Sở hữu nhiều người thắc mắc về spss là gì, chức năng của phần mềm spss và bản hướng dẫn sử dụng phần mềm spss đầy đủ là như thế nào? Bày viết sau đây chúng tôi giới thiệu tới bạn cách sử dụng phần mềm đầy đủ và chi tiết nhất.

Tham khảo thêm những bài viết khác:

+ Tổng quan về phân tích nhân tố khám phá EFA

+ Kiểm định T - test, kiểm định sự khác biệt trong spss

1. Phần mềm SPSS là gì?

• SPSS (viết tắt của Statistical Package for the Social Sciences) là một chương trình máy tính phục vụ công việc thống kê. 
• Phần mềm SPSS giúp xử lý và phân tích dữ liệu sơ cấp - là những thông tin được thu thập trực tiếp từ đối tượng nghiên cứu, thường được sử dụng rộng rãi trong những những nghiên cứu dò hỏi xã hội học và kinh tế lượng.

2. Chức năng của SPSS

Phần mềm SPSS với những chức năng chính bao gồm:

• Phân tích thống kê 
• Thống kê mô tả: Lập bảng chéo, Tần suất, Mô tả, Khám phá, Thống kê Tỷ lệ Mô tả 
• Thống kê đơn biến: Phương tiện, t-test, ANOVA, tương quan (hai biến, một phần, khoảng cách), rà soát ko giới 
• Dự đoán cho kết quả số: Hồi quy tuyến tính 
• Dự đoán để xác định những nhóm: Phân tích những yếu tố, phân tích cụm (hai bước, K-phương tiện, phân cấp), phân biệt. ( Tham khảo tại: xử lý số liệu spss)
• Quản lý dữ liệu: bao gồm lựa chọn trường hợp, chỉnh sửa lại tập tin, tạo ra dữ liệu gốc
• Vẽ đồ thị: Được sử dụng để vẽ nhiều loại đồ thị khác nhau với chất lượng cao..

3. Trật tự làm việc của phần mềm SPSS

Bạn đã với một một tẹo hiểu biết về SPSS làm việc như thế nào, chúng ta hãy nhìn vào những gì nó với thể làm. Sau đây là một thứ tự làm việc của một dự án tiêu biểu mà SPSS với thể thực hiện

• Bước 1: Mở những files dữ liệu – theo định dạng file của SPSS hoặc bất kỳ định dạng nào;
• Bước 2: Sử dữ liệu – như tính tổng và trung bình những cột hoặc những hàng dữ liệu;
• Bước 3: Tạo những bảng và những biểu đồ - bao gồm đếm những phổ biến hay những thống kê tổng hơn (nhóm) thông qua những trường hợp;
• Bước 4: Chạy những thống kê suy diễn như ANOVA, hồi quy và phân tích hệ số;
• Bước 5: Lưu dữ liệu và đầu ra theo nhiều định dạng file.
• Bước 6: Hiện nay chúng ta cùng tìm hiểu kỹ hơn về những bước sử dụng SPSS.

4. Cách phát động phần mềm SPSS

• Trên màn hình desktop của Windows nhấp vào biểu tượng SPSS. 
• Hoặc bạn mở phím Start >>> All program>>> SPSS for Windows >>>SPSS (phiên bản hiện tại bạn đang cài) 
• Sau đó tùy vào mục đích của bạn, bạn cần thống kê suy diễn, vẽ biểu đồ hay những phân tích hồi quy tuyến tính,...để lựa chọn thích hợp. 
• Đây là một nguồn tài liệu chúng tôi tổng hợp được, bạn với thể tham khảo tài liệu hướng dẫn sử dụng SPSS phiên bản 20, 21, 22, 23 và download Spss 20, 21, 22, 23.

5. Hướng dẫn sử dụng phần mềm SPSS

5.1. Đề tài nghiên cứu

5.1.1. Tên đề tài

Nghiên cứu những yếu tố tác động tới sự hài lòng của viên chức trong công việc tại tổ chức TNHH Nhãn Xanh.

5.1.2.  Mô phỏng nghiên cứu

Ở đây, tác giả xem xét trên thực tế và kỳ vọng những biến độc lập đều tác động thuận chiều với biến phụ thuộc nên sẽ ký hiệu dấu

Article post on: nongdanmo.com

• Trường hợp với biến độc lập tác động nghịch chiều với biến phụ thuộc, chúng ta sẽ ký hiệu dấu (–) và trái lại là (+)
• Thuận chiều với tức là lúc biến độc lập tăng thì biến phụ thuộc cũng tăng
  • Ví dụ 1: yếu tố lương, thưởng, phúc lợi tăng lên, tốt hơn thì sự hài lòng của viên chức trong công việc cũng sẽ tăng lên. 
  • Ví dụ 2: Giá cả sản phẩm và biến phụ thuộc vào động lực sắm hàng của người tiêu sử dụng. 
    • Trên thực tế, ta thấy rằng lúc giá món hàng càng tăng thì chúng ta sẽ e sợ và ít với động lực để sắm món hàng đó, hoặc với thể thay vì sắm nó với giá cao, chúng ta với thể sắm sản phẩm thay thế khác với giá thấp hơn nhưng cùng tính năng.
    • Tương tự, giá càng tăng, động lực sắm hàng của người tiêu sử dụng càng giảm. Chúng ta sẽ kỳ vọng rằng, biến “giá cả sản phẩm” tác động nghịch với biến phụ thuộc “động lực sắm hàng của người tiêu sử dụng”.

5.1.3. Giả thuyết nghiên cứu

• Giả thuyết này chúng ta sẽ khẳng định nó là đúng hay sai sau bước phân tích hồi quy tuyến tính. 
• Nếu sau bước hồi quy tuyến tính, kết quả xuất ra giống với kỳ vọng thì chúng ta chấp nhận giả thuyết, trái lại, ta chưng bỏ giả thuyết. 
• Chúng ta đừng bị sai trái lúc nhận định chưng bỏ là tiêu cực, là xấu; còn chấp nhận là tích cực, là tốt. 
  • H1: Lương, thưởng, phúc lợi tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.
  • H2: Thời cơ tập huấn và thăng tiến tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.
  • H3: Lãnh đạo và cấp trên tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.
  • H4: Đồng nghiệp tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.
  • H5: Bản tính công việc tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.
  • H6: Điều kiện làm việc tác động tích cực (thuận chiều) tới sự hài lòng của viên chức trong công việc.

5.1.4 Bảng thắc mắc khảo sát

5.1.5. Kích thước mẫu

• Đa phần chúng ta lấy mẫu trên cơ sở vật chất tiêu chuẩn 5:Một của Bollen (1989)1, tức là để đảm bảo phân tích dữ liệu (phân tích nhân tố khám phá EFA) tốt thì cần ít nhất 5 quan sát cho Một biến đo lường và số quan sát ko nên dưới 100.
• Bảng thắc mắc khảo sát tác giả trích dẫn với tổng cùng 30 biến quan sát (những thắc mắc sử dụng thang đo Likert), do vậy mẫu tối thiểu sẽ là 30 x 5 = 150.
• Chúng ta lưu ý, mẫu này là mẫu tối thiểu chứ ko yêu cầu chúng ta lúc nào cũng lấy mẫu này, mẫu càng to thì nghiên cứu càng với trị giá. Cụ thể trong nghiên cứu này, tác giả lấy mẫu là 220.

5.2. Kiểm định độ tin cậy thang đo Crnbach's Alpha

5.2.1. Lý thuyết về trị giá và độ tin cậy của đo lường

• Một đo lường được coi là với trị giá (validity) nếu nó đo lường đúng được dòng cần đo lường (theo Campbell & Fiske 1959). 
• Hay nói cách khác, đo lường đó sẽ ko với hiện tượng sai số hệ thống và sai số ngẫu nhiên.
• Sai số hệ thống: sử dụng thang đo ko thăng bằng, kỹ thuật phỏng vấn kém…
• Sai số ngẫu nhiên: phỏng vấn viên ghi nhầm số đó của người trả lời, người trả lời thay đổi tính cách nhất thời như do mỏi mệt, đau yếu, nóng giận… làm tác động tới câu trả lời của họ. 

5.2.2.  Đo lường độ tin cậy bằng hệ số Cronbach’s Alpha

• Hệ số Cronbach’s Alpha chỉ đo lường độ tin cậy của thang đo (bao gồm từ 3 biến quan sát trở lên) chứ ko tính được độ tin cậy cho từng biến quan sát.
• Hệ số Cronbach’s Alpha với trị giá biến thiên trong đoạn [0,1]. Về lý thuyết, hệ số này càng cao càng tốt (thang đo càng với độ tin cậy cao). Hệ số Cronbach’s Alpha quá to (khoảng từ 0.95 trở lên) cho thấy với nhiều biến trong thang đo ko với khác biệt gì nhau, hiện tượng này gọi là trùng lắp trong thang đo.

5.2.3. Tính hệ số tin cậy Cronbach’s Alpha bằng SPSS

• Nếu một biến đo lường với hệ số tương quan biến tổng Corrected Item – Total Correlation ≥ 0.3 thì biến đó đạt yêu cầu.
• Mức trị giá hệ số Cronbach’s Alpha: 
• Từ 0.8 tới sắp bằng 1: thang đo lường rất tốt. 
• Từ 0.7 tới sắp bằng 0.8: thang đo lường sử dụng tốt.
• Từ 0.6 trở lên: thang đo lường đủ điều kiện.
• Thông thường chúng ta sẽ giám định cùng với hệ số tương quan biến tổng Corrected Item – Total Correlation,
• Nếu trị giá Cronbach's Alpha if Item Deleted to hơn hệ số Cronbach Alpha và Corrected Item – Total Correlation nhỏ hơn 0.3 thì sẽ loại biến quan sát đang xem xét để tăng độ tin cậy của thang đo.

5.3. Phân tích nhân tố khám phá EFA

5.3.1. EFA và giám định trị giá thang đo

• Ở phần trước, chúng ta đã tìm hiểu về độ tin cậy thang đo, vấn đề tiếp theo là thang đo phải được giám định trị giá của nó. 
• Hai trị giá quan yếu được xem xét trong phần này là trị giá tụ hội và trị giá phân biệt. Hiểu một cách thuần tuý:
• Trị giá tụ hội: Những biến quan sát tụ hội về cùng một nhân tố.
• Trị giá phân biệt: Những biến quan sát thuộc về nhân tố này và phải phân biệt với nhân tố khác.

• Phân tích nhân tố khám phá, gọi tắt là EFA, sử dụng để rút gọn một tập hợp k biến quan sát thành một tập F (với F < k) những nhân tố với ý nghĩa hơn. 

Lưu ý: Trong nghiên cứu, chúng ta thường thu thập được một số lượng biến khá to. Thay vì đi nghiên cứu 20 đặc điểm nhỏ của một đối tượng, chúng ta với thể chỉ nghiên cứu 4 đặc điểm to, gồm nhiều đặc điểm nhỏ với sự tương quan với nhau. Điều này giúp tiết kiệm thời kì và kinh phí nhiều hơn cho người nghiên cứu.

5.3.2. Phân tích nhân tố khám phá EFA bằng SPSS

• Hệ số KMO (Kaiser-Meyer-Olkin) là một chỉ số sử dụng để xem xét sự thích hợp của phân tích nhân tố. 
  • Trị số của KMO phải đạt trị giá 0.5 trở lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân tố là thích hợp. 
  • Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố với khả năng ko thích hợp với tập dữ liệu nghiên cứu.
• Kiểm định Bartlett (Bartlett’s test of sphericity) sử dụng để xem xét những biến quan sát trong nhân tố với tương quan với nhau hay ko. 
  • Chúng ta cần lưu ý, điều kiện cần để vận dụng phân tích nhân tố là những biến quan sát phản ánh những khía cạnh khác nhau của cùng một nhân tố phải với mối tương quan với nhau. 
  • Điểm này liên quan tới trị giá tụ hội trong phân tích EFA được nhắc ở trên. Do đó, nếu kiểm định cho thấy ko với ý nghĩa thống kê thì ko nên vận dụng phân tích nhân tố cho những biến đang xem xét. 
• Kiểm định Bartlett với ý nghĩa thống kê (sig Bartlett’s Test < 0.05), chứng tỏ những biến quan sát với tương quan với nhau trong nhân tố.1
  • Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong phân tích EFA. 
  • Nhân tố nào với Eigenvalue ≥ 1 mới được giữ lại trong mô phỏng phân tích 2. 
  • Ví dụ: bảng phía dưới cho thấy với 3 nhân tố trích được tại eigenvalue là 1.537. Nếu chúng ta trích thêm một nhân tố nữa (nhân tố thứ tư) thì eigenvalue lúc này là 0.900 < 1. Vì vậy, nếu dựa vào tiêu chí eigenvalue từ Một trở lên, chúng ta ngừng ở nhân tố thứ ba

• Tổng phương sai trích (Total Variance Explained) ≥ 50% cho thấy mô phỏng EFA là thích hợp. 
• Coi biến thiên là 100% thì trị số này thể hiện những nhân tố được trích cô đọng được bao nhiêu % và bị thất thoát bao nhiêu % của những biến quan sát.
• Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, trị giá này biểu thị mối quan hệ tương quan giữa biến quan sát với nhân tố. 
  • Factor Loading ở mức  0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
  • Factor Loading ở mức  0.5: Biến quan sát với ý nghĩa thống kê tốt.
  • Factor Loading ở mức  0.7: Biến quan sát với ý nghĩa thống kê rất tốt. 
  • Hệ số tải nhân tố càng cao, tức là tương quan giữa biến quan sát đó với nhân tố càng to và trái lại. Theo Hair & ctg (2009,116), Multivariate Data Analysis, 7th Edition thì:
• Tuy nhiên, trị giá tiêu chuẩn của hệ số tải Factor Loading cần phải phụ thuộc vào kích thước mẫu. 
• Với từng khoảng kích thước mẫu khác nhau, mức trọng số nhân tố để biến quan sát với ý nghĩa thống kê là hoàn toàn khác nhau. Cụ thể, chúng ta sẽ xem bảng dưới đây:

Trên thực tế, việc nhớ từng mức hệ số tải với từng khoảng kích thước mẫu là khá khó khăn, do vậy người ta thường lấy hệ số tải 0.45 hoặc 0.5 làm mức tiêu chuẩn với cỡ mẫu từ 120 tới dưới 350; lấy tiêu chuẩn hệ số tải là 0.3 với cỡ mẫu từ 350 trở lên.

5.4. Tương quan Pearson

Sau lúc đã với được những biến đại diện độc lập và phụ thuộc ở phần phân tích nhân tố EFA, chúng ta sẽ tiến hành phân tích tương quan Pearson để rà soát mối quan hệ tuyến tính giữa những biến này.

5.4.Một Lý thuyết về tương quan và tương quan Pearson

• Giữa Hai biến định lượng với nhiều dạng liên hệ, với thể là tuyến tính hoặc phi tuyến hoặc ko với bất kỳ một mối liên hệ nào.
• Người ta sử dụng một số thống kê là hệ số tương quan Pearson (ký hiệu r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa Hai biến định lượng (lưu ý rằng Pearson chỉ xét mối liên hệ tuyến tính, ko giám định những mối liên hệ phi tuyến).
• Trong tương quan Pearson ko với sự phân biệt vai trò giữa Hai biến, tương quan giữa biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc.

5.4.2. Phân tích tương quan Pearson bằng SPSS

5.4.2.1. Một số tiêu chí cần biết Tương quan Pearson r với trị giá dao động từ -Một tới 1:

• Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về Một là tương quan dương, tiến về -Một là tương quan âm.
• Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
• Nếu r = 1: tương quan tuyến tính tuyệt đối, lúc trình diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, những điểm trình diễn sẽ nhập lại thành Một đường thẳng.
• Nếu r = 0: ko với mối tương quan tuyến tính. Lúc này sẽ với Hai tình huống xảy ra. Một, ko với một mối liên hệ nào giữa Hai biến. Hai, giữa chúng với mối liên hệ phi tuyến.

Tại đây, chúng ta đưa hết tất cả những biến muốn chạy tương quan Pearson vào mục Variables. Cụ thể là những biến đại diện được tạo ra sau bước phân tích EFA. Để tiện cho việc đọc số liệu, chúng ta nên đưa biến phụ thuộc lên trên cùng, tiếp theo là những biến độc lập. Sau đó, nhấp vào OK để xuất kết quả ra Output.

**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).

Via @: nongdanmo.com

• Sig tương quan Pearson những biến độc lập TN, CV, LD, MT, DT với biến phụ thuộc HL nhỏ hơn 0.05. Tương tự, với mối liên hệ tuyến tính giữa những biến độc lập này với biến HL. Giữa DT và HL với mối tương quan mạnh nhất với hệ số r là 0.611, giữa MT và HL với mối tương quan yếu nhất với hệ số r là 0.172.
• Sig tương quan Pearson giữa HL và DN to hơn 0.05, do vậy, ko với mối tương quan tuyến tính giữa Hai biến này. Biến DN sẽ được loại bỏ lúc thực hiện phân tích hồi quy tuyến tính bội.
• Những cặp biến độc lập đều với mức tương quan khá yếu với nhau, tương tự, khả năng cao sẽ ko với hiện tượng đa cùng tuyến xảy ra.

5.5. Hồi quy đa biến

5.5.Một Lý thuyết về hồi quy tuyến tính

• Khác với tương quan Pearson, trong hồi quy những biến ko với tính chất đối xứng như phân tích tương quan. 
• Vai trò giữa biến độc lập và biến phụ thuộc là khác nhau. X và Y hay Y và X với tương quan với nhau đều mang cùng một ý nghĩa, trong lúc đó với hồi quy, ta chỉ với thể nhận xét: X tác động lên Y hoặc Y chịu tác động bởi X.
• Đối với phân tích hồi quy tuyến tính bội, chúng ta giả thiết những biến độc lập X1, X2, X3 sẽ tác động tới biến phụ thuộc Y. Ngoài X1, X2, X3… còn với rất nhiều những nhân tố khác ngoài mô phỏng hồi quy tác động tới Y mà chúng ta ko liệt kê được.

5.5.Hai Phân tích hồi quy đa biến bằng SPSS

5.5.2.Một Những tiêu chí trong phân tích hồi quy đa biến 

• Trị giá R2 (R Square), R2 hiệu chỉnh (Adjusted R Square): phản ánh mức độ giảng giải biến phụ thuộc của những biến độc lập trong mô phỏng hồi quy.
• R2 hiệu chỉnh phản ánh sát hơn so với R2. Mức dao động của Hai trị giá này là từ 0 tới 1, tuy nhiên việc đạt được mức trị giá bằng Một là sắp như ko tưởng dù mô phỏng đó tốt tới nhường nào. Trị giá này thường nằm trong bảng Model Summary.
• Cần chú ý, ko với sự giới hạn trị giá R2, R2 hiệu chỉnh ở mức bao nhiêu thì mô phỏng mới đạt yêu cầu, Hai chỉ số này nếu càng tiến về 1 thì mô phỏng càng với ý nghĩa, càng tiến về 0 thì ý nghĩa mô phỏng càng yếu. 
• Thường chúng ta chọn mức tương đối là 0.5 để làm trị giá phân ra Hai nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 tới Một thì mô phỏng là tốt, bé hơn 0.5 là mô phỏng chưa tốt. 
• Trị giá sig của kiểm định F: được sử dụng để kiểm định độ thích hợp của mô phỏng hồi quy. 
• Nếu sig nhỏ hơn 0.05, ta kết luận mô phỏng hồi quy tuyến tính bội thích hợp với tập dữ liệu và với thể sử đụng được. Trị giá này thường nằm trong bảng ANOVA.
• Trị số Durbin – Watson (DW): sử dụng để rà soát hiện tượng tự tương quan chuỗi hàng đầu (kiểm định tương quan của những sai số kề nhau). 
• DW với trị giá biến thiên từ từ 0 tới 4
• Nếu trị giá càng sắp về 0 thì những phần sai số với tương quan thuận; nếu càng to, sắp về 4 với tức là những phần sai số với tương quan nghịch. 
• Để đảm bảo chuẩn xác, chúng ta sẽ tra ở bảng thống kê Durbin-Watson (với thể tìm bảng thống kê DW trên Internet). Trị giá này thường nằm trong bảng Model Summary.

• Hệ số k’: là số biến độc lập đưa vào chạy hồi quy, N là kích thước mẫu. Nếu N của bạn là một con số lẻ như 175, 214, 256, 311 thì bạn với thể làm tròn kích thước mẫu với trị giá sắp nhất trong bảng tra. 
• Trị giá sig của kiểm định t: được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. 
• Nếu sig kiểm định t của hệ số hồi quy của một biến độc lập <0.05, ta kết luận biến độc lập đó với tác động tới biến phụ thuộc. 
• Hệ số phóng đại phương sai VIF: sử dụng để rà soát hiện tượng đa cùng tuyến. 
• Thông thường, nếu VIF>10 tức là đang với đa cùng tuyến xảy ra với biến độc lập đó. Lúc đó, biến này sẽ ko với trị giá giảng giải biến thiên của biến phụ thuộc trong mô phỏng hồi quy. 
• Thực tế nếu VIF > 2 thì khả năng rất cao đang xảy ra hiện tượng đa cùng tuyến giữa những biến độc lập. Trị giá này thường nằm trong bảng Coefficients.
• Rà soát giả thiết hồi quy, bao gồm phần dư chuẩn hóa và liên hệ tuyến tính: 
  • Đối với biểu đồ Histogram, nếu trị giá trung bình Mean sắp bằng 0, độ lệch chuẩn sắp bằng 1, ta với thể khẳng định phân phối là xấp xỉ chuẩn.
  • Đối với biểu đồ Normal P-P Plot, nếu những điểm phân vị trong phân phối của phần dư tập trung thành Một đường chéo, tương tự, giả thiết phân phối chuẩn của phần dư ko bị vi phạm.
  • Nếu phần dư chuẩn hóa phân bổ tập trung xung quanh đường hoành độ 0, chúng ta với thể kết luận giả thiết quan hệ tuyến tính ko bị vi phạm.
• Rà soát vi phạm giả thiết phần dư chuẩn hóa: Phần dư với thể ko tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô phỏng, phương sai ko phải là hằng số, số lượng những phần dư ko đủ nhiều để phân tích...
• Rà soát vi phạm giả thiết liên hệ tuyến tính: Biểu đồ phân tán Scatter Plot giữa những phần dư chuẩn hóa và trị giá dự đoán chuẩn hóa giúp chúng ta dò tìm xem, dữ liệu hiện tại với vi phạm giả thiết liên hệ tuyến tính hay ko. 

5.5.2.Hai Thực hiện trên SPSS 20 với tập dữ liệu mẫu

Bước 4

+ Xử lý số liệu spss 

+ Kiểm định T - test, kiểm định sự khác biệt trong spss

+ Tổng quan về phân tích nhân tố khám phá EFA

Những tìm kiếm liên quan khác: hướng dẫn sử dụng spss, nhà sản xuất chạy spss phần mềm spss là gì, nhận chạy stata, hướng dẫn sử dụng phần mềm spss, cách sử dụng phần mềm spss, hướng dẫn sử dụng spss 20, nhận xử lý số liệu spss, phần mềm thống kê spss, phần mềm spss cách sử dụng, cách sử dụng spss cho người mới khởi đầu, chạy eview, phần mềm xử lý số liệu spss, ...

Article post on: nongdanmo.com