R Square trong SPSS là gì và đọc như thế nào?

Q: Nên dùng R Square hay Adjusted R Square để báo cáo?

Bạn nên báo cáo cả hai khi bảng Model Summary có sẵn. R Square dễ diễn giải về tỷ lệ biến thiên được giải thích, còn Adjusted R Square hữu ích hơn khi xem xét số lượng biến độc lập và so sánh các mô hình có cấu trúc khác nhau. Trong câu viết, hãy nêu rõ chỉ số nào đang được dùng, tránh viết chung chung rằng “R của mô hình đạt 40%”.

SmartPLS·8 tháng 9, 2026·14 phút đọc

R Square trong SPSS là gì

Bạn mở kết quả hồi quy trong SPSS và thấy bảng Model Summary có các cột R, R Square, Adjusted R Square và Std. Error of the Estimate. R Square là hệ số xác định, cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập đang có trong mô hình hồi quy.

Ví dụ, R Square bằng 0,42 nghĩa là các biến độc lập trong mô hình giải thích được 42% sự thay đổi của biến phụ thuộc trong bộ dữ liệu đang phân tích. Phần còn lại 58% đến từ các yếu tố khác, sai số đo lường và biến thiên ngẫu nhiên. R Square không nói rằng mô hình chắc chắn gây ra 42% kết quả, cũng không chứng minh quan hệ nhân quả.

Về mặt công thức, R Square có thể được biểu diễn như sau:

R² = 1 - (Tổng bình phương phần dư / Tổng bình phương tổng thể)

Trong đó, phần dư là khoảng cách giữa giá trị thực tế và giá trị dự đoán của mô hình. Khi mô hình dự đoán gần dữ liệu thực tế hơn, phần dư nhỏ hơn và R Square thường cao hơn. Bạn có thể xem thêm bối cảnh rộng hơn về SEM là gì nếu mô hình của bạn có biến tiềm ẩn và nhiều phương trình cấu trúc.

Ý nghĩa của R Square trong nghiên cứu định lượng

R Square giúp bạn trả lời câu hỏi: mô hình hồi quy giải thích được bao nhiêu phần biến thiên của biến phụ thuộc. Đây là chỉ số đánh giá mức độ phù hợp mang tính giải thích của mô hình, được đọc cùng với kiểm định F trong bảng ANOVA, các hệ số hồi quy trong bảng Coefficients và kiểm tra giả định hồi quy.

Nếu đề tài nghiên cứu sự hài lòng của khách hàng, các biến độc lập có thể là chất lượng dịch vụ, giá cả và sự thuận tiện. R Square cho biết ba nhóm yếu tố này giải thích được bao nhiêu phần biến thiên của sự hài lòng trong mẫu khảo sát. Nó không cho biết yếu tố nào tác động mạnh nhất. Muốn trả lời câu hỏi đó, bạn xem Standardized Coefficients Beta, t và Sig. trong bảng Coefficients.

R Square cũng không phải là p-value. Một mô hình có R Square cao nhưng kiểm định một biến riêng lẻ không có ý nghĩa thống kê vẫn có thể xảy ra. Ngược lại, R Square khá thấp nhưng một số biến vẫn có hệ số hồi quy có ý nghĩa, đặc biệt trong các lĩnh vực hành vi, xã hội và kinh doanh, nơi biến phụ thuộc chịu ảnh hưởng của nhiều yếu tố.

Nếu bạn đang phân tích mô hình có biến tiềm ẩn bằng PLS-SEM, thuật ngữ R Square vẫn được dùng nhưng bối cảnh khác. Khi đó, R² được tính cho từng biến nội sinh trong mô hình cấu trúc và thường đọc cùng path coefficient, VIF, f² và Q². PLS-SEM và hồi quy tuyến tính trong SPSS có cùng ý tưởng về tỷ lệ giải thích, nhưng không nên trộn tiêu chí đánh giá của hai phương pháp.

R Square trong SPSS bao nhiêu là đạt

Không có một mức R Square duy nhất áp dụng cho mọi đề tài. Giá trị phù hợp phụ thuộc vào lĩnh vực, mục tiêu dự báo, số biến độc lập, chất lượng thang đo và thiết kế nghiên cứu. Bạn nên dùng R Square để mô tả sức giải thích của mô hình, thay vì đặt ra một ngưỡng cứng rồi kết luận mô hình đúng hoặc sai.

Bảng dưới đây cho bạn cách diễn giải thường dùng. Các mức phân loại trong bảng là tài liệu tham khảo, không phải điều kiện bắt buộc để luận văn được chấp nhận.

R Square	Cách diễn giải tham khảo	Nguồn
0,75 trở lên	Mức giải thích đáng kể trong PLS-SEM	(Hair và cộng sự, 2011)
0,50	Mức giải thích trung bình trong PLS-SEM	(Hair và cộng sự, 2011)
0,25	Mức giải thích yếu trong PLS-SEM	(Hair và cộng sự, 2011)
0,67 trở lên	Mức đáng kể theo cách phân loại khác trong PLS-SEM	(Chin, 1998)
0,33	Mức trung bình theo cách phân loại khác trong PLS-SEM	(Chin, 1998)
0,19	Mức yếu theo cách phân loại khác trong PLS-SEM	(Chin, 1998)

Các ngưỡng trong bảng được xây dựng cho PLS-SEM, vì vậy bạn không nên viết rằng SPSS bắt buộc R Square phải từ 0,50 trở lên. Với hồi quy tuyến tính trong SPSS, hãy đặt giá trị trong bối cảnh đề tài và xem thêm kiểm định F, hệ số hồi quy, giả định tuyến tính, phân phối phần dư và hiện tượng đa cộng tuyến.

Bạn cũng cần phân biệt R Square với Adjusted R Square. R Square có xu hướng tăng khi thêm biến độc lập, kể cả khi biến mới đóng góp rất ít. Adjusted R Square điều chỉnh theo số lượng biến độc lập và cỡ mẫu, nên thường phù hợp hơn khi bạn so sánh các mô hình có số biến khác nhau. Nếu thêm một biến không hữu ích, Adjusted R Square có thể giảm.

Cách đọc R Square trên output SPSS

Để chạy hồi quy tuyến tính, bạn chọn Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, đưa các biến độc lập vào ô Independent(s), chọn phương pháp Enter nếu mô hình được xây dựng từ giả thuyết lý thuyết. Trong nhiều luận văn, việc chọn Stepwise chỉ vì muốn tìm R Square cao hơn có thể khiến mô hình khó giải thích và khó bảo vệ.

Trong hộp thoại, bạn có thể bấm Statistics và chọn Estimates, Model fit, Confidence intervals, Descriptives và Collinearity diagnostics. Nếu muốn kiểm tra phần dư, bấm Plots, đưa *ZPRED vào trục X và *ZRESID vào trục Y. Sau khi chạy, SPSS tạo các bảng Variables Entered/Removed, Model Summary, ANOVA, Coefficients và một số bảng chẩn đoán nếu bạn đã chọn.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS hiển thị trong bảng Model Summary.

Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	0,648	0,420	0,401	0,583

Với ví dụ này, R Square bằng 0,420. Bạn có thể diễn giải rằng các biến độc lập trong mô hình giải thích khoảng 42,0% biến thiên của biến phụ thuộc trong mẫu nghiên cứu. Adjusted R Square bằng 0,401, thấp hơn R Square vì chỉ số này đã điều chỉnh theo số biến độc lập và cỡ mẫu.

Sau đó, bạn chuyển sang bảng ANOVA để xem cột Sig. của kiểm định F. Nếu kiểm định F có ý nghĩa thống kê theo mức ý nghĩa bạn đã chọn, mô hình tổng thể có bằng chứng phù hợp với dữ liệu. Bạn vẫn cần xem bảng Coefficients để kết luận từng giả thuyết, vì R Square không cho biết từng biến độc lập có tác động có ý nghĩa hay không.

Cách viết kết quả vào luận văn

Bạn có thể điều chỉnh câu sau theo số liệu thật của mình: “Kết quả tại bảng [tên bảng] cho thấy mô hình có R Square bằng [R²] và Adjusted R Square bằng [Adjusted R²]. Như vậy, các biến độc lập trong mô hình giải thích [R² × 100]% biến thiên của [tên biến phụ thuộc] trong mẫu nghiên cứu. Kết quả kiểm định F tại bảng ANOVA cho thấy mô hình [có hoặc không có] ý nghĩa thống kê với Sig. = [giá trị].”

Đừng ghi “mô hình giải thích 42% nguyên nhân của sự hài lòng” nếu bảng chỉ cho thấy R Square bằng 0,42. Cách viết an toàn hơn là “giải thích 42% biến thiên” vì R Square không tự chứng minh quan hệ nhân quả.

Khi R Square trong SPSS không đạt thì xử lý thế nào

Trước tiên, kiểm tra bạn có đọc đúng cột hay không. Nhiều bạn nhìn R bằng 0,648 rồi ghi thành R Square bằng 64,8%. Trong ví dụ trên, R Square là 0,420, tương đương 42,0%, còn R là hệ số tương quan bội.

Tiếp theo, kiểm tra dữ liệu và mô hình theo thứ tự sau:

Xem biến phụ thuộc có nhập đúng hay không. Nếu biến được mã hóa ngược nhưng chưa reverse code, tương quan giữa các biến có thể bị giảm.
Kiểm tra biến độc lập có được đưa vào đúng mô hình theo giả thuyết hay không. Không nên thêm hàng loạt biến chỉ để tăng R Square.
Xem bảng Coefficients để kiểm tra VIF, dấu của hệ số hồi quy và Sig.. Theo hướng dẫn thường dùng trong báo cáo PLS-SEM, VIF dưới 5 là mức cần theo dõi, nhưng trong hồi quy SPSS bạn vẫn phải đọc cùng bối cảnh và chẩn đoán đa cộng tuyến (Hair và cộng sự, 2019).
Kiểm tra outlier và phần dư. Một vài quan sát bất thường có thể kéo R Square lên hoặc xuống, nhưng bạn chỉ loại quan sát khi có lý do dữ liệu rõ ràng và ghi lại quyết định.
Xem lại mô hình lý thuyết. R Square thấp có thể phản ánh rằng biến phụ thuộc còn chịu ảnh hưởng bởi các yếu tố chưa đưa vào mô hình.

Việc thêm biến mới chỉ vì R Square thấp là cách xử lý yếu khi bảo vệ. Bạn cần có cơ sở từ mô hình nghiên cứu và tài liệu, đồng thời tránh biến có nội dung trùng lặp. Nếu thang đo chưa ổn định, hãy quay lại kiểm tra Cronbach's Alpha, EFA hoặc cách mã hóa trước khi diễn giải mô hình hồi quy.

Cũng có trường hợp R Square thấp nhưng mô hình vẫn có giá trị. Các hiện tượng hành vi thường khó được giải thích hoàn toàn bởi một bảng hỏi tại một thời điểm. Hãy trình bày giới hạn của mô hình, thay vì chỉnh dữ liệu để tạo ra con số cao hơn. Nếu mục tiêu chính của đề tài là dự báo, bạn nên báo cáo thêm chỉ số đánh giá dự báo phù hợp với phương pháp đang dùng.

Phân biệt R Square với Adjusted R Square và R Square trong SmartPLS

R trong bảng Model Summary là hệ số tương quan bội giữa giá trị quan sát của biến phụ thuộc và giá trị dự đoán từ các biến độc lập. R Square là bình phương của R và thể hiện tỷ lệ biến thiên được giải thích. Adjusted R Square là phiên bản đã điều chỉnh theo số biến và cỡ mẫu.

Trong SPSS, bạn thường gặp R Square trong hồi quy tuyến tính. Trong SmartPLS, R² xuất hiện trong kết quả của biến nội sinh trong mô hình cấu trúc. SmartPLS còn có thể báo cáo f², Q², path coefficients, outer loadings, CR, AVE và HTMT. Mỗi chỉ số trả lời một câu hỏi khác nhau.

Bạn cũng không nên lấy tiêu chí CFI, TLI, RMSEA của CB-SEM để đánh giá mô hình SmartPLS. Các chỉ số đó thuộc nhóm đánh giá độ phù hợp của CB-SEM theo (Hu và Bentler, 1999). Nếu đề tài dùng AMOS, bạn có thể xem CB-SEM là gì để phân biệt cách tiếp cận này với PLS-SEM.

Nếu mô hình của bạn có nhiều biến tiềm ẩn, hãy kiểm tra cả mô hình đo lường và mô hình cấu trúc. Mô hình SEM không được đánh giá chỉ bằng một con số R Square. Một R² cao không sửa được outer loading thấp, AVE không đạt hoặc HTMT vượt ngưỡng.

Lỗi thường gặp

Lỗi đầu tiên là viết R Square thành phần trăm nhưng quên đổi đơn vị. R Square bằng 0,36 tương đương 36%, không phải 0,36%. Khi trình bày, bạn nên ghi cả hai cách ở lần đầu, chẳng hạn “R Square = 0,360, tương đương 36,0%”.

Lỗi thứ hai là dùng R Square để kết luận giả thuyết H1, H2 hoặc H3. Giả thuyết về tác động của từng biến cần dựa vào hệ số hồi quy, dấu tác động, p-value hoặc khoảng tin cậy. R Square chỉ mô tả khả năng giải thích của toàn bộ mô hình.

Lỗi thứ ba là chỉ báo cáo R Square mà bỏ qua Adjusted R Square. Nếu mô hình có nhiều biến độc lập, hãy báo cáo cả hai và giải thích ngắn gọn sự khác biệt. Lỗi thứ tư là so sánh R Square của hai nghiên cứu khác nhau như thể chúng được tạo ra trong cùng điều kiện, dù khác mẫu, thang đo và biến phụ thuộc.

Lỗi cuối là áp dụng máy móc ngưỡng của PLS-SEM cho hồi quy SPSS. Các mức 0,75, 0,50 và 0,25 thường được trích cho R² trong PLS-SEM (Hair và cộng sự, 2011). Khi dùng SPSS, bạn cần nêu phương pháp hồi quy và bối cảnh nghiên cứu trước khi nhận xét con số.

Câu hỏi thường gặp

R Square trong SPSS bao nhiêu là tốt?

Không có một mức duy nhất được xem là tốt cho mọi đề tài hồi quy SPSS. Bạn cần đọc R Square cùng với mục tiêu nghiên cứu, kiểm định F, hệ số hồi quy, giả định mô hình và chất lượng dữ liệu.

Các mức 0,75, 0,50 và 0,25 thường được dùng để tham khảo trong PLS-SEM theo (Hair và cộng sự, 2011), nhưng không nên biến chúng thành điều kiện bắt buộc cho hồi quy tuyến tính trong SPSS.

R Square bằng 0,5 có nghĩa là gì?

R Square bằng 0,5 nghĩa là mô hình giải thích được 50% biến thiên của biến phụ thuộc trong mẫu đang phân tích. 50% còn lại không tự động là “sai số”, vì có thể bao gồm các yếu tố chưa đưa vào mô hình, sai số đo lường và biến thiên ngẫu nhiên.

Bạn vẫn phải xem bảng ANOVA và Coefficients trước khi kết luận mô hình hay từng giả thuyết có ý nghĩa thống kê.

R Square thấp thì có phải mô hình bị lỗi không?

R Square thấp không tự động chứng minh mô hình bị lỗi. Mô hình có thể vẫn phù hợp với mục tiêu nghiên cứu nếu các giả định được kiểm tra, cách đo lường hợp lý và các giả thuyết được đánh giá bằng chỉ số phù hợp.

Bạn nên kiểm tra mã hóa biến, outlier, phần dư, đa cộng tuyến và việc chọn biến theo cơ sở lý thuyết trước khi quyết định điều chỉnh mô hình.

Nên dùng R Square hay Adjusted R Square để báo cáo?

Bạn nên báo cáo cả hai khi bảng Model Summary có sẵn. R Square dễ diễn giải về tỷ lệ biến thiên được giải thích, còn Adjusted R Square hữu ích hơn khi xem xét số lượng biến độc lập và so sánh các mô hình có cấu trúc khác nhau.

Trong câu viết, hãy nêu rõ chỉ số nào đang được dùng, tránh viết chung chung rằng “R của mô hình đạt 40%”.

R Square trong SPSS có giống R Square trong SmartPLS không?

Hai chỉ số cùng phản ánh tỷ lệ biến thiên của biến phụ thuộc hoặc biến nội sinh được mô hình giải thích, nhưng chúng xuất hiện trong hai phương pháp khác nhau. SPSS thường dùng R Square trong hồi quy tuyến tính, còn SmartPLS dùng R² trong mô hình cấu trúc PLS-SEM.

Bạn cần giữ đúng bộ tiêu chí của phương pháp đã chọn. Đừng đưa CFI, TLI hoặc RMSEA vào phần đánh giá SmartPLS, và cũng đừng dùng một ngưỡng PLS-SEM như luật bắt buộc cho mọi mô hình SPSS.

Bây giờ bạn mở bảng Model Summary trong file của mình, ghi riêng R, R Square và Adjusted R Square, sau đó đối chiếu với bảng ANOVA và Coefficients trước khi viết đoạn kết quả. Nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể xem module M4 phân tích dữ liệu.