Tổng hợp câu hỏi phản biện tốt nghiệp iuh có lời giải

Dưới đây là tổng hợp những câu hỏi khi phản biện tốt nghiệp HUI. Hiện tại thì mình cũng chia sẻ khá nhiều các bài viết liên quan đến báo cáo tốt nghiệp ▼ và dưới đây là những câu hỏi để các em tập trung cho phần phản biện tốt nghiệp HUI của mình. Đa phần các câu hỏi xoay quanh đến chương 4 SPSS và Chương 5 Giải Pháp

PHẦN LÝ THUYẾT

Tổng hợp câu hỏi phản biện tốt nghiệp iuh có lời giải

Câu 1: Ý nghĩa của từng phép kiểm định?(Chạy EFA, ANOVA….) để làm gì?

1) Kiểm định Cronbach’s Alpha làm gì?

Kiểm định Cronbach’s Alpha là kiểm định nhằm phân tích, đánh giá độ tin cậy của thang đo. Mục đích của kiểm định này là tìm hiểu xem các biến quan sát có cùng đo lường cho một khái niệm cần đo hay không.Giá trị đóng góp nhiều hay ít được phản ánh thông qua hệ số tương quan biến tổng Corrected Item – Total Correlation. Qua đó, cho phép loại bỏ những biến không phù hợp trong mô hình nghiên cứu.

Tiêu chuẩn để chấp nhận các biến:          

·        Những biến có chỉ số tương quan biến tổng phù hợp (Corrected Item – Total Correlation) từ 0.3 trở lên.

·        Các hệ số Cronbach’s Alpha của các biến phải từ 0.7 trở lên.

Lưu ý thêm:

Về mặt lý thuyết nhà nghiên cứu có thể được xây dựng từ một nhóm câu hỏi khác nhau. Tuy nhiên đó là lý thuyết, về mặt thực tế có thể trong những câu hỏi có những câu hỏi không cần thiết. 

Để kiểm tra việc này thông thường người ta sử dụng hai chỉ số thống kê là (1) Hệ số Cronbach Alpha và (2) hệ tố tương quan biến tổng.

Hệ số Cronbach Alpha là hệ số cho phép đánh giá xem nếu đưa các biến quan sát nào đó thuộc về một biến nghiên cứu (biến tiềm ẩn, nhân tố) thì nó có phù hợp không. Hair et al (2006) đưa ra quy tắc đánh giá như sau:
< 0.6. Thang đo nhân tố là không phù hợp (có thể trong môi trường nghiên cứu đối tượng không có cảm nhận về nhân tố đó)

0.6 – 07: Chấp nhận được với các nghiên cứu mới
0.7 – 0.8: Chấp nhận được
0.8 – 0.95: tốt

>= 0.95: Chấp nhận được nhưng không tốt, nên xét xét các biến quan sát có thể có hiện tượng “trùng biến”


Hệ số tương quan biến tổng là hệ số cho biến mức độ “liên kết” giữa một biến quan sát trong nhân tố với các biến còn lại. Nó phản ánh mức độ đóng góp vào giá trị khái niệm của nhân tố của một biến quan sát cụ thể. Tiêu chuẩn để đánh giá một biến có thực sự đóng góp giá trị vào nhân tố hay không là hệ số tương quan biến tổng phải lớn hơn 0.3. Nếu biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 thì phải loại nó ra khỏi nhân tố đánh giá.

2) Phân tích nhân tố EFA để làm gì?

---> EFA dùng để thu gọn, rút trích các biến quan sát có ý nghĩa hội tụ và tách biệt.

Hội tụ: các biến quan sát cùng tải mạnh (hệ số tải Factor Loading) cho 1 nhân tố sẽ gom về 1 nhân tố đó

Tách biệt: Mối nhân tố sẽ có xu hướng tải khác nhau. Nhóm biến quan sát tải cho nhân tố thứ nhất tách biệt/không có tương quan với nhóm biến quan sát tải cho nhân tố thứ hai dẫn đến sự phân nhóm nhân tố thành từng cột trong ma trận xoay.

Tóm lại, trong phân tích nhân tố khám phá cần phải đáp ứng các điều kiện:

·        Factor Loading > 0,5

·        0,5 < KMO < 1

·        Kiểm định Bartlett có Sig < 0,05

·        Phương sai trích Total  Varicance  Explained > 50%

·        Eigenvalue  > 1

Ví dụ

·        KMO = 0,822 nên phân tích nhân tố là phù hợp.

·        Sig. (Bartlett’s Test) = 0.000 (sig. < 0.05) chứng tỏ các biến quan sát có  tương quan với nhau trong tổng thể.

·        Eigenvalues = 1.280 > 1 đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố, thì nhân tố rút ra có ý ghĩa tóm tắt thông tin tốt nhất.

·        Tổng phương sai trích: Rotation Sums of Squared Loadings (Cumulative %) = 59,813% > 50 %.

Điều này chứng tỏ 59,813% biến thiên của dữ liệu được giải thích bởi 6 nhân tố được tạo ra.

·        Hệ số Factor Loading của các biến đều lớn hơn 0,5.

Cách thực hiện kiểm định này trong SPSS: Analysist/Compare Mean/One way ANOVA

Cho biến định lượng vào ô Dependent list

Cho biến định tính vào ô Factors

Chọn Opiton chọn Descriptive và Homogeneity of variance test

Đọc kết quả phân tích ANOVA

Thực hiện kiểm tra kiểm định Levene ở bảng Test of Homogeneity of variances, nếu sig ở kiểm định này < = 0.05 thì kết luận phương sai giữa các lựa chọn của biến định tính ở trên khác nhau.

Nếu sig ở kiểm định này >0.05 thì phương sai giữa các lựa chọn của biến định tính ở trên không khác nhau, xem tiếp kết quả ở bảng ANOVA. Nếu sig ở bảng này > 0.05 kết luận không có sự khác biệt giữa các nhóm biến định tính, còn nếu sig ở bảng này < = 0.05 thì kết luận có sự khác biệt giữa các nhóm biến định tính

Khi có sự khác biệt giữa các nhóm của biến định tính với định lượng trong phần T – Test hoặc ANOVA ta tiếp tục theo dõi giá trị Mean ở bảng Descriptives và kết luận

Nếu nhóm nào có giá trị Mean cao hơn thì kết luận nhóm đó tác động nhiều hơn với biến định lượng.

3) Kiểm định Anova dùng để làm gì?

Nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng sig >0.05 thì phương sai giữa các lựa chọn của biến định tính ở trên không khác nhau, xem tiếp kết quả ở bảng ANOVA.
* Sig (anova) > 0.05 kết luận không có sự khác biệt giữa các nhóm biến định tính
* Sig (anova) < = 0.05 thì kết luận có sự khác biệt giữa các nhóm biến định tính
* Sig < 0.05 bảng anova ko dc sử dụng

Câu 2: Ý nghĩa của phương trình hồi quy?

Mục tiêu của mô hình này giải thích biến phụ thuộc (y) bị ảnh hưởng bởi nhiều biến độc lập (xi).

Câu 3: Tại sao lại lấy Beta đã chuẩn hóa để kết luận?

---> Hệ số Beta phản ánh được thứ tự mức độ tác động của biến độc lập tới biến phụ thuộc bởi vì đơn vị của các biến đã đồng nhất (thực chất là quy về phương sai bằng 1), trong khi đó hệ số B ko làm được điều đó. Nhờ có phương trình hồi quy chuẩn hóa và hệ số Beta, doanh nghiệp sẽ xác định được nên đầu tư nhiều vào yếu tố nào, đầu tư ít vào yếu tố nào căn cứ trên mức độ ảnh hưởng của từng yếu tố đến biến phụ thuộc.

Trong phần mềm SPSS, hệ số chưa chuẩn hóa được kí hiệu là B, trong khi hệ số đã chuẩn hóa kí hiệu là Beta.

Câu 4. Ý nghĩa của R2 hiệu chỉnh? Tại sao R2 chưa hiệu chỉnh >R2 đã hiệu chỉnh?

ð Ý nghĩa: R2 hiểu chỉnh cho biết mức độ giải thích của các biến độc lập trong mô hình với sự biến động xung quanh giá trị trung bình của Y.

ð Khi chạy hồi quy đa biến, một tham số quan trọng mà các bạn cần kiểm tra đầu tiên đó là r bình phương (hoặc r bình phương hiệu chỉnh). Nó cho biết mức độ phù hợp của mô hình nghiên cứu với ý nghĩa là các biến (nhân tố) độc lập giải thích được bao nhiêu phần trăm (%) biến thiên của biến (nhân tố) phụ thuộc.

Nếu R2=0 => Mô hình không phù hợp với mẫu nghiên cứu.

Nếu R2=1 => Mô hình hoàn toàn phù hợp với mẫu nghiên cứu.

1-R2 là phần biến động của Y chưa được giải thích gây ra bởi sai số và các biến chưa đưa vào mô hình.

Câu 5. Điểm khác biệt giữa giải pháp và kiến nghị?

Giải pháp: Đưa ra cách giải quyết một vấn đề khó khăn mà cty đang gặp phải. Hay cụ thể hơn trong phản biện tốt nghiệp. Dựa vào phương trình hồi quy để đưa ra giải pháp

Kiến nghị: Là những đề xuất cho công ty những thứ cần phải làm. Tuy nhiên đây chỉ là những đề xuất kiến nghị lên cty, cty có quyền xem xét hoặc không xem xét để thực hiện. 
VD: kiến nghị lên cty là tăng lương lên để tăng lòng trung thành thì có thể cty sẽ không thực hiện việc này

Câu 6: Ngoài yếu tố định lượng (kết quả hồi quy nghiên cứu) thì phần biện pháp đưa ra ở chương cuối còn dựa vào yếu tố nào làm nền tảng?

Dựa vào thực trạng, các yếu tố định tính và định hướng phát triển

Câu 7 . Hiện tượng Đa cộng tuyến, Tự tương quan là gì? Điều kiện để xảy ra hiện tượng đa cộng tuyến?

Đa cộng tuyến là gì?

---> Vấn đề đa cộng tuyến xảy ra khi các biến (nhân tố) độc lập có tương quan tuyến tính khá mạnh với nhau. Nói cách khác hiện tượng đa cộng tuyến xảy ra khi có mối tương quan tuyến tính hiện hữu giữa các biến độc lập trong mô hình.

Khi đó sẽ dẫn đến các vấn đề sau:

- Hạn chế giá trị của R bình phương (thường sẽ làm tăng r bình phương)

- Làm sai lệch/ đổi dấu các hệ số hồi quy

Nguyên nhân:

1.    Do thu thập số liệu ít, không toàn diện

2.    Do bản chất của các biến độc lập là tương quan nhau.

3.    Do một số dạng mô hình sản sinh ra đa cộng tuyến

II.   Hậu quả của đa cộng tuyến

1. Ước lượng phương sai trở nên kém chính xác. Hệ số phóng đại phương sai (VIF)
2. Giá trị tới hạn t trở nên nhỏ hơn so với thực tế trong khi R2 là khá cao. Kiểm định t và F trở nên kém hiệu quả
3. Các giá trị ước lượng biến động mạnh khi thay đổi số liệu trong mô hình. (n è N) sẽ làm giảm khả năng xảy ra đa cộng tuyến.
4. Các giá trị của các ước lượng có khả năng biến động mạnh khi thay đổi (rút ra hoặc thêm vào) các biến có tham gia vào hiện tượng đa cộng tuyến.

III.  Cách phát hiện đa cộng tuyến

1. Mô hình có các giá trị R2 cao trong khi các giá trị thống kê t rất thấp.
2. Dùng ma trận hệ số tương quan giữa các biến độc lập. Hệ số tương quan từ 0.8 trở lên là cao, từ 0.9 trở lên là rất cao.
3. Dùng mô hình hồi quy phụ, nếu R2 của mô hình hồi quy phụ cao hơn mô hình hồi quy chính thì mô hình hồi quy chính có xảy ra hiện tượng đa cộng tuyến.
4. Dùng chỉ sổ phóng đại phương sai, nếu VIF >=10, mô hình xảy ra hiện tượng đa cộng tuyến rất cao. Từ 5 trở lên là có hiện tượng ĐCT cao.

IV.  Cách khắc phục đa cộng tuyến

1. Dựa vào các thông tin tiên nghiệm, các đề tài nghiên cứu trước về vấn đề tương tự về vấn đề nghiên cứu. các mô hình KTL trong trong các nghiên cứu này có tính khả thi và có thể khắc phụ được thì tiến hành.
2. Thu thập thêm số liệu (nè N) có thể khắc phụ được hiện tượng đa cộng tuyến
3. Loại bỏ biến gây ra hiện tượng đa cộng tuyến. Chọn biến ít có ý nghĩa thống kê hơn loại ra trước. (điều này chỉ mang tính tương đối).
4. Kết hợp giữa số liệu chuổi thời gian và số liệu chéo có thể khắc phục được hiện tượng đa cộng tuyến.
5. Dùng mô hình sai phân

B1: xây dựng mô hình hồi quy gốc ban đầu

B2: xây dựng mô hình hồi quy thứ hai, trong đó, loại bỏ một quan sát đầu tiên. (do mô hình hồi quy đúng với t quan sát thì cũng đúng với t-1 quan sát).

B3: Dùng mô hình ở B1 – B2 ta có mô hình sai phân bậc 1.

Đặc điểm: Mô hình sai phân B3 có thể giảm hiện tượng đa cộng tuyến của các biến độc lập.

Tự tương quan có thể hiểu là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự thời gian (trong các số liệu chuỗi thời gian) hoặc không gian (trong số liệu chéo)

Câu 8 . Dựa vào đâu để đưa ra mô hình nghiên cứu?

Các bạn có thể tham khảo cách trả lời dưới đây:

Từ mô hình của các nhà nghiên cứu trước hết hợp với lý thuyết và những vấn đề hiện tại của cty. Em kết hợp và đề xuất mô hình với sự thống nhất của GVHD.

Câu 9: sự khác nhau giữa HỒI QUY VÀ TƯƠNG QUAN

Hồi quy và tương quan khác nhau về mục đích và kỹ thuật. Phân tích tương quan trước hết là đo mức độ kết hợp tuyến tính giữa các biến. Ví dụ: mức độ quan hệ giữa nghiện thuốc là và ung thư phổi, giữa kết quả thi môn Lý và môn Toán… Nhưng phân tích hồi quy lại ước lượng hoặc dự báo một biến (biến phụ thuộc) trên cơ sở giá trị đã cho của các biến khác (biến độc lập). Về kỹ thuật, trong phân tích hồi quy các biến không có tính chất đối xứng. Biến phụ thuộc là đại lượng ngẫu nhiên. Các biến giải thích giá trị của chúng (biến độc lập) đã được xác định. Trong phân tích tương quan không có sự phân biệt giữa các biến, chúng có tính chất đối xứng.

Tóm lại, hồi quy thì tương quan (hay nói cách khác đk để hồi quy thì trước hết phải tương quan), còn tương quan thì chưa chắc đã hồi quy.

Câu 10 Các khái niệm Eigenvalue, Factor loadings là gì?

---> Eigenvalue: Đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Còn Factor Loadings (hệ số tải nhân tố) là những hệ số tương quan đơn giữa các biến quan sát với nhân tố. Nếu hệ số tải càng lớn chứng tỏ biến quan sát có mối quan hệ càng chặt chẽ với nhân tố.

Câu 11 Hệ số Durbin - Watson

---> Hệ số Durbin Watson dùng để kiểm tra xem có hiện tương tự tương quan hay không trong phần dư của một phép phân tích hồi quy. Durbin Watson có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2 (từ 1 -> 3); nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.

Câu 12 Ý nghĩa đại lượng F trong phân tích hồi quy

---> Kiểm định F phải có giá trị sig. nhỏ hơn 0.05 để kiểm chứng mức độ phù hợp của mô hình hồi quy với tổng thể bởi vì húng ta nghiên cứu mục đích là để đánh giá tổng thể các phần tử chứ ko phải mẫu phần tử.

Ví dụ: Bạn nghiên cứu một số nhân viên trong cty để suy ra chung cho toàn nhân viên cty thì 1 số nhân viên là mẫu (Quy mô mẫu nghiên cứu trong bài chúng ta ấy) còn toàn nhân viên là tổng thể.

Nếu sig F <0.05 nghĩa là mô hình hồi quy của bạn có ý nghĩa áp dụng và suy luận ra tính chất của tổng thể.

Câu 12 Mẫu nghiên cứu của em là bao nhiêu?

---> Khi được hỏi MẪU NGHIÊN CỨU là bao nhiêu?

Phải trả lời: Quy mô mẫu nghiên cứu của em là 150 hoặc 150 người, hoặc là 150 đối tượng.

Trả lời 150 mẫu đồng nghĩa với phép tính 150 * 150 người. Nghĩa là chúng ta nghiên cứu tới tận 150 lần cái mẫu nghiên cứu của mình chứ không phải 150 đối tượng.

Câu 13: Cơ sở nào em lấy mẫu đó?

---> Dựa trên tiêu chuẩn 5:1 của Bollen (1998) và Hair & ctg (1998). Để thỏa mãn yêu cầu về dữ liệu của phân tích định lượng, một biến cần có 5 quan sát tương ứng với 5 đáp viên. Bảng câu hỏi đưa ra có 30 biến, nên mẫu tối thiểu là 150 người.
=> Nói chung là dựa vào số biến của mô hình rồi nhân cho 5 ( Số biến của mô hình x 5)

Câu 14: Phương pháp chọn mẫu của em là gì?

---> Có 2 phương pháp chọn mẫu: xác suất và phi xác suất ( cần hiểu cả 2 nếu bị hỏi lý thuyết)

Hầu như chúng ta làm tiểu luận báo cáo là chọn PHƯƠNG PHÁP PHI XÁC SUẤT THUẬN TIỆN hết.

* Chọn mẫu phi xác suất là chọn mẫu theo ý định chủ quan của người nghiên cứu.

* Chọn mẫu phi xác suất kiểu thuận tiện: Các đơn vị mẫu được chọn ở tại một địa điểm và vào một thời gian nhất định.

Ví dụ: Chọn mẫu những nhân viên làm việc tại công ty. Khi chúng ta gặp ai thì chúng ta nhờ họ đánh vào bảng khảo sát. Vậy là chúng ta khảo sát dựa trên tính “dễ tiếp xúc” và “cơ hội thuận tiện” để chọn mẫu. 2 thuộc tính "dễ tiếp xúc" + "cơ hội thuận tiện" là biểu hiện của chọn mẫu phi xác suất thuận tiện.

Nếu chọn mẫu xác suất thì chúng ta PHẢI CÓ LIST NHÂN VIÊN cty và chọn trong đó ra theo 1 số kiểu.

Ưu điểm phi xác suất thuận tiện: dễ dàng tập hợp các đơn vị mẫu

Nhược điểm: không đạt được độ xác thực cao

Câu 15: Sự khác nhau giữa N và n là gì?

Kích thước mẫu, kích cỡ mẫu: kí hiệu là n. Có thể hiểu đó là số lượng người cần phỏng vấn, điều tra, hay nói cách khác đó là số bảng khảo sát sẽ phát ra.
N (hay còn gọi là valid N) đó là số mẫu hợp lệ, hay là số mẫu thỏa hết điều kiện để đưa vào nghiên cứu chính thức. Hiểu đơn giản là mấy cái mẫu thu về được, số liệu các mẫu đó đã qua phần lọc dữ liệu. (Lọc dữ liệu là gì? Đó là mấy cái thủ thuật nhằm loại bỏ những mẫu đánh bậy bạ, thường là đặt mấy câu hỏi logic với nhau gài trong bảng khảo sát. Dùng hàm If để lọc ra. Cái lọc dữ liệu này ko cần hiểu đâu)
Lưu ý: n>= N

Câu 16: Sự khác nhau giữa Rsquare (R bình) và R square adjusted (R bình hiệu chỉnh) là gì? Vậy R square và square adjusted có nhất thiết lúc nào cũng phải lớn hơn 50% hay không?

Điểm giống: Rsquare và Rsquare adjusted đều cho biết mức độ phù hợp của mô hình nghiên cứu với ý nghĩa là các biến độc lập giải thích được bao nhiêu phần trăm (%) biến thiên của biến phụ thuộc.
Điểm khác: Rsquare adjusted phản ánh sát hơn mức độ phù hợp của mô hình vì nó không phụ thuộc vào độ lệch phóng đại của Rsquare.(độ lệch này phụ thuộc vào kích thước mẫu, thị trường khảo sát... Ko nên nói câu trong ngoặc này quá sâu vì dễ bị bắt bẽ, chừng nào hội đồng hỏi hãy nói...)
Các đề tài liên quan đến vấn đề nhận dạng... or giải thích..., (vd: các yếu ảnh hưởng đến mức độ hài lòng...), thì r bình phương phải từ 0.5 (50%) trở lên. Các đề tài liên quan đến mối quan hệ..., (vd: ảnh hưởng của tâm lý hay đến lòng trung thành, hay giữa các nhân tố với nhau..), thì không cần quan tâm nhiều đến r bình phương mà khi đó hệ số hồi quy (beta).

Câu 17: Sự khác nhau giữa Beta và beta chuẩn hóa là gì?

Hệ số B chưa chuẩn hóa phản ánh lượng biến thiên của Y khi một đơn vị X thay đổi. Trong khi đó Hệ số Beta đã chuẩn hóa phản ánh lượng biến thiên của độ lệch chuẩn (standard deviation) của Y khi một đơn vị độ lệch chuẩn của X thay đổi. Cụ thể hơn, hệ số Beta đã chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến độc lập, biến phụ thuộc đã được chuẩn hóa ( phương sai =1). Còn hệ số B chưa chuẩn hóa là kết quả của việc giải phương trình hồi quy mà các biến được giữ nguyên giá trị thô. Việc chuẩn hóa hệ số beta thường dùng để trả lời câu hỏi: biến độc lập nào có tác động mạnh hơn vào biến phụ thuộc khi phân tích hồi quy đa biến, khi mà các biến đo lường độc lập có đơn vị đo lường khác nhau (ví dụ thu nhập được tính bằng dollars và kích cỡ gia đình được tính bằng số người).

Câu 18: Khi mà cronhback alpha < cronhback alpha if item deleted .....thì có xóa biến đó không?

Có thể xóa hoặc không còn phụ thuộc vào nhiều yếu tố:
Nếu mà chênh lệch nhiều thì nên xóa, ít chênh lệch có thể giữ lại.
Chêch lệch có thể nhiều nhưng không xóa vì đó là 1 biến quan trọng trong nhân tố đó, giải thích việc giữ lại thông qua thực trạng cty và nói là đã hỏi qua ý kiến của GVHD về việc giữ lại biến này.

19. Khác nhau giữa Method Enter và Stepwise:

Enter: đổ hết các biến độc lập vào 1 lượt, kết quả cho ra ko sắp xếp theo mức độ tương quan mạnh yếu mà sẽ xếp theo X1, X2, X3...Xn
Stepwise: đưa từng biến vào, đầu tiên là biến tác động mạnh nhất cho đến biến tác động yếu nhất. Kết quả cho ra sẽ đc sắp xếp theo thứ tự mạnh-> yếu.

20. KIỂM ĐỊNH SỰ KHÁC BIỆT, T - Test, ANOVA

Nội dung của phần này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng, ví dụ có sự khác biệt về sự hài lòng dịch vụ ngân hàng A với các đối tượng khách hàng (như giới tính, độ tuổi, mức thu nhập...) hay không. Để thực hiện được điều này chúng ta tiến hành phân tích phương sai ANOVA và Indepent-sample T – test. Sự khác biệt có ý nghĩa thống kê với độ tin cậy 95% (hay mức ý nghĩa Sig.< 0.05).
Có hai thủ tục phân tích phương sai: ANOVA một yếu tố và ANOVA nhiều yếu tố. Tuỳ nghiên cứu mà thực hiện phân tích phương sai một yếu tố hay hai yếu tố, riêng đối với các luận văn bậc Đại học hoặc Cao học thuần về hướng nghiên cứu ứng dụng khảo sát mẫu không quá phức tạp thì những nghiên cứu dạng này dùng kiểm định phương sai một yếu tố sẽ được thực hiện vì chúng ta chỉ kiểm định biến định tính để phân loại các quan sát thành các nhóm khác nhau. Kiểm định ANOVA gồm kiểm định độ đồng nhất giữa phương sai của các nhóm nhân tố có mức ý nghĩa sig. > 0.05.
Các biến có hai lựa chọn (ví dụ như giới tính chỉ có hai thái thể hiện là Nam và Nữ) chính vì thế chúng ta sẽ sử dụng phép kiểm định Independent-sample T – test (kiểm định giả thuyết trung bình của hai tổng thể) để tìm sự khác biệt với biến định lượng.

21./ KIỂM ĐỊNH INDEPENT-SAMPLE T - TEST

Cách thực hiện kiểm định này trong SPSS: Analysist/Compare Mean/Independent Samples T-Test/
Cho biến định lượng vào Test varible. Biến định tính vào Grouping Varible. Sau đó chọn Define Groups; lần lượt chọn giá trị đã gán cho 2 lựa chọn của biến định tính vào
Đọc kết quả phân tích T-Test
Kiểm tra kiểm định Levene's ở bảng Independent Samples Test. Nếu sig. của kiểm định này < 0.05 thì phương sai giữa 2 lựa chọn của biến định tính ở trên khác nhau, ta sẽ sử dụng kết quả kiểm định T ở phần Equal variances not assumed. Nếu giá trị sig của kiểm định t ở phần Equal variances not assumed sig. > 0.05 thì kết luận kiểm định T không có sự khác biệt, còn Sig <= 0.05 thì kết luận có sự khác biệt giữa các nhóm của biến định tính
Nếu sig. của kiểm định này >=0.05 thì phương sai giữa 2 lựa chọn của biến định tính ở trên không khác nhau, ta sẽ sử dụng kết quả kiểm định T ở phần Equal variances assumed. Nếu giá trị sig của kiểm định t ở phần Equal variances not assumed sig. > 0.05 thì kết luận kiểm định T không có sự khác biệt, còn Sig <= 0.05 thì kết luận có sự khác biệt giữa các nhóm của biến định tính

Chúc các em phản biện tốt