Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng để mô tả đặc điểm của mẫu và phân bố của từng biến trước khi thực hiện các phân tích suy luận.
Giúp phát hiện giá trị bất thường, missing, độ lệch phân bố và sự khác biệt cơ bản giữa các nhóm.

2. Dữ liệu cần chuẩn bị

Xác nhận đúng loại biến: định lượng, phân loại, thứ bậc.
Kiểm tra missing và mã hóa giá trị thiếu trước khi tính trung bình hoặc tỷ lệ.
Với biến nhóm, bảo đảm tên nhóm và mã nhóm có ý nghĩa.

3. Kiểm tra trước khi chạy

Thống kê mô tả không đòi hỏi giả định phân phối để được tính.
Tuy nhiên, lựa chọn chỉ số cần phù hợp với phân bố: mean/SD phù hợp hơn với dữ liệu tương đối đối xứng; median/IQR hữu ích khi dữ liệu lệch hoặc có ngoại lệ.
Không diễn giải độ lệch chuẩn như sai số chuẩn.

4. Cách thực hiện trong Edu Insight

Chọn biến cần mô tả.
Chọn phân tích chung hoặc theo nhóm nếu cần.
Đọc đồng thời N hợp lệ, missing, trung tâm và độ phân tán.
Quan sát phân bố/ngoại lệ trước khi chuyển sang hồi quy, so sánh nhóm hoặc mô hình nhân tố.

5. Cách đọc kết quả

Mean/Median phản ánh xu hướng trung tâm; SD/IQR phản ánh độ phân tán.
Min/Max giúp phát hiện giá trị ngoài phạm vi hợp lý.
Skewness/Kurtosis chỉ là chỉ báo mô tả; không nên dùng một ngưỡng đơn lẻ để quyết định toàn bộ phương pháp.

6. Lỗi thường gặp

Chỉ báo cáo mean mà không có SD hoặc N.
Bỏ qua missing khiến mẫu số khác nhau giữa các biến.
Dùng mean cho mã số danh mục không có ý nghĩa định lượng.

7. Gợi ý báo cáo

Nêu N hợp lệ và missing.
Với biến định lượng: Mean (SD) hoặc Median (IQR) tùy dữ liệu.
Với biến phân loại: n (%).

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Đánh giá mức độ nhất quán nội tại của các item dự kiến đo cùng một cấu trúc.
Nên dùng sau khi kiểm tra coding/reverse items và trước hoặc cùng quá trình đánh giá cấu trúc thang đo.

2. Dữ liệu cần chuẩn bị

Các item phải cùng hướng điểm sau khi xử lý item đảo chiều.
Các item cần cùng thang hoặc có ý nghĩa cùng cấu trúc.
Không gộp nhiều cấu trúc khác nhau chỉ để làm Alpha cao.

3. Kiểm tra trước khi chạy

Cronbach's alpha chịu ảnh hưởng của số lượng item và giả định gần tau-equivalence.
Omega thường hữu ích khi tải nhân tố không đồng đều.
Độ tin cậy cao không tự chứng minh tính đơn hướng hay giá trị cấu trúc.

4. Cách thực hiện trong Edu Insight

Chọn một nhóm thang đo hoặc các item cần kiểm tra.
Chạy Alpha; bật Omega khi phù hợp.
Xem corrected item-total correlation và Alpha if item deleted.
Đối chiếu với EFA/CFA trước khi quyết định loại item.

5. Cách đọc kết quả

Alpha/Omega càng cao thường cho thấy nhất quán nội tại tốt hơn, nhưng không có một ngưỡng tuyệt đối áp dụng cho mọi lĩnh vực.
Item-total correlation thấp có thể gợi ý item không đồng nhất với thang.
Không nên loại item chỉ vì Alpha tăng rất nhỏ nếu item có vai trò nội dung quan trọng.

6. Lỗi thường gặp

Loại item cơ học để tối đa hóa Alpha.
Đánh giá một thang đa chiều bằng một Alpha duy nhất.
Quên đảo chiều item trước khi tính.

7. Gợi ý báo cáo

Nêu số item, N hợp lệ, Alpha và/hoặc Omega.
Nếu loại item, nêu lý do kết hợp giữa thống kê và nội dung.
Không gọi Alpha là bằng chứng duy nhất của validity.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng khi cần khám phá cấu trúc tiềm ẩn giữa các item và cấu trúc nhân tố chưa được xác nhận chắc chắn.
EFA phù hợp cho phát triển/thẩm định ban đầu của thang đo hơn là kiểm định một cấu trúc đã xác định trước.

2. Dữ liệu cần chuẩn bị

Chọn các item có cơ sở lý thuyết liên quan.
Cỡ mẫu cần đủ so với số item, mức communalities và độ mạnh tải nhân tố; không nên chỉ dựa vào một quy tắc N cố định.
Kiểm tra missing và kiểu dữ liệu trước khi chạy.

3. Kiểm tra trước khi chạy

Ma trận tương quan phải có đủ mức liên hệ để factorize.
Kiểm tra KMO và Bartlett như chỉ báo hỗ trợ.
Nếu nhân tố có khả năng tương quan, ưu tiên rotation xiên như oblimin/promax thay vì ép vuông góc.

4. Cách thực hiện trong Edu Insight

Chọn item hoặc nhóm thang đo cần khám phá.
Chạy kiểm tra điều kiện.
Xem parallel analysis/eigenvalues cùng với lý thuyết để chọn số nhân tố.
Chạy EFA với extraction và rotation phù hợp.
Đánh giá loading, cross-loading, communality và khả năng diễn giải của từng nhân tố.

5. Cách đọc kết quả

Loading phản ánh mức liên hệ giữa item và nhân tố.
Cross-loading cao có thể cho thấy item chưa phân biệt tốt giữa các cấu trúc.
Số nhân tố nên dựa trên thống kê + lý thuyết + khả năng diễn giải, không dựa riêng eigenvalue > 1.

6. Lỗi thường gặp

Xem PCA là EFA mà không cân nhắc mục tiêu.
Chạy EFA nhiều lần và loại item chỉ để đạt một cấu trúc đẹp.
Ép rotation orthogonal khi các nhân tố có lý do để tương quan.

7. Gợi ý báo cáo

Nêu extraction, rotation, tiêu chí số nhân tố, KMO/Bartlett.
Báo cáo loading chính, cross-loading đáng chú ý và variance/communality khi cần.
Giải thích quyết định giữ/loại item.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng để kiểm định một mô hình đo lường đã có cơ sở lý thuyết hoặc được đề xuất từ nghiên cứu trước/EFA.
CFA tập trung vào cấu trúc latent, tải nhân tố và mức độ phù hợp của mô hình đo lường.

2. Dữ liệu cần chuẩn bị

Xác định trước item thuộc latent factor nào.
Chọn estimator phù hợp với kiểu dữ liệu và phân bố.
Mẫu cần đủ cho độ phức tạp mô hình; tránh áp dụng một quy tắc cỡ mẫu duy nhất.

3. Kiểm tra trước khi chạy

Mô hình phải được nhận dạng.
Kiểm tra missing, outlier và đặc điểm phân bố.
Fit index chỉ là bằng chứng tổng hợp; không có một cutoff duy nhất thay thế đánh giá lý thuyết.

4. Cách thực hiện trong Edu Insight

Chọn các factor/item.
Kiểm tra syntax mô hình trước khi chạy.
Đánh giá global fit: CFI/TLI, RMSEA, SRMR và χ² trong bối cảnh cỡ mẫu.
Đánh giá standardized loadings, R² item, CR/AVE và tương quan giữa factors.
Chỉ xem Modification Indices như gợi ý; mọi thay đổi phải có lý do nội dung.

5. Cách đọc kết quả

Loading lớn và có ý nghĩa cho thấy item liên hệ tốt với factor.
CR/AVE hỗ trợ đánh giá reliability/convergent validity nhưng cần đọc cùng loading và lý thuyết.
HTMT/factor correlations hỗ trợ đánh giá phân biệt giữa constructs.

6. Lỗi thường gặp

Sửa mô hình theo MI một cách tự động.
Xóa item chỉ để cải thiện fit mà không xét nội dung.
Dùng cùng một mẫu để khám phá EFA và xác nhận CFA nhưng trình bày như xác nhận độc lập.

7. Gợi ý báo cáo

Nêu estimator, N, mô hình đo lường, fit indices chính.
Báo cáo standardized loadings và reliability/validity phù hợp.
Mô tả minh bạch mọi respecification nếu có.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Kiểm tra liệu cùng một cấu trúc đo lường có hoạt động tương đương giữa các nhóm hay không.
Đặc biệt quan trọng trước khi so sánh latent means hoặc diễn giải khác biệt nhóm của construct.

2. Dữ liệu cần chuẩn bị

Biến nhóm phải có ít nhất hai nhóm có cỡ mẫu đủ để ước lượng CFA.
Mô hình CFA cơ sở cần hợp lý trong từng nhóm và toàn mẫu.
Coding item và thang đo phải nhất quán giữa nhóm.

3. Kiểm tra trước khi chạy

Chuỗi thường dùng: Configural → Metric → Scalar → Strict.
Đánh giá thay đổi fit giữa các mức, không chỉ dựa vào χ² difference.
Cỡ mẫu và mất cân bằng nhóm ảnh hưởng độ ổn định của kết luận.

4. Cách thực hiện trong Edu Insight

Chọn mô hình đo lường và biến nhóm.
Chạy configural để kiểm tra cấu trúc chung.
Tiếp tục metric, scalar và strict.
Đọc ΔCFI/ΔRMSEA/ΔSRMR cùng fit tuyệt đối và lý thuyết.

5. Cách đọc kết quả

Configural: cùng cấu trúc factor.
Metric: loading tương đương, hỗ trợ so sánh quan hệ.
Scalar: intercept/threshold tương đương, thường cần cho so sánh latent means.
Strict thêm ràng buộc residuals.

6. Lỗi thường gặp

Kết luận bất biến chỉ từ một ngưỡng duy nhất.
Bỏ qua fit kém ở mô hình configural.
Không xem xét partial invariance khi có ít tham số vi phạm nhưng mô hình tổng thể có cơ sở.

7. Gợi ý báo cáo

Báo cáo từng mức invariance, fit và thay đổi fit.
Nêu rõ tiêu chí quyết định.
Nếu dùng partial invariance, liệt kê ràng buộc được giải phóng và lý do.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Đánh giá mức độ và chiều hướng liên hệ giữa các biến.
Partial correlation dùng khi muốn mô tả liên hệ giữa hai biến sau khi kiểm soát một hoặc nhiều biến khác.

2. Dữ liệu cần chuẩn bị

Pearson phù hợp với quan hệ tuyến tính giữa biến định lượng.
Spearman phù hợp với quan hệ đơn điệu và dữ liệu thứ bậc/không đáp ứng tốt Pearson.
Kendall hữu ích với dữ liệu thứ bậc, mẫu nhỏ hoặc nhiều ties.

3. Kiểm tra trước khi chạy

Kiểm tra scatterplot để xem dạng quan hệ và ngoại lệ.
Pearson nhạy với outlier và quan hệ phi tuyến.
Tương quan không tự chứng minh quan hệ nhân quả.

4. Cách thực hiện trong Edu Insight

Chọn ít nhất hai biến.
Chọn Pearson/Spearman/Kendall.
Nếu cần partial correlation, chọn biến kiểm soát.
Đọc hệ số, p-value, CI nếu có và kích thước mẫu.

5. Cách đọc kết quả

Dấu của r/ρ/τ cho biết chiều liên hệ.
Độ lớn cho biết cường độ nhưng cần đặt trong bối cảnh lĩnh vực.
p-value không thay thế effect size và CI.

6. Lỗi thường gặp

Diễn giải tương quan như tác động nhân quả.
Chạy ma trận rất lớn mà không cân nhắc multiple testing.
Bỏ qua pattern phi tuyến.

7. Gợi ý báo cáo

Nêu loại tương quan, N, hệ số và mức bất định/p-value.
Nếu partial, liệt kê biến kiểm soát.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Mô hình hóa một biến kết quả định lượng theo một hoặc nhiều predictors.
Có thể dùng để ước lượng mối liên hệ đã điều chỉnh khi thêm covariates.

2. Dữ liệu cần chuẩn bị

Outcome cần phù hợp với mô hình tuyến tính.
Predictors có thể liên tục hoặc được mã hóa phù hợp.
Kiểm tra missing và mức biến thiên đủ của các biến.

3. Kiểm tra trước khi chạy

Tuyến tính giữa predictors và outcome.
Sai số độc lập theo thiết kế.
Homoscedasticity cho suy luận chuẩn; residual distribution cần được xem trong bối cảnh mục tiêu suy luận.
Không có multicollinearity nghiêm trọng; xem VIF và cấu trúc predictors.

4. Cách thực hiện trong Edu Insight

Chọn outcome và predictors.
Chạy mô hình.
Đọc R²/Adjusted R² và kiểm định mô hình.
Đọc hệ số B/β, CI, p-value.
Kiểm tra VIF và residual diagnostics.

5. Cách đọc kết quả

B là thay đổi kỳ vọng của outcome khi predictor tăng một đơn vị, giữ các biến khác không đổi.
Standardized beta hỗ trợ so sánh độ lớn trong cùng mô hình nhưng không phải thước đo nhân quả.
R² mô tả tỷ lệ biến thiên outcome được mô hình giải thích trong mẫu.

6. Lỗi thường gặp

Diễn giải coefficient như causal effect khi thiết kế không hỗ trợ.
Bỏ qua nonlinear pattern hoặc interaction.
Loại biến chỉ dựa trên p-value.

7. Gợi ý báo cáo

Nêu N, biến outcome/predictors, R²/Adjusted R².
Báo cáo B hoặc β, SE/CI và p-value theo mục tiêu.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Binary logistic dùng cho outcome hai mức; multinomial logistic dùng cho outcome danh mục nhiều mức không có thứ tự.
Mục tiêu là mô hình hóa xác suất/odds của từng kết quả theo predictors.

2. Dữ liệu cần chuẩn bị

Outcome phải được mã hóa đúng loại và reference category phải có ý nghĩa.
Mỗi nhóm outcome cần có đủ số quan sát/sự kiện so với độ phức tạp mô hình.
Predictors liên tục cần có độ biến thiên đủ.

3. Kiểm tra trước khi chạy

Các quan sát độc lập nếu dùng logistic thông thường.
Không có complete/quasi separation nghiêm trọng.
Predictors liên tục nên có quan hệ hợp lý với logit; kiểm tra multicollinearity.

4. Cách thực hiện trong Edu Insight

Chọn outcome và predictors.
Xác định reference category.
Chạy mô hình.
Đọc OR/RRR, CI và p-value.
Xem pseudo R² và bảng/độ chính xác phân loại trong bối cảnh prevalence.

5. Cách đọc kết quả

OR > 1 thường cho thấy odds tăng; OR < 1 cho thấy odds giảm so với reference, giữ biến khác không đổi.
OR không phải risk ratio và không nên diễn giải như thay đổi xác suất trực tiếp.
Accuracy cao có thể gây hiểu lầm khi outcome mất cân bằng.

6. Lỗi thường gặp

Bỏ qua separation hoặc nhóm quá ít quan sát.
Diễn giải odds ratio như tỷ lệ xác suất.
Chỉ báo cáo accuracy mà không nhìn phân bố lớp.

7. Gợi ý báo cáo

Nêu loại logistic, reference category, N/số sự kiện.
Báo cáo OR/RRR với CI và p-value.
Nêu chỉ số fit/pseudo R² phù hợp.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng khi outcome có thứ tự tự nhiên từ ba mức trở lên.
Mô hình proportional odds ước lượng ảnh hưởng chung qua các cutpoints.

2. Dữ liệu cần chuẩn bị

Thứ tự các mức outcome phải được xác định đúng.
Mỗi mức cần đủ quan sát.
Predictors có thể liên tục hoặc phân loại được mã hóa phù hợp.

3. Kiểm tra trước khi chạy

Proportional odds/parallel-lines là giả định trọng tâm.
Kiểm tra multicollinearity và sparse cells.
Các quan sát cần độc lập nếu không dùng mô hình mixed.

4. Cách thực hiện trong Edu Insight

Chọn outcome ordinal và predictors.
Kiểm tra thứ tự level.
Chạy proportional odds model.
Đọc OR/CI và chẩn đoán parallel-lines/cutpoints.

5. Cách đọc kết quả

OR phản ánh thay đổi odds tích lũy hướng tới mức outcome cao hơn theo coding của mô hình.
Cần xác nhận chiều coding trước khi diễn giải.
Nếu proportional odds vi phạm mạnh, một mô hình ordinal linh hoạt hơn có thể phù hợp hơn.

6. Lỗi thường gặp

Xem outcome ordinal như continuous mà không cân nhắc.
Không kiểm tra thứ tự level.
Bỏ qua vi phạm proportional odds.

7. Gợi ý báo cáo

Nêu mô hình proportional odds, thứ tự outcome, N.
Báo cáo OR, CI và kiểm tra giả định parallel-lines.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng cho dữ liệu có cấu trúc lồng ghép như sinh viên trong lớp/trường hoặc quan sát lặp trong cá nhân.
Cho phép tách fixed effects và random effects, tránh giả định độc lập sai khi dữ liệu có cụm.

2. Dữ liệu cần chuẩn bị

Cần biến cluster/ID rõ ràng.
Số cluster và số quan sát mỗi cluster cần đủ cho cấu trúc random effects dự kiến.
Outcome xác định loại LMM hoặc GLMM.

3. Kiểm tra trước khi chạy

Cấu trúc random effects phải phù hợp với thiết kế.
Linear mixed model cần xem residual/random-effect diagnostics.
GLMM cần chú ý convergence, separation và sparse clusters.

4. Cách thực hiện trong Edu Insight

Chọn outcome, cluster và fixed predictors.
Chọn random intercept; chỉ thêm random slope khi có lý do và dữ liệu hỗ trợ.
Chạy mô hình và kiểm tra convergence.
Đọc fixed effects, variance components và ICC khi phù hợp.

5. Cách đọc kết quả

Fixed effects mô tả quan hệ trung bình có điều kiện.
Random-intercept variance phản ánh khác biệt giữa clusters.
ICC mô tả mức độ biến thiên gắn với clustering trong mô hình phù hợp.

6. Lỗi thường gặp

Dùng row-split EFA/CFA làm mất cấu trúc cluster.
Mô hình random quá phức tạp so với số cluster.
Bỏ qua cảnh báo convergence/singular fit.

7. Gợi ý báo cáo

Nêu số cluster, tổng N, cấu trúc random.
Báo cáo fixed effects và variance components.
Nêu phương pháp estimation và cảnh báo convergence nếu có.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Dùng khi cùng đơn vị được đo ở nhiều thời điểm.
Edu Insight hỗ trợ repeated-measures ANOVA và mixed model theo thời gian.

2. Dữ liệu cần chuẩn bị

Cần ID cá nhân và biến thời gian đúng ở dạng long, hoặc các cột thời điểm rõ ở dạng wide.
Không chia ngẫu nhiên từng dòng nếu nhiều dòng thuộc cùng một người.
Kiểm tra missing theo thời điểm và dropout.

3. Kiểm tra trước khi chạy

Repeated-measures ANOVA cần quan tâm sphericity khi có trên hai thời điểm.
Mixed model linh hoạt hơn với dữ liệu không cân bằng nhưng vẫn cần cấu trúc mô hình hợp lý.
Mô hình hóa time phải phù hợp: categorical hoặc continuous tùy giả thuyết.

4. Cách thực hiện trong Edu Insight

Chọn dạng dữ liệu long/wide và khai báo ID/time/outcome.
Chọn RM-ANOVA hoặc mixed model.
Nếu có group, xem time × group interaction.
Đọc trajectory plot cùng kết quả mô hình.

5. Cách đọc kết quả

Main effect of time phản ánh thay đổi theo thời gian trung bình.
Time × group cho thấy quỹ đạo thay đổi khác nhau giữa nhóm.
Trong mixed model, coefficient phụ thuộc coding của time/reference.

6. Lỗi thường gặp

Coi các lần đo của cùng người là độc lập.
Dùng row-level random split cho dữ liệu longitudinal.
Chỉ nhìn p-value mà không xem quỹ đạo và mức thay đổi.

7. Gợi ý báo cáo

Nêu số người, số thời điểm, cấu trúc dữ liệu.
Báo cáo time effect, interaction và correction/mixed structure phù hợp.
Có thể kèm estimated means/trajectory.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Đánh giá liệu quan hệ X → Y có phần nào đi qua biến trung gian M hay không.
Hiệu ứng gián tiếp nên được xem cùng direct effect, total effect và cơ sở lý thuyết.

2. Dữ liệu cần chuẩn bị

X, M, Y cần được xác định từ mô hình lý thuyết.
Thứ tự thời gian X → M → Y nên có cơ sở; dữ liệu cắt ngang hạn chế suy luận nhân quả.
Kiểm tra missing/outlier và các giả định của các phương trình hồi quy.

3. Kiểm tra trước khi chạy

Causal mediation đòi hỏi các giả định mạnh về confounding mà kiểm định thống kê đơn thuần không chứng minh được.
Bootstrap CI thường được ưu tiên cho indirect effect vì phân bố tích a×b có thể lệch.

4. Cách thực hiện trong Edu Insight

Chọn X, M, Y và covariates nếu có.
Chọn số bootstrap phù hợp.
Chạy mô hình.
Đọc path a, b, c', indirect effect và bootstrap CI.

5. Cách đọc kết quả

Indirect effect = a × b.
CI bootstrap không chứa 0 hỗ trợ bằng chứng về indirect effect trong mô hình đã chỉ định.
Không cần direct effect phải có ý nghĩa mới được kiểm tra mediation.

6. Lỗi thường gặp

Gọi mediation là cơ chế nhân quả từ dữ liệu cắt ngang.
Chỉ dựa vào chuỗi p-value kiểu Baron & Kenny.
Bỏ qua confounders quan trọng giữa M và Y.

7. Gợi ý báo cáo

Báo cáo a, b, c', indirect effect và bootstrap CI.
Nêu số bootstrap và covariates.
Dùng ngôn ngữ nhân quả thận trọng phù hợp thiết kế.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Kiểm tra liệu mối liên hệ giữa X và Y thay đổi theo mức của W hay không.
Trọng tâm là hệ số tương tác X × W.

2. Dữ liệu cần chuẩn bị

X/W có thể liên tục hoặc được coding phù hợp.
Kiểm tra range và phân bố để bảo đảm có dữ liệu ở các vùng cần diễn giải.
Centering có thể hỗ trợ diễn giải main effects nhưng không làm thay đổi kiểm định interaction.

3. Kiểm tra trước khi chạy

Các giả định hồi quy tuyến tính vẫn áp dụng.
Interaction thường cần cỡ mẫu lớn hơn main effects.
Simple slopes chỉ nên diễn giải ở các mức W có dữ liệu hỗ trợ.

4. Cách thực hiện trong Edu Insight

Chọn X, W, Y và covariates.
Chạy mô hình có X × W.
Đọc coefficient interaction và ΔR².
Nếu interaction đáng chú ý, xem simple slopes và interaction plot.

5. Cách đọc kết quả

Hệ số interaction cho biết slope của X thay đổi bao nhiêu khi W thay đổi một đơn vị.
Main effect của X là effect tại giá trị tham chiếu của W.
Đồ thị giúp diễn giải pattern nhưng không thay thế coefficient/CI.

6. Lỗi thường gặp

Kết luận moderation từ việc một nhóm có p<.05 còn nhóm kia p>.05.
Diễn giải main effects mà quên coding/centering.
Ngoại suy simple slope ngoài vùng dữ liệu.

7. Gợi ý báo cáo

Báo cáo interaction coefficient, CI/p-value và ΔR² nếu có.
Báo cáo simple slopes/plot khi cần.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Mô hình hóa mạng lưới quan hệ giữa các biến quan sát, bao gồm direct và indirect effects.
Phù hợp khi constructs được biểu diễn bằng observed scores thay vì latent measurement model.

2. Dữ liệu cần chuẩn bị

Xác định hướng đường dẫn dựa trên lý thuyết/thiết kế, không dựa vào correlation đơn thuần.
Các biến nên có đủ variance và dữ liệu phù hợp estimator.
Mô hình phải được nhận dạng.

3. Kiểm tra trước khi chạy

Các giả định phụ thuộc estimator và dạng biến.
Model fit tốt không chứng minh hướng nhân quả.
Omitted confounding có thể làm coefficient sai lệch.

4. Cách thực hiện trong Edu Insight

Thêm từng đường dẫn nguồn → đích.
Kiểm tra syntax lavaan.
Chạy mô hình.
Đọc global fit, standardized paths, R² và indirect effects.

5. Cách đọc kết quả

Standardized path giúp mô tả độ lớn quan hệ có điều kiện.
Indirect effect phản ánh chuỗi đường dẫn đã định nghĩa.
R² cho từng endogenous variable cho biết phần biến thiên được giải thích.

6. Lỗi thường gặp

Vẽ path chỉ từ correlation mà thiếu giả thuyết.
Sửa mô hình theo fit indices mà không có lý thuyết.
Gọi đường dẫn là causal effect khi thiết kế không hỗ trợ.

7. Gợi ý báo cáo

Báo cáo mô hình, fit indices, standardized paths, R² và indirect effects.
Nêu rõ các covariates và giả thuyết hướng quan hệ.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Kết hợp measurement model của latent constructs với structural paths giữa các constructs/biến.
SEM giúp ước lượng direct, indirect và total effects trong một mô hình đồng thời.

2. Dữ liệu cần chuẩn bị

CFA measurement model nên có cơ sở trước khi tập trung vào structural paths.
Mẫu cần đủ so với độ phức tạp, độ mạnh loading và estimator.
Kiểm tra missing, phân bố và kiểu dữ liệu.

3. Kiểm tra trước khi chạy

Mô hình phải được nhận dạng.
Estimator phải phù hợp với dữ liệu.
Fit indices cần đọc theo cụm bằng chứng, không tối ưu một chỉ số đơn lẻ.

4. Cách thực hiện trong Edu Insight

Chọn latent factors/item groups.
Thêm structural paths.
Kiểm tra syntax.
Chạy SEM.
Đánh giá measurement part trước/simultaneously với structural part.
Đọc fit, standardized paths, R², indirect/total effects.

5. Cách đọc kết quả

Structural coefficient là quan hệ có điều kiện trong mô hình.
Indirect effect cần CI phù hợp để đánh giá độ bất định.
Fit tốt không loại trừ mô hình thay thế.

6. Lỗi thường gặp

Bỏ qua chất lượng measurement model.
Thêm nhiều paths chỉ để cải thiện fit.
Diễn giải SEM cắt ngang như bằng chứng causal.

7. Gợi ý báo cáo

Nêu estimator, N, measurement model và structural model.
Báo cáo fit indices, standardized paths, R² và indirect effects.
Mô tả respecification nếu có.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

So sánh outcome giữa hai hoặc nhiều nhóm bằng t-test/ANOVA, Welch, phương pháp phi tham số hoặc ANCOVA.
Lựa chọn phương pháp phụ thuộc số nhóm, dạng outcome, variance và mục tiêu điều chỉnh.

2. Dữ liệu cần chuẩn bị

Outcome định lượng; biến nhóm phải có các mức hợp lệ.
Mỗi nhóm cần đủ quan sát để ước lượng ổn định.
ANCOVA cần covariates được xác định trước theo mục tiêu nghiên cứu.

3. Kiểm tra trước khi chạy

Student t/ANOVA giả định homogeneity of variance; Welch hữu ích khi variance hoặc n nhóm không đồng đều.
Phi tham số không đồng nghĩa hoàn toàn 'không giả định'; interpretation khác mean comparison.
ANCOVA cần xem linearity và tính hợp lý của quan hệ covariate-outcome.

4. Cách thực hiện trong Edu Insight

Chọn outcome và group.
Chọn phương pháp hoặc dùng gợi ý dựa trên diagnostics.
Đọc omnibus test.
Với ≥3 nhóm, dùng post-hoc có điều chỉnh multiple comparisons.
Đọc effect size cùng p-value.

5. Cách đọc kết quả

p-value cho biết bằng chứng về khác biệt, không nói độ lớn.
Cohen's d/Hedges g hoặc η²/ω²/ε² hỗ trợ diễn giải effect size.
Post-hoc cho biết cặp nhóm nào khác nhau sau điều chỉnh.

6. Lỗi thường gặp

Chạy nhiều t-tests thay cho một omnibus + post-hoc.
Chọn Student ANOVA khi nhóm có variance/n rất khác mà không kiểm tra.
Chỉ báo cáo p-value mà thiếu effect size.

7. Gợi ý báo cáo

Nêu phương pháp, thống kê test, df, p-value và effect size.
Nếu post-hoc, nêu adjustment method và các cặp đáng chú ý.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

So sánh đồng thời nhiều outcomes giữa các nhóm, có thể điều chỉnh covariates trong MANCOVA.
Hữu ích khi outcomes liên quan về mặt khái niệm và muốn kiểm định một multivariate effect trước các follow-up.

2. Dữ liệu cần chuẩn bị

Chọn từ hai outcomes có ý nghĩa chung.
Biến nhóm phải có đủ quan sát mỗi mức.
MANCOVA: covariates nên được xác định có cơ sở và đo trước outcome khi diễn giải điều chỉnh.

3. Kiểm tra trước khi chạy

Quan sát độc lập.
Linearity giữa outcomes/covariates và không multicollinearity quá cao giữa outcomes.
Multivariate normality và homogeneity of covariance là các giả định cổ điển; Pillai thường được xem là tương đối robust hơn trong nhiều tình huống.

4. Cách thực hiện trong Edu Insight

Chọn outcomes, group và MANOVA/MANCOVA.
Thêm covariates nếu dùng MANCOVA.
Chạy multivariate test, ưu tiên đọc Pillai trong bối cảnh diagnostics.
Nếu omnibus đáng chú ý, xem follow-up univariate tests/adjusted comparisons.

5. Cách đọc kết quả

Multivariate test đánh giá vector outcomes, không phải từng outcome riêng.
Follow-up cần được diễn giải có kiểm soát multiple testing.
Covariate adjustment là mô hình hóa, không biến dữ liệu quan sát thành thí nghiệm.

6. Lỗi thường gặp

Chọn nhiều outcomes không liên quan chỉ để dùng MANOVA.
Bỏ qua severe covariance/variance imbalance.
Diễn giải từng ANOVA follow-up mà không nhắc multivariate test.

7. Gợi ý báo cáo

Báo cáo multivariate statistic (ví dụ Pillai), df, p-value.
Nêu follow-up tests và adjustment nếu có.
Với MANCOVA, liệt kê covariates.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Rà soát và xử lý các vấn đề dữ liệu trước phân tích trong khi vẫn giữ nguyên dữ liệu gốc.
Mục tiêu là minh bạch hóa quyết định xử lý, không 'làm đẹp' dữ liệu để đạt kết quả mong muốn.

2. Dữ liệu cần chuẩn bị

Luôn giữ bản dữ liệu gốc không chỉnh sửa.
Kiểm tra missing, duplicate, biến hằng/rỗng, kiểu dữ liệu và giá trị ngoài phạm vi.
Xác định quy tắc xử lý trước khi chạy các mô hình chính nếu có thể.

3. Kiểm tra trước khi chạy

Outlier không đồng nghĩa với lỗi; cần phân biệt lỗi nhập liệu và quan sát hợp lệ.
Xóa missing có thể gây bias nếu cơ chế missing không ngẫu nhiên.
Mọi recoding cần có log hoặc mô tả.

4. Cách thực hiện trong Edu Insight

Chạy audit dữ liệu.
Xem từng cảnh báo và chọn hành động.
Áp dụng làm sạch để tạo active dataset.
Kiểm tra lại kích thước dữ liệu và các biến sau xử lý.

5. Cách đọc kết quả

Số dòng/biến bị thay đổi phải được hiểu và có lý do.
Không nên coi mọi cảnh báo là lỗi bắt buộc phải sửa.

6. Lỗi thường gặp

Xóa outlier tự động.
Ghi đè dữ liệu gốc.
Thay missing bằng mean một cách cơ học cho mọi phân tích.

7. Gợi ý báo cáo

Mô tả tiêu chí loại/giữ quan sát.
Nêu cách xử lý missing và outlier.
Giữ audit trail khi dùng cho nghiên cứu/công bố.

Hướng dẫn nhanh

Đọc phần “Khi nào dùng” và “Kiểm tra trước khi chạy” trước khi bấm phân tích.

1. Khi nào nên dùng?

Tạo hai mẫu độc lập để khám phá cấu trúc bằng EFA và kiểm định lại bằng CFA.
Giúp giảm nguy cơ xác nhận chính cấu trúc được tối ưu trên cùng một mẫu.

2. Dữ liệu cần chuẩn bị

Tổng mẫu phải đủ để sau khi chia, cả EFA và CFA vẫn có cỡ mẫu hợp lý.
Nếu có biến phân tầng quan trọng, có thể dùng stratification để giữ cấu trúc mẫu.

3. Kiểm tra trước khi chạy

Seed cố định giúp tái lập phép chia.
Không nên row-split dữ liệu có cluster hoặc nhiều dòng/người nếu điều đó phá cấu trúc phụ thuộc.
Với longitudinal/multilevel, việc chia phải theo đơn vị độc lập như participant/cluster nếu cần.

4. Cách thực hiện trong Edu Insight

Chọn tỷ lệ EFA/CFA.
Đặt seed.
Chọn biến phân tầng nếu cần.
Tạo hai mẫu và kiểm tra kích thước/phân bố.

5. Cách đọc kết quả

Mẫu EFA dùng cho khám phá; mẫu CFA dùng cho xác nhận.
Nếu mẫu tổng nhỏ, chia mẫu có thể làm cả hai phân tích kém ổn định.

6. Lỗi thường gặp

Chia mẫu chỉ để đạt một quy tắc hình thức khi N không đủ.
Chia từng dòng của dữ liệu repeated/clustered.
Thay đổi seed nhiều lần để chọn kết quả đẹp.

7. Gợi ý báo cáo

Nêu tỷ lệ, seed, phương pháp random/stratified và N của từng mẫu.

Tài khoản

1. Hồ sơ của tôi

2. Đổi mật khẩu

Nhập dữ liệu

Thông tin dữ liệu

Trạng thái chia mẫu

Tổng quan dữ liệu

Kiểm tra từng biến

Làm sạch dữ liệu

1. Chẩn đoán chất lượng dữ liệu

2. Hồ sơ chất lượng từng biến

3. Các thao tác an toàn

4. Các thao tác cần cân nhắc

5. Thực hiện làm sạch

6. Nhật ký làm sạch & dữ liệu mới

Nhận diện loại biến

Chỉnh loại biến

Thống kê mô tả

Thiết lập phân tích

Kết quả

Biểu đồ và chẩn đoán

Chia mẫu độc lập cho EFA và CFA

Thiết lập chia mẫu

Kết quả chia mẫu

Phân bố theo tầng

Phân tích độ tin cậy thang đo

1. Chọn item

2. Thiết lập phân tích

3. Kết quả độ tin cậy

4. Phân tích từng item

5. Phân tích nhiều nhóm & lịch sử phiên

Phân tích nhân tố khám phá - EFA

1. Chọn item

2. Kiểm tra điều kiện EFA

3. Phân tích EFA

4. Kết quả chi tiết

Phân tích nhân tố khẳng định - CFA

1. Khai báo mô hình CFA

2. Thiết lập CFA

3. Tóm tắt kết quả CFA

4. Kết quả chi tiết

Kiểm định bất biến đo lường

1. Khai báo mô hình và nhóm so sánh

2. Thiết lập kiểm định

3. Tóm tắt kết quả

4. Kết quả chi tiết

Phân tích tương quan

1. Chọn biến

2. Thiết lập

3. Tóm tắt kết quả

4. Kết quả chi tiết

Hồi quy tuyến tính

1. Khai báo mô hình

2. Thiết lập

3. Tóm tắt mô hình

4. Kết quả chi tiết

Hồi quy Logistic & phân loại

1. Khai báo mô hình

2. Thiết lập

3. Tóm tắt mô hình

4. Kết quả chi tiết

Hồi quy Ordinal Logistic

1. Khai báo mô hình

2. Thiết lập & chạy

3. Tóm tắt mô hình

4. Kết quả chi tiết

Mô hình đa cấp / Mixed Models

1. Khai báo cấu trúc đa cấp

2. Thiết lập

3. Tóm tắt mô hình

4. Kết quả chi tiết

Longitudinal / Repeated Measures

1. Khai báo cấu trúc dữ liệu

2. Phương pháp phân tích

3. Tóm tắt kết quả

4. Kết quả chi tiết

Phân tích trung gian - Mediation

1. Khai báo mô hình

2. Thiết lập

3. Tóm tắt kết quả