Correlated là gì? Cách đọc hệ số tương quan trong SPSS

Correlated là gì

Trong output SPSS, bạn có thể gặp chữ correlated trong các cụm như Correlations, Pearson Correlation hoặc Correlated Variables. Về ý nghĩa, correlated mô tả tình trạng hai biến có liên hệ với nhau: khi một biến thay đổi, biến còn lại có xu hướng thay đổi cùng chiều hoặc ngược chiều ở mức độ nào đó.

Trong nghiên cứu định lượng, chỉ số thường được đọc là hệ số tương quan Pearson, ký hiệu r. Công thức khái quát là:

r = Cov(X, Y) / (SDX × SDY)

Giá trị r nằm trong khoảng từ -1 đến +1. Giá trị dương cho thấy hai biến có xu hướng tăng cùng nhau, giá trị âm cho thấy một biến tăng khi biến kia có xu hướng giảm, còn giá trị gần 0 cho thấy tương quan tuyến tính yếu hoặc chưa rõ trong mẫu. Chữ correlated tự nó chưa cho biết quan hệ có mạnh hay có ý nghĩa thống kê hay không. Bạn phải đọc thêm trị tuyệt đối của r, cột Sig. (2-tailed) và số quan sát N.

Nếu biến CL có tương quan với HL ở mức r = 0.62, bạn có thể nói hai biến có tương quan tuyến tính dương trong mẫu đang phân tích. Bạn chưa thể viết rằng CL gây ra HL, vì tương quan và quan hệ nhân quả là hai kết luận khác nhau.

Nếu đang xử lý nhiều thuật ngữ cùng lúc, bạn có thể xem thêm chủ đề Thống kê để đối chiếu cách đọc các bảng output liên quan.

Ý nghĩa của correlated trong nghiên cứu định lượng

Tương quan giúp bạn trả lời câu hỏi ban đầu về mức độ liên hệ giữa các biến. Trước khi chạy hồi quy, bạn có thể kiểm tra biến độc lập và biến phụ thuộc có liên hệ theo hướng phù hợp với giả thuyết hay không. Nếu giả thuyết dự kiến tác động dương nhưng r lại âm, bạn cần xem lại mã hóa biến, biến đảo chiều, cách tính điểm trung bình hoặc lập luận lý thuyết.

Bảng tương quan cũng giúp phát hiện các biến độc lập có tương quan quá cao với nhau. Khi cùng đưa các biến này vào mô hình hồi quy, đa cộng tuyến có thể xuất hiện. Tuy nhiên, Pearson Correlation chỉ là bước sàng lọc ban đầu. Kết luận về đa cộng tuyến nên dựa thêm vào Tolerance và VIF trong bảng Coefficients, không nên chỉ nhìn một hệ số tương quan. Với cách xử lý các quan sát bất thường, hãy xem thêm hướng dẫn về outliers.

Tương quan cũng xuất hiện trong các mô hình có biến trung gian hoặc biến điều tiết. Nếu nghiên cứu có mediator, tương quan ban đầu giữa hai biến không thay thế cho kiểm định indirect effect bằng bootstrapping. Nếu có moderator, tương quan giữa moderator với các biến còn lại cũng không tự chứng minh có hiệu ứng điều tiết.

Tương quan không thay thế cho kiểm định giả thuyết của mô hình. Nó cho biết hai biến đi cùng nhau trong mẫu, còn hồi quy cho phép xem xét hệ số tác động khi nhiều biến cùng xuất hiện. Vì vậy, bảng Correlations thường là bằng chứng mô tả và sàng lọc, không phải toàn bộ kết luận của chương 4.

Correlated bao nhiêu là đạt

Không có một con số duy nhất áp dụng cho mọi đề tài để kết luận tương quan là đạt. Bạn cần tách hai câu hỏi: tương quan có ý nghĩa thống kê không, và tương quan mạnh đến mức nào. Câu hỏi đầu tiên được đọc bằng Sig. (2-tailed), còn câu hỏi thứ hai được đọc bằng trị tuyệt đối của r.

Trong kiểm định hai phía, Sig. (2-tailed) < 0.05 thường được dùng để bác bỏ giả thuyết không có tương quan tuyến tính trong tổng thể. Cách diễn giải này cần đặt trong thiết kế kiểm định và quy ước của đề tài, không nên xem 0.05 là thước đo độ mạnh của quan hệ.

Một hệ số r = 0.15 vẫn có thể có Sig. < 0.05 nếu cỡ mẫu lớn, nhưng điều đó không biến nó thành quan hệ mạnh về mặt thực tiễn. Ngược lại, một hệ số tương đối lớn nhưng p-value chưa đạt có thể liên quan đến cỡ mẫu, sai số đo lường hoặc độ phân tán của dữ liệu.

Trước khi tính tương quan giữa các biến đại diện, bạn nên kiểm tra cách xây dựng thang đo. Nếu chưa rõ biến quan sát, biến tiềm ẩn và điểm đại diện khác nhau thế nào, hãy xem scale là gì.

Cách đọc correlated trên output

Trong SPSS, đường dẫn phổ biến để chạy tương quan là Analyze > Correlate > Bivariate. Đưa các biến cần kiểm tra vào ô Variables, giữ chọn Pearson, chọn Two-tailed, sau đó có thể đánh dấu Flag significant correlations. Nếu giả thuyết có hướng rõ ràng và phương pháp cho phép kiểm định một phía, lựa chọn One-tailed phải được giải thích từ trước, không chọn sau khi đã thấy kết quả.

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

Ở ô giao giữa CL và HL, Pearson Correlation = .624 cho thấy tương quan dương. Khi CL tăng, HL có xu hướng tăng trong mẫu. Sig. (2-tailed) = .000 là giá trị SPSS hiển thị sau khi làm tròn, vì vậy khi viết luận văn bạn nên ghi p < 0.001, không ghi p = 0.000. N = 185 cho biết có 185 quan sát được dùng cho cặp biến này.

Dấu ** cạnh hệ số thường là chú thích do SPSS tự thêm khi hệ số có ý nghĩa ở mức 0.01, tùy lựa chọn hiển thị. Bạn vẫn phải đọc dòng Sig. (2-tailed) để ghi kết quả. Nếu một ô có r = -.312, dấu âm cho biết quan hệ ngược chiều, còn độ mạnh được xem theo trị tuyệt đối 0.312.

Bạn nên nhìn thêm scatterplot nếu hệ số có vẻ bất thường. Trong SPSS, vào Graphs > Chart Builder, chọn Scatter/Dot, sau đó đặt một biến trên trục X và biến còn lại trên trục Y. Pearson Correlation phản ánh quan hệ tuyến tính, nên một đường cong rõ rệt có thể khiến hệ số Pearson mô tả chưa đầy đủ dữ liệu.

Khi correlated không đạt thì xử lý thế nào

Nếu Sig. (2-tailed) lớn hơn hoặc bằng 0.05, trước hết bạn ghi nhận rằng chưa có đủ bằng chứng thống kê để bác bỏ giả thuyết không có tương quan tuyến tính trong mẫu. Bạn không nên tự động viết “hai biến hoàn toàn không liên quan”. Có thể tồn tại quan hệ phi tuyến, sai số đo lường hoặc cỡ mẫu chưa đủ để phát hiện hiệu ứng.

Kiểm tra mã hóa và cách tính điểm

Xem lại biến đảo chiều, giá trị missing và công thức tính điểm trung bình. Một biến quan sát đáng lẽ được mã hóa từ 1 đến 5 nhưng lại nhập theo chiều ngược có thể làm tương quan giảm hoặc đổi dấu. Mở Analyze > Descriptive Statistics > Frequencies để kiểm tra giá trị ngoài khoảng dự kiến.

Kiểm tra outliers và biểu đồ phân tán

Mở scatterplot để xem quan hệ có tuyến tính hay không. Kiểm tra outliers riêng trước khi quyết định loại quan sát. Không xóa một dòng dữ liệu chỉ vì dòng đó làm kết quả đẹp hơn. Nếu loại, bạn cần có lý do từ quy trình làm sạch dữ liệu và ghi lại số dòng đã loại.

Xem lại chất lượng thang đo

Nếu các biến được ghép thành một khái niệm nhưng thang đo có độ tin cậy thấp, điểm đại diện có thể không ổn định. Bạn có thể xem Cronbach's Alpha, Corrected Item-Total Correlation và kết quả EFA hoặc PLS measurement model theo thiết kế nghiên cứu. Việc loại biến phải dựa trên lý thuyết và tiêu chí đã nêu, không chỉ dựa vào việc muốn tăng tương quan.

Chọn hệ số phù hợp với dữ liệu

Pearson phù hợp khi bạn kiểm tra quan hệ tuyến tính giữa các biến số và điều kiện dữ liệu tương đối phù hợp. Với dữ liệu thứ bậc hoặc khi tuyến tính không phù hợp, Spearman có thể là lựa chọn cần cân nhắc. Lý do chọn hệ số thay thế phải được nêu trong phương pháp nghiên cứu.

Xem lại giả thuyết và mô hình

Nếu tương quan không đạt, có thể hướng quan hệ trong giả thuyết chưa được dữ liệu hỗ trợ. Báo cáo kết quả không có ý nghĩa thống kê là hoàn toàn hợp lệ. Bạn không nên chạy đi chạy lại nhiều phiên bản dữ liệu để tìm một bảng có p-value nhỏ.

Phân biệt correlated với các chỉ số dễ nhầm

Correlated thường bị nhầm với “có tác động”. Pearson Correlation mô tả mức liên hệ giữa hai biến, còn hệ số hồi quy trong Coefficients phản ánh mức thay đổi kỳ vọng của biến phụ thuộc khi biến độc lập thay đổi, trong điều kiện các biến khác được đưa vào mô hình. Một cặp biến có tương quan không có nghĩa biến thứ nhất là nguyên nhân của biến thứ hai.

Tương quan cũng khác với R Square. Trong hồi quy đơn, bình phương của Pearson r có thể liên quan đến tỷ lệ biến thiên được giải thích. Trong hồi quy bội, R Square là kết quả của toàn bộ tập biến trong mô hình. Bạn không nên lấy từng r rồi gọi đó là R Square của mô hình.

Correlation khác Covariance ở thang đo. Covariance phụ thuộc vào đơn vị đo của biến, còn Pearson Correlation được chuẩn hóa về khoảng từ -1 đến +1 nên dễ so sánh hơn. Sig. lại càng khác r: r là độ lớn và hướng tương quan, còn Sig. là bằng chứng thống kê để đánh giá giả thuyết về tương quan.

Nếu đề tài có biến điều tiết, moderating liên quan đến việc một biến làm thay đổi độ mạnh hoặc hướng của quan hệ giữa hai biến. Tương quan giữa moderator với các biến còn lại không tự chứng minh có hiệu ứng điều tiết.

Lỗi thường gặp

Lỗi đầu tiên là chỉ nhìn dấu ** mà bỏ qua hệ số và Sig.. Dấu sao cho biết mức ý nghĩa theo cách SPSS đánh dấu, nhưng không cho biết quan hệ mạnh hay yếu. Hãy đọc đủ Pearson Correlation, Sig. (2-tailed) và N.

Lỗi thứ hai là viết Sig. = 0.000. Cách ghi phù hợp là p < 0.001 khi bảng hiển thị .000 do làm tròn. Đồng thời, hãy kiểm tra cỡ mẫu của từng cặp biến vì dữ liệu thiếu có thể khiến N khác nhau giữa các ô.

Lỗi thứ ba là dùng cụm “tương quan đạt” như thể có một ngưỡng duy nhất cho mọi đề tài. Bạn cần trình bày cả tiêu chí ý nghĩa thống kê và cách diễn giải độ lớn hệ số. Nếu khoa hoặc giảng viên có quy ước riêng, hãy ghi rõ quy ước đó trong chương phương pháp.

Lỗi thứ tư là kết luận nhân quả từ bảng Correlations. Câu “CL tác động đến HL” cần được kiểm định bằng mô hình phù hợp, chẳng hạn hồi quy hoặc mô hình cấu trúc. Từ bảng tương quan, câu an toàn hơn là “CL có tương quan dương với HL trong mẫu khảo sát”.

Cách viết vào luận văn

Bạn có thể điều chỉnh câu sau theo biến thật của mình: “Kết quả phân tích tương quan Pearson cho thấy [biến X] có tương quan [thuận chiều/ngược chiều] với [biến Y] với hệ số r = [giá trị] và Sig. (2-tailed) = [giá trị]. Do [p-value < hoặc ≥ 0.05], mối tương quan này [có hoặc chưa có] ý nghĩa thống kê ở mức 5%.” Câu này chỉ mô tả kết quả tương quan, chưa khẳng định quan hệ nhân quả.

Câu hỏi thường gặp

Correlated là gì trong SPSS?

Correlated trong SPSS chỉ việc các biến có mối liên hệ với nhau. Khi đọc bảng Correlations, bạn cần tập trung vào Pearson Correlation, Sig. (2-tailed) và N để biết hướng, độ lớn, ý nghĩa thống kê và số quan sát được dùng.

Pearson Correlation bao nhiêu là đạt?

Không có một mức r duy nhất được xem là đạt cho mọi nghiên cứu. Bạn cần xem Sig. (2-tailed) có đáp ứng mức ý nghĩa đã chọn hay không, sau đó diễn giải trị tuyệt đối của r trong bối cảnh đề tài. Một hệ số nhỏ nhưng có ý nghĩa thống kê vẫn có thể có ý nghĩa thực tiễn hạn chế.

Sig. 0.000 trong bảng Correlations có nghĩa gì?

Sig. = .000 là giá trị SPSS hiển thị sau khi làm tròn. Khi viết luận văn, bạn nên ghi p < 0.001, rồi kết luận tương quan có ý nghĩa thống kê ở mức 5% hoặc 1% tùy quy tắc kiểm định đã chọn.

Tương quan không có ý nghĩa thì có phải bỏ biến không?

Chưa chắc. Bạn cần kiểm tra mã hóa, biến đảo chiều, missing, outliers, chất lượng thang đo và dạng quan hệ trước. Nếu các bước đều hợp lý, bạn có thể giữ và báo cáo kết quả không có ý nghĩa thống kê, thay vì loại biến chỉ để làm mô hình đẹp hơn.

Correlation có chứng minh tác động nhân quả không?

Không. Correlation cho biết hai biến thay đổi cùng nhau trong mẫu. Để đánh giá tác động, bạn cần dựa vào mô hình phù hợp như hồi quy, mediation, moderation hoặc SEM, đồng thời trình bày giới hạn của thiết kế nghiên cứu.

Bây giờ bạn hãy mở bảng Correlations trong file SPSS, ghi lại r, Sig. (2-tailed) và N của từng cặp biến, sau đó đối chiếu với giả thuyết trước khi viết nhận xét. Nếu cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích của DoThesis hỗ trợ bước này.