Author: xulysolieu

Trong lĩnh vực nghiên cứu khoa học và phân tích dữ liệu, đặc biệt khi sử dụng công cụ SMARTPLS, việc hiểu rõ các giá trị hệ số tải ngoài (outer loadings) đóng vai trò vô cùng quan trọng. Đây là một trong những chỉ số quan trọng giúp đánh giá mức độ liên kết giữa các biến quan sát và các biến tiềm ẩn trong mô hình PLS-SEM (Partial Least Squares Structural Equation Modeling).

1. Khái niệm về hệ số tải ngoài

Hệ số tải ngoài là chỉ số thể hiện mức độ liên quan của biến quan sát (chỉ báo) đến biến ẩn mà chúng được dùng để đo lường trong mô hình PLS-SEM (Partial Least Squares Structural Equation Modeling). Giá trị outer loadings càng cao thì mối quan hệ giữa biến quan sát và biến ẩn càng mạnh, và chỉ báo đó càng phù hợp để đo lường biến ẩn.

Hệ số outer loadings cho mỗi biến quan sát (còn gọi là chỉ báo) có thể dao động từ 0 đến 1, trong đó giá trị bằng 1 cho thấy chỉ báo là một phản ánh hoàn hảo của biến ẩn, và giá trị bằng 0 cho thấy chỉ báo không có liên quan gì đến biến ẩn.

Nó có thể được sử dụng để đánh giá chất lượng các biến quan sát của một nhân tố dạng thang đo kết quả (reflective). Nếu một biến quan sát có outer loadings thấp, có thể cho thấy rằng biến đó không đóng góp nhiều vào factor tương ứng và có thể bị loại khỏi mô hình.

2. Tầm quan trọng của giá trị hệ số tải ngoài

• Xác định Độ Tin Cậy của Biến Tiềm Ẩn: Các giá trị cao cho thấy các biến quan sát có độ tin cậy cao trong việc đại diện cho biến tiềm ẩn. Điều này giúp đảm bảo rằng các kết quả phân tích dựa trên mô hình PLS-SEM là đáng tin cậy và chính xác.
• Loại Bỏ Các Biến Quan Sát Không Tốt: Trong quá trình phân tích, nếu một biến quan sát có giá trị hệ số tải thấp, nó có thể được xem xét để loại bỏ khỏi mô hình. Điều này giúp cải thiện độ chính xác và sự phù hợp của mô hình.
• Tăng Cường Hiệu Quả Phân Tích: Hiểu rõ và sử dụng đúng các giá trị hệ số tải ngoài giúp nhà nghiên cứu tối ưu hóa mô hình phân tích của mình, từ đó cung cấp những kết luận và khuyến nghị chính xác hơn.

3. Ngưỡng đánh giá trong SMARTPLS

Trong cuốn A Primer On Partial Least Squares Structural Equation Modeling (2014), Hair và cộng sự đã khuyến nghị giá trị outer loadings để biến quan sát có ý nghĩa tốt là từ 0.7 trở lên.

Giá trị outer loadings dưới 0.7 được xem là mức độ yếu và có thể không đáng tin cậy để đo lường biến ẩn trong mô hình PLS-SEM. Nếu giá trị outer loadings của một chỉ báo thấp hơn 0.7, điều này cho thấy chỉ báo đó không đủ mạnh để đo lường chính xác biến ẩn tương ứng.

Tuy nhiên, nhóm tác giả này cũng cho rằng outer loadings dưới 0.4 biến quan sát cần được loại bỏ khỏi mô hình. Còn khi hệ số này nằm ở đoạn 0.4 đến dưới 0.7 quyết định loại hay giữ sẽ phụ thuộc nhà nghiên cứu khi đánh giá cùng với các chỉ số như độ tin cậy tổng hợp (composite reliability – CR) và tính hội tụ (convergent validity, ví dụ hệ số AVE) của nhân tố đó.

• Nếu giá trị CR hoặc AVE đang dưới ngưỡng đề nghị và việc loại biến quan sát có outer loadings nhỏ hơn 0.7 giúp tăng CR hoặc AVE đạt ngưỡng phù hợp thì chúng ta sẽ loại biến quan sát đó.
• Nếu CR và AVE đều đã đạt ngưỡng đề nghị, biến quan sát có outer loadings từ 0.4 đến dưới 0.7 và biến quan sát này bạn đánh giá là có ý nghĩa quan trọng trong nghiên cứu, bạn có thể giữ nó lại.

Trong SmartPLS 3, bạn có thể xem giá trị outer loading của các biến quan sát trong bảng “Outer Loadings” trong mục “Final Results”

4. Hướng dẫn phân tích trên SMARTPLS

Khi phân tích mô hình định lượng trên SMARTPLS, chúng ta sẽ đánh giá chỉ số outer loadings ở phần phân tích mô hình đo lường. Trong SmartPLS 3, bạn có thể xem giá trị outer loadings của các biến quan sát trong bảng “Outer Loadings” trong mục “Final Results”.

Giá trị hệ số tải ngoài outer loadings 1

Trong ví dụ bên dưới, biến CL4 có hệ số tải nhỏ hơn 0.7, cần xem xét loại bỏ khỏi mô hình.

Giá trị hệ số tải ngoài outer loadings 2

Qua quá trình đánh giá thì biến quan sát CL4 thực sự trên thực tế không có đóng góp quá nhiều vào thực tiễn đề tài, cho nên tác giả quyết định loại bỏ biến CL4 và thực hiện phân tích lại mô hình.

1. Công dụng của biểu đồ tầm quan trọng hiệu suất IPMA

Biểu đồ tầm quan trọng hiệu suất IPMA giúp nhà nghiên cứu xác định biến nào trong mô hình có tầm quan trọng cao nhưng hiệu suất lại thấp. Từ đó có được nhận định đúng về thực trạng để đưa ra các chính sách, giải pháp cải thiện.

Tầm quan trọng ở đây được hiểu là mức độ tác động của biến độc lập (unstandardized) đó lên biến phụ thuộc. Hiệu suất ở đây được hiểu là giá trị trung bình (mean) của biến độc lập đó. Biến có tầm quan trọng cao nhưng hiệu suất thấp nghĩa là biến tác động mạnh nhưng lại có giá trị trung bình thấp. Nhà nghiên cứu cần xem xét tăng điểm trung bình của biến đó lên.

Biểu đồ tầm quan trọng hiệu suất IPMA sẽ biểu diễn các biến độc lập tác động cùng vào một biến phụ thuộc lên đồ thị với một trục là hiệu suất, một trục là tầm quan trọng.

• Trục tung: biểu diễn hiệu suất (performance) biến độc lập. Hiệu suất sẽ chạy từ 0 đến 100, càng gần 0 hiệu suất càng thấp, càng gần 100 hiệu suất càng cao.
• Trục hoành: biểu diễn tác động tổng (total effects) của biến độc lập lên biến phụ thuộc.

Biểu đồ lúc này sẽ hình thành nên bốn góc phần tư như ví dụ bên dưới:

• Góc 1: Hiệu suất cao, tầm quan trọng thấp
• Góc 2: Hiệu suất cao, tầm quan trọng cao
• Góc 3: Hiệu suất thấp, tầm quan trọng cao (quan tâm nhiều nhất)
• Góc 4: Hiệu suất thấp, tầm quan trọng thấp

2. Phân tích tầm quan trọng hiệu suất IPMA

Bước 1: Kiểm tra yêu cầu đầu vào

Để thực hiện được phân tích tầm quan trọng hiệu suất IPMA, thông tin đầu vào phải đảm bảo 3 điều kiện sau:

Điều kiện 1: Các biến phải ở dạng thang đo định lượng cân bằng. Sự cân bằng nghĩa là có một số lượng bằng nhau các mức tích cực (khẳng định) và tiêu cực (phủ định). Ví dụ, thang đo Likert 5 mức độ với hai mức phủ định (hoàn toàn không đồng ý và không đồng ý), một mức trung lập và hai mức khẳng định (đồng ý và hoàn toàn đồng ý). Hoặc một thang đo 4 mức độ chia làm 1 (rất không đồng ý), 2 (không đồng ý), 3 (đồng ý), 4 (rất đồng ý) cũng là một thang đo cân bằng hợp lệ.

Điều kiện 2: Việc mã hóa các biến quan sát phải có cùng khuynh hướng đo lường. Giá trị thấp trên thang đo phải đại diện cho kết quả phủ định hoặc thấp, giá trị cao phải đại diện cho kết quả khẳng định hoặc cao. Ví dụ, thang đo Likert 5 mức độ thì 1 phải là hoàn toàn không đồng ý và 5 phải là hoàn toàn đồng ý. Nếu yêu cầu này không thể được đáp ứng, chúng ta không thể kết luận điểm số biến tiềm ẩn cao hơn thể hiện hiệu suất tốt hơn.

Điều kiện 3: Hệ số tải ngoài outer loading của các biến quan sát bắt buộc phải là số dương. Nếu có hệ số tải nào âm, chúng ta không thực hiện phân tích tầm quan trọng hiệu suất IPMA.

Bước 2: Phân tích tầm quan trọng hiệu suất IPMA trên SMARTPLS

Tại giao diện diagram SMARTPLS, chúng ta nhấp vào Calculate > PLS Algorithm.

Chọn vào mục Importance-Performance Map Analysis (IPMA) để tiến hành phân tích biểu đồ tầm quan trọng hiệu suất IPMA.

Cửa sổ xuất hiện, tại mục Target Construct, chọn biến phụ thuộc cần phân tích. Như đã nói ở phần 1, biểu đồ tầm quan trọng hiệu suất IPMA dùng để đánh giá tầm quan trọng – hiệu suất của các biến độc lập khi chúng cùng tác động lên một biến phụ thuộc. Trong mô hình ví dụ, có ba biến có vai trò phụ thuộc là TD, YD và HV. Trong đó HV có ba biến độc lập tác động vào, còn TD có hai biến độc lập tác động vào và YD có một biến tác động vào. Trong ví dụ này, mình sẽ xét biểu đồ tầm quan trọng hiệu suất IPMA cho biến HV.

Với Ranges, phần này sẽ cho phép chúng ta khai báo phạm vi thước đo bằng cách nhập vào giá trị Min/Max của từng biến quan sát (nhập ở vùng 1) hoặc nhập Min/Max cho toàn bộ các biến quan sát (nhập ở vùng 2).

Bởi vì phần hiệu suất sẽ được quy từ điểm thước đo về 100% nên việc khai báo giá trị Min/Max tại đây rất quan trọng để các tính toán được chính xác. Giả sử nhóm HV các biến quan sát được đo bằng Likert-7 trong khi đó nhóm DK đo bằng Likert-5, công cụ sẽ cần quy đổi thang 7 mức độ và thang 5 mức độ này về chuẩn chung 100% ở cả 2 dạng thang đo để thực hiện tính toán.

Nếu nhà nghiên cứu không khai báo, phần mềm sẽ tự động dựa vào Min/Max của dữ liệu đầu vào để xác định phạm vi thước đo của từng biến quan sát. Giả sử, biến HV1 mặc dù trên bảng câu hỏi là Likert 1-5 nhưng khi khảo sát không có ai chọn 1, lúc này giá trị Min trên dữ liệu của HV2 sẽ là 2. Khi đưa vào SMARTPLS, trong bảng Ranges phần mềm sẽ tự động nhận phạm vi thước đo của biến HV1 là 2 đến 5 (có 4 mức độ) chứ không phải là 1 đến 5 (5 mức độ) như khi thiết kế thang đo.

Nhà nghiên cứu cần phải nhập vào Min là 1 và Max là 5 theo thang đo được thiết kế trên bảng câu hỏi mới là đúng. Trong ví dụ ở trên, toàn bộ các biến quan sát đều được đo bằng thang đo Likert 1-5, do vậy, mình sẽ nhập ở mục số 2 phần Min = 1 và Max = 5, sau đó chọn Apply All để áp dụng cho toàn bộ biến.

Tiếp tục nhấp vào nút Start Calculation để tiến hành phân tích biểu đồ tầm quan trọng hiệu suất IPMA:

Trong output kết quả, nhấp vào nút Importance-Performance Map [HV] (construct, unstandardized effects) để lấy các thông số cần thiết.

Trước hết, chúng ta sẽ chuyển sang hai thẻ là Construct Total Effects và Construct Performances để lấy chỉ số Performances và Total Effects các biến độc lập.

Cho vào Excel và tổng hợp thành một bảng như bên dưới. Bổ sung thêm một hàng trung bình cộng của hai giá trị Performances và Total Effects ở dưới cùng.

Quay lại thẻ đầu tiên Importance-Performance Map chúng ta sẽ thấy biểu đồ tầm quan trọng hiệu suất IPMA với 4 ký hiệu tương ứng 4 biến độc lập LN, TD, UGC, YD. Nhấp vào nút Chart (gần chỗ Copy to Clipboard) để sao chép biểu đồ này cho vào Excel hoặc PowerPoint để vẽ hai đường trung bình phân ra bốn góc phần tư.

Bảng Chart Size hiển thị, tại đây chúng ta sẽ thiết lập độ rộng (width) và độ cao (height) cho ảnh biểu đồ tầm quan trọng hiệu suất IPMA cần xuất (đơn vị pixel). Sau đó nhấp OK để xác nhận sao chép.

Mở PowerPoint, dán vào vùng trống slide bất kỳ để có hình ảnh biểu đồ. Vẽ thêm 2 đường giá trị trung bình của Performance (trục tung) với giá trị 67.645 và Total Effects (trục hoành) giá trị 0.229.

Ở góc phần tư số 3 vùng dưới bên phải, chúng ta thấy sự xuất hiện của biến YD. Điều này mang ý nghĩa YD đang có tầm quan trọng cao nhưng hiệu suất lại chưa tốt. Tầm quan trọng cao đồng nghĩa biến này có ảnh hưởng mạnh lên HV. Hiệu suất chưa tốt đồng nghĩa điểm đánh giá trên thang đo 5 mức độ hiện tương đối thấp, phần đông đáp viên đang không đồng tình với các quan điểm được đưa ra của biến quan sát thuộc YD. Nhóm YD – Điều kiện làm việc gồm 4 biến quan sát như sau:

YD1: Tôi có ý định mua các sản phẩm thân thiện môi trường trong tương lai.

YD2: Tôi sẽ mua các sản phẩm thân thiện môi trường ngay cả khi chúng đắt hơn các sản phẩm thông thường.

YD3: Tôi có ý định thường xuyên mua các sản phẩm thân thiện với môi trường.

YD4: Tôi có ý định giới thiệu cho bạn bè, người thân sản phẩm bảo vệ môi trường.

Tầm quan trọng cao nói lên rằng Ý định mua sản phẩm thân thiện môi trường (YD) có ảnh hưởng đáng kể lên Hành vi mua sản phẩm bảo vệ môi trường (HV). Nhưng điểm trung bình ở 4 câu này lại rất thấp cho thấy rằng yếu tố điều kiện làm việc tại công ty đang không được tốt. Lãnh đạo công ty nên có các chính sách kịp thời để cải thiện hiệu suất biến YD (tăng điểm trung bình lên) nếu không sẽ ảnh hưởng tới Hành vi mua sản phẩm bảo vệ môi trường của công ty.

SPSS, một công cụ phân tích số liệu thống kê không thể thiếu cho người nghiên cứu, giúp chúng ta thực hiện các phân tích dữ liệu một cách chính xác. Bạn đã có link tải phần mềm SPSS full bản quyền chưa? Hãy nhanh tay truy cập và tải về trong bài viết link tải phần mềm SPSS full bản quyền của Xulysolieu nhé!

Trong bài hướng dẫn này, Xulysolieu đã trình bày về Tầm quan trọng hiệu suất IPMA trong SMARTPLS một cách tỉ mỉ, đi kèm với ví dụ minh họa giúp bạn dễ dàng theo dõi. Mong rằng qua bài viết, bạn đã có thể nắm bắt được khái niệm và cách phân tích Tầm quan trọng hiệu suất IPMA trong SMARTPLS và áp dụng chúng một cách thành thạo trong công việc phân tích dữ liệu với SMARTPLS.

Biến không có ý nghĩa ở hồi quy, SEM có cần loại chạy lại không? Câu trả lời là: KHÔNG. Lý do vì sao chúng ta sẽ tìm hiểu chi tiết phần nội dung bên dưới.

1. Chức năng chính của hồi quy, SEM

Hồi quy hay SEM là các kiểm định dùng để đánh giá mô hình đường dẫn. Hiểu đơn giản, mô hình có sự xuất hiện mũi tên và biến ở hai đầu của mũi tên thì nó gọi là một mô hình đường dẫn.

Đánh giá mô hình đường dẫn gồm yếu tố quan trọng là xem các mối tác động trong mô hình đó có ý nghĩa hay không có ý nghĩa. Kết quả hồi quy và SEM sau khi phân tích trên phần mềm sẽ cho chúng ta giá trị sig hoặc p-value, từ đây chúng ta kết luận được một mối quan hệ có ý nghĩa thống kê hay không.

Ví dụ: Một mô hình đường dẫn xét sự tác động từ X1, X2 lên Y. Giả thuyết nghiên cứu đặt ra cho mô hình:

H1: X1 có tác động lên Y

H2: X2 có tác động lên Y

Phân tích hồi quy tuyến tính bội đánh giá sự tác động từ các biến độc lập X1, X2 lên biến phụ thuộc Y. Kết quả hồi quy trên SPSS cho sig kiểm định t của X1 bằng 0.01 < 0.05 và sig kiểm định t của X2 bằng 0.12 > 0.05 (tại độ tin cậy 95%). Như vậy:

X1 có tác động lên Y, chấp nhận giả thuyết H1

X2 không có tác động lên Y, bác bỏ giả thuyết H2

Ở đây có thể thấy, nhiệm vụ của hồi quy, SEM cuối cùng là để giúp chúng ta chấp nhận hay bác bỏ giả thuyết nghiên cứu đặt ra từ đầu. Một kết quả hồi quy, SEM có sự xuất hiện của biến không có ý nghĩa đi nữa thì chúng ta cũng đã đạt được mục đích là biết được giả thuyết nghiên cứu được chấp nhận hay bác bỏ. Việc loại bỏ biến không có ý nghĩa để chạy lại lần tiếp theo sẽ là một thao tác thừa.

2. Các loại tác động trong hồi quy, SEM

Tiếp nội dung ở mục trên, xét quan điểm: Sau khi loại biến chạy lại, toàn bộ các chỉ số của phép hồi quy, SEM có sự biến đổi so với trước khi loại biến. Như vậy, việc tồn tại biến không có ý nghĩa trong mô hình sẽ làm sai lệch kết quả của mô hình.

Việc loại biến không có ý nghĩa và chạy lại hồi quy, SEM làm cho kết quả hồi quy biến đổi là quan điểm hoàn toàn đúng. Nhưng kết quả hồi quy, SEM trước khi loại biến và sau khi loại biến cái nào mới là kết quả phù hợp?

Hồi quy và SEM khác tương quan ở chỗ, với tương quan thì mối quan hệ chỉ xét giữa một cặp biến với nhau và giả định không có sự can thiệp từ các biến khác vào mối quan hệ này. Chính vì vậy, khi đánh giá tương quan giữa độc lập với phụ thuộc, việc đưa thêm biến hay bỏ bớt biến độc lập, kết quả tương quan từng cặp biến vẫn cho ra cùng một hệ số tương quan và không có thay đổi gì.

Trong khi đó ở hồi quy và SEM, bên cạnh (1) sự tác động từ độc lập tới phụ thuộc thì tồn tại một loại tác động khác là (2) tác động qua lại giữa các biến độc lập với nhau. Khi kiểm định t hồi quy trên SPSS cho ra sig lớn hơn 0.05, chúng ta kết luận biến độc lập X1 đó không tác động lên biến phụ thuộc Y. Tuy nhiên, biến độc lập X1 này lại có tác động qua lại với các biến độc lập X2, X3 để đóng góp vào sự tác động của X2, X3 lên Y. Chính sự xuất hiện mối tác động qua lại giữa các biến độc lập mà ở hồi quy, nếu loại đi một biến độc lập, hệ số hồi quy của các biến độc lập còn lại sẽ có sự biến đổi chứ không giữ nguyên như ở tương quan.

Các biến độc lập luôn có sự ảnh hưởng qua lại với nhau và cùng tác động lên biến phụ thuộc chứ không phải chúng chỉ duy nhất tác động lên biến phụ thuộc. Khi chúng ta tiến hành chạy hồi quy hay SEM, phần mềm tính toán cả hai sự tác động kể trên chứ không phải chỉ có một mối tác động duy nhất từ độc lập lên phụ thuộc. Biến độc lập X1 tuy là không có tác động lên biến phụ thuộc nhưng nó lại có tác động lên các biến độc lập khác để ảnh hưởng lên tổng thể kết quả toàn bộ phép hồi quy, SEM. Việc loại bỏ X1 ra khỏi mô hình, đồng nghĩa chúng ta xác nhận rằng X1 không hề xuất hiện trong mối quan hệ tổng thể với các biến độc lập khác và với biến phụ thuộc. Do đó, việc loại bỏ biến độc lập không có ý nghĩa để chạy lại hồi quy, SEM là việc làm không phù hợp.

Việc xác định đúng dạng biến có vai trò quan trọng trong xử lý dữ liệu bởi nhiều kiểm định yêu cầu dữ liệu đầu vào là biến định lượng, nhưng chúng ta lại mắc lỗi đưa các biến định tính vào thực hiện chạy phân tích. Dù là biến định tính hay biến định lượng, dù là đưa biến vào sai hay đúng chúng ta đều chạy ra các bảng kết quả. Nhưng việc đưa biến vào sai, kết quả chạy ra chỉ đơn thuần là các con số vô nghĩa, nó không phản ánh đặc điểm của dữ liệu. Do vậy, các bạn cần phải hết sức lưu ý, luôn kiểm tra xem một phép kiểm định có yêu cầu đầu vào là gì: biến là loại gì, có được phép có missing value không, có yêu cầu điều kiện cỡ mẫu tối thiểu không,… Nếu dữ liệu thỏa điều kiện đầu vào, chúng ta mới được phép thực hiện kiểm định đó.

Bài viết này không đi vào khái niệm hàn lâm về biến định tính và biến định lượng, các bạn có thể tìm kiếm trên Google sẽ ra rất nhiều bài viết và cả Wikipedia đã đưa thông tin chi tiết về hai loại biến này. Dưới đây, mình sẽ giải thích về khái niệm biến định tính và định lượng trong xử lý dữ liệu một cách đơn giản để các bạn có thể hiểu và sử dụng đúng khi chạy các kiểm định mà loại biến là một điều kiện đầu vào quan trọng.

1. Biến định tính (biến phân loại) là gì?

Biến định tính (qualitative variable) còn gọi là biến phân loại (categorical variable) giúp cho việc phân loại các đối tượng nghiên cứu thành các nhóm khác nhau. Khi xử lý dữ liệu, nhà nghiên cứu sẽ mã hóa các giá trị của biến định tính thành các con số 1, 2, 3,… nhưng các con số này hoàn toàn chỉ mang tính chất quy ước chứ không phải là giá trị thực của biến.

Ví dụ: Biến độ tuổi chúng ta chia thành các nhóm tuổi: (1) dưới 22 tuổi, (2) từ 22 đến 30 tuổi, (3) từ 31 đến 50 tuổi, (4) trên 50 tuổi. Đây là một biến định tính bởi nó phân loại đối tượng thành các nhóm tuổi khác nhau. Bốn nhóm tuổi được quy ước thành các con số 1-2-3-4 trong xử lý dữ liệu, nó đơn thuần là giá trị quy ước chứ không phải là số tuổi chính xác của đáp viên. Đáp viên có tuổi là 25 được mã hóa thành giá trị 2 (từ 22 đến 30 tuổi) của biến độ tuổi thì con số 25 là giá trị thực (giá trị định lượng) còn số 2 trong dữ liệu là số quy ước (giá trị định tính).

2. Biến định lượng là gì?

Biến định lượng (quantiative variable) những biến mà các giá trị của chúng là các con số giá trị thực.

Ví dụ: Cũng là biến độ tuổi nhưng dữ liệu chúng ta thu thập là con số tuổi chính xác của đáp viên thì biến này sẽ là biến định lượng. Chúng ta hỏi đáp viên “Tuổi của anh chị là:…..”, đáp viên điền vào số tuổi của họ, đó là giá trị thực.

3. Các lưu ý quan trọng

Biến có hai giá trị vừa là biến định tính vừa là biến định lượng.

Những biến có hai giá trị như giới tính (nam/nữ), quyết định mua (mua/không mua),… được xếp vào dạng vừa là định tính vừa là định lượng. Chính vì vậy, khi thực hiện các kiểm định yêu cầu loại biến đầu vào thì hầu như đa số các trường hợp, dạng biến hai giá trị đều có thể tham gia.

Ví dụ: Trong mô hình nghiên cứu, chúng ta xem xét sự tác động của biến kiểm soát giới tính gồm hai giá trị nam/nữ lên biến phụ thuộc sự hài lòng. Lúc này, chúng ta có thể:

• Thực hiện phân tích Independent Sample T-test hoặc One-way ANOVA. Đây là hai kiểm định yêu cầu hai biến tham gia: một biến định lượng và một biến định tính. Lúc này biến định lượng là sự hài lòng, biến định tính là giới tính.
• Thực hiện hồi quy tuyến tính hoặc SEM xem xét sự tác động từ giới tính lên sự hài lòng. Đây là kiểm định yêu cầu các biến tham gia đều phải là định lượng. Lúc này biến giới tính cũng là một biến định lượng nên hoàn toàn có thể tham gia vào mô hình hồi quy, mô hình SEM.

Biến định tính/định lượng được quyết định bởi dữ liệu của nó chứ không phải tên biến.

Để xác định một biến là định tính hay định lượng, chúng ta cần dựa vào đặc điểm dữ liệu của biến đó. Như ví dụ về biến độ tuổi đã đề cập ở mục số 1 và số 2 của bài viết, biến này đều có tên là độ tuổi, nhưng dữ liệu một bên là định tính, một bên là định lượng.

Hay một ví dụ khác về biến thu nhập. Nếu thu nhập chúng ta chia thành từng nhóm như dưới 10 triệu, từ 10 đến 20 triệu, trên 20 triệu thì đây là biến định tính. Nếu chúng ta để con số thu nhập chính xác của đáp viên thì đó là biến định lượng.

Chuyển đổi biến định tính về biến định lượng.

Chúng ta đã nói đến việc một biến có hai giá trị thì biến đó sẽ vừa là định tính vừa là định lượng. Cơ chế chuyển đổi biến định tính sang biến định lượng cũng dựa vào điều này. Kỹ thuật chuyển đổi biến định tính sang biến định lượng như vậy gọi là tạo biến giả (dummy variable). Các bạn có thể tìm hiểu về kỹ thuật này tại bài viết Hồi quy với biến độc lập định tính trên SPSS.

Khi bạn cần đánh giá mối quan hệ của biến định tính với các biến khác bằng hồi quy, SEM. Bạn cần chuyển đổi biến định tính về biến giả trước, sau đó mới dùng biến giả để đưa vào hồi quy, SEM.

Biến định tính và định lượng trong hồi quy và SEM.

Hồi quy và SEM là hai loại kiểm định yêu cầu các biến tham gia đều phải là định lượng.

– Nếu bạn đọc một kết quả hồi quy hay SEM có sự xuất hiện của biến giới tính. Bạn sẽ tự ngầm hiểu vì biến này có hai giá trị, nó vừa là biến định tính vừa là biến định lượng nên nó đảm bảo điều kiện đầu vào là biến định lượng.

– Nếu bạn đọc một kết quả hồi quy hay SEM có sự xuất hiện của biến độ tuổi, thu nhập, thâm niên, kinh nghiệm,… Bạn sẽ tự ngầm hiểu các biến này đang để ở dạng giá trị thực chứ không phải giá trị quy ước. Hay nói cách khác, dữ liệu các biến độ tuổi – thu nhập – thâm niên – kinh nghiệm lúc này đang là các con số chính xác chứ không phân ra thành từng nhóm tuổi, nhóm thu nhập, thâm niên, kinh nghiệm.

– Nếu bạn đọc một kết quả hồi quy hay SEM có sự xuất hiện của biến phòng ban, chức danh,… Bạn sẽ tự ngầm hiểu các biến định tính này đã được chuyển đổi sang dạng biến giả.

Những trở ngại cần dịch vụ xử lý số liệu thường gặp

Xử lý số liệu với các phần mềm phân tích dữ liệu khoa học như SPSS, AMOS, và SmartPLS đóng vai trò quan trọng trong phân tích định lượng. Tuy nhiên, không phải ai cũng có đủ kiến thức và kỹ năng để sử dụng các phần mềm này một cách thuần thục. Nếu bạn đang tìm kiếm dịch vụ hỗ trợ xử lý số liệu, bạn có thể gặp phải một số khó khăn như:

• Lựa chọn đơn vị: Bạn có thể lo lắng về việc chọn đơn vị nào đủ uy tín và chuyên môn để hỗ trợ.
• Chất lượng và độ tin cậy: Bạn cần đảm bảo chất lượng và độ tin cậy của dịch vụ để tránh bị lừa đảo.
• Thời gian và tài nguyên: Xử lý số liệu yêu cầu kiến thức và kỹ năng chuyên sâu, và thường tốn nhiều thời gian.

Những trở ngại cần dịch vụ xử lý số liệu thường gặp

Hơn nữa trong quá trình xử lý dữ liệu, bạn có thể gặp một số thách thức như:

• Không đạt yêu cầu về ý nghĩa thống kê, dữ liệu không cho ra kết quả như mong đợi.
• Tình trạng đa cộng tuyến hay tự tương quan
• EFA không đáp ứng được yêu cầu kiểm định, các nhân tố không tách theo mong muốn.
• Giá trị R quá thấp, ảnh hưởng đến kết quả phân tích.
• Biến quan sát bị loại bỏ nhiều, nhân tố bị loại không theo ý

Với những khó khăn về tâm lý  và các khó khăn kỹ thuật, Xử Lý Số Liệu là đơn vị uy tín hàng đầu để giúp bạn giải quyết các vấn đề đau đầu mà không biết phải giải quyết như thế nào. Nếu sử dụng dịch vụ tại xulysolieu.info, chắc chắn mọi vấn đề trên sẽ được giải quyết nhanh chóng và hiệu quả nhất.

Lý do nên chọn dịch vụ xử lý số liệu tại Xulysolieu

Trong thị trường đa dạng về dịch vụ xử lý số liệu, Xulysolieu luôn tự hào là lựa chọn hàng đầu của đông đảo khách hàng. Vậy tại sao chúng tôi lại được ưa chuộng? Dưới đây là những lý do:

Hoàn thành nhanh chóng, đúng hạn

• Chúng tôi cam kết hoàn thành các dịch vụ xử lý, phân tích số liệu (SPSS, AMOS, SMARTPLS,…) trong khoảng từ 1 đến 3 ngày.
• Chúng tôi luôn đưa ra thời gian hẹn trước rõ ràng và đảm bảo trả kết quả đúng hạn để bạn có thể chủ động nhất trong công việc.

Dịch vụ xử lý số liệu 2024 – 2

Giá hạt dẻ, phù hợp túi tiền

• Xulysolieu tự tin về mức giá dịch vụ, luôn đảm bảo tiêu chí giá cả – chất lượng là tốt nhất trên thị trường.
• Đặc biệt, chúng tôi hiểu vấn đề của sinh viên và nhà nghiên cứu, vì vậy mức giá của chúng tôi luôn phù hợp và thậm chí là giá rẻ nhất.

Dịch vụ xử lý số liệu 2024 – 3

Đội ngũ 5+ năm kinh nghiệm và trình độ cao

• Khi sử dụng dịch vụ tại Xử Lý Số Liệu, bạn được đồng hành cùng đội ngũ chuyên gia giàu kinh nghiệm và thành thạo các kỹ năng phân tích, xử lý số liệu.
• Tất cả thành viên đều trải qua tuyển chọn và đào tạo nghiêm ngặt để đem đến sản phẩm tốt nhất cho bạn.

Dịch vụ xử lý số liệu 2024 – 4

Số liệu chất lượng tốt, không trùng lặp

• Những con số mà chúng tôi sử dụng đều đảm bảo về chất lượng “Độc nhất vô nhị”, tuyệt đối tránh sao chép ý tưởng và không trùng lặp với dữ liệu hay bài nghiên cứu khác. Toàn bộ dữ liệu data, output sẽ được nhập liệu mới 100% theo thực tế của đề tài và nơi bạn nghiên cứu. 
• Dữ liệu hoàn toàn đảm bảo tính khách quan cũng như độ xác thực cao bởi vì các chuyên viên tại Xulysolieu sẽ thực hiện sửa lỗi nếu phát hiện bất kỳ sai sót nào.
• Đồng thời trong suốt quá trình, chúng tôi luôn sẵn lòng hỗ trợ bạn một cách tận tâm cùng với việc xử lý và phân tích với độ chính xác tuyệt đối, đảm bảo ra được kết quả đẹp nhất.

Dịch vụ xử lý số liệu 2024 – 5

Đảm bảo bảo mật thông tin trọn đời

• Với kinh nghiệm nhiều năm trong nghề và nhận được sự tin tưởng của hàng nghìn khách hàng mỗi năm, khi lựa chọn dịch vụ tại Xulysolieu bạn hoàn toàn có thể yên tâm về tính bảo mật.
• Chúng tôi cam kết tất cả các thông tin liên quan tới khách hàng bao gồm thông tin cá nhân và thông tin bài làm đều được giữ kín. Tuyệt đối không có trường hợp bán số liệu hay dùng những thông tin của khách hàng vào các mục đích khác.
• Trong thời đại cách mạng công nghiệp 4.0 đang diễn ra với tốc độ thay đổi chóng mặt, chúng tôi luôn cập nhật xu hướng và liên tục cải thiện quy trình làm việc, cấu trúc quản lý để bảo vệ thông tin của bạn.

Dịch vụ xử lý số liệu 2024 – 6

Hỗ trợ tư vấn chỉnh sửa miễn phí & customize theo nhu cầu

• Đội ngũ xử lý sẽ giúp bạn rà soát lại số liệu, loại bỏ các dữ liệu xấu để thu được kết quả chính xác, gần nhất với thực tế đánh giá sau quá trình phân tích định lượng hoàn toàn miễn phí.
• Một khi nhận xử lý số liệu giúp bạn, chúng tôi luôn sẵn sàng chỉnh sửa dữ liệu (miễn phí 2 lần trong 7 ngày) cho đến khi bạn thấy hài lòng với kết quả

Dịch vụ xử lý số liệu 2024 – 7

Tư vấn định hướng làm bài từ A – Z

• Một trong những điều làm hài lòng nhất của dịch vụ xử lý dữ liệu SPSS, AMOS, SMARTPLS chúng tôi chính là sự nhiệt tình. Chúng tôi luôn sẵn sàng tư vấn chi tiết từ phân tích, định hướng cho đến giải đáp thắc mắc cho bạn.
• Chỉ cần là khách hàng của chúng tôi bạn sẽ được giải đáp chi tiết mọi vấn đề, không bao giờ lo sợ bị từ chối. Hầu hết mọi thắc mắc đều có câu trả lời rõ ràng, chuyên nghiệp khiến bạn yên tâm nhất.

Dịch vụ xử lý số liệu 2024 – 8

Nếu có nhu cầu tìm dịch vụ xử lý số liệu, bạn hãy liên hệ ngay với đội ngũ Xulysolieu qua Hotline 0327.067.857 hoặc mục Liên hệ. Với phương châm “Chuyên nghiệp – Hiệu Quả”, chúng tôi cam kết đem lại cho khách hàng chất lượng dịch vụ tốt nhất.