Hệ số phi là gì? Cách đọc và chạy trong SPSS

Hệ số phi là gì

Hệ số phi, thường viết là Phi coefficient hoặc φ, là chỉ số đo mức độ liên hệ giữa hai biến phân loại, trong đó mỗi biến có đúng hai nhóm. Ví dụ, bạn có thể kiểm tra mối liên hệ giữa giới tính và việc có mua sản phẩm hay không, hoặc giữa tình trạng tham gia đào tạo và việc đạt chứng chỉ.

Trong SPSS, hệ số phi thường xuất hiện cùng kiểm định Chi-Square trong bảng Symmetric Measures. Giá trị của nó được tính từ bảng chéo 2 x 2 và dựa trên thống kê Pearson Chi-Square:

φ = √(χ² / n)

Trong đó, χ² là giá trị Pearson Chi-Square và n là tổng số quan sát hợp lệ. Hệ số có thể mang dấu dương hoặc âm trong một số cách tính, nhưng khi đọc cường độ liên hệ, bạn thường tập trung vào trị tuyệt đối của φ. Dấu của hệ số phụ thuộc vào cách mã hóa hai nhóm, vì vậy đổi mã 0 và 1 có thể làm đổi dấu mà không làm thay đổi độ mạnh của mối liên hệ.

Hệ số phi phù hợp nhất với hai biến nhị phân. Nếu bảng chéo có kích thước lớn hơn 2 x 2, bạn nên xem xét Cramer's V. Đây là điểm thường gây nhầm khi sinh viên đọc bảng Symmetric Measures trong SPSS và lấy nhầm chỉ số để báo cáo.

Ý nghĩa của hệ số phi trong nghiên cứu định lượng

Hệ số phi trả lời câu hỏi: hai biến phân loại nhị phân liên hệ với nhau mạnh đến mức nào. Kiểm định Chi-Square trả lời một câu hỏi khác: mối liên hệ quan sát được có đủ bằng chứng thống kê để bác bỏ giả thuyết độc lập hay không.

Vì vậy, bạn nên đọc hai phần cùng nhau. Nếu p-value của Pearson Chi-Square nhỏ hơn mức ý nghĩa đã chọn, dữ liệu cho thấy có bằng chứng về mối liên hệ thống kê. Sau đó, φ giúp mô tả cường độ của mối liên hệ. Một p-value nhỏ không tự động có nghĩa là mối liên hệ mạnh, nhất là khi cỡ mẫu lớn.

Ví dụ, trong đề tài về hành vi mua hàng, biến Gioi_tinh có hai mã Nam và Nữ, còn biến Mua_hang có hai mã Có và Không. Khi đó, φ có thể cho biết giới tính liên hệ yếu, vừa hay mạnh với quyết định mua hàng. Bạn vẫn cần xem bảng chéo để biết nhóm nào có tỷ lệ mua cao hơn, bởi bản thân φ không thay thế cho phần mô tả tỷ lệ.

Nếu đề tài của bạn có biến kết quả liên tục, như điểm trung bình ý định mua, hệ số phi không phải lựa chọn phù hợp. Khi đó, hãy xem các chỉ số effect size khác, chẳng hạn Cohen d, eta bình phương hoặc partial eta bình phương, tùy thiết kế nghiên cứu.

Hệ số phi bao nhiêu là đạt

Không có một ngưỡng duy nhất áp dụng cho mọi lĩnh vực. Phi coefficient là effect size, nên bạn cần diễn giải theo bối cảnh, cỡ mẫu, cách mã hóa và mục tiêu nghiên cứu. Bảng dưới đây là khung tham khảo thường dùng khi mô tả cường độ liên hệ. Các ngưỡng nhỏ, vừa và lớn được quy chiếu theo cách diễn giải effect size của Cohen.

Bảng trên không phải tiêu chuẩn để kết luận rằng φ từ 0.30 là “đạt” trong mọi luận văn. Trước hết, kiểm tra p-value của Pearson Chi-Square. Tiếp theo, xem cỡ mẫu và bảng chéo để chắc chắn rằng kết quả không bị chi phối bởi một nhóm có tần số quá nhỏ.

Bạn cũng cần phân biệt “có ý nghĩa thống kê” với “có cường độ đáng kể”. Một φ bằng 0.08 có thể có p-value nhỏ trong mẫu rất lớn, nhưng cường độ liên hệ vẫn nhỏ. Ngược lại, φ bằng 0.28 trong mẫu nhỏ có thể chưa đạt ý nghĩa thống kê dù mức liên hệ quan sát được đáng chú ý về mặt thực tiễn.

Nếu câu hỏi của bạn là “hệ số phi bao nhiêu là tốt”, câu trả lời phù hợp trong luận văn nên nêu cả ngưỡng diễn giải và p-value, thay vì chỉ gắn nhãn đạt hoặc không đạt. Với bảng 2 x 2, hãy báo cáo thêm tỷ lệ theo hàng hoặc theo cột để người đọc hiểu hướng liên hệ.

Cách đọc hệ số phi trên output

Bạn mở SPSS và chạy bảng chéo giữa hai biến phân loại. Kết quả liên quan thường nằm ở ba bảng: Crosstabulation, Chi-Square Tests và Symmetric Measures. Trong bảng Crosstabulation, kiểm tra số lượng và tỷ lệ của từng nhóm. Trong bảng Chi-Square Tests, xem dòng Pearson Chi-Square, cột Asymp. Sig. (2-sided). Trong bảng Symmetric Measures, xem dòng Phi và cột Approx. Significance.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng SPSS để bạn đối chiếu với file đang mở.

Với ví dụ này, φ = 0.294 và p = 0.003. Ở mức ý nghĩa 5%, có bằng chứng thống kê cho thấy hai biến có liên hệ. Trị tuyệt đối 0.294 nằm gần mức liên hệ vừa theo khung tham khảo của (Cohen, 1988), nhưng bạn nên ghi “liên hệ yếu đến vừa” nếu muốn thận trọng và đối chiếu với bảng tỷ lệ.

Trong bảng 2 x 2, Phi và Cramer's V có thể cho cùng một giá trị. Điều đó không có nghĩa hai chỉ số luôn có cùng cách sử dụng. Cramer's V được thiết kế để dùng cho bảng có nhiều hàng hoặc nhiều cột hơn, còn φ gắn với hai biến nhị phân.

Khi p-value hiển thị là 0.000, bạn không viết p = 0.000 trong luận văn. Hãy viết p < 0.001, vì p-value không thực sự bằng 0. Nếu SPSS có cảnh báo về expected count, đừng bỏ qua cảnh báo đó chỉ vì φ đang cao.

Khi hệ số phi không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” đang nói về điều gì. Nếu p-value lớn hơn 0.05, kết quả chưa cung cấp đủ bằng chứng để bác bỏ giả thuyết hai biến độc lập ở mức ý nghĩa 5%. Nếu φ nhỏ, mối liên hệ có cường độ yếu. Hai tình trạng này có thể xảy ra cùng lúc hoặc riêng rẽ.

Kiểm tra lại bảng mã và bảng chéo

Mở Variable View và kiểm tra Value Labels. Một biến nhị phân phải có cách mã hóa rõ ràng, chẳng hạn 0 = Không và 1 = Có. Nếu bạn nhập nhầm mã, gộp sai nhóm hoặc để một giá trị thiếu thành một nhóm hợp lệ, bảng chéo và φ đều có thể bị sai.

Sau đó chạy lại Analyze > Descriptive Statistics > Crosstabs. Đưa một biến vào Row(s), biến còn lại vào Column(s). Trong Statistics, chọn Chi-square và Phi and Cramer's V. Trong Cells, chọn Observed, Expected, cùng tỷ lệ theo hàng hoặc cột nếu cần diễn giải.

Kiểm tra tần số kỳ vọng

Trong bảng Chi-Square Tests, SPSS thường đưa ra chú thích về số ô có Expected Count nhỏ. Nếu tần số kỳ vọng quá thấp, xấp xỉ Chi-Square có thể không đáng tin cậy. Bạn có thể gộp các nhóm có ý nghĩa về mặt nội dung, nhưng phải giải thích rõ cách gộp và không được gộp chỉ để ép p-value nhỏ hơn 0.05.

Với bảng 2 x 2 và tần số nhỏ, xem xét Fisher's Exact Test nếu SPSS cung cấp kết quả này. Khi báo cáo, ghi rõ bạn dùng kết quả exact test thay cho Pearson Chi-Square. Không nên tự ý loại các quan sát hiếm chỉ vì chúng làm hệ số thấp.

Xem lại câu hỏi nghiên cứu

Nếu hai biến thực sự không có liên hệ, bạn không cần sửa dữ liệu để tạo ra một φ đẹp hơn. Kết quả không có ý nghĩa thống kê vẫn là kết quả cần báo cáo. Bạn có thể kết luận giả thuyết về mối liên hệ không được ủng hộ, với điều kiện đã kiểm tra mã hóa, dữ liệu thiếu và điều kiện áp dụng.

Phân biệt hệ số phi với các chỉ số dễ nhầm

Cramer V cũng đo mức độ liên hệ giữa hai biến phân loại. Khi bảng chéo lớn hơn 2 x 2, Cramer V thường phù hợp hơn. Vì thế, khi tìm “hệ số Cramer V trong SPSS”, bạn cũng sẽ gặp nó trong bảng Symmetric Measures. Với bảng 2 x 2, hai giá trị có thể trùng nhau, nhưng hãy chọn tên chỉ số theo cấu trúc biến và bảng chéo.

Hệ số Kappa đo mức độ đồng thuận giữa hai người đánh giá hoặc hai phép phân loại trên cùng đối tượng, sau khi xét đến mức đồng thuận do ngẫu nhiên. Kappa không phải chỉ số thay thế cho φ khi mục tiêu của bạn là đo mối liên hệ giữa hai biến độc lập. Bạn có thể xem thêm hệ số Kappa là gì để phân biệt logic đo lường, nhưng đừng dùng Kappa chỉ vì hai biến đều là biến phân loại.

Risk ratio và odds ratio tập trung vào nguy cơ hoặc odds của một kết quả giữa các nhóm. Nếu đề tài hỏi nhóm tiếp xúc có nguy cơ xảy ra kết quả cao hơn bao nhiêu lần, nguy cơ tương đối có thể sát câu hỏi hơn φ.

Trong khi đó, omega bình phương thuộc nhóm effect size thường dùng trong phân tích phương sai, không dành cho bảng chéo 2 x 2. Chọn chỉ số theo loại biến và câu hỏi nghiên cứu, không chọn theo việc chỉ số nào đang hiện đầu tiên trong output.

Lỗi thường gặp

Lỗi đầu tiên là viết “φ = 0.294 nên giả thuyết được chấp nhận”. Hệ số phi chỉ mô tả cường độ liên hệ. Quyết định ủng hộ hay không ủng hộ giả thuyết phải dựa trên p-value, hướng quan hệ trong bảng chéo và cách giả thuyết được đặt ra từ đầu.

Lỗi thứ hai là báo cáo φ nhưng không nói hai biến được mã hóa thế nào. Với biến nhị phân, mã 0 và 1 ảnh hưởng đến dấu của hệ số và cách bạn mô tả nhóm. Hãy ghi tên biến, nhóm so sánh và bảng tỷ lệ đi kèm.

Lỗi thứ ba là dùng φ cho biến có ba hoặc nhiều nhóm. Trường hợp đó, hãy cân nhắc Cramer's V và kiểm tra điều kiện của Chi-Square. Nếu biến thứ hai là biến thứ bậc, bạn cũng cần cân nhắc mục tiêu phân tích trước khi chọn chỉ số.

Lỗi thứ tư là bỏ qua dữ liệu thiếu và expected count. Hãy báo cáo số quan sát hợp lệ, kiểm tra các ô có tần số thấp và ghi rõ nếu dùng Fisher's Exact Test. Việc chạy lại nhiều lần với cách gộp nhóm khác nhau mà không lưu vết sẽ khiến bạn khó giải trình với giảng viên.

Cách viết vào luận văn: “Kết quả kiểm định Pearson Chi-Square cho thấy mối liên hệ giữa [tên biến X] và [tên biến Y] có [có hoặc không có] ý nghĩa thống kê, χ²([df], N = [cỡ mẫu]) = [giá trị], p = [p-value]. Hệ số Phi đạt φ = [giá trị], cho thấy mức liên hệ [yếu, vừa hoặc mạnh] theo [nguồn diễn giải]. Do đó, giả thuyết H[ ] được [ủng hộ hoặc không được ủng hộ].”

Câu hỏi thường gặp

Hệ số phi có thể âm không

Có. Dấu của φ phụ thuộc vào thứ tự và cách mã hóa hai nhóm. Khi bạn đổi mã hoặc đổi thứ tự nhóm, dấu có thể thay đổi trong khi độ mạnh của liên hệ không đổi. Khi diễn giải cường độ, hãy xem trị tuyệt đối và nói rõ cách mã hóa.

Hệ số phi bao nhiêu là tốt

Không có mức “tốt” cố định cho mọi nghiên cứu. Bạn nên báo cáo trị φ, p-value, cỡ mẫu và tỷ lệ trong bảng chéo. Có thể dùng các mốc khoảng 0.10, 0.30 và 0.50 như khung tham khảo effect size theo (Cohen, 1988), nhưng cần ghi đây là diễn giải tham khảo.

Hệ số phi và Cramer V có giống nhau không

Trong bảng 2 x 2, Phi và Cramer's V thường có cùng giá trị. Phi dành cho hai biến nhị phân, còn Cramer's V phù hợp hơn khi bảng chéo có nhiều nhóm. Nếu SPSS hiển thị cả hai, hãy chọn chỉ số phù hợp với cấu trúc bảng và trình bày nhất quán.

Hệ số Kappa bao nhiêu là tốt

Kappa dành cho mức độ đồng thuận giữa hai phép đánh giá trên cùng đối tượng, không phải lựa chọn mặc định để đo liên hệ giữa hai biến phân loại độc lập. Vì vậy, không nên lấy một ngưỡng Kappa để thay thế cho φ. Trước khi đọc ngưỡng, hãy xác định câu hỏi của bạn là đồng thuận hay liên hệ.

Vì sao Phi bằng 0.294 nhưng p-value không có ý nghĩa

Cường độ quan sát được và ý nghĩa thống kê phụ thuộc vào cỡ mẫu, phân bố tần số và điều kiện của kiểm định. Với mẫu nhỏ, φ có thể ở mức đáng chú ý nhưng khoảng không chắc chắn lớn, khiến p-value chưa nhỏ hơn 0.05. Hãy kiểm tra expected count, dữ liệu thiếu và báo cáo kết quả đúng như output thay vì điều chỉnh dữ liệu.

Bạn hãy mở lại Analyze > Descriptive Statistics > Crosstabs, kiểm tra mã hóa, Pearson Chi-Square, bảng Symmetric Measures và expected count trước khi chốt đoạn kết quả; nếu cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích dữ liệu của DoThesis có thể thực hiện bước này cùng bạn.