Hồi qui (Regression) trong SPSS!

Hồi qui (Regression) trong SPSS!

Hồi qui (Regression) trong SPSS!
Ngày đăng: 17-03-2015
31,267 lượt xem

1. Hồi qui để làm gì?

Hồi qui trong SPSS là bước kiểm định mô hình nghiên cứu sau khi chạy một loạt các phân tích Cronbach’s Alpha, EFA, Correlations để chọn lựa những biến độc lập thỏa mãn điều kiện cho yêu cầu hồi qui.
Hồi qui để xác định cụ thể trọng số của từng nhân tố độc lập tác động đến nhân tố phụ thuộc từ đó đưa ra được phương trình hồi qui cũng là mục đích của bài nghiên cứu. Xác định mức độ ảnh hưởng của từng nhân tố độc lập lên nhân tố phụ thuộc.
Xem thêm: SPSS là gì?
Xem thêm: Đa cộng tuyến là gì?

2. Cách thực hiện hồi qui! 

Để hồi qui trên SPSS thì chúng ta làm như sau:
Analyze --> Regression --> Linear...
 
 
Chọn biến phụ thuộc và ô Dependent và các biến  độc lập thỏa yêu cầu hồi qui vào ô Independent (s). Sau đó nhấn tiếp Statistics. Trong hộp thoại Statistics tích vào ô "Durbin Watson" và "Collinearity diagnostics". Sau đó bấm Continue rồi bấm OK
 
 

3. Yêu cầu của hồi qui!

  • Giá trị Sig. nhỏ hơn 0.05 là điều kiện để các biến được đưa vào mô hình nghiên cứu.
  • VIF <2 đảm bảo không vi phạm đa cộng tuyến.
  • Không có hiện tượng tự tương quan (Xét Durbin Watson).
  • R-squared có ý nghĩa. R-square cho biết được số % biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập tác động lên nó. 
 
Ví dụ:
 
 
Thông thường, R-square đạt trên 50% là lý tưởng cho một nghiên cứu. Tuy nhiên, trong vài trường hợp, R-square <0.5 vẫn được chấp nhận. Trong hình cho thấy 58.6% độ biến thiên của biến phụ thuộc G được giải thích bởi các biến độc lập tác động lên nó. 
Adjusted R-square có ý nghĩa điều chỉnh của R-square. R-square có nhược điểm điểm là nếu đưa càng nhiều biến vào mô hình thì giá trị này sẽ càng tăng lên. Vì thế, nếu có 1 biến trở lên bị loại khỏi mô hình thì nên sử dụng Adjusted R-square để nhận định. 
Hệ số Durbin Watson cho phép kiểm tra hiện tượng tự tương quan giữa các biến độc lập.
Xem lại: Phân tích tương quan (Correlation)
Xem thêm: Hiện tượng tự tương quan (Autocorrelation)
 
 
Bảng ANOVA cần xét giá trị sig. Nếu sig. <0.05 thì mô hình có ý nghĩa. Nói cách khác, có ít nhất một biến độc lập tác động lên biến phụ thuộc G. Trong hình kiểm định ANOVA cho thấy mô hình đang thực hiện hồi qui có ý nghĩa. 
 
 
Các ô được viền xanh là những giá trị cần chú ý. 
  1. Đầu tiên, giá trị sig. phải <0.05 thì biến độc lập mới có sự tác động đến biến phụ thuộc G. Trong hình, chỉ có B, D, F là có tác động lên biến phụ thuộc G. 
  2. Tiếp theo, cần xét giá trị VIF. Trong hình, biến F có hệ số VIF = 2.458. Giá trị này >2, vì thế, cần xét lại hệ số tương quan Pearson ở bước Correlation. Nếu Pearson >0.85 thì biến F có hiện tượng đa cộng tuyến. Ngược lại, nếu Pearson <0.85 thì kết luận biến F không vi phạm đa cộng tuyến. 
  3. Hệ số tác động coefficient:
Có hai loại coefficient:
  • Standardized Coefficients: Hệ số đã chuẩn hóa, được dùng để so sánh mức độ ảnh hưởng giữa các biến độc lập.
  • Unstandardized Coefficients: Hệ số chưa chuẩn hóa, được dùng để viết phương trình hồi qui. 
Thông thường, nếu các biến được đưa vào hồi qui đều cùng một dạng scale  (Ví dụ: cùng một loại 5 mức độ) thì hai giá trị coefficients gần như nhau. Tuy nhiên, nếu biến độc lập có dạng khác thang đo Likert (Ví dụ: Số lượng khách mua hàng) thì cần có hệ số đã chuẩn hóa để việc so sánh được chính xác hơn. 
 
Như vậy, trong hình chỉ có biến B, D, F là tác động lên biến phụ thuộc G. F tác động lên G mạnh nhất với hệ số là 0.558. Biến B tác động lên G yếu nhất với hệ số 0.097. 
Phương trình hồi qui có dạng như sau:
(Do giá trị sig. của Constant >0.05 nên không thêm vào phương trình hồi qui)
G = 0.098*B + 0.128*D + 0.552*F
 
Nếu mô hình hồi qui không đạt yêu cầu, vui lòng liên hệ SPSS Tất Tần Tật để chỉnh sửa kết quả hồi qui!
SPSS Tất Tần Tật
Phone: 096 398 3518
 
 

Bình luận (0)


Gửi bình luận của bạn

Captcha

IMGROUP

Tìm