Khoảng tin cậy là gì? Cách đọc và diễn giải trong SPSS

Khoảng tin cậy là gì

Bạn mở bảng kết quả SPSS và thấy hai cột Lower Bound và Upper Bound, hoặc một kết quả ghi 95% CI [0.184, 0.527]. Hai con số này tạo thành khoảng tin cậy, tiếng Anh là confidence interval, viết tắt là CI. Khoảng tin cậy mô tả một khoảng giá trị hợp lý cho tham số của tổng thể, dựa trên mẫu dữ liệu bạn đã thu thập.

Ví dụ, mẫu của bạn có trung bình mức độ hài lòng là 3,82 và khoảng tin cậy 95% là từ 3,70 đến 3,94. Khi đó, 3,70 là cận dưới và 3,94 là cận trên. Bạn có thể báo cáo rằng trung bình quan sát được là 3,82, với khoảng tin cậy 95% từ 3,70 đến 3,94. Khoảng này không thay thế cho trung bình mẫu, cũng không có nghĩa là 95% người trả lời nằm trong khoảng đó.

Với một ước lượng đơn giản, công thức thường có dạng:

Ước lượng điểm ± giá trị tới hạn × sai số chuẩn

Trong đó, ước lượng điểm có thể là mean, hệ số hồi quy hoặc indirect effect. Giá trị tới hạn phụ thuộc vào mức tin cậy và phân phối được sử dụng. Sai số chuẩn phản ánh mức dao động của ước lượng nếu bạn lặp lại việc lấy mẫu. Mức ý nghĩa và khoảng tin cậy có quan hệ trực tiếp, chẳng hạn mức tin cậy 95% thường đi cùng mức ý nghĩa 5%. Bạn có thể xem thêm bài mức ý nghĩa là gì nếu đang nhầm giữa hai khái niệm này.

Ý nghĩa của khoảng tin cậy trong nghiên cứu định lượng

Khoảng tin cậy cho bạn biết kết quả có ổn định đến mức nào. Khoảng hẹp cho thấy ước lượng có sai số chuẩn nhỏ hơn trong chính mẫu và mô hình đang xét. Khoảng rộng cho thấy kết quả còn nhiều bất định, thường liên quan đến cỡ mẫu nhỏ, dữ liệu phân tán hoặc biến có cách đo chưa ổn định.

Trong hồi quy, khoảng tin cậy giúp bạn đánh giá phạm vi hợp lý của hệ số tác động. Nếu hệ số B là 0,36 và CI 95% từ 0,12 đến 0,58, tác động ước lượng là dương và cả hai cận đều lớn hơn 0. Nếu CI 95% từ -0,04 đến 0,51, khoảng này chứa 0. Khi đó, bạn cần thận trọng khi kết luận biến độc lập có tác động khác 0.

Trong phân tích trung gian, khoảng tin cậy của indirect effect thường được xem bằng bootstrapping. Nếu khoảng tin cậy bootstrap không chứa 0, tác động gián tiếp được xem là có ý nghĩa theo quy tắc của phương pháp này (Preacher và Hayes, 2008). Đây là lý do khi chạy PROCESS trong SPSS, bạn cần nhìn vào bảng Indirect effect(s) of X on Y, không chỉ nhìn p-value của từng phương trình hồi quy.

Khoảng tin cậy cũng giúp bạn trình bày kết quả minh bạch hơn. Một p-value chỉ trả lời câu hỏi về bằng chứng chống lại giả thuyết không. CI cho thấy cả hướng tác động và mức độ không chắc chắn. Khi viết chương 4, nên đưa hệ số, khoảng tin cậy và p-value vào cùng một đoạn nếu phần mềm cung cấp đầy đủ các chỉ số.

Kết quả CI không nên được tách khỏi thiết kế nghiên cứu. Khoảng tin cậy từ mẫu khảo sát không chứng minh rằng kết quả chắc chắn đúng cho mọi nhóm đối tượng. Nó chỉ phản ánh độ bất định của ước lượng dưới mô hình, cách lấy mẫu và giả định bạn đã sử dụng.

Khoảng tin cậy bao nhiêu là đạt

Câu hỏi “khoảng tin cậy bao nhiêu là tốt” không có một con số chung để áp dụng cho mọi biến. Khoảng tin cậy phải được đọc theo ba yếu tố: mức tin cậy được chọn, tham số đang ước lượng và việc khoảng đó có chứa giá trị kiểm định hay không. CI 95% phổ biến trong luận văn, nhưng bản thân việc dùng 95% không làm cho một mô hình tự động đạt.

Bảng dưới đây tóm tắt các quy tắc thường gặp. Mỗi quy tắc chỉ áp dụng cho đúng tình huống được nêu, không nên chuyển máy móc sang mọi loại kiểm định.

Vì vậy, câu trả lời thực tế cho “khoảng tin cậy bao nhiêu là đạt” là: hãy kiểm tra cận dưới và cận trên có bao gồm giá trị đang kiểm định hay không. Với hệ số tác động, giá trị thường được kiểm định là 0. Với tỷ số odds hoặc hazard ratio, giá trị tham chiếu thường là 1. Hai loại tham số này không được đọc theo cùng một mốc.

Khoảng hẹp cũng chưa chắc tốt nếu mô hình sai, thang đo có vấn đề hoặc mẫu không đại diện. Ngược lại, khoảng rộng không có nghĩa là dữ liệu vô dụng. Nó báo hiệu bạn cần trình bày độ bất định, xem lại cỡ mẫu, độ phân tán và cách chọn mô hình thay vì chỉ tìm cách làm cho khoảng hẹp lại.

Cách đọc khoảng tin cậy trên output

Trước hết, xác định bạn đang đọc loại bảng nào. Trong SPSS, kết quả hồi quy thường nằm ở bảng Coefficients, còn CI có thể xuất hiện khi bạn chọn tùy chọn thống kê phù hợp. Với phân tích trung gian bằng PROCESS, CI bootstrap nằm trong bảng tác động gián tiếp. Với một số kiểm định trung bình, CI có thể nằm trong bảng One-Sample Test hoặc Independent Samples Test.

Giả sử bạn chạy hồi quy với biến phụ thuộc Y và biến độc lập X. Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế.

Đối với dòng X, hệ số B là 0,364. Cận dưới là 0,183 và cận trên là 0,545. Cả hai cận đều dương, nên khoảng không chứa 0. Nếu các giả định của mô hình phù hợp, bạn có thể diễn giải rằng X có mối liên hệ dương với Y trong mô hình này.

Cột Sig. hiển thị 0.000 trong SPSS không nên được viết thành p = 0.000. Cách viết phù hợp là p < 0,001, vì p-value không thực sự bằng 0. CI và p-value thường đưa đến cùng một quyết định khi chúng được xây dựng trên cùng giả định và cùng mức kiểm định, nhưng bạn vẫn cần kiểm tra đúng bảng và đúng loại CI.

Nếu output là bootstrap, hãy chú ý tên cột. Bạn có thể thấy BootLLCI và BootULCI, lần lượt là cận dưới và cận trên của khoảng tin cậy bootstrap. Ví dụ, indirect effect bằng 0,112, BootLLCI bằng 0,041 và BootULCI bằng 0,205. Vì cả hai cận đều dương và khoảng không chứa 0, tác động gián tiếp có ý nghĩa theo tiêu chí bootstrap (Preacher và Hayes, 2008).

Với SmartPLS, bảng Path Coefficients thường có các cột Original Sample, Sample Mean, Standard Deviation, T Statistics và P Values. Sau khi chạy Bootstrapping, phần kết quả có thể cung cấp cận dưới và cận trên của khoảng tin cậy. Trong PLS-SEM, bạn cần trình bày quy trình bootstrap và số subsamples rõ ràng. Quy trình 5.000 bootstrap subsamples được nêu trong (Hair và cộng sự, 2022).

Bạn có thể đối chiếu cách đọc CI với các khái niệm liên quan như độ tin cậy 95 là gì, df là gì và bậc tự do là gì. df có thể ảnh hưởng đến giá trị tới hạn trong một số công thức, nhưng df không phải là khoảng tin cậy.

Khi khoảng tin cậy không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” nghĩa là gì trong phân tích của bạn. Nếu CI của hệ số chứa 0, điều này thường có nghĩa là chưa đủ bằng chứng để kết luận hệ số khác 0 tại mức ý nghĩa đã chọn. Đây không phải lỗi phần mềm và cũng không phải lý do hợp lệ để xóa biến chỉ vì kết quả không ủng hộ giả thuyết.

Kiểm tra lại cách đọc output

Bạn cần kiểm tra đúng dòng biến, đúng loại khoảng tin cậy và đúng mức tin cậy. Trong hồi quy, đừng lấy CI của Constant để kết luận cho biến độc lập. Trong PROCESS, đừng dùng CI của tổng tác động để thay cho indirect effect. Trong SmartPLS, cần chắc chắn bạn đang xem kết quả sau Bootstrapping, không phải chỉ kết quả ước lượng ban đầu.

Kiểm tra dữ liệu và mã hóa biến

Mở lại file .sav hoặc .csv và kiểm tra missing values, biến đảo chiều, kiểu dữ liệu, các giá trị ngoài phạm vi và những dòng trả lời không hợp lệ. Một biến quan sát chưa đảo mã có thể làm thang đo giảm chất lượng, từ đó ảnh hưởng đến hệ số và khoảng tin cậy. Ghi lại từng thay đổi, không sửa trực tiếp rồi chạy lại mà không lưu phiên bản cũ.

Kiểm tra giả định và mô hình

Với hồi quy, xem xét tuyến tính, phần dư, outlier, đa cộng tuyến và độc lập của sai số. Chỉ số Durbin-Watson trong khoảng 1 đến 3 là quy tắc tham khảo thường được dùng khi kiểm tra độc lập của sai số (Field, 2013). VIF cần được đọc cùng tương quan giữa các biến và cấu trúc mô hình, không nên chỉ nhìn một con số rồi kết luận.

Báo cáo kết quả đúng như dữ liệu

Nếu sau khi kiểm tra hợp lý CI vẫn chứa 0, hãy giữ kết quả đó. Bạn có thể viết rằng khoảng tin cậy 95% của hệ số X nằm từ cận dưới đến cận trên và bao gồm 0, do đó giả thuyết về tác động khác 0 chưa được ủng hộ. Việc loại biến, đổi mô hình hoặc tăng cỡ mẫu chỉ có thể thực hiện khi có lý do phương pháp rõ ràng, không được làm chỉ để CI trở nên đẹp hơn.

Phân biệt khoảng tin cậy với p-value và độ lệch chuẩn

Khoảng tin cậy và p-value liên quan nhưng cung cấp thông tin khác nhau. p-value tập trung vào câu hỏi: nếu giả thuyết không đúng theo mô hình, dữ liệu quan sát có bất thường đến mức nào. CI cho thấy phạm vi giá trị của tham số phù hợp với dữ liệu và mức tin cậy đã chọn.

Độ lệch chuẩn mô tả mức phân tán của các quan sát quanh trung bình. Sai số chuẩn mô tả độ dao động của một ước lượng, chẳng hạn trung bình mẫu, giữa các mẫu lặp lại. Khoảng tin cậy thường được tính từ sai số chuẩn, chứ không lấy trực tiếp độ lệch chuẩn của từng câu trả lời.

Một nhầm lẫn phổ biến là nói “95% dữ liệu nằm trong khoảng tin cậy 95%”. Câu này sai với ý nghĩa thông thường của CI. Khoảng tin cậy dành cho tham số cần ước lượng, còn khoảng chứa phần lớn dữ liệu là một khái niệm khác, thường liên quan đến độ phân tán hoặc khoảng dự đoán.

Cũng cần phân biệt CI với độ tin cậy của thang đo. Cronbach's Alpha đánh giá độ nhất quán nội tại của các biến quan sát theo mục tiêu của phân tích thang đo, còn CI mô tả độ bất định của một ước lượng. Alpha cao không tự động làm khoảng tin cậy của hệ số hồi quy hẹp hơn.

Lỗi thường gặp

Ghi khoảng tin cậy là một con số duy nhất. CI phải có cận dưới và cận trên. Nếu chỉ ghi CI = 95%, bạn mới nêu mức tin cậy, chưa nêu khoảng kết quả.

Kết luận 95% xác suất tham số nằm trong khoảng. Với cách diễn giải tần suất, khoảng được xây dựng từ quy trình lấy mẫu dài hạn. Trong luận văn, nên viết rằng khoảng tin cậy 95% của tham số được ước lượng từ cận dưới đến cận trên, tránh gán xác suất trực tiếp cho tham số cố định.

Thấy CI chứa 0 rồi kết luận mô hình không có giá trị. Một hệ số không có ý nghĩa thống kê không đồng nghĩa toàn bộ mô hình thất bại. Bạn cần xem mục tiêu nghiên cứu, các đường dẫn khác, kích thước tác động và giới hạn dữ liệu.

Đổi 95% thành 90% để kết quả có ý nghĩa hơn. Mức tin cậy cần được quyết định theo thiết kế và giải thích trước hoặc giải thích minh bạch trong báo cáo. Không nên chọn mức sau khi đã xem kết quả chỉ để loại 0 khỏi khoảng.

Trộn CI thường với bootstrap CI. Hai loại khoảng có thể dựa trên cách ước lượng khác nhau. Hãy ghi rõ phương pháp, số lần bootstrap nếu có và tên bảng output đã sử dụng.

Nhầm cận dưới và cận trên. Với tác động âm, chẳng hạn khoảng từ -0,48 đến -0,09, cả hai cận đều âm và khoảng vẫn không chứa 0. Không được nhìn thấy số âm rồi kết luận là không có ý nghĩa.

Câu hỏi thường gặp

Khoảng tin cậy là gì trong SPSS?

Khoảng tin cậy trong SPSS là khoảng gồm cận dưới và cận trên dùng để mô tả phạm vi hợp lý của một ước lượng, chẳng hạn trung bình hoặc hệ số hồi quy. Bạn cần đọc tên bảng, tên cột và dòng biến cụ thể thay vì nhìn một con số riêng lẻ.

Khoảng tin cậy bao nhiêu là tốt?

Không có độ rộng cố định áp dụng cho mọi nghiên cứu. Với hệ số được kiểm định khác 0, bạn thường xem khoảng có chứa 0 hay không. Khoảng càng hẹp thường cho thấy ước lượng chính xác hơn trong mẫu đó, nhưng phải đọc cùng thiết kế, cỡ mẫu và giả định mô hình.

Khoảng tin cậy 95% có phải là mức ý nghĩa 0,05 không?

Trong nhiều kiểm định hai phía, CI 95% tương ứng với mức ý nghĩa 0,05. Tuy nhiên, bạn vẫn cần kiểm tra phương pháp tính, kiểm định một phía hay hai phía và loại CI đang được báo cáo. Có thể xem thêm độ tin cậy 95 là gì để phân biệt mức tin cậy với độ chính xác của ước lượng.

CI chứa 0 thì có chấp nhận giả thuyết H1 không?

Nếu CI của hệ số chứa 0, bạn thường chưa có đủ bằng chứng để kết luận hệ số khác 0 tại mức ý nghĩa tương ứng. Trong luận văn, hãy báo cáo đúng khoảng, p-value và bối cảnh giả thuyết, thay vì tự động sửa dữ liệu hoặc loại biến.

Vì sao khoảng tin cậy bootstrap không chứa 0 nhưng p-value lại lớn hơn 0,05?

Hai kết quả có thể khác do loại khoảng, cách bootstrap, kiểm định một phía hoặc cách làm tròn. Bạn cần kiểm tra đúng bảng, mức tin cậy, số bootstrap subsamples và quy tắc suy luận đã chọn. Với indirect effect, ưu tiên quy tắc CI bootstrap được nêu trong phương pháp và báo cáo nhất quán.

Khoảng tin cậy có thay thế cho p-value không?

Khoảng tin cậy có thể cung cấp thông tin phong phú hơn vì cho biết hướng và phạm vi của tác động, nhưng không phải lúc nào cũng thay thế hoàn toàn p-value theo yêu cầu của trường hoặc giảng viên. Cách an toàn là báo cáo cả hệ số, CI và p-value khi output có các chỉ số này.

Mở lại bảng Coefficients hoặc bảng bootstrap trong file của bạn, ghi riêng cận dưới, cận trên và giá trị tham chiếu như 0, sau đó viết một câu diễn giải trước khi chuyển sang bảng kết quả khác. Nếu cần chạy và đọc phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích của DoThesis để thực hiện bước này.