Cách chạy kiểm định Split-Half trong SPSS

Khi nào dùng kiểm định Split-Half trong SPSS

Bạn dùng kiểm định Split-Half để đánh giá độ nhất quán nội tại của một thang đo bằng cách chia các biến quan sát thành hai nửa, sau đó kiểm tra mức tương quan giữa hai tổng điểm. SPSS thường báo cáo hệ số tương quan giữa hai nửa và hệ số Spearman-Brown sau khi bạn chạy Reliability Analysis.

Split-Half phù hợp khi bạn muốn kiểm tra nhanh độ tin cậy của một bộ biến quan sát, đặc biệt khi giảng viên yêu cầu báo cáo phương pháp chia đôi hoặc khi cần đối chiếu với Cronbach's Alpha. Đây vẫn là kiểm định độ tin cậy thang đo trong SPSS, nhưng cách đặt câu hỏi khác với Cronbach's Alpha. Alpha sử dụng thông tin của toàn bộ các biến quan sát, còn Split-Half phụ thuộc vào cách chia thang đo thành hai phần.

Trong đề tài định lượng, bạn thường dùng kiểm định này cho một thang đo có các biến cùng đo một khái niệm, chẳng hạn PU1 đến PU5 cùng đo Perceived Usefulness. Bạn không nên gom các biến của nhiều khái niệm vào một lần chạy. Nếu mô hình có các thang đo độc lập, phụ thuộc, mediator hoặc moderator, hãy kiểm tra từng thang đo riêng.

Bạn có thể xem thêm bài Cronbach Alpha để hiểu chỉ số thường được dùng cùng Split-Half. Nếu mục tiêu của bạn là chọn phương pháp kiểm định chính cho thang đo, hãy đọc thêm Cronbach Alpha trong SPSS, vì đây thường là bảng kết quả mà hội đồng hỏi đến trước.

Chuẩn bị dữ liệu trước khi chạy

Mở file .sav và kiểm tra lại tên biến trước khi vào menu. Các biến quan sát nên được đặt theo mã rõ ràng như PU1, PU2, PU3, PU4, PU5. Mỗi dòng là một người trả lời, mỗi cột là một biến quan sát. Dữ liệu Likert có thể được nhập dưới dạng số, chẳng hạn từ 1 đến 5, thay vì nhập chữ như “Hoàn toàn không đồng ý”.

Nếu bảng hỏi có biến đảo chiều, bạn phải mã hóa ngược trước khi chạy. Với thang Likert 1 đến 5, công thức thường là giá trị mới bằng 6 trừ giá trị cũ. Bạn có thể thực hiện tại Transform > Compute Variable. Đặt tên biến mới dễ nhận biết, chẳng hạn PU3_R, và ghi lại việc này trong sổ theo dõi làm sạch dữ liệu. Nếu đưa biến đảo chiều chưa xử lý vào Split-Half, tương quan giữa hai nửa có thể giảm mạnh.

Kiểm tra missing values tại Analyze > Descriptive Statistics > Frequencies. Một vài ô trống có thể được SPSS xử lý theo từng cặp hoặc loại khỏi phép tính tùy thiết lập. Bạn cần thống nhất cách xử lý trước khi báo cáo. Các giá trị ngoài khoảng, chẳng hạn thang đo 1 đến 5 nhưng xuất hiện 99, cũng phải được khai báo là missing hoặc sửa theo dữ liệu gốc.

Chỉ đưa các biến quan sát thuộc cùng một khái niệm vào hộp Items. Không đưa biến nhân khẩu học, mã người trả lời hoặc biến kết quả tổng hợp vào cùng thang đo. Nếu bạn đang kiểm tra corrected item-total correlation, có thể xem hướng dẫn về Corrected Item-Total Correlation để phân biệt chỉ số này với tương quan giữa hai nửa.

Các bước chạy kiểm định Split-Half trong SPSS

Mở Reliability Analysis

Trên thanh menu, chọn Analyze > Scale > Reliability Analysis. Trong cửa sổ Reliability Analysis, bôi chọn các biến quan sát của một thang đo rồi đưa sang ô Items. Ví dụ, với thang đo PU gồm PU1, PU2, PU3, PU4 và PU5, chỉ đưa năm biến này vào cùng một lần chạy.

Ở ô Model, chọn Split-half. Đây là lựa chọn quyết định SPSS chia bộ biến thành hai nửa thay vì chạy mô hình Alpha. Nếu bạn để mặc định là Alpha, output sẽ tập trung vào Cronbach's Alpha và không trả về đúng bảng Split-Half bạn cần.

Chọn cách chia biến quan sát

Nhấn nút Statistics. Trong phần Descriptives for, chọn Item, Scale và Scale if item deleted nếu muốn xem thêm thông tin mô tả. Với mục đích đọc Split-Half, các lựa chọn quan trọng nằm ở phần liên quan đến Inter-Item, Correlations hoặc thống kê giữa hai nửa tùy phiên bản SPSS.

Bạn cần chú ý cách SPSS chia biến. Với một số phiên bản và số lượng biến nhất định, SPSS chia theo thứ tự biến trong danh sách. Khi đó, PU1, PU2 có thể nằm ở nửa đầu, còn PU3, PU4, PU5 nằm ở nửa sau. Nếu số biến là số lẻ, hai nửa có thể có số biến không bằng nhau. Hãy ghi lại thứ tự biến trước khi chạy để giải thích output chính xác.

Nhấn Continue, sau đó nhấn OK. Nếu muốn kiểm tra thêm Cronbach's Alpha để đối chiếu, bạn có thể chạy lại cùng nhóm biến với Model: Alpha. Hai kết quả này không cần phải giống nhau tuyệt đối vì chúng được tính từ các thông tin khác nhau.

Lưu output và ghi lại thiết lập

Trong cửa sổ Output Viewer, tìm các bảng có tiêu đề liên quan đến Reliability Statistics, Correlation Between Forms hoặc Spearman-Brown. Chọn File > Export nếu cần lưu riêng output dưới dạng PDF hoặc Word. Đồng thời, ghi lại danh sách biến, thứ tự biến và cách chia hai nửa.

Việc lưu từng vòng chạy rất cần thiết nếu bạn phải loại biến. Bạn nên đặt tên file theo dạng split_half_PU_v1.spv, split_half_PU_v2.spv thay vì ghi đè lên output cũ. Nếu kết quả không đạt, bạn sẽ biết biến nào đã được thay đổi và có thể giải trình với giảng viên.

Đọc kết quả output

Trong output, bảng Reliability Statistics có thể hiển thị số biến của mỗi nửa và các hệ số liên quan. Bảng Correlation Between Forms cho biết tương quan giữa tổng điểm của Form 1 và Form 2. Vì hai tổng điểm được tính từ hai nhóm biến khác nhau, hệ số này phản ánh mức nhất quán giữa hai nửa của thang đo.

Bảng quan trọng tiếp theo thường là Spearman-Brown Coefficient. SPSS có thể hiển thị hai dòng, gồm Equal Length và Unequal Length. Dòng Equal Length giả định hai nửa có độ dài bằng nhau. Dòng Unequal Length điều chỉnh kết quả khi hai nửa có số lượng biến khác nhau, thường xảy ra khi tổng số biến là số lẻ.

số liệu minh họa: Bảng trên mô phỏng hình dạng và tên dòng thường gặp trong output SPSS, không phải kết quả của một nghiên cứu thật. Với tương quan giữa hai nửa là 0.548, hệ số Spearman-Brown được ước lượng theo công thức dành cho hai nửa có độ dài tương đương: 2r / (1 + r). Khi thay r = 0.548, kết quả xấp xỉ 0.708.

Bạn cần phân biệt Correlation Between Forms với Spearman-Brown Coefficient. Tương quan giữa hai nửa chưa phải là hệ số độ tin cậy của toàn bộ thang đo. Khi muốn kết luận về độ tin cậy của thang đo sau khi ghép hai nửa, hãy đọc hệ số Spearman-Brown, đồng thời xem thêm Guttman Split-Half nếu SPSS hiển thị.

Nếu thang đo có số biến lẻ, ưu tiên xem dòng Unequal Length. Tuy nhiên, không nên chỉ nhìn vào con số cao hơn rồi chọn dòng đó. Hãy căn cứ vào việc hai nửa thực tế có cùng số lượng biến hay không. Trong chương phương pháp, bạn có thể mô tả rõ SPSS đã chia các biến theo cách nào.

Split-Half nhạy với cách chia biến. Một bộ năm biến có thể cho kết quả khác nếu thứ tự biến được thay đổi. Vì vậy, nếu kết quả thấp, bạn không nên kết luận ngay rằng toàn bộ thang đo kém tin cậy. Hãy kiểm tra nội dung biến, biến đảo chiều và cách chia trước khi quyết định loại biến.

Tiêu chí đánh giá

Ngưỡng đánh giá phải đi cùng nguồn. Với Cronbach's Alpha, mức 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010). Các ngưỡng này không tự động biến thành quy tắc bắt buộc cho mọi hệ số Split-Half, nhưng giúp bạn đặt kết quả trong bối cảnh đánh giá độ tin cậy thang đo.

Với Split-Half, bạn nên xem hệ số Spearman-Brown cùng với tương quan giữa hai nửa, Guttman Split-Half và kiểm tra từng biến. Không nên viết rằng một hệ số đạt chỉ vì nó lớn hơn một con số được sao chép từ bài khác nếu bạn không có nguồn phù hợp cho chính tiêu chí đó.

Sau đó, bạn có thể chạy Cronbach's Alpha để đối chiếu. Nếu Alpha đạt nhưng Split-Half thấp, nguyên nhân có thể nằm ở cách chia biến. Nếu cả hai đều thấp, hãy kiểm tra lại việc các biến có cùng đo một khái niệm hay không, biến đảo chiều, missing values và nội dung bảng hỏi. Bạn cũng có thể tham khảo độ tin cậy tổng hợp khi mô hình được phân tích bằng SmartPLS, nhưng Composite Reliability không thay thế trực tiếp Split-Half trong SPSS.

Cách viết kết quả vào luận văn

Mô tả phương pháp

Bạn cần nói rõ thang đo nào được kiểm tra, có bao nhiêu biến quan sát, SPSS chia biến ra sao và hệ số nào được dùng để kết luận. Tránh viết chung chung rằng “thang đo đã đạt độ tin cậy” mà không cho người đọc biết con số và bảng output.

Cách viết vào luận văn: “Kết quả kiểm định Split-Half đối với thang đo [TÊN KHÁI NIỆM], gồm [SỐ LƯỢNG] biến quan sát, cho thấy tương quan giữa hai nửa là [GIÁ TRỊ]. Hệ số Spearman-Brown ở dòng [Equal Length/Unequal Length] đạt [GIÁ TRỊ], cho thấy mức độ nhất quán nội tại của thang đo [ĐÁNH GIÁ THEO TIÊU CHÍ VÀ NGUỒN].”

Nếu kết quả chưa đạt, hãy ghi đúng kết quả thay vì sửa số hoặc bỏ qua output. Bạn có thể viết: “Hệ số Spearman-Brown của thang đo [TÊN] là [GIÁ TRỊ], thấp hơn mức kỳ vọng. Nhóm nghiên cứu kiểm tra lại biến đảo chiều, dữ liệu thiếu và tương quan giữa các biến trước khi quyết định [GIỮ/LOẠI] biến [MÃ BIẾN].”

Nếu bạn loại một biến, phải nêu căn cứ cụ thể. Căn cứ có thể gồm tương quan biến tổng thấp, nội dung không phù hợp với khái niệm hoặc lỗi mã hóa. Hãy chạy lại kiểm định sau mỗi thay đổi và lưu output của cả trước và sau khi loại.

Lỗi thường gặp khi chạy kiểm định

Chọn nhầm Model là Alpha

Nếu bạn để Model: Alpha, SPSS vẫn chạy thành công nhưng output không phải Split-Half. Quay lại Analyze > Scale > Reliability Analysis, đưa đúng nhóm biến vào Items và chọn Split-half ở ô Model.

Đưa nhiều khái niệm vào một lần chạy

Gộp PU, PEU và BI vào cùng một thang đo làm kết quả khó diễn giải. Hãy chạy từng nhóm biến theo mô hình lý thuyết và mã thang đo đã thiết kế.

Quên xử lý biến đảo chiều

Một biến có nội dung phủ định nhưng vẫn giữ mã 1 đến 5 theo chiều ban đầu có thể làm tương quan giảm. Kiểm tra bảng hỏi gốc, tạo biến đảo chiều tại Transform > Compute Variable rồi chạy lại.

Chỉ báo cáo tương quan giữa hai nửa

Correlation Between Forms là đầu vào để tính hệ số Spearman-Brown, không phải lúc nào cũng là hệ số cuối cùng của toàn thang đo. Khi viết chương 4, hãy báo cáo cả hai giá trị và giải thích dòng Equal Length hoặc Unequal Length.

Loại biến chỉ để làm tăng hệ số

Bạn không nên xóa biến liên tục cho đến khi có một con số đẹp. Mỗi quyết định loại biến phải dựa trên nội dung thang đo, lý thuyết, tương quan và thiết kế nghiên cứu. Nếu cần kiểm tra thêm khía cạnh độ tin cậy, bạn có thể đối chiếu với Composite Reliability là gì, nhưng cần giữ đúng bối cảnh phương pháp.

Đọc thêm: cronbach alpha, composite reliability là gì, cronbach alpha trong spss, corrected item total correlation là gì, độ tin cậy tổng hợp là gì, chủ đề spss.

Câu hỏi thường gặp

Kiểm định Split-Half trong SPSS là gì

Đây là cách đánh giá độ tin cậy bằng cách chia các biến quan sát thành hai nửa, tính tổng điểm của mỗi nửa rồi xem mức tương quan giữa hai tổng điểm. SPSS dùng tương quan này để tính hệ số Spearman-Brown và có thể hiển thị thêm Guttman Split-Half.

Split-Half có thay thế Cronbach's Alpha không

Hai phương pháp đều đánh giá độ nhất quán nội tại nhưng không cho cùng một thông tin. Cronbach's Alpha sử dụng toàn bộ cấu trúc tương quan của các biến, còn Split-Half phụ thuộc vào cách chia hai nửa. Bạn nên dùng phương pháp mà đề cương hoặc giảng viên yêu cầu, sau đó giải thích rõ cách chạy.

Hệ số Split-Half bao nhiêu là đạt

Bạn cần xem hệ số nào đang được báo cáo và nguồn dùng để đánh giá. Alpha từ 0.7 trở lên được nêu trong (Nunnally, 1978), còn Alpha từ 0.6 có thể được cân nhắc cho thang đo mới theo (Hair và cộng sự, 2010). Với Spearman-Brown, hãy báo cáo con số, cách chia và bối cảnh thang đo thay vì áp một ngưỡng không có nguồn.

Split-Half thấp thì có phải thu thêm dữ liệu không

Chưa chắc. Trước tiên kiểm tra biến đảo chiều, missing values, biến nhập sai, thứ tự chia và việc bạn có đưa nhầm các khái niệm vào cùng một thang đo hay không. Nếu dữ liệu đã được làm sạch nhưng các biến vẫn không nhất quán, bạn cần trao đổi với giảng viên về việc sửa thang đo hoặc loại biến có căn cứ, thay vì chỉ thu thêm dữ liệu để cố nâng hệ số.

Có nên chạy Split-Half cho toàn bộ bảng hỏi không

Thông thường không nên. Hãy chạy riêng cho từng khái niệm hoặc từng thang đo, vì một bảng hỏi có thể gồm nhiều biến tiềm ẩn khác nhau. Gộp toàn bộ biến sẽ tạo ra một hệ số khó diễn giải và không phản ánh độ tin cậy của từng cấu trúc trong mô hình.

Bạn hãy mở lại file .sav, ghi danh sách biến của từng thang đo, chạy Analyze > Scale > Reliability Analysis với Model: Split-half, rồi lưu output cùng cách chia hai nửa. Nếu cần chạy phân tích trên dữ liệu thật và kiểm tra từng vòng xử lý trong SPSS, bạn có thể dùng M4 phân tích dữ liệu của DoThesis để làm tiếp bước này.