Kurtosis trong SPSS là gì và bao nhiêu là đạt

Kurtosis trong SPSS là gì

Bạn mở SPSS, chạy Analyze > Descriptive Statistics > Descriptives và thấy cột Kurtosis bên cạnh Mean, Std. Deviation, Minimum và Maximum. Con số này mô tả độ nhọn hoặc độ bẹt của phân phối dữ liệu so với phân phối chuẩn. Trong nhiều luận văn, kurtosis được kiểm tra cùng với skewness để đánh giá dữ liệu trước khi chạy hồi quy, EFA, t-test hoặc ANOVA.

SPSS thường báo kurtosis theo dạng excess kurtosis, nghĩa là phân phối chuẩn có kurtosis bằng 0. Giá trị dương cho thấy phân phối có xu hướng nhọn hơn và tập trung nhiều hơn quanh trung tâm. Giá trị âm cho thấy phân phối bẹt hơn, dữ liệu trải rộng hơn quanh trung tâm. Dấu âm hoặc dấu dương chưa đủ để kết luận dữ liệu có vấn đề, bạn cần xem thêm cỡ mẫu, biểu đồ và mục đích của phân tích.

Nếu gọi các quan sát là (x_i), trung bình là (\bar{x}), độ lệch chuẩn là (s), kurtosis liên quan đến moment trung tâm bậc bốn của dữ liệu. SPSS áp dụng cách hiệu chỉnh mẫu trong quá trình tính toán, vì vậy bạn nên đọc trực tiếp cột Kurtosis trong output thay vì tự dùng một công thức khác rồi so sánh hai kết quả. Phần độ lệch chuẩn trong SPSS và phương sai giúp bạn hiểu các chỉ số phân tán thường xuất hiện cạnh kurtosis.

Ý nghĩa của kurtosis trong nghiên cứu định lượng

Kurtosis trả lời một câu hỏi thực tế: phân phối của biến đang tập trung quanh trung tâm theo cách gần với chuẩn đến mức nào. Nếu kurtosis gần 0, hình dạng phân phối gần với phân phối chuẩn về độ nhọn. Nếu kurtosis lớn theo trị tuyệt đối, phân phối có thể có đuôi dày, nhiều giá trị cực trị hoặc bị dồn về một vùng nhất định.

Trong bộ dữ liệu khảo sát, bạn có thể kiểm tra kurtosis cho từng biến quan sát hoặc từng biến tổng hợp. Với biến quan sát Likert, một mức lệch nhẹ thường không tự động khiến bạn phải xóa biến. Với biến phụ thuộc hoặc biến độc lập dùng trong hồi quy, kurtosis là một tín hiệu chẩn đoán, không phải tiêu chí duy nhất để chấp nhận hay loại bỏ mô hình.

Kurtosis cũng giúp bạn phát hiện những chuyện xảy ra trong file dữ liệu. Chẳng hạn, một biến có phần lớn câu trả lời ở mức 4 và 5 sẽ có phân phối lệch về phía trên. Một biến có vài giá trị nhập sai như 55 thay vì 5 có thể tạo đuôi rất dài. Khi đó, bạn cần quay lại kiểm tra bảng mã, giá trị thiếu, thang đo và các dòng trả lời bất thường.

Bạn nên xem kurtosis cùng với skewness, histogram, Q-Q plot và các thống kê mô tả. Trung vị có thể giúp bạn nhận ra khoảng cách giữa giá trị trung tâm và mean. Nếu mean, median và hình dạng histogram chênh nhau rõ rệt, con số kurtosis riêng lẻ chưa đủ để mô tả toàn bộ dữ liệu.

Kurtosis không phải là p-value, cũng không cho biết một giả thuyết nghiên cứu có được chấp nhận hay không. Nó chỉ mô tả đặc điểm phân phối. Kết luận về giả thuyết vẫn phải dựa trên kiểm định phù hợp, hệ số ước lượng, khoảng tin cậy và mức ý nghĩa mà đề tài đã xác định.

Kurtosis trong SPSS bao nhiêu là đạt

Bạn sẽ thường gặp hai cách đánh giá. Cách thứ nhất so sánh kurtosis với một khoảng tham khảo, chẳng hạn từ -2 đến +2 hoặc từ -3 đến +3. Những khoảng này được sử dụng phổ biến trong hướng dẫn thực hành, nhưng không có một ngưỡng duy nhất áp dụng cho mọi cỡ mẫu, thang đo và mô hình. Khi viết luận văn, bạn nên ghi rõ quy tắc mà giảng viên hoặc phương pháp nghiên cứu của đề tài yêu cầu, thay vì viết rằng mọi giá trị nằm ngoài một khoảng đều làm dữ liệu không đạt.

Cách thứ hai dùng Standard Error of Kurtosis trong bảng Descriptive Statistics. Bạn có thể tính z-kurtosis bằng cách lấy kurtosis chia cho sai số chuẩn của kurtosis. Giá trị tuyệt đối càng lớn cho thấy kurtosis càng khác 0 so với sai số ước lượng. Tuy nhiên, khi cỡ mẫu lớn, một sai lệch rất nhỏ cũng có thể tạo ra thống kê kiểm tra lớn. Vì vậy, không nên dùng một con số duy nhất để quyết định xóa dữ liệu.

Bảng dưới đây là các mốc thường được dùng để định hướng đọc output. Mỗi dòng chỉ rõ nguồn của quy tắc, và các mốc này cần được đặt trong bối cảnh thiết kế nghiên cứu.

Nếu đề cương của bạn yêu cầu khoảng -2 đến +2, hãy dùng đúng khoảng đó và ghi nó trong phần phương pháp. Nếu không có yêu cầu cụ thể, hãy trình bày giá trị kurtosis, sai số chuẩn, biểu đồ và cách bạn xử lý các quan sát bất thường. Cách báo cáo có căn cứ sẽ dễ giải trình hơn việc chọn một mốc rồi loại hàng loạt biến.

Cách đọc kurtosis trên output SPSS

Trước tiên, hãy xác định bạn đang đọc output của biến nào. Nếu bạn chạy cho từng biến quan sát, mỗi dòng là một biến như DV1, DV2 hoặc CLDV3. Nếu bạn đã tính điểm trung bình cho một khái niệm, dòng đó có thể là biến tổng hợp như DV_MEAN. Hai loại biến này có thể cho hình dạng phân phối khác nhau.

Vào Analyze > Descriptive Statistics > Descriptives. Đưa các biến cần kiểm tra vào ô Variables. Nhấn Options, chọn Mean, Std. deviation, Minimum, Maximum, Variance, Skewness và Kurtosis, sau đó nhấn Continue và OK. SPSS sẽ tạo bảng Descriptive Statistics.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột được giữ theo cách SPSS thường hiển thị để bạn đối chiếu với file đang mở.

Trong bảng minh họa, DV1 có kurtosis 0.48, khá gần 0. DV2 có giá trị dương lớn hơn, cho thấy phân phối nhọn hơn theo cách mô tả của chỉ số. DV3 có kurtosis 2.84, cần được kiểm tra thêm bằng histogram, Q-Q plot và dữ liệu gốc. Bạn chưa nên xóa DV3 chỉ vì con số này cao hơn hai biến còn lại.

Nếu muốn xem biểu đồ, vào Analyze > Descriptive Statistics > Explore. Đưa biến vào Dependent List, nhấn Plots, chọn Histogram và Normality plots with tests, sau đó nhấn Continue và OK. Output có thể gồm Histogram, Normal Q-Q Plot và bảng kiểm định phân phối. Với cỡ mẫu vừa và lớn, các kiểm định chuẩn hóa có thể nhạy với sai lệch nhỏ, nên hãy đọc chúng cùng biểu đồ và bối cảnh dữ liệu.

Nếu bạn cần kiểm tra outlier, xem thêm boxplot trong Explore. Một vài điểm nằm xa phần còn lại có thể làm kurtosis tăng mạnh. Hướng dẫn outlier trong SPSS sẽ phù hợp khi bảng của bạn có giá trị cực đoan hoặc biểu đồ xuất hiện nhiều điểm tách biệt.

Khi kurtosis không đạt thì xử lý thế nào

Hãy xử lý theo thứ tự từ kiểm tra dữ liệu đến lựa chọn phương pháp. Cách này giữ lại được dấu vết phân tích và tránh việc xóa biến chỉ để làm output đẹp hơn.

Kiểm tra mã hóa và giá trị thiếu

Mở Analyze > Descriptive Statistics > Frequencies để xem bảng tần số. Kiểm tra các giá trị ngoài thang đo, chẳng hạn giá trị 6 trong thang Likert 1 đến 5, ô trống bị nhập thành 0, hoặc mã 99 chưa được khai báo là missing. Nếu phát hiện lỗi nhập liệu, sửa theo bảng hỏi hoặc quy tắc mã hóa đã ghi trong phương pháp.

Bạn cũng cần kiểm tra biến đảo chiều. Một biến đảo chiều chưa được recode có thể làm phân phối và tương quan của thang đo trở nên bất thường. Dùng Transform > Recode into Different Variables, tạo tên biến mới, rồi ghi lại quy tắc chuyển đổi. Không ghi đè biến gốc khi bạn chưa lưu một bản sao dữ liệu.

Kiểm tra outlier và câu trả lời bất thường

Dùng Analyze > Descriptive Statistics > Explore để xem boxplot và các giá trị cực trị. Đối chiếu những dòng này với bảng trả lời gốc. Một outlier có thể là quan sát hợp lệ của nhóm người trả lời, cũng có thể là lỗi nhập dữ liệu hoặc một chuỗi trả lời không hợp lý.

Không loại một dòng chỉ vì nó làm kurtosis thay đổi theo hướng bạn muốn. Bạn cần có lý do phương pháp rõ ràng, lưu mã số dòng đã loại, nêu số lượng và chạy lại phân tích. Nếu nhiều biến cùng có đuôi bất thường, hãy xem lại cách thu thập và làm sạch dữ liệu thay vì xử lý từng biến riêng lẻ.

Kiểm tra lại giả định của phân tích chính

Nếu bạn chuẩn bị chạy hồi quy, trọng tâm thường là phần dư của mô hình, tính tuyến tính, phương sai không đổi, đa cộng tuyến và điểm ảnh hưởng. Kurtosis của từng biến độc lập không tự động quyết định hồi quy có được chạy hay không. Khi chạy xong mô hình, hãy kiểm tra các bảng và biểu đồ chẩn đoán tương ứng.

Nếu bạn chuẩn bị chạy EFA, hãy tập trung vào ma trận tương quan, KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Factor loading từ 0.5 trở lên là mốc thường được trích dẫn theo (Hair và cộng sự, 2010), nhưng bạn vẫn cần xem ý nghĩa nội dung của biến và cấu trúc thang đo.

Chọn biến đổi hoặc phương pháp phù hợp

Trong một số nghiên cứu, bạn có thể cân nhắc biến đổi dữ liệu như log hoặc căn bậc hai, nhưng chỉ khi biến có bản chất và miền giá trị phù hợp. Biến đổi làm thay đổi cách diễn giải hệ số, vì vậy phải ghi rõ trong chương phương pháp. Với dữ liệu Likert, việc tự động log từng biến quan sát thường không phải lựa chọn đầu tiên.

Nếu giả định của phương pháp bị vi phạm nghiêm trọng, bạn có thể trao đổi về phương pháp thay thế phù hợp, chẳng hạn bootstrap hoặc kiểm định phi tham số. Đừng chọn phương pháp chỉ vì nó làm p-value đạt. Hãy nêu lý do, điều kiện áp dụng và cách báo cáo kết quả của phương pháp đó.

Phân biệt kurtosis với skewness và phương sai

Kurtosis và skewness đều mô tả hình dạng phân phối nhưng nhìn vào hai đặc điểm khác nhau. Kurtosis tập trung vào độ nhọn và độ dày của đuôi. Skewness phản ánh mức độ lệch không đối xứng sang trái hoặc phải. Một biến có skewness gần 0 vẫn có thể có kurtosis cao nếu hai đuôi dày hoặc có nhiều giá trị cực trị.

Phương sai đo mức độ phân tán quanh mean và có đơn vị bình phương của biến. Kurtosis là moment chuẩn hóa bậc bốn nên không được đọc như một đại lượng có cùng đơn vị với điểm Likert. Bạn có thể xem công thức tính phương sai để phân biệt phần đo độ phân tán với phần mô tả hình dạng.

Độ lệch chuẩn là căn bậc hai của phương sai, còn kurtosis không phải là một phiên bản khác của độ lệch chuẩn. Ví dụ, hai biến có cùng độ lệch chuẩn có thể có kurtosis khác nhau nếu một biến có nhiều quan sát ở trung tâm và một biến có nhiều quan sát ở hai đầu thang đo.

Trong báo cáo, nên trình bày các chỉ số này trong một bảng thống kê mô tả chung. Đừng viết rằng kurtosis càng thấp thì dữ liệu càng tốt. Giá trị gần 0 chỉ cho biết hình dạng gần hơn với chuẩn theo tiêu chí này, còn chất lượng dữ liệu còn phụ thuộc vào cách đo, độ tin cậy, outlier và mô hình nghiên cứu.

Lỗi thường gặp

Chỉ nhìn dấu âm hoặc dấu dương

Kurtosis âm không đồng nghĩa dữ liệu sai, kurtosis dương cũng không đồng nghĩa dữ liệu phải bị loại. Dấu chỉ cho hướng bẹt hoặc nhọn tương đối. Mức độ lớn, cỡ mẫu và biểu đồ mới giúp bạn đánh giá tình huống cụ thể.

Nhầm kurtosis với p-value

SPSS không đưa ra một cột p-value ngay cạnh kurtosis trong bảng Descriptive Statistics. Bạn không thể kết luận giả thuyết nghiên cứu dựa trên 0.48 hay 2.84. Đây là chỉ số mô tả, không phải kết quả kiểm định quan hệ giữa các biến.

Dùng ngưỡng nhưng không ghi nguồn

Nếu bạn dùng mốc hoặc khoảng cụ thể, hãy ghi nguồn ngay trong phần phương pháp hoặc chú thích bảng. Với giả định phân tích đa biến, có thể tham khảo cách trình bày trong (Field, 2013) và (Tabachnick và Fidell, 2013). Đừng ghép nhiều ngưỡng từ các tài liệu khác nhau rồi gọi đó là một quy tắc duy nhất.

Xóa biến để kurtosis đẹp hơn

Biến quan sát chỉ nên bị loại khi có lý do về dữ liệu, độ tin cậy, giá trị hội tụ, giá trị phân biệt hoặc cấu trúc nhân tố. Nếu xóa biến chỉ vì kurtosis cao, bạn có thể làm thay đổi nội dung của khái niệm cần đo và khiến hội đồng hỏi lại.

Không lưu từng phiên bản dữ liệu

Trước khi recode hoặc loại dòng, lưu file thành phiên bản mới, chẳng hạn data_clean_v2.sav. Ghi lại biến nào được sửa, dòng nào được loại và lý do. Quy trình này giúp bạn quay lại kiểm tra khi output giữa các chương không khớp.

Câu hỏi thường gặp

Kurtosis trong SPSS là gì?

Kurtosis trong SPSS là chỉ số mô tả độ nhọn hoặc độ bẹt của phân phối dữ liệu so với phân phối chuẩn. Trong cách biểu diễn excess kurtosis, phân phối chuẩn có giá trị bằng 0. Giá trị dương thường gợi ý phân phối nhọn hơn, còn giá trị âm gợi ý phân phối bẹt hơn.

Kurtosis bao nhiêu là đạt?

Không có một mốc duy nhất áp dụng cho mọi nghiên cứu. Bạn có thể gặp khoảng tham khảo như -2 đến +2 hoặc -3 đến +3, nhưng cần ghi rõ quy tắc được sử dụng và xem thêm cỡ mẫu, histogram, Q-Q plot, outlier cùng giả định của phân tích chính.

Kurtosis lớn có phải xóa biến không?

Kurtosis lớn là lý do để kiểm tra thêm, không phải lý do tự động xóa biến. Hãy kiểm tra mã hóa, missing value, outlier và cách người trả lời sử dụng thang đo. Chỉ loại biến hoặc dòng khi có lập luận phương pháp, lưu lại phiên bản dữ liệu và báo cáo quá trình xử lý.

Kurtosis âm có ảnh hưởng đến hồi quy không?

Kurtosis âm có thể cho thấy phân phối bẹt hơn, nhưng không tự động làm hồi quy không hợp lệ. Bạn cần kiểm tra các giả định phù hợp với mô hình, đặc biệt là phần dư, tuyến tính, phương sai không đổi và điểm ảnh hưởng. Kết luận nên dựa trên toàn bộ chẩn đoán, không dựa vào dấu âm riêng lẻ.

Đọc kurtosis ở đâu trong SPSS?

Vào Analyze > Descriptive Statistics > Descriptives, chọn Options rồi đánh dấu Kurtosis. Kết quả nằm trong bảng Descriptive Statistics, tại cột Kurtosis. Nếu cần xem hình dạng phân phối, dùng Analyze > Descriptive Statistics > Explore và chọn Histogram cùng Normality plots with tests.

Mở lại file .sav, chạy Descriptives cho các biến cần báo cáo, lưu bảng Descriptive Statistics và ghi chú những giá trị kurtosis cần kiểm tra bằng histogram hoặc boxplot. Nếu bạn muốn chạy trọn quy trình trên dữ liệu của mình bằng SPSS hoặc SmartPLS, M4 phân tích của DoThesis là module thực hiện bước này.