Pearson Correlation là gì? Cách đọc tương quan Pearson trong SPSS

Pearson Correlation là gì

Bạn mở output SPSS và thấy bảng Correlations, trong đó có các cột Pearson Correlation, Sig. (2-tailed) và N. Pearson Correlation là hệ số đo mức độ và chiều hướng liên hệ tuyến tính giữa hai biến định lượng. Hệ số này thường được ký hiệu là r, có giá trị từ -1 đến 1.

Giá trị r dương cho biết hai biến có xu hướng tăng cùng chiều. Giá trị r âm cho biết một biến tăng trong khi biến kia có xu hướng giảm. Giá trị càng gần 0 thì mối liên hệ tuyến tính càng yếu, còn giá trị càng gần 1 hoặc -1 thì mối liên hệ tuyến tính càng mạnh. Đây là mô tả về sự liên hệ, chưa đủ để kết luận biến này gây ra biến kia.

Về mặt kỹ thuật, Pearson Correlation được tính từ hiệp phương sai của X và Y, chia cho tích độ lệch chuẩn của hai biến:

r = covariance(X,Y) / [SD(X) × SD(Y)]

Trong luận văn, bạn thường dùng Pearson Correlation để kiểm tra mối liên hệ giữa các biến trước hồi quy, xem các biến độc lập có tương quan quá cao với nhau hay kiểm tra sơ bộ hướng của giả thuyết. Nếu biến được đo bằng nhiều biến quan sát, bạn cần xác định rõ mình đang tương quan giữa điểm tổng hợp của thang đo hay giữa từng biến quan sát.

Ý nghĩa của Pearson Correlation trong nghiên cứu định lượng

Pearson Correlation trả lời một câu hỏi cụ thể: khi điểm của biến X thay đổi, điểm của biến Y có thay đổi theo một xu hướng tuyến tính hay không. Chẳng hạn, bạn có thể kiểm tra mối liên hệ giữa chất lượng dịch vụ và sự hài lòng, hoặc giữa nhận thức hữu ích và ý định sử dụng.

Có ba thông tin cần đọc cùng nhau. Thứ nhất là dấu của Pearson Correlation, cho biết chiều tác động hoặc chiều liên hệ. Thứ hai là độ lớn tuyệt đối của r, cho biết mức độ liên hệ trong mẫu. Thứ ba là Sig. (2-tailed), thường được dùng để xem bằng chứng thống kê về mối liên hệ có đủ thuyết phục theo mức ý nghĩa mà bạn đã chọn hay chưa.

Pearson Correlation cũng giúp bạn phát hiện vấn đề trước khi chạy hồi quy. Nếu hai biến độc lập có tương quan rất cao, mô hình có thể gặp đa cộng tuyến. Tuy nhiên, Pearson Correlation không thay thế VIF và Tolerance trong bảng Coefficients hoặc Collinearity Statistics. Hai nhóm chỉ số này trả lời các câu hỏi khác nhau.

Bạn cũng cần phân biệt tương quan với mô hình nghiên cứu. Một biến có tương quan với biến phụ thuộc chưa đồng nghĩa giả thuyết chắc chắn được chấp nhận. Khi chạy hồi quy, kết quả còn phụ thuộc vào các biến khác trong mô hình, sai số, cỡ mẫu và cách đo lường. Nếu đề tài có biến trung gian hoặc biến điều tiết, bạn có thể xem thêm hướng dẫn về mediator, moderator và moderating để không dùng Pearson Correlation thay cho kiểm định cơ chế.

Pearson Correlation bao nhiêu là đạt

Không có một con số duy nhất để kết luận mọi Pearson Correlation là đạt. Bạn phải xem đồng thời chiều của r, độ lớn của r, Sig. (2-tailed), cỡ mẫu và giả thuyết nghiên cứu. Một hệ số r thấp vẫn có thể có ý nghĩa thống kê khi cỡ mẫu lớn, trong khi r tương đối lớn có thể chưa đạt ý nghĩa thống kê khi cỡ mẫu nhỏ.

Trong nhiều luận văn, p-value hoặc Sig. nhỏ hơn 0.05 được dùng với mức ý nghĩa 5%. Khi sử dụng ngưỡng này, bạn cần ghi rõ đây là quy ước phân tích của nghiên cứu và không biến nó thành bằng chứng về quan hệ nhân quả. Nếu đề cương đã quy định mức ý nghĩa khác, hãy tuân theo đề cương và giải thích nhất quán.

Bảng dưới đây là cách ra quyết định thực hành khi đọc output. Các hàng có ngưỡng thống kê được gắn nguồn trong phạm vi tài liệu được phép trích dẫn. Với độ mạnh của r, không nên gắn nhãn cứng nếu chưa có cơ sở lý thuyết và bối cảnh ngành.

Nếu bạn cần đánh giá thang đo trước khi tạo biến tổng hợp, hãy xem hướng dẫn scale là gì. Pearson Correlation giữa các biến quan sát không thể thay thế Cronbach's Alpha, EFA hoặc các kiểm định giá trị của thang đo.

Cách đọc Pearson Correlation trên output

Trong SPSS, bảng cần đọc thường có tên Correlations. Mỗi giao điểm giữa một hàng và một cột là kết quả tương quan của cặp biến tương ứng. Đường chéo của bảng thường có Pearson Correlation bằng 1.000 vì một biến được tương quan với chính nó. Bạn không cần diễn giải các ô trên đường chéo.

Hãy tìm đúng giao điểm giữa hai biến, sau đó đọc ba dòng hoặc cột: Pearson Correlation, Sig. (2-tailed) và N. N cho biết số quan sát được dùng trong cặp tương quan. Nếu dữ liệu thiếu ở một số biến, N giữa các cặp có thể khác nhau tùy lựa chọn xử lý missing values.

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 giữ theo cách SPSS hiển thị để bạn đối chiếu với file của mình.

Trong ví dụ này, r = 0.462 có dấu dương, nên hai biến có liên hệ cùng chiều trong mẫu. Sig. (2-tailed) hiển thị .000, bạn không nên viết p = 0.000 vì p-value không thực sự bằng 0. Cách viết phù hợp hơn là p < 0.001, nếu đó đúng là cách SPSS làm tròn giá trị hiển thị.

Dấu ** là ký hiệu SPSS thêm vào theo mức ý nghĩa đã chọn trong phần chú thích của bảng. Bạn vẫn nên đọc trực tiếp Sig. (2-tailed), vì đây là con số dùng cho quyết định thống kê. N = 218 cho biết cặp biến này được tính từ 218 quan sát.

Một lỗi thường gặp là chỉ nhìn r = 0.462 rồi kết luận giả thuyết được chấp nhận. Bạn cần đối chiếu hướng giả thuyết, tên hai biến, Sig. và cách nghiên cứu quy định kết luận giả thuyết. Pearson Correlation chỉ cung cấp bằng chứng về liên hệ hai biến, chưa phải kết quả của hồi quy đa biến.

Cách viết vào luận văn

Bạn có thể điều chỉnh câu sau theo số liệu thật: “Kết quả phân tích tương quan Pearson cho thấy [biến X] có mối tương quan [cùng chiều/ngược chiều] với [biến Y] với hệ số r = [giá trị r] và Sig. (2-tailed) = [giá trị p]. Với mức ý nghĩa [mức ý nghĩa], kết quả [cho thấy/chưa cho thấy] bằng chứng thống kê về mối liên hệ giữa hai biến.”

Không điền số minh họa vào luận văn của bạn. Hãy mở đúng bảng Correlations, ghi r, Sig. (2-tailed) và N từ file .sav hoặc .csv của mình. Nếu bạn chạy nhiều cặp biến, nên lập bảng tóm tắt riêng để tránh đọc nhầm hàng và cột.

Khi Pearson Correlation không đạt thì xử lý thế nào

Trước hết, kiểm tra bạn có đang dùng đúng biến hay không. Nhiều bạn tương quan từng biến quan sát với biến phụ thuộc dù giả thuyết được xây dựng ở cấp độ khái niệm. Nếu thang đo gồm nhiều biến quan sát, hãy xem quy trình tạo điểm trung bình hoặc tổng điểm có đúng chiều mã hóa hay chưa.

Tiếp theo, kiểm tra dữ liệu thiếu, biến đảo chiều và các giá trị bất thường. Một biến đảo chiều chưa được recode có thể làm tương quan đổi dấu. Outlier cũng có thể kéo hệ số r theo một hướng mạnh bất thường, vì vậy hãy xem thêm cách nhận diện outliers. Không nên xóa quan sát chỉ để Pearson Correlation trở nên đẹp hơn. Mọi trường hợp loại dữ liệu phải có tiêu chí và được ghi lại.

Nếu quan hệ giữa hai biến không tuyến tính, Pearson Correlation có thể không mô tả đúng dữ liệu. Bạn có thể xem biểu đồ scatterplot để nhận diện hình dạng quan hệ. Nếu dữ liệu không phù hợp với Pearson, hãy trao đổi với giảng viên về phép đo thay thế phù hợp với loại biến và giả định của nghiên cứu, thay vì chạy lại nhiều lần cho đến khi Sig. nhỏ.

Nếu tương quan không có ý nghĩa thống kê, bạn không nên đổi giả thuyết sau khi đã xem kết quả, loại biến tùy ý hoặc viết rằng hai biến “tác động” lên nhau. Cách giải trình an toàn là báo cáo hệ số, Sig., cỡ mẫu, chiều giả thuyết và nói rõ bằng chứng trong mẫu chưa đủ để ủng hộ mối liên hệ theo tiêu chí đã đặt ra.

Pearson Correlation cao giữa các biến độc lập cũng cần xử lý có thứ tự. Kiểm tra nội dung khái niệm, nguồn thang đo, độ tin cậy và VIF trong mô hình hồi quy. Nếu hai biến thực sự trùng lắp về nội dung, việc gộp hoặc loại biến phải dựa trên lý thuyết và được giảng viên chấp thuận, không chỉ dựa vào một con số trong bảng Correlations.

Phân biệt Pearson Correlation với chỉ số dễ nhầm

Pearson Correlation thường bị nhầm với Sig., R Square, Beta và VIF. Pearson r mô tả liên hệ tuyến tính giữa một cặp biến. Sig. cho biết bằng chứng thống kê của kết quả theo mức ý nghĩa đã chọn. Hai con số này đi cùng nhau nhưng không cùng ý nghĩa.

R Square là tỷ lệ biến thiên của biến phụ thuộc được mô hình hồi quy giải thích, không phải hệ số tương quan của một cặp biến. Trong hồi quy đơn với các điều kiện phù hợp, r bình phương có thể liên hệ với R Square, nhưng bạn không nên lấy r từ một cặp biến rồi gọi đó là R Square của mô hình nhiều biến.

Beta trong bảng Coefficients là hệ số hồi quy sau khi xét các biến khác trong mô hình. Một biến có Pearson Correlation dương nhưng Beta không có ý nghĩa, hoặc thậm chí đổi dấu, do ảnh hưởng của các biến độc lập khác. VIF lại dùng để kiểm tra đa cộng tuyến trong mô hình hồi quy, với ngưỡng tham khảo dưới 5 được nêu bởi (Hair và cộng sự, 2019).

Pearson Correlation cũng khác với Cronbach's Alpha. Alpha đánh giá độ nhất quán nội tại của các biến quan sát trong một thang đo, còn Pearson Correlation đánh giá liên hệ giữa hai biến hoặc hai điểm tổng hợp. Vì vậy, Alpha cao không chứng minh hai khái niệm khác nhau có quan hệ với nhau.

Lỗi thường gặp

Đọc nhầm Sig. thành hệ số tương quan

Trong bảng Correlations, r nằm ở dòng Pearson Correlation, còn p-value nằm ở dòng Sig. (2-tailed). Bạn cần chép đúng cả hai số khi báo cáo. Việc viết “tương quan bằng 0.000” là sai cách đọc output.

Kết luận nhân quả từ tương quan

Câu “X tác động đến Y” thường cần kết quả mô hình phù hợp với giả thuyết nhân quả, không chỉ một bảng tương quan. Với Pearson Correlation, hãy dùng các cụm như “có mối liên hệ” hoặc “có tương quan cùng chiều” nếu thiết kế nghiên cứu chỉ cho phép kết luận ở mức đó.

Bỏ qua dấu âm

r = -0.40 và r = 0.40 có cùng độ lớn tuyệt đối nhưng khác chiều. Nếu thang đo có biến đảo chiều, hãy kiểm tra mã hóa trước khi diễn giải dấu âm. Đặc biệt, đừng đổi dấu bằng tay trong bảng kết quả để khớp với giả thuyết.

Chạy tương quan trên dữ liệu chưa làm sạch

Giá trị thiếu, mã ngoài phạm vi, câu trả lời một kiểu cho toàn bộ bảng hỏi và outlier có thể ảnh hưởng đến kết quả. Hãy lưu một bản dữ liệu gốc, một bản đã làm sạch và nhật ký các thay đổi. Điều này giúp bạn giải trình khi giảng viên hỏi vì sao N giữa các phân tích khác nhau.

Báo cáo quá nhiều chữ nhưng thiếu bảng

Một đoạn diễn giải dài không thay thế được bảng kết quả. Bảng của bạn nên có tên biến, r, Sig. và N, sau đó phần văn bản chỉ nêu các cặp quan trọng với giả thuyết. Nếu có nhiều biến, hãy thống nhất số chữ số thập phân trong toàn bộ chương 4.

Câu hỏi thường gặp

Pearson Correlation là gì và dùng khi nào?

Pearson Correlation là hệ số đo chiều hướng và mức độ liên hệ tuyến tính giữa hai biến định lượng. Bạn thường dùng nó để kiểm tra sơ bộ mối liên hệ giữa các biến, chuẩn bị cho hồi quy hoặc xem tương quan giữa các biến độc lập.

Kết quả cần đọc cùng r, Sig. (2-tailed) và N. Pearson Correlation không tự chứng minh quan hệ nhân quả.

Pearson Correlation bao nhiêu là đạt?

Bạn không nên dùng một mốc duy nhất cho mọi đề tài. Hãy xem dấu của r, độ lớn của r, Sig. (2-tailed), cỡ mẫu và giả thuyết đã xây dựng. Ngưỡng p-value phải được quy định nhất quán trong phương pháp nghiên cứu.

Một hệ số r có ý nghĩa thống kê vẫn có thể có mức liên hệ nhỏ về mặt thực tiễn. Vì vậy, hãy báo cáo con số cụ thể thay vì chỉ viết “tương quan mạnh” hoặc “tương quan yếu”.

Sig. trong Pearson Correlation bao nhiêu là đạt?

Nhiều nghiên cứu chọn mức ý nghĩa 0.05, khi đó Sig. nhỏ hơn 0.05 thường được xem là có bằng chứng thống kê về mối liên hệ trong mẫu. Bạn cần kiểm tra quy định trong đề cương và ghi rõ mức ý nghĩa đã sử dụng.

Nếu SPSS hiển thị .000, hãy viết p < 0.001 thay vì p = 0.000. Đồng thời, đừng dùng Sig. nhỏ để kết luận X gây ra Y.

Pearson Correlation không đạt thì phải làm sao?

Hãy kiểm tra lại cách mã hóa, biến đảo chiều, missing values, outlier, điểm tổng hợp và biểu đồ scatterplot. Nếu quan hệ không tuyến tính hoặc dữ liệu không phù hợp, hãy trao đổi về phép phân tích thay thế.

Không nên xóa biến hoặc xóa quan sát chỉ vì kết quả không đạt. Nếu giả thuyết không được ủng hộ, hãy báo cáo kết quả đó và giải thích giới hạn của dữ liệu.

Pearson Correlation có thay thế hồi quy được không?

Pearson Correlation không thay thế hồi quy. Tương quan xem xét từng cặp biến, còn hồi quy đánh giá vai trò của một hoặc nhiều biến độc lập đối với biến phụ thuộc trong cùng mô hình.

Bạn có thể dùng Pearson Correlation như một phân tích bổ trợ trước hồi quy, nhưng cần đọc thêm Model Summary, ANOVA, Coefficients và các chỉ số chẩn đoán phù hợp.

Mở file SPSS của bạn, tìm bảng Correlations, ghi lại r, Sig. (2-tailed) và N cho từng cặp liên quan đến giả thuyết, sau đó đối chiếu với phần phương pháp trước khi viết chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis thực hiện bước này.