Cách chạy đo lường đa chiều MDS trong SPSS

Khi nào dùng đo lường đa chiều MDS trong SPSS

Đo lường đa chiều, thường gọi là Multidimensional Scaling hoặc MDS, dùng để biểu diễn mức độ giống nhau hay khác nhau giữa các đối tượng trên một bản đồ không gian. Bạn đưa vào SPSS một ma trận khoảng cách hoặc ma trận tương đồng, sau đó phần mềm tìm vị trí của các đối tượng trên hai hoặc nhiều chiều sao cho khoảng cách trên bản đồ gần với quan hệ trong dữ liệu gốc.

Ví dụ, bạn muốn xem người trả lời cảm nhận mức độ gần nhau giữa các thương hiệu điện thoại. Nếu thương hiệu A và B thường được đánh giá giống nhau, chúng sẽ nằm gần nhau trên bản đồ MDS. Nếu C có hình ảnh rất khác, C sẽ nằm xa A và B. Đây là dạng phân tích phù hợp với câu hỏi mô tả cấu trúc nhận thức, nhóm đối tượng hoặc vị trí tương đối, thay vì kiểm định trực tiếp một giả thuyết kiểu “X tác động đến Y”.

MDS khác với EFA. EFA tìm các nhân tố đứng sau tương quan giữa các biến quan sát, còn MDS tạo một bản đồ khoảng cách giữa các đối tượng hoặc thuộc tính. Nếu mô hình của bạn có biến độc lập, biến phụ thuộc và cần kiểm định hệ số tác động, hãy xem các chủ đề SPSS phù hợp hơn thay vì ép MDS vào mô hình hồi quy.

Chuẩn bị dữ liệu trước khi chạy

Trước khi mở hộp thoại MDS, bạn cần xác định chính xác dữ liệu đang thể hiện khoảng cách, mức tương đồng hay điểm đánh giá. SPSS có thể xử lý dữ liệu dạng ma trận hoặc dữ liệu thô tùy thủ tục bạn chọn. Nhầm giữa hai dạng này là nguyên nhân khiến output khó giải thích dù lệnh vẫn chạy được.

Nếu mỗi dòng là một người trả lời và mỗi cột là mức đánh giá của một đối tượng, hãy ghi rõ thang đo và cách tổng hợp. Chẳng hạn, bảng hỏi yêu cầu người trả lời chấm mức độ khác nhau giữa từng cặp thương hiệu từ 1 đến 7. Bạn có thể tính giá trị trung bình cho từng cặp trước khi đưa vào MDS, nhưng cần lưu lại quy tắc tính và số người trả lời hợp lệ.

Các biến đưa vào MDS phải có cùng ý nghĩa đo lường. Không nên đưa một cột là giá sản phẩm, một cột là điểm hài lòng và một cột là mã ngành vào cùng một ma trận khoảng cách nếu chưa có cơ sở biến đổi. Mã số 1, 2, 3 của nhóm thương hiệu cũng không phải khoảng cách định lượng để đưa thẳng vào phân tích.

Bạn cũng cần kiểm tra missing values, các dòng trả lời không đầy đủ và giá trị nhập sai. Một vài ô trống trong ma trận khoảng cách có thể làm mất cả đối tượng hoặc làm SPSS dùng số quan sát khác nhau giữa các cặp. Nếu bạn đang làm sạch dữ liệu .sav hoặc .csv, hãy giữ một bản gốc trước khi recode.

MDS không yêu cầu bạn reverse coded items theo cùng cách Cronbach's Alpha nếu dữ liệu đầu vào đã là khoảng cách hoặc tương đồng. Tuy nhiên, nếu bạn tính khoảng cách từ các biến quan sát, chiều đo và cách mã hóa vẫn phải nhất quán. Một biến càng lớn nghĩa là càng giống hay càng khác cần được ghi rõ trong phương pháp.

Các bước chạy đo lường đa chiều MDS trong SPSS

Bước 1: Mở đúng thủ tục Multidimensional Scaling

Trong SPSS, chọn Analyze > Scale > Multidimensional Scaling. Tùy phiên bản, hộp thoại có thể hiển thị các lựa chọn liên quan đến dữ liệu proximities, mô hình và số chiều. Đây là đường dẫn chính để chạy MDS, khác với Analyze > Dimension Reduction > Factor của EFA.

Bạn sẽ thấy khu vực đưa biến hoặc ma trận vào phân tích. Đọc nhãn hộp thoại trước khi chọn biến. Nếu SPSS yêu cầu dữ liệu dạng proximity, dữ liệu cần thể hiện mức gần nhau hoặc khác nhau giữa các đối tượng, không phải một danh sách biến giải thích thông thường.

Bước 2: Chọn dạng dữ liệu và thước đo khoảng cách

Trong phần thiết lập dữ liệu, chọn cách SPSS hiểu các giá trị đầu vào là similarity hay dissimilarity. Similarity càng lớn thường nghĩa là hai đối tượng càng giống nhau. Dissimilarity hoặc distance càng lớn nghĩa là hai đối tượng càng khác nhau.

Nếu bảng của bạn là điểm khác biệt giữa từng cặp thương hiệu, hãy kiểm tra đường chéo chính. Khoảng cách của một đối tượng với chính nó thường bằng 0. Ma trận cũng thường có tính đối xứng, nghĩa là khoảng cách từ A đến B bằng khoảng cách từ B đến A. Nếu hai nửa ma trận khác nhau, bạn phải biết đó là chủ ý của thiết kế hay lỗi nhập liệu.

Với dữ liệu thang đo, SPSS có thể cung cấp các lựa chọn về thước đo như Euclidean hoặc một dạng khoảng cách khác tùy thủ tục và kiểu dữ liệu. Đừng chọn theo tên nghe quen. Hãy ghi lại lựa chọn và lý do, vì thước đo khác nhau có thể tạo bản đồ khác nhau.

Bước 3: Đặt số chiều cần thử

Trong hộp thoại Model hoặc Dimensions, đặt số chiều cần ước lượng. Bạn có thể chạy mô hình hai chiều trước vì bản đồ hai chiều dễ đọc và dễ đưa vào chương 4. Nếu Stress của mô hình hai chiều cao hoặc bản đồ khó diễn giải, hãy chạy thêm ba chiều để so sánh.

Không nên chọn số chiều chỉ vì mô hình nhiều chiều luôn có độ phù hợp tốt hơn. Thêm chiều thường giúp tái hiện dữ liệu tốt hơn nhưng làm bản đồ khó trình bày và khó đặt tên cho các trục. Mục tiêu là cân bằng giữa độ phù hợp và khả năng giải thích.

Bước 4: Mở Plots và lưu tọa độ

Trong hộp thoại, chọn Plots nếu muốn SPSS tạo bản đồ không gian. Chọn các biểu đồ liên quan đến configuration hoặc stimulus coordinates nếu có trong phiên bản bạn dùng. Bạn cũng nên chọn lưu tọa độ đối tượng, thường qua nút Save, để có thể kiểm tra hoặc vẽ lại bản đồ sau này.

Tên menu có thể khác nhẹ giữa SPSS phiên bản cũ và mới, nhưng các phần cần tìm vẫn là mô hình, số chiều, biểu đồ và lưu kết quả. Chụp lại thiết lập hoặc ghi vào nhật ký phân tích để lần chạy sau có thể tái lập.

Bước 5: Chạy lệnh và lưu toàn bộ output

Nhấn OK để chạy. Trong Output Viewer, lưu cả bảng Summary of Model Fit, bảng tọa độ đối tượng và bản đồ. Đừng chỉ chụp hình bản đồ rồi xóa các bảng phía trên. Khi giảng viên hỏi vì sao chọn mô hình hai chiều, bạn cần quay lại Stress và RSQ của từng nghiệm.

MDS hiếm khi nên được kết luận chỉ từ một lần chạy. Hãy chạy các số chiều hợp lý với cùng dữ liệu, ghi lại chỉ số phù hợp và xem trục có diễn giải được hay không. Nếu bạn đang so sánh nhiều nhóm đối tượng, giữ nguyên quy tắc tiền xử lý giữa các nhóm.

Đọc kết quả output

Tên bảng trong Output Viewer có thể thay đổi theo loại MDS và phiên bản SPSS. Những phần thường cần đọc gồm Stress and RSQ, Model and Stress, Configuration, Stimulus Coordinates và bản đồ không gian. Bạn cần phân biệt chỉ số đánh giá độ tái hiện dữ liệu với tọa độ dùng để vẽ hình.

Stress phản ánh mức chênh lệch giữa khoảng cách trong dữ liệu gốc và khoảng cách trên cấu hình MDS. Stress càng thấp thường cho thấy bản đồ tái hiện dữ liệu tốt hơn. Tuy nhiên, không nên lấy một ngưỡng duy nhất áp cho mọi đề tài nếu tài liệu phương pháp hoặc người hướng dẫn không quy định. Hãy so sánh các mô hình cùng bộ dữ liệu và nói rõ cách chọn.

RSQ cho biết mức độ phù hợp theo hướng phần biến thiên của khoảng cách gốc được giải thích bởi cấu hình. RSQ cao hơn thường là dấu hiệu thuận lợi, nhưng bản đồ vẫn phải có ý nghĩa nội dung. Một nghiệm có chỉ số tốt nhưng các trục không thể đặt tên hoặc các điểm chồng lấn hoàn toàn vẫn chưa phải kết quả dễ sử dụng.

Bảng Stimulus Coordinates chứa tọa độ của từng đối tượng trên Dimension 1, Dimension 2 và có thể thêm Dimension 3. Tọa độ dương hoặc âm không tự động có nghĩa tốt hay xấu. Bạn có thể xoay hoặc phản chiếu bản đồ mà không làm thay đổi quan hệ khoảng cách giữa các điểm.

Bảng Stress and RSQ, số liệu minh họa:

Các số trong bảng trên chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Với ví dụ này, mô hình hai chiều cải thiện rõ so với mô hình một chiều. Mô hình ba chiều có chỉ số tốt hơn nhưng bạn vẫn phải cân nhắc khả năng trình bày và diễn giải. Không được lấy các số minh họa này thay cho output của file bạn.

Bảng Stimulus Coordinates, số liệu minh họa:

Trong ví dụ, A và B nằm gần nhau hơn so với A và D, nhưng bạn cần tính khoảng cách trực tiếp từ tọa độ hoặc quan sát bản đồ để kết luận cụ thể. Việc đặt tên Dimension 1 là “giá cả” hay Dimension 2 là “chất lượng” phải dựa trên thuộc tính, biến mô tả hoặc thiết kế bảng hỏi. Không đặt tên trục chỉ vì một điểm nằm ở phía dương.

Nếu bài nghiên cứu có mục tiêu phân nhóm, bạn có thể dùng vị trí tương đối để mô tả cụm đối tượng, nhưng MDS tự nó không thay thế một thủ tục clustering. Khi cần hồi quy với biến kiểm soát, hãy tách rõ phần đó khỏi bản đồ MDS. Khái niệm biến kiểm soát thuộc cấu trúc mô hình dự báo, không phải một trục mặc định của MDS.

Tiêu chí đánh giá

MDS không có một bảng ngưỡng duy nhất đủ để quyết định “đạt” hoặc “không đạt” cho mọi nghiên cứu. Bạn nên đánh giá theo bốn câu hỏi: Stress có giảm khi tăng số chiều không, RSQ có cải thiện không, cấu hình có ổn định và dễ đọc không, các trục có thể giải thích bằng nội dung nghiên cứu không.

Đừng áp dụng ngưỡng của Cronbach's Alpha, KMO hoặc factor loading cho Stress và RSQ. Những chỉ số đó thuộc các thủ tục khác. Tương tự, CFI, TLI và RMSEA là nhóm chỉ số thường dùng trong CB-SEM, không phải tiêu chí mặc định để kết luận MDS trong SPSS.

Nếu bạn cần mô hình hóa biến tiềm ẩn, biến điều tiết hoặc đường dẫn cấu trúc, MDS có thể không phải công cụ chính. Bạn có thể đọc thêm về biến điều tiết hoặc cách xử lý biến điều tiết trong SmartPLS để phân biệt bản đồ nhận thức với mô hình quan hệ giữa các biến.

Cách viết kết quả vào luận văn

Trong chương 3, bạn ghi nguồn dữ liệu, cách tạo ma trận khoảng cách hoặc tương đồng, thước đo được chọn, số chiều thử nghiệm và tiêu chí chọn nghiệm cuối. Trong chương 4, trình bày bảng Stress và RSQ, bản đồ không gian, tọa độ nếu cần, rồi giải thích các nhóm hoặc vị trí tương đối.

Cách viết vào luận văn: “Kết quả MDS với [số chiều] chiều cho thấy giá trị Stress là [giá trị Stress] và RSQ là [giá trị RSQ]. So với nghiệm [số chiều thay thế], nghiệm được chọn có [mô tả mức cải thiện] đồng thời cho phép diễn giải [Dimension 1] và [Dimension 2] theo [căn cứ đặt tên trục]. Trên bản đồ, [đối tượng A] nằm gần [đối tượng B], cho thấy hai đối tượng có mức độ tương đồng tương đối cao trong nhận thức của mẫu khảo sát.”

Bạn phải thay toàn bộ phần trong ngoặc vuông bằng số liệu và lập luận từ file của mình. Cụm “tương đồng tương đối cao” cần được dùng đúng ngữ cảnh, vì khoảng cách trên bản đồ không chứng minh nguyên nhân, tác động hay quan hệ nhân quả. Nếu kết quả chỉ mô tả vị trí, hãy giữ kết luận ở mức mô tả.

Lỗi thường gặp khi chạy đo lường đa chiều MDS

Lỗi đầu tiên là đưa dữ liệu thô vào sai dạng. Một bảng gồm các biến độc lập và phụ thuộc không tự động trở thành ma trận khoảng cách. Bạn cần xác định MDS đang nhận các cặp đối tượng, các giá trị tương đồng hay các biến dùng để tính khoảng cách.

Lỗi thứ hai là đảo chiều similarity và dissimilarity. Khi số lớn được hiểu là giống nhau nhưng bạn khai báo là khoảng cách, hình dạng bản đồ có thể bị diễn giải ngược. Kiểm tra hướng đo ngay từ bảng hỏi và phần tính toán trung gian.

Lỗi thứ ba là chọn ba hoặc bốn chiều chỉ vì Stress giảm. Bản đồ nhiều chiều khó đọc, khó đưa vào luận văn và có thể khiến người đọc không biết mỗi trục đại diện cho điều gì. Hãy báo cáo các nghiệm đã thử, không chỉ khoe nghiệm có chỉ số thấp nhất.

Lỗi thứ tư là đặt tên trục tùy ý. Dimension 1 không mặc nhiên là “giá cả”, còn Dimension 2 không mặc nhiên là “chất lượng”. Tên trục phải có căn cứ từ thuộc tính đo lường, nội dung lý thuyết hoặc cách người trả lời đánh giá đối tượng.

Lỗi cuối là dùng MDS để trả lời câu hỏi nhân quả. MDS cho bạn cấu trúc khoảng cách và vị trí tương đối. Nếu bạn cần kiểm tra một biến tác động đến biến khác, hãy dùng thủ tục phù hợp như hồi quy, PROCESS hoặc mô hình PLS-SEM. Các thủ tục SmartPLS khác, chẳng hạn FIMIX-PLS trong SmartPLS 4, có mục tiêu riêng và không nên trộn tiêu chí với MDS.

Đọc thêm: biến kiểm soát là gì, biến điều tiết, biến điều tiết trong smartpls, biến giả trong smartpls, cách chạy fimix smartpls 4, chủ đề spss.

Câu hỏi thường gặp

Đo lường đa chiều MDS trong SPSS là gì

MDS là thủ tục tạo bản đồ không gian từ quan hệ giống nhau hoặc khác nhau giữa các đối tượng. Các đối tượng gần nhau trên bản đồ có quan hệ tương đồng hơn theo dữ liệu đầu vào, còn các đối tượng xa nhau có quan hệ khác biệt hơn.

MDS trong SPSS có giống EFA không

Hai thủ tục đều có thể tạo ra các chiều để diễn giải dữ liệu, nhưng đầu vào và mục tiêu khác nhau. EFA tìm cấu trúc nhân tố từ tương quan giữa biến quan sát. MDS tái hiện quan hệ khoảng cách hoặc tương đồng giữa đối tượng trên một bản đồ.

Stress bao nhiêu là đạt

Bạn không nên lấy một con số duy nhất làm điều kiện đạt cho mọi bài MDS nếu chưa có quy định phương pháp phù hợp với thiết kế của mình. Hãy so sánh Stress giữa các số chiều, xem RSQ, khả năng diễn giải và lý do chọn mô hình. Trong luận văn, báo cáo giá trị thực tế của bạn thay vì thay bằng một ngưỡng không có căn cứ.

Vì sao SPSS không hiện bản đồ MDS

Kiểm tra bạn đã chọn tùy chọn plot hoặc configuration trong hộp thoại chưa, đồng thời xem dữ liệu có đủ giá trị hợp lệ hay không. Nếu chỉ có một phần ma trận, nhiều missing values hoặc dữ liệu không đúng dạng proximity, SPSS có thể không tạo được biểu đồ như bạn mong đợi.

Có cần chạy MDS nhiều lần không

Nên chạy các nghiệm có số chiều hợp lý để so sánh, đặc biệt là một chiều, hai chiều và ba chiều nếu đề tài cho phép. Bạn cũng cần lưu thiết lập, output và lý do chọn nghiệm cuối. Chạy nhiều lần có ích khi mỗi lần trả lời một câu hỏi phân tích rõ ràng, không có ích nếu chỉ lặp lại đến khi thấy con số đẹp.

Có thể dùng MDS để kiểm định giả thuyết tác động không

MDS chủ yếu mô tả cấu trúc tương đồng và vị trí tương đối. Nó không cung cấp trực tiếp hệ số tác động, p-value của một quan hệ nhân quả hoặc kiểm định vai trò trung gian. Nếu giả thuyết của bạn có dạng “X ảnh hưởng đến Y”, hãy chọn thủ tục phù hợp với mô hình và loại dữ liệu.

Mở file SPSS của bạn, kiểm tra lại mỗi dòng đang đại diện cho ai, ma trận đang đo similarity hay dissimilarity, rồi chạy lần lượt các nghiệm số chiều trước khi viết kết quả. Nếu bạn muốn chạy phân tích trên chính file .sav hoặc .csv và chuyển output thành phần diễn giải, xem module M4 phân tích dữ liệu của DoThesis.