Durbin-Watson là gì? Cách đọc chỉ số trong SPSS

Durbin-Watson là gì

Bạn mở bảng Model Summary trong SPSS và thấy một cột tên Durbin-Watson, thường nằm bên phải R Square và Adjusted R Square. Durbin-Watson là chỉ số dùng để kiểm tra hiện tượng tự tương quan bậc nhất của phần dư trong mô hình hồi quy, tức phần sai số của một quan sát có liên hệ với phần sai số ở quan sát liền trước hay không.

Chỉ số này được tính từ phần dư của mô hình theo công thức:

DW = Σ(e_t - e_{t-1})² / Σe_t²

Trong đó, e_t là phần dư của quan sát thứ t, còn e_{t-1} là phần dư của quan sát ngay trước đó. Giá trị Durbin-Watson thường nằm trong khoảng từ 0 đến 4. Giá trị gần 2 cho thấy phần dư không có dấu hiệu tự tương quan bậc nhất rõ rệt. Giá trị thấp hơn 2 gợi ý tương quan dương, còn giá trị cao hơn 2 gợi ý tương quan âm.

Trong luận văn định lượng, Durbin-Watson thường xuất hiện khi bạn chạy hồi quy tuyến tính. Đây là một chỉ số chẩn đoán mô hình, không phải hệ số cho biết biến độc lập tác động mạnh hay yếu đến biến phụ thuộc.

Ý nghĩa của Durbin-Watson trong nghiên cứu định lượng

Mục tiêu của kiểm tra Durbin-Watson là xem các phần dư có độc lập với nhau hay không. Giả định này đặc biệt đáng chú ý khi dữ liệu có thứ tự theo thời gian, chẳng hạn doanh thu theo tháng, tỷ lệ thất nghiệp theo quý hoặc giá cổ phiếu theo ngày. Với dữ liệu khảo sát tại một thời điểm, vấn đề tự tương quan thường ít nổi bật hơn, nhưng bạn vẫn có thể thấy chỉ số này trong bảng kết quả hồi quy của SPSS.

Nếu phần dư tự tương quan, các quan sát trong mô hình không còn cung cấp thông tin độc lập hoàn toàn. Khi đó, hệ số hồi quy vẫn có thể được ước lượng, nhưng sai số chuẩn và các kiểm định suy luận như t-test, F-test hoặc p-value có thể bị ảnh hưởng. Bạn cần thận trọng trước khi kết luận một biến độc lập có tác động có ý nghĩa thống kê.

Durbin-Watson không trả lời các câu hỏi sau:

• Biến độc lập có tác động cùng chiều hay ngược chiều không.
• Mô hình giải thích được bao nhiêu phần trăm biến thiên của biến phụ thuộc.
• Mô hình có đa cộng tuyến hay không.
• Phần dư có phân phối chuẩn hoàn toàn hay không.

Mỗi câu hỏi cần một chỉ số khác. R Square và Adjusted R Square mô tả mức độ giải thích của mô hình. Coefficients cho biết hệ số, t, Sig. và khoảng tin cậy. VIF được dùng khi kiểm tra đa cộng tuyến. Vì vậy, bạn không nên nhìn thấy Durbin-Watson nằm trong khoảng chấp nhận rồi kết luận toàn bộ mô hình đã đạt.

Nếu bạn đang học cách đọc toàn bộ mô hình, có thể đối chiếu thêm phần mô hình hồi quy tuyến tính và một bài tập hồi quy tuyến tính có lời giải. Hai phần này giúp đặt Durbin-Watson vào đúng vị trí giữa các bước kiểm tra khác.

Durbin-Watson bao nhiêu là đạt

Trong nhiều luận văn, khoảng từ 1 đến 3 được dùng như một quy tắc thực hành để nhận định chưa có dấu hiệu tự tương quan nghiêm trọng. Tiêu chí này được trình bày trong tài liệu hướng dẫn phân tích SPSS của Field (Field, 2013). Khoảng này phù hợp để sàng lọc ban đầu, nhưng không thay thế hoàn toàn kiểm định chuyên sâu khi dữ liệu là chuỗi thời gian hoặc khi mô hình có yêu cầu nghiêm ngặt hơn.

Bạn có thể đọc nhanh theo bảng sau:

Ví dụ, Durbin-Watson bằng 1.82 thường được báo cáo là nằm trong khoảng 1 đến 3. Durbin-Watson bằng 0.64 hoặc 3.41 không nên bị loại ngay chỉ vì một con số, nhưng đó là tín hiệu để bạn xem lại cấu trúc dữ liệu, thứ tự quan sát và các chẩn đoán phần dư khác.

Một điểm quan trọng là khoảng 1 đến 3 không phải tiêu chuẩn tuyệt đối cho mọi mô hình. Giá trị tới hạn chính xác còn liên quan đến số quan sát, số biến giải thích và cách kiểm định. Nếu đề tài dùng dữ liệu chuỗi thời gian, bạn nên hỏi giảng viên về kiểm định phù hợp thay vì chỉ ghi câu “Durbin-Watson đạt vì nằm trong khoảng 1 đến 3”.

Cách đọc Durbin-Watson trên output SPSS

Chuẩn bị dữ liệu và mô hình

Trước khi chạy, kiểm tra biến phụ thuộc, các biến độc lập và số thứ tự của quan sát. Với dữ liệu khảo sát, mỗi dòng thường là một người trả lời và thứ tự dòng có thể không mang ý nghĩa thời gian. Với dữ liệu theo tháng hoặc theo quý, thứ tự dòng phải phản ánh đúng trình tự thời gian.

Bạn cũng nên kiểm tra missing value, các dòng nhập trùng và những quan sát bị loại trước khi chạy hồi quy. Nếu bạn thay đổi mẫu phân tích sau khi chạy, giá trị Durbin-Watson có thể thay đổi theo. Hãy lưu một bản dữ liệu sạch riêng để có thể truy lại từng phiên bản.

Chạy hồi quy tuyến tính trong SPSS

Mở SPSS và chọn Analyze > Regression > Linear. Trong hộp thoại Linear Regression, đưa biến phụ thuộc vào ô Dependent, các biến độc lập vào ô Independent(s). Chọn phương pháp Enter nếu mô hình lý thuyết của bạn yêu cầu đưa các biến vào cùng lúc.

Nhấn Statistics, đánh dấu Estimates, Model fit, Confidence intervals, Collinearity diagnostics và Durbin-Watson, sau đó chọn Continue. Nếu cần kiểm tra phần dư, nhấn Plots, đưa *ZPRED vào ô X và *ZRESID vào ô Y, rồi chọn biểu đồ phù hợp. Nhấn OK để chạy.

Nếu bạn đang chạy mô hình với biến phụ thuộc nhị phân, chẳng hạn có hoặc không mua sản phẩm, hãy xem hướng dẫn hồi quy logistic thay vì áp dụng nguyên quy trình hồi quy tuyến tính. Durbin-Watson thường được đọc trong bối cảnh hồi quy tuyến tính và không phải là tiêu chí chung cho mọi loại mô hình.

Tìm chỉ số trong bảng Model Summary

Trong Output Viewer, tìm bảng Model Summary. Cột thường có tên R, R Square, Adjusted R Square, Std. Error of the Estimate và Durbin-Watson. Bạn chỉ cần đọc giá trị ở hàng mô hình đang báo cáo, thường là hàng 1.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế:

Với bảng minh họa này, Durbin-Watson bằng 1.847. Con số nằm trong khoảng 1 đến 3 nên có thể nói mô hình chưa cho thấy dấu hiệu tự tương quan bậc nhất đáng kể theo quy tắc thực hành của (Field, 2013). Bạn vẫn cần đọc thêm bảng ANOVA, bảng Coefficients, VIF và các biểu đồ chẩn đoán trước khi kết luận mô hình.

Đối chiếu với các bảng output khác

Model Summary chỉ cung cấp giá trị Durbin-Watson. Để đánh giá hồi quy đầy đủ, xem ANOVA để kiểm tra ý nghĩa tổng thể của mô hình, sau đó xem Coefficients để đọc hệ số hồi quy và Sig. của từng biến. Nếu dùng biến quan sát từ bảng hỏi, bạn cũng cần trình bày các bước xử lý thang đo trước khi chạy mô hình.

Nếu Durbin-Watson nằm ngoài khoảng thường dùng, mở lại biểu đồ phần dư. Biểu đồ ZRESID theo ZPRED giúp bạn quan sát dạng phân tán của phần dư, còn các biểu đồ khác hỗ trợ kiểm tra phân phối và điểm bất thường. Không nên sửa dữ liệu chỉ để đưa Durbin-Watson về gần 2.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau theo bảng thật của mình: “Kết quả tại bảng Model Summary cho thấy chỉ số Durbin-Watson của mô hình là [DW]. Giá trị này nằm [trong/ngoài] khoảng từ 1 đến 3, do đó phần dư [chưa cho thấy/có dấu hiệu] tự tương quan bậc nhất theo tiêu chí của (Field, 2013). Kết quả này được xem xét cùng với các kiểm định và chỉ số chẩn đoán khác của mô hình.”

Chỉ thay [DW] bằng con số trong output của bạn và chọn phần diễn giải phù hợp. Không sao chép giá trị 1.847 của bảng minh họa vào chương 4.

Khi Durbin-Watson không đạt thì xử lý thế nào

Kiểm tra lại thứ tự quan sát

Trước tiên, kiểm tra xem dữ liệu có bị sắp xếp sai thứ tự hay không. Với chuỗi thời gian, một vài dòng bị xáo trộn có thể làm phần dư liền kề không còn phản ánh hai thời điểm liên tiếp. Sắp xếp lại theo mã thời gian, chạy lại mô hình và lưu rõ phiên bản dữ liệu đã dùng.

Với dữ liệu khảo sát cắt ngang, Durbin-Watson ngoài khoảng không tự động chứng minh rằng bạn đã nhập sai dữ liệu. Nó chỉ cho thấy cần xem xét thêm cách thu thập, thứ tự bản ghi, các biến bị bỏ sót và điểm bất thường.

Kiểm tra điểm bất thường và phần dư

Xem các giá trị dự đoán chuẩn hóa, phần dư chuẩn hóa và biểu đồ phần dư. Một số quan sát có ảnh hưởng lớn có thể làm thay đổi kết quả hồi quy. Bạn cần ghi nhận lý do loại một dòng, chẳng hạn dữ liệu thiếu theo tiêu chí đã định trước, thay vì loại chỉ vì nó làm chỉ số đẹp hơn.

Xem xét biến bị bỏ sót hoặc dạng mô hình

Tự tương quan có thể xuất hiện khi mô hình chưa mô tả một cấu trúc quan trọng của dữ liệu. Với dữ liệu theo thời gian, có thể cần thêm biến trễ, xu hướng hoặc phương pháp phù hợp với chuỗi thời gian. Đây là quyết định về mô hình và cơ sở lý thuyết, không phải thao tác chỉnh một con số trong SPSS.

Dùng kiểm định hoặc phương pháp phù hợp hơn

Nếu dữ liệu có cấu trúc chuỗi thời gian rõ ràng, hãy trao đổi với giảng viên về kiểm định chuyên sâu và phương pháp ước lượng phù hợp. Không nên kết luận “mô hình không dùng được” chỉ từ Durbin-Watson, cũng không nên kết luận “mô hình đạt” chỉ vì một lần chạy cho ra giá trị gần 2.

Trong hồi quy ứng dụng, cách giải trình có thể chấp nhận thường gồm: mô tả giá trị quan sát được, nêu quy tắc đánh giá đã chọn, kiểm tra lại dữ liệu và báo cáo giới hạn. Cách giải trình kém thuyết phục là chạy đi chạy lại nhiều phiên bản rồi chỉ giữ phiên bản có chỉ số đẹp mà không ghi lại lý do.

Phân biệt Durbin-Watson với các chỉ số dễ nhầm

Durbin-Watson thường bị nhầm với VIF, Tolerance, R Square hoặc Sig.. Các chỉ số này cùng xuất hiện trong kết quả hồi quy nhưng kiểm tra những vấn đề khác nhau.

Durbin-Watson và VIF đều là chỉ số chẩn đoán, nhưng chúng không thay thế nhau. Một mô hình có Durbin-Watson gần 2 vẫn có thể bị đa cộng tuyến. Ngược lại, mô hình có VIF phù hợp vẫn có thể cần kiểm tra tự tương quan nếu dữ liệu được sắp xếp theo thời gian.

Bạn cũng không nên dùng Durbin-Watson để kết luận phần dư có phân phối chuẩn. Hãy xem biểu đồ và kiểm tra được thiết kế cho giả định đó. Tương tự, Durbin-Watson không cho biết mô hình có phương sai không đổi hay không.

Lỗi thường gặp

Ghi “DW phải bằng 2”

Giá trị gần 2 là dấu hiệu thuận lợi, nhưng không có nghĩa mọi mô hình phải có đúng 2. Hãy báo cáo con số thực tế và tiêu chí bạn sử dụng. Nếu giá trị là 1.63, không cần sửa câu trả lời thành 2.

Dùng khoảng 1 đến 3 như luật tuyệt đối

Khoảng 1 đến 3 là quy tắc thực hành được nhiều luận văn dùng, với nguồn (Field, 2013). Khi dữ liệu có cấu trúc đặc biệt, bạn cần nêu bối cảnh và giới hạn của quy tắc này.

Chỉ báo cáo Durbin-Watson

Một bảng hồi quy chỉ có Durbin-Watson chưa đủ để bảo vệ mô hình. Bạn còn cần trình bày mức độ phù hợp, ý nghĩa mô hình, hệ số của biến, đa cộng tuyến và các kiểm tra cần thiết theo thiết kế nghiên cứu.

Sao chép số liệu minh họa

Bảng 1.847 ở trên chỉ giúp bạn nhận diện đúng cột trong SPSS. Khi viết luận văn, mở file .sav của mình, đọc hàng mô hình thực tế và lưu ảnh hoặc file output để đối chiếu.

Loại dòng chỉ vì DW không đẹp

Mọi tiêu chí loại dữ liệu phải được xác định và giải thích. Nếu loại một quan sát vì missing value, trả lời không hợp lệ hoặc vi phạm tiêu chí mẫu, hãy ghi lại điều đó. Loại dòng chỉ để đưa Durbin-Watson vào khoảng mong muốn làm giảm khả năng giải trình.

Câu hỏi thường gặp

Durbin-Watson bao nhiêu là tốt

Giá trị gần 2 thường được xem là thuận lợi. Trong nhiều bài hồi quy ứng dụng, khoảng từ 1 đến 3 được dùng để nhận định phần dư chưa có dấu hiệu tự tương quan bậc nhất đáng kể, theo (Field, 2013). Bạn nên báo cáo cả giá trị thực tế, không chỉ ghi “đạt”.

Durbin-Watson trong SPSS nằm ở đâu

Sau khi chọn Analyze > Regression > Linear, nhấn Statistics và đánh dấu Durbin-Watson. Kết quả xuất hiện trong bảng Model Summary, tại cột cùng tên. Nếu không thấy cột này, bạn có thể chưa chọn tùy chọn trong hộp thoại hoặc đang xem nhầm bảng output.

Durbin-Watson bằng 1.2 có đạt không

Giá trị 1.2 nằm trong khoảng 1 đến 3 nên thường được xem là chấp nhận theo quy tắc thực hành. Tuy nhiên, nó thấp hơn 2 và có thể gợi ý tương quan dương ở mức cần xem xét. Hãy kiểm tra thêm thứ tự dữ liệu, phần dư và bối cảnh nghiên cứu trước khi kết luận.

Durbin-Watson bằng 3.2 có phải chạy lại dữ liệu không

Bạn không nên chạy lại chỉ để tìm một con số khác. Hãy kiểm tra thứ tự quan sát, điểm bất thường, cách mô hình hóa và đặc điểm dữ liệu. Nếu dữ liệu là chuỗi thời gian, trao đổi với giảng viên về phương pháp xử lý phù hợp và ghi rõ giới hạn trong luận văn.

Durbin-Watson có dùng cho hồi quy logistic không

Durbin-Watson gắn với cách chẩn đoán thường gặp trong hồi quy tuyến tính, vì vậy không nên lấy tiêu chí của nó áp máy móc cho hồi quy logistic. Nếu biến phụ thuộc là nhị phân, hãy dùng quy trình và tiêu chí phù hợp với hồi quy logistic, đồng thời hỏi giảng viên khi output không có chỉ số này.

Bạn hãy mở đúng bảng Model Summary trong file SPSS, ghi lại giá trị Durbin-Watson cùng các kết quả ANOVA, Coefficients và VIF, rồi đối chiếu từng tiêu chí với nguồn đã nêu. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và chuyển kết quả thành phần viết có thể giải trình, M4 phân tích dữ liệu của DoThesis là bước phù hợp.