Cấu trúc cơ bản của một bảng hỏi khảo sát

Một bảng hỏi khảo sát không chỉ đơn thuần là các câu hỏi để thu thập được dữ liệu đưa vào phân tích thống kê, nó là công cụ để kết nối đối tượng với người làm nghiên cứu. Một bảng hỏi với cấu trúc rõ ràng, mạch lạc chắc chắn sẽ ưa nhìn và được lòng đối tượng nghiên cứu. Các bạn sẽ được đánh giá có tính chuyên nghiệp và việc thu thập dữ liệu nhờ đó cũng dễ dàng hơn, chất lượng dữ liệu cũng cao hơn.

Một bảng hỏi khảo sát thường gồm 4 phần chính sau:

1. Phần mở đầu

Phần đầu tiên có tác dụng giải thích lý do, gây thiện cảm và tạo sự hợp tác của người được khảo sát. Trong phần này chúng ta có thể cung cấp một số thông tin như:

- Mục đích của cuộc khảo sát

- Đơn vị khảo sát

- Đề cao vai trò của người được khảo sát

- Lý do tại sao nên tham gia vào cuộc khảo sát

Ví dụ chúng ta có thể tiếp cận đối tượng theo cách: “Cuộc khảo sát nhằm mục đích tìm hiểu về kiến thức tiêu dùng của người dân tại địa bàn X. Ý kiến của anh/chị là rất quan trọng để sử dụng nâng cao trải nghiệm về sản phẩm của những người tiêu dùng khác”

2. Phần gạn lọc

Trong phần này chúng ta sử dụng các câu hỏi định tính với thang đo định danh hay thứ bậc để xác định đối tượng phù hợp với nghiên cứu.

Ví dụ khi khảo sát về dịch vụ trong ngân hàng cần có một câu hỏi mang tính lọc đối tượng như tần suất sử dụng dịch vụ tại ngân hàng với các thang đo: Không bao giờ, hiếm khi, thường thường, thường xuyên. Nếu đối tượng trả lời “Không bao giờ” chúng ta có thể dừng cuộc điều tra do đối tượng không phù hợp. Với các câu trả lời còn lại, đối tượng sẽ tiếp tục trả lời các câu hỏi tiếp theo.

3. Phần chính

Đây là phần bao gồm các câu hỏi đặc thù để thu thập dữ liệu cần thiết cho nghiên cứu 

Trong phần này, các bạn ngoài việc quan tâm đến nội dung câu hỏi cần sắp xếp các câu hỏi theo trình tự sao cho logic, hợp lý, tạo hứng thú cho đối tượng nghiên cứu và thu thập được thông tin tốt nhất. Các câu hỏi đi từ cái chung đến cái riêng, một vấn đề lớn nên phân ra các vấn đề nhỏ.

4. Phần kết thúc

Phần này bao gồm 2 phần: câu hỏi phụ và lời cảm ơn

Câu hỏi phụ có tác dụng thu thập thêm thông tin về đặc điểm nhân khẩu của đối tượng như: giới tính, tuổi tác, nghề nghiệp…Phần câu hỏi phụ có thể đặt ở vị trí của phần kết thúc hoặc ngay sau phần mở đầu, điều này tùy thuộc vào lựa chọn của người thiết kế bảng hỏi. Trong phần này nếu không quá cần thiết chúng ta nên tránh những câu hỏi quá cá nhân như tên, tuổi chính xác, số điện thoại, email….Đôi khi các câu hỏi này sẽ khiến người trả lời không thoải mái và không sẵn sàng trả lời các câu hỏi tiếp theo của bảng hỏi.

Lời cảm ơn bao gồm thông báo kết thúc bảng hỏi và lời cảm ơn đối với đối tượng. Lời cảm ơn chỉ cần viết ngắn gọn (thường không quá 2 dòng), chân thành và mộc mạc.

Việc xây dựng bảng hỏi theo cấu trúc như trên không tốn quá nhiều thời gian nhưng nó đem lại hiệu quả nhất định trong việc thu thập được dữ liệu chất lượng để phân tích cho đề tài nghiên cứu do đó các bạn cần quan tâm đúng mực đến cả nội dung và hình thức của bộ câu hỏi.

Read More

Hệ số tin cậy Cronbach’s Alpha

Độ tin cậy của thang đo được đánh giá bằng phương pháp nhất quán nội tại qua hệ số Cronbach’s Alpha. Sử dụng phương pháp hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không phù hợp vì các biến rác này có thể tạo ra các yếu tố giả



Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại. Khi đó, việc tính toán hệ số tương quan giữa biến-tổng sẽ giúp loại ra những biến quan sát nào không đóng góp nhiều cho sự mô tả của khái niệm cần đo

Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:

– Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ (nhỏ hơn 0,4); tiêu chuẩn chọn thang đo khi có độ tin cậy Alpha lớn hơn 0,6 .
– Các mức giá trị của Alpha: lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được; từ 0,6 trở lên là có thể sử dụng trong trường hợp khái niệm nghiên cứu là mới hoặc là mới trong bối cảnh nghiên cứu
– Các biến quan sát có tương quan biến-tổng nhỏ (nhỏ hơn 0,4) được xem là biến rác thì sẽ được loại ra và thang đo được chấp nhận khi hệ số tin cậy Alpha đạt yêu cầu (lớn hơn 0,7).
Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí:
– Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0,4 (đây là những biến không đóng góp nhiều cho sự mô tả của khái niệm cần đo và nhiều nghiên cứu trước đây đã sử dụng tiêu chí này).
– Chọn thang đo có độ tin cậy Alpha lớn hơn 0,6 (các khái niệm trong nghiên cứu này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời).

Minh họa trên SPSS 20

Vào menu Analyze->Scale->Reliability Analysis

Chọn các câu hỏi trong cùng một nhân tố qua cột bên phải,

Sau đó nhấn vào Statistic, check vào ô Scale if item deleted. Sau đó bấm Continue, sau đó bấm OK

Cách loại biến

Với ảnh trên loại LI9, LI14, LI15 vì tương quan biến tổng <0,4. Bỏ 3 biến này ra và chạy lại được bảng dưới

Loại tiếp LI8 dù tương quan biến tổng >0,4 nhưng nếu bỏ nó ra thì đọ tin cậy của thang đo này cao hơn 0,898>0,897

Các bạn cứ loại dần ra đến khi nào còn các biến cho ra bảng CA thỏa mãn
+ Các số tại cột Corrected Item-Total Correlation đều > 0,4

+ Các số tại cột Cronbach's Alpha if Item Deleted đều nhỏ hơn số ghi trong ô Cronbach's Alpha phía trên là các biến còn lại đều dùng được

Read More

Tương quan hạng Spearman và tương quan Pearson

Tương quan hạng Spearman được sử dụng thay thế tương quan Pearson để kiểm tra mối quan hệ giữa hai biến được xếp hạng hoặc một biến được xếp hạng và một biến đo lường không yêu cầu có phân phối chuẩn.
Nói đơn giản chút, hệ số tương quan Pearson là hệ số tương quan tuyến tính. Nếu bạn kiểm định Pearson và kết luận X có tương quan với Y thì có thể cho là X và Y có quan hệ tuyến tính với nhau. Còn ngược lại thì cũng chỉ có thể tạm kết luận rằng X và Y không quan hệ tuyến tính. Chứ nếu nó quan hệ với nhau theo kiểu abc xyz nào đó thì ta chưa biết

Tương quan hạng Spearman giữa X và Y nói đơn giản là xem xét tính đơn điệu của 2 biến này với nhau. Nếu hệ số tương quan dương thì kết luận là X tăng Y cũng tăng.  Nếu hệ số tương quan âm thì kết luận là X tăng Y giảm

Nếu X và Y tương quan với nhau	Hàm biểu diễn
Theo tương quan Pearson	Yi=a*Xi+b+ui (hàm bậc nhất)
Theo tương quan hạng Spearman	Yi=f(Xi) với f là hàm đơn điệu trên tập xác định của Xi *Chú ý: f là hàm số có thể không tồn tại hoặc không nhất thiết phải tường mình

Thủ tục kiểm định tương quan hạng Spearman trên SPSS

Các bạn thực hiện tuơng tự kiểm định tương quan Pearson, nhưng thay vì lựa chọn kiểm định Pearson thì các bạn chọn kiểm định Spearman. 

Cách đọc kết quả tương tự.

Xem thêm: Kiểm định tương quan Pearson trên SPSS

Read More

One-way Anova và Independent-Sample T Test trên SPSS

Đôi điều về kiểm đinh One-Way Anovs và T Test

Bài viết này đề cập đến 2 kiểm định khá thông dụng trong SPSS

Để theo dõi chi tiết 2 kiểm định này các bạn có thể vào link 2 bài viết phía dưới

Thực hành kiểm định Independent-Sample T Test trên SPSS

Thực hành kiểm định One-Way ANOVA trên SPSS

Trong bài viết này mình sẽ xoay quanh nội dung là 1 số câu hỏi như sau. Hi vọng sau khi đọc xong các bạn có thể hiểu để áp dụng linh hoạt và không máy móc

1. Khi nào dùng One-way Anova và khi nào Independent-Sample T Test?

Câu trả lời là: Chỉ có khi nào nên dùng cái này và khi nào nên dùng cái kia. Thực tế thì SPSS có bỏ đi 1 cái thì 1 cái còn lại vẫn đủ dùng. Đây chẳng qua chỉ là 2 tổ hợp kiểm định được đưa sẵn ra, để người dùng thuận tiện, cũng giống 2 loại mỳ ăn liền để cho 2 người có khẩu vị khác nhau lựa chọn. Cùng lắm không có nó thì chúng ta tính tay

2. Bản chất thực sự của 2 kiểm định này? Tại sao chũng có thể dùng thay thế nhau?

Thực tế các bạn hay nghe tới việc  Independent-Sample T Test dừng khi biến định tính có 2 giá trị, One-way Anova dùng khi biến định tính có 3 giá trị trở lên. Câu nói trên đúng thích hợp làm câu trả lời cho câu hỏi "Khi nào nên dùng One-way Anova và khi nào nên dùng Independent-Sample T Test" hơn

Bản chất thực sự của 2 kiểm định này đều là so sánh giá trị trung bình của 2 mẫu. Tức là so sánh cặp, hay gọi là so sánh đôi một. Chẳng qua là Independent-Sample T Test có 1 đôi duy nhất còn One-way Anova thì làm cho nhiều đôi cùng lúc.

Điều này có nghĩa là Independent-Sample T Test  là một trường hợp đặc biệt của One-way Anova. Không tin bạn cứ mang One-Way ANOVA ra kiểm định trung bình của biến "Giới tính" chẳng hạn. Còn nếu bạn có 1 biến định tính 5 giá trị và cần so sánh giá trị trung bình giữa chúng- nếu không dùng One way anova thì bạn dùng 10 lần Independent-Sample T Test  vẫn được. Và bạn dùng 10 lần Independent-Sample T Test sẽ được kết quả chính xác hơn là 1 lần dùng One way anova. Bạn có biết tại sao không?

3. Kiểm định này trả lời câu hỏi gì?

Mình thấy thông thường các bạn hay đi đến kết luận là giữa 2 nhóm/ nhiều nhóm có/ không có sự khác biệt. Như vậy thực sự không đầy đủ. bạn so sánh 10 nhóm với nhau- có tất cả 45 cặp. 1 cặp khác nhau thì cũng là khác nhau rồi.

Câu hỏi các bạn nên quan tâm là "Có khác nhau không và nếu khác thì khác như thế nào"
Lấy ví dụ bạn 20 cho người xếp hàng từ thấp đến cao. Nếu bạn so người thứ 2 với người thứ 17 thì thấy người thứ 17 cao hơn thật. Nhưng mang người so 7 và số 8 ra so thì mát thường chưa chắc bạn thấy ai cao hơn ai

4. Quy trình chung của 2 kiểm định này là gì?

Năm được phần này các bạn sẽ không lúng túng khi thực hiện kiểm định trên phần mềm cũng như đọc kết quả. Chúng đều qua 2 bước rõ ràng đó là

Bước 1: Kiểm định xem phương sai giữa các nhóm có đồng nhất hay không. Từ đó có phương án lựa chọn ra 1 kiểm định so sánh giá trị trung bình thích hợp

Bước 2: Kiểm định so sánh giá trị trung bình (bằng kiểm định thích hợp lựa chọn từ bước 1)

5. Cách đọc kết quả kiểm định

Chúng ta sẽ đọc kêt quả kiểm định dự theo 2 bước ở trên

Bước 1: Tại kiểm định phương sai đồng nhất, nếu sig <0,05 thì kết luận phương sai giữa các nhóm không đồng nhất. Ngược lại nếu sig >0,05 thì kết luận phương sai giữa các nhóm  đồng nhất. Căn cứ vào đây ta mới xem sử dụng kết quả của kiểm định nào ở bước tiếp theo

Bước 2: Tại kết quả so sánh giá trị trung bình theo các cặp, cặp nào có sig <0,04 thì kết luận là có sự khác biệt, ngược lại sig >0,05 thì kết luận không co sự khác biệt

Kết quả trên Independent-Sample T Test 

Kết quả trên One Way ANOVA

Bước 3: Nếu có sự khác biệt thì xem hiệu của giá trị mean "Mean Difference" để đưa ra kêt luận xem nhóm nào cao, nhóm nào thấp.

Read More

Kiểm định bắt cặp Paired Samples T-Test trên SPSS

Kiểm định bắt cặp Paired Samples T-Test là một trong số các kiểm định so sánh giá trị trung bình

Kiểm định này thường được biết đến với tên "so sánh giá trị trước sau", ví dụ để đo lường hiệu quả của một loại thuốc trước và sau khi sử dụng của của một mẫu bênh nhân nào đó. Đây chỉ là một trường hợp của kiểm định này

Nội dung kiểm định bắt cặp Paired Samples T-Test 

So sánh giá trị trung bình của 2 thuộc tính/ biến định lượng trên cùng một mẫu nghiên cứu

Ứng dụng và ví dụ

• So sánh thái độ, hành vi của một nhóm đối tượng nào đó trước và sau khi học một khóa học tâm lý --> đánh giá hiệu quả khoa học
• Cho một nhóm giám khảo ăn n món ăn, chấm điểm rồi xem món nào được cho là ngon nhất (điểm cao nhât), hay đơn giản hơn là món nào ngon hơn món nào

Thực hành Kiểm định bắt cặp Paired Samples T-Test trên SPSS

Bước 1: Chọn kiểm định từ menu

Bước 2: Chọn các cặp cần so sánh

Lưu ý là bạn có thể so sánh rất nhiều cặp một lúc, các bạn chỉ cần đưa đúng các cặp vào là được

Ví dụ ở đây tên một mẫu có sẵn, chúng ta kiểm tra xem 3 biến quan sat X1, X2, X3 biến nào có giá trị lớn nhất

Bước 3: Đọc kết quả

Phần mềm trả về cho chúng ta 3 bảng như trong hình

Bảng 1 là bảng thống kê mô tả, bạn có thể nhìn nhận giá trị trung bình trực quan hoặc bỏ qua

Bảng 2 là bảng hệ số tương quan Pearson thôi, ta cũng có thể bỏ qua

Bảng 3 là bảng chúng ta quan tâm

Với mỗi cặp, phần mềm xét hiệu X1-X2

• Tại cột Mean, hiệu này nhỏ hơn 0 thì nghĩa là giá trị trung bình cảu biến X1 < của biến X2. Giá trị mean này chính là hiệu 2 giá trị mean trong bảng 1
• Ta kiểm định căp giả thuyết sau H0: meanX1=meanX2 và H1 ngược lại meanX1 không bằng meanX2
• Nhìn vào giá trị sig của kiẻm định này. Nêu sig <0,05 ta bác bỏ H0 tức là meanX1 thực sự khác meanX2, ngược lại ta châp nhận H0 tức là không có dự khác biệt giữa mean của 2 biến quan sát này.  Với ví dụ trong bài này ta kết luận được meanX1 < meanX2 <meanX3

Read More

Kiểm định White trên SPSS | Kiểm định phương sai sai số thay đổi với SPSS

Do SPSS chưa tích hợp một kiểm định phương sai sai số thay đổi chính thống nào nên chúng ta phải làm bán thủ công. Trong bài viết này tôi sẽ hướng dẫn các bạn thao tác kiểm định White không có tích chéo (đơn giản nhất) với sự hỗ trợ của SPSS, Excel.

Kiểm định White với SPSS

Trong ví dụ này tối sử dụng bảng dữ liệu có 427 quan sát với 6 biến độc lập, 1 biến phụ thuộc

Bước 1: Hồi quy bội với SPSS và lưu lại phần dư ei

Các thao tác như hồi quy thông thường, nhung tại Menu Save các bạn chọn lưu lại phần dư nữa là được nhé

 Ở đây phần mềm sẽ lưu lại phần dư. Với lần lưu đầu tiên biên này là RES_1, nếu lưu nhứng lân sau nó sẽ là RES_2, RES_3, ...
Nếu không thích tên này thì các bạn quay lại cửa sổ Variable View rồi đổi thành cái gì cũng được cho dễ gọi, dễ gõ. Ở đây mình đổi nó thành E

Bước 2: Tính giá trị bình phương của phần dư vừa thu được và bình phương tất cả các biến độc lập

Tôi thì ưa thích copy ra excel tính rồi copy lại spss và đổi tên biến, vừa nhanh vừa đỡ phải gõ lệnh lâu la.

Nếu các bạn dư thơi gian ngồi gõ lệnh trên SPSS thì tao tạo biên mới tại cửa số Transform ---> Caculate Variable 

Mình thống nhất đặt X1^2=XX1, X2^2=XX2,..... E^2=EE nhé

Sau khi xong ta thu được các biến mới như hình

Bước 3: Ước lương hàm hồi quy phụ và thu được R ² 

Biến phụ thuộc: EE

Biến độc lập: X1, X2, X3, X4, X5, X6, XX1, XX2, XX3, XX4, XX5, XX6

R ²  thu được bằng 0,035

Bước 4: Kiểm định giả thuyết

 χ²qs = nR ²    =427*0,035 = 14,945 . Ở đây n=427 là cỡ mẫu, hay còn gọi là số quan sát

Tra bảng tính sẵn có χ² α (k-1)= χ² 0,05 (12) = 21,03

Nhận thấy χ²qs  < χ² α (k-1) nên chấp nhận H0. Vậy kết luận với mức ý nghĩa 5% mô hình không vi phạm giả định phương sai sai số thay đổi.

Nếu muốn thức hiện các kiểm định khác các bạn có thể làm tương tự nhé.
Để khắc phục hiện tượng phương sai sai số thay đổi các bạn có thể tim đọc thêm tài liệu. Một dịp rảnh nào đó có thể tôi lại nông nổi chém gió về nó
Nhớ rằng nếu mô hình có khuyết tật thì phải tìm cách khắc phục chứ không phải vứt nó đi nhé!

Bảng tính sẵn thống kê χ² 

Read More