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

Khoảng tin cậy trong SPSS là gì

Khoảng tin cậy trong SPSS, tiếng Anh là confidence interval, là một khoảng gồm cận dưới và cận trên được dùng để ước lượng giá trị thật của một tham số trong tổng thể. Thay vì chỉ nhìn vào một con số như Mean, hệ số hồi quy hoặc hiệu ứng gián tiếp, bạn xem thêm khoảng giá trị mà tham số đó có thể nằm trong đó theo mức tin cậy đã chọn.

Ví dụ, kết quả hồi quy cho hệ số của biến X là 0,32, với khoảng tin cậy 95% từ 0,12 đến 0,51. Cách đọc cơ bản là hệ số ước lượng là 0,32, còn khoảng từ 0,12 đến 0,51 thể hiện độ bất định của ước lượng. Khoảng càng hẹp thì ước lượng thường càng ổn định hơn trong cùng thiết kế nghiên cứu.

Trong SPSS, khoảng tin cậy có thể xuất hiện ở nhiều thủ tục khác nhau, chẳng hạn Explore, Descriptives, Regression, One-Sample T Test, Independent-Samples T Test, Paired-Samples T Test và PROCESS macro. Tên cột thường gặp là 95% Confidence Interval for Mean, Lower Bound, Upper Bound, LLCI và ULCI.

Về mặt công thức, khoảng tin cậy cho một trung bình thường có dạng:

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

Với trung bình mẫu, sai số chuẩn liên quan đến độ lệch chuẩn và cỡ mẫu. Với hệ số hồi quy hoặc hiệu ứng gián tiếp, SPSS và PROCESS dùng công thức phù hợp với thủ tục đang chạy. Vì vậy, bạn không nên lấy một khoảng tin cậy trong bảng này để diễn giải cho một hệ số ở bảng khác.

Nếu đang đọc các khái niệm liên quan, bạn có thể xem thêm bài khoảng tin cậy, mức ý nghĩa là gì, hoặc df là gì.

Ý nghĩa của khoảng tin cậy trong nghiên cứu định lượng

Khoảng tin cậy giúp bạn trả lời hai câu hỏi. Thứ nhất, giá trị ước lượng có độ chính xác tương đối đến đâu. Thứ hai, dữ liệu có còn phù hợp với một giá trị cụ thể, thường là 0, hay không.

Trong hồi quy, nếu khoảng tin cậy của hệ số từ 0,10 đến 0,48, toàn bộ khoảng đều dương. Điều này ủng hộ khả năng tác động của X lên Y là dương ở mức tin cậy đang xét. Nếu khoảng từ -0,08 đến 0,21, khoảng chứa 0, nên chưa đủ cơ sở kết luận hệ số khác 0 ở mức tương ứng.

Trong kiểm định trung bình, khoảng tin cậy cho Mean Difference cho biết chênh lệch giữa trung bình quan sát và giá trị kiểm định, hoặc giữa hai nhóm. Với kiểm định cặp, khoảng tin cậy áp dụng cho trung bình của các chênh lệch giữa hai lần đo.

Khoảng tin cậy không nói rằng 95% xác suất tham số thật nằm trong đúng khoảng vừa tính. Cách diễn giải chặt chẽ hơn là nếu lặp lại quy trình lấy mẫu và xây dựng khoảng theo cùng phương pháp nhiều lần, khoảng tin cậy 95% có tính chất bao phủ tham số thật theo tỷ lệ dài hạn tương ứng. Khi viết luận văn, bạn có thể diễn giải thực hành là kết quả cho thấy tham số được ước lượng trong khoảng từ cận dưới đến cận trên với mức tin cậy 95%, nhưng nên tránh biến nó thành lời khẳng định chắc chắn tuyệt đối.

Khoảng tin cậy cũng bổ sung cho p-value. p-value hỗ trợ quyết định bác bỏ hay không bác bỏ H0, còn khoảng tin cậy cho biết hướng và độ rộng của hiệu ứng. Một kết quả có p-value nhỏ nhưng khoảng rất rộng vẫn cần được thảo luận thận trọng vì ước lượng còn thiếu chính xác.

Khoảng tin cậy trong SPSS bao nhiêu là đạt

Khoảng tin cậy không có một giá trị duy nhất gọi là “đạt”. Bạn cần xem loại tham số, mức tin cậy, cận dưới, cận trên và giá trị cần kiểm định. Trong hồi quy hoặc kiểm định hiệu ứng, giá trị thường được quan tâm là 0. Nếu khoảng không chứa 0, kết quả thường được xem là có ý nghĩa thống kê ở mức tương ứng. Với tỷ lệ, odds ratio hoặc một số chỉ số không có giá trị vô hiệu là 0, giá trị cần đối chiếu có thể là 1.

Mức tin cậy 95% là lựa chọn phổ biến. Mức này tương ứng với mức ý nghĩa hai phía 5% trong các tình huống kiểm định phù hợp. Bạn không nên tự động đổi sang 90% chỉ vì khoảng 95% chứa 0, trừ khi mức đó đã được xác định trước trong thiết kế phân tích và được giải trình rõ.

Bảng trên áp dụng cho hiệu ứng hoặc chênh lệch mà giá trị vô hiệu là 0. Bạn cần kiểm tra đúng tên biến và đúng loại tham số trước khi kết luận. Chẳng hạn, nếu đang đọc odds ratio, giá trị vô hiệu thường là 1, nên cách đối chiếu sẽ khác.

Khoảng rộng không đồng nghĩa với kết quả sai. Nó có thể xuất hiện khi cỡ mẫu nhỏ, dữ liệu phân tán lớn hoặc mô hình ước lượng chưa ổn định. Bạn nên báo cáo khoảng rộng thay vì chỉ giữ lại phần p-value có lợi cho giả thuyết.

Cách đọc khoảng tin cậy trên output

Bạn mở đúng bảng output trước khi đọc con số. Với kiểm định trung bình, tìm cột 95% Confidence Interval of the Difference hoặc 95% Confidence Interval for Mean. Với hồi quy tuyến tính, khoảng tin cậy của hệ số thường được yêu cầu thêm trong hộp thoại Linear Regression. Với PROCESS, tìm bảng Bootstrapping Coefficients và hai cột BootLLCI, BootULCI.

Đọc khoảng tin cậy trong hồi quy tuyến tính

Vào Analyze > Regression > Linear. Đưa biến phụ thuộc vào Dependent, các biến độc lập vào Independent(s), sau đó bấm Statistics. Chọn Estimates và Confidence intervals, giữ mức 95% nếu đó là mức bạn đã chọn trong kế hoạch phân tích, rồi bấm Continue và OK.

SPSS sẽ đưa cận dưới và cận trên vào bảng Coefficients. Hãy ghép đúng dòng biến với các cột B, Sig., 95.0% Confidence Interval for B, Lower Bound và Upper Bound. Không lấy khoảng của dòng (Constant) để kết luận cho biến độc lập.

Đọc khoảng tin cậy trong kiểm định trung bình

Với One-Sample T Test, vào Analyze > Compare Means > One-Sample T Test, chọn biến kiểm định và nhập Test Value. Bảng One-Sample Test có Mean Difference, t, df, Sig. (2-tailed) và khoảng tin cậy của chênh lệch.

Với hai nhóm độc lập, vào Analyze > Compare Means > Independent-Samples T Test. Bạn cần đọc thêm bảng Independent Samples Test để xem dòng Equal variances assumed hay Equal variances not assumed, dựa trên kiểm định Levene. Sau đó đối chiếu 95% Confidence Interval of the Difference ở đúng dòng.

Đọc khoảng tin cậy bootstrap trong PROCESS

Khi chạy mediation hoặc moderation bằng PROCESS, bảng thường có các cột Effect, BootSE, BootLLCI và BootULCI. Khoảng từ BootLLCI đến BootULCI là khoảng tin cậy bootstrap của hiệu ứng.

Ví dụ dưới đây chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thật:

Ở dòng đầu, hệ số B là 0,324 và khoảng tin cậy 95% từ 0,129 đến 0,519. Cả hai cận đều dương nên bạn có thể mô tả hướng tác động dương trong mẫu minh họa. Ở dòng thứ hai, khoảng đi qua 0, dù B âm, nên chưa thể kết luận tác động âm có ý nghĩa thống kê.

Đối với PROCESS, số lần bootstrap cần được báo cáo cùng kết quả. Khi sử dụng quy trình PLS-SEM trong SmartPLS, tài liệu hướng dẫn báo cáo thường dùng 5.000 bootstrap subsamples (Hair và cộng sự, 2022), nhưng con số này không biến output SPSS thành output SmartPLS. Bạn cần ghi đúng phần mềm và đúng thủ tục đã chạy.

Khi khoảng tin cậy không đạt thì xử lý thế nào

Trước tiên, xác nhận bạn đang đọc đúng khoảng. Kiểm tra tên bảng, tên dòng, biến phụ thuộc, biến độc lập, mức tin cậy và loại khoảng. Nhiều trường hợp “không đạt” chỉ xuất phát từ việc đọc Lower Bound của một biến khác hoặc đọc dòng Constant thay cho dòng biến nghiên cứu.

Kiểm tra lại dữ liệu và mã hóa

Mở Variable View và kiểm tra kiểu biến, mã giá trị, missing values, các biến đảo chiều và đơn vị đo. Nếu một biến quan sát lẽ ra phải đảo chiều nhưng chưa được recode, hệ số và khoảng tin cậy có thể bị kéo lệch. Bạn nên lưu một phiên bản dữ liệu mới trước khi chỉnh sửa.

Kiểm tra giả định và đặc điểm mẫu

Xem outlier, phân phối, đa cộng tuyến và cỡ mẫu theo đúng loại phân tích. Với hồi quy, kiểm tra VIF, phần dư và các chẩn đoán liên quan. Với mẫu nhỏ, khoảng tin cậy có thể rộng do sai số chuẩn lớn. Bạn không nên xóa quan sát chỉ vì nó làm khoảng tin cậy chứa 0. Mọi loại bỏ phải dựa trên tiêu chí dữ liệu được xác định trước và có ghi chép.

Chọn cách ước lượng phù hợp

Nếu đang phân tích hiệu ứng gián tiếp, bootstrap thường phù hợp hơn việc chỉ suy luận từ tích của các hệ số. Khoảng bootstrap cần được đọc qua BootLLCI và BootULCI, không đọc nhầm p-value của từng đường dẫn riêng lẻ. Với các lựa chọn thay thế như R, JASP, AMOS hoặc SmartPLS, bạn có thể nhận được cách trình bày khác, nhưng phải thống nhất công cụ với phương pháp trong đề cương.

Báo cáo đúng kết quả thay vì sửa số

Nếu khoảng vẫn chứa 0 sau khi kiểm tra dữ liệu, hãy báo cáo trung thực rằng hiệu ứng chưa có ý nghĩa thống kê ở mức đã chọn. Không đổi mức tin cậy sau khi xem kết quả, không loại biến chỉ để khoảng đẹp hơn và không dùng dịch vụ chạy SPSS để thay bạn quyết định giữ hay bỏ dữ liệu. Hội đồng thường hỏi quy trình loại biến, lý do chọn mô hình và căn cứ diễn giải, chứ không chỉ nhìn một con số đẹp.

Phân biệt khoảng tin cậy với mức ý nghĩa và sai số chuẩn

Khoảng tin cậy là một khoảng ước lượng. p-value là xác suất được dùng trong quyết định kiểm định dưới giả định H0. Mức ý nghĩa, thường ký hiệu là alpha, là ngưỡng bạn đặt trước để quyết định có bác bỏ H0 hay không. Bạn có thể xem giải thích riêng về mức ý nghĩa để tránh dùng ba khái niệm này thay thế cho nhau.

Sai số chuẩn, viết là SE, đo độ biến thiên của ước lượng qua các mẫu giả định. Nó là một thành phần để tạo khoảng tin cậy, không phải bản thân khoảng tin cậy. Khi SE lớn, khoảng thường rộng hơn nếu các yếu tố khác giữ nguyên.

Bậc tự do, hay df, cũng không phải cận dưới hoặc cận trên. Nó tham gia xác định giá trị tới hạn trong một số kiểm định. Nếu cần xem cách đọc cột này, bạn có thể tham khảo bậc tự do là gì và df trong SPSS.

Một điểm dễ nhầm khác là khoảng tin cậy của trung bình và khoảng dự đoán. Khoảng tin cậy của trung bình nói về độ không chắc chắn quanh trung bình tổng thể. Khoảng dự đoán hướng đến một quan sát mới nên thường rộng hơn. Hãy đọc đúng tên bảng và mục tiêu của phân tích trước khi viết diễn giải.

Lỗi thường gặp

Lỗi đầu tiên là viết “khoảng tin cậy đạt trên 0,95”. Khoảng tin cậy không được đánh giá bằng việc bản thân các cận có lớn hơn 0,95 hay không. Bạn cần xem khoảng có chứa giá trị vô hiệu của tham số hay không.

Lỗi thứ hai là nói “95% số người trả lời nằm trong khoảng tin cậy”. Khoảng tin cậy của hệ số hoặc trung bình không mô tả tỷ lệ người nằm trong một khoảng điểm số. Cách nói này nhầm với phân phối dữ liệu hoặc khoảng dự đoán.

Lỗi thứ ba là chỉ nhìn Sig. mà bỏ qua khoảng. Với kết quả hồi quy, hãy báo cáo đồng thời B, SE, t hoặc p-value và khoảng tin cậy. Với mediation, báo cáo hiệu ứng gián tiếp cùng BootLLCI và BootULCI.

Lỗi thứ tư là dùng ngưỡng của SmartPLS cho output SPSS. Các chỉ số như Outer Loadings, AVE, HTMT thuộc bối cảnh PLS-SEM, còn khoảng của hệ số trong Coefficients thuộc thủ tục hồi quy hoặc kiểm định đang chạy. Bạn có thể xem thêm các chủ đề Thống kê để đặt đúng chỉ số vào đúng phân tích.

Khi viết vào luận văn, bạn có thể dùng mẫu sau và thay bằng số liệu thật: “Kết quả cho thấy [tên biến] có tác động [cùng chiều/ngược chiều] đến [biến phụ thuộc] với hệ số [B hoặc Effect] = [giá trị], khoảng tin cậy 95% từ [cận dưới] đến [cận trên]. Vì khoảng tin cậy [không chứa/có chứa] 0, giả thuyết [H1] được [ủng hộ/chưa được ủng hộ] ở mức ý nghĩa [alpha].”

Câu hỏi thường gặp

Khoảng tin cậy trong SPSS là gì?

Đó là khoảng từ cận dưới đến cận trên dùng để diễn tả độ bất định của một trung bình, chênh lệch, hệ số hoặc hiệu ứng. SPSS có thể hiển thị khoảng này trong nhiều bảng, tùy thủ tục bạn chạy.

Khoảng tin cậy bao nhiêu là đạt?

Không có một con số chung gọi là đạt. Với hiệu ứng mà giá trị vô hiệu là 0, khoảng 95% không chứa 0 thường ủng hộ kết luận hiệu ứng khác 0 ở mức ý nghĩa 5%, khi các điều kiện kiểm định phù hợp. Với chỉ số có giá trị vô hiệu là 1, bạn phải đối chiếu với 1.

Khoảng tin cậy chứa 0 thì phải làm sao?

Trước hết kiểm tra đúng bảng, đúng dòng, mức tin cậy, mã hóa dữ liệu và giả định của mô hình. Nếu kết quả vẫn chứa 0, hãy báo cáo rằng chưa đủ bằng chứng về hiệu ứng khác 0, thay vì tự ý xóa dữ liệu hoặc đổi ngưỡng sau khi xem output.

BootLLCI và BootULCI trong SPSS là gì?

Trong PROCESS, BootLLCI là cận dưới và BootULCI là cận trên của khoảng tin cậy bootstrap. Với hiệu ứng gián tiếp, nếu khoảng này không chứa 0, kết quả thường được diễn giải là hiệu ứng gián tiếp có ý nghĩa theo cách kiểm định bootstrap (Preacher và Hayes, 2008).

Khoảng tin cậy có thay thế p-value không?

Khoảng tin cậy và p-value cung cấp hai góc nhìn liên quan nhưng không hoàn toàn giống nhau. Khoảng cho biết hướng và độ rộng của ước lượng, còn p-value hỗ trợ quyết định kiểm định. Trong luận văn, nên báo cáo cả hai khi output và thiết kế phân tích cho phép.

Bạn hãy mở lại đúng bảng output trong file SPSS, ghi ra tên bảng, tên biến, cận dưới, cận trên và mức tin cậy trước khi viết kết luận, sau đó dùng M4 phân tích dữ liệu để chạy và diễn giải chính bước này trên file .sav hoặc .csv của bạn.