Kí hiệu phương sai là gì? Cách đọc và tính trên SPSS

Kí hiệu phương sai là gì

Bạn mở bảng thống kê mô tả và thấy cột Variance, hoặc trong giáo trình gặp ký hiệu s², S² hay σ². Các cách viết này đều liên quan đến phương sai, một chỉ số cho biết các giá trị trong một tập dữ liệu phân tán quanh giá trị trung bình đến mức nào. Phương sai càng lớn, dữ liệu càng nằm xa trung bình hơn. Phương sai càng nhỏ, các quan sát càng tập trung gần trung bình.

Trong nghiên cứu định lượng, cần phân biệt hai trường hợp. σ² thường ký hiệu phương sai của tổng thể, còn s² thường ký hiệu phương sai mẫu. Với dữ liệu khảo sát thu được từ một nhóm người trả lời, bạn thường đang làm việc với phương sai mẫu.

Công thức phương sai mẫu là:

s² = Σ(xᵢ - x̄)² / (n - 1)

Trong đó, xᵢ là từng quan sát, x̄ là giá trị trung bình mẫu và n là số quan sát. Mẫu số n - 1 xuất hiện khi ước lượng phương sai tổng thể từ một mẫu. Nếu bạn cần xem từng bước thay số, có thể tham khảo bài công thức tính phương sai.

Với tổng thể, công thức thường viết là:

σ² = Σ(xᵢ - μ)² / N

μ là trung bình tổng thể và N là kích thước tổng thể. Khi chạy SPSS, bạn thường không cần tự tính bằng tay. Phần quan trọng là biết phần mềm đang báo chỉ số nào, dữ liệu thuộc mẫu hay tổng thể, và phương sai đó có phù hợp với câu hỏi nghiên cứu hay không.

Ý nghĩa của kí hiệu phương sai trong nghiên cứu định lượng

Phương sai đo mức độ phân tán, nhưng nó không nói trực tiếp rằng một thang đo có đáng tin cậy hay một giả thuyết có được chấp nhận hay không. Đây là điểm nhiều sinh viên nhầm khi nhìn thấy một con số lớn trong bảng Descriptive Statistics.

Nếu bạn khảo sát mức độ hài lòng theo thang Likert từ 1 đến 5, phương sai cho biết câu trả lời có tập trung ở một mức hay phân tán giữa nhiều mức. Phương sai nhỏ có thể cho thấy người trả lời có xu hướng chọn các mức gần nhau. Tuy nhiên, phương sai nhỏ cũng có thể xuất hiện vì bảng hỏi có câu quá dễ, mẫu trả lời quá đồng nhất hoặc người trả lời chọn theo một kiểu lặp lại.

Phương sai lớn cho thấy sự khác biệt giữa các quan sát rõ hơn. Trong một số phân tích, sự biến thiên này cần thiết vì nếu mọi người đều cho cùng một câu trả lời, việc tìm mối liên hệ giữa các biến sẽ rất khó. Dù vậy, phương sai lớn không tự động chứng minh dữ liệu tốt. Bạn vẫn cần kiểm tra cách nhập dữ liệu, giá trị cực đoan, mã hóa biến và bối cảnh thu thập.

Phương sai còn là nền tảng để tính độ lệch chuẩn. Độ lệch chuẩn chính là căn bậc hai của phương sai, nên hai chỉ số này luôn có quan hệ chặt chẽ. Bạn có thể xem thêm bài độ lệch chuẩn khi output có cả cột Std. Deviation và Variance.

Trong thống kê mô tả, phương sai giúp bạn mô tả dữ liệu. Trong hồi quy, ANOVA hoặc các mô hình nâng cao hơn, những vấn đề liên quan đến phương sai không đồng nhất có thể ảnh hưởng đến cách diễn giải kết quả. Vì vậy, bạn nên xem phương sai cùng với Mean, Std. Deviation, giá trị nhỏ nhất, giá trị lớn nhất và số quan sát hợp lệ, thay vì tách riêng một con số.

Kí hiệu phương sai bao nhiêu là đạt

Phương sai không có một ngưỡng chung kiểu “từ bao nhiêu là đạt” cho mọi đề tài. Lý do là phương sai phụ thuộc vào thang đo, đơn vị đo, khoảng giá trị và mục tiêu phân tích. Phương sai của thu nhập tính bằng triệu đồng sẽ có quy mô rất khác phương sai của một biến Likert từ 1 đến 5.

Nếu bạn đang đọc một bảng mô tả biến, hãy dùng phương sai để hiểu độ phân tán, không dùng nó như tiêu chí duy nhất để loại biến. Một biến có phương sai thấp chưa chắc là biến xấu. Một biến có phương sai cao cũng chưa chắc cần loại. Quyết định phải dựa trên thiết kế nghiên cứu và các kiểm định liên quan.

Các ngưỡng như Cronbach's Alpha từ 0.7 trở lên được dùng để đánh giá độ tin cậy thang đo theo (Nunnally, 1978), còn tương quan biến tổng hiệu chỉnh từ 0.3 trở lên theo (Nunnally và Bernstein, 1994). Đây là ngưỡng của các chỉ số khác, không phải ngưỡng để kết luận Variance đạt hay không đạt.

Nếu biến quan sát có phương sai bằng 0, bạn nên kiểm tra ngay. Một biến mà toàn bộ người trả lời đều chọn cùng một mã sẽ không cung cấp thông tin phân biệt giữa các đối tượng. Trường hợp này thường liên quan đến câu hỏi thiết kế chưa tốt, bộ lọc khảo sát, lỗi mã hóa hoặc dữ liệu bị sao chép.

Cách đọc kí hiệu phương sai trên output

Trong SPSS, cách nhanh nhất là chạy thống kê mô tả cho các biến số cần kiểm tra. Mở file .sav, chọn Analyze > Descriptive Statistics > Descriptives. Đưa biến vào ô Variable(s), bấm Options, chọn Mean, Std. deviation, Variance, Minimum và Maximum, sau đó bấm Continue và OK.

SPSS sẽ tạo bảng Descriptive Statistics. Cột Variance là phương sai. Cột Std. Deviation là độ lệch chuẩn. Cột N cho biết số quan sát được dùng trong phép tính, thường là số trường hợp có dữ liệu hợp lệ của biến đó.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các con số được dựng để bạn nhận diện đúng vị trí và cách đọc tên cột trong output SPSS.

Với dòng HL1, phương sai minh họa là 0.832 và độ lệch chuẩn là 0.912. Hai số này khớp gần đúng với quan hệ 0.912² ≈ 0.832. Bạn không nên đọc 0.832 như tỷ lệ phần trăm, cũng không nên nói rằng HL1 “đạt 83,2%”. Đó là một đại lượng bình phương theo đơn vị của biến.

Dòng HL3 có N = 181, thấp hơn hai biến còn lại. Điều này cho thấy có ít nhất một trường hợp thiếu dữ liệu ở HL3 hoặc bị loại khỏi phép tính của biến. Nếu bạn đang chuẩn bị chạy Cronbach's Alpha hoặc EFA, cần tìm nguyên nhân chênh lệch số quan sát trước khi báo cáo.

Khi output có bảng Frequencies, bạn cũng có thể xem phương sai trong phần Statistics, nếu đã chọn hiển thị chỉ số này. Với bảng Explore, đường dẫn là Analyze > Descriptive Statistics > Explore. Đưa biến vào Dependent List, bấm Statistics nếu cần các mô tả bổ sung, rồi kiểm tra phần kết quả được tạo.

Nếu bạn chạy hồi quy, bảng Descriptive Statistics có thể xuất hiện cùng output, nhưng phương sai ở đó vẫn chỉ là thống kê mô tả. Bạn cần đọc riêng bảng Coefficients, ANOVA và Model Summary để kết luận về mô hình. Phương sai của một biến không thay thế p-value, hệ số hồi quy hoặc R².

Khi kí hiệu phương sai không đạt thì xử lý thế nào

Trước hết, dừng việc loại biến chỉ vì thấy Variance cao hoặc thấp. Hãy xử lý theo thứ tự để tránh sửa dữ liệu theo hướng làm đẹp output.

Kiểm tra mã hóa và loại biến

Mở Variable View và xem Measure, Values, Missing cùng nhãn biến. Với biến Likert, kiểm tra các mã từ 1 đến 5 có được nhập đúng không. Một lỗi thường gặp là một số dòng dùng mã 0 hoặc ina, khiến phương sai bị kéo lệch.

Nếu có biến đảo chiều, hãy kiểm tra đã recode trước khi tính điểm thang đo hay chưa. Đường dẫn thường dùng là Transform > Recode into Different Variables. Giữ lại biến gốc, tạo biến mới và ghi rõ quy tắc recode trong file syntax hoặc sổ theo dõi.

Kiểm tra giá trị thiếu và số quan sát

So sánh N giữa các biến. Nếu một biến có số quan sát thấp bất thường, mở Analyze > Descriptive Statistics > Frequencies để xem phân bố mã. Đừng tự động thay mọi giá trị thiếu bằng trung bình, vì cách này có thể làm thay đổi phân tán và ảnh hưởng kết quả sau đó.

Kiểm tra outlier và lỗi nhập liệu

Nếu phương sai lớn, xem Minimum, Maximum, biểu đồ hộp và các giá trị không nằm trong khoảng của bảng hỏi. Bạn có thể tham khảo bài outlier để phân biệt một giá trị cực đoan hợp lệ với một lỗi nhập.

Một người có thu nhập cao thật sự không nên bị xóa chỉ vì làm phương sai lớn. Bạn cần có lý do phương pháp rõ ràng, chẳng hạn giá trị nằm ngoài phạm vi mà bảng hỏi cho phép hoặc bản ghi vi phạm điều kiện sàng lọc. Nếu loại trường hợp, hãy ghi lại mã trường hợp, lý do và kết quả trước sau khi xử lý.

Chạy lại phân tích sau khi có lý do hợp lệ

Sau khi kiểm tra, bạn có thể chạy lại Analyze > Descriptive Statistics > Descriptives. Nếu mục tiêu là kiểm định thang đo, hãy tiếp tục theo đúng quy trình Cronbach's Alpha, EFA hoặc PLS-SEM của đề tài. Việc một biến có phương sai khác các biến còn lại không đủ để quyết định giữ hay loại biến.

Nếu dữ liệu thật sự không có biến thiên, phần mềm không thể tạo ra thông tin mới bằng một tùy chọn trong SPSS. Khi đó, bạn cần báo cáo giới hạn dữ liệu và trao đổi với giảng viên về cách xử lý phù hợp. Việc sửa trực tiếp các câu trả lời để làm phương sai đẹp hơn là rủi ro lớn khi bị hỏi về dữ liệu gốc.

Phân biệt kí hiệu phương sai với độ lệch chuẩn

Phương sai và độ lệch chuẩn đều đo mức độ phân tán, nhưng đơn vị và cách diễn giải khác nhau. Phương sai là trung bình của các độ lệch bình phương so với trung bình. Độ lệch chuẩn là căn bậc hai của phương sai.

Ví dụ, nếu phương sai của một biến điểm là 0.832, độ lệch chuẩn tương ứng xấp xỉ 0.912. Phương sai có đơn vị bình phương, còn độ lệch chuẩn có cùng đơn vị với biến gốc. Vì vậy, trong bảng mô tả dành cho người đọc, Std. Deviation thường trực quan hơn.

Bạn cũng cần phân biệt phương sai với trung bình. Mean cho biết mức trung tâm của dữ liệu, còn Variance cho biết mức phân tán quanh trung tâm đó. Hai nhóm có thể có cùng trung bình nhưng phương sai hoàn toàn khác nhau. Ngược lại, hai nhóm có phương sai gần nhau nhưng trung bình khác nhau.

Phương sai cũng khác trung vị. Trung vị là giá trị đứng giữa khi dữ liệu được sắp xếp, phù hợp để mô tả vị trí trung tâm khi dữ liệu lệch hoặc có outlier. Bạn có thể xem thêm trung vị nếu đang so sánh Mean, Median và phân bố dữ liệu.

Khi đọc tài liệu hoặc output, S² và σ² không nên bị nhầm với S và σ. Ký hiệu không có số mũ 2 thường chỉ độ lệch chuẩn, còn ký hiệu có số mũ 2 chỉ phương sai. Trong SPSS, bạn không nhìn ký hiệu toán học mà nhìn tên cột Variance và Std. Deviation.

Lỗi thường gặp

Lỗi đầu tiên là tìm một con số cố định để kết luận phương sai đạt hay không đạt. Cách làm này bỏ qua thang đo và đơn vị. Hãy so sánh các biến trong cùng bối cảnh, đồng thời đọc mục tiêu của phân tích.

Lỗi thứ hai là diễn giải phương sai như phần trăm. Variance = 1.20 không có nghĩa là dữ liệu biến động 120%. Nếu muốn nói về mức phân tán, hãy dùng câu mô tả đúng đơn vị và chỉ số.

Lỗi thứ ba là nhầm phương sai với R². R² cho biết tỷ lệ biến thiên của biến phụ thuộc được mô hình giải thích trong hồi quy hoặc PLS-SEM. Trong PLS-SEM, các mức R² thường được diễn giải theo (Hair và cộng sự, 2011), nhưng đó là chỉ số của mô hình, không phải cột Variance trong thống kê mô tả.

Lỗi thứ tư là xóa biến chỉ vì phương sai thấp mà không xem bảng hỏi. Nếu mọi người trả lời giống nhau vì biến đó phản ánh một đặc điểm thật sự ổn định, việc xóa biến cần có lập luận rõ ràng. Nếu nguyên nhân là nhập sai mã, cần sửa dữ liệu gốc hoặc loại bản ghi theo quy tắc đã định trước.

Lỗi thứ năm là bỏ qua số quan sát hợp lệ. Một phương sai được tính từ số quan sát khác nhau không nên được so sánh máy móc. Luôn đọc cột N, kiểm tra giá trị thiếu và ghi rõ cách xử lý dữ liệu trong chương phương pháp.

Khi viết báo cáo, một câu có thể điều chỉnh như sau: “Kết quả thống kê mô tả cho thấy biến [mã biến] có giá trị trung bình là [Mean] và độ lệch chuẩn là [Std. Deviation], trong khi phương sai đạt [Variance]. Các giá trị này được sử dụng để mô tả mức độ phân tán của dữ liệu, không dùng làm tiêu chí duy nhất để loại biến.” Hãy thay bằng số liệu trong file của bạn và nêu rõ số quan sát hợp lệ.

Câu hỏi thường gặp

Kí hiệu phương sai trong thống kê là gì?

Kí hiệu phương sai tổng thể thường là σ², còn phương sai mẫu thường là s². Trong SPSS, bạn nhận diện phương sai qua tên cột Variance trong bảng Descriptive Statistics, thay vì qua ký hiệu toán học.

Phương sai bao nhiêu là đạt?

Không có một ngưỡng chung để nói phương sai đạt cho mọi biến và mọi đề tài. Bạn cần xem thang đo, khoảng giá trị, đơn vị, số quan sát và mục tiêu phân tích. Phương sai bằng 0 cho thấy không có biến thiên, còn phương sai lớn cần được kiểm tra thêm chứ chưa đủ căn cứ để loại biến.

Phương sai có phải là độ lệch chuẩn không?

Hai chỉ số có liên hệ nhưng không giống nhau. Độ lệch chuẩn là căn bậc hai của phương sai và giữ nguyên đơn vị của biến gốc. Vì vậy, Variance và Std. Deviation có thể cùng mô tả độ phân tán nhưng không được thay thế tên cho nhau.

Vì sao phương sai trong SPSS rất lớn?

Bạn nên kiểm tra đơn vị đo, phạm vi giá trị, mã hóa, giá trị thiếu và outlier. Nếu giá trị lớn là hợp lệ, không nên xóa chỉ để làm output đẹp hơn. Nếu đó là lỗi nhập hoặc mã ngoài phạm vi bảng hỏi, hãy sửa theo dữ liệu gốc và lưu lại lý do.

Phương sai thấp có cần loại biến không?

Không nhất thiết. Phương sai thấp chỉ cho thấy các câu trả lời tập trung. Bạn cần xem biến có bị nhập cùng một mã, có bị thiết kế quá đơn điệu hoặc có phù hợp với khái niệm nghiên cứu không. Quyết định loại biến nên kết hợp với Cronbach's Alpha, corrected item-total correlation, EFA hoặc mô hình đo lường phù hợp.

Tính phương sai bằng tay hay chạy SPSS tốt hơn?

Tính bằng tay phù hợp để hiểu công thức và kiểm tra một tập dữ liệu nhỏ. Khi có nhiều biến và nhiều dòng, SPSS giảm lỗi tính toán và cung cấp đồng thời Mean, Std. Deviation, Variance, Minimum, Maximum cùng N. Bạn vẫn nên hiểu công thức để phát hiện lỗi nhập hoặc cách đọc sai output.

Mở file SPSS của bạn, chạy Analyze > Descriptive Statistics > Descriptives, đối chiếu N, Mean, Std. Deviation và Variance, sau đó ghi lại các trường hợp cần kiểm tra trước khi chạy phân tích tiếp theo; nếu cần chạy toàn bộ bước trên dữ liệu .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích của DoThesis.