Robustness là gì? Cách đọc và xử lý trong nghiên cứu định lượng

Robustness là gì

Bạn chạy hồi quy, nhìn thấy hệ số có ý nghĩa thống kê, nhưng lại phát hiện phần dư có phương sai không đồng nhất, dữ liệu có outlier hoặc phân phối phần dư không đẹp. Khi đó, câu hỏi cần trả lời là: kết luận của mô hình có còn giữ được nếu dùng cách ước lượng ít nhạy cảm hơn với các vấn đề này hay không. Đó là ý nghĩa thực tế của robustness, thường được hiểu là độ bền vững của kết quả phân tích.

Robustness không phải là một cột riêng luôn xuất hiện trong mọi bảng output của SPSS. Đây là một cách kiểm tra độ ổn định của kết luận. Bạn có thể chạy mô hình chính bằng hồi quy OLS, sau đó so sánh với một đặc tả khác, cách tính sai số chuẩn khác, cách xử lý outlier khác hoặc một mẫu phân tích khác. Nếu dấu của hệ số, độ lớn tương đối và kết luận về giả thuyết vẫn tương tự, kết quả có bằng chứng robustness tốt hơn.

Trong cụm từ robust standard errors, từ robust thường chỉ sai số chuẩn được điều chỉnh để kết quả kiểm định ít bị ảnh hưởng bởi heteroskedasticity, tức phương sai sai số thay đổi. Hệ số hồi quy có thể giữ nguyên, trong khi standard errors, t-statistic và p-value được tính lại. Vì vậy, bạn cần phân biệt hai việc: robustness của toàn bộ kết luận và robust standard errors, vốn chỉ là một công cụ trong quy trình đó.

Về mặt khái quát, mô hình hồi quy có dạng:

Y = β0 + β1X1 + β2X2 + ε

Trong đó, robustness không tạo ra một biến mới trong phương trình. Nó kiểm tra xem ước lượng β, sai số chuẩn và kết luận về β có thay đổi đáng kể khi một giả định hoặc lựa chọn phân tích được thay đổi hay không.

Nếu bạn đang lần theo một dòng số liệu bất thường trong file, hãy xem thêm bài outliers. Outlier có thể là lỗi nhập dữ liệu, một trường hợp hợp lệ nhưng đặc biệt, hoặc điểm ảnh hưởng mạnh đến kết quả. Mỗi trường hợp cần cách xử lý khác nhau.

Ý nghĩa của robustness trong nghiên cứu định lượng

Robustness trả lời một câu hỏi mà hội đồng thường đặt theo cách rất trực tiếp: “Nếu thay đổi cách xử lý dữ liệu, kết quả của em còn như vậy không”. Một mô hình chỉ có p-value nhỏ ở một cấu hình duy nhất chưa đủ để chứng minh kết luận bền vững. Bạn cần biết kết quả có phụ thuộc quá mức vào một vài quan sát, một giả định khó bảo vệ hoặc một lựa chọn kỹ thuật hay không.

Trong hồi quy, robustness thường liên quan đến bốn nhóm vấn đề. Nhóm đầu tiên là phương sai sai số thay đổi. Khi mức độ phân tán của phần dư tăng hoặc giảm theo giá trị dự đoán, OLS vẫn có thể cho hệ số không chệch trong một số điều kiện, nhưng standard errors thông thường có thể không còn đáng tin. Khi đó, p-value và khoảng tin cậy cần được xem xét cẩn thận.

Nhóm thứ hai là outlier và điểm có ảnh hưởng. Một quan sát có thể kéo đường hồi quy theo hướng làm hệ số trở nên có ý nghĩa hoặc mất ý nghĩa. Nhóm thứ ba là đặc tả mô hình, chẳng hạn thêm biến kiểm soát có cơ sở lý thuyết, biến đổi biến hoặc kiểm tra dạng phi tuyến. Nhóm thứ tư là độ ổn định theo mẫu, ví dụ chạy lại sau khi loại một nhóm quan sát có lý do rõ ràng.

Robustness không có nghĩa là bạn chạy thật nhiều mô hình cho đến khi tìm được p-value dưới 0.05. Cách làm đó làm tăng rủi ro chọn kết quả có lợi. Mỗi kiểm tra phải xuất phát từ một vấn đề thống kê hoặc một lập luận nghiên cứu cụ thể, được ghi lại trước khi bạn quyết định giữ hay bỏ một kết quả.

Trong mô hình có biến tương tác, robustness còn giúp bạn xem tác động điều tiết có phụ thuộc vào một cách chuẩn hóa hoặc một nhóm quan sát nào không. Bạn có thể đối chiếu khái niệm với bài moderating và moderator trước khi diễn giải interaction effect. Nếu đề tài có tác động gián tiếp, đừng gọi kiểm tra đó là robustness một cách tùy ý. Hãy phân biệt với mediator, vì mediation và robustness trả lời hai câu hỏi khác nhau.

Robustness bao nhiêu là đạt

Robustness không có một ngưỡng chung như Cronbach's Alpha từ 0.7 hay AVE từ 0.5. Bạn không thể kết luận “robustness đạt” chỉ vì một con số vượt qua một mức cố định. Cách đánh giá hợp lý là xác định tiêu chí của từng kiểm tra, sau đó so sánh kết quả chính với kết quả kiểm tra độ bền.

Bảng dưới đây tóm tắt một số mốc thường được dùng khi chẩn đoán các vấn đề có thể làm kết luận kém bền vững. Các mốc này không phải là điểm pass trực tiếp cho robustness. Chúng giúp bạn biết khi nào cần xem xét một phân tích bổ sung.

Với robust standard errors, câu hỏi chính không phải là standard error phải nhỏ hơn bao nhiêu. Bạn so sánh standard error thông thường với standard error robust, rồi kiểm tra hệ số, khoảng tin cậy và p-value. Nếu một giả thuyết chỉ có ý nghĩa với sai số chuẩn thông thường nhưng mất ý nghĩa với sai số chuẩn robust, bạn không nên trình bày kết luận ban đầu như thể nó hoàn toàn ổn định.

Một kết quả được xem là có bằng chứng robustness tốt hơn khi các mô hình hợp lý cho kết luận tương tự về hướng tác động và giả thuyết. “Tương tự” không bắt buộc mọi chữ số giống nhau. Hệ số và p-value có thể thay đổi. Điều cần giải thích là thay đổi đó có làm đảo chiều hệ số, thay đổi bậc độ lớn hoặc làm thay đổi quyết định chấp nhận hay bác bỏ giả thuyết hay không.

Cách đọc robustness trên output

SPSS không cung cấp một bảng tên là “Robustness” cho mọi loại hồi quy tuyến tính. Bạn thường phải đọc nhiều bảng, sau đó đặt chúng cạnh nhau. Với mô hình OLS, các bảng quen thuộc gồm Model Summary, ANOVA, Coefficients, Collinearity Diagnostics và các biểu đồ kiểm tra phần dư.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử bạn kiểm tra tác động của CHATLUONG lên YDINH, đồng thời kiểm soát GIA, THUNHAP và KINHNGHIEM.

Trong dòng CHATLUONG, hệ số B vẫn dương ở cả hai cách tính. p-value tăng từ 0.002 lên 0.009 nhưng vẫn dưới 0.05. Bạn có thể nói tác động dương vẫn giữ được ý nghĩa thống kê trong kiểm tra minh họa này, đồng thời ghi rõ standard error robust làm mức ý nghĩa yếu hơn.

Dòng GIA cho thấy một tình huống cần thận trọng. Với standard error thông thường, p-value là 0.026. Sau điều chỉnh robust, p-value là 0.056. Nếu ngưỡng quyết định của đề tài là 0.05, kết luận về ý nghĩa thống kê đã thay đổi. Bạn không nên viết rằng GIA có tác động có ý nghĩa mà không nói đến kiểm tra độ bền này.

Khi đọc output thật, bạn cần xem tên cột chính xác theo phần mềm hoặc gói lệnh đang sử dụng. Nếu bảng chỉ có Coefficients, Std. Error, t và Sig., đó thường là kết quả standard errors thông thường. Bảng đó không tự động chứng minh đã dùng robust standard errors. Trong trường hợp phải dùng lệnh mở rộng, hãy lưu syntax hoặc thông tin lệnh để có thể giải trình.

Nếu dùng SmartPLS, logic robustness vẫn là so sánh các đặc tả hoặc cách xử lý hợp lý, nhưng bộ chỉ số khác với CB-SEM. Bạn có thể xem Path Coefficients, Bootstrapping, Outer Loadings, VIF, R², f² và Q². Không đưa CFI, TLI hoặc RMSEA vào một bài giải thích robustness của SmartPLS, vì các chỉ số đó thuộc CB-SEM và ngưỡng của chúng được nêu cho CB-SEM trong (Hu và Bentler, 1999).

Khi robustness không đạt thì xử lý thế nào

Trước tiên, xác định chính xác phần nào không bền. Hệ số có đổi dấu không, p-value có vượt ngưỡng không, R² có giảm mạnh không, hay chỉ có standard error thay đổi. Đừng gộp tất cả hiện tượng thành câu “mô hình không robust”, vì mỗi nguyên nhân dẫn đến một cách xử lý khác nhau.

Kiểm tra lại dữ liệu và mã hóa

Mở Variable View và Data View trong SPSS. Kiểm tra missing value, biến đảo chiều, giá trị ngoài thang đo và kiểu dữ liệu. Một biến Likert bị nhập 55 thay vì 5 có thể tạo ra điểm bất thường và làm sai cả hệ số lẫn chẩn đoán phần dư.

Nếu bạn loại quan sát, cần ghi rõ tiêu chí và số lượng trước, sau khi loại. Chỉ loại một dòng vì nó làm p-value đẹp hơn là cách giải trình khó bảo vệ. Với outlier hợp lệ, có thể báo cáo phân tích độ nhạy với và không có quan sát đó thay vì xóa im lặng.

Chạy lại với standard errors phù hợp

Nếu vấn đề chính là heteroskedasticity, hãy dùng phương án điều chỉnh robust nếu công cụ và quy trình của bạn hỗ trợ. Bạn cần lưu cả kết quả gốc và kết quả robust. Trong luận văn, nêu lý do lựa chọn, cách thực hiện và sự thay đổi của kết luận.

Nếu SPSS bản bạn đang dùng không có đúng thủ tục robust standard errors cho mô hình cần chạy, đừng tự đổi tên một bảng OLS thành bảng robust. Có thể dùng R, Stata hoặc một công cụ phù hợp nếu bạn hiểu syntax và có thể tái lập kết quả. JASP có giao diện dễ tiếp cận ở một số phân tích, nhưng bạn vẫn phải kiểm tra tính năng cụ thể, tên ước lượng và khả năng xuất kết quả.

Kiểm tra đặc tả mô hình có cơ sở lý thuyết

Xem lại biến kiểm soát, dạng đo lường và mối quan hệ giả thuyết. Không thêm hoặc bớt biến chỉ vì muốn hệ số đạt ý nghĩa. Nếu thêm biến tương tác hoặc biến bình phương, bạn cần có lý do từ mô hình nghiên cứu và trình bày rõ đây là kiểm tra bổ sung hay mô hình chính.

Khi robustness không đạt, kết luận phù hợp có thể là “kết quả nhạy cảm với cách ước lượng” hoặc “bằng chứng cho giả thuyết chưa ổn định”. Đây là kết luận khoa học có giá trị hơn việc che giấu một p-value không thuận lợi.

Phân biệt robustness với outlier và robust standard errors

Outlier là một quan sát khác biệt đáng kể so với phần còn lại. Nó là đặc điểm của dữ liệu hoặc của một trường hợp cụ thể. Robustness là tính ổn định của kết luận khi bạn thay đổi một lựa chọn phân tích hợp lý. Outlier có thể là nguyên nhân khiến kết quả kém robust, nhưng hai khái niệm không đồng nghĩa.

Robust standard errors là một kỹ thuật điều chỉnh cách ước lượng độ bất định của hệ số. Nó thường tác động đến standard error, t-statistic, p-value và khoảng tin cậy. Nó không tự động sửa lỗi nhập dữ liệu, không làm biến phân phối chuẩn hơn và không chứng minh mô hình đã đúng đặc tả.

Sensitivity analysis gần với robustness hơn. Bạn chạy các phiên bản hợp lý của mô hình để xem kết quả thay đổi thế nào. Chẳng hạn, mô hình chính dùng toàn bộ mẫu, mô hình bổ sung dùng mẫu sau khi loại quan sát có ảnh hưởng mạnh, hoặc mô hình so sánh dùng cách tính sai số chuẩn khác.

Reliability của thang đo lại là câu chuyện khác. Cronbach's Alpha đánh giá độ nhất quán nội tại của các biến quan sát, thường được bàn cùng Corrected Item-Total Correlation. Nếu bạn cần phân biệt các khái niệm đo lường, xem bài scale là gì. Một thang đo đáng tin cậy không tự động làm mô hình hồi quy robust.

Lỗi thường gặp

Lỗi đầu tiên là tìm một ngưỡng robustness duy nhất. Không có con số chung để bạn điền vào bảng kết quả. Hãy ghi rõ bạn kiểm tra vấn đề nào, dùng phương pháp nào và kết luận thay đổi ra sao.

Lỗi thứ hai là gọi mọi kết quả chạy lại là robust. Nếu bạn thay đổi nhiều biến, đổi mẫu, đổi cách đo và đổi phần mềm cùng lúc, bạn không còn biết yếu tố nào tạo ra khác biệt. Mỗi lần kiểm tra nên thay đổi một điểm chính, giữ các điều kiện còn lại ổn định.

Lỗi thứ ba là chỉ báo cáo mô hình cho kết quả đẹp. Nếu standard error robust làm một giả thuyết mất ý nghĩa, kết quả đó cần được nêu. Hội đồng thường đánh giá cao việc bạn nhận diện giới hạn hơn là một bảng p-value đẹp nhưng không thể tái lập.

Lỗi thứ tư là nhầm robustness với việc dữ liệu phải có phân phối chuẩn tuyệt đối. Hãy xem loại mô hình, kích thước mẫu, phần dư, ảnh hưởng của quan sát và phương pháp ước lượng. Không dùng một biểu đồ duy nhất để tuyên bố toàn bộ mô hình đạt hoặc không đạt.

Lỗi thứ năm là không lưu syntax, bộ lọc mẫu và phiên bản file. Khi chạy lại, bạn có thể vô tình dùng một mẫu khác hoặc một biến đã bị ghi đè. Hãy tạo bản sao .sav, đặt tên rõ cho từng vòng phân tích và lưu bảng so sánh trong một file riêng.

Câu hỏi thường gặp

Robustness là gì trong hồi quy

Robustness là độ bền vững của kết luận khi bạn kiểm tra bằng một cách xử lý hoặc đặc tả hợp lý khác. Bạn tập trung vào dấu, độ lớn tương đối, khoảng tin cậy và ý nghĩa thống kê của hệ số, chứ không tìm một điểm cắt chung tên là robustness.

Robust standard errors dùng khi nào

Robust standard errors thường được cân nhắc khi phương sai sai số không đồng nhất hoặc khi standard errors thông thường có thể không phản ánh đúng mức độ bất định của ước lượng. Bạn cần giữ kết quả gốc, chạy phiên bản robust bằng công cụ phù hợp và so sánh hai bộ kết quả.

Robustness có phải là kiểm định một lần trong SPSS không

Thông thường không. SPSS có các bảng và biểu đồ để kiểm tra giả định, nhưng robustness là quy trình đối chiếu nhiều kết quả. Bạn có thể bắt đầu từ Coefficients, biểu đồ phần dư, kiểm tra VIF và ảnh hưởng của quan sát, sau đó chạy phân tích bổ sung phù hợp với vấn đề phát hiện được.

Nếu p-value đổi từ dưới 0.05 sang trên 0.05 thì kết luận thế nào

Bạn cần báo cáo rằng kết luận nhạy cảm với cách tính sai số hoặc đặc tả mô hình. Không nên tiếp tục khẳng định giả thuyết được ủng hộ mà bỏ qua kết quả kiểm tra. Có thể nói bằng chứng cho tác động chưa ổn định và nêu rõ mô hình nào là mô hình chính theo thiết kế nghiên cứu.

Có cần chạy robustness cho mọi luận văn không

Không phải đề tài nào cũng cần cùng một bộ kiểm tra. Bạn nên ưu tiên kiểm tra gắn với loại mô hình, dữ liệu và vấn đề thực sự xuất hiện. Nếu dùng hồi quy OLS, hãy xem phương sai sai số, đa cộng tuyến, phần dư và quan sát có ảnh hưởng. Nếu dùng PLS-SEM, hãy theo dõi các chỉ số phù hợp với PLS-SEM và cách bootstrapping đã chọn.

Robustness có làm dữ liệu tốt hơn không

Robustness không sửa dữ liệu và không biến một mô hình yếu thành mô hình tốt. Nó cho bạn biết kết luận có phụ thuộc quá mức vào một giả định, một nhóm quan sát hoặc một lựa chọn kỹ thuật hay không. Sau khi phát hiện vấn đề, bạn vẫn phải quay lại kiểm tra dữ liệu, lý thuyết và quy trình phân tích.

Mở file dữ liệu của bạn ngay bây giờ, ghi lại mô hình chính, kiểm tra phần dư và tạo một bảng so sánh trước khi chạy phiên bản bổ sung. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv và lưu lại các vòng kiểm tra, M4 phân tích của DoThesis hỗ trợ bước này.