Pearson là gì? Cách đọc hệ số tương quan Pearson trong SPSS

Pearson là gì

Pearson là hệ số đo mức độ và chiều hướng liên hệ tuyến tính giữa hai biến định lượng. Trong SPSS, chỉ số này thường xuất hiện trong bảng Correlations với tên Pearson Correlation. Ký hiệu phổ biến là r, có giá trị từ -1 đến 1.

Khi r dương, hai biến có xu hướng tăng cùng chiều. Khi r âm, một biến tăng thì biến còn lại có xu hướng giảm. Khi r gần 0, mối liên hệ tuyến tính giữa hai biến yếu hoặc chưa được dữ liệu thể hiện rõ. Công thức khái quát là:

r = Cov(X,Y) / (SD(X) × SD(Y))

Trong đó, Cov(X,Y) là hiệp phương sai giữa X và Y, còn SD là độ lệch chuẩn. Bạn không cần tự tính công thức này khi làm luận văn. SPSS sẽ tính r, Sig. (2-tailed) và N từ các dòng dữ liệu hợp lệ.

Pearson chỉ mô tả mức liên hệ, chưa chứng minh X gây ra Y. Đây là điểm cần giữ nguyên khi viết chương 4. Nếu đề tài có biến độc lập và biến phụ thuộc, kết quả Pearson có thể giúp bạn xem xét tương quan ban đầu trước khi chạy hồi quy, nhưng không thay thế cho hồi quy và cũng không tự chứng minh quan hệ nhân quả.

Ý nghĩa của Pearson trong nghiên cứu định lượng

Bạn thường chạy Pearson trong ba tình huống. Thứ nhất, kiểm tra tương quan giữa các biến tổng hợp, chẳng hạn CLDV với HL, sau khi đã tính điểm đại diện cho từng thang đo. Thứ hai, xem các biến độc lập có tương quan quá cao với nhau hay không trước khi chạy hồi quy. Thứ ba, kiểm tra mối liên hệ sơ bộ giữa một yếu tố giải thích và kết quả nghiên cứu.

Kết quả Pearson trả lời hai câu hỏi riêng. Câu hỏi đầu tiên là mối liên hệ mạnh hay yếu, được nhìn qua trị tuyệt đối của r. Câu hỏi thứ hai là mối liên hệ có ý nghĩa thống kê hay không, được nhìn qua Sig. (2-tailed), thường gọi là p-value.

Nếu p-value nhỏ hơn mức ý nghĩa bạn đã chọn, thường là 0,05, bạn có cơ sở thống kê để bác bỏ giả thuyết không có tương quan tuyến tính trong tổng thể. Nếu p-value lớn hơn hoặc bằng 0,05, bạn chưa có đủ bằng chứng để kết luận có tương quan tuyến tính. Cách viết này thận trọng hơn việc nói rằng hai biến hoàn toàn không liên quan.

Pearson không phù hợp với mọi loại dữ liệu. Hai biến nên là biến định lượng, quan sát độc lập và có quan hệ gần tuyến tính. Bạn cũng nên kiểm tra outlier vì một vài quan sát rất khác biệt có thể kéo hệ số r tăng hoặc giảm mạnh. Nếu file của bạn đang có giá trị bất thường, hãy xem hướng dẫn về outliers trong dữ liệu định lượng trước khi diễn giải bảng tương quan.

Pearson bao nhiêu là đạt

Không có một con số duy nhất để kết luận Pearson đạt cho mọi đề tài. Bạn cần đọc đồng thời chiều của hệ số, độ lớn của hệ số và p-value. Một tương quan rất nhỏ nhưng có ý nghĩa thống kê trong mẫu lớn vẫn có thể ít quan trọng về mặt thực tiễn. Ngược lại, một tương quan khá lớn nhưng không có ý nghĩa thống kê có thể cần xem lại cỡ mẫu, độ phân tán hoặc chất lượng đo lường.

Bảng dưới đây là cách diễn giải thường dùng cho mức độ liên hệ. Đây là quy ước diễn giải, không phải điều kiện tự động để chấp nhận hay loại một giả thuyết. Nguồn được ghi ngay ở từng dòng để bạn có thể giải trình khi cần.

Bảng trên không nên được dùng như một quy tắc máy móc. Trong luận văn, bạn cần nêu rõ r = 0,42, p < 0,05 và hai biến cụ thể là gì. Cụm “đạt” nên được hiểu là kết quả phù hợp với câu hỏi nghiên cứu và tiêu chí phân tích đã đặt ra, không phải mọi hệ số càng cao càng tốt.

Một cảnh báo quan trọng là tương quan quá cao giữa hai biến độc lập có thể báo hiệu trùng lặp nội dung hoặc đa cộng tuyến. Bạn không nên loại biến chỉ vì Pearson dưới 0,5 nếu giả thuyết và cơ sở lý thuyết vẫn hợp lý. Ngược lại, cũng không nên giữ tất cả biến chỉ vì p-value nhỏ.

Cách đọc Pearson trên output

Trong SPSS, bạn có thể chạy theo đường dẫn Analyze > Correlate > Bivariate. Đưa hai biến cần kiểm tra vào ô Variables, giữ lựa chọn Pearson, chọn Two-tailed nếu giả thuyết của bạn không định hướng, rồi nhấn OK. Nếu có lý do lý thuyết rõ ràng cho tương quan một phía, lựa chọn kiểm định phải được thống nhất trước khi chạy, không đổi sau khi thấy kết quả.

Bảng Correlations có những cột nào

Bảng Correlations thường hiển thị mỗi cặp biến với ba thông tin chính: Pearson Correlation, Sig. (2-tailed) và N. Đường chéo của ma trận thường có r = 1,000 vì một biến được so sánh với chính nó. Bạn không dùng các ô đường chéo để kết luận giả thuyết.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật:

Trong ví dụ này, r = 0,426 cho thấy HL và CLDV có tương quan dương ở mức vừa theo quy ước minh họa. Giá trị Sig. (2-tailed) = 0,003 nhỏ hơn 0,05, vì vậy mối tương quan có ý nghĩa thống kê ở mức 5 phần trăm. N = 52 cho biết SPSS đã sử dụng 52 quan sát hợp lệ cho cặp biến này.

Dấu ** cạnh hệ số thường là ký hiệu SPSS dùng để báo tương quan có ý nghĩa ở mức 0,01. Bạn vẫn phải đọc dòng Sig. (2-tailed) thay vì chỉ nhìn dấu sao, vì mức ý nghĩa của dấu sao cần được đối chiếu với chú thích cuối bảng.

Khi viết kết quả, bạn có thể nêu: “Kết quả phân tích tương quan Pearson cho thấy HL có tương quan dương với CLDV, với hệ số r = 0,426 và p = 0,003. Mối tương quan có ý nghĩa thống kê ở mức 5 phần trăm.” Nếu đây là biến độc lập và biến phụ thuộc trong mô hình, bạn có thể nói kết quả phù hợp với hướng quan hệ dự kiến, nhưng chưa khẳng định tác động nhân quả.

Khi Pearson không đạt thì xử lý thế nào

Nếu p-value không đạt mức ý nghĩa, trước hết kiểm tra bạn có nhập đúng biến và đúng chiều mã hóa hay không. Một biến đảo chiều chưa được recode có thể làm tương quan giảm hoặc đổi dấu. Bạn cũng cần xem số lượng quan sát hợp lệ trong cột N, vì dữ liệu thiếu ở một trong hai biến có thể làm cỡ mẫu của từng cặp khác nhau.

Kiểm tra dữ liệu và giá trị ngoại lệ

Mở Analyze > Descriptive Statistics > Explore để xem phân phối, giá trị nhỏ nhất, lớn nhất và các quan sát bất thường. Có thể dùng biểu đồ scatterplot tại Graphs > Chart Builder để xem hai biến có quan hệ gần đường thẳng hay không. Nếu loại một outlier, bạn phải có lý do dữ liệu rõ ràng, chẳng hạn lỗi nhập liệu hoặc vi phạm tiêu chí làm sạch đã định trước.

Kiểm tra biến đảo chiều và cách tính điểm

Nếu bảng hỏi có biến quan sát mang nội dung phủ định, hãy recode đúng trước khi tính điểm thang đo. Sau đó kiểm tra lại điểm đại diện của biến, chẳng hạn bằng trung bình các biến quan sát hợp lệ. Không được thử nhiều cách tính rồi chỉ giữ cách cho hệ số đẹp mà không ghi lại quy trình.

Xem lại lựa chọn chỉ số

Nếu dữ liệu không phù hợp với giả định của Pearson hoặc quan hệ không tuyến tính, bạn có thể trao đổi với giảng viên về Spearman. Đây là một lựa chọn khác, không phải cách sửa để biến kết quả Pearson thành có ý nghĩa. Nếu mục tiêu là kiểm tra vai trò của biến trung gian hoặc biến điều tiết, Pearson cũng chưa đủ. Bạn cần phân biệt rõ mediator là gì, moderator là gì và cách kiểm định tương ứng.

Không tự ý xóa biến chỉ vì p-value lớn

Một biến có tương quan thấp không tự động là biến sai. Bạn cần xem giả thuyết, thang đo, độ tin cậy và mô hình nghiên cứu. Nếu hệ số không đạt, hãy báo cáo kết quả đúng như output, nêu khả năng giải thích phù hợp và hỏi người hướng dẫn trước khi loại biến hoặc sửa mô hình.

Phân biệt Pearson với chỉ số dễ nhầm

Pearson thường bị nhầm với Cronbach's Alpha, hồi quy và Spearman. Pearson đo liên hệ giữa hai biến. Cronbach's Alpha đánh giá độ nhất quán nội bộ của nhiều biến quan sát trong cùng một thang đo. Vì vậy, bạn không dùng Pearson để kết luận một thang đo có đáng tin cậy hay không. Nếu đang kiểm tra khái niệm scale và các biến quan sát, bạn có thể xem thêm scale là gì.

Hồi quy tuyến tính dùng để ước lượng mức thay đổi của biến phụ thuộc khi biến độc lập thay đổi, đồng thời có thể xem xét nhiều biến độc lập trong cùng mô hình. Pearson chỉ cho biết mức liên hệ từng cặp. Một cặp biến có Pearson dương nhưng khi đưa vào hồi quy, hệ số có thể giảm, đổi dấu hoặc không còn có ý nghĩa do ảnh hưởng của các biến khác.

Spearman dựa trên thứ hạng và thường được cân nhắc khi dữ liệu là ordinal, có outlier khó xử lý hoặc quan hệ đơn điệu nhưng không gần tuyến tính. Bạn không nên đổi từ Pearson sang Spearman chỉ vì kết quả Pearson không đúng kỳ vọng. Lựa chọn cần dựa trên loại dữ liệu, biểu đồ và giả định phân tích.

Pearson cũng khác với p-value. r cho biết hướng và độ lớn của tương quan. p-value cho biết bằng chứng thống kê chống lại giả thuyết không có tương quan trong tổng thể. Hai con số này phải được báo cáo cùng nhau.

Lỗi thường gặp

Lỗi đầu tiên là viết “Pearson chứng minh X tác động đến Y”. Câu này vượt quá khả năng của kiểm định tương quan. Hãy dùng “có tương quan” hoặc “có mối liên hệ tuyến tính” khi chỉ đang báo cáo bảng Correlations.

Lỗi thứ hai là chỉ nhìn vào dấu ** mà bỏ qua N, r và Sig. (2-tailed). Dấu sao không cho biết tương quan mạnh hay yếu. Một hệ số nhỏ vẫn có thể có dấu sao nếu mẫu đủ lớn.

Lỗi thứ ba là tính Pearson trực tiếp trên từng biến quan sát rồi xem đó là kết quả của toàn bộ thang đo. Nếu mô hình của bạn sử dụng biến tiềm ẩn hoặc biến tổng hợp, hãy thống nhất cách tính điểm đại diện trước khi chạy.

Lỗi thứ tư là diễn giải r = -0,60 là “không đạt” vì số âm. Dấu âm chỉ chiều ngược nhau. Mức độ liên hệ được xem qua trị tuyệt đối, còn việc chiều âm có phù hợp giả thuyết hay không phải dựa vào mô hình lý thuyết.

Lỗi cuối là chạy đi chạy lại nhiều biến cho đến khi có p < 0,05 nhưng không báo cáo số lần thử. Cách làm này làm tăng rủi ro kết luận sai. Bạn nên xác định cặp biến và mức ý nghĩa từ mô hình, lưu output từng bước và giải trình mọi điều chỉnh.

Câu hỏi thường gặp

Pearson là gì trong SPSS?

Pearson trong SPSS là hệ số tương quan đo mức độ và chiều hướng liên hệ tuyến tính giữa hai biến. Trong bảng Correlations, bạn đọc dòng Pearson Correlation cùng với Sig. (2-tailed) và N.

Hệ số tương quan Pearson bao nhiêu là đạt?

Bạn không thể kết luận chỉ dựa trên một ngưỡng duy nhất. Hãy xem trị tuyệt đối của r, p-value, hướng giả thuyết và bối cảnh nghiên cứu. Thông thường, p < 0,05 được xem là có ý nghĩa thống kê khi bạn đã chọn mức ý nghĩa 5 phần trăm, còn độ mạnh của tương quan cần được diễn giải riêng.

Pearson có p-value lớn thì phải làm sao?

Trước hết kiểm tra mã hóa biến, biến đảo chiều, dữ liệu thiếu, outlier và biểu đồ quan hệ. Nếu các bước đều đúng, hãy báo cáo kết quả không có ý nghĩa thống kê và không tự ý xóa biến chỉ để làm mô hình đẹp hơn.

Pearson có thay thế được hồi quy không?

Không. Pearson phân tích từng cặp biến, còn hồi quy đánh giá quan hệ giữa biến phụ thuộc và một hoặc nhiều biến độc lập trong cùng mô hình. Pearson có thể là bước tham khảo trước hồi quy, nhưng không thay thế hệ số hồi quy, kiểm định mô hình hay kiểm tra đa cộng tuyến.

Có cần chạy Pearson trước Cronbach's Alpha không?

Thông thường không. Cronbach's Alpha dùng để đánh giá độ tin cậy của thang đo, còn Pearson thường được chạy sau khi bạn đã có các biến đại diện cần so sánh. Thứ tự cụ thể còn phụ thuộc quy trình phân tích của đề tài và hướng dẫn của giảng viên.

Mở file SPSS của bạn, kiểm tra lại bảng Correlations, ghi riêng r, Sig. (2-tailed) và N cho từng giả thuyết, rồi đối chiếu với mô hình trước khi viết nhận xét. Nếu cần chạy Pearson trên chính file .sav hoặc .csv và chuyển output thành đoạn viết chương 4, bạn có thể dùng M4 phân tích của DoThesis.