likert=file.choose() datalikert=read.csv(likert,header=TRUE) save(datalikert,file = “datalikert.rda”) attach(datalikert) is.data.frame(datalikert)
library(psych) fa=data.frame(A1,A2,A3,A4,A5) alpha(fa) ## Nhận xét: ### Giá trị Cronbach’s Alpha = 0.93 > 0.6; như vậy nhân tố A đảm bảo độ tin cậy ### Hệ số tương quan biến tổng các biến / thang đo đều > 0.3( đạt yêu cầu) ### ==> Nên không bất kỳ loại biến / thang đo
abcde=data.frame(A1,A2,A3,A4,A5,B1,B2,B3,B4,C1,C2,C3,D1,D2,D3,E1,E2,E3,E4) library(psych) cortest.bartlett(abcde) KMO(abcde) ## Nhận xét ### Giá trị KMO = 0.67 > 0.5 đảm bảo yêu cầu phân tích EFA ### Giá trị Sig.(P-value) của Bartlett’s=0.000 < 5% do đó kết quả EFA có thể sử dụng để phân tích
principal(abcde,cor=TRUE,nfactors=20,rotate=“none”) principal(abcde,cor=TRUE,nfactors=5,rotate=“varimax”) ## Nhận xét: ###Số nhân tố được trích được 5 nhân tố ### Giá trị Eigenvalue = 1.83 > 1 ( đạt yếu cầu ) ### Giá trị tổng phương sai trích = 0.80 = 80% > 50% ( đạt yêu cầu) ### Cấu trúc nhân tố có phù hợp với dữ liệu ban đầu vì các biến / thang đo sắp xếp theo đúng nhóm nhân tố
library(psych) vars=cbind(Atb,Btb,Ctb,Dtb,Etb,Ftb) pairs.panels(vars) library(Hmisc) result=rcorr(as.matrix(vars),type=“pearson”) result\(r result\)P ## Nhận xét ### Biến FTb có mối tương quan dương với Atb,Btb,Ctb,Dtb,Etb vì hệ số tương quan Pearson của các mối quan hệ > 0 ### Mối quan hệ tương quan giữa Ftb và các biến Atb,Btb,Ctb,Dtb,Etb có ý nghĩa thống kê vì giá trị Sig.(P-Value ) của các mối quan hệ này nhỏ hơn 5%
library(psych) fa=data.frame(A1,A2,A3,A4,A5) alpha(fa) ## Nhận xét: ### Giá trị Cronbach’s Alpha = 0.93 > 0.6; như vậy nhân tố A đảm bảo độ tin cậy ### Hệ số tương quan biến tổng các biến / thang đo đều > 0.3( đạt yêu cầu) ### ==> Nên không bất kỳ loại biến / thang đo
abcde=data.frame(A1,A2,A3,A4,A5,B1,B2,B3,B4,C1,C2,C3,D1,D2,D3,E1,E2,E3,E4) library(psych) cortest.bartlett(abcde) KMO(abcde) ## Nhận xét ### Giá trị KMO = 0.67 > 0.5 đảm bảo yêu cầu phân tích EFA ### Giá trị Sig.(P-value) của Bartlett’s=0.000 < 5% do đó kết quả EFA có thể sử dụng để phân tích
principal(abcde,cor=TRUE,nfactors=19,rotate=“none”) principal(abcde,cor=TRUE,nfactors=5,rotate=“varimax”) ## Nhận xét: ###Số nhân tố được trích được 5 nhân tố ### Giá trị Eigenvalue = 1.83 > 1 ( đạt yếu cầu ) ### Giá trị tổng phương sai trích = 0.80 = 80% > 50% ( đạt yêu cầu) ### Cấu trúc nhân tố có phù hợp với dữ liệu ban đầu vì các biến / thang đo sắp xếp theo đúng nhóm nhân tố
library(psych) vars=cbind(Atb,Btb,Ctb,Dtb,Etb,Ftb) pairs.panels(vars) library(Hmisc) result=rcorr(as.matrix(vars),type=“pearson”) result\(r result\)P ## Nhận xét ### Biến FTb có mối tương quan dương với Atb,Btb,Ctb,Dtb,Etb vì hệ số tương quan Pearson của các mối quan hệ > 0 ### Mối quan hệ tương quan giữa Ftb và các biến Atb,Btb,Ctb,Dtb,Etb có ý nghĩa thống kê vì giá trị Sig.(P-Value ) của các mối quan hệ này nhỏ hơn 5%