CÁC BIẾN TẦN ĐỘC LẬP VÀ PHỤ THUỘC TRONG SPSS

Bài viết chỉ được xuất bản và thuộc bản quyền của blog Phạm Lộc. Để chia sẻ lại nội dung trên các trang web khác, vui lòng trích dẫn nguồn liên kết của bài viết gốc này. Cảm ơn!
Trình diễn phân tích EFA chung hoặc riêng của biến độc lập với biến phụ thuộc Đây là vấn đề mà nhiều bạn băn khoăn khi thực hiện phân tích định lượng với SPSS. Chúng tôi sẽ phân tích lý do tại sao chạy cùng nhau hoặc chạy riêng trong bài viết này.

Bạn đang xem: Các biến độc lập và phụ thuộc trong spss

*

Trong phân tích nhân tố EFA, khi sử dụng phép quay vuông góc, không được phép đặt đồng thời biến phụ thuộc với biến độc lập để thực hiện EFA. Bởi vì khi sử dụng phép quay bình phương ban đầu, các yếu tố không được tương quan với nhau, tức là không có định nghĩa độc lập về sự phụ thuộc.
→ Do đó, nếu chúng ta sử dụng phép quay Varimax hoặc phép quay vuông góc bất kỳ, chúng ta cần phân tích EFA riêng biệt giữa độc lập và phụ thuộc, không đưa tất cả hai nhóm biến này vào phân tích chung một lúc.
Trích dẫn gốc: “Trộn các biến phụ thuộc và độc lập trong một phân tích nhân tố duy nhất và sau đó sử dụng các nhân tố dẫn xuất để hỗ trợ các mối quan hệ phụ thuộc là không phù hợp”
Không thích hợp để gộp tính độc lập và sự phụ thuộc lại với nhau trong một phân tích nhân tố khám phá và sau đó kiểm tra lại các mối quan hệ phụ thuộc.
→ Giải thích câu nói này chi tiết hơn. Có nghĩa là, khi chúng ta thực hiện một phân tích EPT, sẽ không hợp lý khi đặt các biến độc lập và phụ thuộc lại với nhau. Vì với một chủ thể đã được xác định là độc lập và phụ thuộc, điều này có nghĩa là ngay từ đầu chúng ta đã mặc định xuất hiện mối quan hệ phụ thuộc giữa hai nhóm biến: nhóm này ảnh hưởng đến biến kia và nhóm kia bị ảnh hưởng. của một biến khác.
Trích dẫn gốc: “Khi sử dụng phân tích nhân tố khám phá, các biến không được chia thành các loại phụ thuộc và độc lập. Thay vào đó, tất cả các biến được phân tích cùng nhau để xác định các mẫu hoặc yếu tố cơ bản. Kỹ thuật có thể được sử dụng để phân tích các biến độc lập hoặc phụ thuộc được coi là này”
Khi sử dụng phân tích nhân tố khám phá, các biến không được tách thành các biến phụ thuộc và độc lập. Thay vào đó, tất cả các biến được phân tích cùng nhau để xác định cấu trúc nhân tố. Các kỹ thuật phân tích nhân tố khám phá cần được xem xét tách biệt giữa các biến độc lập và phụ thuộc.
→ Giống ở điểm thứ hai Các biến được đưa vào phân tích EFA phải cùng loại độc lập hoặc phụ thuộc. Cả hai loại biến không nên được đưa vào phân tích EFA một lần.
Nếu mô hình không phân biệt giữa các biến độc lập và phụ thuộc, chúng ta có thể phân tích EFA chung giữa độc lập và phụ thuộc.

2. Giải thích tại sao nên làm việc cùng nhau, tại sao nên làm việc riêng

Đầu tiên chúng ta sẽ xem xét mối quan hệ giữa hai loại biến độc lập và phụ thuộc. Lý do chúng tôi xác định biến X là độc lập, biến Y là phụ thuộc là vì các lý thuyết nền tảng hoặc các nghiên cứu trước đây đã chứng minh rằng X có ảnh hưởng đến Y. Khi X có ảnh hưởng đến Y, giữa X và Y trong hầu hết các trường hợp sẽ có ảnh hưởng vừa phải. . đến một mối tương quan chặt chẽ. Mối tương quan này làm cho sự phân biệt đối xử giữa X và Y thấp.

Trong EFA, bất kể chiết xuất và xoay được sử dụng, EFA luôn có một chức năng để đánh giá tính phân biệt của các cấu trúc biến. Khi đối tượng phân biệt được thỏa mãn, mỗi nhóm biến được tách thành một cột của bảng tổng hợp. Nếu chúng ta gộp các biến phụ thuộc và biến độc lập trong cùng một phân tích EFA, thì mối tương quan chặt chẽ giữa biến độc lập và phụ thuộc làm cho các biến quan sát của cấu trúc biến phụ thuộc dễ dàng hợp nhất với các biến độc lập. Điều này làm cho các cấu trúc quy mô không được đảm bảo là phân biệt đối xử trong EPT (trạng thái ma trận xoay rối loạn). Vì vậy, thực hiện các EFA độc lập và độc lập riêng biệt là cách thực hiện tối ưu nhất, vừa hợp lý về mặt tương quan giữa các biến, vừa phù hợp theo quan điểm của các tác giả nổi tiếng ở trên.

Xem thêm:

Từ những lập luận trên, chúng ta có thể chia mô hình nghiên cứu thành hai loại tương ứng với hai phương pháp quản lý EFA. Đầu tiên chúng ta phải làm rõ vai trò của biến trung gian, biến này vừa đóng vai trò độc lập vừa đóng vai trò phụ thuộc. Như vậy, khi đề cập đến số lượng biến phụ thuộc và số lượng biến độc lập, biến trung gian được tính cho cả hai loại biến.

Mô hình đơn giản: Một mô hình trong đó vai trò của biến được xác định rõ ràng. Số lượng biến phụ thuộc ít, số lượng biến độc lập lớn, có nhiều biến độc lập cùng ảnh hưởng đến một biến phụ thuộc→ Chạy Mô hình phức hợp EFA phụ thuộc được phân tách độc lập, trung gian tách biệt, mô hình phức hợp phụ thuộc tách biệt: Một loại mô hình trong đó vai trò của biến vẫn có thể được xác định, nhưng biến đóng vai trò trung gian có một số lượng lớn các tương tác phụ thuộc lẫn nhau,Số lượng biến phụ thuộc nhiều, có nhiều mối quan hệ trong đó một biến độc lập ảnh hưởng đến một biến phụ thuộc→ Chạy EFA chung cho tất cả. Chúng tôi chọn chạy cùng nhau vì khi chạy riêng lẻ, số lần EFA quá lớn và số nhóm biến tham gia vào EFA quá ít, điều này không tối ưu về mặt chức năng EFA Trình bày kết quả trong các bài báo và tiểu luận nghiên cứu.

Để làm cho trí tưởng tượng của bạn dễ dàng hơn, chúng ta sẽ xem xét hai ví dụ rất cơ bản về hai loại mẫu trên.

Nếu bạn gặp khó khăn trong việc thực hiện phân tích EFA chẳng hạn như biến bị bỏ qua, ma trận xoay vòng bị rối loạn, hội tụ và phân biệt không được bảo đảm, bạn có thể tham khảoDịch vụ thời gian chạy SPSS cho thuêcủa Phạm Lộc Blog hoặc liên hệ trực tiếp emailxulydinhluong

*

Nó là một mô hình phổ biến được sử dụng trong các dự án nghiên cứu dưới dạng luận văn tốt nghiệp, luận văn thạc sĩ và nghiên cứu khoa học cơ bản. Điểm đặc biệt của mô hình này là có thể xác định được các biến phụ thuộc và độc lập. Biến phụ thuộc là biến được hướng bởi mũi tên (tức là bị ảnh hưởng bởi một biến khác), biến độc lập là điểm bắt đầu của gốc của mũi tên (tức là nó tác động lên một biến khác).

Mũi tên xuất hiện trong mô hình này là mũi tên một chiều đi từ biến độc lập sang biến phụ thuộc, không có tác động ngược của biến phụ thuộc lên biến phụ thuộc. Hoặc nếu có sự hiện diện của một biến trung gian, người ta vẫn có thể dễ dàng xác định vai trò độc lập và phụ thuộc trong các mối quan hệ tác động. Số lượng biến phụ thuộc trong mô hình ít, số lượng biến độc lập lớn, nhiều biến độc lập có cùng tác động đến người phụ thuộc.

→ Loại mô hình này khi phân tích các yếu tố EPT, chúng ta nên phân tích EPT riêng cho từng nhóm biến.

*

Nó là một mô hình phức tạp hơn được sử dụng trong các dự án nghiên cứu cấp thạc sĩ và cấp cao hơn, có tên gọi khác là mô hình cấu trúc tuyến tính SEM. Đặc thù của mô hình này là khó xác định các biến độc lập và phụ thuộc vì hướng mũi tên phức tạp và có quá nhiều biến trung gian.

Cắt bỏ từng quan hệ tác động đơn lẻ, dễ thấy rằng tác động đa số chỉ là một biến độc lập tác động lên một biến phụ thuộc, số lượng biến phụ thuộc nhiều.→ Loại mô hình này khi phân tích các yếu tố EPTcần phải phân tích EPT chung cho tất cả mọi người.