Phương sai âm Heywood phải làm sao trong SPSS
Hiện tượng bạn đang gặp
Bạn mở kết quả CFA hoặc mô hình SEM, sau đó thấy một biến tiềm ẩn có Variance âm, thường nằm trong bảng Variances: (Group number 1 - Default model) hoặc bảng ước lượng tham số. Một dạng khác là Standardized Regression Weights có hệ số tải lớn hơn 1, chẳng hạn 1.08, hoặc sai số phương sai của một biến quan sát bị âm. Đây là Heywood case, tức một nghiệm ước lượng nằm ngoài miền hợp lệ của mô hình.
Phương sai về mặt thống kê không thể âm. Vì vậy, con số -0.034 không phải là một phát hiện để bạn diễn giải như “biến có phương sai ngược chiều”. Nó thường báo rằng dữ liệu, thang đo, mô hình hoặc cách ước lượng đang có vấn đề. Trong SPSS, lỗi này có thể xuất hiện sau khi xuất dữ liệu sang AMOS, nhưng nguyên nhân thường nằm ở dữ liệu hoặc mô hình nghiên cứu chứ không phải riêng phần mềm.
Bạn nên lưu lại file dữ liệu gốc và file output trước khi sửa. Nếu đang đọc kết quả CFA, có thể xem thêm hướng dẫn về chỉ số độ phù hợp mô hình trong AMOS. Các chỉ số CFI, TLI, RMSEA và SRMR giúp đánh giá mức độ phù hợp của mô hình, nhưng việc mô hình có fit tốt cũng không tự động làm cho phương sai âm trở thành hợp lệ.
Nguyên nhân thường gặp
Không nên xóa ngay biến có phương sai âm. Trước hết, bạn cần xác định con số âm nằm ở phương sai của biến quan sát, phương sai sai số, phương sai của biến tiềm ẩn hay một hệ số khác. Mỗi vị trí dẫn đến cách kiểm tra khác nhau.
| Dấu hiệu trên output | Nguyên nhân có thể gặp | Cách kiểm tra trước tiên |
|---|---|---|
| Error variance âm ở một biến quan sát | Biến có tương quan quá cao với biến khác, mẫu nhỏ hoặc mô hình đo lường không ổn định | Xem Standardized Regression Weights, ma trận tương quan và dữ liệu gốc |
| Standardized loading lớn hơn 1 | Hai biến quan sát gần như trùng nội dung, mô hình bị nhận dạng kém hoặc có sai số lấy mẫu | Kiểm tra tương quan Pearson, Modification Indices và nội dung biến |
| Latent variance âm | Mô hình cấu trúc không ổn định, đa cộng tuyến hoặc biến tiềm ẩn bị giải thích quá mức | Kiểm tra tương quan giữa các biến tiềm ẩn, VIF và phương trình cấu trúc |
| Kết quả thay đổi mạnh khi bỏ một biến | Biến đó có mã hóa sai, có outlier hoặc là biến đảo chiều chưa xử lý | Đối chiếu codebook, tần suất và cách mã hóa từng mức trả lời |
| Ma trận hiệp phương sai không xác định dương | Tương quan quá cao, biến có phương sai gần bằng 0 hoặc dữ liệu lỗi | Chạy Descriptives, kiểm tra phương sai và ma trận tương quan |
| Mô hình hội tụ nhưng có cảnh báo | Phần mềm tìm được nghiệm số, nhưng nghiệm không có ý nghĩa thống kê | Đọc cảnh báo, kiểm tra nghiệm biên và chạy lại mô hình sau từng thay đổi |
Một nguyên nhân thường gặp là bạn nhập nhầm biến đảo chiều. Ví dụ, thang Likert từ 1 đến 5 có biến mang ý nghĩa tiêu cực, nhưng bạn đưa trực tiếp vào CFA thay vì đổi mã theo công thức điểm mới = 6 - điểm cũ. Khi đó, một biến có thể tương quan âm với các biến còn lại dù bạn dự kiến chúng cùng đo một khái niệm.
Nguyên nhân thứ hai là các biến quan sát gần như trùng nhau. Tương quan giữa hai biến rất cao làm cho mô hình khó tách phần phương sai riêng của từng biến. Nguyên nhân thứ ba là bạn đưa quá nhiều đường liên kết theo Modification Indices, khiến mô hình được chỉnh theo dữ liệu mẫu cụ thể và trở nên thiếu ổn định.
Nếu mô hình vừa xuất hiện phương sai âm vừa có lỗi nhận dạng, hãy đọc thêm bài mô hình không được nhận dạng phải làm sao. Hai hiện tượng này có thể cùng xuất hiện, nhưng cách xử lý không hoàn toàn giống nhau.
Cách xử lý theo thứ tự ưu tiên
Bạn nên xử lý từ dữ liệu và thang đo trước, sau đó mới cân nhắc điều chỉnh mô hình. Mỗi lần chỉ thay đổi một yếu tố và lưu một phiên bản file riêng. Cách này giúp bạn biết chính xác điều gì làm kết quả thay đổi.
Kiểm tra mã hóa, giá trị thiếu và biến đảo chiều
Trong SPSS, mở Analyze > Descriptive Statistics > Frequencies. Đưa toàn bộ biến quan sát vào ô phân tích và kiểm tra xem các giá trị có nằm đúng khoảng dự kiến hay không. Với thang Likert 1 đến 5, một biến xuất hiện giá trị 0, 6, 99 hoặc một chuỗi ký tự cần được xử lý trước khi chạy mô hình.
Nếu dùng mã thay thế cho missing value, hãy mở Variable View và xem cột Missing. Một mã như 99 nếu chưa được khai báo là missing sẽ được phần mềm xem như một câu trả lời hợp lệ. Bạn cũng cần kiểm tra các biến đảo chiều bằng bảng mã gốc, không dựa vào trí nhớ.
Sau khi sửa dữ liệu, chạy lại thống kê mô tả và lưu file mới. Đừng ghi đè file gốc vì bạn có thể cần đối chiếu với bảng hỏi đã thu thập.
Kiểm tra biến có phương sai gần bằng 0 và câu trả lời bất thường
Chạy Analyze > Descriptive Statistics > Descriptives, chọn Mean, Std. Deviation, Minimum và Maximum. Một biến mà phần lớn người trả lời chọn cùng một mức sẽ có rất ít thông tin phân biệt. Biến này có thể làm mô hình đo lường không ổn định, nhất là khi cỡ mẫu chưa lớn.
Bạn cũng nên kiểm tra các mẫu trả lời không có biến thiên, thường gọi là straight-lining. Một người chọn cùng một mức cho toàn bộ bảng hỏi chưa chắc là dữ liệu sai, nhưng nếu đi kèm thời gian trả lời quá ngắn hoặc nhiều mẫu có cùng dấu hiệu, bạn cần xem lại tiêu chí làm sạch dữ liệu đã nêu trong phương pháp nghiên cứu.
Kiểm tra tương quan giữa các biến quan sát
Chạy Analyze > Correlate > Bivariate, chọn các biến trong cùng một khái niệm và xem ma trận tương quan. Hai biến tương quan gần như tuyệt đối có thể đang hỏi cùng một nội dung hoặc bị sao chép trong quá trình nhập dữ liệu. Hai biến có tương quan trái dấu mạnh có thể liên quan đến lỗi đảo chiều.
Không nên chỉ nhìn vào một hệ số rồi xóa biến. Hãy đối chiếu câu chữ của biến quan sát, nguồn thang đo, kết quả Cronbach's Alpha và kết quả CFA. Một biến bị trùng nội dung với biến khác có cơ sở để loại hơn một biến chỉ vì nó làm mô hình đẹp hơn.
Chạy lại mô hình đo lường trước mô hình cấu trúc
Tạm thời bỏ các đường tác động giữa những biến tiềm ẩn và kiểm tra từng nhóm thang đo trong CFA. Cách tiếp cận hai bước, đánh giá mô hình đo lường trước rồi mới đánh giá mô hình cấu trúc, phù hợp với thực hành SEM được trình bày bởi (Anderson và Gerbing, 1988).
Trong AMOS, kiểm tra mỗi biến tiềm ẩn đã có đủ số biến quan sát cần thiết hay chưa. Một latent construct có quá ít chỉ báo, hoặc các chỉ báo gần như đồng nhất, có thể tạo nghiệm phương sai âm. Sau mỗi thay đổi, xem lại Regression Weights, Standardized Regression Weights, Variances và cảnh báo ở cửa sổ output.
Nếu phương sai âm biến mất khi bỏ một biến, hãy ghi nhận kết quả đó nhưng chưa vội kết luận biến phải bị loại. Bạn cần xem biến này có quan trọng về mặt lý thuyết và nội dung hay không.
Xem xét loại biến có căn cứ
Chỉ cân nhắc loại biến khi có nhiều bằng chứng kết hợp: nội dung trùng lặp, tương quan bất thường, loading yếu hoặc lỗi chuẩn lớn, và việc loại biến có thể giải thích được về mặt thang đo. Việc loại liên tiếp nhiều biến chỉ để đạt chỉ số fit có thể làm mô hình mất ý nghĩa ban đầu.
Trong báo cáo, ghi lại thứ tự các vòng chạy. Ví dụ, vòng đầu xuất hiện error variance âm ở biến X3, vòng hai kiểm tra phát hiện X3 bị nhập ngược mã, vòng ba sau khi sửa mã thì phương sai dương và mô hình được đánh giá lại. Nhật ký này thuyết phục hơn việc chỉ trình bày output cuối cùng.
Kiểm tra nhận dạng và đa cộng tuyến của mô hình cấu trúc
Nếu lỗi chỉ xuất hiện khi thêm các đường tác động giữa những biến tiềm ẩn, hãy kiểm tra tương quan giữa các biến độc lập. Trong mô hình PLS-SEM, VIF dưới 5 là ngưỡng thường được báo cáo theo (Hair và cộng sự, 2019). Với CFA hoặc CB-SEM, bạn vẫn cần xem bản chất của đa cộng tuyến và ma trận hiệp phương sai, không nên bê nguyên một ngưỡng từ SmartPLS sang AMOS.
Nếu mô hình có quá nhiều tham số so với thông tin dữ liệu, hãy kiểm tra lại bậc tự do và nhận dạng. Việc thêm covariance giữa các sai số phải có lý do nội dung hoặc thiết kế thang đo. Một mũi tên được thêm chỉ vì Modification Indices cao chưa đủ để giải thích mô hình.
Đối chiếu các ngưỡng trước khi kết luận
Bảng dưới đây giúp bạn phân biệt các dấu hiệu liên quan. Đây là các ngưỡng tham khảo từ nguồn được nêu rõ, không phải bằng chứng rằng mô hình của bạn tự động đạt khi mọi con số nằm trong khoảng này.
| Chỉ tiêu cần xem | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| Factor loading trong CFA hoặc EFA | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| CR | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| VIF trong PLS-SEM | Dưới 5 | (Hair và cộng sự, 2019) |
| CFI và TLI trong CB-SEM | Từ 0.90 trở lên | (Hu và Bentler, 1999) |
| RMSEA và SRMR trong CB-SEM | Không quá 0.08 | (Hu và Bentler, 1999) |
Các chỉ số CFI, TLI, RMSEA và SRMR trong bảng cuối thuộc CB-SEM, chẳng hạn AMOS. Không dùng chúng để đánh giá một mô hình SmartPLS. Ngược lại, với PLS-SEM, bạn cần xem đúng nhóm chỉ tiêu như outer loading, CR, AVE, HTMT, VIF, R² và Q².
Đọc output minh họa trước khi sửa
Bảng dưới đây mô phỏng dạng kết quả thường gặp trong AMOS. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Bạn cần thay bằng số liệu trong file của mình.
| Variances: Group number 1 | Estimate | S.E. | C.R. | P |
|---|---|---|---|---|
| X1 | 0.482 | 0.071 | 6.789 | *** |
| X2 | 0.315 | 0.058 | 5.431 | *** |
| X3 | -0.034 | 0.019 | -1.789 | 0.074 |
| e3 | -0.021 | 0.012 | -1.750 | 0.080 |
| Construct_A | 0.927 | 0.144 | 6.438 | *** |
Trong ví dụ này, X3 có Estimate âm và e3 cũng âm. Bạn cần xác định đây là phương sai của biến quan sát hay phương sai sai số, sau đó kiểm tra mã hóa, tương quan, loading và cấu trúc thang đo. Không được chuyển -0.034 thành số dương bằng cách sửa trực tiếp trong bảng output.
Khi nào phải quay lại thu thêm dữ liệu
Phần mềm không thể sửa một thiết kế bảng hỏi yếu hoặc một mẫu dữ liệu không đại diện. Nếu bạn đã kiểm tra mã hóa, missing value, straight-lining, outlier, tương quan và cấu trúc thang đo mà phương sai âm vẫn còn, vấn đề có thể nằm ở cỡ mẫu hoặc chất lượng đo lường.
Cỡ mẫu không có một con số chung cho mọi CFA. Bạn cần xem số biến quan sát, số tham số cần ước lượng, mức độ phức tạp của mô hình và chất lượng dữ liệu. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn từ (Hair và cộng sự, 2010), nhưng đây chỉ là điểm tham khảo để lập kế hoạch, không phải giấy phép cho mọi mô hình đều đạt.
Bạn nên trao đổi với giảng viên trước khi thu thêm. Nếu bảng hỏi có biến bị hiểu sai, thu thêm cùng một lỗi chỉ làm dữ liệu lớn hơn chứ không làm phép đo tốt hơn. Khi cần thu bổ sung, giữ nguyên tiêu chí chọn mẫu, cách giới thiệu bảng hỏi và quy trình làm sạch để các đợt dữ liệu có thể so sánh.
Cũng có trường hợp cần quay lại chỉnh thang đo thay vì thu thêm ngay. Nếu hai biến quan sát chỉ khác nhau vài từ nhưng cùng hỏi một hành vi, vấn đề nằm ở thiết kế item. Nếu một biến có nội dung quan trọng nhưng loading thấp, bạn cần cân nhắc giá trị nội dung trước khi loại bỏ.
Cách giải trình với giảng viên hướng dẫn
Bạn nên trình bày bằng một bảng ngắn gồm hiện tượng, kiểm tra đã thực hiện, thay đổi có căn cứ và kết quả sau khi chạy lại. Đừng gửi riêng ảnh chụp một con số âm mà không kèm phiên bản dữ liệu và mô hình.
Cách viết vào luận văn: “Trong lần ước lượng ban đầu, phương sai sai số của biến quan sát [mã biến] nhận giá trị âm, cho thấy mô hình xuất hiện Heywood case. Nhóm nghiên cứu đã kiểm tra [mã hóa biến, giá trị thiếu, tương quan và dữ liệu bất thường], sau đó [sửa mã hóa hoặc loại biến có căn cứ hoặc điều chỉnh mô hình theo cơ sở lý thuyết]. Kết quả ước lượng lại cho thấy [phương sai đã dương hoặc vấn đề vẫn còn], vì vậy mô hình được đánh giá tiếp dựa trên [các tiêu chí phù hợp].”
Câu này cần được thay bằng kết quả thật trong file của bạn. Không viết rằng mô hình “đạt hoàn toàn” chỉ vì phương sai âm đã biến mất. Bạn vẫn phải báo cáo độ phù hợp, độ tin cậy, giá trị hội tụ, giá trị phân biệt và các đường tác động theo đúng loại mô hình.
Nếu bạn đang nhầm lỗi Heywood với lỗi chỉ số fit, hãy đọc thêm bài CFI nhỏ hơn 0 9 phải làm sao. CFI thấp cần được phân tích cùng các chỉ số khác, còn phương sai âm là vấn đề về nghiệm ước lượng và tính hợp lệ của tham số.
Cách phòng từ bước thiết kế
Ngay từ lúc thiết kế bảng hỏi, hãy viết rõ khái niệm mà từng biến quan sát đo lường. Các item trong cùng một thang đo cần cùng hướng diễn giải, hoặc phải được đánh dấu rõ là biến đảo chiều. Trước khi thu chính thức, kiểm tra cách hiểu của người trả lời bằng một đợt thử nhỏ và sửa câu chữ gây mơ hồ.
Bạn cũng nên tránh đưa hai biến có nội dung gần như giống nhau vào cùng một thang đo chỉ để tăng số lượng item. Nguồn thang đo cần được ghi lại cùng cách dịch, cách điều chỉnh và lý do điều chỉnh. Khi chạy Cronbach's Alpha, hãy xem cả Corrected Item-Total Correlation và nội dung biến, không chỉ nhìn vào Alpha nếu loại biến.
Quy trình dữ liệu nên có ba file: file thô không sửa, file làm sạch có nhật ký thay đổi và file phân tích. Mỗi biến cần có mã, nhãn, thang đo, giá trị hợp lệ và quy tắc xử lý missing. Cách tổ chức này giúp bạn truy ngược khi một phương sai bất ngờ chuyển sang âm.
Nếu đề tài dùng SmartPLS, hãy tách rõ đánh giá measurement model và structural model. Các tiêu chí như outer loading, CR, AVE, HTMT, VIF, R² và Q² thuộc nhóm đánh giá PLS-SEM. Các chỉ số CFI, TLI và RMSEA của CB-SEM không nên được đưa vào bài giải thích lỗi của SmartPLS. Với nội dung AMOS, bạn có thể tham khảo thêm bài lỗi CFI nhỏ hơn 0 9 trong AMOS, nhưng vẫn phải giữ đúng bản chất của từng chỉ số.
Lỗi thường gặp khi sửa
Lỗi đầu tiên là cố định phương sai âm về một giá trị nhỏ hoặc bỏ qua cảnh báo để lấy bảng kết quả đẹp. Cách này có thể che giấu vấn đề và khiến hội đồng hỏi vì sao tham số bị ràng buộc. Nếu có ràng buộc, bạn cần nêu rõ lý do phương pháp và ảnh hưởng của nó.
Lỗi thứ hai là xóa biến chỉ vì Modification Indices gợi ý. Chỉ số này phản ánh khả năng cải thiện fit trong mẫu hiện tại, không thay thế cho cơ sở lý thuyết. Xóa nhiều biến liên tục còn làm thang đo khác với nguồn ban đầu.
Lỗi thứ ba là đổi dữ liệu để phương sai dương. Bạn không được sửa câu trả lời của người tham gia chỉ vì kết quả không như mong muốn. Chỉ sửa khi có bằng chứng nhập sai, mã hóa sai hoặc dữ liệu không đáp ứng tiêu chí đã đặt trước.
Lỗi thứ tư là dùng một quy tắc của SmartPLS để giải thích output AMOS. Hãy ghi rõ bạn đang dùng CB-SEM hay PLS-SEM, phần mềm nào, phiên bản nào và tiêu chí nào áp dụng cho mô hình đó. Trang chủ đề SPSS có thể giúp bạn đối chiếu lại các quy trình phân tích dữ liệu trước khi chạy lại.
Lỗi thứ năm là chỉ lưu output cuối cùng. Khi giảng viên hỏi vì sao X3 bị loại hoặc vì sao thêm covariance giữa hai sai số, bạn cần có lịch sử các vòng chạy, lý do thay đổi và kết quả tương ứng. Một thư mục có file gốc, file làm sạch, file mô hình và output theo ngày sẽ dễ kiểm tra hơn nhiều.
Câu hỏi thường gặp
Phương sai âm Heywood có phải do SPSS bị lỗi không?
Thường không nên kết luận phần mềm bị lỗi. SPSS, AMOS hoặc công cụ ước lượng có thể hiển thị một nghiệm số, còn nguyên nhân nằm ở dữ liệu, thang đo, cỡ mẫu, nhận dạng hoặc cấu trúc mô hình. Bạn cần kiểm tra vị trí của giá trị âm và các cảnh báo đi kèm trước khi xử lý.
Có nên xóa ngay biến có error variance âm không?
Chưa nên. Hãy kiểm tra mã hóa, biến đảo chiều, giá trị thiếu, tương quan với các biến khác và nội dung item. Chỉ loại biến khi có căn cứ thống kê kết hợp với căn cứ lý thuyết, đồng thời ghi lại quyết định trong quy trình phân tích.
Phương sai âm biến mất sau khi thêm covariance giữa hai sai số thì có được chấp nhận không?
Có thể xem xét nếu hai biến có lý do nội dung khiến sai số liên quan, chẳng hạn cách diễn đạt hoặc bối cảnh đo lường tương tự. Tuy nhiên, việc thêm covariance chỉ vì Modification Indices cao là chưa đủ. Bạn cần nêu lý do trước khi chạy lại và báo cáo sự thay đổi mô hình.
Heywood case có làm hỏng toàn bộ luận văn không?
Không nhất thiết. Đây là tín hiệu cần chẩn đoán, không phải kết luận rằng toàn bộ dữ liệu vô dụng. Nếu bạn xác định được nguyên nhân, xử lý minh bạch và đánh giá lại mô hình, kết quả vẫn có thể sử dụng trong phạm vi phù hợp với thiết kế nghiên cứu.
Có cần thu thêm mẫu ngay khi thấy phương sai âm không?
Không. Trước hết hãy loại trừ lỗi nhập liệu, đảo chiều, missing value, straight-lining và mô hình bị chỉ định sai. Chỉ nên cân nhắc thu thêm khi vấn đề có liên quan đến cỡ mẫu hoặc độ ổn định của mô hình sau khi các kiểm tra cơ bản đã được thực hiện.
Bây giờ bạn hãy lưu một bản sao file gốc, đánh dấu chính xác dòng Variance hoặc Error variance đang âm, rồi kiểm tra mã hóa và ma trận tương quan trước khi chạy lại từng bước. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi từng vòng xử lý, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.