Phim Mỹ

[phim my][bleft]

Phim ấn độ

[phim an do][grids]

Phim hài

[phim hai][twocolumns]

Phim hàn quốc

[phim han quoc][bsummary]

Seo wordpress

[wordpress][bsummary]

Phương pháp xử lý và phân tích dữ liệu khi làm luận văn thạc sĩ kinh tế

Bài viết liên quan: Đi đây đó
Xin chào các anh/chị học viên cao học thân mếm, đã lâu khong viết bài về luận văn thạc sĩ kinh tế. Hôm nay phim mỹ xin giới thiệu đến các anh/chị phần phương pháp xử lý và phân tích dữ liệu khi làm luận văn cao học.

luan van thac si, luận văn thạc sĩ, luận văn cao học


Mong rằng những thông tin bên dưới đây sẽ là nguồn tài liệu tham khảo đáng tin cậy cho anh/chị.

Phương pháp xử lý và phân tích dữ liệu

1. Phân tích Cronbach alpha
- Hệ số Cronbach’s Alpha là một phép kiểm định thống kê dùng để kiểm tra sự chặt chẽ và tương quan giữa các biến quan sát. Hệ số Cronbach’s alpha được sử dụng trước nhằm loại các biến không phù hợp. Cronbach’s alpha từ 0.8 đến 1 là thang đo lường là tốt, từ 0.7 đến 0.8 là thang đo lường sử dụng được. Trong trường hợp khái niệm đang nghiên cứu là mới, hoặc mới với người trả lời thì hệ số Cronbach’s alpha lớn hơn 0.6 có thể được chấp nhận (Hoàng Trọng, 2005).
- Tiêu chuẩn chọn thang đo là khi nó có độ tin cậy alpha từ 0.6 trở lên và hệ số tương quan biến tổng của các biến (item-total correlation) lớn hơn 0.3 (Trọng, Ngọc, 2008).




2 Phân tích nhân tố EFA
- Sau khi loại đi các biến không đảm bảo độ tin cậy qua đánh giá độ tin cậy bằng hệ số Cronbach Alpha, tiến hành phân tích nhân tố. Phân tích nhân tố là tên chung của một nhóm các thủ tục được sử dụng chủ yếu để thu nhỏ và tóm tắt dữ liệu (Trọng, Ngọc, 2008).
- Để có thể phân tích nhân tố thì phải đảm bảo các điều kiện: chỉ số Kaiser-Meyer-Olkin (KMO) > 0.5: dữ liệu phù hợp để phân tích nhân tố và mức ý nghĩa của kiểm định Bartlett < 0.05: xem xét các biến có tương quan với nhau trên tổng thể.
- Số lượng nhân tố được xác định dựa trên chỉ số Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo tiêu chuẩn Kaiser thì những nhân tố có Eigenvalue nhỏ hơn 1 sẽ bị loại khỏi mô hình nghiên cứu.
- Phương pháp trích hệ số được sử dụng trong nghiên cứu này là Principal component với phép quay Varimax. Trong bảng Rotated Component Matrix chứa các hệ số tải nhân tố (Factor loading). Theo Hair & ctg (1998), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. Factor loading > 0.3 được xem là đạt được mức tối thiểu, > 0.4 được xem là quan trọng, > 0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor  loading > 0.55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0.75. Đề tài nghiên cứu với cỡ mẫu 114, vì vậy các biến có hệ số tải >0.5 được đưa vào phân tích.
- Theo Hair &ctg (1998), thang đo được chấp nhận khi tổng phương sai trích bằng hoặc lớn hơn 50%.



3 Xây dựng mô hình hồi quy
- Phương pháp hồi quy được sử dụng để mô hình hoá mối quan hệ nhân quả giữa các biến, trong đó một biến gọi là biến phụ thuộc (hay biến được giải thích) và các biến kia là các biến độc lập (hay biến giải thích). - Mô hình này được mô tả như sau:
Yi=β0+β1X1i+β2X2i+…+ βkXki+ei
Trong đó:      Xpi: Giá trị của biến độc lập thứ k tại quan sát i.
βk: Hệ số hồi quy riêng phần.
ei: là một biến độc lập có phân phối chuẩn với trung bình là 0 và phương sai không đổi σ2.
- Sau khi rút trích các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội: kiểm tra phần dư chuẩn hóa, kiểm tra độ chấp nhận của biến (Tolerance), kiểm tra hệ số phóng đại phương sai VIF. Khi Tolerance nhỏ thì VIF lớn, quy tắc là khi VIF>10, đó là dấu hiệu đa cộng tuyến (Trọng, Ngọc, 2008). Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội được xây dựng.
- Mức độ phù hợp của mô hình được đánh giá bằng hệ số R2 điều chỉnh. Giá trị R2 điều chỉnh không phụ thuộc vào độ lệch phóng đại của R2 do đó được sử dụng phù hợp với hồi quy tuyến tính đa biến.
Các thủ tục chọn biến thường được áp dụng là: đưa vào dần (forward selection) loại trừ dần (backward elimination), và chọn từng bước (stepwise regression). Tất nhiên không có thủ tục chọn biến là tốt nhất: chúng chỉ đơn giản nhận ra các biến nào có khả năng dự đoán tốt biến phụ thuộc sự hài lòng.
- Trong phạm vi bài nghiên cứu này chúng tôi sử dụng phương pháp chọn biến độc lập từng bước (stepwise regression), kết hợp của phương pháp đưa vào dần và loại trừ dần. Về mặt thực tiễn nó cũng là phương pháp được sử dụng thông thường nhất.

Chúc anh/chị sớm hoàn thành xong luận văn thạc sĩ của mình. (đừng quên chia sẽ cho bạn bè nếu anh/chị thấy bài viết bổ ích).

loading...
l

Không có nhận xét nào: