Biến độc lập là gì? Cách xác định và đọc biến độc lập trong SPSS
Biến độc lập là gì
Biến độc lập là biến được đưa vào mô hình để giải thích, dự đoán hoặc kiểm tra mức độ ảnh hưởng đến một biến khác. Trong một đề tài định lượng, biến độc lập thường được ký hiệu là X. Biến nhận tác động từ X thường là biến phụ thuộc, ký hiệu là Y.
Ví dụ, bạn nghiên cứu các yếu tố ảnh hưởng đến ý định mua hàng trực tuyến. Chất lượng thông tin, niềm tin và cảm nhận về giá có thể là các biến độc lập. Ý định mua hàng là biến phụ thuộc. Mô hình hồi quy có thể được viết ở dạng tổng quát:
Y = β0 + β1X1 + β2X2 + ... + βkXk + ε
Trong đó, β1, β2 và các hệ số tương ứng cho biết mức thay đổi dự kiến của biến phụ thuộc khi một biến độc lập thay đổi, trong điều kiện các biến còn lại được giữ trong mô hình. Dấu của hệ số cho biết chiều tác động, còn p-value giúp bạn đánh giá bằng chứng thống kê cho mối quan hệ đó.
Một khái niệm có thể được đo bằng một biến quan sát hoặc một thang đo gồm nhiều biến quan sát. Chẳng hạn, “niềm tin” là một biến tiềm ẩn, được đo bằng các biến quan sát TRUST1, TRUST2 và TRUST3. Khi chạy Cronbach's Alpha, EFA hoặc hồi quy, bạn cần phân biệt tên khái niệm, mã biến và vai trò của biến trong mô hình.
Ý nghĩa của biến độc lập trong nghiên cứu định lượng
Biến độc lập giúp bạn chuyển câu hỏi nghiên cứu thành một mô hình có thể kiểm định. Câu hỏi “niềm tin có ảnh hưởng đến ý định mua hàng không” sẽ được thể hiện bằng giả thuyết H1, chẳng hạn: “Niềm tin có tác động cùng chiều đến ý định mua hàng”. Khi đó, niềm tin là biến độc lập và ý định mua hàng là biến phụ thuộc.
Vai trò của biến độc lập được xác định từ mô hình lý thuyết và giả thuyết, không xác định chỉ vì một cột dữ liệu nằm bên trái hay bên phải trong file SPSS. Một biến có thể là biến độc lập trong mô hình này nhưng là biến phụ thuộc trong mô hình khác. Vì vậy, trước khi chạy dữ liệu, hãy lập bảng gồm tên khái niệm, mã biến, vai trò và giả thuyết liên quan.
Trong SPSS, biến độc lập thường xuất hiện ở ô Independent(s) khi bạn chạy hồi quy tuyến tính theo đường dẫn Analyze > Regression > Linear. Biến phụ thuộc được đưa vào ô Dependent. Phần mềm không tự biết lý thuyết của bạn đúng hay sai, nên việc đặt đúng biến vào đúng ô vẫn là trách nhiệm của bạn.
Một mô hình có thể có nhiều biến độc lập. Ví dụ, X1 là chất lượng dịch vụ, X2 là sự thuận tiện và X3 là giá trị cảm nhận. Nếu bạn đưa cả ba biến vào cùng một phương trình, hệ số của từng biến phản ánh tác động riêng của biến đó sau khi đã kiểm soát các biến còn lại.
Mô hình cũng có thể có biến kiểm soát, biến trung gian hoặc biến điều tiết. Bạn có thể xem phần giải thích riêng về biến kiểm soát là gì và biến trung gian là gì để không gộp các vai trò này thành một khái niệm.
Biến độc lập bao nhiêu là đạt
Cụm “biến độc lập bao nhiêu là tốt” thường gây nhầm lẫn. Biến độc lập không có một con số duy nhất để kết luận đạt hay không đạt. Bạn cần đánh giá biến ở nhiều lớp: chất lượng thang đo, tương quan giữa các biến, đa cộng tuyến, hệ số hồi quy và ý nghĩa thống kê của giả thuyết.
Bảng dưới đây tóm tắt các ngưỡng thường dùng. Mỗi ngưỡng chỉ áp dụng cho đúng chỉ số của nó. Bạn không thể dùng Cronbach's Alpha để kết luận một biến độc lập có tác động đến biến phụ thuộc.
| Nội dung kiểm tra | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha của thang đo | Từ 0.7 trở lên | (Nunnally, 1978) |
| Cronbach's Alpha với thang đo mới hoặc khám phá | Có thể từ 0.6 | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| KMO khi chạy EFA | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | Sig. nhỏ hơn 0.05 | (Kaiser, 1974) |
| Factor loading trong EFA | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| VIF trong hồi quy | Nhỏ hơn 5 | (Hair và cộng sự, 2019) |
| p-value của hệ số hồi quy | Thường nhỏ hơn 0.05 khi kiểm định ở mức 5% | (Field, 2013) |
| Durbin-Watson | Trong khoảng 1 đến 3 | (Field, 2013) |
Ở bước đo lường, bạn kiểm tra các biến quan sát tạo nên thang đo độc lập. Chẳng hạn, thang đo “chất lượng dịch vụ” có Alpha đạt 0.82, nhưng một biến quan sát có Corrected Item-Total Correlation bằng 0.18. Biến quan sát đó cần được xem xét, không thể kết luận toàn bộ biến độc lập là không đạt.
Ở bước hồi quy, bạn đọc Coefficients. Một biến độc lập có hệ số dương và p-value nhỏ hơn ngưỡng lựa chọn có thể ủng hộ giả thuyết tác động cùng chiều. Nếu p-value lớn, bạn cần báo cáo rằng chưa có đủ bằng chứng thống kê để ủng hộ giả thuyết, thay vì viết biến đó “không tồn tại”.
Cách đọc biến độc lập trên output SPSS
Giả sử bạn chạy hồi quy với biến phụ thuộc là INTENTION, ba biến độc lập là TRUST, PRICE và SERVICE. Đường dẫn là Analyze > Regression > Linear. Đưa INTENTION vào Dependent, đưa ba biến còn lại vào Independent(s), chọn phương pháp Enter, sau đó kiểm tra các bảng Model Summary, ANOVA và Coefficients.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
| Coefficients | B | Std. Error | Beta | t | Sig. | VIF |
|---|---|---|---|---|---|---|
| (Constant) | 0.842 | 0.291 | 2.893 | 0.005 | ||
| TRUST | 0.416 | 0.082 | 0.421 | 5.073 | 0.000 | 1.684 |
| PRICE | 0.128 | 0.061 | 0.139 | 2.098 | 0.038 | 1.522 |
| SERVICE | 0.074 | 0.069 | 0.071 | 1.072 | 0.286 | 1.793 |
Ở dòng TRUST, cột B bằng 0.416 cho biết khi TRUST tăng một đơn vị, INTENTION dự kiến tăng 0.416 đơn vị, trong điều kiện PRICE và SERVICE vẫn nằm trong mô hình. Cột Beta là hệ số chuẩn hóa, phù hợp hơn khi bạn muốn so sánh tương đối độ mạnh giữa các biến độc lập có thang đo khác nhau.
Cột Sig. của TRUST bằng 0.000 trên output SPSS nên được viết là p < 0.001, không nên viết p bằng 0. PRICE có Sig. bằng 0.038, có thể được xem là có ý nghĩa ở mức 5%. SERVICE có Sig. bằng 0.286, nên trong ví dụ này chưa có bằng chứng thống kê để ủng hộ tác động của SERVICE.
Cột VIF giúp kiểm tra đa cộng tuyến. Trong bảng minh họa, các VIF đều nhỏ hơn 5, phù hợp với ngưỡng được nêu bởi (Hair và cộng sự, 2019). Bạn vẫn cần đọc Model Summary để xem R Square, Adjusted R Square và Durbin-Watson, rồi đọc ANOVA để đánh giá sự phù hợp tổng thể của mô hình.
Nếu dùng SmartPLS, tên bảng sẽ khác. Bạn thường xem Path Coefficients, Outer Loadings, Construct Reliability and Validity, Discriminant Validity và kết quả Bootstrapping. Các chỉ số như R², outer loading, CR, AVE và HTMT thuộc nhóm đánh giá PLS-SEM, không nên trộn với CFI, TLI hoặc RMSEA của CB-SEM.
Khi biến độc lập không đạt thì xử lý thế nào
Bạn xử lý theo thứ tự từ lỗi dữ liệu đến lỗi mô hình, không xóa biến chỉ vì p-value chưa đẹp.
Kiểm tra mã hóa và dữ liệu gốc
Mở Variable View và Data View để kiểm tra kiểu dữ liệu, nhãn giá trị, missing value và các biến đảo chiều. Một biến quan sát được nhập ngược chiều có thể làm Alpha giảm và tạo ra factor loading bất thường. Nếu bảng hỏi có thang đo 1 đến 5 và một phát biểu mang nghĩa phủ định, bạn phải xác định quy tắc đảo chiều trước khi tính điểm thang đo.
Kiểm tra từng biến quan sát trong thang đo
Chạy Analyze > Scale > Reliability Analysis. Đưa các biến quan sát của cùng một khái niệm vào ô Items, chọn Model: Alpha, rồi trong Statistics tích Item, Scale và Scale if item deleted. Đọc Item-Total Statistics để xem Corrected Item-Total Correlation và Alpha if Item Deleted.
Nếu một biến có tương quan biến tổng thấp, hãy đối chiếu nội dung và dữ liệu trước khi loại. Bạn cần ghi lại lý do loại, vòng chạy và số biến còn lại. Loại liên tiếp nhiều biến để ép Alpha tăng có thể làm thang đo mất nội dung quan trọng.
Kiểm tra EFA và đa cộng tuyến
Trong EFA, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Nếu biến tải lên nhiều nhân tố hoặc loading thấp, hãy xem lại cấu trúc thang đo và cơ sở lý thuyết. EFA hiếm khi ra hoàn toàn đẹp ở lần chạy đầu, nhưng mọi quyết định loại biến phải có lý do phương pháp.
Nếu hồi quy có VIF cao, kiểm tra các biến độc lập có đang đo gần như cùng một nội dung hay không. Bạn có thể xem xét cách tính thang đo, mô hình lý thuyết hoặc phương án gộp biến khi có căn cứ. Không nên xóa biến chỉ để VIF giảm mà không giải trình.
Phân biệt biến độc lập với biến phụ thuộc, trung gian và điều tiết
Biến phụ thuộc là gì thường được hỏi cùng với biến độc lập. Biến phụ thuộc là kết quả mà mô hình muốn giải thích, chẳng hạn ý định mua hàng, sự hài lòng hoặc hiệu quả công việc. Câu hỏi “biến phụ thuộc bao nhiêu là tốt” cũng cần được hiểu theo chất lượng thang đo và kết quả mô hình, không phải một giá trị trung bình cố định.
Biến trung gian nằm trên cơ chế truyền tác động. Ví dụ, chất lượng dịch vụ tác động đến sự hài lòng, rồi sự hài lòng tác động đến ý định mua hàng. Khi đó, sự hài lòng có thể là mediator. Bạn có thể xem hướng dẫn bootstrap trung gian trong SPSS hoặc phân tích Sobel Test SPSS nếu mô hình của bạn có tác động gián tiếp.
Biến điều tiết làm thay đổi độ mạnh hoặc chiều của mối quan hệ giữa biến độc lập và biến phụ thuộc. Ví dụ, tác động của niềm tin đến ý định mua hàng có thể khác nhau theo mức độ kinh nghiệm mua sắm. Khi kiểm định moderation trong SPSS, bạn thường cần tạo biến tương tác hoặc dùng PROCESS Macro. PROCESS Macro là gì sẽ giúp bạn phân biệt quy trình này với mediation.
Biến kiểm soát được đưa vào để loại bỏ hoặc hạn chế ảnh hưởng của một số đặc điểm như tuổi, giới tính, thu nhập hoặc kinh nghiệm. Nó không tự động trở thành biến độc lập chính của đề tài. Trong bảng kết quả, bạn nên ghi rõ nhóm biến chính, biến kiểm soát và thứ tự đưa vào mô hình.
Lỗi thường gặp
Lỗi đầu tiên là lấy vị trí cột trong file làm căn cứ xác định vai trò. SPSS chỉ xử lý lệnh bạn đưa vào. Hãy quay lại sơ đồ mô hình và danh sách giả thuyết trước khi chọn Dependent và Independent(s).
Lỗi thứ hai là dùng trung bình của các biến độc lập để kết luận biến nào tác động mạnh hơn mà không chạy hồi quy. Điểm trung bình mô tả mức trả lời, còn hệ số Beta trong Coefficients phục vụ so sánh tương đối trong mô hình hồi quy.
Lỗi thứ ba là đồng nhất Alpha cao với tác động mạnh. Alpha nói về độ nhất quán nội tại của thang đo. Nó không chứng minh biến độc lập ảnh hưởng đến biến phụ thuộc.
Lỗi thứ tư là viết Sig. = 0.000. Cách trình bày phù hợp là p < 0.001. Bạn cũng cần báo cáo hệ số B hoặc Beta, chiều tác động và kết luận đối với giả thuyết.
Lỗi cuối là loại biến sau nhiều lần chạy nhưng không lưu phiên bản dữ liệu. Hãy lưu file theo từng vòng, chẳng hạn efa_v1.sav, efa_v2.sav và ghi nhật ký quyết định. Khi giảng viên hỏi vì sao một biến bị loại, bạn có thể mở lại đúng bảng output.
Câu hỏi thường gặp
Biến độc lập bao nhiêu là tốt?
Không có số điểm trung bình cố định để kết luận một biến độc lập là tốt. Bạn cần đánh giá thang đo bằng Alpha, Corrected Item-Total Correlation, EFA hoặc mô hình đo lường phù hợp, sau đó đánh giá hệ số hồi quy, p-value và đa cộng tuyến.
Nếu bạn hỏi về số lượng biến độc lập, số lượng phải xuất phát từ mô hình lý thuyết, câu hỏi nghiên cứu và cỡ mẫu. Đưa quá nhiều biến vào một mô hình có thể làm kết quả khó giải thích và tăng rủi ro đa cộng tuyến.
Biến độc lập trong SPSS nằm ở đâu?
Khi chạy hồi quy tuyến tính, biến độc lập được đưa vào ô Independent(s) trong Analyze > Regression > Linear. Biến phụ thuộc được đưa vào ô Dependent. Khi chạy tương quan, SPSS không phân biệt vai trò độc lập và phụ thuộc, vì tương quan chỉ mô tả mức liên hệ giữa các biến.
Biến phụ thuộc bao nhiêu là tốt?
Biến phụ thuộc cũng không có một mức trung bình duy nhất để gọi là tốt. Nếu biến phụ thuộc là thang đo nhiều biến quan sát, bạn kiểm tra độ tin cậy và giá trị của thang đo. Trong hồi quy, bạn xem thêm R², kiểm định F, phần dư và các giả định liên quan.
Biến trung gian trong SPSS khác biến độc lập thế nào?
Biến trung gian giải thích cơ chế mà biến độc lập tác động đến biến phụ thuộc. Nó thường xuất hiện trong hai hoặc nhiều đường dẫn, chẳng hạn X tác động đến M và M tác động đến Y. Vì vậy, M có vai trò khác X dù cả hai đều có thể được đưa vào phương trình hồi quy.
Biến điều tiết trong SPSS kiểm định ra sao?
Biến điều tiết làm thay đổi mức độ hoặc chiều tác động của X lên Y. Dấu hiệu quan trọng là hệ số của biến tương tác giữa X và biến điều tiết. Bạn có thể dùng hồi quy phân cấp hoặc PROCESS Macro, tùy thiết kế mô hình và hướng dẫn của giảng viên.
Bạn hãy mở lại sơ đồ mô hình, lập bảng vai trò của từng biến, sau đó kiểm tra lần lượt Reliability Statistics, Rotated Component Matrix và Coefficients trong file của mình. Nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.