Dữ liệu bảng là gì? Cách nhận biết và xử lý trong SPSS
Dữ liệu bảng là gì
Bạn mở file Excel hoặc SPSS và thấy mỗi dòng là một người trả lời, còn mỗi cột là giới tính, độ tuổi, biến quan sát và điểm số. Cách sắp xếp đó thường được gọi là dữ liệu dạng bảng. Nói chính xác hơn, dữ liệu bảng là tập dữ liệu được trình bày theo hàng và cột, trong đó hàng thường đại diện cho một đơn vị quan sát, còn cột đại diện cho biến.
Trong nghiên cứu định lượng, một bảng dữ liệu có thể chứa dữ liệu sơ cấp do bạn thu bằng bảng hỏi, hoặc dữ liệu thứ cấp lấy từ báo cáo, cơ sở dữ liệu và hồ sơ có sẵn. Nếu bạn thu 250 phiếu khảo sát và mỗi người trả lời chiếm một dòng, file đó là dữ liệu dạng bảng. Bạn có thể xem thêm dữ liệu sơ cấp để phân biệt nguồn dữ liệu do mình thu thập với dữ liệu có sẵn.
Cần chú ý một điểm dễ gây nhầm. Trong kinh tế lượng, “panel data” cũng thường được dịch là dữ liệu bảng. Panel data theo nghĩa chuyên môn là dữ liệu theo dõi nhiều đơn vị qua nhiều thời điểm, chẳng hạn 50 doanh nghiệp được quan sát trong 5 năm. Loại dữ liệu này có cấu trúc đơn vị và thời gian, khác với file khảo sát một lần mà sinh viên thường xử lý bằng SPSS. Bài viết này tập trung vào dữ liệu dạng bảng dùng để nhập và phân tích trong SPSS, đồng thời chỉ ra khi nào thuật ngữ “dữ liệu bảng” đang được dùng theo nghĩa panel data.
Ý nghĩa của dữ liệu bảng trong nghiên cứu định lượng
Dữ liệu bảng là cấu trúc để phần mềm đọc dữ liệu, không phải một kiểm định hay một thang đo. Nếu cấu trúc hàng và cột bị đảo, biến bị nhập thành chữ, hoặc nhiều người dùng chung một mã, các kết quả Cronbach's Alpha, EFA và hồi quy có thể sai dù bạn bấm đúng menu.
Một nguyên tắc thực tế là mỗi hàng nên là một đơn vị quan sát độc lập. Với khảo sát cá nhân, đó là một người trả lời. Với khảo sát doanh nghiệp, đó có thể là một doanh nghiệp. Nếu một người trả lời xuất hiện ba lần, cỡ mẫu hiển thị trên SPSS tăng nhưng thông tin thực tế không tăng tương ứng.
Mỗi cột nên đại diện cho một biến có ý nghĩa rõ ràng. Ví dụ, GT, TUOI, CL1, CL2, CL3 có thể lần lượt là giới tính, tuổi và các biến quan sát của chất lượng dịch vụ. Tên biến nên ngắn, không có dấu cách và không dùng ký hiệu khó đọc trong SPSS.
Dữ liệu bảng giúp bạn thực hiện các quyết định sau:
- Kiểm tra số lượng quan sát và số biến trước khi phân tích.
- Xác định biến nào là biến định tính, biến định lượng và biến quan sát Likert.
- Phát hiện giá trị thiếu, giá trị ngoài khoảng và bản ghi trùng.
- Chọn phân tích phù hợp, chẳng hạn Frequencies, Descriptives, Reliability Analysis, Factor Analysis hoặc Regression.
- Lưu lại một file gốc để có thể giải trình cách làm sạch dữ liệu với giảng viên.
Nguồn dữ liệu không quyết định trực tiếp chất lượng file. Dữ liệu sơ cấp trong SPSS vẫn có thể bị lỗi do nhập sai mã hoặc bỏ sót câu trả lời. Dữ liệu thứ cấp trong SPSS cũng cần kiểm tra định dạng, đơn vị đo, thời gian quan sát và nguồn của từng cột. Nếu bạn đang làm với báo cáo, chỉ tiêu ngành hoặc số liệu công bố, xem hướng dẫn dữ liệu thứ cấp là gì trước khi nhập file.
Dữ liệu bảng bao nhiêu là đạt
Không có một con số duy nhất trả lời cho câu hỏi dữ liệu bảng bao nhiêu là tốt. Cần tách ít nhất ba vấn đề: có bao nhiêu hàng, có bao nhiêu biến quan sát và dữ liệu có đủ thông tin cho mô hình hay không. Một file có 500 dòng nhưng 40 phần trăm dòng thiếu nhiều câu trả lời chưa chắc tốt hơn file có 250 dòng được điền đầy đủ.
Với thang đo dùng cho EFA, Hair và cộng sự gợi ý khoảng 5 đến 10 quan sát cho mỗi biến quan sát (Hair và cộng sự, 2010). Đây là quy tắc tham khảo, không phải giấy phép bỏ qua chất lượng mẫu. Với hồi quy, một mốc thường được dùng là cỡ mẫu từ 50 + 8m trở lên, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013). Nếu có 6 biến độc lập, mốc tính theo quy tắc này là 98 quan sát.
Bảng dưới đây gom các mốc thường gặp để bạn kiểm tra file. Mỗi dòng đều ghi nguồn để bạn có thể giải thích khi viết phương pháp.
| Nội dung cần kiểm tra | Mốc tham khảo | Nguồn canonical |
|---|---|---|
| Số quan sát cho mỗi biến quan sát | 5 đến 10 quan sát | (Hair và cộng sự, 2010) |
| Cỡ mẫu hồi quy với m biến độc lập | Từ 50 + 8m | (Tabachnick và Fidell, 2013) |
| Cronbach's Alpha | Từ 0.7, hoặc từ 0.6 với thang đo khám phá | (Nunnally, 1978) và (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 | (Nunnally và Bernstein, 1994) |
| KMO trước EFA | Từ 0.5 | (Kaiser, 1974) |
| Bartlett's Test | p-value nhỏ hơn 0.05 | (Kaiser, 1974) |
| Factor loading trong EFA | Từ 0.5 | (Hair và cộng sự, 2010) |
| Total Variance Explained | Từ 50% | (Hair và cộng sự, 2010) |
| Durbin-Watson trong hồi quy | Từ 1 đến 3 | (Field, 2013) |
Khi dùng mốc này, bạn cần báo cáo cả số quan sát ban đầu và số quan sát sau làm sạch. Nếu loại 37 dòng vì thiếu dữ liệu, phần phương pháp nên nêu lý do và số còn lại, thay vì chỉ đưa ra con số cuối cùng.
Cách đọc dữ liệu bảng trên output
SPSS không có một bảng duy nhất mang tên “dữ liệu bảng”. Bạn đọc dữ liệu qua các bảng tần số, thống kê mô tả và kết quả kiểm định. Trước hết, vào Analyze > Descriptive Statistics > Frequencies với biến định tính như giới tính hoặc trình độ. Bảng Frequencies cho biết số lượng và tỷ lệ của từng mã.
Với biến định lượng hoặc điểm trung bình, vào Analyze > Descriptive Statistics > Descriptives. Các cột N, Minimum, Maximum, Mean và Std. Deviation giúp bạn phát hiện giá trị bất thường. Nếu thang Likert chỉ từ 1 đến 5 mà Maximum bằng 55, nhiều khả năng dữ liệu bị nhập sai hoặc hai cột đã bị ghép.
Tiếp theo, kiểm tra dữ liệu thiếu trong Analyze > Descriptive Statistics > Frequencies. Cột Missing cho biết số ô thiếu theo từng biến. Bạn nên đối chiếu với file Excel gốc và quy ước mã thiếu trong Variable View. Một ô trống, mã 99 và mã 0 không tự động được SPSS hiểu giống nhau.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường in trong output để bạn nhận ra vị trí cần đọc.
Bảng Frequencies và Descriptives, số liệu minh họa
| Variable | Valid N | Missing | Minimum | Maximum | Mean | Std. Deviation |
|---|---|---|---|---|---|---|
| CL1 | 238 | 12 | 1 | 5 | 3.71 | 0.86 |
| CL2 | 242 | 8 | 1 | 5 | 3.65 | 0.91 |
| CL3 | 250 | 0 | 1 | 5 | 3.82 | 0.79 |
| HL1 | 245 | 5 | 1 | 5 | 3.56 | 0.94 |
| HL2 | 239 | 11 | 1 | 5 | 3.60 | 0.88 |
Ở bảng minh họa, CL1 có 238 giá trị hợp lệ và 12 giá trị thiếu. Bạn chưa thể kết luận CL1 là biến kém chỉ vì Missing bằng 12. Cần xem 12 ô này nằm ở những dòng nào, có tập trung ở một nhóm người trả lời hay không, và các dòng đó còn đủ thông tin cho phân tích hay không.
Nếu đã chạy Cronbach's Alpha, vào Analyze > Scale > Reliability Analysis, đưa các biến cùng một khái niệm vào ô Items. Trong nút Statistics, chọn Item, Scale và Scale if item deleted. Output Reliability Statistics cho biết Alpha và số biến, còn Item-Total Statistics cho biết Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted.
Nếu cần chạy nhiều lệnh lặp lại, bạn có thể lưu thao tác bằng chạy syntax SPSS. Syntax giúp ghi lại chính xác biến nào đã đưa vào phân tích, nhưng không sửa được lỗi ở file gốc.
Khi dữ liệu bảng không đạt thì xử lý thế nào
Bạn xử lý theo thứ tự từ dữ liệu gốc đến mô hình, không bắt đầu bằng việc xóa hàng loạt để làm đẹp output.
Bước 1: Giữ nguyên một bản sao dữ liệu gốc
Lưu một file chỉ đọc, chẳng hạn data_raw.sav. Tạo bản làm việc riêng như data_clean_v1.sav. Ghi ngày xử lý, số dòng bị loại và lý do loại. Cách này giúp bạn quay lại khi giảng viên hỏi một biến đã biến mất từ vòng nào.
Bước 2: Kiểm tra mã hóa và kiểu biến
Trong Variable View, xem Type, Decimals, Values, Missing và Measure. Biến giới tính có thể mã hóa 1 và 2, nhưng 1 và 2 chỉ là mã nhóm, không nên tính Mean như một biến định lượng. Các biến Likert từ 1 đến 5 cần được nhập dưới dạng số để chạy Reliability Analysis và EFA.
Nếu bạn có câu hỏi đảo chiều, phải đổi mã trước khi tính điểm thang đo. Với thang 1 đến 5, công thức thường là điểm mới bằng 6 trừ điểm cũ. Hãy kiểm tra lại nhãn biến và lưu một cột mới thay vì ghi đè ngay lên cột gốc.
Bước 3: Xử lý dữ liệu thiếu có căn cứ
Dữ liệu bị thiếu nhiều phải làm sao còn tùy mức độ và vị trí thiếu. Một dòng bỏ trống gần như toàn bộ bảng hỏi có thể bị loại theo tiêu chí làm sạch đã đặt trước. Một vài ô thiếu trong một thang đo cần được xem xét riêng, không nên mặc định thay bằng Mean cho toàn bộ file.
Bạn cũng cần phân biệt người trả lời bỏ qua một câu với mã trả lời “không biết” hoặc “không áp dụng”. Nếu 99 là mã thiếu, hãy khai báo nó trong Missing hoặc xử lý trước khi tính trung bình. Việc thay thế dữ liệu phải được mô tả trong phương pháp, vì nó ảnh hưởng đến N và các kết quả sau đó.
Bước 4: Kiểm tra dữ liệu ngoài khoảng và bản ghi trùng
Dùng Analyze > Descriptive Statistics > Frequencies để tìm giá trị ngoài khoảng. Dùng Data > Identify Duplicate Cases để xem các bản ghi có thể trùng. Không xóa bản ghi chỉ vì hai người có câu trả lời giống nhau, vì sự giống nhau có thể xảy ra tự nhiên. Cần dựa vào mã phiếu, thời gian gửi hoặc thông tin nhận diện phù hợp với cách thu dữ liệu.
Bước 5: Kiểm tra phân phối trước khi chọn phép phân tích
Dữ liệu không phân phối chuẩn phải làm sao? Trước hết, xác định bạn đang kiểm tra biến đơn, phần dư hồi quy hay điểm tổng hợp của thang đo. Đừng xóa một quan sát chỉ vì biểu đồ Histogram chưa đẹp. Xem thêm Skewness, Kurtosis, Q-Q plot và mục tiêu của phép phân tích.
Trong hồi quy, bạn cần xem phần dư và các chẩn đoán của mô hình, không chỉ nhìn từng biến độc lập. Có thể cân nhắc biến đổi, dùng phương pháp ít nhạy hơn với giả định hoặc báo cáo giới hạn của dữ liệu, nhưng lựa chọn phải phù hợp với thiết kế nghiên cứu. Nếu sử dụng hồi quy, biến định tính chạy hồi quy phải làm sao sẽ giúp bạn kiểm tra thêm việc mã hóa biến nhóm.
Phân biệt dữ liệu bảng với dữ liệu sơ cấp và thứ cấp
“Dữ liệu bảng” mô tả cấu trúc trình bày, còn “dữ liệu sơ cấp” và “dữ liệu thứ cấp” mô tả nguồn dữ liệu. Ba khái niệm này có thể xuất hiện cùng lúc trong một file.
| Cách phân loại | Câu hỏi cần trả lời | Ví dụ trong SPSS |
|---|---|---|
| Dạng bảng | Dữ liệu được sắp xếp theo hàng và cột thế nào | Mỗi dòng là một người, mỗi cột là một biến |
| Sơ cấp | Ai thu thập và thu bằng cách nào | 250 phiếu bảng hỏi do bạn thu |
| Thứ cấp | Dữ liệu ban đầu do đơn vị nào công bố | Doanh thu, dân số hoặc chỉ tiêu từ báo cáo |
| Panel data | Có theo dõi cùng đơn vị qua nhiều thời điểm không | Doanh nghiệp A được ghi nhận năm 2021, 2022, 2023 |
Một file khảo sát 250 người trong một thời điểm là dữ liệu sơ cấp dạng bảng, nhưng chưa phải panel data. Một file doanh thu của 30 doanh nghiệp trong 5 năm là dữ liệu thứ cấp có cấu trúc panel data. SPSS vẫn có thể mở file, nhưng cách phân tích panel chuyên sâu có thể cần phần mềm hoặc quy trình khác với hồi quy chéo thông thường.
Nếu bạn muốn chuẩn hóa thang đo hoặc đưa các biến về cùng một thang điểm, hãy đọc chuẩn hóa dữ liệu là gì. Chuẩn hóa không giải quyết dữ liệu thiếu, không sửa bản ghi trùng và không biến dữ liệu định tính thành dữ liệu định lượng hợp lệ.
Lỗi thường gặp
Gọi mọi file Excel là panel data
Excel chỉ là định dạng lưu file. Một bảng khảo sát một lần có thể nằm trong Excel nhưng không có chiều thời gian. Chỉ dùng nghĩa panel data khi cùng đơn vị được theo dõi lặp lại qua các thời điểm xác định.
Để biến quan sát thành hàng
Với dữ liệu khảo sát thông thường, mỗi người trả lời nên là một hàng, CL1, CL2, CL3 là các cột. Nếu đặt mỗi người thành một cột, bạn sẽ khó kiểm tra Missing, chạy Cronbach's Alpha và đọc N.
Nhập câu trả lời bằng chữ cho thang Likert
Các giá trị “Hoàn toàn không đồng ý”, “Trung lập” và “Đồng ý” nhìn dễ đọc trong Excel nhưng gây khó khăn khi chạy phân tích. Hãy dùng mã số kèm Value Labels, chẳng hạn 1 đến 5, và lưu bảng mã trong tài liệu nghiên cứu.
Xóa quá nhiều dòng để đạt cỡ mẫu
Nếu bỏ các dòng chỉ vì chúng làm Alpha thấp hoặc làm p-value không đẹp, kết quả có nguy cơ bị xem là điều chỉnh theo output. Tiêu chí loại phải liên quan đến chất lượng phản hồi và được nêu trước hoặc giải thích rõ trong luận văn.
Chỉ nhìn Mean mà bỏ qua Missing
Mean của CL3 có thể được tính trên 250 người, trong khi CL1 chỉ có 238 người. Khi tính điểm trung bình thang đo, hãy kiểm tra quy tắc số biến hợp lệ và ghi rõ cách xử lý.
Câu hỏi thường gặp
Dữ liệu bảng có phải là dữ liệu panel không?
Không nhất thiết. Dữ liệu dạng bảng chỉ nói đến cách sắp xếp hàng và cột. Dữ liệu panel là trường hợp đặc biệt, trong đó nhiều đơn vị được quan sát qua nhiều thời điểm.
Dữ liệu bảng trong SPSS nên để hàng hay cột là người trả lời?
Với khảo sát thông thường, mỗi người trả lời nên là một hàng và mỗi biến là một cột. Cách này phù hợp với các menu Frequencies, Descriptives, Reliability Analysis, Factor Analysis và Regression trong SPSS.
Dữ liệu bảng bao nhiêu là tốt?
Cần xem cả số hàng, số biến, dữ liệu thiếu và mục tiêu phân tích. Với EFA, mốc tham khảo thường là 5 đến 10 quan sát cho mỗi biến quan sát (Hair và cộng sự, 2010). Với hồi quy, có thể tham khảo công thức 50 + 8m (Tabachnick và Fidell, 2013), nhưng bạn vẫn cần xem chất lượng từng dòng.
Dữ liệu bị thiếu nhiều phải làm sao?
Đầu tiên xác định thiếu ở biến nào, dòng nào và vì sao. Sau đó đặt tiêu chí loại dòng hoặc xử lý giá trị thiếu trước khi phân tích, đồng thời ghi lại số lượng trước và sau xử lý. Không thay toàn bộ ô thiếu bằng một giá trị duy nhất nếu chưa hiểu ý nghĩa của mã thiếu.
Dữ liệu không phân phối chuẩn phải làm sao?
Bạn cần xác định giả định chuẩn áp dụng cho biến nào và phép phân tích nào. Kiểm tra biểu đồ, chỉ số mô tả và phần dư khi cần, sau đó cân nhắc biến đổi, phương pháp thay thế hoặc báo cáo giới hạn. Không tự động xóa các quan sát cực trị chỉ để biểu đồ trông cân đối.
Mở file .sav hoặc .csv của bạn ngay bây giờ, kiểm tra mỗi hàng đang đại diện cho ai, mỗi cột đang đo điều gì, rồi ghi lại N hợp lệ và số ô thiếu trước khi chạy phân tích tiếp theo; nếu cần chạy toàn bộ quy trình trên dữ liệu thật của mình, bạn có thể dùng M4 phân tích dữ liệu SPSS và SmartPLS.