Cách chạy và viết phương trình hồi quy tuyến tính trong SPSS

Khi nào dùng hồi quy tuyến tính

Bạn dùng hồi quy tuyến tính khi muốn kiểm tra một hoặc nhiều biến độc lập có liên quan đến một biến phụ thuộc dạng định lượng như điểm trung bình, mức độ hài lòng, ý định mua hoặc hiệu quả công việc. Câu hỏi nghiên cứu thường có dạng: mức độ ảnh hưởng của X1, X2, X3 đến Y là bao nhiêu, yếu tố nào có ảnh hưởng mạnh hơn, và mô hình giải thích được bao nhiêu biến thiên của Y.

Nếu chỉ có một biến độc lập, bạn chạy hồi quy tuyến tính đơn. Nếu có từ hai biến độc lập trở lên, bạn chạy hồi quy tuyến tính đa biến. Ví dụ, đề tài kiểm tra tác động của chất lượng dịch vụ, giá cả và sự thuận tiện đến sự hài lòng có thể viết mô hình như sau:

Y = β0 + β1X1 + β2X2 + β3X3 + ε

Trong đó, Y là biến phụ thuộc, X1, X2, X3 là các biến độc lập, β0 là hằng số, β1, β2, β3 là hệ số hồi quy và ε là sai số. Bạn có thể xem thêm phần nền tảng tại bài mô hình hồi quy tuyến tính, nhưng khi chạy với dữ liệu luận văn, việc chuẩn bị biến và kiểm tra giả định mới quyết định phương trình có thể sử dụng được hay không.

Hồi quy tuyến tính phù hợp với giả thuyết dạng “X có ảnh hưởng đến Y”. Nếu biến phụ thuộc là kết quả nhị phân, chẳng hạn có mua hoặc không mua, bạn cần xem hồi quy logistic thay vì cố ép dữ liệu vào hồi quy tuyến tính.

Chuẩn bị dữ liệu trước khi chạy

Trước khi mở hộp thoại Regression, hãy kiểm tra file .sav của bạn. Mỗi dòng nên là một người trả lời và mỗi cột là một biến đã được mã hóa. Các biến dùng trong hồi quy thường là điểm đại diện cho từng khái niệm, chẳng hạn HL cho sự hài lòng, CLDV cho chất lượng dịch vụ và GC cho giá cả. Nếu bạn đưa toàn bộ biến quan sát riêng lẻ vào mô hình mà chưa có lý do phương pháp, phương trình sẽ khó giải thích và dễ bị trùng lặp thông tin.

Kiểm tra kiểu biến và giá trị thiếu

Trong Variable View, biến đưa vào hồi quy nên có Measure là Scale hoặc được tính từ các biến quan sát Likert theo cách bạn đã quy định trong phương pháp nghiên cứu. Kiểm tra các mã như 99, 999 hoặc giá trị trống. Nếu 99 thực chất có nghĩa là “không trả lời” nhưng đang được SPSS đọc như một con số, hệ số hồi quy sẽ bị ảnh hưởng.

Bạn có thể vào Analyze > Descriptive Statistics > Frequencies để xem tần suất, giá trị nhỏ nhất và lớn nhất. Một thang đo Likert 5 điểm thường không nên xuất hiện giá trị 0 hoặc 99 nếu bảng hỏi không thiết kế các mã đó. Ghi lại số lượng quan sát hợp lệ trước khi chạy, vì số dòng trong bảng Model Summary có thể nhỏ hơn số mẫu ban đầu do missing value.

Kiểm tra biến đảo chiều và cách tính điểm

Nếu bảng hỏi có biến quan sát đảo chiều, bạn phải đảo mã trước khi tính điểm trung bình. Với thang đo 1 đến 5, công thức thường là điểm mới = 6 - điểm cũ. Vào Transform > Compute Variable, tạo biến mới thay vì ghi đè ngay biến gốc. Sau đó kiểm tra lại thống kê mô tả và Cronbach's Alpha.

Điểm đại diện cho một khái niệm có thể được tính bằng trung bình các biến quan sát còn lại sau bước kiểm định thang đo. Chẳng hạn, HL = MEAN(HL1, HL2, HL3, HL4). Tên biến trong Data View cần ngắn, không có khoảng trắng và thống nhất với mô hình nghiên cứu. Nếu bạn chưa xử lý thang đo, hãy xem nhóm chủ đề SPSS để đặt hồi quy sau Cronbach's Alpha và EFA trong đúng quy trình.

Xác định dạng mô hình

Với hồi quy tuyến tính đa biến, bạn cần xác định biến phụ thuộc và danh sách biến độc lập trước khi mở SPSS. Ví dụ:

• Biến phụ thuộc: HL, sự hài lòng.
• Biến độc lập: CLDV, GC, TT, lần lượt là chất lượng dịch vụ, giá cả và sự thuận tiện.
• Phương pháp nhập biến: Enter, nếu mô hình được xây dựng từ giả thuyết lý thuyết.

Stepwise có thể tạo ra mô hình theo thuật toán, nhưng bạn cần thận trọng khi dùng trong luận văn vì kết quả phụ thuộc mạnh vào mẫu cụ thể. Nếu các giả thuyết đã được xác định từ mô hình nghiên cứu, Enter thường dễ giải trình hơn. Khi cần ôn lại cách tính và diễn giải, bạn có thể tham khảo bài tập hồi quy tuyến tính có lời giải.

Các bước chạy hồi quy tuyến tính trong SPSS

Bước 1: Mở hộp thoại Linear Regression

Vào Analyze > Regression > Linear. Trong hộp thoại, đưa biến phụ thuộc vào ô Dependent và các biến độc lập vào ô Independent(s). Với ví dụ trên, đặt HL vào Dependent, còn CLDV, GC và TT vào Independent(s).

Ở mục Method, chọn Enter nếu bạn muốn đưa toàn bộ biến độc lập vào cùng một mô hình. Không chọn Linear trong menu khác hoặc tự tính phương trình bằng điểm trung bình trước khi xác định đúng vai trò của từng biến.

Bước 2: Chọn thống kê cần xuất

Nhấn Statistics. Chọn Estimates, Model fit, Confidence intervals, Descriptives và Collinearity diagnostics. Nếu muốn kiểm tra Durbin-Watson, chọn Durbin-Watson. Nhấn Continue để quay lại hộp thoại chính.

Mục Collinearity diagnostics giúp SPSS xuất Tolerance và VIF trong bảng Coefficients. Đây là phần cần có khi hồi quy đa biến, vì hai biến độc lập có thể đo gần như cùng một nội dung. VIF dưới 5 là ngưỡng thường được sử dụng trong báo cáo PLS-SEM và hồi quy, theo (Hair và cộng sự, 2019). Khi trình bày hồi quy SPSS, bạn vẫn cần xem bản chất dữ liệu và cách giải thích của giảng viên, không chỉ chép một con số.

Bước 3: Lưu giá trị dự đoán và phần dư

Nhấn Save. Trong phần Predicted, chọn Unstandardized nếu cần lưu giá trị dự đoán gốc. Trong phần Residuals, có thể chọn Standardized để kiểm tra phần dư chuẩn hóa. SPSS sẽ thêm các biến mới vào Data View, thường có tên như PRE_1 hoặc ZRE_1.

Bạn không cần đưa các biến SPSS tự tạo này trở lại làm biến độc lập. Chúng phục vụ kiểm tra phần dư, điểm bất thường và biểu đồ. Nếu chạy lại nhiều mô hình, hãy ghi chú lần chạy để không nhầm biến dự đoán của mô hình cũ với mô hình cuối cùng.

Bước 4: Kiểm tra biểu đồ phần dư

Nhấn Plots. Đưa *ZPRED vào trục X và *ZRESID vào trục Y, sau đó chọn Normal probability plot nếu cần xem phân phối phần dư. Nhấn Continue, rồi OK để chạy.

Ở biểu đồ phân tán, phần dư nên phân bố tương đối ngẫu nhiên quanh trục 0, không tạo hình phễu hoặc đường cong rõ rệt. Biểu đồ P-P Plot cho bạn thêm thông tin về mức độ gần phân phối chuẩn của phần dư. Đừng xóa biến chỉ vì một điểm nằm hơi xa trung tâm. Cần xem cả lý do dữ liệu, kích thước mẫu và ảnh hưởng của điểm đó đến mô hình.

Đọc kết quả output

SPSS thường xuất các bảng Variables Entered/Removed, Model Summary, ANOVA, Coefficients và các biểu đồ chẩn đoán. Bạn nên đọc theo thứ tự từ mức độ phù hợp chung của mô hình đến từng giả thuyết.

Đọc bảng Model Summary

R Square cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Adjusted R Square đã điều chỉnh theo số biến và cỡ mẫu, thường được dùng khi so sánh mô hình đa biến. Std. Error of the Estimate phản ánh sai số ước lượng của mô hình. Durbin-Watson thường được xem trong khoảng từ 1 đến 3 khi kiểm tra tự tương quan phần dư theo (Field, 2013).

Đọc bảng ANOVA

Bảng ANOVA cho biết mô hình tổng thể có ý nghĩa thống kê hay không. Bạn nhìn cột Sig. ở hàng Regression. Nếu p-value nhỏ hơn 0.05 theo mức ý nghĩa bạn đã chọn, mô hình có ý nghĩa thống kê và nhóm biến độc lập có khả năng giải thích biến phụ thuộc. Kết quả này chưa cho biết từng biến riêng lẻ có ý nghĩa. Muốn kết luận H1, H2 hoặc H3, bạn phải đọc bảng Coefficients.

Đọc bảng Coefficients và viết phương trình

Trong bảng Coefficients, cột Unstandardized Coefficients B dùng để lập phương trình hồi quy ở dạng chưa chuẩn hóa. Cột Standardized Coefficients Beta dùng để so sánh mức độ ảnh hưởng tương đối giữa các biến độc lập. Cột t và Sig. dùng để kiểm định ý nghĩa của từng hệ số.

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 thường in trong output.

Nếu dùng cột B, phương trình minh họa là:

HL = 0.842 + 0.386CLDV + 0.218GC + 0.147TT

Diễn giải hệ số CLDV: khi CLDV tăng 1 đơn vị và các biến khác giữ nguyên, HL dự kiến tăng 0.386 đơn vị. Đây là cách diễn giải theo thang đo chưa chuẩn hóa. Nếu muốn nói CLDV có ảnh hưởng mạnh hơn GC và TT, bạn so sánh Beta chuẩn hóa, lần lượt là 0.401, 0.236 và 0.139. Chỉ nên kết luận một biến có ảnh hưởng khi cột Sig. đáp ứng mức ý nghĩa đã đặt.

Tiêu chí đánh giá

Bạn không nên gom mọi con số trong output thành một kết luận duy nhất. Mỗi bảng trả lời một câu hỏi khác nhau. Bảng dưới đây là danh sách kiểm tra thường dùng, kèm nguồn cho từng ngưỡng.

Với mô hình có ba biến độc lập, công thức cỡ mẫu tham khảo là n ≥ 50 + 8 × 3, tương đương 74 quan sát. Đây là quy tắc tham khảo, không thay thế thiết kế mẫu của đề tài. Nếu VIF cao, đừng vội xóa biến chỉ để làm đẹp output. Hãy xem các biến có trùng nội dung, cách tính điểm có sai hay mô hình lý thuyết có vấn đề không. Bạn có thể đọc thêm đa cộng tuyến là gì trước khi quyết định xử lý.

Cách viết kết quả vào luận văn

Một đoạn viết tốt cần có bốn phần: mức độ phù hợp của mô hình, ý nghĩa của kiểm định ANOVA, phương trình hồi quy và kết quả từng giả thuyết. Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu trong file của mình.

Cách viết vào luận văn: “Kết quả hồi quy tuyến tính cho thấy mô hình có R² hiệu chỉnh bằng [giá trị], nghĩa là các biến độc lập giải thích [giá trị]% biến thiên của [tên biến phụ thuộc]. Kiểm định ANOVA cho kết quả F = [giá trị], Sig. = [giá trị], cho thấy mô hình [có/không có] ý nghĩa thống kê. Phương trình hồi quy chưa chuẩn hóa được viết như sau: [Y] = [hằng số] + [B1][X1] + [B2][X2] + [B3][X3].”

Bạn có thể viết tiếp: “Trong các biến độc lập, [X1] có hệ số Beta chuẩn hóa bằng [giá trị] và Sig. = [giá trị], do đó [giả thuyết H1 được chấp nhận/không được chấp nhận]. Hệ số VIF của các biến nằm trong khoảng từ [giá trị] đến [giá trị], cho thấy [chưa ghi nhận/ghi nhận] vấn đề đa cộng tuyến theo tiêu chí được sử dụng.”

Không viết “X1 tác động 40.1%” chỉ vì Beta bằng 0.401. Beta là hệ số chuẩn hóa để so sánh tương đối, còn tỷ lệ phần trăm biến thiên được giải thích nằm ở R Square hoặc Adjusted R Square. Cũng cần ghi rõ phương trình bạn sử dụng là phương trình chưa chuẩn hóa nếu lấy cột B.

Lỗi thường gặp khi chạy hồi quy tuyến tính

Đưa biến phụ thuộc vào cả hai ô. Khi đó mô hình bị thiết lập sai. Kiểm tra lại sơ đồ nghiên cứu và bảo đảm biến Y chỉ nằm trong Dependent.

Dùng Beta để lập phương trình. Nếu bạn cần phương trình dự báo theo đơn vị gốc, hãy dùng Unstandardized Coefficients B. Beta dùng để so sánh mức độ ảnh hưởng tương đối giữa các biến.

Chỉ nhìn R Square rồi kết luận mô hình tốt. R Square cần được đọc cùng ANOVA, hệ số từng biến, VIF và phần dư. Một R Square cao không tự động chứng minh mọi giả thuyết đều được chấp nhận.

Xóa biến vì Sig. lớn hơn 0.05 mà không ghi lại lý do. Nếu biến không có ý nghĩa, bạn cần đối chiếu giả thuyết, tương quan, thang đo và mô hình lý thuyết. Nếu chạy mô hình rút gọn, hãy trình bày tiêu chí và các bước đã thực hiện.

Bỏ qua biến đảo chiều hoặc mã missing. Đây là lỗi dữ liệu, không phải lỗi của hộp thoại Regression. Kiểm tra lại Data View, Frequencies và công thức Compute Variable trước khi chạy lại.

Nhầm hồi quy tuyến tính với hồi quy logistic. Biến phụ thuộc nhị phân cần quy trình khác. Cũng không nên dùng hồi quy tuyến tính để thay thế mô hình trung gian hoặc điều tiết nếu câu hỏi nghiên cứu yêu cầu kiểm định hiệu ứng gián tiếp.

Câu hỏi thường gặp

Phương trình hồi quy tuyến tính trong SPSS lấy cột nào?

Bạn lấy hệ số ở cột Unstandardized Coefficients B trong bảng Coefficients. Hệ số của dòng (Constant) là hằng số, còn hệ số ở các dòng biến độc lập được đặt trước tên biến tương ứng trong phương trình.

Viết phương trình hồi quy tuyến tính đa biến như thế nào?

Với ba biến độc lập, dạng tổng quát là Y = β0 + β1X1 + β2X2 + β3X3. Bạn thay β0, β1, β2 và β3 bằng các giá trị B trong output SPSS, giữ nguyên dấu âm nếu hệ số âm. Không thay bằng cột Beta nếu mục tiêu là lập phương trình chưa chuẩn hóa.

Sig. trong bảng Coefficients bao nhiêu là đạt?

Bạn cần xác định mức ý nghĩa trước khi đọc kết quả. Với mức 5%, Sig. nhỏ hơn 0.05 thường được dùng để kết luận hệ số có ý nghĩa thống kê. Nếu Sig. lớn hơn hoặc bằng 0.05, chưa có đủ bằng chứng thống kê để chấp nhận giả thuyết về ảnh hưởng của biến đó trong mẫu.

R Square thấp có phải chạy lại hồi quy không?

R Square thấp không tự nó chứng minh bạn chạy sai. Mức chấp nhận còn phụ thuộc lĩnh vực, biến phụ thuộc, mô hình lý thuyết và mục tiêu dự báo hay giải thích. Hãy kiểm tra ANOVA, hệ số từng biến, phần dư và thang đo trước khi cân nhắc mô hình khác.

VIF cao thì xử lý thế nào?

Kiểm tra các biến có nội dung trùng nhau, điểm đại diện có tính đúng không và có biến nào bị nhập nhầm vào mô hình không. Nếu loại biến, bạn cần có căn cứ phương pháp và ghi lại mô hình trước, mô hình sau. Không xóa tùy ý chỉ để VIF giảm.

Có cần chạy lại hồi quy sau khi loại biến không?

Có, nếu bạn thực sự thay đổi danh sách biến độc lập. Hãy chạy lại toàn bộ mô hình, kiểm tra Model Summary, ANOVA, Coefficients, VIF và phần dư. Trong luận văn, chỉ sử dụng output của mô hình cuối cùng và mô tả ngắn gọn lý do loại biến.

Mở file SPSS của bạn, lập một bảng ghi tên biến Y, các biến X, cột B, Beta, Sig., VIF, R Square và Sig. của ANOVA, sau đó đối chiếu từng tiêu chí trước khi viết chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.