Cỡ mẫu trong SPSS là gì và bao nhiêu là đủ

Khảo sát·8 tháng 9, 2026·14 phút đọc

Cỡ mẫu trong SPSS là gì

Cỡ mẫu trong SPSS là số dòng dữ liệu hợp lệ được đưa vào phân tích, thường tương ứng với số người trả lời bảng hỏi sau khi bạn đã loại các phiếu thiếu nhiều thông tin, trả lời một mẫu hoặc không đạt câu hỏi sàng lọc. SPSS không tự quyết định bạn cần bao nhiêu người. Phần mềm chỉ cho biết có bao nhiêu quan sát được dùng trong từng phép phân tích qua các bảng như Case Processing Summary, Descriptive Statistics, Model Summary hoặc ANOVA.

Bạn cần phân biệt ba con số: cỡ mẫu dự kiến trước khi phát bảng hỏi, số phiếu thu về và cỡ mẫu hợp lệ sau khi làm sạch. Ví dụ, bạn phát 350 bảng hỏi, nhận 286 phản hồi và còn 274 dòng hợp lệ. Khi chạy hồi quy, cỡ mẫu thực tế của mô hình là 274, không phải 350.

Cách xác định cỡ mẫu phụ thuộc vào mục tiêu nghiên cứu. Với hồi quy, bạn quan tâm đến số biến độc lập. Với EFA, bạn quan tâm đến số biến quan sát và cấu trúc nhân tố. Với khảo sát một tổng thể hữu hạn, bạn có thể dùng công thức có quy mô tổng thể. Bạn có thể xem phần giải thích nền tảng tại cỡ mẫu là gì, sau đó đối chiếu với mục tiêu phân tích trong file SPSS của mình.

Ý nghĩa của cỡ mẫu trong nghiên cứu định lượng

Cỡ mẫu quyết định mức độ ổn định của các ước lượng. Khi số quan sát quá ít, hệ số tương quan, hệ số hồi quy, Cronbach's Alpha hoặc kết quả EFA có thể thay đổi mạnh nếu thêm hoặc bớt một vài phiếu. Khi cỡ mẫu đủ, kết quả có cơ sở tốt hơn để đại diện cho nhóm đối tượng mà đề tài đang nghiên cứu, trong phạm vi thiết kế mẫu của bạn.

Cỡ mẫu cũng ảnh hưởng đến khả năng phát hiện mối quan hệ trong mô hình. Một tác động thực sự nhưng nhỏ có thể không đạt ý nghĩa thống kê nếu mẫu quá nhỏ. Ngược lại, mẫu rất lớn có thể khiến một tác động rất nhỏ cũng có p-value thấp. Vì vậy, không nên viết rằng cứ nhiều mẫu hơn thì mọi kết quả đều tốt hơn. Bạn vẫn phải kiểm tra chất lượng bảng hỏi, cách chọn mẫu, dữ liệu thiếu và outlier.

Trong SPSS, cỡ mẫu có thể khác giữa các bảng. Descriptive Statistics có thể hiển thị N = 274, nhưng một phân tích dùng phương pháp loại theo từng cặp hoặc có biến bị thiếu có thể cho N khác. Khi viết chương 4, bạn cần ghi rõ bảng phân tích nào dùng bao nhiêu quan sát và lý do chênh lệch nếu có.

Nếu đang thiết kế khảo sát, hãy xem thêm tính cỡ mẫu và phương pháp chọn mẫu. Hai quyết định này đi cùng nhau. Một con số mẫu lớn nhưng lấy từ một nhóm thuận tiện quá hẹp vẫn không tự động tạo ra tính đại diện.

Cỡ mẫu tối thiểu trong SPSS bao nhiêu là đạt

Không có một ngưỡng duy nhất áp dụng cho mọi phân tích. Cỡ mẫu tối thiểu bao nhiêu là tốt phụ thuộc vào số biến, số nhóm, số biến độc lập, độ phức tạp của mô hình và cách chọn mẫu. Bảng dưới đây là các mốc thường được dùng trong luận văn định lượng. Mỗi mốc cần được đặt cạnh đúng nguồn, không nên trình bày như quy luật tuyệt đối.

Mục tiêu hoặc cách kiểm tra	Mốc tham khảo	Nguồn
Cronbach's Alpha cho thang đo thông thường	Alpha từ 0.70 trở lên	(Nunnally, 1978)
Thang đo mới hoặc nghiên cứu khám phá	Alpha từ 0.60 có thể chấp nhận	(Hair và cộng sự, 2010)
Số quan sát trên mỗi biến quan sát	5 đến 10 quan sát cho một biến	(Hair và cộng sự, 2010)
EFA, đánh giá mức độ đầy đủ của mẫu	KMO từ 0.50 trở lên	(Kaiser, 1974)
EFA, kích thước mẫu theo mức độ phù hợp	100 là kém, 200 là khá, 300 là tốt, 500 là rất tốt	(Comrey và Lee, 1992)
Hồi quy tuyến tính với m biến độc lập	n từ 50 + 8m trở lên	(Tabachnick và Fidell, 2013)
Công thức theo tổng thể hữu hạn	Tính theo quy mô tổng thể và sai số chọn mẫu	(Yamane, 1967)

Ví dụ, bảng hỏi của bạn có 30 biến quan sát. Quy tắc 5 đến 10 quan sát cho mỗi biến gợi ý khoảng 150 đến 300 phản hồi hợp lệ, theo (Hair và cộng sự, 2010). Nếu mô hình hồi quy có 6 biến độc lập, công thức 50 + 8m cho kết quả 98 quan sát tối thiểu, theo (Tabachnick và Fidell, 2013). Hai cách tính cho ra hai mốc khác nhau vì chúng phục vụ hai mục tiêu khác nhau.

Khi đề tài có cả EFA và hồi quy, bạn thường nên xem mốc cao hơn trong các tiêu chí phù hợp, thay vì chỉ lấy mốc thấp nhất. Nếu có 30 biến quan sát và muốn EFA, 150 có thể là mức bắt đầu theo tỷ lệ biến, nhưng 200 hoặc cao hơn thường giúp kết quả ổn định hơn theo các mức tham khảo của (Comrey và Lee, 1992). Đây là căn cứ thiết kế, không phải lời hứa rằng dữ liệu của bạn chắc chắn đạt cấu trúc nhân tố.

Cỡ mẫu của mẫu số liệu trong SPSS cũng cần được phân biệt với cỡ mẫu lý thuyết. Bạn có thể đọc thêm cỡ mẫu của mẫu số liệu là gì để tránh dùng nhầm N tổng thể, N phản hồi và N hợp lệ.

Cách đọc cỡ mẫu trên output SPSS

Mở file .sav, chọn Analyze > Descriptive Statistics > Frequencies, đưa một biến chính vào ô Variable(s), rồi bấm OK. Trong bảng Statistics, dòng N cho biết số quan sát hợp lệ và số quan sát thiếu của biến đó. Đây là cách kiểm tra nhanh trước khi chạy Cronbach's Alpha, EFA hoặc hồi quy.

Khi chạy hồi quy, vào Analyze > Regression > Linear. Đưa biến phụ thuộc vào Dependent, các biến độc lập vào Independent(s), rồi bấm OK. Trong bảng Model Summary, cột N không xuất hiện trực tiếp. Bạn đọc số quan sát trong bảng Descriptive Statistics hoặc bảng Casewise Diagnostics, đồng thời xem số dòng hợp lệ trong ANOVA và Coefficients để phát hiện dữ liệu bị loại.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên bảng và cột được trình bày theo dạng SPSS thường xuất ra.

Bảng SPSS	Chỉ số hoặc dòng cần đọc	Số liệu minh họa	Cách hiểu
Case Processing Summary	Valid N	274	Có 274 quan sát hợp lệ trong thủ tục đang chạy
Case Processing Summary	Missing N	12	Có 12 quan sát bị thiếu ít nhất một biến liên quan
Descriptive Statistics	N của biến phụ thuộc	274	Biến phụ thuộc có 274 giá trị được dùng
Model Summary	R Square	0.486	Tỷ lệ phương sai được mô hình giải thích, không phải cỡ mẫu
ANOVA	Sig.	0.000	p-value minh họa của kiểm định toàn mô hình
Coefficients	N trong dữ liệu phân tích	274	Đọc cùng các bảng khác để xác nhận số dòng thực tế

Nếu một biến có 286 giá trị hợp lệ nhưng mô hình hồi quy chỉ còn 274, nguyên nhân thường là 12 dòng bị thiếu ở một biến trong mô hình. SPSS có thể loại toàn bộ dòng đó theo cách xử lý missing đang được chọn. Bạn không nên lấy N lớn nhất trong file để ghi cho mọi phân tích.

Sau EFA, hãy kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Những bảng này đánh giá khả năng phân tích nhân tố và cấu trúc biến, còn N là số quan sát được đưa vào EFA. Sau Cronbach's Alpha, bảng Reliability Statistics hiển thị số biến trong thang đo, không phải số người trả lời. Đây là lỗi đọc output khá phổ biến.

Khi cỡ mẫu không đạt thì xử lý thế nào

Trước tiên, xác nhận bạn đang so với đúng tiêu chí. Nếu bạn có 180 quan sát, 20 biến quan sát và đang chạy EFA, tỷ lệ 9 quan sát trên một biến có thể đáp ứng mốc tham khảo theo (Hair và cộng sự, 2010), dù một giảng viên có thể yêu cầu mốc cao hơn. Nếu hồi quy có 15 biến độc lập, công thức 50 + 8m cho ra 170, vì vậy 180 cần được xem cùng chất lượng dữ liệu và mục tiêu nghiên cứu.

Nếu số phiếu hợp lệ thấp, xử lý theo thứ tự sau:

Kiểm tra lại tiêu chí và phạm vi mẫu. Có thể bạn đã dùng nhầm số biến quan sát thay cho số biến độc lập, hoặc dùng mốc EFA để kết luận cho hồi quy.
Kiểm tra dữ liệu bị thiếu trong Analyze > Descriptive Statistics > Frequencies. Xác định các dòng bị loại do thiếu dữ liệu thay vì xóa hàng loạt theo cảm tính.
Kiểm tra phiếu không hợp lệ, chẳng hạn hoàn thành quá nhanh, chọn cùng một phương án cho toàn bộ bảng hỏi hoặc không qua câu hỏi sàng lọc. Chỉ loại khi tiêu chí đã được nêu trong phương pháp nghiên cứu.
Nếu còn thời gian và có thể tiếp cận đúng đối tượng, thu thêm phản hồi hợp lệ. Ghi rõ số phiếu phát, số phiếu thu, số phiếu loại và số phiếu cuối cùng.
Nếu không thể thu thêm, trình bày giới hạn cỡ mẫu và tránh khẳng định rộng hơn phạm vi dữ liệu. Không nên xóa biến hoặc đổi mô hình chỉ để làm cho N trên màn hình trông đẹp hơn.

Bạn có thể dùng chọn mẫu ngẫu nhiên nếu khung mẫu cho phép. Nếu đề tài đã dùng mẫu thuận tiện, hãy mô tả đúng cách tuyển người trả lời. Một mẫu nhỏ nhưng quy trình rõ ràng vẫn dễ giải trình hơn một mẫu lớn không biết lấy từ đâu.

Việc thuê dịch vụ chạy SPSS có thể giúp bạn tiết kiệm thời gian thao tác, nhưng không thể bù cho số phiếu thiếu hoặc thiết kế mẫu sai. SPSS, JASP và R đều có thể chạy các phân tích định lượng tương tự ở những mức độ khác nhau. SmartPLS phù hợp với PLS-SEM, còn AMOS phù hợp với CB-SEM. Công cụ thay đổi, nhưng nguyên tắc xác định N và giải trình dữ liệu vẫn phải nhất quán.

Phân biệt cỡ mẫu trong SPSS với số biến quan sát

Cỡ mẫu là số dòng hoặc số người trả lời hợp lệ. Biến quan sát là các cột đo lường khái niệm, chẳng hạn PU1, PU2, PU3 trong một thang đo. Nếu bảng hỏi có 25 biến quan sát và 220 người trả lời, dữ liệu có khoảng 220 dòng hợp lệ và 25 cột đo lường, chưa tính các cột nhân khẩu học.

Số biến độc lập trong hồi quy cũng khác với số biến quan sát. Một biến tiềm ẩn có thể được đo bằng nhiều biến quan sát nhưng sau khi tính điểm trung bình, nó trở thành một biến đưa vào hồi quy. Vì vậy, công thức hồi quy dùng số biến độc lập trong mô hình, còn quy tắc EFA thường xét số biến quan sát.

Cỡ mẫu tối thiểu trong SPSS cũng không phải là N hiển thị ở bảng Reliability Statistics. Bảng này có dòng N of Items, nghĩa là số biến quan sát trong thang đo. Nếu dòng này bằng 5, điều đó không có nghĩa nghiên cứu chỉ có 5 người trả lời.

Lỗi thường gặp

Lỗi đầu tiên là chọn một con số phổ biến rồi gọi đó là cỡ mẫu tối thiểu cho mọi phân tích. Bạn cần ghi rõ mốc được lấy từ quy tắc nào, áp dụng cho EFA, hồi quy, mô hình cấu trúc hay công thức tổng thể hữu hạn.

Lỗi thứ hai là tính cả phiếu không hợp lệ. Hãy lưu một bản dữ liệu gốc, một bản dữ liệu sau làm sạch và bảng theo dõi số lượng ở từng bước. Khi hội đồng hỏi vì sao từ 320 phản hồi còn 274, bạn có thể trả lời bằng quy trình cụ thể.

Lỗi thứ ba là nhầm N of Items với số quan sát, nhầm R Square với tỷ lệ mẫu đạt yêu cầu hoặc nhầm p-value của ANOVA với kiểm định cỡ mẫu. Đọc đúng tên bảng và tên cột trước khi chép số vào chương 4.

Lỗi cuối là bổ sung dữ liệu không đúng đối tượng để đạt số lượng. Một phiếu mới chỉ có giá trị khi người trả lời thuộc tổng thể mục tiêu và đáp ứng tiêu chí chọn mẫu đã nêu trong chương 3.

Câu hỏi thường gặp

Cỡ mẫu trong SPSS bao nhiêu là đủ

Không có một con số chung. Bạn cần đối chiếu số biến quan sát với quy tắc 5 đến 10 quan sát cho một biến theo (Hair và cộng sự, 2010), số biến độc lập với công thức hồi quy theo (Tabachnick và Fidell, 2013), và yêu cầu của EFA theo mục tiêu nghiên cứu.

Cỡ mẫu tối thiểu trong SPSS có phải là 100 không

100 có thể là một mốc tham khảo trong một số thiết kế, nhưng không phải quy định cho mọi đề tài. Với EFA, các mức 100, 200, 300 và 500 có cách diễn giải khác nhau theo (Comrey và Lee, 1992). Bạn cần xem cả số biến, tải nhân tố dự kiến và chất lượng dữ liệu.

Cỡ mẫu tối thiểu bao nhiêu là tốt cho EFA

Bạn có thể bắt đầu bằng tỷ lệ 5 đến 10 quan sát trên mỗi biến quan sát theo (Hair và cộng sự, 2010), sau đó xem thêm các mức đánh giá cỡ mẫu của (Comrey và Lee, 1992). Nếu có 30 biến quan sát, khoảng 150 đến 300 quan sát là mốc thiết kế thường được cân nhắc, nhưng không bảo đảm EFA sẽ đạt.

Vì sao N trong các bảng SPSS khác nhau

Các thủ tục có thể dùng những tập biến khác nhau. Chỉ cần một dòng bị thiếu ở một biến trong mô hình, SPSS có thể loại dòng đó khỏi phân tích. Hãy kiểm tra Case Processing Summary, Frequencies và số quan sát trong từng thủ tục thay vì dùng một N duy nhất cho cả chương.

Có thể chạy SPSS khi cỡ mẫu thấp hơn khuyến nghị không

Phần mềm vẫn có thể chạy, nhưng kết quả có thể kém ổn định và khó giải trình hơn. Bạn cần báo cáo đúng N, nêu giới hạn và cân nhắc thu thêm dữ liệu nếu khả thi. Không nên xóa biến, đổi mẫu hoặc chọn lại kết quả chỉ vì cỡ mẫu chưa đạt mốc mong muốn.

Mở lại file .sav của bạn, ghi riêng số phiếu thu về, số phiếu hợp lệ, số biến quan sát và số biến độc lập, rồi đối chiếu từng mốc với phân tích dự kiến. Nếu bạn muốn chạy các kiểm định trên chính dữ liệu của mình và theo dõi N ở từng bước, M4 phân tích dữ liệu hỗ trợ SPSS và SmartPLS cho file .sav hoặc .csv.