Cách chạy phân tích tương quan Pearson SPSS và đọc kết quả
Khi nào dùng phân tích tương quan Pearson
Bạn dùng phân tích tương quan Pearson khi muốn kiểm tra mức độ và chiều hướng liên hệ tuyến tính giữa hai biến định lượng. Ví dụ, đề tài của bạn có giả thuyết: sự hữu ích cảm nhận có tương quan thuận với ý định sử dụng. Khi đó, Pearson giúp trả lời hai câu hỏi: mối liên hệ có tồn tại trong mẫu hay không, và khi một biến tăng thì biến còn lại có xu hướng tăng hay giảm.
Pearson thường được dùng trước hồi quy tuyến tính để xem các biến có liên hệ sơ bộ với nhau. Tuy nhiên, tương quan không chứng minh quan hệ nhân quả. Một hệ số tương quan cao chỉ cho thấy hai biến thay đổi cùng nhau trong dữ liệu, chưa đủ để kết luận biến X gây ra biến Y.
Nếu cả hai biến là điểm trung bình của nhiều biến quan sát theo thang Likert, bạn có thể chạy Pearson sau khi đã kiểm tra độ tin cậy và tạo biến tổng hợp. Bạn có thể xem thêm bài tương quan Pearson để phân biệt khái niệm hệ số tương quan với thao tác chạy trên SPSS. Khi cần kiểm tra một mối liên hệ trong khi đã kiểm soát biến thứ ba, hãy dùng phân tích tương quan riêng phần SPSS, tức partial correlation, thay vì đọc Pearson thông thường.
SPSS báo hệ số Pearson Correlation trong khoảng từ -1 đến 1. Dấu dương thể hiện quan hệ cùng chiều, dấu âm thể hiện quan hệ ngược chiều. Độ lớn tuyệt đối càng gần 1 thì liên hệ tuyến tính trong mẫu càng mạnh, nhưng cách diễn giải cụ thể vẫn cần đặt trong bối cảnh lĩnh vực và cỡ mẫu của bạn.
Chuẩn bị dữ liệu trước khi chạy
Trước khi mở hộp thoại Bivariate Correlations, hãy kiểm tra file .sav của bạn. Nếu dữ liệu đầu vào sai, bảng kết quả vẫn có thể hiện ra nhưng ý nghĩa thống kê sẽ không còn đáng tin cậy.
Xác định đúng loại biến
Mỗi biến đưa vào Pearson phải có dữ liệu số và thể hiện một đại lượng có thể so sánh giữa các quan sát. Với bảng hỏi Likert, bạn có thể dùng điểm trung bình hoặc điểm tổng hợp của một khái niệm sau khi kiểm định thang đo. Không nên đưa mã giới tính, mã ngành học hoặc mã tỉnh thành vào Pearson như thể đó là biến định lượng liên tục.
Trong Variable View, kiểm tra cột Type, Decimals, Label và Measure. SPSS có thể để Measure là Scale cho một biến mã hóa số, nhưng việc SPSS gắn nhãn Scale không tự biến một biến phân loại thành biến định lượng. Bạn cần dựa vào cách biến được thiết kế trong đề tài.
Kiểm tra biến đảo chiều và tạo điểm tổng hợp
Nếu bảng hỏi có biến quan sát đảo chiều, hãy đảo mã trước khi tính điểm trung bình. Với thang Likert 5 mức, một biến có thể được đổi theo công thức 6 - giá trị ban đầu. Công thức này chỉ là ví dụ cho thang 5 mức, bạn cần dùng công thức phù hợp với thang đo thực tế.
Sau đó, vào Transform > Compute Variable để tạo biến tổng hợp, chẳng hạn PU_MEAN cho Perceived Usefulness và BI_MEAN cho Behavioral Intention. Ghi lại các biến quan sát được dùng trong mỗi điểm tổng hợp để khi giảng viên hỏi, bạn giải thích được cách tính.
Kiểm tra missing value và ngoại lệ
Vào Analyze > Descriptive Statistics > Frequencies để kiểm tra số lượng giá trị thiếu. Nếu hai biến có nhiều dòng thiếu ở các quan sát khác nhau, số lượng cặp dữ liệu được dùng cho Pearson có thể giảm đáng kể. Hãy nhìn cột N trong bảng Correlations, không chỉ nhìn N của toàn bộ file.
Bạn cũng nên xem biểu đồ phân tán bằng Graphs > Chart Builder > Scatter/Dot > Simple Scatter. Pearson phản ánh liên hệ tuyến tính. Nếu biểu đồ có dạng cong rõ ràng, một hệ số Pearson duy nhất có thể mô tả chưa đầy đủ dữ liệu. Một outlier cũng có thể kéo hệ số lên hoặc xuống mạnh, vì vậy hãy kiểm tra điểm bất thường trước khi xóa.
Các bước chạy phân tích tương quan Pearson trong SPSS
Bạn có thể làm theo các bước dưới đây với SPSS Statistics. Tên bảng trong Output Viewer thường là Correlations.
Bước 1: Mở hộp thoại Bivariate Correlations
Chọn Analyze > Correlate > Bivariate. Trong danh sách biến, chọn hai hoặc nhiều biến cần kiểm tra rồi đưa sang ô Variables. Nếu bạn chọn nhiều biến, SPSS tạo một ma trận tương quan cho từng cặp biến.
Không đưa từng biến quan sát vào đây nếu mục tiêu của bạn là kiểm tra mối quan hệ giữa các khái niệm đã có thang đo. Ví dụ, hãy dùng PU_MEAN và BI_MEAN thay vì đưa riêng PU1, PU2, PU3 và BI1, BI2, BI3, trừ khi câu hỏi nghiên cứu của bạn thực sự yêu cầu kiểm tra từng biến quan sát.
Bước 2: Chọn Pearson và dạng kiểm định
Trong phần Correlation Coefficients, giữ lựa chọn Pearson. Ở phần Test of Significance, chọn Two-tailed nếu giả thuyết của bạn chỉ nói có mối liên hệ mà không khẳng định trước chiều của mối liên hệ. Chỉ chọn One-tailed khi hướng tác động đã được lập luận rõ từ mô hình và phương pháp nghiên cứu của bạn.
Tùy chọn Flag significant correlations có thể được giữ lại để SPSS đánh dấu các hệ số có ý nghĩa thống kê bằng dấu sao. Dấu sao giúp nhìn nhanh kết quả, nhưng bạn vẫn phải đọc giá trị Sig. (2-tailed) và số quan sát N trong bảng.
Bước 3: Chạy lệnh và lưu Output
Nhấn OK. Trong Output Viewer, tìm bảng Correlations. Nếu cần chạy lại sau khi xử lý dữ liệu, lưu từng phiên bản Output hoặc ghi nhật ký các biến đã loại. Bạn không nên chỉ giữ bảng cuối cùng mà quên lý do thay đổi dữ liệu.
Nếu muốn dùng cú pháp để tái lập phân tích, có thể mở File > New > Syntax và chạy lệnh tương ứng:
CORRELATIONS
/VARIABLES=PU_MEAN BI_MEAN
/PRINT=TWOTAIL NOSIG
/MISSING=PAIRWISE.
Cú pháp trên chỉ là mẫu. Hãy thay tên biến bằng đúng tên trong file của bạn. Tùy chọn PAIRWISE có thể khiến N thay đổi giữa các cặp biến khi dữ liệu thiếu, vì vậy cần báo cáo đúng N mà SPSS hiển thị.
Bước 4: Chạy tương quan riêng phần nếu cần kiểm soát biến
Để chạy phân tích tương quan riêng phần SPSS, chọn Analyze > Correlate > Partial. Đưa hai biến chính vào ô Variables, chẳng hạn PU_MEAN và BI_MEAN. Đưa biến kiểm soát, chẳng hạn AGE hoặc EXPERIENCE, vào ô Controlling for.
Partial correlation trả lời câu hỏi khác với Pearson: sau khi loại phần liên hệ có thể giải thích bởi biến kiểm soát, hai biến chính còn liên hệ với nhau hay không. Bạn cần ghi rõ biến nào được kiểm soát trong phương pháp và trong phần diễn giải, không gọi kết quả partial correlation là Pearson thông thường.
Đọc kết quả output
Bảng Correlations của SPSS thường có ba dòng thông tin cho mỗi cặp biến: Pearson Correlation, Sig. (2-tailed) và N. Đường chéo chính của ma trận thường bằng 1.000 vì mỗi biến tương quan hoàn hảo với chính nó. Khi đọc hai biến khác nhau, bạn lấy hệ số ở ô giao giữa hàng và cột của hai biến đó.
Bảng Correlations, số liệu minh họa
Các con số dưới đây chỉ là số liệu minh họa cho cách đọc output, không phải kết quả của một nghiên cứu thực tế.
| Cặp biến trong bảng Correlations | Pearson Correlation | Sig. (2-tailed) | N | Cách đọc minh họa |
|---|---|---|---|---|
| PU_MEAN với BI_MEAN | 0.462 | 0.001 | 198 | Liên hệ tuyến tính cùng chiều, mức độ vừa theo cách diễn giải của nghiên cứu |
| PU_MEAN với RISK_MEAN | -0.218 | 0.002 | 198 | Liên hệ ngược chiều, độ lớn tuyệt đối thấp |
| BI_MEAN với RISK_MEAN | -0.086 | 0.228 | 198 | Chưa có bằng chứng về tương quan khác 0 ở mức 5% |
Với cặp PU_MEAN và BI_MEAN, hệ số 0.462 có dấu dương nên hai biến có xu hướng tăng cùng chiều trong mẫu minh họa. Giá trị Sig. bằng 0.001 nhỏ hơn 0.05, do đó mối tương quan có ý nghĩa thống kê ở mức 5%.
Với cặp BI_MEAN và RISK_MEAN, Sig. bằng 0.228 lớn hơn 0.05. Bạn không nên viết rằng hai biến chắc chắn không liên quan trong tổng thể. Cách thận trọng hơn là nói dữ liệu mẫu chưa cung cấp đủ bằng chứng để kết luận có tương quan tuyến tính khác 0 ở mức ý nghĩa 5%.
Nếu bảng có *. Correlation is significant at the 0.05 level (2-tailed) hoặc **. Correlation is significant at the 0.01 level (2-tailed), hãy kiểm tra chú thích bên dưới bảng. Dấu sao là chỉ báo nhanh, còn con số chính để ra quyết định vẫn là Sig. (2-tailed).
Bạn có thể xem cách trình bày ma trận đầy đủ tại bài ma trận tương quan là gì. Nếu mục tiêu tiếp theo là hồi quy, đừng nhầm Pearson Correlation với R Square. Hệ số xác định là một chỉ số khác, được giải thích rõ hơn trong bài hệ số xác định là gì.
Tiêu chí đánh giá
Pearson cần được đọc cùng với hướng, độ lớn và ý nghĩa thống kê. Không có một ngưỡng duy nhất áp dụng cho mọi ngành để gọi một hệ số là mạnh hay yếu. Bảng dưới đây tập trung vào các quyết định thường có trong luận văn và ghi nguồn cho từng tiêu chí.
| Nội dung cần kiểm tra | Quy tắc sử dụng trong bài | Nguồn |
|---|---|---|
| Ý nghĩa thống kê | So sánh Sig. (2-tailed) với mức ý nghĩa bạn đã chọn, thường là 0.05 trong thiết kế nghiên cứu | (Field, 2013) |
| Diễn giải dấu của r | r > 0 là cùng chiều, r < 0 là ngược chiều; dấu không nói lên quan hệ nhân quả | (Field, 2013) |
| Kiểm tra phân phối và ngoại lệ | Xem biểu đồ phân tán và chẩn đoán dữ liệu trước khi diễn giải hệ số | (Tabachnick và Fidell, 2013) |
| Tương quan giữa các biến độc lập | Hệ số quá cao giữa các biến độc lập có thể cảnh báo trùng lặp khái niệm và đa cộng tuyến khi hồi quy | (Hair và cộng sự, 2010) |
| Chọn phương án thay thế | Khi dữ liệu thứ bậc hoặc không phù hợp với Pearson, cân nhắc Spearman theo bản chất dữ liệu | (Field, 2013) |
Khi Sig. < 0.05, bạn có thể kết luận mối tương quan có ý nghĩa thống kê ở mức 5%, với điều kiện các giả định và cách đo biến phù hợp. Khi Sig. >= 0.05, không bác bỏ giả thuyết không có tương quan tuyến tính khác 0 ở mức đã chọn. Cách viết này chính xác hơn câu “hai biến không có quan hệ” tuyệt đối.
Nếu đề tài yêu cầu kiểm tra tương quan trước hồi quy, hãy xem Pearson như bước chẩn đoán. Bạn vẫn cần kiểm tra VIF, tolerance, phần dư và các điều kiện khác trong mô hình hồi quy. Pearson không thay thế toàn bộ bước kiểm định hồi quy.
Khi dữ liệu lệch mạnh, có thứ bậc hoặc xuất hiện nhiều ngoại lệ không thể giải thích, bạn có thể tham khảo tương quan Spearman là gì. Việc đổi sang Spearman cần được giải thích theo đặc điểm dữ liệu, không nên dùng chỉ vì Pearson cho kết quả không đạt giả thuyết.
Cách viết kết quả vào luận văn
Bạn có thể viết đoạn kết quả theo cấu trúc: nêu cặp biến, báo hệ số r, báo Sig., nêu chiều và kết luận đối với giả thuyết. Không cần chép toàn bộ bảng Output Viewer vào luận văn nếu bảng đó có nhiều ô không phục vụ câu hỏi nghiên cứu.
Cách viết vào luận văn: “Kết quả phân tích tương quan Pearson cho thấy [biến X] có mối tương quan [cùng chiều/ngược chiều] với [biến Y], với hệ số r = [giá trị r] và Sig. (2-tailed) = [giá trị p], N = [cỡ mẫu]. Do [p < 0.05/p ≥ 0.05], mối tương quan [có/không có] ý nghĩa thống kê ở mức 5%. Vì vậy, giả thuyết H[ số ] được [chấp nhận/ủng hộ hoặc chưa được ủng hộ].”
Với số liệu minh họa ở trên, một câu có thể viết như sau: “Kết quả cho thấy PU_MEAN có tương quan thuận với BI_MEAN, r = 0.462, Sig. (2-tailed) = 0.001, N = 198. Mối tương quan có ý nghĩa thống kê ở mức 5%, do đó giả thuyết về mối liên hệ thuận giữa hai biến được ủng hộ trong mẫu nghiên cứu.” Đây chỉ là ví dụ cách trình bày, không phải phát hiện của nghiên cứu thật.
Nếu bạn chạy partial correlation, hãy thay cụm “phân tích tương quan Pearson” bằng “phân tích tương quan riêng phần” và ghi biến kiểm soát. Chẳng hạn: “Sau khi kiểm soát [biến kiểm soát], tương quan giữa [X] và [Y] là r = [giá trị], p = [giá trị].”
Lỗi thường gặp khi chạy phân tích tương quan Pearson
Đọc nhầm Sig. và Pearson Correlation
Một số bạn thấy 0.462 rồi ghi đó là p-value. Trong bảng Correlations, 0.462 là hệ số r, còn p-value nằm ở dòng Sig. (2-tailed). Hãy luôn ghi cả hai giá trị trong bảng kết quả hoặc đoạn văn.
Kết luận nhân quả từ tương quan
Câu “PU ảnh hưởng đến BI” cần mô hình và phân tích phù hợp hơn, chẳng hạn hồi quy hoặc mô hình cấu trúc tùy thiết kế. Với Pearson, bạn nên dùng “có tương quan”, “có mối liên hệ tuyến tính” hoặc “biến động cùng chiều” nếu đó đúng là kết quả.
Đưa mã phân loại vào Pearson
Mã 1, 2, 3 chỉ là nhãn trong nhiều trường hợp, không phải khoảng cách định lượng. Nếu bạn muốn so sánh điểm trung bình giữa các nhóm, cần chọn phân tích phù hợp với câu hỏi và kiểu biến thay vì ép mã nhóm vào Pearson.
Xóa outlier chỉ để làm p-value đẹp hơn
Hãy kiểm tra bản ghi, quy tắc làm sạch và lý do loại quan sát. Một outlier có thể là dữ liệu nhập sai, nhưng cũng có thể là một người trả lời hợp lệ. Nếu loại, bạn cần ghi lại tiêu chí và báo cáo minh bạch.
Nhầm Pearson với Spearman hoặc partial correlation
Pearson kiểm tra liên hệ tuyến tính giữa hai biến. Spearman dựa trên thứ hạng và thường phù hợp hơn khi dữ liệu không đáp ứng cách xử lý bạn đã chọn cho Pearson. Partial correlation kiểm soát một hay nhiều biến khác. Ba kết quả này không nên gọi thay thế cho nhau.
Chỉ nhìn dấu sao trong ma trận
Dấu sao phụ thuộc vào thiết lập hiển thị và chú thích của SPSS. Bạn cần đọc Sig. (2-tailed), kiểm tra N và xem lại giả thuyết ban đầu. Một hệ số nhỏ nhưng có p-value thấp do cỡ mẫu lớn vẫn cần được diễn giải về độ lớn thực tế, không chỉ về ý nghĩa thống kê.
Đọc thêm: chủ đề spss.
Câu hỏi thường gặp
Phân tích tương quan Pearson SPSS dùng để làm gì
Phân tích này dùng để đo mức độ và chiều hướng liên hệ tuyến tính giữa hai biến định lượng hoặc các điểm tổng hợp được xử lý như biến định lượng. SPSS trả về Pearson Correlation, Sig. (2-tailed) và N để bạn đánh giá hệ số và ý nghĩa thống kê.
Pearson Correlation bao nhiêu là đạt
Không có một con số duy nhất gọi là đạt cho mọi đề tài. Bạn cần xem dấu của hệ số, độ lớn tuyệt đối, p-value, cỡ mẫu và cơ sở lý thuyết. Một hệ số có p-value nhỏ vẫn có thể có độ lớn thấp, vì vậy đừng chỉ ghi “đạt” mà bỏ qua ý nghĩa thực tế.
Sig. trong tương quan Pearson bao nhiêu là có ý nghĩa
Nếu bạn chọn mức ý nghĩa 5%, Sig. (2-tailed) < 0.05 thường được dùng để kết luận mối tương quan có ý nghĩa thống kê. Nếu Sig. lớn hơn hoặc bằng 0.05, bạn chưa có đủ bằng chứng để kết luận có tương quan tuyến tính khác 0 ở mức đó.
Pearson không đạt thì phải làm sao
Trước hết, kiểm tra lại mã hóa biến, missing value, outlier và biểu đồ phân tán. Nếu dữ liệu có bản chất thứ bậc hoặc không phù hợp với Pearson, bạn có thể cân nhắc Spearman. Không nên xóa biến hoặc đổi kiểm định chỉ vì kết quả không ủng hộ giả thuyết.
Có cần chạy tương quan trước hồi quy không
Trong nhiều luận văn, Pearson được dùng để mô tả mối liên hệ sơ bộ và xem xét tương quan giữa các biến. Đây không phải điều kiện duy nhất để chạy hồi quy. Bạn vẫn phải kiểm tra các giả định và chỉ số chẩn đoán của mô hình hồi quy theo thiết kế nghiên cứu.
Mở file SPSS của bạn, ghi lại tên biến, N, Pearson Correlation và Sig. cho từng cặp giả thuyết trước khi viết bảng kết quả; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.