Effect size là gì? Cách đọc và đánh giá trong SPSS
Effect size là gì
Bạn mở bảng kết quả SPSS và thấy p-value nhỏ hơn 0.05, nhưng vẫn chưa biết tác động của biến độc lập lớn hay nhỏ. Effect size là chỉ số mô tả độ lớn của khác biệt, mối liên hệ hoặc tác động trong dữ liệu. Nói cách khác, p-value thường giúp bạn đánh giá bằng chứng chống lại giả thuyết không, còn effect size cho biết kết quả đó đáng kể đến mức nào về mặt thực tế.
Một p-value rất nhỏ có thể xuất hiện khi cỡ mẫu lớn, dù khác biệt giữa hai nhóm rất nhỏ. Ngược lại, một tác động tương đối lớn có thể không đạt p-value dưới 0.05 nếu mẫu quá ít. Vì vậy, khi đọc kết quả định lượng, bạn nên xem effect size cùng với p-value, khoảng tin cậy và bối cảnh nghiên cứu. Nếu cần ôn lại cách diễn giải p-value, bạn có thể xem bài mức ý nghĩa là gì.
Công thức effect size phụ thuộc vào loại phân tích. Với so sánh hai trung bình độc lập, một dạng thường gặp là Cohen's d:
d = (M1 - M2) / SD gộp
Trong đó M1 và M2 là trung bình của hai nhóm, còn SD gộp là độ lệch chuẩn được tính từ hai nhóm. Với hồi quy hoặc mô hình PLS-SEM, effect size thường được biểu diễn bằng f², phản ánh mức thay đổi của R² khi một biến dự báo được đưa vào hoặc loại khỏi mô hình. Với tương quan, r cũng có thể được xem như một thước đo độ lớn liên hệ, nhưng cách diễn giải phải phù hợp với thiết kế nghiên cứu.
Ý nghĩa của effect size trong nghiên cứu định lượng
Effect size trả lời câu hỏi mà p-value không trả lời đầy đủ: kết quả có ý nghĩa thực tế đến đâu. Chẳng hạn, một chương trình đào tạo làm điểm trung bình tăng 0.3 điểm và có p-value bằng 0.001. Nếu độ phân tán điểm số lớn, mức tăng đó có thể chỉ là tác động nhỏ trong thực tế. Khi báo cáo thêm effect size, người đọc có cơ sở đánh giá mức độ đáng kể của kết quả.
Trong luận văn, chỉ số này có ba tác dụng chính. Thứ nhất, nó giúp bạn phân biệt ý nghĩa thống kê với ý nghĩa thực tiễn. Thứ hai, nó hỗ trợ so sánh kết quả giữa các nghiên cứu có cỡ mẫu khác nhau. Thứ ba, effect size thường được dùng để lập kế hoạch cỡ mẫu và đánh giá sức mạnh của mô hình.
Bạn cũng cần xác định effect size đang thuộc nhóm nào. Cohen's d phù hợp với nhiều kiểm định trung bình, chẳng hạn Independent-Samples T Test hoặc Paired-Samples T Test. Eta squared hoặc partial eta squared thường xuất hiện trong ANOVA. R hoặc R² thường được đọc trong tương quan và hồi quy. f² được dùng nhiều trong hồi quy và PLS-SEM. Các chỉ số này không thể thay thế lẫn nhau chỉ vì đều được gọi chung là effect size.
Khi xem output, hãy ghi rõ ba thông tin: effect size nào được dùng, công thức hoặc quy ước nào làm cơ sở, và khoảng tin cậy nếu phần mềm cung cấp. Việc chỉ viết “tác động có ý nghĩa” dựa trên p-value sẽ khiến phần diễn giải thiếu chiều sâu. Với các khái niệm liên quan đến mẫu và kiểm định, bạn có thể xem thêm bậc tự do là gì và khoảng tin cậy.
Effect size bao nhiêu là đạt
Câu hỏi “effect size bao nhiêu là tốt” cần được trả lời theo loại chỉ số và mục tiêu nghiên cứu. Không có một con số duy nhất áp dụng cho mọi phân tích. Các mốc dưới đây là quy ước diễn giải, không phải điều kiện cứng để kết luận một đề tài đạt hay không đạt.
| Chỉ số | Mức nhỏ | Mức trung bình | Mức lớn | Nguồn canonical |
|---|---|---|---|---|
| Cohen's d | khoảng 0.20 | khoảng 0.50 | khoảng 0.80 | (Cohen, 1988) |
| f² trong hồi quy hoặc PLS-SEM | 0.02 | 0.15 | 0.35 | (Cohen, 1988) |
| R² trong PLS-SEM | 0.25, yếu | 0.50, trung bình | 0.75, đáng kể | (Hair và cộng sự, 2011) |
| Q² trong PLS-SEM | lớn hơn 0, có khả năng dự báo | Không có mốc trung bình cố định | Không có mốc lớn cố định | (Stone, 1974) |
| Outer loading trong PLS-SEM | Không dùng để phân loại effect size | Từ 0.7 trở lên là mốc tải ngoài thường được xem xét | Không áp dụng | (Chin, 1998) |
Các mốc Cohen's d và f² nên được đọc cùng lĩnh vực nghiên cứu. Một effect size nhỏ vẫn có giá trị nếu chi phí can thiệp thấp, đối tượng bị ảnh hưởng rộng hoặc tác động được duy trì lâu dài. Ngược lại, effect size trung bình không tự động chứng minh mô hình có giá trị nếu thang đo thiếu độ tin cậy hoặc thiết kế nghiên cứu có sai lệch.
Trong PLS-SEM, R² và f² trả lời hai câu hỏi khác nhau. R² cho biết mức độ biến phụ thuộc được giải thích bởi toàn bộ các biến dự báo. f² cho biết riêng một biến dự báo đóng góp thêm bao nhiêu vào R². Vì vậy, một mô hình có R² khá nhưng một đường dẫn riêng lẻ vẫn có f² nhỏ.
Các ngưỡng về R², f² và Q² cần được ghi đúng hệ phương pháp. Chẳng hạn, không nên lấy mốc CFI, TLI hoặc RMSEA của CB-SEM để đánh giá effect size trong SmartPLS. Những chỉ số đó thuộc nhóm đánh giá độ phù hợp mô hình của CB-SEM, không phải effect size của PLS-SEM.
Cách đọc effect size trong output
Trong SPSS, effect size không phải lúc nào cũng xuất hiện ngay trong bảng chính. Với một số thủ tục, bạn phải chọn thêm tùy chọn trong hộp thoại hoặc tự tính từ các thống kê mô tả. Với Independent-Samples T Test, hãy xem bảng Group Statistics để lấy trung bình và độ lệch chuẩn của hai nhóm, sau đó kết hợp với kết quả kiểm định. Một số phiên bản hoặc extension có thể hiển thị trực tiếp Cohen's d, nhưng tên cột có thể khác nhau.
Đọc Cohen's d sau Independent-Samples T Test
Bạn vào Analyze > Compare Means > Independent-Samples T Test, đưa biến kết quả vào Test Variable(s) và biến nhóm vào Grouping Variable. Nhấn Define Groups để khai báo mã của hai nhóm. Output thường có Group Statistics, Independent Samples Test, cột t, df, Sig. (2-tailed), Mean Difference và Std. Error Difference.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Mục đích là cho bạn thấy hình dạng số liệu và cách đọc, không dùng các con số này trong luận văn.
| Group Statistics | N | Mean | Std. Deviation | Cohen's d, số liệu minh họa |
|---|---|---|---|---|
| Nhóm A | 80 | 3.42 | 0.68 | 0.32 |
| Nhóm B | 75 | 3.20 | 0.70 | 0.32 |
Với minh họa này, chênh lệch trung bình là 0.22 điểm và Cohen's d bằng 0.32. Theo quy ước của (Cohen, 1988), đây là effect size nhỏ đến gần mức trung bình. Bạn vẫn phải xem Sig. (2-tailed) để biết khác biệt có bằng chứng thống kê hay chưa. Hai kết luận đó cần được viết riêng.
Đọc f² trong hồi quy hoặc SmartPLS
Trong hồi quy SPSS, bạn thường bắt đầu bằng bảng Model Summary, trong đó có R, R Square, Adjusted R Square và Std. Error of the Estimate. SPSS không luôn hiển thị f² như một cột mặc định. Bạn có thể tính f² theo dạng:
f² = (R² đầy đủ - R² loại biến) / (1 - R² đầy đủ)
Bạn cần chạy mô hình đầy đủ, ghi lại R², sau đó chạy lại mô hình sau khi loại biến dự báo cần đánh giá. Nếu R² đầy đủ là 0.42 và R² sau khi loại biến là 0.36, f² bằng khoảng 0.10. Theo (Cohen, 1988), đóng góp riêng này nằm dưới mốc trung bình 0.15 nhưng trên mốc nhỏ 0.02.
Trong SmartPLS 4, sau khi chạy PLS-SEM Algorithm, bạn xem Results > f Square hoặc bảng kết quả có tên f², tùy giao diện và cách xuất báo cáo. Bảng Path Coefficients cho biết hệ số đường dẫn, còn R Square cho biết mức giải thích của biến nội sinh. Đừng dùng hệ số đường dẫn thay cho f². Một path coefficient lớn chưa chắc tạo ra f² lớn nếu các biến dự báo chồng lấn thông tin.
Khi effect size không đạt thì xử lý thế nào
Trước tiên, kiểm tra bạn có đang dùng đúng loại effect size hay không. Nếu mục tiêu là so sánh trung bình, hãy dùng Cohen's d hoặc chỉ số phù hợp với kiểm định được chọn. Nếu mục tiêu là đánh giá đóng góp của biến trong hồi quy, dùng f². Nếu bạn đang chạy SmartPLS, hãy kiểm tra theo quy trình measurement model trước rồi mới diễn giải structural model, phù hợp với cách tiếp cận hai bước được nêu trong (Anderson và Gerbing, 1988) và hướng dẫn PLS-SEM của (Hair và cộng sự, 2022).
Tiếp theo, kiểm tra chất lượng dữ liệu. Giá trị trung bình, độ lệch chuẩn, outlier và cách mã hóa biến có thể làm effect size thay đổi. Với thang đo, xem Reliability Statistics, Item-Total Statistics, Outer Loadings, AVE, CR hoặc HTMT tùy phần mềm. Việc xóa một biến quan sát chỉ để đẩy effect size lên cao là cách xử lý khó bảo vệ nếu không có lý do lý thuyết và chỉ báo thống kê hợp lý.
Nếu effect size nhỏ nhưng kết quả phù hợp với giả thuyết và bối cảnh, bạn có thể giữ nguyên và diễn giải trung thực. Hãy nói tác động nhỏ, nêu khoảng tin cậy nếu có, rồi bàn về ý nghĩa thực tế. Người phản biện thường chấp nhận một effect size nhỏ được báo cáo minh bạch hơn một effect size được làm đẹp bằng cách chạy lại nhiều lần.
Nếu effect size không ổn định vì cỡ mẫu quá ít, vấn đề nằm ở thiết kế nghiên cứu chứ không thể sửa hoàn toàn bằng SPSS. Bạn có thể kiểm tra lại cỡ mẫu, dữ liệu thiếu, cách chọn mẫu và độ nhạy của kết quả. Không nên tự ý thay đổi giả thuyết, loại nhóm hoặc loại biến chỉ vì kết quả ban đầu không như mong muốn.
Phân biệt effect size với p-value và mức ý nghĩa
Effect size và p-value đo hai khía cạnh khác nhau. p-value liên quan đến mức độ phù hợp của dữ liệu với H0 trong điều kiện mô hình kiểm định được giả định. Effect size mô tả độ lớn của khác biệt hoặc quan hệ. Vì vậy, p-value nhỏ không đồng nghĩa với tác động lớn, và p-value lớn cũng không chứng minh effect size bằng không.
Mức ý nghĩa, thường ký hiệu là alpha, là ngưỡng bạn đặt trước để ra quyết định thống kê. Bạn có thể đọc thêm bài mức ý nghĩa là gì khi cần phân biệt alpha với p-value. Khoảng tin cậy bổ sung thêm thông tin về độ chính xác và phạm vi có thể có của ước lượng, nên việc báo cáo effect size cùng khoảng tin cậy thường thuyết phục hơn chỉ báo cáo một con số.
Cũng cần phân biệt effect size với độ tin cậy thang đo. Cronbach's Alpha phản ánh mức nhất quán nội tại của các biến quan sát, còn effect size phản ánh độ lớn của khác biệt hoặc tác động. Alpha cao không làm cho effect size lớn hơn về mặt lý thuyết. Tương tự, một mô hình có R² cao chưa chắc mọi biến độc lập đều có f² lớn.
Nếu bạn đang đọc output có df, hãy nhớ đây là bậc tự do, không phải effect size. Bài df trong SPSS giải thích vị trí và cách đọc cột này trong các bảng kiểm định. Việc tách đúng tên chỉ số giúp bạn tránh viết nhầm kết luận ở chương 4.
Lỗi thường gặp
Lỗi đầu tiên là viết “p-value nhỏ nên effect size lớn”. Hai thông tin này không thể suy ra trực tiếp cho nhau. Bạn cần tính hoặc lấy đúng chỉ số effect size từ output.
Lỗi thứ hai là dùng mốc 0.5 hoặc 0.8 cho mọi loại effect size. Mốc Cohen's d không được bê nguyên sang f², R² hay r. Trong bài viết, hãy ghi rõ chỉ số, công thức và nguồn bạn dùng.
Lỗi thứ ba là báo cáo effect size nhưng không nói đó là số liệu của phép so sánh nào. Một nghiên cứu có thể có nhiều biến phụ thuộc, nhiều cặp nhóm hoặc nhiều đường dẫn. Mỗi effect size phải gắn với biến, nhóm, mô hình và hướng tác động cụ thể.
Lỗi thứ tư là chỉ chọn kết quả có effect size đẹp. Nếu bạn chạy nhiều mô hình hoặc nhiều cách mã hóa, hãy lưu syntax, bảng kết quả và lý do lựa chọn mô hình cuối cùng. Việc kiểm tra dữ liệu là cần thiết, nhưng điều chỉnh phân tích chỉ để đạt một ngưỡng định trước sẽ làm giảm khả năng giải trình.
Lỗi cuối là quên phân biệt số liệu minh họa với kết quả thật. Khi soạn chương phương pháp hoặc học cách đọc output, bạn có thể dùng bảng mẫu. Khi viết chương kết quả, mọi con số phải lấy từ chính file .sav hoặc .csv của bạn và khớp với bảng phân tích đã chọn.
Câu hỏi thường gặp
Effect size là gì trong SPSS?
Effect size trong SPSS là chỉ số mô tả độ lớn của khác biệt, mối liên hệ hoặc tác động. SPSS có thể hiển thị trực tiếp một số thống kê tùy thủ tục và phiên bản, nhưng nhiều trường hợp bạn phải tính từ trung bình, độ lệch chuẩn, R² hoặc các bảng output liên quan.
Bạn cần xác định trước đang dùng Cohen's d, f², eta squared, partial eta squared, r hay R². Không nên gọi mọi con số trong output là effect size.
Effect size bao nhiêu là tốt?
Câu trả lời phụ thuộc vào chỉ số. Với Cohen's d, các mốc khoảng 0.20, 0.50 và 0.80 thường lần lượt được diễn giải là nhỏ, trung bình và lớn (Cohen, 1988). Với f², các mốc tương ứng là 0.02, 0.15 và 0.35 (Cohen, 1988).
Đây là mốc tham khảo để diễn giải, không phải điều kiện bắt buộc cho mọi đề tài. Bạn nên đặt con số trong bối cảnh ngành, thiết kế nghiên cứu và mục tiêu của mô hình.
Effect size nhỏ nhưng p-value nhỏ thì kết luận thế nào?
Bạn có thể kết luận rằng kết quả có bằng chứng thống kê theo ngưỡng p-value đã chọn, đồng thời effect size cho thấy mức tác động nhỏ. Hai vế này không mâu thuẫn, đặc biệt khi cỡ mẫu lớn.
Trong chương thảo luận, hãy nói thêm tác động nhỏ có ý nghĩa thực tiễn hay không. Đừng đổi cách gọi thành “tác động mạnh” chỉ vì p-value rất nhỏ.
Effect size lớn nhưng p-value lớn thì có đạt không?
Trường hợp này cho thấy ước lượng tác động có thể lớn, nhưng dữ liệu chưa cung cấp đủ bằng chứng thống kê theo ngưỡng bạn đặt ra. Nguyên nhân có thể liên quan đến cỡ mẫu, độ phân tán lớn hoặc khoảng tin cậy rộng.
Bạn nên báo cáo cả hai kết quả, kiểm tra giả định và không kết luận chắc chắn rằng giả thuyết được chấp nhận. Việc tăng cỡ mẫu chỉ hợp lý khi phù hợp với thiết kế nghiên cứu, không phải cách mặc định để ép p-value giảm.
Có cần báo cáo effect size trong luận văn không?
Bạn nên báo cáo khi mục tiêu nghiên cứu là đánh giá mức độ khác biệt, liên hệ hoặc tác động. Trong nhiều phân tích, effect size giúp phần kết quả có ý nghĩa hơn so với việc chỉ liệt kê p-value.
Hãy ghi rõ tên chỉ số, giá trị, cách diễn giải và nguồn tham khảo. Nếu phần mềm không xuất trực tiếp, mô tả công thức và cách bạn tính trong phần phương pháp hoặc chú thích bảng.
Bạn hãy mở lại file SPSS của mình, xác định loại phân tích đang chạy, ghi riêng p-value và effect size cho từng giả thuyết, rồi đối chiếu với output gốc. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và kiểm tra cách báo cáo, M4 phân tích của DoThesis hỗ trợ bước này.