Biến đại diện là gì? Cách chọn và xử lý trong SPSS

Biến đại diện là gì

Biến đại diện là biến được dùng để phản ánh một khái niệm, đặc điểm hoặc đối tượng mà bạn muốn đo lường trong nghiên cứu định lượng. Trong bảng dữ liệu, biến này thường xuất hiện dưới dạng một cột có mã như PU1, PU2, GIOITINH, TUOI hoặc YDINH. Mỗi dòng là một người trả lời, còn giá trị trong ô là câu trả lời hoặc giá trị đã được mã hóa.

Có hai cách dùng cụm từ “biến đại diện” mà bạn cần tách ra khi đọc đề cương. Thứ nhất, một biến quan sát có thể đại diện cho một khía cạnh của biến tiềm ẩn, chẳng hạn PU1 đại diện cho nhận thức hữu ích trong thang đo TAM. Thứ hai, một biến tổng hợp có thể được tạo bằng cách lấy trung bình nhiều biến quan sát, chẳng hạn PU = MEAN(PU1, PU2, PU3, PU4), rồi dùng PU trong hồi quy.

Vì vậy, biến đại diện không phải là một loại thang đo có ngưỡng đạt riêng. Bạn cần xem nó đang đại diện cho khái niệm nào, được đo bằng một biến quan sát hay một biến tổng hợp, và được dùng ở bước nào của phân tích. Trước khi chạy SPSS, bạn nên kiểm tra lại mã hóa biến là gì để tên biến, nhãn giá trị và cách nhập dữ liệu thống nhất.

Ý nghĩa của biến đại diện trong nghiên cứu định lượng

Trong bảng hỏi, một khái niệm như “sự hài lòng”, “ý định mua” hoặc “chất lượng dịch vụ” thường khó đo bằng một câu duy nhất. Bạn tách khái niệm thành nhiều biến quan sát. Mỗi biến quan sát là một chỉ báo cụ thể, còn nhóm biến quan sát cùng đo một khái niệm được gọi là thang đo.

Ví dụ, với khái niệm sự hài lòng, bạn có thể dùng các biến HL1, HL2, HL3 và HL4. Sau khi kiểm tra độ tin cậy bằng Cronbach's Alpha và giá trị thang đo bằng EFA, bạn có thể tính điểm trung bình để tạo biến đại diện HL. Biến HL sau đó được đưa vào bảng Correlations, bảng Model Summary, bảng ANOVA hoặc bảng Coefficients khi chạy hồi quy.

Cách làm này giúp mô hình gọn hơn. Nếu đưa toàn bộ biến quan sát vào hồi quy, các biến cùng thuộc một khái niệm có thể tương quan cao và làm kết quả khó đọc. Biến tổng hợp cũng giúp bạn kiểm định giả thuyết ở cấp độ khái niệm thay vì chỉ kết luận từ một câu trong bảng hỏi.

Tuy nhiên, việc chọn một biến đại diện duy nhất không thể chỉ dựa vào cảm giác. Nếu bạn chọn HL2 vì nó có giá trị trung bình cao nhất, bạn chưa chứng minh được HL2 đại diện tốt nhất cho toàn bộ khái niệm. Quyết định nên dựa trên cơ sở lý thuyết, nội dung của biến quan sát và kết quả kiểm định thang đo.

Bạn cũng cần phân biệt biến đại diện với biến kiểm soát. Tuổi, giới tính, thu nhập hoặc trình độ học vấn có thể được đưa vào mô hình để kiểm soát khác biệt giữa các nhóm. Chúng không tự động là biến đại diện cho một biến tiềm ẩn. Với biến phân loại, bạn có thể xem thêm thang đo định danh là gì để biết cách mã hóa trước khi phân tích.

Biến đại diện bao nhiêu là đạt

Câu hỏi “biến đại diện bao nhiêu là tốt” thường đang trộn lẫn ba vấn đề: giá trị của biến sau khi tính trung bình, chất lượng của các biến quan sát, và tiêu chí của mô hình phân tích. Giá trị trung bình của một biến đại diện không có mốc 0.7 hay 0.5 để kết luận đạt. Những ngưỡng quen thuộc áp dụng cho Cronbach's Alpha, factor loading, KMO, AVE hoặc chỉ số khác, tùy đúng bước kiểm định.

Nếu biến đại diện được tạo từ thang đo Likert, giá trị của nó thường nằm trong cùng khoảng với thang đo gốc. Với thang đo 1 đến 5, biến trung bình của HL1 đến HL4 thường nằm từ 1 đến 5. Điểm cao hơn cho thấy mức đồng ý trung bình cao hơn, nhưng việc cao hay thấp có ý nghĩa nội dung phải dựa vào cách bạn viết câu hỏi. Bạn có thể xem thêm hướng dẫn về thang đo Likert trước khi tính điểm tổng hợp.

Bảng dưới đây tách các chỉ số thường bị gọi nhầm là “độ đạt của biến đại diện”. Mỗi hàng có nguồn riêng để bạn không chép một ngưỡng sang sai bước.

Bảng này không có nghĩa biến HL chỉ đạt khi giá trị trung bình từ 3.5 trở lên. Mốc 3.5 đôi khi được dùng để mô tả mức đánh giá trên thang Likert, nhưng đó là quy ước diễn giải của đề tài, không phải tiêu chí chứng minh độ tin cậy hay giá trị của biến đại diện.

Cách đọc biến đại diện trên output

Trong SPSS, bạn thường tạo biến đại diện sau khi đã kiểm tra thang đo. Vào Analyze > Scale > Reliability Analysis để chạy Cronbach's Alpha. Trong hộp thoại, đưa các biến quan sát cùng một khái niệm vào ô Items. Chọn Statistics, đánh dấu Scale if item deleted, rồi đọc các bảng Reliability Statistics và Item-Total Statistics.

Nếu các biến quan sát đạt tiêu chí và không có lý do lý thuyết để loại biến, vào Transform > Compute Variable. Đặt tên biến mới, chẳng hạn HL, rồi nhập công thức MEAN(HL1, HL2, HL3, HL4). Dùng MEAN giúp SPSS tính trung bình khi một người trả lời thiếu một phần dữ liệu, nhưng bạn vẫn phải quy định trước số lượng câu trả lời tối thiểu được chấp nhận. Nếu muốn chỉ tính khi đủ cả bốn biến, có thể dùng công thức phù hợp với quy tắc làm sạch dữ liệu của đề tài.

Sau đó, vào Analyze > Descriptive Statistics > Descriptives để kiểm tra biến mới. Bảng Descriptive Statistics cho biết số quan sát hợp lệ, giá trị nhỏ nhất, lớn nhất, trung bình và độ lệch chuẩn. Bảng này không cho biết biến đại diện có “đạt” hay không, mà giúp bạn phát hiện công thức sai, giá trị ngoài khoảng hoặc số lượng dữ liệu bị thiếu.

Số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo cách bạn có thể gặp trong output SPSS sau khi chạy Descriptives.

Nếu bảng Descriptive Statistics của bạn cho thấy Minimum = 0 trong thang đo 1 đến 5, hãy kiểm tra mã thiếu và cách nhập dữ liệu. Nếu Maximum = 55, có thể bạn đã cộng điểm nhưng lại diễn giải như điểm trung bình. Nếu biến đại diện được tạo từ bốn biến Likert 1 đến 5 bằng MEAN, khoảng hợp lý thường vẫn là 1 đến 5.

Trong output Item-Total Statistics, cột Corrected Item-Total Correlation cho biết từng biến quan sát liên hệ thế nào với tổng thang đo đã hiệu chỉnh. Cột Cronbach's Alpha if Item Deleted cho biết Alpha thay đổi ra sao nếu loại biến đó. Bạn cần đọc cả hai cột cùng với nội dung câu hỏi, không xóa biến chỉ vì một con số làm Alpha tăng.

Nếu dùng SmartPLS, bạn sẽ không tạo biến trung bình theo đúng quy trình hồi quy SPSS. SmartPLS đánh giá trực tiếp mô hình đo lường qua Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Khi đó, biến đại diện ở cấp khái niệm thường là biến tiềm ẩn, còn các biến quan sát nằm dưới construct trong mô hình.

Khi biến đại diện không đạt thì xử lý thế nào

Trước hết, xác định “không đạt” đang nói đến chỉ số nào. Alpha thấp, Corrected Item-Total Correlation thấp, factor loading thấp, nhiều dữ liệu thiếu và giá trị ngoài khoảng là các tình huống khác nhau. Không nên xử lý tất cả bằng cách xóa ngay biến có con số thấp nhất.

Kiểm tra nhập liệu và mã hóa

Mở Variable View để kiểm tra Type, Decimals, Label, Values và Missing. Một biến Likert bị nhập thành chuỗi, một mã 99 chưa khai báo là missing, hoặc một biến đảo ngược chưa đổi điểm đều có thể làm thang đo giảm chất lượng. Bạn có thể đọc thêm biến đảo ngược là gì để kiểm tra quy tắc mã hóa trước khi chạy lại.

Kiểm tra biến đảo ngược

Với thang đo 1 đến 5, biến đảo ngược thường được đổi theo công thức 6 - biến_gốc. Với thang đo 1 đến 7, công thức tương ứng là 8 - biến_gốc. Vào Transform > Compute Variable, tạo tên mới như HL3_R, không ghi đè ngay lên biến gốc. Cách giữ biến gốc giúp bạn truy lại dữ liệu nếu công thức sai.

Cụm “biến đảo ngược bao nhiêu là tốt” cũng dễ gây hiểu nhầm. Biến đảo ngược không có mức Alpha riêng. Nó phải được mã hóa sao cho hướng điểm phù hợp với các biến còn lại. Sau khi đổi chiều, bạn chạy lại Cronbach's Alpha và ghi rõ trong chương phương pháp biến nào được reverse-code.

Xem xét loại biến có căn cứ

Nếu Corrected Item-Total Correlation thấp, đọc lại nội dung biến và xem Cronbach's Alpha if Item Deleted. Chỉ loại biến khi có lý do về nội dung, thiết kế bảng hỏi hoặc kết quả thống kê nhất quán. Bạn nên lưu từng phiên bản dữ liệu, chẳng hạn data_raw, data_clean_v1 và data_clean_v2, để giải trình số biến thay đổi.

Nếu EFA cho factor loading thấp hoặc một biến tải lên hai nhân tố, xem xét ma trận xoay, số nhân tố và ý nghĩa lý thuyết. EFA hiếm khi ra đẹp ở lần chạy đầu. Loại biến, chạy lại và ghi lại từng vòng loại là chuyện bình thường, nhưng việc loại quá nhiều biến để ép bảng đẹp sẽ khiến thang đo khó bảo vệ.

Tạo lại biến đại diện sau khi chốt thang đo

Sau khi chốt danh sách biến quan sát, bạn phải chạy lại Transform > Compute Variable. Không dùng biến trung bình được tạo trước khi loại một biến, vì công thức cũ có thể vẫn chứa biến không còn thuộc thang đo. Ghi công thức cuối cùng vào sổ phân tích để đối chiếu với file .sav.

Phân biệt biến đại diện với biến dễ nhầm

Biến đại diện, biến quan sát và biến tiềm ẩn liên quan với nhau nhưng không đồng nghĩa. Biến quan sát là cột dữ liệu thu được trực tiếp từ một mục trong bảng hỏi. Biến tiềm ẩn là khái niệm cần nhiều chỉ báo để đo. Biến tổng hợp là cột được tính từ một hoặc nhiều biến quan sát, thường bằng trung bình hoặc tổng điểm.

Biến đảo ngược là biến có hướng diễn đạt ngược với các biến còn lại. Nó không phải một loại biến đại diện riêng. Sau khi reverse-code, biến đảo ngược có thể trở thành một biến quan sát bình thường trong thang đo.

Biến định tính là gì? Đây là biến mô tả nhóm hoặc thuộc tính, như giới tính, khu vực, tình trạng hôn nhân hoặc loại khách hàng. Biến định tính bao nhiêu là tốt không có câu trả lời theo kiểu lớn hơn 0.5. Bạn cần xem nhóm có được mã hóa rõ, có đủ quan sát và có phù hợp với mục tiêu phân tích hay không. Khi chạy hồi quy, biến định tính có nhiều nhóm thường phải chuyển thành biến giả.

Biến định lượng là gì? Đây là biến biểu thị số lượng hoặc mức độ có thể tính toán, như tuổi, thu nhập, số lần mua hoặc điểm trung bình thang đo. Một biến Likert đơn lẻ có thể được xử lý theo quy ước của nghiên cứu, còn biến tổng hợp từ nhiều mục thường được đưa vào phân tích như một biến định lượng. Với các thang đo đo khoảng hoặc tỷ lệ, bạn có thể xem thang đo tỷ lệ là gì để tránh nhầm giữa loại dữ liệu và vai trò của biến trong mô hình.

Lỗi thường gặp

Lỗi đầu tiên là dùng điểm của một câu hỏi làm biến đại diện cho cả khái niệm mà không giải thích lý do. Nếu mô hình lý thuyết yêu cầu thang đo nhiều biến, bạn cần kiểm định nhóm biến trước khi tính điểm đại diện.

Lỗi thứ hai là đặt ngưỡng cho điểm trung bình, chẳng hạn kết luận HL = 3.74 đạt vì lớn hơn 3.5. Điểm trung bình dùng để mô tả mức đánh giá. Cronbach's Alpha, Corrected Item-Total Correlation, factor loading hoặc AVE mới là các chỉ số liên quan đến chất lượng đo lường.

Lỗi thứ ba là xử lý biến đảo ngược trực tiếp trên bảng dữ liệu mà không lưu bản gốc. Khi phát hiện sai, bạn sẽ khó biết giá trị nào là dữ liệu người trả lời và giá trị nào là giá trị đã biến đổi. Hãy tạo biến mới có hậu tố _R và ghi công thức.

Lỗi thứ tư là đặt tên biến không nhất quán giữa bảng hỏi, file SPSS và chương 3. Dùng một bảng mã gồm mã biến, nội dung, thang đo, cách mã hóa và công thức biến tổng hợp. Điều này cũng giúp bạn phân biệt biến định tính, biến định lượng và biến đại diện trước khi chạy mô hình.

Đọc thêm: chủ đề khao sat.

Câu hỏi thường gặp

Biến đại diện có bắt buộc phải là giá trị trung bình không

Không. Bạn có thể dùng một biến quan sát làm chỉ báo đại diện trong một số thiết kế, hoặc dùng tổng điểm, điểm trung bình và điểm nhân tố tùy phương pháp. Với thang đo nhiều biến, điểm trung bình thường dễ diễn giải vì vẫn giữ nguyên khoảng điểm của Likert, nhưng lựa chọn cuối cùng phải phù hợp với mô hình và cách báo cáo.

Biến đại diện bao nhiêu là tốt

Không có một mức điểm chung áp dụng cho mọi biến đại diện. Với biến tổng hợp từ thang Likert 1 đến 5, hãy kiểm tra biến có nằm trong khoảng hợp lý, có đủ dữ liệu và có phân phối phù hợp với phân tích hay không. Chất lượng thang đo được xem qua Alpha, Corrected Item-Total Correlation, factor loading hoặc các chỉ số PLS-SEM tương ứng.

Biến đảo ngược trong SPSS làm như thế nào

Vào Transform > Compute Variable, tạo một biến mới theo công thức 6 - biến_gốc nếu thang đo có năm mức, hoặc 8 - biến_gốc nếu có bảy mức. Kiểm tra lại giá trị nhỏ nhất và lớn nhất, sau đó dùng biến mới trong Cronbach's Alpha và EFA. Đừng dùng cả biến gốc lẫn biến đã đảo chiều trong cùng một thang đo.

Biến định tính trong SPSS có cần đổi thành số không

Thông thường có. Bạn có thể mã hóa nam là 1, nữ là 2, nhưng cần khai báo nhãn giá trị trong Variable View. Mã số chỉ là nhãn nhóm, không có nghĩa 2 lớn hơn 1. Nếu đưa biến định tính vào hồi quy, hãy xem số nhóm và tạo biến giả đúng quy tắc, thay vì dùng mã 1, 2, 3 như một biến định lượng liên tục.

Có nên xóa biến đại diện nếu Alpha thấp không

Không xóa ngay biến tổng hợp. Hãy quay lại các biến quan sát cấu thành nó, đọc Item-Total Statistics, kiểm tra biến đảo ngược, mã thiếu và nội dung câu hỏi. Nếu phải loại một biến, ghi rõ căn cứ và chạy lại công thức biến đại diện từ danh sách cuối cùng.

Bạn hãy mở lại file dữ liệu, lập bảng mã cho từng biến, kiểm tra các biến đảo ngược rồi chạy Descriptives cho biến đại diện sau cùng. Nếu cần hỗ trợ chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis thực hiện bước này mà không bịa số liệu.