Biến Độc Lập Và Biến Phụ Thuộc Trong Spss: Khái Niệm & Mối Quan Hệ

Biến là đại lượng được dùng trong các mô hình thống kê và khoa học thực nghiệm. Trong số các loại biến, biến độc lập và biến phụ thuộc là hai loại biến cơ bản thường được thống kê đo lường trong SPSS nhằm tìm ra mối quan hệ giữa các yếu tố nghiên cứu. Để hiểu rõ hơn về biến độc lập và biến phụ thuộc trong SPSS cũng như giữa chúng có mối quan hệ như thế nào, mời bạn theo dõi bài viết này nhé!

Biến độc lập và biến phụ thuộc trong SPSS

1. Biến độc lập là gì?

Biến độc lập (Independent Variable) là biến mà nhà thử nghiệm sẽ thực hiện thay đổi để khám phá các tác động của nó đến các biến còn lại. Nó không bị ảnh hưởng bởi bất kỳ biến nào khác trong nghiên cứu.

Ví dụ: Trong một nghiên cứu, người ta muốn biết thời gian ngủ có ảnh hưởng như thế nào đến điểm kiểm tra của học sinh. Trong trường hợp này, biến độc lập là thời gian ngủ.

2. Biến phụ thuộc là gì?

Biến phụ thuộc (Dependent Variable) là biến bị ảnh hưởng bởi biến độc lập trong mô hình nghiên cứu. Hay nói cách khác, kết quả đo lường của biến này sẽ phụ thuộc vào sự thay đổi của biến độc lập.

Ví dụ: Trong ví dụ trên, ta thấy điểm kiểm tra của học sinh chịu sự chi phối và tác động của yếu tố thời gian ngủ. Do đó, trong nghiên cứu này, biến phụ thuộc là điểm kiểm tra.

3. Đặc trưng của biến độc lập và biến phụ thuộc trong SPSS

Đặc trưng của biến độc lập và biến phụ thuộc trong SPSS

Biến độc lập và biến phụ thuộc trong SPSS được các nhà nghiên cứu đo lường để kiểm tra mối quan hệ nhân quả giữa các yếu tố. Trong đó:

• Biến độc lập thể hiện nguyên nhân.

• Biến phụ thuộc thể hiện kết quả.

• Khi nguyên nhân thay đổi thì kết quả sẽ thay đổi theo.

Một yếu tố có thể là biến độc lập trong trường hợp này nhưng lại là biến phụ thuộc trong trường hợp khác. Ở biến phụ thuộc cũng như vậy. Do đó, việc xác định yếu tố đó là biến độc lập hay phụ thuộc sẽ dựa vào câu hỏi nghiên cứu và mục tiêu nghiên cứu.

Thông thường, nhà nghiên cứu sẽ đặt biến phụ thuộc nằm ở vế bên trái của phương trình và biểu thị nó trên trục tung của đồ thị.

Ví dụ: Giá hàng hoá là biến độc lập ảnh hưởng đến lượng cầu của người tiêu dùng. Trong đó, P là biến độc lập và D là biến phụ thuộc vào P.  Dưới dạng hàm tổng quát, chúng ta có phương trình:

D = f(P)

SPSS là phần mềm vô cùng hữu ích cho các nhà nghiên cứu khi cần phân tích, thống kê hay xử lý số liệu. Tuy nhiên, nếu bạn là người dùng mới và các kỹ năng thao tác trên máy tính còn yếu, thì việc sử dụng phần mềm này thật là không hề dễ dàng và mất nhiều thời gian. Do đó, hãy để đơn vị Tri Thức Cộng Đồng giúp bạn giải quyết mọi khó khăn với dịch vụ nhận chạy SPSS chuyên nghiệp, nhanh chóng và hiệu quả.

4. Mối quan hệ biến độc lập và biến phụ thuộc trong SPSS

Khi nghiên cứu thực hiện có sử dụng phương pháp hồi quy thì người ta thường chạy phân tích nhân tố riêng cho lần lượt các biến độc lập đến biến phụ thuộc. Tuy nhiên, đối với dạng mô hình cấu trúc tuyến tính, trong đa số trường hợp chỉ thực hiện phân tích nhân tố một lần duy nhất cho tất cả các biến.

Dưới đây là 2 ví dụ cụ thể để bạn hình dung rõ hơn về cách chạy cho từng trường hợp.

4.1. Ví dụ trường hợp chạy chung 2 biến trong SPSS

Đối với mô hình cấu trúc tuyến tính SEM, rất khó xác định được biến nào là biến độc lập, biến nào là biến phụ thuộc vi giữa các biến có mối quan hệ rất phức tạp thì ta sẽ chạy chung phân tích nhân tố một lần cho tất cả các biến.

Để chạy EFA chung cho 2 loại biến độc lập và biến phụ thuộc trong SPSS, bạn hãy làm theo 4 bước hướng dẫn sau:

Bước 1: Trong thanh menu chính của SPSS, vào Analyze → Dimension Reduction và chọn Factor để khởi động chức năng phân tích nhân tố.

Vào Analyze → Dimension Reduction, chọn Factor

Bước 2: Trong hộp thoại Factor Analysis, đưa tất cả các biến cần phân tích EFA ở hộp bên trái vào ô Variables.

Đưa tất cả các biến quan sát vào ô Variables

Bước 3: Thiết lập các tùy chọn ở bên phải hộp thoại theo hướng dẫn dưới đây.

• Trong Descriptives: 

  • Tích vào mục KMO and Bartlett’s test of sphericity để xuất ra bảng giá trị KMO kèm giá trị sig của kiểm định Bartlett.

  • Nhấp Continue để quay lại cửa sổ ban đầu.

Tích vào mục KMO and Bartlett’s test of sphericity trong Descriptives

• Trong Extraction: lựa chọn ma trận tương quan với phép trích Maximum likelihood ở tab Method.

Chọn phép trích Maximum likelihood ở tab Method trong Extraction

• Trong Rotation: đối với nghiên cứu khó xác định được biến độc lập và biến phụ thuộc, chúng ta sẽ sử dụng phép quay Promax.

Chọn phép quay Promax trong Rotation

• Trong Scores: Tích vào ô Save as variables nếu bạn muốn lưu mỗi nhân tố sau khi phân tích dưới dạng một biến.

Tích vào ô Save as variables trong Scores

• Trong Options: 

  • Nếu muốn ma trận xoay hiện lên những ô giá trị có hệ số tải từ 0.3 trở lên, hãy tích vào Suppress small coefficients.

  • Nhập vào ngưỡng hệ tải .3 tại ô Absolute value below, nếu hệ số tải dưới ngưỡng đó sẽ không hiển thị trong bảng ma trận xoay.

  • Nhấp vào Continue để tiếp tục.

Tích vào Suppress small coefficients và nhập hệ số tải trong Options

Bước 4: Quay trở lại cửa sổ Factor Analysis, nhấp OK để nhận kết quả Output.

Nhấp OK để nhận kết quả

4.2. Ví dụ trường hợp chạy riêng 2 biến trong SPSS

Đối với các mô hình nghiên cứu có một nhân tố phụ thuộc và đã xác định được các biến độc lập và biến phụ thuộc thì chúng ta sẽ chạy phân tích nhân tố hai lần riêng biệt. Một lần cho tất cả các biến độc lập và một lần cho biến phụ thuộc.

Để chạy EFA riêng biệt cho lần lượt các biến độc lập và biến phụ thuộc trong SPSS, bạn cũng thực hiện các bước tương tự như trường hợp chạy phân tích nhân tố chung cho tất cả các biến ở ví dụ 1.

Sau khi bạn đã đưa các biến độc lập cần phân tích vào ô Variables, cần lưu ý điều chỉnh các thiết lập theo hướng dẫn sau đây:

• Trong Extraction: sử dụng phép trích Principal components ở tab Method. Đây cũng là tùy chọn mặc định của phần mềm SPSS.

Chọn phép trích Principal components ở tab Method trong Extraction

• Trong Rotation: ở dạng nghiên cứu đã xác định được biến độc lập và biến phụ thuộc, chúng ta dùng phép quay Varimax.

Chọn phép quay Varimax trong Rotation

• Cuối cùng là nhấp OK và nhận kết quả output.

Lưu ý: Tương tự như biến độc lập, chúng ta cũng đưa biến quan sát của biến phụ thuộc vào ô Variables và thực hiện các bước như cách làm với biến độc lập

Như bạn có thể thấy, các biến độc lập và biến phụ thuộc trong SPSS có sự liên quan mật thiết đến việc lựa chọn phương pháp phân tích nhân tố. Vậy tại sao cần phải phân tích EFA, ứng dụng của nó và cách chạy phân tích nhân tố EFA như thế nào trong SPSS? Hãy tìm hiểu ngay tại bài viết nhân tố khám phá EFA của Tri Thức Cộng Đồng nhé.

4.3. Ý nghĩa các bảng kết quả

Dữ liệu Output nhận được sẽ gồm nhiều bảng kết quả. Tuy nhiên, chúng ta chỉ cần tập trung vào 3 bảng kết quả chính dưới đây. Dựa vào 3 bảng này, chúng ta có thể đánh giá được kết quả phân tích nhân tố EFA cho mô hình là phù hợp hay không phù hợp.

• KMO and Bartlett’s Test: hệ số KMO = 0.817 > 0.5, sig Bartlett’s Test = 0.000 < 0.05. Như vậy phép phân tích nhân tố khám phá EFA là sử dụng được.

Bảng KMO and Bartlett’s Test

• Total Variance Explained: có 5 nhân tố được trích với giá trị riêng Eigenvalues lớn hơn 1 và tổng phương sai tích lũy là > 50%. Như vậy, kết quả phân tích EFA đạt yêu cầu.

Bảng Total Variance Explained

• Bảng ma trận Matrix: chia làm 2 loại kết quả

  • Rotated Component Matrix đối với trường hợp chạy riêng 2 biến: Kết quả ma trận xoay cho thấy 20 biến quan sát được phân thành 5 nhóm nhân tố. Tất cả các biến quan sát đều có hệ số tải nhân tố Factor Loading lớn hơn 0.3 và không còn các biến xấu.

Bảng Rotated Component Matrix

• Đối với biến phụ thuộc, không có bảng Rotated Component Matrix mà chỉ có bảng Component Matrix vì chỉ có một nhân tố.

Bảng Component Matrix

• Pattern Matrix đối với trường hợp chạy chung 2 biến: Cũng tương tư như bảng Rotated Component Matrix, tất cả các biến quan sát có hệ số tải nhân tố Factor Loading lớn hơn 0.3 sẽ được hiển thị và không còn các biến xấu trong bảng.

Bảng Pattern Matrix

Trên đây là bài viết chia sẻ tất tần tật các kiến thức tổng quan về biến độc lập và biến phụ thuộc trong SPSS, mối quan hệ giữa chúng cũng như cách chạy phân tích nhân tố cho các biến trong từng trường hợp cụ thể. Hy vọng với những thông tin chúng tôi vừa chia sẻ, bạn sẽ hiểu rõ hơn về vấn đề này và biết cách vận dụng vào bài nghiên cứu của mình để đạt hiệu quả tốt nhất.