Coefficients là gì? Cách đọc hệ số hồi quy trong SPSS

Coefficients là gì

Khi chạy hồi quy tuyến tính trong SPSS, bảng Coefficients cho biết từng biến độc lập liên quan với biến phụ thuộc như thế nào, theo chiều nào và mức độ có đủ bằng chứng thống kê hay chưa. Đây thường là bảng bạn cần mở đầu tiên khi kiểm định các giả thuyết dạng “X ảnh hưởng đến Y”.

Trong bảng này, bạn thường gặp các cột B, Std. Error, Beta, t và Sig.. Hệ số B là hệ số hồi quy chưa chuẩn hóa, còn Beta là hệ số hồi quy chuẩn hóa. Với mô hình hồi quy đơn giản, phương trình có thể viết là:

Y = a + B1X1 + B2X2 + ... + e

Trong đó a là hằng số, B1, B2 là hệ số hồi quy chưa chuẩn hóa của các biến độc lập, còn e là sai số. Khi các biến được đưa về cùng thang đo chuẩn, hệ số Beta giúp bạn so sánh mức độ ảnh hưởng tương đối giữa các biến độc lập.

Nếu bạn đang đọc kết quả cho một mô hình có biến trung gian hoặc biến điều tiết, cần xác định đúng vai trò của từng biến trước khi diễn giải. Bạn có thể xem thêm khái niệm moderator trong mô hình nghiên cứu và moderating trong phân tích định lượng để tránh nhầm giữa tác động trực tiếp và tác động tương tác.

Ý nghĩa của Coefficients trong nghiên cứu định lượng

Bảng Coefficients trả lời bốn câu hỏi thực tế. Thứ nhất, biến độc lập có tác động cùng chiều hay ngược chiều với biến phụ thuộc. Thứ hai, mức thay đổi dự kiến của Y là bao nhiêu khi X tăng một đơn vị. Thứ ba, biến đó có ý nghĩa thống kê hay chưa. Thứ tư, biến nào có ảnh hưởng tương đối mạnh hơn khi so sánh trong cùng mô hình.

Cột B trả lời câu hỏi về mức thay đổi theo đơn vị đo gốc. Ví dụ, nếu B = 0.420, khi điểm X tăng một đơn vị thì điểm Y được dự đoán tăng 0.420 đơn vị, trong điều kiện các biến khác giữ nguyên. Cách đọc này phù hợp khi bạn muốn trình bày phương trình hồi quy hoặc dự báo giá trị cụ thể.

Cột Beta trả lời câu hỏi về mức độ ảnh hưởng tương đối. Vì Beta được chuẩn hóa, bạn có thể so sánh Beta của X1 với X2 trong cùng một mô hình. Beta dương cho thấy quan hệ cùng chiều, Beta âm cho thấy quan hệ ngược chiều. Độ lớn tuyệt đối của Beta càng cao thì ảnh hưởng tương đối càng lớn, nếu các biến được kiểm định trong cùng một mô hình và cùng một mẫu dữ liệu.

Cột Sig. là p-value dùng để kiểm định giả thuyết về hệ số. Khi Sig. < 0.05, nhiều luận văn sử dụng kết quả này làm bằng chứng để bác bỏ H0 về hệ số bằng 0. Tuy nhiên, bạn cần đọc cùng với dấu của B hoặc Beta. Một p-value nhỏ chỉ cho biết quan hệ có bằng chứng thống kê, chưa tự động cho biết quan hệ đó là tích cực hay tiêu cực.

Coefficients cũng cần được đọc cùng các bảng khác. Model Summary cho biết R Square và Adjusted R Square. ANOVA cho biết mô hình tổng thể có ý nghĩa hay không. Các kiểm tra về VIF, phần dư và outlier giúp bạn đánh giá mô hình có vi phạm điều kiện hay không. Nếu dữ liệu có điểm bất thường, hãy kiểm tra outliers trong dữ liệu định lượng trước khi quyết định loại quan sát.

Coefficients bao nhiêu là đạt

Không có một ngưỡng duy nhất áp dụng cho mọi cột trong bảng Coefficients. Với hệ số hồi quy, điều quan trọng là hướng tác động phù hợp với giả thuyết, Sig. đạt mức bạn đã quy định, và mô hình không vi phạm nghiêm trọng các điều kiện hồi quy. Các ngưỡng dưới đây là cách báo cáo thường gặp, cần được đặt trong bối cảnh đề tài và cơ sở lý thuyết.

Bạn không nên kết luận “Beta từ 0.5 trở lên mới đạt”. Beta không phải thang điểm đạt hoặc không đạt như Cronbach's Alpha, AVE hay outer loading. Một Beta nhỏ vẫn có thể có ý nghĩa thống kê và có ý nghĩa thực tiễn tùy bối cảnh. Ngược lại, Beta lớn nhưng Sig. không đạt thì chưa đủ cơ sở để kết luận giả thuyết được ủng hộ.

Nếu mô hình dùng nhiều biến độc lập, hãy báo cáo đồng thời B, Beta, t, Sig. và VIF. Việc chỉ chọn các Beta lớn để xếp hạng mà bỏ qua độ tin cậy của ước lượng sẽ làm phần diễn giải thiếu cơ sở.

Cách đọc Coefficients trên output

Sau khi chạy hồi quy trong SPSS, bạn vào Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, các biến giải thích vào ô Independent(s), sau đó chọn các thống kê cần thiết trong Statistics. Trong phần Estimates, SPSS sẽ xuất bảng Coefficients.

Đọc cột B và Constant

Dòng (Constant) là hằng số của phương trình. Cột B ở dòng này là giá trị dự đoán của Y khi tất cả biến độc lập bằng 0. Với thang Likert, tình huống tất cả biến bằng 0 có thể không xuất hiện trong dữ liệu thực tế, vì vậy bạn không nên diễn giải hằng số quá mức.

Ở các dòng biến độc lập, Unstandardized Coefficients B cho biết mức thay đổi dự kiến của Y khi biến đó tăng một đơn vị, giữ các biến khác không đổi. Nếu B bằng 0.420, mức thay đổi dự kiến của Y là 0.420 đơn vị theo chiều dương. Nếu B bằng -0.180, Y giảm 0.180 đơn vị khi X tăng một đơn vị, với điều kiện các biến khác giữ nguyên.

Đọc Beta, t và Sig.

Standardized Coefficients Beta dùng để so sánh tương đối. Ví dụ, Beta của X1 là 0.452 và Beta của X2 là 0.210. Nếu cả hai biến đều có Sig. đạt, X1 có ảnh hưởng tương đối lớn hơn X2 trong mô hình này.

Cột t là thống kê kiểm định cho hệ số. Cột Sig. là p-value tương ứng. Bạn nên đọc theo chuỗi: xem dấu của Beta, kiểm tra Sig., sau đó đối chiếu với giả thuyết. Một giả thuyết “X tác động cùng chiều đến Y” được ủng hộ khi Beta dương và Sig. đạt theo mức ý nghĩa đã chọn.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS hiển thị trong bảng Coefficients.

Từ bảng minh họa, phương trình hồi quy chưa chuẩn hóa có thể viết như sau:

Y = 1.125 + 0.452X1 + 0.217X2 + 0.098X3

Trong đó, X1 là Chất lượng dịch vụ, X2 là Sự thuận tiện và X3 là Niềm tin. X1 có Beta bằng 0.438 và Sig. bằng 0.000, nên có thể được diễn giải là tác động cùng chiều và có ý nghĩa thống kê theo ngưỡng 0.05. X3 có Beta dương nhưng Sig. bằng 0.169, vì vậy chưa đủ bằng chứng thống kê để kết luận tác động của X3 trong mô hình minh họa.

Cách viết vào luận văn

Bạn có thể điều chỉnh câu sau theo số liệu thật: “Kết quả hồi quy cho thấy [tên biến độc lập] tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc] với hệ số hồi quy chuẩn hóa Beta = [giá trị] và mức ý nghĩa Sig. = [giá trị]. Do [Sig. nhỏ hơn/lớn hơn] 0.05, giả thuyết H[ số ] được [ủng hộ/chưa được ủng hộ].”

Khi viết, thay toàn bộ phần trong ngoặc vuông bằng kết quả trong file SPSS. Không gọi một giả thuyết là được chấp nhận chỉ vì Beta có dấu đúng. Bạn cần xem cả Sig., cách đặt giả thuyết và mức ý nghĩa đã chọn.

Khi Coefficients không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” nằm ở đâu. Nếu Sig. lớn hơn 0.05, vấn đề là bằng chứng thống kê cho tác động chưa đủ. Nếu dấu Beta trái với giả thuyết, quan hệ quan sát được đi ngược kỳ vọng. Nếu VIF cao, hệ số có thể bị ảnh hưởng bởi đa cộng tuyến. Nếu sai số chuẩn quá lớn, ước lượng có thể kém ổn định.

Kiểm tra lại mã hóa và thang đo

Mở Variable View và kiểm tra tên biến, kiểu dữ liệu, giá trị missing, biến đảo chiều và cách tính điểm đại diện. Một biến quan sát đảo chiều chưa được recode có thể làm điểm thang đo sai, kéo theo hệ số hồi quy không như dự kiến. Nếu thang đo được tính từ nhiều biến quan sát, hãy kiểm tra lại scale là gì và cách hình thành thang đo.

Kiểm tra tương quan và đa cộng tuyến

Xem ma trận tương quan giữa các biến độc lập. Các biến quá giống nhau có thể làm VIF tăng và khiến hệ số riêng phần thay đổi mạnh. Trong bảng Coefficients, VIF dưới 5 thường được tham khảo theo (Hair và cộng sự, 2019), nhưng bạn vẫn cần xem xét lý thuyết trước khi loại biến.

Kiểm tra dữ liệu và mô hình

Xem các quan sát có ảnh hưởng lớn, phần dư và cách nhập dữ liệu. Không nên loại một dòng chỉ vì nó làm Sig. đẹp hơn. Chỉ loại khi có lý do dữ liệu rõ ràng, chẳng hạn bản trả lời không hợp lệ, nhập sai hoặc đáp viên không đáp ứng tiêu chí mẫu, rồi ghi lại quyết định đó trong quy trình xử lý.

Nếu biến không đạt sau khi đã kiểm tra hợp lý, hãy báo cáo kết quả không có ý nghĩa thay vì chạy lại nhiều lần để tìm một phiên bản đạt. Bạn có thể cân nhắc mô hình thay thế chỉ khi mô hình đó có cơ sở lý thuyết và được xác định trước, không phải vì muốn sửa kết quả.

Phân biệt Coefficients với các chỉ số dễ nhầm

Coefficients là tên bảng, còn coefficient là cách gọi chung cho một hệ số. Vì vậy, cần phân biệt từng loại hệ số dựa vào bảng và mục đích sử dụng.

B là hệ số chưa chuẩn hóa, dùng cho phương trình theo đơn vị gốc. Beta là hệ số chuẩn hóa, dùng để so sánh ảnh hưởng tương đối. Hai giá trị này thường khác nhau, và bạn không nên thay B bằng Beta khi viết phương trình dự báo.

Correlation coefficient là hệ số tương quan, thường ký hiệu r, mô tả mức độ liên hệ giữa hai biến trước khi kiểm soát các biến khác. Regression coefficient trong bảng Coefficients mô tả tác động riêng phần của một biến khi các biến còn lại trong mô hình được giữ cố định. Tương quan cao không đảm bảo hệ số hồi quy riêng phần vẫn cao.

Covariance mô tả mức biến thiên cùng nhau nhưng phụ thuộc vào đơn vị đo, trong khi correlation đã được chuẩn hóa về khoảng từ -1 đến 1. Trong AMOS, bạn có thể gặp các giá trị variance, covariance và regression weight. Regression weight gần với hệ số hồi quy chưa chuẩn hóa, còn standardized regression weight gần với Beta.

Factor loading là hệ số tải của biến quan sát lên nhân tố trong EFA hoặc CFA. Nó không phải Beta trong hồi quy. Với EFA, hệ số tải từ 0.5 trở lên thường được tham khảo theo (Hair và cộng sự, 2010). Trong SmartPLS, outer loading thuộc mô hình đo lường, còn path coefficient thuộc mô hình cấu trúc. Các chỉ số này cần được đọc theo đúng bước phân tích.

Cronbach's Alpha đánh giá độ nhất quán nội tại của thang đo, không cho biết biến độc lập tác động bao nhiêu đến biến phụ thuộc. R Square cho biết tỷ lệ biến thiên của biến phụ thuộc được mô hình giải thích, cũng không phải hệ số Beta. Nếu đề tài có mediator, hãy tách tác động trực tiếp, gián tiếp và tổng tác động; khái niệm mediator thường bị nhầm với một biến độc lập thông thường.

Lỗi thường gặp

Lỗi đầu tiên là chỉ nhìn vào Beta mà bỏ qua Sig. Beta 0.600 không tự động có nghĩa là giả thuyết được ủng hộ nếu Sig. không đạt. Lỗi thứ hai là chỉ nhìn Sig. mà không đọc dấu của Beta, dẫn đến kết luận biến tác động cùng chiều trong khi hệ số thực tế âm.

Lỗi thứ ba là dùng Beta để viết phương trình hồi quy chưa chuẩn hóa. Nếu câu văn nói “Y tăng 0.452 đơn vị” thì bạn phải lấy cột B, không lấy cột Beta. Lỗi thứ tư là so sánh Beta giữa hai mô hình khác nhau, hai mẫu khác nhau hoặc hai cách đo khác nhau như thể chúng có cùng điều kiện.

Lỗi thứ năm là gọi mọi giá trị trong bảng là “hệ số hồi quy”. Std. Error, t, Sig. và VIF có vai trò khác nhau. Khi trình bày, hãy ghi rõ tên cột, giá trị, dấu tác động và quyết định với giả thuyết.

Lỗi cuối là chạy lại hồi quy nhiều lần và chỉ giữ bảng có kết quả đẹp. Nếu có điều chỉnh dữ liệu hoặc mô hình, bạn cần ghi rõ lý do, tiêu chí và thứ tự thực hiện. Người đọc luận văn thường hỏi lại chính phần này khi kết quả thay đổi giữa các bảng.

Câu hỏi thường gặp

Coefficients là gì trong SPSS?

Coefficients là bảng kết quả trong hồi quy tuyến tính, trình bày hệ số của hằng số và các biến độc lập cùng với sai số chuẩn, Beta, t, Sig. và đôi khi có VIF. Đây là bảng dùng để xem hướng tác động, mức độ ảnh hưởng tương đối và ý nghĩa thống kê của từng biến.

Beta bao nhiêu là đạt?

Beta không có một ngưỡng đạt chung. Bạn cần xem Beta có đúng dấu giả thuyết hay không, Sig. có đạt mức ý nghĩa đã chọn hay không, và mô hình có đáp ứng các điều kiện hồi quy hay không. Beta lớn hơn không đồng nghĩa tự động với kết quả tốt hơn.

B và Beta trong Coefficients khác nhau thế nào?

B là hệ số chưa chuẩn hóa, giữ nguyên đơn vị của biến và dùng để viết phương trình hồi quy theo đơn vị gốc. Beta là hệ số chuẩn hóa, dùng để so sánh mức ảnh hưởng tương đối giữa các biến độc lập trong cùng mô hình.

Sig. trong bảng Coefficients bao nhiêu là đạt?

Trong nhiều luận văn, Sig. < 0.05 được dùng làm tiêu chí để kết luận hệ số có ý nghĩa thống kê. Bạn cần nêu mức ý nghĩa trong phương pháp nghiên cứu và đọc Sig. cùng với dấu của B hoặc Beta, thay vì dùng p-value tách rời khỏi giả thuyết.

Vì sao Beta đúng hướng nhưng Sig. không đạt?

Điều đó có nghĩa là hệ số ước lượng có dấu phù hợp với kỳ vọng, nhưng dữ liệu hiện tại chưa cung cấp đủ bằng chứng thống kê ở mức ý nghĩa bạn chọn. Hãy kiểm tra cỡ mẫu, chất lượng dữ liệu, đa cộng tuyến, sai số đo lường và cách xây dựng mô hình, sau đó báo cáo trung thực nếu giả thuyết chưa được ủng hộ.

Mở file SPSS của bạn, vào đúng bảng Coefficients, đối chiếu lần lượt B, Beta, t, Sig. và VIF, rồi viết mỗi giả thuyết bằng một câu có số liệu thật. Nếu cần chạy và diễn giải phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.