên đường màu đỏ là đường hồi quy OLS.

3. Các bước phân tích hồi quy tuyến tính trong SPSS

Kiểm tra giả định hồi quy

Hồi quy tuyến tính là một công cụ phân tích dữ liệu mạnh mẽ trong SPSS, tuy nhiên để đảm bảo kết quả chính xác và đáng tin cậy, cần kiểm tra các giả định trước khi áp dụng mô hình. 

Việc kiểm tra giả định đảm bảo rằng dữ liệu bạn sử dụng phù hợp với mô hình hồi quy tuyến tính, từ đó mang lại kết quả chính xác và có ý nghĩa thống kê. Bỏ qua bước kiểm tra này có thể dẫn đến những sai lệch nghiêm trọng trong phân tích.

(1) Biến phụ thuộc là biến liên tục: Biến phụ thuộc (Y) phải được đo lường trên thang đo liên tục, có thể có giá trị tăng giảm bất kỳ trong phạm vi cho phép. Ví dụ: điểm thi, thời gian học tập, thu nhập,…

(2) Biến độc lập là biến liên tục: Biến độc lập (X) cũng phải được đo lường trên thang đo liên tục, có thể có giá trị tăng giảm bất kỳ trong phạm vi cho phép. Ví dụ: số giờ học tập, mức độ tập trung, chi phí quảng cáo,…

(3) Mối quan hệ tuyến tính: Mối quan hệ giữa biến phụ thuộc và biến độc lập phải là mối quan hệ tuyến tính. Điều này có nghĩa là khi biến độc lập thay đổi, biến phụ thuộc sẽ thay đổi theo một tỷ lệ tương đối không đổi.

(4) Không có giá trị ngoại lệ: Dữ liệu không được phép có giá trị ngoại lệ, là những điểm dữ liệu khác biệt hoàn toàn so với phần còn lại của tập dữ liệu.

(5) Độc lập: Các giá trị của lỗi độc lập với nhau. Điều này có nghĩa là lỗi ở một đơn vị quan sát không ảnh hưởng đến lỗi ở các đơn vị quan sát khác.

(6) Phương sai đồng nhất: Phương sai của lỗi không đổi ở tất cả các mức giá trị của biến độc lập.

(7) Phân phối chuẩn của lỗi: Lỗi theo phân phối chuẩn với trung bình bằng 0.

Thao tác chạy hồi quy tuyến tính trong SPSS chi tiết

Ví dụ: Một sinh viên muốn xác định mối quan hệ giữa “Các yếu tố liên quan đến sản phẩm sữa Fami” (biến độc lập) và “Quyết định chấp nhận sản phẩm Fami” (biến phụ thuộc)

– Tạo các biến để có thể nhập dữ liệu của: Các yếu tố liên quan đến sản phẩm (biến độc lập) và Quyết định chấp nhận sản phẩm Fami (biến phụ thuộc). 

– Tạo biến số thứ ba (case number): Biến này (có thể không cần thiết) lưu trữ số thứ tự của mỗi trường hợp (bản ghi dữ liệu). Biến này có thể hữu ích khi cần loại bỏ các trường hợp ngoại lệ trong quá trình phân tích.

Để thực hiện phân tích hồi quy tuyến tính bội theo phương pháp OLS để đánh giá sự tác động của các biến độc lập lên biến phụ thuộc, chúng ta làm như sau:

Bước 1:

Trong giao diện SPSS, nhấp vào Analyze > Regression > Linear trên menu trên cùng, như hiển thị bên dưới:

Nhấp vào Analyze > Regression > Linear

Bạn sẽ thấy hộp thoại Linear Regression:

Hộp thoại Linear Regression

Bước 2:

Chuyển các biến độc lập vào hộp Independent(s), và biến phụ thuộc vào hộp Dependent: Bạn có thể thực hiện việc này bằng cách kéo và thả các biến hoặc sử dụng các nút mũi tên Right thích hợp. Bạn sẽ thấy màn hình sau:

Chuyển các biến độc lập và biến phụ thuộc vào

Bước 3:

Tiếp tục kiểm tra các giả định: Không có giá trị ngoại lệ; Độc lập; Phương sai đồng nhất; Phân phối chuẩn của lỗi.

Sử dụng các tính năng trong hộp Statistics, tích chọn các mục như trong hình minh họa và chọn Continue.

Sử dụng các tính năng trong hộp Statistics

Tiếp tục chọn vào hộp Plots, tích chọn vào mục Histogram và mục Normal probability plot, kéo thả biến ZRESID vào ô Y, kéo thả biến ZPRED vào ô X như hình minh họa bên dưới. Sau đó chọn Continue.

Tick các tùy chọn trong hộp Plots

Bước 4:

Quay lại giao diện ban đầu, chúng ta có mục Method để xác định phương pháp đưa biến vào mô hình hồi quy tuyến tính. Tùy thuộc vào dạng nghiên cứu, bạn có thể chọn Enter hoặc Stepwise. Trong trường hợp đề tài thực hành và mục tiêu là nghiên cứu khẳng định, Xulysolieu đề xuất bạn chọn phương pháp Enter để đưa tất cả các biến vào mô hình một lượt. Sau đó, hãy nhấp vào nút OK để tiến hành chạy hồi quy tuyến tính.

Chọn phương pháp Enter và nhất nút OK

4. Đọc kết quả hồi quy tuyến tính trong SPSS

Phần mềm SPSS sẽ tạo ra khá nhiều bảng và biểu đồ đầu ra cho hồi quy tuyến tính. Trong phần này, Xulysolieu chỉ cho bạn thấy 3 bảng chính cần thiết bao gồm ANOVA, Model Summary, Coefficients và 3 biểu đồ Histogram, Normal P-P Plot, Scatter Plot để hiểu kết quả của bạn từ quy trình chạy hồi quy tuyến tính, giả sử rằng không có giả định nào bị vi phạm.

Bảng Model Summary

Trong phân tích hồi quy tuyến tính, chúng ta thường đối mặt với sự phân tán của các điểm dữ liệu. Thực tế là hầu như không có đường thẳng nào có thể đi qua toàn bộ tất cả các điểm dữ liệu một cách hoàn hảo. Điều này tạo ra sự sai lệch giữa các giá trị ước tính và các giá trị thực tế.

Để đánh giá mức độ sai lệch và phù hợp của mô hình hồi quy tuyến tính, chúng ta cần tính toán các chỉ số đánh giá như sai số chuẩn (standard error), hệ số xác định (coefficient of determination), và kiểm tra giả thuyết về các hệ số hồi quy. Những thông số này giúp chúng ta hiểu rõ hơn về hiệu suất của mô hình và đưa ra quyết định phù hợp.

Một thước đo sự phù hợp của mô hình hồi quy tuyến tính thường dùng là hệ số xác định R2 (R square). Khi phần lớn các điểm dữ liệu tập trung sát vào đường hồi quy, giá trị R2 sẽ cao, ngược lại, nếu các điểm dữ liệu phân bố rải rác cách xa đường hồi quy, R2 sẽ thấp.

Khác nhau giữa giá trị R2 cao và thấp

Bảng Model Summary chứa các chỉ số thường được sử dụng để đánh giá sự phù hợp của mô hình hồi quy tuyến tính với ý nghĩa:

– Hệ số Durbin–Watson (DW): đánh giá hiện tượng tự tương quan chuỗi bậc nhất (kiểm định tương quan của các sai số kề nhau). DW có giá trị biến thiên trong khoảng từ 0 đến 4 (Yahua Qiao, 2011), cụ thể hơn:

+ DW dao động xung quanh mức 2: Các phần dư không có tương quan chuỗi bậc nhất với nhau.

+ DW dao động về mức 0: Giá trị DW càng nhỏ, gần về 0 có nghĩa là phần dư có tương quan thuận.

+ DW dao động về mức 4: Giá trị DW càng lớn, gần về 4 có nghĩa là phần dư có tương quan nghịch.

– Hệ số tương quan Pearson (R): đo lường mức độ tương quan tuyến tính giữa biến phụ thuộc (Y) và biến độc lập (X) với ngưỡng giá trị từ 0 đến 1, cụ thể:

+ R = 0: Biến Y và X hoàn toàn không tương quan với nhau.

+ 0 < R < 1: Biến Y và X tương quan dương: Khi X tăng, Y có xu hướng tăng.

+ -1 < R < 0: Biến Y và X tương quan âm: Khi X tăng, Y có xu hướng giảm.

+ R = 1: Biến Y và X tương quan tuyến tính hoàn hảo: Mọi thay đổi trong X đều dẫn đến thay đổi tuyến tính trong Y.

– Hệ số xác định (R2 – R Square) & Hệ số xác định hiệu chỉnh (Adjusted R2 – Adjusted R Square): Thể hiện tỷ lệ phần trăm phương sai của biến phụ thuộc (Y) được giải thích bởi biến độc lập (X) trong mô hình hồi quy tuyến tính. R2 hay R2 hiệu chỉnh đều có mức dao động trong đoạn từ 0 đến 1 với ý nghĩa như sau:

+ R2 càng cao (gần 100%) cho thấy mô hình hồi quy tuyến tính giải thích tốt biến động của Y bởi X.

+ R2 càng thấp (gần 0%) cho thấy mô hình hồi quy tuyến tính giải thích kém biến động của Y bởi X.

Khi chúng ta đưa thêm biến độc lập vào phân tích hồi quy tuyến tính, R2 có xu hướng tăng lên. Điều này dẫn đến một số trường hợp mức độ phù hợp của mô hình hồi quy bị thổi phồng khi chúng ta đưa vào các biến độc lập giải thích rất yếu hoặc không giải thích cho biến phụ thuộc. Trong SPSS, bên cạnh chỉ số R2, chúng ta còn có thêm chỉ số R2 Adjusted (R2 hiệu chỉnh). Chỉ số R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến độc lập được thêm vào hồi quy, do đó R2 hiệu chỉnh phản ánh độ phù hợp của mô hình chính xác hơn hệ số R2.

Không có tiêu chuẩn chính xác cho R2 ở mức bao nhiêu thì mô hình mới được chấp nhận về mặt thống kê. Cần lưu ý rằng, không phải luôn luôn một mô hình hồi quy tuyến tính có R2 cao thì nghiên cứu có giá trị cao, mô hình có R2 thấp thì nghiên cứu đó có giá trị thấp, độ phù hợp mô hình hồi quy không có mối quan hệ nhân quả với giá trị của bài nghiên cứu.

Trong nghiên cứu lặp lại, chúng ta thường chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu và kỳ vọng từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, điều này không thực sự chính xác bởi việc đánh giá giá trị R2 sẽ phụ thuộc rất nhiều vào các yếu tố như lĩnh vực nghiên cứu, tính chất nghiên cứu, cỡ mẫu, số lượng biến tham gia hồi quy, kết quả các chỉ số khác của phép hồi quy,…

Kết quả bảng Model Summary

Trong hình minh họa ở trên, bảng Model Summary cho chúng ta kết quả R2 hiệu chỉnh bằng 0.776 cho thấy các biến độc lập đưa vào phân tích hồi quy tuyến tính giải thích được 77.6% sự biến thiên của biến phụ thuộc, còn lại 22.4% là do các biến ngoài mô hình và sai số ngẫu nhiên.

Kết quả bảng Model Summary bên trên cũng đưa ra giá trị Durbin–Watson với DW = 2.025, dao động quanh mốc 2 nên kết quả không vi phạm giả định tự tương quan chuỗi bậc nhất.

Đôi khi việc phân tích hồi quy tuyến tính sẽ có khó khăn và mất nhiều thời gian khi chỉ số R2 quá thấp, xảy ra hiện tượng đa cộng tuyến,…Hãy tham khảo ngay dịch vụ chạy SPSS của xulysolieu.info ngay nhé.

Bảng ANOVA

Bảng tiếp theo là bảng ANOVA giúp chúng ta đánh giá độ phù hợp mô hình phương trình hồi quy tuyến tính với dữ liệu (tức là dự đoán biến phụ thuộc) một cách chính xác qua kiểm định giả thuyết. Phép kiểm định F cũng được sử dụng để kiểm định giả thuyết này. Trong đó có các chỉ số:

Sum of Squares (SS):

– Regression (SS): Thể hiện mức độ biến động của Y được giải thích bởi mô hình hồi quy.

– Residual (SS): Thể hiện mức độ biến động của Y không được giải thích bởi mô hình hồi quy.

– Total (SS): Tổng biến động của Y.

Degrees of Freedom (df):

– Regression (df): Số lượng biến độc lập trong mô hình.

– Residual (df): Số lượng quan sát trừ đi số lượng biến trong mô hình.

– Total (df): Số lượng quan sát trừ đi 1.

Mean Square (MS): Bình quân phương sai của mỗi nguồn biến động.

Hệ số F: Thống kê F dùng để kiểm định giả thuyết về ý nghĩa thống kê của mô hình hồi quy.

– H0: Các biến độc lập (X) không có ảnh hưởng đến biến phụ thuộc (Y).

– H1: Các biến độc lập (X) có ảnh hưởng đến biến phụ thuộc (Y).

Hệ số Sig.: Giá trị p-value của thống kê F.

– Nếu Sig. < 0.05: Bác bỏ H0, kết luận các biến độc lập (X) có ảnh hưởng đến biến phụ thuộc (Y) với mức độ tin cậy 95%.

– Nếu Sig. ≥ 0.05: Không đủ bằng chứng để bác bỏ H0, kết luận các biến độc lập (X) có thể không có ảnh hưởng đến biến phụ thuộc (Y).

Bảng kết quả ANOVA

Bảng ANOVA bên trên cho chúng ta kết quả kiểm định F để đánh giá giả thuyết sự phù hợp của mô hình hồi quy tuyến tính. Giá trị sig kiểm định F bằng 0.000 < 0.05, do đó, mô hình hồi quy là phù hợp.

Bảng Coefficients

Chúng ta sẽ xem xét ý nghĩa của hệ số hồi quy cho từng biến độc lập trong mô hình dựa trên kiểm định T student. Giả thuyết H0 trong trường hợp này là: “Hệ số hồi quy của biến độc lập Xi bằng 0.” Nếu mô hình hồi quy tuyến tính có nhiều biến độc lập, chúng ta sẽ kiểm tra nhiều giả thuyết H0. Cách đọc kết quả kiểm định như sau:

• Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi khác 0 một cách có ý nghĩa thống kê, biến Xi có tác động lên biến phụ thuộc.
• Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi bằng 0 một cách có ý nghĩa thống kê, biến Xi không tác động lên biến phụ thuộc.

Trong phân tích hồi quy tuyến tính, thường có hai loại hệ số hồi quy: hệ số chưa chuẩn hóa (được ký hiệu là B trong SPSS) và hệ số đã chuẩn hóa (được ký hiệu là Beta trong SPSS). Mỗi loại hệ số này đóng vai trò khác nhau trong việc diễn giải các kết quả thống kê của mô hình hồi quy. Trong ví dụ này, chúng ta sẽ sử dụng hệ số đã chuẩn hóa để phản ánh ý nghĩa thực tiễn của các biến.

Nếu hệ số hồi quy (B hoặc Beta) có dấu âm, điều đó cho thấy biến độc lập tác động ngược chiều lên biến phụ thuộc. Ngược lại, nếu hệ số B hoặc Beta có dấu dương, điều đó cho thấy biến độc lập tác động cùng chiều lên biến phụ thuộc. Khi xem xét mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc, chúng ta sẽ dựa vào giá trị tuyệt đối của hệ số Beta. Giá trị tuyệt đối của Beta càng lớn, biến độc lập tác động càng mạnh lên biến phụ thuộc.

Trong SPSS, các số liệu của kiểm định t được lấy từ bảng hệ số hồi quy Coefficients. Đáng lưu ý, nếu một biến độc lập không có ý nghĩa thống kê trong kết quả hồi quy tuyến tính, chúng ta có thể kết luận rằng biến độc lập đó không có ảnh hưởng đáng kể lên biến phụ thuộc mà không cần thực hiện việc loại bỏ biến và phân tích lại hồi quy tuyến tính.

Kết quả bảng Coefficients

Trong ví dụ ở trên, bảng Coefficients cho chúng ta kết quả kiểm định t để đánh giá giả thuyết ý nghĩa hệ số hồi quy, chỉ số VIF đánh giá đa cộng tuyến và các hệ số hồi quy.

Các biến độc lập gồm CHATLUONG, GIACA, BAOBI, CTKM đều có sig kiểm định t nhỏ hơn 0.05, do đó các biến này đều có ý nghĩa thống kê, đều tác động lên biến phụ thuộc CHAPNHANSP. Hệ số hồi quy các biến độc lập này đều mang dấu dương, như vậy các biến độc lập có tác động thuận chiều lên biến phụ thuộc.

Kết luận các giả thuyết lần lượt:

H1: Chất lượng sản phẩm (CHATLUONG) tác động đến sự hài lòng của nhân viên trong công việc (Chấp nhận)

H2: Giá cả (GIACA) tác động đến Quyết định chấp nhận sản phẩm (Chấp nhận)

H3: Bao bì (BAOBI) tác động đến Quyết định chấp nhận sản phẩm (Chấp nhận)

H4: Chương trình khuyến mãi (CTKM) tác động đến Quyết định chấp nhận sản phẩm (Chấp nhận)

Cũng cần lưu ý rằng trong trường hợp biến không có ý nghĩa trong hồi quy tuyến tính thì không cần loại biến đó và chạy lại phân tích.

Từ các hệ số hồi quy ở trên, chúng ta xây dựng được hai phương trình hồi quy tuyến tính như sau:

• Dạng chuẩn hóa: Y = 0.205*CHATLUONG + 0.310*BAOBI + 0.209*GIACA + 0.231*CTKM + ε
• Dạng chưa chuẩn hóa: Y= 0.402 + 0.184*CHATLUONG + 0.293*BAOBI + 0.203*GIACA + 0.212*CTKM + ε

Khi viết phương trình hồi quy tuyến tính, lưu ý rằng:

• Không đưa biến độc lập không có ý nghĩa thống kê vào phương trình.
• Nếu biến độc lập có hệ số hồi quy âm, chúng ta sẽ viết dấu trừ trước hệ số hồi quy trong phương trình. 
• Nhìn vào phương trình chúng ta sẽ có thể xác định ngay được biến độc lập nào tác động mạnh nhất, mạnh thứ hai,…, yếu nhất lên biến phụ thuộc.
• Luôn có phần dư ε cuối phương trình hồi quy tuyến tính dù là phương trình chuẩn hóa hay chưa chuẩn hóa.

Hệ số phóng đại phương sai (VIF) là một chỉ số dùng để đánh giá hiện tượng đa cộng tuyến trong mô hình hồi quy tuyến tính. VIF càng thấp, khả năng xảy ra đa cộng tuyến càng nhỏ.

Theo Hair và các cộng sự (2009), khi VIF đạt ngưỡng 10 trở lên, hiện tượng đa cộng tuyến mạnh sẽ xuất hiện. Các nhà nghiên cứu nên cố gắng giữ VIF ở mức thấp nhất có thể, vì ngay cả khi VIF đạt mức 5 hoặc 3, hiện tượng đa cộng tuyến nghiêm trọng vẫn có thể xảy ra. Theo Nguyễn Đình Thọ (2010), trong thực tế, nếu VIF > 2, cần cẩn thận vì đã có khả năng xuất hiện đa cộng tuyến gây sai lệch các ước lượng hồi quy tuyến tính.

Cụ thể trong ví dụ ở bảng trên, Hệ số VIF của các biến độc lập đều nhỏ hơn 10 gần mức 5, do vậy dữ liệu không vi phạm giả định đa cộng tuyến.

Đôi khi việc phân tích hồi quy tuyến tính sẽ có khó khăn và mất nhiều thời gian khi chỉ số R2 quá thấp, xảy ra hiện tượng đa cộng tuyến,…Hãy tham khảo ngay dịch vụ chạy SPSS của xulysolieu.info ngay nhé.

Biểu đồ tần số phần dư chuẩn hóa Histogram

Mục đích: Hiểu rõ phân bố của phần dư.

Cách giải thích:

– Phân bố chuẩn: Phần dư phân bố đều đặn quanh đường 0,không có hiện tượng skewness (lép) hoặc kurtosis (béo).

– Phân bố khác chuẩn: Cần xem xét kỹ lưỡng trước khi đưa ra kết luận về mô hình.

Lưu ý: Nên sử dụng biểu đồ mật độ thay cho biểu đồ tần số khi có nhiều dữ liệu. Phần dư có thể không tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích… 

Biểu đồ tần số phần dư chuẩn hóa Histogram

Cụ thể trong ảnh trên, Mean = 1.39E-15 = 1.39 * 10-15 = 0.00000… xấp xỉ bằng 0, độ lệch chuẩn là 0.984 gần bằng 1. Như vậy có thể nói, phân phối phần dư xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.

Biểu đồ phần dư chuẩn hóa Normal P-P Plot

Mục đích: So sánh phân bố thực tế của phần dư với phân bố chuẩn.

Cách giải thích:
– Điểm dữ liệu nằm gần đường chéo: Phân bố thực tế gần giống phân bố chuẩn.
– Điểm dữ liệu lệch khỏi đường chéo: Phân bố thực tế khác phân bố chuẩn.
Lưu ý: Cần xem xét kết hợp với các biện pháp thống kê khác để đưa ra kết luận chính xác.

Biểu đồ phần dư chuẩn hóa Normal P-P Plot

Cụ thể trong hình minh họa trên, các điểm dữ liệu phần dư tập trung khá sát với đường chéo. Kết luận, phần dư có phân phối xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.

Biểu đồ Scatter Plot giả định liên hệ tuyến tính

Mục đích: Kiểm tra giả định về mối quan hệ tuyến tính giữa biến phụ thuộc (Y) và biến độc lập (X).
Cách giải thích:
– Mối quan hệ tuyến tính: Điểm dữ liệu xếp xấp xỉ theo đường thẳng.
– Mối quan hệ phi tuyến tính: Điểm dữ liệu không xếp xấp xỉ theo đường thẳng.
Lưu ý: Cần xem xét kỹ lưỡng hình dạng của biểu đồ và sử dụng các phương pháp thống kê khác để xác nhận giả định tuyến tính.

Biểu đồ Scatter Plot giả định liên hệ tuyến tính

Cụ thể với kết quả mẫu ở trên, phần dư chuẩn hóa phân bổ tập trung xung quanh đường tung độ 0, do vậy giả định quan hệ tuyến tính không bị vi phạm.

Đôi khi việc phân tích hồi quy tuyến tính sẽ có khó khăn và mất nhiều thời gian khi chỉ số R2 quá thấp, xảy ra hiện tượng đa cộng tuyến,…Hãy tham khảo ngay dịch vụ chạy SPSS của xulysolieu.info ngay nhé.

Lưu ý khi xây dựng thang đo lường cho biến phụ thuộc và các lỗi cần tránh 2024

Trong quá trình nghiên cứu khoa học và phân tích dữ liệu thống kê, việc xác định mối quan hệ tác động giữa các biến là một phần quan trọng. Để làm điều này, trong mô hình nghiên cứu bao gồm cả biến độc lập và biến phụ thuộc, chúng ta cần xây dựng thang đo lường cho cả hai nhóm biến này và sau đó thu thập dữ liệu cho tất cả các biến có trong mô hình. Bài viết này sẽ chỉ ra hai lỗi cần tránh mà các bạn mới làm nghiên cứu thường gặp phải trong quá trình xây dựng thang đo lường cho biến phụ thuộc.

Lỗi cần tránh #1: Thiếu câu hỏi/ thang đo lường cho biến phụ thuộc

Rất nhiều bạn tham khảo luận văn, bài nghiên cứu, tạp chí quốc tế về các mô hình đơn giản có nhiều biến độc lập tác động lên một biến phụ thuộc. Khi xây dựng bảng câu hỏi, họ thường chỉ lập câu hỏi cho các biến độc lập mà không có câu hỏi cho biến phụ thuộc. Tuy nhiên, điều này là một lỗi cực kì nghiêm trọng.

Cách hiểu sai này là biến phụ thuộc có thể được đo bằng các biến độc lập. Nếu chúng ta chỉ có câu hỏi hoặc thang đo cho các biến độc lập, chúng ta không thể suy ra được thông tin về biến phụ thuộc. Điều quan trọng là chúng ta cần phải có câu hỏi hoặc thang đo cho cả biến phụ thuộc và biến độc lập để có thể phân tích mối quan hệ giữa chúng.

Lỗi này xuất phát từ một số nguyên nhân khách quan sau:

1. Thiếu kiến thức cơ bản về phân tích dữ liệu:

• Khi chúng ta chạy các phân tích như hồi quy, SEM để xác định mối quan hệ giữa hai biến, nền tảng cơ sở phải có dữ liệu của cả hai biến đó. Dữ liệu của cả hai biến (biến độc lập và biến phụ thuộc) là cần thiết để phân tích mối quan hệ giữa chúng.
• Chúng ta cần xem xét liệu dữ liệu của hai biến có tác động qua lại hay không để hiểu rõ hơn về mối quan hệ này. Từ đó, chúng ta mới biết được biến độc lập có tác động hay không tác động lên biến phụ thuộc

2. Lược bỏ thông tin về cơ sở lý thuyết của biến phụ thuộc:

• Một số tài liệu trình bày quá ngắn gọn và không đề cập đến cơ sở lý thuyết của biến phụ thuộc.
• Khi tìm hiểu các tài liệu này, người đọc có thể hiểu lầm rằng không cần biết về biến phụ thuộc để thực hiện phân tích hồi quy hoặc SEM.

3. Sử dụng dữ liệu ảo cho biến phụ thuộc:

• Một số bài luận xây dựng mô hình hồi quy không có nguồn dữ liệu đầu vào (thứ cấp hoặc sơ cấp) cho biến phụ thuộc. Tuy nhiên, trong phần trình bày kết quả, lại xuất hiện bảng kết quả hồi quy.
• Nguyên nhân là do tác giả đã sử dụng thủ thuật tạo dữ liệu ảo cho biến phụ thuộc để chạy hồi quy. Do đó, không thể trình bày rõ biến phụ thuộc được lấy dữ liệu từ đâu trong bài luận.
• Việc này có thể làm cho hội đồng chấm bài không đánh giá kỹ phần định lượng và tạo ra nguồn tham khảo sai cho người nghiên cứu sau này.

Chúng ta đang đi tìm mối quan hệ giữa các biến độc lập với biến phụ thuộc. Mối quan hệ này có ý nghĩa hay không, biến độc lập có tác động lên phụ thuộc hay không sẽ được trả lời qua hệ số tác động (hệ số hồi quy). Hệ số tác động chỉ được tìm ra qua kết quả phân tích hồi quy hoặc SEM.

Muốn phân tích được hồi quy hay SEM thì phải khai báo dữ liệu đầu vào cho các biến trong mô hình. Và biến trong mô hình ngoài biến độc lập thì có cả biến phụ thuộc nữa. Nên bắt buộc phải có dữ liệu đầu vào của biến phụ thuộc.

Khi bạn không có dữ liệu cho biến phụ thuộc, bạn sẽ không thể thực hiện phân tích hồi quy bội hoặc các kiểm định liên quan đến biến đó trong tương lai. Để minh họa điều này, hãy xem xét một ví dụ phổ biến liên quan đến chất lượng dịch vụ, sử dụng mô hình SERVPERF.

Ví dụ về mô hình SERVPERF