Lỗi khoảng tin cậy Bootstrap chứa 0 SPSS: cách xử lý

Hiện tượng bạn đang gặp

Bạn chạy PROCESS trong SPSS, mở bảng Indirect effect(s) of X on Y hoặc bảng Conditional indirect effects, rồi thấy cột BootLLCI nhỏ hơn 0 còn BootULCI lớn hơn 0. Ví dụ, khoảng tin cậy Bootstrap 95% là [-0.018; 0.146]. Đây thường là điều sinh viên gọi là lỗi khoảng tin cậy Bootstrap chứa 0 SPSS.

Con số 0 nằm bên trong khoảng này nghĩa là dữ liệu chưa cho đủ bằng chứng để kết luận hiệu ứng đang xét khác 0 ở mức tin cậy đã chọn. Nếu đang kiểm tra biến trung gian, bạn chưa thể kết luận tác động gián tiếp có ý nghĩa thống kê. Nếu đang kiểm tra biến điều tiết, bạn chưa thể kết luận hiệu ứng tương tác có ý nghĩa trong mô hình hiện tại.

Đây chưa chắc là lỗi phần mềm. SPSS vẫn có thể chạy đúng, tạo đủ số lần resampling và xuất bảng bình thường. Việc cần làm đầu tiên là xác định bạn đang đọc hiệu ứng nào, chọn đúng hàng trong output và phân biệt khoảng tin cậy của hệ số trực tiếp, gián tiếp với khoảng tin cậy của interaction term. Bạn có thể xem thêm phần giải thích nền tảng về biến trung gian là gì trước khi sửa mô hình.

Nguyên nhân thường gặp

Không nên vội xóa biến hoặc chạy lại nhiều lần chỉ vì thấy số 0. Hãy ghi lại tên bảng, tên hàng, BootLLCI, BootULCI, số mẫu và mô hình PROCESS đang dùng. Bảng dưới đây giúp bạn khoanh vùng nhanh.

Với trung gian, khoảng tin cậy phải được đọc cho indirect effect, không chỉ cho đường X đến M hoặc M đến Y. Một đường dẫn riêng lẻ có thể có ý nghĩa nhưng tích của hai đường dẫn vẫn chưa chắc có khoảng tin cậy loại trừ 0. Với điều tiết, hãy nhìn vào interaction term và hiệu ứng có điều kiện tại các mức của moderator, thay vì chỉ nhìn p-value của X.

Bạn cũng nên đối chiếu với bài bootstrap trung gian trong SPSS, nhất là khi bảng output có nhiều hàng và bạn chưa biết hàng nào là kết luận chính.

Cách xử lý theo thứ tự ưu tiên

1. Xác định đúng loại hiệu ứng đang kiểm tra

Trước khi chỉnh dữ liệu, viết ra mô hình bằng một câu. Chẳng hạn: biến độc lập X ảnh hưởng đến Y thông qua biến trung gian M, hoặc tác động của X lên Y thay đổi theo biến điều tiết W. Nếu câu mô tả chưa rõ, bạn rất dễ lấy nhầm bảng trong output.

Trong mô hình trung gian, mở bảng Indirect effect(s) of X on Y. Các cột quan trọng thường là Effect, BootSE, BootLLCI và BootULCI. Nếu 0 nằm giữa BootLLCI và BootULCI, hiệu ứng gián tiếp chưa được xác nhận theo tiêu chí Bootstrap. Cách tiếp cận dựa trên khoảng tin cậy Bootstrap và việc khoảng này không chứa 0 được trình bày trong (Preacher và Hayes, 2008).

Trong mô hình điều tiết, tìm bảng có Test(s) of highest order unconditional interaction(s) hoặc phần Conditional effect of X on Y at values of the moderator. Hàng interaction mới trả lời câu hỏi liệu W có làm thay đổi quan hệ X và Y hay không. Đây là điểm thường gây ra lỗi biến điều tiết không có ý nghĩa SPSS.

2. Kiểm tra cách nhập mô hình PROCESS

Mở lại syntax hoặc hộp thoại PROCESS. Đối chiếu các ô Y Variable, X Variable, M Variable và W Variable với mô hình trong chương phương pháp. Kiểm tra cả Model number, vì mô hình trung gian đơn, điều tiết đơn và moderated mediation dùng cấu trúc khác nhau.

Ở phần Bootstrap, dùng số lần resamples nhất quán giữa các lần chạy. (Hair và cộng sự, 2022) nêu 5,000 bootstrap subsamples như một cấu hình báo cáo trong PLS-SEM, nhưng con số trong PROCESS SPSS cần được bạn ghi đúng theo thiết lập thực tế của nghiên cứu. Đừng chép số 5,000 vào luận văn nếu bạn thực tế đã chạy một giá trị khác.

Bạn cũng cần kiểm tra biến kiểm soát. Nếu lần đầu chạy không có tuổi, giới tính hoặc kinh nghiệm nhưng lần sau lại thêm chúng, khoảng tin cậy thay đổi là điều có thể xảy ra. Hãy lưu từng syntax và đặt tên file output theo ngày để biết kết quả nào thuộc mô hình nào.

3. Kiểm tra dữ liệu và mã hóa biến

Mở Analyze > Descriptive Statistics > Frequencies để xem giá trị tối thiểu, tối đa và số lượng missing của từng biến. Với thang Likert, giá trị nằm ngoài khoảng đã thiết kế, chẳng hạn 0 hoặc 9 trong thang 1 đến 5, cần được truy nguyên từ bảng hỏi hoặc quá trình nhập dữ liệu.

Nếu có biến đảo chiều, hãy tạo biến đã recode trước khi tính điểm tổng hợp. Ví dụ một thang 1 đến 5 có thể dùng công thức 6 - biến_gốc, nhưng chỉ áp dụng khi thiết kế thang đo thực sự yêu cầu đảo chiều. Không đảo chiều chỉ để làm khoảng tin cậy đẹp hơn.

Nếu X, M hoặc Y là điểm trung bình của nhiều biến quan sát, kiểm tra độ tin cậy và cách tính điểm trước khi chạy PROCESS. Một biến tổng hợp sai có thể làm giảm tương quan và khiến khoảng Bootstrap rộng hơn. Bạn có thể xem thêm biến độc lập là gì để rà lại vai trò của X trong mô hình.

4. Đọc lại output bằng số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột mô phỏng phần output PROCESS trong SPSS để bạn biết nên đọc ở đâu.

Trong hàng indirect effect, BootLLCI = -0.018 và BootULCI = 0.214. Vì 0 nằm giữa hai cận, bạn không kết luận tác động gián tiếp có ý nghĩa thống kê. Hàng direct effect có khoảng từ 0.043 đến 0.310, nhưng điều đó chỉ nói về tác động trực tiếp trong mô hình, không tự động chứng minh có biến trung gian.

Ở hàng interaction, kết luận cũng tương tự. Hiệu ứng tương tác chưa được hỗ trợ theo khoảng tin cậy Bootstrap minh họa. Bạn không nên lấy riêng hệ số 0.041 rồi viết rằng W điều tiết quan hệ X và Y.

5. Chạy lại một lần với thiết lập được ghi chép

Sau khi kiểm tra dữ liệu, chạy lại đúng mô hình bằng cùng một file sạch. Ghi lại số quan sát hợp lệ, số biến, số bootstrap resamples, mức tin cậy và các biến kiểm soát. Nếu kết quả vẫn chứa 0, hãy giữ kết quả đó. Chạy đi chạy lại cho đến khi xuất hiện khoảng đẹp không phải là quy trình phân tích có thể bảo vệ.

Nếu đang học theo PROCESS, bạn có thể đối chiếu phần khoảng tin cậy Bootstrap chứa 0 phải làm sao. Nếu mô hình là điều tiết, kỹ thuật Johnson-Neyman là gì có thể giúp bạn xem vùng giá trị của W mà hiệu ứng X lên Y có ý nghĩa, nhưng chỉ khi interaction term và điều kiện áp dụng phù hợp.

6. Đánh giá lại giả thuyết thay vì sửa số liệu

Một giả thuyết không được hỗ trợ vẫn là kết quả hợp lệ. Bạn có thể báo cáo rằng dữ liệu chưa cung cấp bằng chứng đủ mạnh cho hiệu ứng trung gian hoặc điều tiết. Sau đó thảo luận khả năng lý thuyết, bối cảnh mẫu, độ phân tán của dữ liệu và hạn chế cỡ mẫu.

Không xóa một vài dòng dữ liệu chỉ vì chúng làm BootLLCI âm. Chỉ loại trường hợp khi có tiêu chí làm sạch đã đặt trước, chẳng hạn bản trả lời không hoàn tất hoặc vi phạm điều kiện hợp lệ. Lý do loại phải được ghi lại, và số mẫu trước sau khi làm sạch phải nhất quán giữa chương phương pháp và chương kết quả.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể tạo thêm thông tin mới từ một file dữ liệu yếu. Bạn nên trao đổi về việc thu thêm dữ liệu khi số mẫu thực tế thấp hơn thiết kế, tỷ lệ missing lớn, nhiều người trả lời chọn cùng một mức cho toàn bộ bảng hỏi, hoặc nhóm moderator có quá ít quan sát.

Cũng cần cân nhắc thu lại dữ liệu khi phát hiện bảng hỏi có lỗi rõ ràng, chẳng hạn một biến bị ghi ngược thang điểm, một nhóm biến bị bỏ sót, hoặc bộ lọc đối tượng khảo sát không được áp dụng. Khi đó, chạy lại cùng file cũ chỉ làm kết quả ổn định hơn về mặt kỹ thuật, nhưng không sửa được lỗi đo lường.

Quyết định thu thêm mẫu phải dựa trên thiết kế nghiên cứu, nguồn lực và yêu cầu của giảng viên. Đừng đặt mục tiêu mơ hồ như “thêm đến khi p-value đạt”. Nếu thu thêm, hãy giữ tiêu chí chọn mẫu, cách phát bảng hỏi và quy trình làm sạch nhất quán với đợt đầu. Nếu thay đổi cách thu, cần mô tả thay đổi đó trong luận văn.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể chuẩn bị ba thông tin trước buổi trao đổi: bảng output gốc, syntax hoặc ảnh chụp thiết lập PROCESS, và bảng tóm tắt số mẫu trước sau khi làm sạch. Đưa cả khoảng tin cậy, không chỉ đưa p-value hay hệ số, vì câu hỏi thường nằm ở cận dưới và cận trên.

Cách viết vào luận văn: “Kết quả Bootstrap với [số lần resamples] lần lặp cho thấy hiệu ứng [gián tiếp/tương tác] có hệ số bằng [giá trị]. Khoảng tin cậy Bootstrap 95% dao động từ [BootLLCI] đến [BootULCI], trong đó khoảng này [có/không có] chứa 0. Vì vậy, giả thuyết [H__] được [chấp nhận/không được hỗ trợ] theo tiêu chí [tiêu chí đã chọn].”

Nếu là biến trung gian, bạn có thể viết: “Tác động gián tiếp của [X] lên [Y] thông qua [M] chưa được hỗ trợ, vì khoảng tin cậy Bootstrap 95% từ [cận dưới] đến [cận trên] chứa 0.” Nếu là biến điều tiết, thay cụm “tác động gián tiếp” bằng “hiệu ứng tương tác giữa [X] và [W]”.

Hãy dùng từ “không được hỗ trợ” khi kết quả không đạt tiêu chí, thay vì viết “mô hình sai” hoặc “SPSS bị lỗi”. Nếu giảng viên hỏi vì sao một đường dẫn có p-value nhỏ nhưng hiệu ứng gián tiếp chứa 0, bạn giải thích rằng hai kiểm định trả lời hai câu hỏi khác nhau: một kiểm tra đường dẫn riêng, một kiểm tra hiệu ứng tổng hợp.

Cách phòng từ bước thiết kế

Ngay khi lập mô hình, ghi rõ X, Y, M và W trong một sơ đồ. Với biến trung gian, xác định trước hiệu ứng trực tiếp, gián tiếp và tổng. Với biến điều tiết, xác định interaction term và cách diễn giải hiệu ứng có điều kiện. Việc này giúp bạn không nhầm lỗi biến trung gian không có ý nghĩa SPSS với lỗi biến điều tiết không có ý nghĩa SPSS.

Thiết kế bảng hỏi với các biến quan sát có nguồn, cách diễn đạt rõ và cùng hướng đo lường khi phù hợp. Chạy kiểm tra dữ liệu thử trước khi thu chính thức để phát hiện mã hóa sai, giá trị ngoài thang và câu hỏi gây hiểu nhầm. Ghi lại quy tắc loại phiếu trước khi nhìn thấy kết quả Bootstrap.

Cỡ mẫu cũng cần được cân nhắc từ số biến và độ phức tạp của mô hình. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát được trích dẫn trong (Hair và cộng sự, 2010), nhưng đây là quy tắc tham khảo, không phải cam kết rằng mọi hiệu ứng trung gian hoặc điều tiết sẽ có ý nghĩa. Khi chạy hồi quy, yêu cầu tối thiểu 50 + 8m, với m là số biến độc lập, được nêu trong (Tabachnick và Fidell, 2013).

Bạn nên lưu ba phiên bản: file dữ liệu thô, file dữ liệu đã làm sạch và file phân tích. Tên biến cần nhất quán giữa bảng hỏi, SPSS và luận văn. Mỗi lần loại biến hoặc loại phiếu phải có một dòng ghi chú. Khi đó, nếu khoảng tin cậy chứa 0, bạn còn cơ sở để giải thích quy trình thay vì phải đoán lại mình đã làm gì.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là chạy lại nhiều lần rồi chỉ giữ output có khoảng không chứa 0. Đây là chọn kết quả theo mong muốn và khó giải trình. Lỗi thứ hai là đổi mức tin cậy từ 95% xuống 90% chỉ để cận dưới vượt qua 0 mà không có lý do phương pháp được chấp nhận trước.

Lỗi thứ ba là tăng số bootstrap resamples và nghĩ rằng kết quả chắc chắn sẽ có ý nghĩa. Số lần resampling giúp ước lượng khoảng tin cậy ổn định hơn, nhưng không biến một hiệu ứng yếu thành hiệu ứng mạnh. Lỗi thứ tư là loại outlier theo cảm tính. Một quan sát chỉ nên bị loại khi có tiêu chí dữ liệu hoặc thiết kế rõ ràng.

Lỗi thứ năm là kết luận “có trung gian một phần” chỉ vì direct effect có ý nghĩa. Muốn nói về mediation, bạn phải đọc indirect effect. Tương tự, muốn nói W điều tiết, phải kiểm tra interaction term và cách diễn giải hiệu ứng có điều kiện.

Cuối cùng, đừng đưa cả ảnh output dài vào luận văn mà không chỉ rõ bảng và hàng được dùng. Hãy trình bày hệ số, cận dưới, cận trên, mức tin cậy, số lần Bootstrap và quyết định đối với từng giả thuyết. Các nội dung nền tảng về phân tích có thể xem tại chuyên mục SPSS.

Câu hỏi thường gặp

Khoảng tin cậy Bootstrap chứa 0 có phải SPSS bị lỗi không?

Thường không. Nếu PROCESS xuất được bảng và có BootLLCI, BootULCI, SPSS đã thực hiện phép ước lượng theo thiết lập của bạn. Khoảng chứa 0 thường cho thấy hiệu ứng chưa đủ bằng chứng thống kê ở mức tin cậy đã chọn.

Bạn vẫn cần kiểm tra mã hóa, missing, mô hình và hàng output trước khi kết luận. Chỉ gọi là lỗi phần mềm khi có thông báo lỗi, bảng bị thiếu do syntax sai hoặc quy trình bị dừng.

Có nên tăng số lần Bootstrap để loại 0 khỏi khoảng tin cậy không?

Không nên tăng số lần chỉ vì muốn thay đổi kết luận. Số lần resamples cần được chọn và ghi chép nhất quán. Tăng số lần có thể làm ước lượng ổn định hơn, nhưng không bảo đảm cận dưới sẽ chuyển từ âm sang dương.

Nếu chạy lại với thiết lập hợp lý mà khoảng vẫn chứa 0, hãy báo cáo đúng kết quả và thảo luận giả thuyết chưa được hỗ trợ.

Biến trung gian không có ý nghĩa thì có cần xóa khỏi mô hình không?

Chưa cần xóa ngay. Trước tiên kiểm tra bạn đã đọc Indirect effect(s) of X on Y chưa, biến M có được tính đúng không và dữ liệu có missing hoặc đảo chiều sai không. Nếu mọi thứ đúng, giữ M trong mô hình nếu nó có cơ sở lý thuyết, rồi báo cáo rằng hiệu ứng trung gian chưa được hỗ trợ.

Việc xóa biến chỉ để mô hình đạt p-value có thể làm thay đổi câu hỏi nghiên cứu ban đầu. Nếu thay đổi mô hình, bạn cần nêu lý do và phân biệt phân tích ban đầu với phân tích bổ sung.

Lỗi biến điều tiết không có ý nghĩa SPSS xử lý thế nào?

Kiểm tra interaction term, cách mean-center nếu quy trình của bạn yêu cầu, nhóm moderator và bảng Conditional effect of X on Y. Đừng kết luận điều tiết chỉ từ hệ số của X hoặc W.

Nếu interaction term vẫn có khoảng Bootstrap chứa 0, hãy ghi nhận rằng chưa có bằng chứng về hiệu ứng điều tiết trong mẫu. Kỹ thuật Johnson-Neyman chỉ nên dùng khi cấu hình mô hình và yêu cầu diễn giải phù hợp.

Khoảng tin cậy chứa 0 nhưng p-value nhỏ, tôi chọn kết quả nào?

Bạn cần kiểm tra hai con số đang thuộc cùng một hiệu ứng hay không. p-value của đường X đến M không thay thế cho khoảng tin cậy của indirect effect. p-value của X cũng không thay thế cho kiểm định interaction X x W.

Trong báo cáo mediation hoặc moderation, ưu tiên tiêu chí đã đặt trước cho hiệu ứng mục tiêu. Nếu dùng Bootstrap, trình bày cả BootLLCI và BootULCI, sau đó giải thích rõ 0 có nằm trong khoảng hay không.

Bạn hãy mở lại file dữ liệu sạch, kiểm tra đúng hàng trong output, lưu syntax và ghi kết luận theo mẫu trước khi sửa mô hình. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ quy trình SPSS và SmartPLS, với kết quả được truy nguyên từ dữ liệu thay vì bịa số.