- Dữ liệu minh hoạ
- Biến giả và hồi quy với biến giả
- Biến điều tiết và xử lý biến điều tiết trong mô hình hồi quy tuyến tính
- Biến điều tiết- Phần 2: Trường hợp biến điều tiết là biến phân loại
- Biến điều tiết- Phần 3: Trường hợp biến điều tiết là biến liên tục-kỹ thuật 1+2
- Biến điều tiết- Phần 4: (Kỹ thuật 3) Áp dụng kỹ thuật mean center biến trước khi nhân
- Biến điều tiết- Phần 5: (Kỹ thuật 4) Trực giao quan hệ điều tiết
- Biến điều tiết- Phần 6: Sống chung với đa cộng tuyến
- Phân tích biến điều tiết trên SPSS bằng PROCESS macro By Andrew F. Hayes
- Đọc thêm: Phân tích đa nhóm với mô hình hồi quy tuyến tính trên SPSS
- Biến trung gian
- Kiểm định Sobel
- Phân tích biến trung gian trên SPSS bằng PROCESS macro By Andrew F. Hayes
- Xem xét vai trò biến trung gian với plug-in Indirect Effect trên Amos
- Có đưa biến nhân khẩu vào mô hình hồi quy hay không?
- Kiểm tra hệ số hồi quy có bằng một số cho trước hay không
- Kiểm định sự bằng nhau của hai hệ số hồi quy
- Đọc thêm: PROCESS macro- Công cụ xử lý biến trung gian, biến điều tiết
- Các dạng mô hình được hỗ trợ trong PROCESS macro By Andrew F. Hayes
- So sánh hồi quy và 1 số phân tích trên SPSS- AMOS- Smart PLS
Chắc hẳn các bạn đã nghe đến thủ tụ phân tích đa nhóm trên Amos hay Smart PLS nhưng ít nghe đến trên SPSS phải không?
Hãy cùng theo dõi loạt bài viết về chủ đề phân tích đa nhóm tại link sau: https://vaxidi.com/tag/phan-tich-da-nhom
Cùng trở lại với bài viết này, chúng tôi sẽ giới thiệu với các bạn 2 nội dung cơ bản sau
1.Thủ tục phân tích đa nhóm trên SPSS
2. So sánh 2 hệ số hồi quy trên SPSS
Nội dung chính (Nếu bạn chưa đăng nhập, nhiều nội dung có thể đã bị ẩn đi)
Thủ tục phân tích đa nhóm trên SPSS
Chúng ta cứ hiểu đơn giản ý tưởng của phân tích này đó là chi bộ dũ liệu thành nhiều nhóm và ước lượng cùng 1 mô hình trên các nhóm đó (các mẫu khác nhau)
Chúng ta cùng tiếp tục với bộ dữ liệu được sử dụng trong bài viết này: https://vaxidi.com/truong-hop-bien-dieu-tiet-la-bien-phan-loai
Hàm hồi quy gồm biến phụ thuộc y, các biến độc lập x2 và x3
Biến phân loại giới tính gồm 2 giá trị nữ=0 và nam=1
Để ước lượng mô hình trên các nhóm khác nhau trước hết ta dùng lệnh filter để lọc lấy quan sat họp lệ, sau đó ước lượng mô hình hồi quy. Cụ thể được minh họa như sau
Xem lại cách lọc các quan sát có điều kiện: https://vaxidi.com/lua-chon-quan-sat-voi-menu-select-case
Trước hết ta có bộ đữ liệu gồm 78 nam và 92 nữ
Nhóm nam
Bước 1: Lọc lấy các quan sát nhóm nam
Bước 2: Hồi quy
Kết quả thu được
Nhóm nữ
Tương tự với nhóm nữ
Trước tiên ta chọn các quan sát là nữ
Sau đó ta hồi quy và thu được kết quả như sau
\
Tất nhiên bây giờ các bạn có thể sử dụng các mô tả để tả lại các kết quả của 2 hàm hồi quy trên.
Đặt cạnh nhau để dễ quan sát 2 kết quả này
Bạn có thể mô tả rằng với nhóm nam thì hệ số hồi quy chuẩn hóa của x2 là 0.577 còn nhóm nữ thì hệ số hồi quy chuẩn hóa của x2 là 0.446. Như vậy ở nhóm nam thì x2 tác động đơn y mạnh hơn là ở nhóm nữ.
Câu văn trên là 1 câu thống kê mô tả đơn thuần cho mẫu hiện tại. Còn liệu suy luận ra tổng thể điều đó còn đúng hay không?
So sánh hệ số hồi quy của 2 nhóm
Tất nhiên kiên thức sau có thể được mở rộng với nhiều nhóm. Bạn chỉ cần so sánh đôi một với nhau. Đó chính là việc Smart PLS đang làm
Đối với hệ số hồi quy chưa chuẩn hóa
Bây giờ ta cùng bắt đâu với hệ số hồi quy chưa chuân hóa trước
Kiểm định cặp giả thuyết
còn nữa ...