Exspss Data - Thống Kê Kinh Tế & Phân Tích Định Lượng

Xin chào cả nhà ạ :D

Ad xin chia sẻ chút trải nghiệm như sau. Cụ thể, Anh/ Chị và các bạn khi tham gia cuộc thi nhớ kiểm tra dấu "." và dấu "," của số liệu trong các trường biến trước khi chạy dữ liệu nhé. Đặc biệt là Kaggle ạ.

Một số lỗi có thể gặp phải như: Biến bị đỏ hoặc unbalanced panel trên stata/ trên R Studio thì vẫn lặng lẽ không báo đỏ nhưng mọi giá trị chuyển thành str (chuỗi). Rồi bụp 1 phát chạy hơn 9 tiếng mới xong là toang.

Chúc Anh/ Chị và các bạn nhiều điều vui vẻ ạ :*

Thà thất tình chứ quyết không để P-value > 0.05! Anh/chị/em nào hôm nay đang bị số liệu hành thì quăng hết vào đây, ExSPSS Data cùng hỗ trợ nhé!😉

À Rstudio đã có bản #242 thay cho #164 mọi người tải về nhé

😆 Dấu hiệu nhận biết máy bạn đang “chín tới”:

Mở file mà lag như đang đào Bitcoin
Quạt kêu to hơn cả deadline gọi tên

💡 Lời khuyên chân thành:
👉 Nếu thấy máy quá nóng… đừng cố nữa
👉 Vì lúc đó:
Model chưa kịp fit thì máy đã… overfit 🔥

Máy bạn đang ở mức nào?
🥶 Mát lạnh – 😐 Ấm ấm – 🔥 Bít tết chín vừa – 💀 Cháy khét

Xin chào Anh/ Chị và các bạn!

Nhà mình ai có mắc lỗi này thì cứ bình tĩnh xử lý như sau nhé!
Lỗi cụ thể: Chạy SmartPLS xong thấy AVE < 0.5
Đây là kết quả kiểm định và cho kết quả AVE thấp nghĩa là biến quan sát giải thích chưa đến 50% phương sai của nhân tố tức là thang đo chưa đủ hội tụ.
Ex đề xuất phương hướng xử lý như sau ạ
👉 Xem lại hệ số tải (outer loading) từng biến
👉 Loại biến nào có loading < 0.4 trước
👉 Chạy lại và kiểm tra AVE có cải thiện không

Nhớ là: AVE cứ từ 0.5 trở lên nhé cả nhà. Xin cảm ơn!

[SPSS] Phân tích nhân tố khám phá (EFA) ra 1 biến nằm riêng 1 nhân tố. Bình tĩnh và thử các hướng xử lý sau!

**(có ảnh minh hoạ nếu bạn không muốn đọc chữ phía dưới)

Đây là tình huống nhiều người gặp trong quá trình chạy SPSS. Cụ thể, tình huống này xảy ra khi chúng ta chạy EFA xong thấy 1 biến nằm riêng 1 nhân tố. (minh hoạ trong ảnh thứ nhất)

Dựa trên kinh nghiệm cá nhân, mình cho rằng, đây là tình huống hoàn toàn bình thường và có thể xử lý được.

🔍 Mình xin đề xuất 3 hướng xử lý gần 90% các case của mình thành công như sau:

1. Đọc lại nội dung biến đó
Biến nằm riêng thường do nội dung không đồng nhất với nhóm.

Ví dụ: Đề tài nghiên cứu ý định sử dụng ngân hàng số (mô hình TAM) với nhân tố Sự tin tưởng gồm các biến:
▪ TT1: "Tôi tin tưởng vào bảo mật thông tin của ngân hàng số"
▪ TT2: "Tôi tin rằng giao dịch trực tuyến được xử lý chính xác"
▪ TT3: "Ngân hàng số giúp tôi tiết kiệm thời gian" ← biến này nằm riêng
Kết luận: Biến TT3 thực chất đo Tính hữu ích chứ không đo Sự tin tưởng. EFA tách ra là hoàn toàn đúng về mặt lý thuyết TAM không

2. Kiểm tra hệ số tải Factor loading
Nếu biến nằm riêng có factor loading < 0.5 → loại biến đó và chạy lại. Không cần giải thích thêm vì sách tây hay ta đều viết vậy.

Ví dụ: Đề tài tâm lý bầy đàn của nhà đầu tư F0 có biến "Tôi thường tham khảo ý kiến chuyên gia trước khi đầu tư" nằm riêng với loading = 0.433 → loại luôn vì không đủ ngưỡng. (Tuy nhiên, nếu còn quá ít biến khảo sát nên tham khảo thêm phương án mở rộng quy mô mẫu theo hướng nào có lợi nhất😎)

3. Xem xét về mặt lý thuyết
Nếu loading đạt (lớn hơn 0.5) nhưng biến vẫn nằm riêng, tham khảo thêm các tài liệu tương tự xem có thể gộp vào nhân tố khác không dựa trên lý thuyết gốc.

Ví dụ: Đề tài sự hài lòng với dịch vụ công trực tuyến (SERVQUAL) có biến "Cổng dịch vụ công hoạt động ổn định, không bị lỗi" nằm riêng.
Xét lý thuyết SERVQUAL biến này vừa thuộc Độ tin cậy vừa thuộc Phương tiện hữu hình → có thể lập luận gộp vào nhân tố Độ tin cậy và giải thích với thầy hướng dẫn.

Nếu các bạn chạy số liệu và có 1 biến nằm riêng không phải thảm họa quan trọng là bạn hiểu tại sao và xử lý đúng cách.

Bạn đang gặp tình huống tương tự? Để lại câu hỏi bên dưới mình giải đáp nhé! 👇

Xin chào Anh/ chị và các bạn thân mến!
Hôm nay em xin chia sẻ một chút để mọi người tránh mắc phải một số sai lầm khi làm SEM trên AMOS hoặc SmartPLS nhé

Trong thời gian qua, em thấy nhiều đề tài về hành vi mua hàng thường gặp tình trạng:
❌ Chỉ số không đạt
❌ Chạy AMOS/SmartPLS mãi không đẹp
❌ Sửa model tùm lum mất luôn logic nghiên cứu

👉 Thực tế vấn đề này Không phải do mọi người chạy sai đâu ạ… mà do chọn mô hình chưa đúng ngay từ đầu!

🎯 Em xin tổng hợp lại và đưa ra 1 vài gợi ý mô hình chuẩn, dễ đạt chỉ số:
Trước tiên, về biến đầu vào: PU – PEOU – Trust – Price – Social Influence xong thì chúng ta cần xác định biến trung gian Trung gian (ví dụ là Attitude đi ạ) Rồi sau cùng mới chọn tới ông hành động mua hoặc quyết định mua (Purchase Intention)

Tiếp theo, về kế thừa nghiên cứu thì ta nên Dùng mô hình có kế thừa (TAM, TPB…) và đặc biệt là Đừng cố chữa cháy bằng cách xoá bừa biến

🚀 SEM không khó đâu, Anh chị và các bạn hãy đi đúng hướng ngay từ bước xây dựng mô hình nhé.

Nếu Anh chị và các bạn quá bận hoặc gặp phải mô hình quá khó hãy nhắn tin hoặc để lại . để em hỗ trợ nhé! Em cảm ơn!

Chúc cả nhà mình một tuần mới tràn đầy năng lượng, làm việc hanh thông và gặp nhiều may mắn nhé!

Chúc mọi người một tuần số liệu sạch, mô hình đẹp, chạy đâu trúng đó và mọi dự án đều về đích đúng hạn. Tuần mới rực rỡ nhé cả nhà! ✨🚀

[SEM] XÂY DỰNG MÔ HÌNH HÀNH VI MUA SẮM TRÊN SHOPEE CHUẨN KHOA HỌC & CÓ TÍNH KẾ THỪA

# # # Chú ý: Mô hình áp dụng cho các sản phẩm điện tử giá trị cao như điện thoại, đồ công nghệ thông minh, AI....

Trong nghiên cứu khoa học, một mô hình mạnh không chỉ nằm ở số liệu đẹp, mà còn ở Tính kế thừa . Nếu bạn chỉ tự nghĩ ra các biến mà không dựa trên các lý thuyết nền tảng, bài nghiên cứu sẽ rất dễ bị hội đồng bác bỏ vì thiếu cơ sở lý luận.

ExSPSS Data đồng hành cùng bạn xây dựng mô hình hành vi khách hàng trên Shopee dựa trên các khung lý thuyết kinh điển như
TAM (Technology Acceptance Model) hoặc UTAUT2, lồng ghép khéo léo các yếu tố hiện đại (Sự tin tưởng, Ưu đãi vận chuyển, Review từ KOLs...).

1️⃣ ĐỀ XUẤT MÔ HÌNH NGHIÊN CỨU CHUẨN

Dưới đây là một mô hình nghiên cứu tiêu biểu, vừa đảm bảo tính khoa học, vừa cực kỳ phù hợp với bối cảnh thương mại điện tử trên Shopee, lại dễ dàng đạt các chuẩn kiểm định SEM:

👉 Biến độc lập:
Nhận thức tính hữu ích (PU - Perceived Usefulness): Shopee giúp mua sắm nhanh hơn, đa dạng hơn.
Nhận thức dễ sử dụng (PEOU - Perceived Ease of Use): Giao diện app Shopee dễ thao tác, dễ tìm kiếm.
Niềm tin (Trust): Tin tưởng vào quy trình thanh toán, vận chuyển, và chất lượng của Shop (qua review).
Giá cả cảm nhận (Price): Cảm nhận về mức giá, các mã giảm giá, Freeship.
Ảnh hưởng xã hội (Social Influence): Khuyên dùng từ bạn bè, người thân, KOLs.

👉 Biến trung gian:
Thái độ (Attitude): Thái độ tích cực/tiêu cực nói chung đối với việc mua sắm trên Shopee.

👉 Biến phụ thuộc:
Ý định mua (Purchase Intention): Khả năng khách hàng sẽ mua hàng trên Shopee trong tương lai.

👉 (Có thể thêm: Hành vi mua thực tế (Actual Behavior) nếu bạn thu thập được dữ liệu thực tế).

2️⃣ CÁC CHỈ SỐ VÀNG CẦN ĐẠT ĐỂ ĐẢM BẢO TÍNH KHOA HỌC

Việc kế thừa các thang đo từ những nghiên cứu uy tín trước đó giúp bạn giảm thiểu rủi ro biến quan sát bị loại bỏ. Tuy nhiên, để tránh việc phải chạy đi chạy lại mô hình gây tốn thời gian, bạn cần nắm vững các ngưỡng sau trên AMOS/SmartPLS:

* Độ hội tụ (AVE): Phải > 0.5. Chứng minh các biến quan sát thực sự đo lường được khái niệm hành vi.
* Độ tin cậy tổng hợp (CR): Phải > 0.7. Đảm bảo thang đo của bạn có tính ổn định cao.
* Độ phân biệt (HTMT): Phải < 0.85 (hoặc < 0.9). Chứng minh các yếu tố (ví dụ: Giá cả và Niềm tin) là các khái niệm riêng biệt.
* Chỉ số phù hợp mô hình (Fit Indices - Đối với AMOS): Cần đạt CFI, TLI > 0.9 và RMSEA < 0.08. Đây là giấy thông hành để mô hình của bạn được công nhận.

💡 TẠI SAO BẠN CẦN GIA SƯ 1-1 TẠI EXSPSS DATA?

Nghiên cứu khoa học là một hành trình khắt khe. Việc tự mày mò mà không có chuyên gia hướng dẫn rất dễ dẫn đến sai lầm hệ thống, gây mất uy tín với Hội đồng.

ExSPSS Data không chỉ nhận chạy máy, chúng mình đồng hành cùng bạn với dịch vụ Gia sư & Hướng dẫn phân tích số liệu 1-1 tận tâm nhất!

✅ Cầm tay chỉ việc: Hướng dẫn bạn thao tác trực tiếp trên AMOS/SmartPLS, giải thích ý nghĩa từng con số để bạn tự tin giải trình với thầy cô.
✅ Xử lý số liệu thông minh: Chúng mình hướng dẫn bạn cách hiệu chỉnh mô hình mà vẫn giữ được tính khách quan, khoa học của dữ liệu thực tế.
✅ Tối ưu hóa thời gian: Xử lý số liệu chuẩn ngay từ đầu, giúp tiến độ nghiên cứu luôn đúng hạn.

🚀 Nhắn tin ngay để được tư vấn lộ trình 1-1 chuyên nghiệp:
📞 Zalo/Whatsapp: 098 856 24 28
📧 Email: [email protected]
📍 ExSPSS Data: Hỗ trợ SPSS, Stata, R, AMOS, SmartPLS chuyên sâu.

📊 CHẠY MÔ HÌNH TĂNG TRƯỞNG KINH TẾ (DỮ LIỆU BẢNG) – NÊN CHỌN OLS, FE, RE HAY GMM?

Bạn đang làm đề tài về một vài yếu tố nào đó ảnh hưởng tới tăng trưởng kinh tế (GDP, GRDP, năng suất…) và có trong tay dữ liệu bảng panel data?

👉 Câu hỏi mà gần như ai cũng gặp:
Nên dùng mô hình nào trong Stata cho đúng và chuẩn học thuật?

🔎 1. OLS - Đơn giản nhưng KHÔNG phải lúc nào cũng đúng

OLS (hồi quy gộp) là cách nhiều bạn dùng đầu tiên vì:
✔ Dễ chạy
✔ Dễ hiểu

❌ Nhưng vấn đề là:

Không xử lý được hiệu ứng cá thể (individual effects)
Dễ bị bias do biến bị bỏ sót

🔎 2. Fixed Effects (FE) – Lựa chọn “an toàn” nhất

FE xử lý được:
✔ Khác biệt giữa các quốc gia/tỉnh/thành (không quan sát được)
✔ Các yếu tố cố định theo thời gian

🔎 3. Random Effects (RE) – Khi dữ liệu “ngẫu nhiên” hơn

RE giả định:
👉 Hiệu ứng cá thể không tương quan với biến độc lập

✔ Ưu điểm:

Hiệu quả hơn FE nếu giả định đúng

❌ Nhược điểm:

Nếu giả định sai → kết quả sai lệch nghiêm trọng

🔎 4. FGLS – Khi dữ liệu có phương sai thay đổi, tự tương quan

✔ FGLS giúp ước lượng hiệu quả hơn. Nhưng không phải lúc nào cũng chuẩn bài SCI nếu dùng sai bối cảnh
🔎 5. GMM – Vũ khí mạnh cho nghiên cứu nâng cao

GMM (đặc biệt là System GMM) rất phù hợp khi:
✔ Có nội sinh (endogeneity)
✔ Có biến trễ (lagged dependent variable)
✔ Dữ liệu panel dạng N lớn, T nhỏ

👉 Ví dụ điển hình:

GDP hiện tại phụ thuộc GDP quá khứ
Đầu tư ↔ tăng trưởng (quan hệ 2 chiều)

📌 Đây là phương pháp:
🔥 Xuất hiện rất nhiều trong các bài báo quốc tế (SCI/Scopus)

🎯 TÓM LẠI
Khóa luận / luận văn → FE + kiểm định là đủ tốt
Nghiên cứu nâng cao / bài báo → nên cân nhắc GMM

⚠️ Đừng chọn phương pháp chỉ vì nghe có vẻ cao siêu
👉 Quan trọng nhất là: phù hợp với dữ liệu và logic kinh tế

📩 Bạn đang bí khi chọn mô hình Stata?
Inbox ngay page Exspss Data để được hỗ trợ:
✔ Chọn mô hình phù hợp đề tài
✔ Giải thích logic kinh tế rõ ràng
✔ Hướng dẫn chạy & đọc kết quả chi tiết

💬 Comment STATA nếu bạn muốn mình viết tiếp:
👉 Cách chạy chi tiết từng mô hình (có code đầy đủ)