Để SPSS tính khoảng tin cậy cho hệ số hồi quy, ta:

Trong hồi quy tuyến tính đơn giản, khi thực hiện phân tích, chúng ta thường quan tâm đến:

a) Estimates: Ước lượng các hệ số hồi quy (intercept và slope) để xây dựng phương trình hồi quy.

b) Model fit: Đánh giá mức độ phù hợp của mô hình với dữ liệu, thường được đo bằng R-squared.

c) Confidence intervals: Khoảng tin cậy cho các hệ số hồi quy, giúp đánh giá độ chính xác của các ước lượng.

Vì cả ba lựa chọn a, b và c đều quan trọng trong hồi quy tuyến tính đơn giản, nên đáp án đúng là cả a, b, c đều đúng.

Trong hồi quy tuyến tính đa biến, để kiểm tra và đảm bảo tính phù hợp của mô hình, chúng ta cần thực hiện các thao tác sau:

a) Click option, chọn Exclude cases pairwise: Thao tác này giúp xử lý các trường hợp dữ liệu bị thiếu (missing data) một cách phù hợp, đảm bảo rằng các hệ số hồi quy được ước lượng dựa trên dữ liệu có sẵn cho từng cặp biến.

b) Click Plots, chọn ZRESID chuyển vào Y, chọn ZPRED chuyển vào X. kích chọn Normal probability plot: Thao tác này giúp kiểm tra các giả định của mô hình hồi quy, đặc biệt là tính tuyến tính, tính độc lập của sai số, và tính chuẩn của sai số. ZRESID (Residuals đã chuẩn hóa) và ZPRED (Giá trị dự đoán đã chuẩn hóa) được sử dụng để vẽ đồ thị phần dư, và Normal probability plot được sử dụng để kiểm tra tính chuẩn của sai số.

c) Chọn Mahalanobis và Cook’s trong phần Distance: Các thống kê Mahalanobis và Cook's Distance giúp xác định các điểm dữ liệu ngoại lai (outliers) có ảnh hưởng lớn đến mô hình hồi quy.

Do đó, cả a, b và c đều là các thao tác cần thiết khi chạy hồi quy tuyến tính đa biến.

Câu hỏi yêu cầu chọn giá trị mô tả biến định lượng liên tục không có phân phối chuẩn. - Trung bình và độ lệch chuẩn thường được sử dụng để mô tả các biến có phân phối chuẩn (hoặc gần chuẩn). Khi dữ liệu không tuân theo phân phối chuẩn, trung bình có thể bị ảnh hưởng bởi các giá trị ngoại lệ và độ lệch chuẩn không còn là một thước đo phù hợp để đo độ phân tán. - Trung vị là giá trị chia dữ liệu thành hai nửa bằng nhau, không bị ảnh hưởng bởi các giá trị ngoại lệ, do đó phù hợp để mô tả dữ liệu không có phân phối chuẩn. - Khoảng (ví dụ: khoảng tứ phân vị IQR) cho biết sự phân tán của dữ liệu xung quanh trung vị, cũng không bị ảnh hưởng bởi các giá trị ngoại lệ. Vì vậy, "Trung vị và khoảng" là lựa chọn tốt nhất để mô tả một biến định lượng liên tục không có phân phối chuẩn.

Các nguyên tắc để có một biểu đồ tốt bao gồm: (1) Biểu đồ phải có đầy đủ thông tin như tên biểu đồ, chú giải, đơn vị đo lường và tên đặt dưới biểu đồ để người xem hiểu rõ nội dung biểu đồ thể hiện. (2) Biểu đồ cần được trình bày một cách rõ ràng, dễ xem và có khả năng tự giải thích, giúp người xem nhanh chóng nắm bắt được thông tin quan trọng. (3) Biểu đồ phải phù hợp với dạng số liệu đang được trình bày, ví dụ biểu đồ cột phù hợp với so sánh dữ liệu giữa các nhóm, biểu đồ đường phù hợp với xu hướng theo thời gian. Vì cả 3 phương án đều đúng, nên đáp án chính xác là phương án 4.

Câu hỏi yêu cầu xác định phát biểu sai về so sánh giá trị P với mức ý nghĩa α trong kiểm định giả thuyết. - Phương án 1: Sai. Nếu P > α, ta không bác bỏ H0, chứ không phải P < 0.05. - Phương án 2: Sai. Nếu P > α, ta không bác bỏ H0, chứ không phải bác bỏ H0 và chấp nhận H1. - Phương án 3: Đúng. Nếu P < α, ta bác bỏ H0. - Phương án 4: Sai. Nếu P > α, ta không bác bỏ H0, do đó không đủ bằng chứng để bác bỏ H0, chứ không phải chấp nhận H0. Như vậy, phương án 2 là phát biểu sai.