Odds ratio là gì? Cách đọc Odds Ratio trong SPSS

Odds ratio là gì

Bạn mở output hồi quy logistic trong SPSS và thấy cột Exp(B) với một con số như 1.80, 0.64 hoặc 3.25. Con số đó chính là odds ratio, thường viết tắt là OR. Odds ratio cho biết odds xảy ra một kết quả thay đổi bao nhiêu lần khi một biến độc lập tăng một đơn vị, trong điều kiện các biến khác trong mô hình được giữ cố định.

Trong hồi quy logistic, biến phụ thuộc thường có hai trạng thái, chẳng hạn khách hàng mua hoặc không mua, sinh viên đạt hoặc không đạt, doanh nghiệp áp dụng hoặc chưa áp dụng một chính sách. Mô hình ước lượng log odds:

logit(p) = ln[p/(1-p)] = β0 + β1X1 + β2X2 + ... + βkXk

Odds ratio của biến X được tính bằng:

OR = e^β = Exp(B)

Vì vậy, bạn không đọc trực tiếp hệ số B như phần trăm. Bạn dùng Exp(B) để mô tả mức thay đổi của odds. Nếu B = 0, OR bằng 1. Nếu B dương, OR lớn hơn 1. Nếu B âm, OR nằm trong khoảng từ 0 đến 1.

Hồi quy logistic khác hồi quy tuyến tính ở chỗ nó dự đoán xác suất hoặc trạng thái nhị phân, thay vì một giá trị liên tục. Bạn có thể xem thêm mô hình hồi quy tuyến tính để phân biệt cách diễn giải hệ số giữa hai loại mô hình.

Ý nghĩa của odds ratio trong nghiên cứu định lượng

Odds ratio giúp bạn trả lời câu hỏi thực tế hơn hệ số hồi quy thô: khi một yếu tố tăng lên, khả năng quan sát kết quả mục tiêu thay đổi theo hướng nào và với mức độ ra sao. Ví dụ, nếu OR của mức độ hài lòng là 1.50, odds khách hàng tiếp tục sử dụng dịch vụ cao hơn 1.50 lần khi điểm hài lòng tăng một đơn vị, với điều kiện các biến còn lại không đổi.

Cần giữ đúng từ “odds”. Odds không giống xác suất. Nếu xác suất là 0.60 thì odds là 0.60 / 0.40 = 1.50. Nếu xác suất là 0.30 thì odds là 0.30 / 0.70 ≈ 0.43. Khi OR bằng 2, odds tăng gấp đôi, nhưng xác suất không nhất thiết tăng gấp đôi. Đây là lỗi diễn giải phổ biến nhất khi viết chương 4.

Trong nghiên cứu định lượng, OR thường được dùng để:

• xác định biến độc lập có liên hệ cùng chiều hay ngược chiều với kết quả;
• so sánh mức thay đổi của odds giữa các biến hoặc các nhóm;
• diễn giải biến phân loại so với nhóm tham chiếu;
• hỗ trợ quyết định giữ hay bác bỏ giả thuyết dựa trên dấu của hệ số, OR, khoảng tin cậy và p-value.

OR không tự nó chứng minh quan hệ nhân quả. Một OR lớn nhưng khoảng tin cậy rất rộng có thể phản ánh mẫu nhỏ, dữ liệu mất cân đối hoặc biến độc lập có ít quan sát ở một nhóm. Vì vậy, bạn cần đọc đồng thời B, S.E., Wald, Sig., Exp(B) và khoảng tin cậy trong bảng Variables in the Equation.

Nếu mô hình của bạn có nhiều biến giải thích tương quan mạnh, kết quả OR có thể thiếu ổn định. Khi đó, hãy kiểm tra thêm vấn đề đa cộng tuyến, thay vì chỉ nhìn vào một OR đang cao.

Odds ratio bao nhiêu là đạt

Câu hỏi “odds ratio bao nhiêu là tốt” không có một mốc chung cho mọi đề tài. OR bằng 1 không có nghĩa là mô hình đạt hay không đạt. Nó chỉ cho biết biến đó không làm thay đổi odds theo cách diễn giải của mô hình. Một OR bằng 1.10 có thể có ý nghĩa trong một bối cảnh, còn OR bằng 4.00 có thể không đáng tin nếu khoảng tin cậy quá rộng và p-value không đạt mức mà đề tài đã quy định.

Khi đánh giá OR, bạn cần kiểm tra ba điểm: hướng tác động, ý nghĩa thống kê và độ chính xác của ước lượng. Bảng dưới đây là khung diễn giải thực hành, không phải bảng xếp hạng OR tốt hay xấu.

Trong bảng này, “có ý nghĩa” không được quyết định bằng việc OR lớn hơn 1 hay nhỏ hơn 1. Bạn xem cột Sig. hoặc khoảng tin cậy của OR. Nếu khoảng tin cậy chứa 1, bằng chứng cho thấy OR khác 1 chưa đủ rõ theo tiêu chí bạn chọn. Ngược lại, khoảng tin cậy không chứa 1 vẫn cần được đặt trong bối cảnh thiết kế mẫu, cách mã hóa và chất lượng mô hình.

Hãy ghi trước trong phương pháp nghiên cứu bạn dùng tiêu chí nào để kết luận ý nghĩa thống kê. Đừng đổi tiêu chí sau khi nhìn thấy output. Nếu cần ôn lại cách kiểm tra kết quả hồi quy nói chung, bạn có thể đối chiếu với bài tập hồi quy tuyến tính có lời giải, nhưng không bê nguyên tiêu chí của hồi quy tuyến tính sang logistic.

Cách đọc odds ratio trong output SPSS

Trong SPSS, odds ratio xuất hiện khi bạn chạy hồi quy logistic nhị phân theo đường dẫn Analyze > Regression > Binary Logistic. Sau khi chọn biến phụ thuộc và các biến độc lập, bạn bấm Options, chọn khoảng tin cậy cho Exp(B) nếu cần, rồi chạy mô hình. Bảng quan trọng nhất để đọc OR là Variables in the Equation.

Bảng Variables in the Equation

Hãy tìm đúng dòng của biến độc lập, sau đó đọc theo thứ tự B, S.E., Wald, df, Sig. và Exp(B). B là hệ số trên thang log odds. S.E. là sai số chuẩn. Wald kiểm tra hệ số có khác 0 hay không. Sig. là p-value của kiểm định Wald. Exp(B) là odds ratio.

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

Với dòng Hài lòng, Exp(B) = 1.500. Nếu biến này được đo theo thang điểm và tăng một đơn vị, odds của kết quả mục tiêu tăng 1.5 lần, khi các biến khác giữ nguyên. Cách nói an toàn là “odds tăng 50%”, vì 1.500 - 1 = 0.500, tương đương 50% tăng trong odds, không phải xác suất.

Với dòng Chi phí cảm nhận, OR bằng 0.600. Odds của kết quả bằng 60% so với trước khi biến tăng một đơn vị, tức giảm 40% theo công thức 1 - 0.600. Nếu muốn nói theo chiều ngược lại, 1 / 0.600 ≈ 1.667, nghĩa là giảm một đơn vị chi phí cảm nhận làm odds tăng khoảng 1.667 lần, nếu cách diễn giải đó phù hợp với thang đo.

Dòng Giới tính (Nam) có OR bằng 1.200 nhưng Sig. = 0.545. Bạn không nên viết rằng nam giới có odds cao hơn 20% một cách khẳng định. Kết quả minh họa này chưa cho bằng chứng đủ rõ về khác biệt giữa nhóm Nam và nhóm tham chiếu theo tiêu chí đang dùng. Ngoài ra, bạn phải biết nhóm tham chiếu là nhóm nào, chẳng hạn Nữ được mã hóa là 0.

Các bảng khác cần đọc trước khi kết luận

Variables in the Equation chưa đủ để kết luận mô hình tốt. Omnibus Tests of Model Coefficients cho biết nhóm biến đưa vào có cải thiện mô hình so với mô hình chỉ có hằng số hay không. Hosmer and Lemeshow Test thường được đọc cùng các chỉ báo phù hợp mô hình, nhưng bạn không nên dùng một bảng duy nhất để tuyên bố mô hình hoàn hảo.

Classification Table cho biết tỷ lệ phân loại đúng theo ngưỡng phân loại đang dùng. Tỷ lệ này có thể bị đánh giá cao nếu hai nhóm phụ thuộc mất cân đối. Model Summary có thể hiển thị -2 Log likelihood, Cox & Snell R Square và Nagelkerke R Square. Hai chỉ số pseudo-R² này không được diễn giải y hệt R² của hồi quy tuyến tính.

Khi odds ratio không đạt thì xử lý thế nào

Trước hết, xác định “không đạt” là vấn đề nào. OR khác 1 nhưng Sig. không đạt là vấn đề về bằng chứng thống kê. OR có khoảng tin cậy rất rộng là vấn đề về độ chính xác. OR ngược dấu với giả thuyết là vấn đề về hướng quan hệ, mã hóa hoặc bối cảnh lý thuyết. Ba trường hợp này cần cách xử lý khác nhau.

Kiểm tra mã hóa và nhóm tham chiếu

Mở phần định nghĩa biến và kiểm tra biến phụ thuộc đang mã hóa kết quả mục tiêu là 1 hay 0. Với biến phân loại, kiểm tra nhóm tham chiếu trong Categorical Variables Codings. Đổi nhóm tham chiếu có thể làm OR đảo chiều, dù thông tin thống kê của mô hình vẫn tương đương về bản chất.

Kiểm tra dữ liệu và tần số

Chạy bảng tần số cho biến phụ thuộc và các biến phân loại. Nếu một nhóm có rất ít quan sát, OR có thể cực lớn hoặc rất nhỏ, kèm khoảng tin cậy rộng. Kiểm tra giá trị thiếu, mã ngoài phạm vi, bản ghi trùng và các trường hợp có ảnh hưởng mạnh.

Xem lại mô hình, không loại biến chỉ vì OR không đẹp

Bạn có thể cân nhắc mô hình rút gọn nếu có cơ sở lý thuyết, vấn đề đa cộng tuyến hoặc biến không có chất lượng đo lường phù hợp. Không nên xóa một biến chỉ để làm OR lớn hơn hoặc p-value nhỏ hơn. Việc loại biến cần được ghi lại và giải thích trong luận văn.

Kiểm tra hiện tượng separation

Nếu một biến dự đoán gần như hoàn toàn kết quả, mô hình có thể gặp complete separation hoặc quasi-separation. Dấu hiệu thường thấy là hệ số rất lớn, sai số chuẩn lớn bất thường, cảnh báo hội tụ hoặc khoảng tin cậy không thực tế. Khi đó, tăng số quan sát, xem lại cách gộp nhóm và cách mã hóa là hướng xử lý có cơ sở hơn việc chạy lại nhiều lần để tìm một output đẹp.

Phân biệt odds ratio với risk ratio và xác suất

Odds ratio so sánh odds, không so sánh trực tiếp xác suất. Risk ratio, hay relative risk, so sánh xác suất xảy ra kết quả giữa hai nhóm. Hai đại lượng có thể gần nhau khi kết quả hiếm, nhưng có thể khác đáng kể khi kết quả xảy ra thường xuyên.

Một lỗi khác là nhầm Exp(B) với hệ số hồi quy tuyến tính. Trong logistic regression, B thay đổi log odds, còn Exp(B) đưa hệ số về thang odds ratio. Nếu đề tài của bạn có biến phụ thuộc liên tục như điểm trung bình, hồi quy logistic có thể không phải lựa chọn phù hợp. Bạn có thể xem thêm bài hồi quy logistic để đối chiếu điều kiện sử dụng và quy trình chạy.

Lỗi thường gặp

Lỗi đầu tiên là viết “OR = 1.8 nghĩa là xác suất tăng 80%”. Câu này chỉ có thể đúng trong một diễn giải đặc biệt với điều kiện bổ sung, còn cách đọc trực tiếp của OR là odds tăng 80%. Muốn trình bày xác suất dự đoán, bạn cần tính xác suất từ mô hình tại các giá trị cụ thể của biến độc lập.

Lỗi thứ hai là nhìn OR lớn hơn 1 rồi kết luận giả thuyết được chấp nhận. Hướng dấu chỉ cho biết chiều liên hệ. Bạn vẫn cần xem Sig., khoảng tin cậy, chất lượng mô hình và giả thuyết được phát biểu theo cách nào.

Lỗi thứ ba là bỏ qua biến phân loại. OR của “Giới tính (Nam)” luôn được hiểu so với nhóm tham chiếu, không phải một con số độc lập không có bối cảnh. Hãy ghi rõ nhóm tham chiếu trong bảng kết quả.

Lỗi thứ tư là dùng các ngưỡng của PLS-SEM hoặc hồi quy tuyến tính cho hồi quy logistic. Các tiêu chí như outer loading, AVE và HTMT thuộc nhóm đánh giá thang đo trong PLS-SEM, không phải cách đọc Exp(B) của SPSS logistic.

Cách viết vào luận văn: “Kết quả hồi quy logistic cho thấy biến [TÊN BIẾN] có hệ số B = [GIÁ TRỊ] và Exp(B) = [GIÁ TRỊ OR]. Khi [TÊN BIẾN] tăng một đơn vị, odds xảy ra [KẾT QUẢ MỤC TIÊU] [tăng/giảm] [MỨC DIỄN GIẢI], trong điều kiện các biến khác không đổi. Kết quả [có/không có] ý nghĩa thống kê với Sig. = [GIÁ TRỊ] và khoảng tin cậy [CÓ/KHÔNG] chứa 1.”** Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật từ bảng Variables in the Equation, không dùng các số minh họa ở trên.

Đọc thêm: hồi quy tuyến tính, bài tập hồi quy tuyến tính có lời giải, hồi quy logistic, mô hình hồi quy tuyến tính, đa cộng tuyến là gì, chủ đề thong ke.

Câu hỏi thường gặp

Odds ratio bằng 1 có phải là không đạt không

OR bằng 1 chỉ cho biết odds không thay đổi theo một đơn vị tăng của biến hoặc so với nhóm tham chiếu. Để kết luận biến có ý nghĩa hay không, bạn cần đọc Sig. và khoảng tin cậy của Exp(B). Vì vậy, OR bằng 1 không tự động là mô hình không đạt.

Odds ratio bao nhiêu là tốt

Không có một mức OR tốt chung cho mọi nghiên cứu. OR cần phù hợp với câu hỏi nghiên cứu, cách đo biến và bối cảnh thực tế. Một OR lớn nhưng khoảng tin cậy rộng hoặc không có ý nghĩa thống kê chưa chắc hữu ích hơn OR gần 1 nhưng được ước lượng chính xác.

Odds ratio trong SPSS nằm ở đâu

Trong output hồi quy logistic nhị phân, bạn mở bảng Variables in the Equation và xem cột Exp(B). Đây là odds ratio của từng biến trong mô hình. Cột B là hệ số log odds, không phải OR.

Có thể lấy phần trăm trực tiếp từ odds ratio không

Bạn có thể diễn giải OR lớn hơn 1 theo phần trăm thay đổi của odds bằng công thức (OR - 1) × 100%. Với OR nhỏ hơn 1, mức giảm của odds có thể tính bằng (1 - OR) × 100%. Không nên gọi kết quả đó là phần trăm thay đổi của xác suất nếu bạn chưa tính xác suất dự đoán.

Vì sao odds ratio rất lớn hoặc rất nhỏ

Nguyên nhân có thể là nhóm dữ liệu mất cân đối, ô tần số quá nhỏ, biến được mã hóa ngược, separation hoặc đa cộng tuyến. Hãy kiểm tra tần số, nhóm tham chiếu, hội tụ và chất lượng dữ liệu trước khi sửa mô hình. Việc chạy lại mà không tìm nguyên nhân chỉ làm bạn khó giải trình hơn khi bảo vệ.

Bây giờ bạn mở lại bảng Variables in the Equation, ghi riêng B, Sig., Exp(B) và khoảng tin cậy của từng biến, sau đó điền chúng vào đoạn viết mẫu trước khi soạn chương 4; nếu cần chạy hồi quy logistic trên chính file .sav hoặc .csv, bạn có thể dùng module M4 phân tích dữ liệu.