Skewness trong SPSS là gì và đọc kết quả thế nào

Skewness trong SPSS là gì

Bạn mở output SPSS và thấy bảng Descriptive Statistics có hai cột Skewness và Std. Error of Skewness. Skewness là chỉ số mô tả mức độ lệch của phân phối dữ liệu so với hình dạng đối xứng. Nói đơn giản, chỉ số này cho biết phần đuôi của dữ liệu kéo dài về phía nào và mức lệch mạnh hay nhẹ.

Skewness thường được tính từ các giá trị quan sát của một biến, chẳng hạn điểm trung bình, tuổi, thu nhập hoặc điểm của từng biến quan sát trong bảng hỏi. Khi Skewness bằng 0 hoặc gần 0, dữ liệu có xu hướng đối xứng quanh giá trị trung tâm. Skewness dương cho thấy đuôi phân phối kéo về phía các giá trị lớn, còn Skewness âm cho thấy đuôi phân phối kéo về phía các giá trị nhỏ.

Bạn có thể xem thêm độ lệch chuẩn, phương sai và trung vị để phân biệt các chỉ số mô tả thường xuất hiện cạnh Skewness. Skewness không đo mức độ phân tán giống độ lệch chuẩn hay phương sai. Nó tập trung vào hình dạng của phân phối.

Ý nghĩa của Skewness trong nghiên cứu định lượng

Trong luận văn định lượng, Skewness thường được dùng khi bạn kiểm tra dữ liệu mô tả hoặc xem xét giả định phân phối của một biến. Chỉ số này giúp bạn nhận ra dữ liệu có bị kéo lệch đáng kể về một phía hay không. Ví dụ, phần lớn người trả lời có thu nhập thấp nhưng một số ít có thu nhập rất cao. Khi đó, phân phối thu nhập thường lệch phải và Skewness có thể mang giá trị dương.

Bạn cần đặt Skewness vào đúng bối cảnh phân tích. Với hồi quy tuyến tính, trọng tâm của giả định phân phối thường nằm ở phần dư của mô hình, không chỉ ở việc từng biến độc lập có Skewness bằng 0 hay không. Với EFA, Cronbach's Alpha hoặc các thống kê mô tả thang đo Likert, một mức lệch nhẹ thường chưa đủ để kết luận dữ liệu không dùng được.

Skewness cũng giúp bạn phát hiện một số tình huống cần kiểm tra thêm. Nếu một biến có phần lớn câu trả lời tập trung ở mức 4 và 5, dữ liệu có thể lệch trái vì người trả lời đánh giá cao. Nếu phần lớn câu trả lời nằm ở mức 1 và 2 nhưng chỉ một nhóm nhỏ chọn mức cao, dữ liệu có thể lệch phải.

Tuy vậy, không nên nhìn riêng một con số rồi tự động xóa biến hoặc biến đổi dữ liệu. Bạn nên xem đồng thời Histogram, Q-Q plot, giá trị trung bình, trung vị, độ lệch chuẩn và các quan sát bất thường. Một biến có Skewness tương đối lớn nhưng cỡ mẫu đủ và biểu đồ không cho thấy vấn đề nghiêm trọng vẫn cần được đánh giá theo mục tiêu nghiên cứu cụ thể. Bạn có thể xem thêm các bài thuộc chủ đề Thống kê để đặt chỉ số này cạnh các thống kê mô tả khác.

Skewness trong SPSS bao nhiêu là đạt

Skewness không có một ngưỡng duy nhất áp dụng cho mọi đề tài, mọi cỡ mẫu và mọi loại biến. Một số tài liệu thực hành dùng khoảng gần 0 để mô tả phân phối tương đối đối xứng, trong khi một số hướng dẫn dùng trị tuyệt đối của Skewness để sàng lọc mức lệch. Bạn cần ghi rõ quy tắc đã chọn trong phương pháp nghiên cứu, thay vì lấy một con số từ output rồi gọi là chuẩn tuyệt đối.

Bảng dưới đây là cách đọc thực hành khi rà soát dữ liệu. Các mức diễn giải là quy tắc sàng lọc, không phải bằng chứng duy nhất để chấp nhận hoặc loại một biến. Phần kiểm tra giả định hồi quy nên được trình bày cùng chẩn đoán phần dư và các biểu đồ phù hợp, theo hướng dẫn thực hành SPSS của (Field, 2013).

Cột Std. Error of Skewness cho biết sai số chuẩn của ước lượng Skewness. Một cách kiểm tra thường gặp là tính tỷ số giữa Skewness và Std. Error of Skewness, sau đó xem tỷ số này có lớn bất thường hay không. Cách làm này cần được giải thích thận trọng vì kết quả phụ thuộc vào cỡ mẫu. Khi cỡ mẫu lớn, một lệch rất nhỏ cũng có thể bị kiểm định phát hiện là có ý nghĩa thống kê.

Vì vậy, câu hỏi “Skewness bao nhiêu là đạt” nên được trả lời theo ba lớp. Trước hết, bạn xem hướng lệch và trị tuyệt đối. Tiếp theo, bạn xem biểu đồ và các giá trị bất thường. Cuối cùng, bạn xem phân tích sắp chạy yêu cầu gì, chẳng hạn hồi quy, EFA hay chỉ thống kê mô tả.

Cách đọc Skewness trên output

Trong SPSS, bạn có thể tạo bảng Skewness bằng cách chọn Analyze > Descriptive Statistics > Descriptives. Đưa biến cần kiểm tra vào ô Variables, nhấn Options, chọn Mean, Std. deviation, Minimum, Maximum, Skewness và Kurtosis, sau đó nhấn Continue và OK.

SPSS sẽ tạo bảng Descriptive Statistics. Tên cột thường gồm N, Minimum, Maximum, Mean, Std. Deviation, Skewness và Kurtosis. Tùy lựa chọn trong hộp thoại và phiên bản SPSS, bảng có thể hiển thị thêm sai số chuẩn của Skewness trong một số thủ tục khác.

Số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các con số được dựng để bạn nhận ra cách đọc output.

Dòng SAT1 có Skewness bằng -0.48. Dấu âm cho thấy phân phối hơi lệch về phía các giá trị thấp, trong khi mức độ lệch chưa nên được kết luận chỉ bằng dấu âm. Dòng SAT2 gần 0 hơn, nên dữ liệu có xu hướng đối xứng hơn SAT1.

Dòng THU_NHAP có Skewness bằng 2.31, cho thấy phân phối thu nhập lệch phải rõ hơn hai biến Likert. Điều này có thể xảy ra vì một số ít người có thu nhập cao hơn nhiều so với phần còn lại. Bạn cần kiểm tra Histogram, bảng tần số và outlier trước khi quyết định xử lý.

Đừng nhầm Skewness với Std. Error of Skewness. Số đầu tiên là mức lệch ước lượng từ dữ liệu. Số thứ hai là sai số chuẩn của ước lượng đó. Bạn cũng không nên đọc Kurtosis thay cho Skewness. Kurtosis mô tả độ nhọn hoặc độ bẹt của phân phối, còn Skewness mô tả hướng và mức độ lệch.

Nếu đang kiểm tra từng biến quan sát của thang đo, bạn nên ghi lại kết quả theo mã biến. Nếu đang kiểm tra biến tổng hợp, hãy nói rõ biến được tính bằng trung bình hoặc tổng của những biến quan sát nào. Việc này giúp giảng viên truy ngược từ bảng kết quả về file dữ liệu của bạn.

Khi Skewness không đạt thì xử lý thế nào

Ở lần chạy đầu, EFA thường chưa cho ma trận gọn. Với Skewness cũng vậy, một biến lệch không đồng nghĩa bạn phải xóa ngay. Hãy xử lý theo thứ tự từ kiểm tra dữ liệu đến cân nhắc phương pháp phân tích.

Kiểm tra mã hóa và giá trị thiếu

Mở Analyze > Descriptive Statistics > Frequencies để xem bảng tần số của biến. Kiểm tra xem các giá trị ngoài thang đo có xuất hiện không, chẳng hạn biến Likert 1 đến 5 nhưng có mã 0 hoặc 99. Nếu mã thiếu đang được tính như một giá trị thật, Skewness sẽ bị ảnh hưởng.

Kiểm tra cả biến đảo chiều. Một biến cần reverse code nhưng chưa đảo mã có thể làm sai điểm thang đo và khiến bạn diễn giải phân phối không đúng. Với dữ liệu bảng hỏi, đây là việc nên làm trước khi nghĩ đến logarit hay loại biến.

Kiểm tra outlier

Dùng boxplot hoặc bảng tần số để xem các giá trị quá khác biệt. Bạn có thể đọc hướng dẫn về outlier để phân biệt một giá trị nhập sai với một quan sát cực đoan nhưng vẫn hợp lệ.

Không xóa outlier chỉ vì nó làm Skewness đẹp hơn. Trước khi loại, bạn cần biết đó là lỗi nhập liệu, câu trả lời không hợp lệ hay một trường hợp thật trong tổng thể. Nếu giữ lại, hãy ghi nhận lý do. Nếu loại, hãy lưu phiên bản dữ liệu trước và sau khi xử lý để có thể giải trình.

Xem xét biến đổi dữ liệu

Với biến liên tục lệch phải mạnh, một số nghiên cứu cân nhắc biến đổi log hoặc căn bậc hai. Cách này làm thay đổi thang đo và cách diễn giải, nên không nên thực hiện máy móc với các biến Likert 1 đến 5. Nếu bạn biến đổi dữ liệu, cần tạo biến mới, lưu công thức và nêu rõ trong chương phương pháp.

Chọn cách phân tích phù hợp

Nếu mục tiêu chỉ là mô tả, bạn có thể báo cáo trung vị và khoảng tứ phân vị bên cạnh trung bình và độ lệch chuẩn khi dữ liệu lệch rõ. Nếu mục tiêu là hồi quy, hãy kiểm tra phần dư sau khi chạy mô hình. Nếu bạn đang dùng SmartPLS, không nên đưa các tiêu chí fit của CB-SEM như CFI, TLI hoặc RMSEA vào phần đánh giá PLS-SEM.

Trong mọi trường hợp, đừng chỉnh dữ liệu chỉ để đạt ngưỡng. Hội đồng có thể hỏi vì sao biến bị xóa, vì sao chọn phép biến đổi và kết quả có thay đổi sau xử lý hay không. Một quy trình có lý do và có nhật ký xử lý thuyết phục hơn một bảng Skewness hoàn toàn đẹp nhưng không giải thích được nguồn gốc.

Phân biệt Skewness với độ lệch chuẩn

Skewness và độ lệch chuẩn đều xuất hiện trong bảng Descriptive Statistics, nhưng chúng trả lời hai câu hỏi khác nhau. Skewness nói về hình dạng và hướng lệch của phân phối. Độ lệch chuẩn nói về mức độ các quan sát phân tán quanh giá trị trung bình.

Ví dụ, hai biến có thể có độ lệch chuẩn gần nhau nhưng một biến lệch phải và biến kia lệch trái. Ngược lại, hai biến có Skewness gần 0 nhưng một biến tập trung rất sát trung bình, còn biến kia trải rộng hơn. Vì vậy, không thể dùng độ lệch chuẩn để thay thế Skewness.

Phương sai là bình phương của độ lệch chuẩn, nên cũng đo độ phân tán chứ không đo hướng lệch. Bạn có thể xem công thức tính phương sai khi cần trình bày phần thống kê mô tả. Trung vị lại là giá trị nằm giữa khi sắp xếp dữ liệu, thường hữu ích khi phân phối lệch hoặc có giá trị cực đoan.

Bạn cũng cần phân biệt Skewness với kiểm định normality. Skewness là chỉ số mô tả. Shapiro-Wilk hoặc Kolmogorov-Smirnov là các kiểm định giả thuyết về phân phối, còn Histogram và Q-Q plot là công cụ trực quan. Một kết luận chắc chắn nên dựa trên nhiều dấu hiệu và mục tiêu phân tích, không dựa vào một chỉ số đơn lẻ.

Lỗi thường gặp

Thấy Skewness âm rồi kết luận dữ liệu sai

Dấu âm chỉ cho biết hướng lệch, không tự nó nói dữ liệu sai. Bạn cần xem mức độ lệch, thang đo, biểu đồ và nguyên nhân tạo ra phân phối đó.

Dùng một ngưỡng cứng cho mọi nghiên cứu

Cỡ mẫu, loại biến và phương pháp phân tích ảnh hưởng đến cách đánh giá. Hãy ghi nguồn hoặc quy tắc bạn sử dụng, đồng thời giải thích vì sao quy tắc đó phù hợp với đề tài.

Xóa biến để làm Skewness đẹp hơn

Xóa biến chỉ vì nó có Skewness lớn có thể làm mất nội dung của khái niệm. Trước tiên hãy kiểm tra mã hóa, giá trị thiếu, outlier và cách đo lường.

Nhầm Skewness với normality của phần dư

Một biến độc lập lệch không có nghĩa toàn bộ mô hình hồi quy vi phạm giả định. Sau khi chạy hồi quy, bạn cần kiểm tra phần dư và các chẩn đoán liên quan bằng SPSS.

Báo cáo số liệu nhưng không nói cách xử lý

Trong chương 4, nên nêu biến nào có dấu hiệu lệch, bạn đã kiểm tra bằng bảng hoặc biểu đồ nào, và lý do giữ lại hay xử lý biến. Cách viết có thể điều chỉnh như sau: “Kết quả thống kê mô tả cho thấy biến [mã biến] có Skewness bằng [giá trị], phản ánh phân phối [lệch phải/lệch trái] ở mức [mô tả]. Sau khi kiểm tra [Histogram/outlier/mã hóa], biến được [giữ lại/xử lý] vì [lý do].”

Câu hỏi thường gặp

Skewness trong SPSS là gì?

Skewness là chỉ số mô tả hướng và mức độ lệch của phân phối dữ liệu so với phân phối đối xứng. Giá trị dương thường biểu thị đuôi kéo về phía các giá trị lớn, còn giá trị âm thường biểu thị đuôi kéo về phía các giá trị nhỏ.

Skewness bao nhiêu là đạt?

Không có một ngưỡng duy nhất phù hợp cho mọi đề tài. Bạn nên xem trị tuyệt đối của Skewness cùng Histogram, Q-Q plot, cỡ mẫu và yêu cầu của phân tích. Nếu dùng một ngưỡng trong luận văn, hãy nêu rõ nguồn và cách bạn áp dụng.

Skewness âm có phải dữ liệu bị lỗi không?

Skewness âm không đồng nghĩa dữ liệu lỗi. Nó chỉ cho thấy phân phối có xu hướng lệch về phía các giá trị thấp. Bạn cần kiểm tra thang đo, mã hóa, giá trị thiếu và outlier trước khi quyết định xử lý.

Skewness lớn thì có cần xóa biến không?

Chưa cần xóa ngay. Hãy kiểm tra dữ liệu gốc, mã hóa và các quan sát cực đoan trước. Nếu biến vẫn lệch nhưng phù hợp với hiện tượng nghiên cứu, bạn có thể giữ lại và trình bày cách đánh giá trong luận văn.

Skewness có giống độ lệch chuẩn không?

Không. Skewness mô tả hình dạng và hướng lệch của phân phối. Độ lệch chuẩn mô tả mức độ phân tán của các quan sát quanh giá trị trung bình. Hai chỉ số có thể thay đổi độc lập.

Xem Skewness ở bảng nào trong SPSS?

Bạn thường xem Skewness trong bảng Descriptive Statistics sau khi chạy Analyze > Descriptive Statistics > Descriptives và chọn Skewness trong Options. Bạn cũng có thể xem Histogram và Q-Q plot để bổ sung cho kết luận.

Mở lại file .sav của bạn, chạy Analyze > Descriptive Statistics > Descriptives, lưu bảng Descriptive Statistics cùng Histogram, rồi ghi riêng biến nào cần kiểm tra mã hóa hoặc outlier. Nếu bạn muốn chạy và đọc phân tích trên chính file dữ liệu của mình, M4 phân tích của DoThesis hỗ trợ SPSS và SmartPLS theo quy trình định lượng.