Phương trình hồi quy là gì? Cách đọc và viết trong SPSS
Phương trình hồi quy là gì
Bạn mở output SPSS và thấy bảng Coefficients, nhưng chưa biết lấy số nào để viết thành phương trình. Phương trình hồi quy là cách biểu diễn mối quan hệ ước tính giữa một biến phụ thuộc và một hoặc nhiều biến độc lập. Trong luận văn định lượng, phương trình giúp bạn trả lời câu hỏi: khi một yếu tố thay đổi, biến kết quả thay đổi theo hướng nào và mức độ ra sao, trong điều kiện các yếu tố còn lại được giữ trong mô hình.
Với hồi quy tuyến tính đơn, mô hình có một biến độc lập:
Y = β0 + β1X1 + ε
Với hồi quy tuyến tính đa biến, mô hình có nhiều biến độc lập:
Y = β0 + β1X1 + β2X2 + ... + βkXk + ε
Trong đó, Y là biến phụ thuộc, X1 đến Xk là các biến độc lập, β0 là hằng số, β1 đến βk là hệ số hồi quy và ε là phần sai số. Khi viết phương trình từ SPSS, bạn thường lấy cột Unstandardized B trong bảng Coefficients. Cột Standardized Beta dùng để so sánh mức tác động tương đối, không thay trực tiếp cho hệ số trong phương trình theo đơn vị đo gốc.
Ví dụ, nếu biến phụ thuộc là Ý định mua và ba biến độc lập là Chất lượng, Giá trị cảm nhận và Niềm tin, phương trình minh họa có thể có dạng:
Y = 0,842 + 0,315X1 + 0,228X2 + 0,401X3
Các con số trên chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Khi làm bài, bạn thay bằng số trong file .sav của mình.
Nếu đang tìm thêm tài liệu, bạn có thể xem chủ đề Thống kê. Phương trình hồi quy thường được chạy sau khi bạn xây dựng scale là gì, mã hóa biến và tính điểm đại diện cho từng thang đo.
Ý nghĩa của phương trình hồi quy trong nghiên cứu định lượng
Phương trình hồi quy nối mô hình nghiên cứu với kiểm định giả thuyết. Nếu hệ số của X1 dương và có Sig. nhỏ hơn mức ý nghĩa đã chọn, dữ liệu ủng hộ mối quan hệ cùng chiều giữa X1 và Y, trong điều kiện các biến khác cùng nằm trong mô hình.
Bạn có thể dùng phương trình để đọc bốn thông tin chính. Thứ nhất là hướng tác động, thể hiện qua dấu dương hoặc âm của hệ số. Thứ hai là độ lớn tác động theo thang đo gốc, thể hiện qua B. Thứ ba là mức độ so sánh tương đối giữa các biến, thường xem qua Standardized Beta. Thứ tư là ý nghĩa thống kê của từng hệ số, thể hiện qua t và Sig..
Ví dụ, B = 0,315 của X1 nghĩa là khi X1 tăng một đơn vị, Y được dự báo tăng trung bình 0,315 đơn vị nếu các biến độc lập còn lại không đổi. Cách diễn giải này cần giữ điều kiện “các biến còn lại không đổi”. Nếu bỏ điều kiện đó, câu viết dễ bị hiểu thành quan hệ nhân quả tuyệt đối.
Phương trình cũng giúp bạn trình bày kết quả kiểm định H1, H2, H3. Tuy nhiên, phương trình không tự chứng minh quan hệ nhân quả. Kết luận còn phải dựa vào thiết kế nghiên cứu, chất lượng thang đo, cỡ mẫu, kiểm tra giả định và lập luận lý thuyết. Nếu mô hình có biến trung gian, hãy phân biệt tác động trực tiếp với tác động gián tiếp. Khái niệm mediator cần được xử lý bằng quy trình phân tích phù hợp, không chỉ bằng cách nhìn vào một phương trình hồi quy đơn giản.
Phương trình hồi quy bao nhiêu là đạt
Không có một con số duy nhất để kết luận phương trình hồi quy đạt. Bạn cần xem đồng thời độ phù hợp của mô hình, ý nghĩa của từng hệ số, đa cộng tuyến và các giả định của hồi quy. Bảng dưới đây là các mốc thường dùng trong nghiên cứu định lượng, với nguồn đi kèm để bạn có thể giải trình trong luận văn.
| Nội dung cần kiểm tra | Mốc tham khảo | Cách dùng khi đọc output | Nguồn |
|---|---|---|---|
| Cỡ mẫu hồi quy | n ≥ 50 + 8m | m là số biến độc lập trong mô hình | (Tabachnick và Fidell, 2013) |
| Durbin-Watson | Từ 1 đến 3 | Kiểm tra tự tương quan phần dư | (Field, 2013) |
| VIF | Nhỏ hơn 5 | Đánh giá đa cộng tuyến giữa các biến độc lập | (Hair và cộng sự, 2019) |
| R² trong PLS-SEM | 0,25 yếu; 0,50 vừa; 0,75 đáng kể | Chỉ dùng các mốc này khi báo cáo PLS-SEM | (Hair và cộng sự, 2011) |
| f² | 0,02 nhỏ; 0,15 vừa; 0,35 lớn | Đánh giá kích thước tác động | (Cohen, 1988) |
| Sig. của hệ số | Nhỏ hơn 0,05 khi chọn α = 5% | Hệ số có ý nghĩa thống kê theo mức ý nghĩa đã chọn | (Field, 2013) |
Dòng Sig. cần được hiểu theo mức ý nghĩa bạn xác định trước. Nếu Sig. = 0,032, hệ số có ý nghĩa ở mức 5%. Nếu Sig. = 0,218, bạn chưa có đủ bằng chứng thống kê để kết luận hệ số khác 0 ở mức 5%. Đừng viết “giả thuyết sai hoàn toàn” chỉ vì một hệ số không có ý nghĩa, vì kết quả có thể phản ánh dữ liệu, cỡ mẫu, cách đo hoặc đặc điểm mẫu.
R² cho biết tỷ lệ biến thiên của Y được giải thích bởi các biến độc lập trong mô hình. R² càng cao không tự động có nghĩa mô hình tốt hơn, vì thêm biến có thể làm R² tăng. Bạn nên xem thêm Adjusted R Square, đặc biệt khi so sánh các mô hình có số lượng biến khác nhau.
Cách đọc phương trình hồi quy trên output
Sau khi chạy hồi quy trong SPSS, bảng quan trọng nhất để viết phương trình là Coefficients. Bạn cũng cần xem Model Summary, ANOVA và các bảng chẩn đoán. Bảng dưới đây là số liệu minh họa, được trình bày theo hình dạng output để bạn biết vị trí cần đọc.
Model Summary, số liệu minh họa
| Model | R | R Square | Adjusted R Square | Std. Error of the Estimate | Durbin-Watson |
|---|---|---|---|---|---|
| 1 | 0,748 | 0,559 | 0,548 | 0,512 | 1,842 |
ANOVA, số liệu minh họa
| Model | Sum of Squares | df | Mean Square | F | Sig. |
|---|---|---|---|---|---|
| Regression | 48,215 | 3 | 16,072 | 61,284 | 0,000 |
| Residual | 38,764 | 148 | 0,262 | ||
| Total | 86,979 | 151 |
Coefficients, số liệu minh họa
| Model | Unstandardized B | Std. Error | Standardized Beta | t | Sig. | VIF |
|---|---|---|---|---|---|---|
| (Constant) | 0,842 | 0,214 | 3,935 | 0,000 | ||
| Chất lượng | 0,315 | 0,071 | 0,302 | 4,437 | 0,000 | 1,684 |
| Giá trị cảm nhận | 0,228 | 0,068 | 0,221 | 3,353 | 0,001 | 1,529 |
| Niềm tin | 0,401 | 0,074 | 0,376 | 5,419 | 0,000 | 1,772 |
Từ cột Unstandardized B, phương trình minh họa là:
Y = 0,842 + 0,315X1 + 0,228X2 + 0,401X3
Trong đó, X1 là Chất lượng, X2 là Giá trị cảm nhận, X3 là Niềm tin và Y là Ý định mua. Hệ số của cả ba biến đều dương. Các giá trị Sig. đều nhỏ hơn 0,05 trong bảng minh họa, nên ba hệ số có ý nghĩa thống kê ở mức 5%. VIF đều nhỏ hơn 5, phù hợp với mốc tham khảo về đa cộng tuyến của (Hair và cộng sự, 2019).
Cột Standardized Beta dùng để so sánh mức độ tác động tương đối giữa các biến khi các biến được đưa về cùng thang đo chuẩn hóa. Trong ví dụ, Niềm tin có Beta = 0,376, cao hơn Chất lượng và Giá trị cảm nhận. Bạn có thể viết rằng Niềm tin có tác động tương đối mạnh nhất trong mô hình minh họa, nhưng không nên gọi đây là tác động tuyệt đối hoặc khẳng định nguyên nhân nếu thiết kế nghiên cứu không hỗ trợ cách nói đó.
Khi phương trình hồi quy không đạt thì xử lý thế nào
Trước hết, xác định chính xác phần nào không đạt. Nếu ANOVA có Sig. lớn hơn mức ý nghĩa, mô hình tổng thể chưa có ý nghĩa thống kê theo tiêu chí đã chọn. Nếu chỉ một biến có Sig. lớn, vấn đề nằm ở hệ số riêng của biến đó, không có nghĩa toàn bộ mô hình thất bại. Nếu VIF cao, bạn đang gặp vấn đề đa cộng tuyến. Nếu phần dư vi phạm giả định, cần kiểm tra chẩn đoán trước khi diễn giải hệ số.
Thứ tự xử lý nên bắt đầu từ dữ liệu. Kiểm tra biến có nhập sai mã, giá trị thiếu, đảo chiều chưa đúng hoặc tính điểm thang đo sai hay không. Bạn cũng nên xem các quan sát bất thường, vì outliers có thể ảnh hưởng mạnh đến hệ số. Việc loại một quan sát chỉ vì nó làm kết quả đẹp hơn là khó giải trình. Nếu loại, bạn cần có tiêu chí rõ ràng và ghi lại số lượng, lý do, kết quả trước và sau khi xử lý.
Tiếp theo, kiểm tra tương quan giữa các biến độc lập và xem VIF, Tolerance, biểu đồ phần dư. Không nên xóa biến ngay chỉ vì Sig. lớn. Biến đó có thể là thành phần quan trọng về mặt lý thuyết, hoặc bị ảnh hưởng bởi tương quan cao với biến khác. Bạn cần trao đổi hướng xử lý với người hướng dẫn, sau đó chạy lại mô hình theo một lý do có thể viết được trong phương pháp nghiên cứu.
Nếu hệ số có dấu ngược với giả thuyết, hãy kiểm tra mã hóa và cách diễn đạt biến đảo chiều trước. Khi dữ liệu không có lỗi, dấu ngược là một kết quả cần báo cáo, không phải con số cần sửa. Bạn có thể thảo luận rằng kết quả chưa ủng hộ giả thuyết, đồng thời tránh suy diễn vượt quá dữ liệu.
Phân biệt phương trình hồi quy với các chỉ số dễ nhầm
Phương trình hồi quy và mô hình hồi quy có liên quan nhưng không hoàn toàn giống nhau. Mô hình là cấu trúc quan hệ giữa các biến và giả thuyết. Phương trình là dạng biểu diễn định lượng của quan hệ đó sau khi ước lượng hệ số từ dữ liệu.
R Square cũng không phải là một hệ số trong phương trình. R² mô tả mức độ giải thích của toàn bộ mô hình, còn B mô tả mức thay đổi dự báo của Y khi một biến độc lập tăng một đơn vị. Tương tự, Standardized Beta không thay thế cho Unstandardized B nếu bạn đang viết phương trình theo thang đo gốc.
Sig. không phải kích thước tác động. Một mẫu lớn có thể tạo ra p-value nhỏ cho một tác động rất nhỏ, trong khi một tác động thực tế có thể không đạt ý nghĩa thống kê do cỡ mẫu hạn chế. Khi báo cáo, nên đặt cạnh nhau hệ số, p-value, khoảng tin cậy nếu có và R² của mô hình.
Hồi quy tuyến tính cũng khác với phân tích moderator. Với moderator, mô hình thường có thêm biến tương tác để kiểm tra việc một biến làm thay đổi độ mạnh hoặc hướng của quan hệ X và Y. Nếu đề tài có giả thuyết điều tiết, bạn không nên chỉ đọc phương trình hồi quy cơ bản rồi kết luận moderator có tác động.
Lỗi thường gặp
Lỗi đầu tiên là lấy nhầm cột. Nhiều bạn lấy Beta để viết phương trình có hằng số và điểm trung bình gốc. Hãy dùng Unstandardized B cho phương trình theo đơn vị gốc, sau đó dùng Standardized Beta khi so sánh tương đối giữa các biến.
Lỗi thứ hai là viết phương trình nhưng không ghi rõ tên biến. Ký hiệu X1, X2 chỉ hữu ích khi bảng ngay trước đó có chú giải. Trong chương 4, hãy ghi cả phương trình và phần giải thích X1, X2, Y là gì.
Lỗi thứ ba là kết luận theo dấu mà bỏ qua Sig. Hệ số dương nhưng không có ý nghĩa thống kê chưa đủ để nói giả thuyết được chấp nhận. Bạn cần nêu rõ tiêu chí quyết định và kết quả p-value.
Lỗi thứ tư là coi R² là phần trăm tác động của từng biến. R² thuộc về toàn bộ mô hình. Muốn so sánh mức độ tác động tương đối, hãy xem Beta, nhưng vẫn phải diễn giải trong bối cảnh thang đo và mô hình nghiên cứu.
Lỗi cuối là chạy hồi quy nhiều lần rồi chỉ giữ bảng đẹp nhất. Bạn nên lưu từng phiên bản dữ liệu, danh sách biến, tiêu chí loại biến và output tương ứng. Hội đồng có thể hỏi vì sao một biến bị loại, vì sao mô hình cuối cùng khác mô hình đề xuất trong chương 2 hoặc chương 3.
Câu hỏi thường gặp
Phương trình hồi quy là gì trong SPSS?
Đó là công thức dùng các hệ số ước lượng từ output SPSS để mô tả quan hệ giữa biến phụ thuộc và các biến độc lập. Với hồi quy đa biến, phương trình thường gồm hằng số và hệ số của từng biến độc lập.
Viết phương trình hồi quy lấy cột nào?
Bạn lấy cột Unstandardized B trong bảng Coefficients. Hệ số ở dòng (Constant) là hằng số, còn mỗi dòng biến độc lập cung cấp một hệ số tương ứng. Cột Standardized Beta dùng để so sánh mức tác động tương đối, không phải lựa chọn mặc định để viết phương trình theo đơn vị gốc.
Phương trình hồi quy bao nhiêu là đạt?
Không có một ngưỡng duy nhất cho cả phương trình. Bạn cần xem ANOVA của mô hình, Sig. của từng hệ số, R² hoặc Adjusted R², VIF, Durbin-Watson và các chẩn đoán phần dư. Các mốc phải được giải thích theo thiết kế nghiên cứu và nguồn phương pháp phù hợp.
Sig. của phương trình hồi quy lớn hơn 0,05 thì làm sao?
Nếu Sig. trong bảng ANOVA lớn hơn 0,05, mô hình tổng thể chưa có ý nghĩa thống kê ở mức 5%. Bạn nên kiểm tra lại dữ liệu, cách tính biến, cỡ mẫu và giả định, sau đó báo cáo trung thực nếu kết quả vẫn không đạt. Không nên tự ý xóa biến hoặc đổi mức ý nghĩa chỉ để mô hình có p-value nhỏ.
Có cần kiểm tra VIF khi viết phương trình hồi quy không?
Có. VIF giúp phát hiện đa cộng tuyến giữa các biến độc lập. Mốc VIF nhỏ hơn 5 thường được dùng trong báo cáo PLS-SEM và các thảo luận phương pháp liên quan, được dẫn theo (Hair và cộng sự, 2019). Với hồi quy SPSS, bạn vẫn nên trình bày cách kiểm tra và lý do chọn tiêu chí.
Cách viết phương trình hồi quy vào luận văn như thế nào?
Bạn có thể điều chỉnh đoạn sau: “Kết quả phân tích hồi quy cho thấy mô hình gồm [số biến độc lập] biến có [ý nghĩa/không có ý nghĩa] thống kê, với [R² hoặc Adjusted R²] bằng [giá trị]. Phương trình hồi quy theo hệ số chưa chuẩn hóa được viết như sau: [Y = β0 + β1X1 + ...]. Trong đó, [X] có tác động [cùng chiều/ngược chiều] đến [Y] với hệ số B = [giá trị] và Sig. = [giá trị].” Hãy thay toàn bộ phần trong ngoặc vuông bằng số liệu và tên biến trong output của bạn.
Mở file SPSS của bạn, đối chiếu lần lượt Model Summary, ANOVA và Coefficients, rồi ghi lại phương trình bằng Unstandardized B trước khi diễn giải giả thuyết. Nếu bạn cần chạy hồi quy trên chính file .sav hoặc .csv và chuyển output thành phần kết quả, M4 phân tích của DoThesis là module dành cho bước này.