DF là gì? Cách đọc bậc tự do trong output SPSS

DF là gì

DF là viết tắt của degrees of freedom, tiếng Việt là bậc tự do. Đây là số lượng giá trị trong một phép tính thống kê còn được phép thay đổi sau khi một hoặc nhiều điều kiện đã được xác định. Nói ngắn gọn, DF cho biết lượng thông tin còn lại để ước lượng độ biến thiên và xây dựng phân phối kiểm định.

Bạn thường thấy DF trong các bảng output như ANOVA, Independent Samples Test, Paired Samples Test, Chi-Square Tests, Coefficients hoặc bảng kiểm định t. DF không phải điểm số của biến, không phải mức ý nghĩa và cũng không phải p-value. Nó là một thành phần để phần mềm xác định phân phối tham chiếu, từ đó tính p-value, khoảng tin cậy và giá trị tới hạn.

Công thức của DF phụ thuộc vào phép phân tích. Với kiểm định trung bình một mẫu, thường có df = n - 1, trong đó n là số quan sát hợp lệ. Với kiểm định t hai mẫu độc lập trong trường hợp phương sai bằng nhau, thường có df = n1 + n2 - 2. Với hồi quy tuyến tính, DF của phần dư thường là n - k - 1, trong đó k là số biến độc lập.

Nếu bạn muốn đối chiếu cách tính theo từng phép kiểm định, có thể xem thêm bài bậc tự do là gì. Bài đó tập trung vào khái niệm và công thức tổng quát, còn phần dưới đây đi thẳng vào cách đọc DF trên output SPSS.

Ý nghĩa của DF trong nghiên cứu định lượng

DF giúp xác định phép kiểm định đang dựa trên bao nhiêu thông tin độc lập sau khi đã ước lượng các tham số. Khi cỡ mẫu tăng, DF thường tăng. Khi mô hình phải ước lượng nhiều tham số hơn, DF có thể giảm vì một phần thông tin đã được dùng cho việc ước lượng.

Trong kiểm định t, DF ảnh hưởng đến hình dạng của phân phối t. DF thấp thường làm phân phối có phần đuôi dày hơn. Vì vậy, với cùng một giá trị thống kê t, p-value có thể khác khi DF thay đổi. Trong ANOVA, DF được tách thành Between Groups và Within Groups, phản ánh biến thiên giữa các nhóm và biến thiên còn lại bên trong nhóm.

DF cũng liên quan trực tiếp đến việc tính p-value. Tuy nhiên, bạn không nên nhìn DF rồi tự kết luận giả thuyết có được chấp nhận hay không. Quyết định còn phụ thuộc vào p-value, khoảng tin cậy, giá trị thống kê kiểm định và giả thuyết H0, H1 đã đặt ra.

Ví dụ, trong hồi quy, DF của phần dư cho biết số lượng thông tin còn lại sau khi mô hình đã ước lượng hệ số cho các biến độc lập. Nếu đưa quá nhiều biến vào một mẫu nhỏ, DF phần dư giảm và kết quả có thể kém ổn định. Vì vậy, DF cần được đọc cùng cỡ mẫu, số biến trong mô hình, Sig., hệ số hồi quy và các kiểm định giả định.

DF không có cùng vai trò với mức ý nghĩa là gì. Mức ý nghĩa như 0,05 là ngưỡng do người nghiên cứu chọn trước, còn DF được tính từ dữ liệu, thiết kế mẫu và mô hình phân tích.

DF bao nhiêu là đạt

Câu hỏi “df bao nhiêu là tốt” thường xuất hiện khi bạn thấy một con số như 28, 98 hoặc 247 trong output. Với DF, cách hỏi này chưa đủ chính xác. DF không có ngưỡng chung kiểu “từ 30 trở lên là đạt”. Một DF hợp lý khi nó khớp với loại kiểm định, cỡ mẫu, số nhóm và số tham số trong mô hình.

Bảng dưới đây giúp bạn kiểm tra nhanh các trường hợp thường gặp. Các công thức là dạng cơ bản. Output thực tế có thể khác khi có dữ liệu thiếu, phương sai không bằng nhau hoặc phần mềm dùng hiệu chỉnh riêng.

Nguồn trong bảng giúp bạn giải thích cách tính, không biến DF thành một tiêu chí đạt hoặc không đạt độc lập. Khi viết luận văn, hãy báo cáo DF cùng giá trị thống kê và p-value. Chẳng hạn, t(98) = 2,41, p = 0,018, trong đó 98 là DF.

Nếu cần hiểu mối liên hệ giữa DF, mức ý nghĩa và khoảng ước lượng, bạn có thể xem bài khoảng tin cậy và bài độ tin cậy 95 là gì. Hai khái niệm này thường xuất hiện cùng bảng kiểm định nhưng không thay thế cho DF.

Cách đọc DF trên output SPSS

Trước hết, xác định bạn đang đọc bảng nào. Cùng một file dữ liệu có thể tạo ra nhiều DF vì mỗi phép phân tích sử dụng công thức riêng. Đừng lấy DF trong bảng ANOVA để giải thích cho bảng Coefficients, hoặc lấy DF của nhóm này để kết luận cho nhóm khác.

Dưới đây là số liệu minh họa. Bảng chỉ mô phỏng hình dạng output và cách đọc, không phải kết quả của một nghiên cứu thực tế.

số liệu minh họa: Independent Samples Test

Trong ví dụ này, hàng đầu có df = 98. Nếu hai nhóm có tổng cộng 100 quan sát hợp lệ và giả định phương sai bằng nhau được sử dụng, công thức n1 + n2 - 2 cho kết quả 98. Cột Sig. (2-tailed) = 0,034 là p-value, không phải DF. Với ngưỡng ý nghĩa 0,05 đã chọn trước, bạn có thể kết luận kết quả có ý nghĩa thống kê theo hướng phù hợp với H0 và H1.

Cột Levene's Test giúp lựa chọn hàng đọc. Nếu Sig. của Levene lớn hơn 0,05, thường đọc hàng Equal variances assumed. Nếu giá trị này nhỏ hơn 0,05, đọc hàng Equal variances not assumed. Trong hàng thứ hai, SPSS có thể cho DF dạng thập phân như 96,472 do dùng hiệu chỉnh Welch-Satterthwaite. DF thập phân không tự động có nghĩa là output bị lỗi.

Ở bảng Coefficients của hồi quy, bạn thường thấy các cột B, Std. Error, Beta, t và Sig. nhưng không có cột DF riêng. DF của kiểm định t cho từng hệ số được liên hệ với DF phần dư trong bảng ANOVA. Bạn cần đọc hai bảng cùng nhau khi trình bày kết quả kiểm định hệ số hồi quy.

Ở bảng ANOVA, các dòng thường gồm Regression, Residual và Total. df của Regression thường tương ứng với số biến độc lập, df của Residual tương ứng với phần dữ liệu còn lại, còn df của Total thường là n - 1. Nếu ba dòng không khớp với số quan sát và số biến trong mô hình, hãy kiểm tra dữ liệu thiếu, biến đưa vào mô hình và các trường hợp bị loại.

Khi DF không đạt hoặc không như mong đợi thì xử lý thế nào

DF không đạt thường là cách gọi chưa chính xác. Vấn đề thực tế thường là DF không khớp với cỡ mẫu, xuất hiện DF quá thấp, DF có dạng thập phân hoặc bảng kiểm định dùng ít quan sát hơn bạn nghĩ. Hãy xử lý theo thứ tự dưới đây.

Kiểm tra số quan sát hợp lệ

Mở Analyze > Descriptive Statistics > Frequencies để xem số lượng quan sát hợp lệ của biến. Với dữ liệu thiếu, SPSS có thể loại từng dòng tùy theo phép phân tích. Vì vậy, cỡ mẫu trong bảng output có thể nhỏ hơn số dòng đang nhìn thấy trong Data View.

Kiểm tra Valid, Missing và cách SPSS xử lý missing values. Nếu một biến có nhiều giá trị trống, DF tính từ biến đó sẽ giảm. Không nên tự điền giá trị thiếu chỉ để làm DF tăng, trừ khi có quy trình xử lý dữ liệu được giải thích rõ trong phương pháp nghiên cứu.

Kiểm tra số nhóm và số biến

Trong ANOVA, xem có bao nhiêu nhóm thực sự được đưa vào phân tích. Một biến phân loại có mã 1, 2, 3 nhưng dữ liệu chỉ có nhóm 1 và 2 thì công thức phải dựa trên hai nhóm xuất hiện hợp lệ.

Trong hồi quy, đếm số biến độc lập ở mô hình cuối cùng. Nếu thêm một biến, DF phần dư giảm tương ứng. Trường hợp dùng biến giả, mỗi biến giả đưa vào mô hình cũng tiêu tốn một tham số.

Kiểm tra hộp thoại SPSS

Mở lại đúng menu phân tích và xem các tùy chọn đã chọn. Với Independent Samples Test, kiểm tra biến nhóm và hai nhóm đang so sánh. Với hồi quy, vào Analyze > Regression > Linear, kiểm tra các biến ở ô Independent(s) và cách loại biến như Enter, Forward, Backward hoặc Stepwise.

Không sửa dữ liệu chỉ để làm DF đẹp

Bạn không nên xóa ngẫu nhiên các dòng, gộp nhóm tùy tiện hoặc bỏ biến chỉ vì muốn DF giống một bài mẫu. Những điều chỉnh đó có thể làm thay đổi câu hỏi nghiên cứu và khiến hội đồng hỏi về tiêu chí loại dữ liệu.

Nếu DF thấp vì mẫu quá nhỏ, giải pháp có tính phương pháp hơn là xem lại kế hoạch thu thập dữ liệu, nhưng không phải lúc nào cũng có thể thu thêm. Bạn cần ghi rõ số quan sát hợp lệ thực tế và thận trọng khi diễn giải độ chính xác của ước lượng.

Phân biệt DF với các chỉ số dễ nhầm

DF dễ bị nhầm với Sig., t, F, N và p-value vì chúng thường nằm cạnh nhau trong cùng bảng. Mỗi cột trả lời một câu hỏi khác nhau.

N là số quan sát hoặc cỡ mẫu được sử dụng. DF là số bậc tự do sau khi tính đến tham số, nhóm hoặc ràng buộc của mô hình. Với kiểm định một mẫu, nếu N = 100 thì DF thường là 99, nhưng hai con số này không đồng nghĩa.

p-value hoặc Sig. cho biết mức độ phù hợp của dữ liệu với H0 theo mô hình kiểm định. DF là một đầu vào để tính phân phối và p-value. Bạn không thể kết luận “DF lớn thì có ý nghĩa” hoặc “DF nhỏ thì không có ý nghĩa”.

F và t là các thống kê kiểm định. Một giá trị t được diễn giải cùng DF, còn F thường đi cùng hai DF trong các mô hình như ANOVA, một cho phần giữa nhóm và một cho phần trong nhóm.

R², Adjusted R², Beta và Std. Error là các chỉ số thường thấy trong hồi quy. Chúng cung cấp thông tin về mức giải thích, độ lớn tác động, sai số và độ ổn định của hệ số. DF không thay thế bất kỳ chỉ số nào trong số này.

Lỗi thường gặp

Lỗi đầu tiên là tìm một ngưỡng chung cho câu hỏi “df bao nhiêu là tốt”. Bạn cần xác định loại kiểm định trước, sau đó đối chiếu công thức với số quan sát và tham số. Một DF cao không tự động chứng minh mô hình tốt.

Lỗi thứ hai là lấy DF làm căn cứ duy nhất để kết luận giả thuyết. Khi đọc output, hãy xem đồng thời thống kê kiểm định, Sig., khoảng tin cậy, hướng tác động và giả định của phép phân tích. Với hồi quy, cần đọc thêm VIF, phần dư và các chỉ số chẩn đoán phù hợp.

Lỗi thứ ba là bỏ qua DF thập phân trong hàng Equal variances not assumed. Đây thường là kết quả của hiệu chỉnh phương sai, không phải lỗi nhập liệu. Bạn cần đọc đúng hàng dựa trên kiểm định Levene và ghi lại lựa chọn đó trong phần phương pháp.

Lỗi thứ tư là báo cáo DF nhưng không nói phép kiểm định nào tạo ra nó. Câu “DF bằng 98 nên kết quả đạt” không đủ để người đọc kiểm tra. Cách viết cần gắn DF với thống kê, p-value và quyết định đối với giả thuyết.

Khi lưu file .sav, hãy giữ syntax hoặc ghi chú các bước chạy. Nếu giảng viên hỏi vì sao DF trong bảng của bạn khác với một bảng khác, bạn có thể lần lại cỡ mẫu hợp lệ, biến đưa vào mô hình và tùy chọn đã sử dụng. Bạn cũng có thể xem thêm nội dung thuộc chủ đề Thống kê để đối chiếu các chỉ số liên quan.

Câu hỏi thường gặp

DF là gì trong SPSS?

DF trong SPSS là degrees of freedom, tức bậc tự do. Nó được tính theo loại kiểm định, số quan sát hợp lệ, số nhóm và số tham số cần ước lượng.

Bạn đọc DF cùng bảng output tương ứng, không tách khỏi phép phân tích. Trong kiểm định t, DF thường nằm cạnh giá trị t và Sig. (2-tailed). Trong ANOVA, DF xuất hiện ở các dòng Between Groups, Within Groups hoặc Regression, Residual, Total.

DF bao nhiêu là tốt?

Không có một mức DF chung được xem là tốt cho mọi nghiên cứu. DF hợp lý khi khớp với công thức của kiểm định và số quan sát hợp lệ thực tế.

Thay vì hỏi DF có vượt một ngưỡng hay không, bạn nên kiểm tra cỡ mẫu, số nhóm, số biến độc lập và dữ liệu thiếu. Sau đó báo cáo DF cùng thống kê kiểm định và p-value.

DF có phải là p-value không?

Không. DF là bậc tự do, còn p-value là xác suất được tính từ thống kê kiểm định và phân phối phù hợp. DF góp phần xác định phân phối đó nhưng không phải là kết luận ý nghĩa thống kê.

Ví dụ, trong t(98) = 2,146, p = 0,034, số 98 là DF, 2,146 là thống kê t và 0,034 là p-value. Mỗi số có vai trò riêng trong câu báo cáo.

Vì sao DF trong SPSS lại là số thập phân?

DF thập phân thường xuất hiện ở hàng Equal variances not assumed của kiểm định t hai mẫu độc lập. SPSS dùng một hiệu chỉnh để xử lý trường hợp phương sai hai nhóm không được xem là bằng nhau.

Bạn không nên làm tròn DF trước khi đọc p-value trong output. Khi viết luận văn, giữ số liệu theo định dạng output hoặc quy định trình bày của khoa, đồng thời nêu đúng hàng kiểm định đã sử dụng.

DF trong hồi quy nằm ở đâu?

DF của hồi quy thường nằm trong bảng ANOVA, ở các dòng Regression, Residual và Total. Bảng Coefficients thường không hiển thị một cột DF riêng cho từng hệ số.

Bạn có thể dùng DF phần dư để hiểu cơ sở của các kiểm định t cho hệ số, nhưng kết luận từng biến vẫn cần dựa trên B, t, Sig., khoảng tin cậy và mục tiêu giả thuyết. Nếu cần xem quy trình riêng, hãy tham khảo bài DF trong SPSS.

Bạn hãy mở lại đúng bảng output đang dùng, ghi ra N hợp lệ, số nhóm hoặc số biến trong mô hình, rồi đối chiếu DF với công thức của phép kiểm định trước khi viết kết quả. Nếu cần chạy và giải thích trên chính file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích dữ liệu.