F có ý nghĩa nhưng không biến nào có ý nghĩa phải làm sao

Hiện tượng bạn đang gặp

Bạn chạy hồi quy tuyến tính trong SPSS và nhìn vào hai bảng ANOVA cùng Coefficients. Bảng ANOVA cho thấy kiểm định F có Sig. = 0.000, hoặc nhỏ hơn 0.05. Điều này cho thấy mô hình có ý nghĩa thống kê khi xét tổng thể. Nhưng trong bảng Coefficients, từng biến độc lập lại có Sig. > 0.05.

Đây là tình huống có thể xảy ra, đặc biệt khi các biến độc lập có tương quan với nhau. Kết quả này chưa cho phép bạn kết luận rằng phần mềm bị lỗi, cũng chưa cho phép bạn tự động xóa toàn bộ biến không có ý nghĩa. Bạn cần tách hai câu hỏi: mô hình có giải thích được biến phụ thuộc khi xét chung hay không, và biến nào còn đóng góp riêng sau khi đã kiểm soát các biến khác.

Nếu bạn mới mở file, hãy lưu một bản sao trước khi chỉnh sửa. Ghi lại số quan sát, biến phụ thuộc, danh sách biến độc lập, R Square, Adjusted R Square, F, Sig., Tolerance, VIF và hệ số của từng biến. Bạn có thể xem thêm hướng dẫn nền tảng trong bài hồi quy tuyến tính và đối chiếu với mô hình hồi quy tuyến tính. Khi đưa vào bài viết, bỏ khoảng trắng trong cú pháp liên kết nếu hệ thống của bạn yêu cầu định dạng Markdown chuẩn.

Nguyên nhân thường gặp

Có bốn nhóm nguyên nhân cần kiểm tra theo thứ tự. Nguyên nhân thường gặp nhất là các biến độc lập cùng đo một nội dung gần nhau, làm cho mô hình phân biệt khó khăn giữa đóng góp riêng của từng biến. Trường hợp thứ hai là cỡ mẫu chưa đủ so với số biến và mức độ nhiễu của dữ liệu. Trường hợp thứ ba là quan hệ giữa biến độc lập và biến phụ thuộc không phù hợp với dạng tuyến tính. Cuối cùng, dữ liệu có thể có ngoại lệ, mã hóa sai hoặc biến quan trọng bị bỏ khỏi mô hình.

Bạn cũng nên phân biệt Sig. của kiểm định F với Sig. của từng hệ số. F kiểm tra giả thuyết rằng toàn bộ hệ số góc của các biến độc lập bằng 0 đồng thời. Kiểm định t trong bảng Coefficients kiểm tra từng hệ số sau khi những biến còn lại đã được đưa vào mô hình. Hai kiểm định trả lời hai câu hỏi khác nhau nên kết quả không bắt buộc phải giống nhau.

Với hồi quy, chỉ số VIF dưới 5 thường được dùng làm dấu hiệu chấp nhận được về đa cộng tuyến theo (Hair và cộng sự, 2019). Cỡ mẫu hồi quy cũng cần được cân nhắc theo số biến dự báo. Một quy tắc thường được trích dẫn là n từ 50 + 8m trở lên, trong đó m là số biến độc lập, theo (Tabachnick và Fidell, 2013). Đây là điểm kiểm tra thiết kế, không phải công thức bảo đảm mọi hệ số riêng lẻ đều có ý nghĩa.

Cách xử lý theo thứ tự ưu tiên

Đừng bắt đầu bằng việc xóa biến có Sig. > 0.05. Cách làm an toàn hơn là đi từ lỗi nhập dữ liệu, kiểm tra giả định, kiểm tra đa cộng tuyến, sau đó mới cân nhắc đặc tả mô hình. Mỗi lần thay đổi, lưu một phiên bản SPSS riêng để bạn có thể giải thích vì sao kết quả thay đổi.

Kiểm tra lại mã hóa và dữ liệu gốc

Mở Variable View và kiểm tra Type, Measure, nhãn giá trị, giá trị thiếu và các biến đảo chiều. Nếu một biến quan sát được mã hóa từ 1 đến 5 nhưng một số dòng lại có 55 hoặc 99 mà chưa khai báo là missing, hệ số hồi quy có thể bị kéo lệch. Với biến đảo chiều, hãy tạo biến đã đảo mã theo quy ước của thang đo rồi mới tính điểm nhân tố hoặc điểm trung bình.

Vào Analyze > Descriptive Statistics > Frequencies để kiểm tra min, max và tần suất bất thường. Với biến liên tục hoặc điểm trung bình, dùng Analyze > Descriptive Statistics > Descriptives. Đừng sửa trực tiếp các ô dữ liệu chỉ để làm cho p-value nhỏ hơn. Nếu phát hiện lỗi nhập, sửa theo bảng hỏi gốc và ghi lại số dòng đã chỉnh.

Đọc lại ba bảng theo cùng một mô hình

Trong Model Summary, xem R Square và Adjusted R Square. Trong ANOVA, xem F và Sig.. Trong Coefficients, xem B, Std. Error, Beta, t, Sig., Tolerance và VIF. Bạn cần chắc rằng các bảng này thuộc cùng một lần chạy và cùng một danh sách biến.

Một cách kiểm tra thực tế là nhìn vào F và bậc tự do. Nếu số biến độc lập hoặc số quan sát thay đổi giữa các lần chạy, không nên so sánh p-value như thể đó là cùng một mô hình. Nếu bạn dùng phương pháp Enter, tất cả biến được đưa vào cùng lúc. Nếu dùng Stepwise, phần mềm tự thay đổi mô hình theo tiêu chí riêng, vì vậy cách giải thích phải khác và thường khó bảo vệ hơn nếu không có lý do lý thuyết rõ ràng.

Kiểm tra đa cộng tuyến

Trong hộp thoại Analyze > Regression > Linear, đưa biến phụ thuộc vào Dependent, các biến giải thích vào Independent(s), chọn Statistics, rồi đánh dấu Estimates, Model fit, Collinearity diagnostics và Confidence intervals. Chạy lại mô hình và đọc Tolerance, VIF trong Coefficients.

Nếu hai hoặc nhiều biến có tương quan rất cao, chúng có thể cùng giải thích một phần phương sai. Khi đưa đồng thời vào hồi quy, phần đóng góp riêng còn lại của mỗi biến nhỏ, trong khi sai số chuẩn tăng. Kết quả là F toàn mô hình vẫn có ý nghĩa, nhưng từng kiểm định t lại không đạt.

Không nên kết luận đa cộng tuyến chỉ vì một biến có p-value lớn. Hãy kết hợp VIF, Tolerance, tương quan giữa các biến, cơ sở lý thuyết và nội dung thang đo. Bạn có thể đọc thêm bài đa cộng tuyến là gì để phân biệt hiện tượng này với việc mô hình đơn giản là chưa có đủ bằng chứng cho một tác động riêng.

Kiểm tra quan hệ tuyến tính và phần dư

Vào Analyze > Regression > Linear, chọn Plots. Đưa *ZPRED vào trục X và *ZRESID vào trục Y để xem biểu đồ phần dư. Một đám mây điểm không tạo hình cong rõ ràng thường phù hợp hơn với giả định tuyến tính. Nếu xuất hiện hình phễu, phương sai phần dư có thể không đồng nhất. Nếu có điểm tách xa phần lớn dữ liệu, kiểm tra outlier và ảnh hưởng của quan sát đó.

Trong Statistics, có thể chọn Durbin-Watson để kiểm tra tự tương quan phần dư trong bối cảnh phù hợp. Khoảng từ 1 đến 3 thường được dùng như một dấu hiệu tham khảo theo (Field, 2013). Đây không phải lý do để tự động xóa dòng dữ liệu. Hãy xem xét cách thu thập, thứ tự quan sát và bản chất dữ liệu trước khi xử lý.

Chạy mô hình rút gọn theo lý thuyết

Nếu đa cộng tuyến cao, hãy lập các phương án mô hình có lý do rõ ràng. Ví dụ, hai biến có nội dung gần nhau có thể được gộp thành một khái niệm nếu mô hình lý thuyết cho phép, hoặc một biến có thể được loại khỏi mô hình nếu bạn chứng minh được nó trùng lặp về mặt khái niệm. Không chọn phương án chỉ tạo ra nhiều dấu sao hơn.

Sau mỗi lần chạy, so sánh Adjusted R Square, VIF, hệ số, khoảng tin cậy và dấu của hệ số. Nếu một biến có p-value không đạt nhưng được giả thuyết và tài liệu nền tảng xác định là biến kiểm soát cần giữ, bạn có thể giữ biến và báo cáo kết quả không có ý nghĩa. Nếu bạn cần ví dụ về cách đọc từng bảng, xem bài tập hồi quy tuyến tính có lời giải.

Cân nhắc phương pháp khác khi câu hỏi nghiên cứu yêu cầu

Nếu biến phụ thuộc là nhị phân, hồi quy tuyến tính có thể không phù hợp. Khi đó, hãy xem hồi quy logistic thay vì cố ép dữ liệu vào mô hình tuyến tính. Nếu biến phụ thuộc là thang đo liên tục và câu hỏi nghiên cứu là tác động đồng thời của nhiều biến, hồi quy tuyến tính vẫn có thể phù hợp dù một số hệ số riêng lẻ không có ý nghĩa.

Bạn cũng có thể dùng JASP hoặc R để kiểm tra lại, nhưng phần mềm khác không biến một hiệu ứng không có bằng chứng thành kết quả có ý nghĩa. AMOS phù hợp với CB-SEM và yêu cầu cách đánh giá mô hình khác. Nếu thuê dịch vụ chạy SPSS, bạn có thể nhận được bảng kết quả nhanh hơn nhưng vẫn phải hiểu lý do giữ, loại và giải thích biến khi bảo vệ. Với dữ liệu .sav của chính mình, tự chạy trên SPSS giúp bạn kiểm soát lịch sử chỉnh sửa tốt hơn.

Đánh giá kết quả minh họa trước khi viết

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 hiển thị để bạn biết cần đọc vị trí nào.

Trong ví dụ này, Sig. = 0.000 ở bảng ANOVA được hiểu là p-value nhỏ hơn 0.001 theo cách SPSS hiển thị, chứ không phải p-value bằng đúng 0. Mô hình có ý nghĩa khi xét chung. Các biến X1 đến X4 lại chưa có bằng chứng đủ mạnh về tác động riêng ở mức 5%. VIF chưa vượt 5, nhưng vẫn cho thấy các biến có thể chia sẻ phương sai đáng kể. Đây là lúc cần báo cáo thận trọng, không gắn dấu sao cho các hệ số trên.

Khi nào phải quay lại thu thêm dữ liệu

Bạn nên cân nhắc thu thêm dữ liệu khi cỡ mẫu hiện tại thấp so với số biến độc lập, nhiều quan sát bị loại, khoảng tin cậy của hệ số rất rộng, hoặc kết quả thay đổi mạnh giữa các nhóm quan sát. Nếu bạn có 12 biến độc lập nhưng chỉ có số quan sát vừa đủ, mô hình có thể thiếu ổn định ngay cả khi F đạt. Hãy đối chiếu quy tắc 50 + 8m theo (Tabachnick và Fidell, 2013) và nguyên tắc 5 đến 10 quan sát cho mỗi biến quan sát theo (Hair và cộng sự, 2010).

Thu thêm dữ liệu không phải cách chữa đa cộng tuyến do hai thang đo trùng nội dung. Nó cũng không sửa được mã hóa sai hoặc một mô hình đặt biến không đúng với câu hỏi nghiên cứu. Trước khi phát thêm bảng hỏi, hãy xác định vấn đề nằm ở năng lực thống kê, chất lượng dữ liệu hay cấu trúc mô hình.

Nếu dữ liệu được thu từ một tổng thể hẹp và bạn đã gần đạt số lượng có thể tiếp cận, hãy ghi rõ giới hạn thay vì kéo dài thời gian thu một cách không có kế hoạch. Không được thêm các dòng giả lập hoặc sao chép câu trả lời. Với luận văn định lượng, một mẫu nhỏ nhưng có lịch sử thu thập minh bạch còn dễ giải trình hơn một file lớn nhưng không thể chứng minh nguồn dữ liệu.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể trình bày theo ba ý: kiểm định F cho biết mô hình có ý nghĩa khi xét tổng thể, kiểm định t cho biết đóng góp riêng của từng biến, và kết quả không có biến riêng lẻ đạt cần được giữ nguyên nếu dữ liệu không cung cấp đủ bằng chứng. Sau đó nêu VIF, cỡ mẫu, kiểm tra phần dư và lý do bạn giữ hoặc điều chỉnh mô hình.

Cách viết vào luận văn: “Kết quả kiểm định ANOVA cho thấy mô hình hồi quy có ý nghĩa thống kê, F([df1], [df2]) = [giá trị F], p = [p-value]. Mô hình giải thích [R² x 100]% phương sai của [biến phụ thuộc]. Tuy nhiên, các hệ số riêng lẻ của [tên biến] chưa đạt mức ý nghĩa 5%, với p-value lần lượt là [các p-value]. Do đó, nghiên cứu không khẳng định các biến này có tác động riêng có ý nghĩa thống kê trong mô hình hiện tại.”

Nếu có đa cộng tuyến, thêm một câu nêu kiểm tra đã thực hiện và giá trị quan sát được. Nếu không có đa cộng tuyến nghiêm trọng, bạn có thể viết: “Các chỉ số VIF nằm trong giới hạn chấp nhận được theo tiêu chí [tiêu chí và nguồn], vì vậy kết quả không được giải thích bằng một kết luận đơn giản rằng phần mềm bị lỗi.” Chỉ điền số từ file của bạn, không sao chép các số minh họa ở trên.

Cách phòng từ bước thiết kế

Ngay từ mô hình khái niệm, hãy viết rõ biến nào là biến độc lập chính, biến kiểm soát, biến trung gian hoặc biến điều tiết. Các khái niệm gần nhau cần có định nghĩa phân biệt và biến quan sát phù hợp. Nếu hai thang đo sử dụng gần như cùng một nội dung, hồi quy có thể khó tách đóng góp riêng dù cả hai đều có Cronbach's Alpha tốt.

Bảng hỏi cũng cần tránh các biến quan sát lặp ý. Trước khi thu chính thức, kiểm tra mã hóa, chiều của item đảo ngược, giá trị thiếu và quy tắc tính điểm. Sau khi nhập dữ liệu, giữ một file dữ liệu gốc chỉ đọc và làm việc trên bản sao. Đặt tên biến ngắn, nhất quán để tránh đưa nhầm biến tổng hợp và biến quan sát vào cùng một mô hình.

Bạn nên lập bảng nhật ký phân tích gồm ngày chạy, danh sách biến, phương pháp đưa biến, R Square, Adjusted R Square, F, p-value, VIF và quyết định sau mỗi vòng. Trang chủ đề SPSS có thể dùng như điểm bắt đầu để rà lại các thao tác SPSS trước khi bạn viết chương kết quả.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa từng biến cho đến khi có p-value nhỏ hơn 0.05 rồi chỉ báo cáo mô hình cuối. Cách này làm tăng rủi ro overfitting và khiến hội đồng hỏi bạn dựa vào đâu để loại biến. Nếu có chạy mô hình thay thế, hãy trình bày tiêu chí trước khi chạy và báo cáo các thay đổi quan trọng.

Lỗi thứ hai là viết “F có ý nghĩa nên tất cả giả thuyết đều được chấp nhận”. F chỉ nói về mô hình tổng thể. Mỗi giả thuyết về một đường tác động cần căn cứ vào hệ số, dấu, p-value và khoảng tin cậy của biến tương ứng.

Lỗi thứ ba là gọi Sig. = 0.000 là xác suất bằng 0. Hãy viết p-value nhỏ hơn 0.001 nếu đó là cách bạn diễn giải bảng SPSS. Lỗi thứ tư là dùng CFI, TLI hoặc RMSEA để đánh giá hồi quy tuyến tính thông thường. Các chỉ số đó thuộc nhóm đánh giá CB-SEM, không thay thế cho ANOVA, Coefficients và kiểm tra phần dư của hồi quy.

Lỗi cuối là chỉ nhìn R Square. R Square cao không đảm bảo từng biến có ý nghĩa. Hãy đặt nó cạnh Adjusted R Square, F, p-value của hệ số, VIF, biểu đồ phần dư và cơ sở lý thuyết. Một kết quả không đạt vẫn là kết quả có thể báo cáo nếu quy trình phân tích minh bạch.

Câu hỏi thường gặp

F có ý nghĩa nhưng không biến nào có ý nghĩa có phải SPSS bị lỗi không?

Thông thường không. F kiểm tra ý nghĩa của nhóm biến độc lập khi xét đồng thời, còn kiểm định t kiểm tra từng biến sau khi đã kiểm soát các biến còn lại. Khi các biến chia sẻ phương sai, mô hình chung có thể đạt nhưng từng hệ số riêng lẻ không đạt.

Bạn hãy kiểm tra lại dữ liệu, VIF, cỡ mẫu và giả định hồi quy trước khi kết luận. Nếu các bước đều hợp lý, giữ nguyên kết quả và giải thích đúng phạm vi của từng kiểm định.

Có nên xóa biến có Sig. lớn hơn 0.05 không?

Không nên xóa tự động. Hãy xem biến đó có vai trò lý thuyết bắt buộc hay không, VIF có cao không, thang đo có mã hóa đúng không và việc bỏ biến có làm mô hình lệch khỏi giả thuyết ban đầu không.

Nếu có lý do loại, ghi lại mô hình trước và sau khi loại, cùng tiêu chí ra quyết định. Đừng dùng p-value như công cụ duy nhất để tìm ra mô hình đẹp.

VIF bao nhiêu thì cần xử lý?

Theo tiêu chí thường dùng, VIF dưới 5 là mức có thể chấp nhận được theo (Hair và cộng sự, 2019). Tuy nhiên, VIF dưới 5 không chứng minh mô hình chắc chắn tốt, còn VIF cao cần được đọc cùng tương quan, Tolerance, nội dung biến và cỡ mẫu.

Nếu VIF cao, kiểm tra biến trùng nội dung, cách tính điểm và đặc tả mô hình. Chỉ gộp hoặc loại biến khi có cơ sở phương pháp và lý thuyết.

Nếu F có ý nghĩa thì có được kết luận mô hình tốt không?

Bạn chỉ có thể kết luận mô hình có ý nghĩa thống kê khi xét tổng thể nếu kiểm định F đạt. Từ đó chưa thể kết luận mô hình giải thích nhiều hay có giá trị dự báo tốt. Cần xem thêm R Square, Adjusted R Square, giả định hồi quy, sai số và ý nghĩa thực tiễn của hệ số.

Trong luận văn, hãy tách câu kết luận về F khỏi câu kết luận cho từng giả thuyết. Cách viết này giúp người đọc thấy bạn không đánh đồng hai cấp độ kiểm định.

Khi nào nên thu thêm dữ liệu?

Thu thêm dữ liệu có lý do khi cỡ mẫu thấp, khoảng tin cậy rộng, nhiều dòng bị loại hoặc kết quả không ổn định giữa các nhóm hợp lý. Thu thêm dữ liệu không giải quyết mã hóa sai và cũng không làm mất đa cộng tuyến do các biến đo cùng một nội dung.

Trước khi mở lại bảng hỏi, hãy viết rõ vấn đề cần giải quyết và số quan sát cần bổ sung. Nếu không có kế hoạch, nên báo cáo giới hạn của mẫu thay vì cố kéo p-value về dưới 0.05.

Mở lại file của bạn, lưu một bản sao, lập bảng nhật ký các lần chạy và kiểm tra ANOVA, Coefficients, VIF cùng phần dư theo đúng thứ tự trên. Nếu bạn muốn chạy hồi quy trên chính file .sav hoặc .csv và nhận phần giải thích kết quả theo từng bảng, xem module M4 phân tích của DoThesis.