SPSS cách dùng: hướng dẫn đọc output và chạy phân tích cho người mới
Bạn đang có file .sav hoặc .csv, bảng câu hỏi đã thu về, nhưng chưa biết SPSS cách dùng theo thứ tự nào. Vấn đề thường không nằm ở việc bấm menu. Bạn cần biết dữ liệu nào đưa vào, phân tích nào phù hợp với giả thuyết, đọc bảng nào trên output và ghi nhận kết quả ra sao.
Bài này đi theo quy trình một sinh viên thường phải làm với dữ liệu định lượng: kiểm tra file, làm sạch dữ liệu, chạy Cronbach's Alpha, EFA, thống kê mô tả, tương quan và hồi quy. Nếu đề tài có mediator hoặc moderator, cách chọn phân tích sẽ khác, vì vậy bạn có thể xem thêm hướng dẫn về mediator, moderator và moderating.
SPSS cách dùng là gì
SPSS là phần mềm dùng để nhập, quản lý và phân tích dữ liệu định lượng. Bạn đưa dữ liệu khảo sát vào dạng bảng, trong đó mỗi dòng thường là một người trả lời và mỗi cột là một biến. SPSS sau đó tính các thống kê hoặc kiểm định theo lệnh bạn chọn, rồi trả kết quả trong cửa sổ Output Viewer.
Cách dùng SPSS đúng bắt đầu từ câu hỏi nghiên cứu, không bắt đầu từ việc mở một menu bất kỳ. Ví dụ, câu hỏi “Các yếu tố X1, X2 có ảnh hưởng đến Y không?” thường dẫn đến hồi quy tuyến tính. Câu hỏi “Thang đo X có đáng tin cậy không?” dẫn đến Cronbach's Alpha. Nếu muốn khám phá các nhóm nhân tố từ nhiều biến quan sát, bạn cân nhắc EFA.
Trong file SPSS, bạn sẽ làm việc chủ yếu ở hai cửa sổ:
- Variable View: khai báo tên biến, kiểu dữ liệu, nhãn biến, giá trị mã hóa và thang đo.
- Data View: nhập hoặc kiểm tra giá trị của từng người trả lời.
Một dòng dữ liệu có thể là một phiếu khảo sát. Một biến quan sát như TC1, TC2, TC3 có thể là các mục đo cùng một khái niệm. Bạn cần thống nhất mã biến ngay từ đầu để khi đọc bảng Item-Total Statistics, Rotated Component Matrix hoặc Coefficients, bạn biết mỗi dòng đang đại diện cho điều gì.
Ý nghĩa của SPSS cách dùng trong nghiên cứu định lượng
SPSS giúp bạn chuyển dữ liệu thô thành bằng chứng cho từng câu hỏi nghiên cứu. Phần mềm không tự quyết định mô hình, không biết biến nào là nguyên nhân hay kết quả, và cũng không thể xác nhận một thang đo chỉ bằng một lần bấm Run. Bạn vẫn phải dựa vào mô hình, giả thuyết và cách thiết kế bảng hỏi.
Một quy trình thường gặp là:
- Kiểm tra dữ liệu thiếu, dữ liệu nhập sai và các mẫu trả lời bất thường.
- Mô tả mẫu bằng tần số, tỷ lệ phần trăm, giá trị trung bình và độ lệch chuẩn.
- Kiểm tra độ tin cậy thang đo bằng Cronbach's Alpha.
- Chạy EFA nếu mục tiêu và thiết kế nghiên cứu cần khám phá cấu trúc nhân tố.
- Tạo biến đại diện cho các khái niệm, thường bằng giá trị trung bình của các biến quan sát đạt yêu cầu.
- Chạy Pearson Correlation và hồi quy tuyến tính để kiểm định quan hệ hoặc tác động.
- Đối chiếu p-value, hệ số hồi quy, R² và các kiểm tra giả định trước khi kết luận.
Bạn nên lưu một file dữ liệu gốc riêng, một file đã làm sạch và một thư mục output theo từng vòng chạy. Khi loại một biến, hãy ghi rõ lý do, giá trị chỉ số trước và sau khi loại. EFA hiếm khi ra đẹp ở lần chạy đầu. Loại biến, chạy lại và ghi lại từng vòng loại là chuyện bình thường, miễn là bạn có lý do phương pháp rõ ràng.
Nếu bạn còn nhầm giữa “thang đo” và “biến quan sát”, hãy đọc scale là gì. Thang đo là tập hợp các biến quan sát được thiết kế để đo một khái niệm, còn một cột riêng lẻ trong Data View chỉ là một biến.
SPSS cách dùng bao nhiêu là đạt
SPSS không có một con số duy nhất gọi là “đạt”. Ngưỡng phụ thuộc vào thủ tục và mục tiêu phân tích. Bảng dưới đây dùng các ngưỡng thường xuất hiện trong luận văn định lượng. Mỗi dòng đi kèm nguồn để bạn có thể giải trình với giảng viên, thay vì chép một con số không rõ xuất xứ.
| Nội dung trên output | Ngưỡng tham khảo | Cách hiểu | Nguồn |
|---|---|---|---|
| Cronbach's Alpha | ≥ 0.70 | Độ tin cậy thường được xem là chấp nhận được | (Nunnally, 1978) |
| Cronbach's Alpha với thang đo khám phá | ≥ 0.60 | Có thể chấp nhận trong nghiên cứu mới hoặc khám phá | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | ≥ 0.30 | Biến quan sát có tương quan đủ với tổng thang đo | (Nunnally và Bernstein, 1994) |
| KMO | ≥ 0.50 | Dữ liệu có mức phù hợp tối thiểu để chạy EFA | (Kaiser, 1974) |
| Bartlett's Test | Sig. < 0.05 | Các biến có tương quan đủ để xem xét EFA | (Kaiser, 1974) |
| Eigenvalue | > 1 | Quy tắc tham khảo để giữ nhân tố | (Kaiser, 1960) |
| Total Variance Explained | ≥ 50% | Các nhân tố giữ lại giải thích mức phương sai đủ tham khảo | (Hair và cộng sự, 2010) |
| Factor loading | ≥ 0.50 | Biến quan sát có tải nhân tố đạt mức tham khảo | (Hair và cộng sự, 2010) |
| Durbin-Watson | Từ 1 đến 3 | Không có dấu hiệu tự tương quan nghiêm trọng theo quy tắc thường dùng | (Field, 2013) |
Đây là ngưỡng tham khảo, không phải giấy phép để giữ hoặc xóa biến một cách máy móc. Bạn cần xem thêm nội dung biến, chênh lệch tải nhân tố, cỡ mẫu và cấu trúc lý thuyết. Trong luận văn, hãy ghi rõ bạn dùng tiêu chí nào và nguồn nào.
Cách đọc SPSS cách dùng trên output
Sau khi chạy một thủ tục, đừng đọc tất cả bảng theo thứ tự xuất hiện. Trước tiên, xác định bảng trả lời trực tiếp cho giả thuyết hoặc mục tiêu phân tích. Với Cronbach's Alpha, hai bảng quan trọng là Reliability Statistics và Item-Total Statistics. Với EFA, bạn thường xem KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Với hồi quy, hãy xem Model Summary, ANOVA và Coefficients.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo cách SPSS thường hiển thị để bạn nhận diện vị trí cần đọc.
| Bảng output SPSS | Cột hoặc dòng cần đọc | Số liệu minh họa | Cách diễn giải |
|---|---|---|---|
| Reliability Statistics | Cronbach's Alpha | 0.812 | Thang đo có Alpha vượt 0.70, có thể xem là đạt theo tiêu chí đã chọn |
| Reliability Statistics | N of Items | 4 | Thang đo còn 4 biến quan sát trong vòng chạy này |
| Item-Total Statistics | Corrected Item-Total Correlation, TC2 | 0.186 | TC2 thấp hơn 0.30, cần xem xét nội dung và tác động khi loại |
| KMO and Bartlett's Test | KMO | 0.761 | KMO vượt 0.50, phù hợp ở mức tham khảo |
| KMO and Bartlett's Test | Sig. của Bartlett's Test | 0.000 | Nhỏ hơn 0.05, dữ liệu có tương quan để xem xét EFA |
| Total Variance Explained | Cumulative % | 61.438 | Các nhân tố giữ lại giải thích 61.438% phương sai, vượt 50% |
| Rotated Component Matrix | Factor loading của TC1 | 0.734 | Biến TC1 có tải nhân tố vượt 0.50 |
| Model Summary | R Square | 0.428 | Mô hình giải thích 42.8% biến thiên của biến phụ thuộc |
| Coefficients | Sig. của X1 | 0.012 | X1 có p-value nhỏ hơn 0.05 trong mô hình minh họa |
Giá trị 0.000 trong SPSS thường được báo cáo là p < 0.001, không nên viết p bằng 0 tuyệt đối. Khi đọc Coefficients, bạn xem Unstandardized B nếu cần phương trình hồi quy và Standardized Beta nếu muốn so sánh mức độ tác động tương đối giữa các biến. Cột Sig. là p-value, nhưng cần đọc cùng dấu của hệ số và giả thuyết ban đầu.
Ví dụ, nếu Beta của X1 là 0.284 và Sig. là 0.012, bạn có thể nói X1 có tác động cùng chiều đến Y trong mẫu minh họa và kết quả có ý nghĩa thống kê ở mức 5%. Bạn không được viết rằng X1 làm Y tăng chính xác 28.4% nếu chưa xác định đúng đơn vị đo và loại hệ số đang dùng.
Cách viết vào luận văn
Bạn có thể điều chỉnh câu sau theo output thật: “Kết quả hồi quy cho thấy biến [tên biến độc lập] có tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc], với hệ số Beta = [giá trị] và Sig. = [giá trị]. Do Sig. [nhỏ hơn/lớn hơn] 0.05, giả thuyết [H1] được [chấp nhận/không được chấp nhận].”
Khi SPSS cách dùng không đạt thì xử lý thế nào
Khi một chỉ số không đạt, bạn xử lý theo thứ tự từ kiểm tra dữ liệu đến xem xét biến, thay vì xóa ngay biến có số thấp.
Thứ nhất, kiểm tra mã hóa và biến đảo chiều. Nếu một biến phủ định chưa được reverse code, Alpha hoặc tương quan có thể giảm mạnh. Với thang Likert 1 đến 5, biến đảo chiều thường được mã hóa lại theo công thức 6 - giá trị cũ, nhưng bạn cần xác nhận bảng hỏi của mình dùng đúng số điểm nào.
Thứ hai, kiểm tra dữ liệu thiếu và mẫu trả lời bất thường. Một dòng có quá nhiều ô trống, chỉ chọn một mức cho toàn bộ bảng hỏi hoặc có thời gian trả lời phi lý cần được xem xét theo quy tắc làm sạch đã nêu trong phương pháp. Bạn có thể tham khảo bài về outliers nếu nghi ngờ một số quan sát quá khác biệt.
Thứ ba, xem bảng Item-Total Statistics. Nếu Corrected Item-Total Correlation của một biến dưới 0.30, hãy đọc nội dung biến và cột Cronbach's Alpha if Item Deleted. Chỉ loại khi có cơ sở nội dung hoặc phương pháp. Việc xóa liên tục để Alpha tăng nhưng làm thang đo mất ý nghĩa sẽ tạo vấn đề khi bảo vệ.
Thứ tư, nếu EFA không đạt, xem ma trận tải nhân tố. Biến có loading thấp, tải chéo cao hoặc rơi vào nhóm không phù hợp lý thuyết có thể cần được loại từng biến một rồi chạy lại. Bạn phải lưu output của từng vòng để giải thích quá trình.
Thứ năm, cân nhắc dữ liệu và cỡ mẫu. Nếu nhiều thang đo cùng không đạt, lỗi có thể nằm ở cách nhập dữ liệu, bảng hỏi, mẫu thu thập hoặc cấu trúc mô hình. Phần mềm không thể sửa một mẫu dữ liệu được thiết kế sai. Khi nguyên nhân là thiếu người trả lời hoặc mẫu không đúng đối tượng, thu thêm dữ liệu có thể hợp lý hơn việc sửa bằng thao tác kỹ thuật.
Phân biệt SPSS cách dùng với SmartPLS và các công cụ dễ nhầm
SPSS và SmartPLS đều phân tích dữ liệu định lượng nhưng cách tổ chức mô hình khác nhau. SPSS phù hợp với thống kê mô tả, Cronbach's Alpha, EFA, tương quan, hồi quy, t-test, ANOVA và PROCESS khi bạn có thiết kế phù hợp. SmartPLS tập trung vào mô hình PLS-SEM với biến tiềm ẩn, outer loading, AVE, CR, HTMT, VIF, path coefficient và bootstrapping.
Bạn không nên lấy CFI, TLI, RMSEA của CB-SEM để đánh giá mô hình SmartPLS. Các chỉ số đó thuộc họ đánh giá CB-SEM và tiêu chí thường được trích từ (Hu và Bentler, 1999). Với PLS-SEM, quy trình đánh giá measurement model rồi structural model, cùng việc báo cáo bootstrapping, được trình bày trong (Hair và cộng sự, 2022).
AMOS phù hợp khi bạn dùng CB-SEM và cần đánh giá model fit theo hướng đó. JASP có giao diện dễ tiếp cận cho nhiều phân tích cơ bản, còn R linh hoạt nhưng đòi hỏi bạn làm việc với mã lệnh và gói phân tích. Dịch vụ chạy SPSS có thể giúp tiết kiệm thời gian thao tác, nhưng bạn vẫn phải hiểu output vì hội đồng có thể hỏi từng biến bị loại và lý do chọn kiểm định. Tự chạy bằng SPSS thường tốn công ghi nhật ký xử lý, đổi lại bạn kiểm soát được dữ liệu và câu trả lời khi bảo vệ.
Lỗi thường gặp khi dùng SPSS
Chọn sai loại biến trong Variable View. Mã số 1 đến 5 của thang Likert vẫn là các mức trả lời có thứ tự, không phải một biến liên tục theo nghĩa tuyệt đối. Khi chạy phân tích, bạn cần biết phần mềm đang nhận biến là Numeric, có giá trị thiếu nào được khai báo và nhãn giá trị có đúng không.
Đặt tên biến có dấu cách hoặc ký tự đặc biệt. Hãy dùng tên ngắn như DV1, DV2, HL1, sau đó ghi diễn giải đầy đủ ở cột Label. Cách này giúp bảng output dễ đọc và tránh lỗi khi dùng nhiều biến trong một lệnh.
Chạy hồi quy nhưng bỏ qua giả định. Hãy kiểm tra đa cộng tuyến, phần dư, outlier và Durbin-Watson theo thiết kế nghiên cứu. Một p-value đẹp không đủ để chứng minh mô hình phù hợp nếu dữ liệu có vấn đề nghiêm trọng.
Nhìn nhầm Sig. Trong bảng ANOVA, Sig. cho biết ý nghĩa của mô hình hồi quy tổng thể. Trong bảng Coefficients, Sig. của từng dòng cho biết ý nghĩa của từng biến độc lập. Hai giá trị này trả lời hai câu hỏi khác nhau.
Ghi kết quả trước khi khóa file dữ liệu. Mỗi lần loại biến hoặc lọc mẫu, hãy đặt tên file theo vòng xử lý, chẳng hạn data_clean_v2.sav. Nếu chỉ lưu một file cuối cùng, bạn sẽ khó trả lời khi giảng viên hỏi kết quả ban đầu khác gì kết quả sau điều chỉnh.
Bạn có thể xem thêm chủ đề Thống kê để đối chiếu các thủ tục thường dùng. Nếu đề tài có biến điều tiết, đừng dùng từ “điều tiết” như một nhãn trang trí. Bạn cần xác định biến tương tác và cách kiểm định phù hợp với giả thuyết.
Câu hỏi thường gặp
SPSS cách dùng cho người mới bắt đầu từ đâu?
Bạn bắt đầu bằng việc mở file, kiểm tra Variable View và xác nhận mỗi dòng là một người trả lời, mỗi cột là một biến. Sau đó làm sạch dữ liệu, chạy thống kê mô tả rồi mới chạy Cronbach's Alpha, EFA hoặc hồi quy theo mô hình nghiên cứu.
Đừng mở cùng lúc quá nhiều thủ tục. Hãy hoàn thành một bước, lưu output và ghi quyết định trước khi chuyển sang bước kế tiếp.
Dùng SPSS có khó không?
Các menu cơ bản không quá khó, nhưng phần cần thời gian là chọn đúng phân tích và giải thích đúng output. Bạn có thể chạy được một bảng trong vài phút nhưng vẫn kết luận sai nếu nhầm giữa Alpha, loading, Beta và p-value.
Với luận văn, nên học theo file dữ liệu thật của mình. Mỗi biến trên output cần được nối với một giả thuyết hoặc mục tiêu cụ thể.
SPSS bị lỗi không chạy được thì làm sao?
Hãy đọc hộp thoại báo lỗi, kiểm tra biến đã được khai báo là Numeric chưa, có đưa biến chữ vào thủ tục cần biến số không, và có đang lọc toàn bộ mẫu hay không. Với file .csv, kiểm tra dấu phân cách cột, mã hóa tiếng Việt và hàng tiêu đề trước khi lưu lại dưới dạng .sav.
Nếu lệnh chạy được nhưng output trống, kiểm tra Missing Values, Select Cases và điều kiện lọc. Đừng xóa dữ liệu gốc để thử sửa lỗi.
Cronbach's Alpha bao nhiêu là đạt trong SPSS?
Alpha từ 0.70 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, mức từ 0.60 có thể được cân nhắc theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation thường được xem xét từ 0.30 theo (Nunnally và Bernstein, 1994).
Bạn vẫn phải đọc số lượng biến, nội dung thang đo và Alpha if Item Deleted. Alpha cao do các biến trùng lặp không tự động chứng minh giá trị của thang đo.
Có cần chạy tất cả các kiểm định trong SPSS không?
Bạn chỉ chạy những phân tích trả lời cho mô hình và câu hỏi nghiên cứu. Chạy thêm t-test, ANOVA, tương quan hoặc EFA chỉ để có nhiều bảng sẽ làm chương kết quả dài nhưng thiếu logic.
Hãy lập một bảng nhỏ nối từng giả thuyết với biến, thủ tục, bảng output cần đọc và tiêu chí kết luận. Cách này giúp bạn biết mình cần chạy gì trước khi mở SPSS.
Bạn hãy quay lại file dữ liệu ngay bây giờ, kiểm tra Variable View, lưu một bản sao dữ liệu gốc và lập danh sách các phân tích theo giả thuyết. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của mình và muốn theo dõi từng bước, M4 phân tích của DoThesis là module dành cho việc đó.