Kurtosis là gì? Cách đọc chỉ số Kurtosis trong SPSS

Kurtosis là gì

Bạn mở file SPSS, vào bảng Descriptive Statistics và thấy mỗi biến có một cột Kurtosis. Chỉ số này mô tả độ nhọn hoặc độ bẹt của phân phối dữ liệu so với phân phối chuẩn. Nói cụ thể hơn, kurtosis phản ánh mức độ tập trung của các quan sát quanh trung tâm và mức độ dày của phần đuôi phân phối.

Trong nghiên cứu định lượng, SPSS thường hiển thị Kurtosis cùng với Std. Error of Kurtosis. Giá trị kurtosis có thể dương, âm hoặc gần bằng 0. Với cách tính thường gặp trong SPSS, kurtosis của phân phối chuẩn có giá trị gần 0. Vì vậy, bạn không nên nhìn riêng con số kurtosis mà cần đặt nó trong bối cảnh kiểm tra phân phối, cỡ mẫu và loại phân tích sắp chạy.

Về mặt khái niệm, kurtosis được tính từ các độ lệch của từng quan sát so với giá trị trung bình, sau đó chuẩn hóa theo độ lệch chuẩn. Bạn không cần tự tính thủ công khi đã có dữ liệu trong SPSS. Phần quan trọng hơn là biết chỉ số này đang trả lời câu hỏi nào: dữ liệu có quá nhọn, quá bẹt hoặc có phần đuôi bất thường đến mức cần kiểm tra thêm hay không.

Kurtosis liên quan đến nhưng không giống độ lệch chuẩn. Độ lệch chuẩn đo mức độ phân tán quanh trung bình, còn kurtosis mô tả hình dạng phân phối, đặc biệt là mức độ tập trung và phần đuôi. Nếu bạn đang xem lại cách dữ liệu phân tán, có thể đọc thêm về phương sai trước khi diễn giải kurtosis.

Ý nghĩa của kurtosis trong nghiên cứu định lượng

Kurtosis thường được dùng ở giai đoạn khám phá dữ liệu và kiểm tra giả định. Khi bảng hỏi đã được nhập vào SPSS, bạn có thể xem kurtosis của từng biến quan sát hoặc điểm tổng hợp của từng thang đo. Chỉ số này cho biết dữ liệu có hình dạng quá khác phân phối chuẩn hay không.

Một kurtosis dương cho thấy phân phối có xu hướng nhọn hơn và phần đuôi dày hơn so với phân phối chuẩn. Nhiều quan sát có thể tập trung quanh một vùng giá trị, đồng thời vẫn xuất hiện một số quan sát nằm khá xa trung tâm. Kurtosis âm cho thấy phân phối có xu hướng bẹt hơn, các quan sát trải rộng hơn quanh trung tâm. Kurtosis gần 0 cho thấy hình dạng phân phối gần với chuẩn theo cách đo này.

Bạn cần dùng kurtosis để quyết định bước kiểm tra tiếp theo, chứ không nên dùng nó như một lý do tự động loại biến. Nếu một biến có kurtosis cao, hãy xem thêm histogram, boxplot, giá trị nhỏ nhất, lớn nhất và các trường hợp bất thường. Một chỉ số đơn lẻ không thể cho biết chắc chắn dữ liệu sai hay bảng hỏi có vấn đề.

Kurtosis có thể liên quan đến các phân tích yêu cầu giả định về phân phối, chẳng hạn hồi quy tuyến tính, t-test hoặc ANOVA. Mức độ ảnh hưởng còn phụ thuộc vào cỡ mẫu, cách lấy mẫu, độ cân bằng của dữ liệu và tính chất của mô hình. Với các phân tích dựa trên thang đo Likert, quan sát kurtosis là một bước chẩn đoán hữu ích, nhưng bạn vẫn cần đọc kết quả cùng các kiểm tra khác.

Hãy phân biệt kurtosis của từng biến với kurtosis của phần dư trong hồi quy. Trước khi chạy mô hình, bạn có thể kiểm tra phân phối của biến quan sát hoặc biến tổng hợp. Sau khi chạy hồi quy, phần dư mới là đối tượng cần xem xét khi đánh giá giả định của mô hình. Hai mục tiêu này không hoàn toàn giống nhau.

Bạn có thể xem thêm các bài trong chủ đề Thống kê nếu đang rà soát đồng thời mean, median, phương sai và độ lệch chuẩn trong bộ dữ liệu.

Kurtosis bao nhiêu là đạt

Câu hỏi kurtosis bao nhiêu là tốt thường không có một con số duy nhất áp dụng cho mọi đề tài. Bạn cần xác định mình đang dùng kurtosis để mô tả dữ liệu, kiểm tra gần chuẩn hay phát hiện biến cần xem lại. Một số tài liệu thực hành sử dụng khoảng giá trị tuyệt đối của skewness và kurtosis để đánh giá sơ bộ, nhưng ngưỡng cụ thể phải được nêu cùng nguồn và không nên xem như luật cứng cho mọi cỡ mẫu.

Bảng dưới đây giúp bạn đọc các cách diễn giải thường gặp. Các dòng mô tả về bản chất của chỉ số, còn khi đưa ra kết luận định lượng trong luận văn, bạn cần ghi rõ tiêu chí và nguồn phương pháp đã chọn.

Một cách kiểm tra có cơ sở hơn là tính giá trị chuẩn hóa bằng cách lấy Kurtosis chia cho Std. Error of Kurtosis. Nếu trị tuyệt đối của kết quả lớn, dữ liệu có thể lệch đáng kể khỏi chuẩn theo kiểm định xấp xỉ này. Tuy nhiên, bạn cần cẩn thận khi diễn giải với cỡ mẫu lớn. Cỡ mẫu lớn có thể khiến một sai khác nhỏ về hình dạng trở nên có ý nghĩa thống kê, dù ảnh hưởng thực tế đến phân tích không lớn.

Trong luận văn, hãy nêu rõ bạn dùng tiêu chí nào. Nếu giảng viên yêu cầu một khoảng cụ thể, dùng đúng tiêu chí đã thống nhất và ghi nguồn tương ứng. Đừng lấy một con số từ bài viết trên mạng rồi trình bày như quy tắc phổ quát. Các tài liệu phương pháp như (Field, 2013) có thể được dùng để giải thích quy trình kiểm tra dữ liệu và chẩn đoán trong SPSS, nhưng bạn vẫn cần mô tả đúng bảng và cách tính mà mình đã sử dụng.

Cách đọc kurtosis trên output SPSS

Để lấy kurtosis trong SPSS, bạn vào Analyze > Descriptive Statistics > Descriptives. Đưa các biến cần kiểm tra vào ô Variable(s), chọn Options, đánh dấu Mean, Std. deviation, Minimum, Maximum, Skewness và Kurtosis, sau đó chọn Continue và OK. SPSS sẽ tạo bảng Descriptive Statistics.

Nếu muốn xem biểu đồ, vào Analyze > Descriptive Statistics > Explore. Đưa biến vào Dependent List, mở Plots, chọn Histogram và có thể chọn Normality plots with tests. Cách này cho bạn thêm histogram, boxplot và các kiểm định phân phối. Khi đọc output, hãy bắt đầu từ tên biến và cỡ mẫu N, sau đó mới nhìn sang Skewness và Kurtosis.

Số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột được trình bày theo bảng Descriptive Statistics của SPSS.

Trong bảng minh họa, HL1 có kurtosis bằng 0.21, nghĩa là phân phối hơi nhọn hơn chuẩn nhưng khá gần 0. HL2 có kurtosis âm, cho thấy phân phối hơi bẹt hơn. HL3 có giá trị 1.18, cao hơn ba biến còn lại, vì vậy bạn nên kiểm tra thêm histogram và boxplot của biến này.

Nếu SPSS hiển thị thêm Std. Error của skewness và kurtosis, bạn có thể tính giá trị chuẩn hóa. Chẳng hạn, nếu HL3 có Kurtosis = 1.18 và Std. Error of Kurtosis = 0.327, tỷ số xấp xỉ bằng 3.61. Đây là dấu hiệu cần xem xét thêm, nhưng chưa đủ để kết luận phải loại HL3. Bạn cần kiểm tra dữ liệu gốc, mã hóa thang đo và các giá trị cực trị.

Đừng nhầm Kurtosis với Std. Error of Kurtosis. Cột đầu là ước lượng hình dạng phân phối. Cột sau thể hiện độ bất định của ước lượng. Khi muốn tính tỷ số chuẩn hóa, bạn phải chia đúng Kurtosis cho Std. Error of Kurtosis, không chia cho Std. Deviation.

Bạn có thể viết vào luận văn theo mẫu sau: “Kết quả thống kê mô tả cho thấy giá trị kurtosis của các biến quan sát dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Biến [mã biến] có kurtosis cao nhất, do đó nhóm nghiên cứu tiếp tục kiểm tra histogram, boxplot và dữ liệu cực trị trước khi thực hiện [phân tích tiếp theo].” Hãy thay toàn bộ phần trong ngoặc vuông bằng số liệu thật trong file của bạn.

Khi kurtosis không đạt thì xử lý thế nào

Khi kurtosis có giá trị lớn hoặc nhỏ bất thường, hãy xử lý theo thứ tự từ kiểm tra dữ liệu đến xem xét phương pháp. Cách làm này giúp bạn có căn cứ giải trình với giảng viên và tránh việc loại biến chỉ để bảng kết quả đẹp hơn.

Kiểm tra nhập liệu và mã hóa

Mở Variable View và Data View, kiểm tra Measure, nhãn giá trị, khoảng mã hóa và các biến đảo chiều. Một biến Likert từ 1 đến 5 nhưng xuất hiện giá trị 55 có thể làm kurtosis tăng mạnh. Nếu biến đảo chiều chưa được recode, phân phối và tương quan của thang đo cũng có thể bị ảnh hưởng.

Kiểm tra outlier và câu trả lời bất thường

Dùng Analyze > Descriptive Statistics > Explore, xem boxplot và danh sách các trường hợp cực trị. Bạn có thể đọc thêm về outlier để phân biệt một giá trị nhập sai với một người trả lời thực sự có đặc điểm khác biệt. Chỉ loại một quan sát khi có lý do phương pháp rõ ràng, chẳng hạn dữ liệu không hợp lệ hoặc vi phạm tiêu chí làm sạch đã đặt ra từ trước.

Kiểm tra lại biến quan sát

Nếu một biến có kurtosis khác biệt mạnh so với các biến cùng thang đo, xem lại nội dung biến, số lượng mức trả lời và tỷ lệ chọn từng mức. Một biến có quá nhiều người chọn cùng một đáp án có thể tạo phân phối nhọn. Việc loại biến cần dựa thêm vào Corrected Item-Total Correlation, Cronbach's Alpha, EFA hoặc mô hình đo lường, tùy quy trình nghiên cứu.

Xem xét phép biến đổi hoặc phương pháp phân tích

Trong một số đề tài, bạn có thể cân nhắc biến đổi dữ liệu, nhưng phải giải thích rõ phép biến đổi làm thay đổi cách diễn giải biến như thế nào. Với dữ liệu Likert, tự động log hoặc căn bậc hai thường không phải lựa chọn đầu tiên vì làm câu chuyện kết quả khó trình bày hơn.

Nếu giả định phân phối không phù hợp, có thể cân nhắc phương pháp ít nhạy hơn với sai lệch phân phối hoặc dùng kiểm định thay thế phù hợp. SPSS, JASP và R đều có các lựa chọn khác nhau. SmartPLS cũng có cách ước lượng riêng, nhưng bạn không nên lấy ngưỡng phân phối của CB-SEM rồi áp trực tiếp vào PLS-SEM.

Điểm quan trọng là kurtosis không đạt theo một ngưỡng sơ bộ chưa đồng nghĩa với việc dữ liệu bị loại. Bạn cần ghi lại biến nào đã được kiểm tra, lý do xử lý, số quan sát bị ảnh hưởng và kết quả sau xử lý. Nếu không còn lý do phương pháp để chỉnh sửa, giữ nguyên dữ liệu và trình bày hạn chế thường đáng tin cậy hơn việc loại hàng loạt quan sát.

Phân biệt kurtosis với skewness và độ lệch chuẩn

Kurtosis và skewness thường xuất hiện cạnh nhau trong bảng Descriptive Statistics, nên người mới chạy SPSS dễ đọc nhầm. Skewness đo độ bất đối xứng của phân phối. Nếu phần đuôi kéo dài về bên phải, skewness thường dương; nếu kéo dài về bên trái, skewness thường âm. Kurtosis tập trung vào độ nhọn, độ bẹt và phần đuôi.

Độ lệch chuẩn lại trả lời câu hỏi khác: các giá trị cách trung bình bao xa. Một biến có độ lệch chuẩn lớn chưa chắc có kurtosis lớn. Ngược lại, một biến có độ lệch chuẩn không quá lớn vẫn có thể có outlier làm kurtosis tăng. Bạn có thể xem thêm trung vị khi muốn so sánh trung tâm của dữ liệu với mean trong trường hợp phân phối lệch.

Bạn cũng không nên nhầm kurtosis với phương sai. Phương sai được xây dựng từ bình phương độ lệch so với trung bình, còn kurtosis dùng bậc cao hơn để mô tả hình dạng phân phối. Nếu cần xem công thức nền tảng, tham khảo công thức tính phương sai, sau đó quay lại bảng SPSS để đọc đúng chỉ số.

Lỗi thường gặp

Lỗi đầu tiên là kết luận dữ liệu phân phối chuẩn chỉ vì kurtosis gần 0. Phân phối có thể vẫn lệch ở một vùng, có outlier hoặc có hình dạng không phù hợp khi nhìn trên histogram. Hãy xem kurtosis như một dấu hiệu chẩn đoán, không phải giấy chứng nhận dữ liệu đạt chuẩn.

Lỗi thứ hai là dùng một ngưỡng không ghi nguồn. Nếu luận văn quy định khoảng chấp nhận cho kurtosis, bạn cần ghi rõ đó là tiêu chí nào, áp dụng cho biến nào và được tính theo cách nào. Trường hợp không có yêu cầu cụ thể, hãy báo cáo giá trị thực tế và mô tả các kiểm tra bổ sung thay vì cố ép số liệu vào một khoảng.

Lỗi thứ ba là loại ngay biến có kurtosis cao. Trước khi xóa biến, kiểm tra mã hóa, giá trị thiếu, giá trị ngoài phạm vi, boxplot và histogram. Nếu đây là dữ liệu hợp lệ, việc loại biến chỉ vì một chỉ số có thể làm thay đổi nội dung thang đo.

Lỗi thứ tư là nhầm Kurtosis với Std. Error of Kurtosis, hoặc chỉ nhìn vào dấu âm và dấu dương mà không xem độ lớn tuyệt đối. Bạn cần đọc cả tên cột, cỡ mẫu và các chỉ số mô tả liên quan.

Lỗi cuối cùng là đưa kurtosis của biến quan sát vào phần kết luận về phần dư hồi quy. Hai đối tượng này phải được gọi đúng tên. Khi viết chương 4, hãy ghi rõ bạn kiểm tra phân phối của biến nào và phục vụ bước phân tích nào.

Câu hỏi thường gặp

Kurtosis là gì trong SPSS?

Kurtosis là chỉ số mô tả độ nhọn, độ bẹt và phần đuôi của phân phối dữ liệu. Trong SPSS, chỉ số này thường nằm trong bảng Descriptive Statistics, cạnh Skewness, Mean và Std. Deviation.

Kurtosis bao nhiêu là tốt?

Kurtosis gần 0 thường cho thấy hình dạng phân phối gần với phân phối chuẩn theo cách tính excess kurtosis. Tuy nhiên, không có một con số duy nhất phù hợp cho mọi đề tài. Bạn nên xem thêm histogram, boxplot, cỡ mẫu và yêu cầu của phân tích.

Kurtosis âm có phải dữ liệu bị lỗi không?

Kurtosis âm cho thấy phân phối có xu hướng bẹt hơn chuẩn. Điều này tự nó không chứng minh dữ liệu bị lỗi. Hãy kiểm tra phạm vi giá trị, dữ liệu thiếu, cách mã hóa và biểu đồ trước khi quyết định xử lý.

Chỉ số kurtosis và skewness dùng để làm gì?

Hai chỉ số giúp bạn mô tả hình dạng phân phối và phát hiện dấu hiệu cần kiểm tra thêm trước khi chạy phân tích. Skewness tập trung vào độ bất đối xứng, còn kurtosis tập trung vào độ nhọn, độ bẹt và phần đuôi.

Có cần loại biến khi kurtosis không đạt không?

Chưa cần. Bạn nên kiểm tra nhập liệu, mã hóa, outlier và nội dung biến trước. Chỉ loại biến khi có căn cứ phương pháp rõ ràng, đồng thời ghi lại lý do và ảnh hưởng của quyết định đó trong quy trình phân tích.

Bạn hãy mở lại file SPSS, chạy Analyze > Descriptive Statistics > Explore, lưu bảng Descriptive Statistics, histogram và boxplot của các biến cần kiểm tra, rồi ghi chú biến nào có kurtosis khác biệt để trao đổi trong bước phân tích tiếp theo. Nếu cần chạy và diễn giải trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ quy trình này.