Thống kê mô tả trong SPSS: Cách chạy và đọc kết quả

Khi nào dùng thống kê mô tả

Bạn dùng thống kê mô tả ở phần đầu của phân tích định lượng để trả lời câu hỏi: mẫu khảo sát của bạn gồm những ai và các biến đang có đặc điểm như thế nào. Với biến nhân khẩu học như giới tính, độ tuổi, nghề nghiệp hoặc thu nhập, bạn thường cần tần số và tỷ lệ phần trăm. Với biến định lượng hoặc biến được đo bằng thang Likert, bạn thường xem số quan sát hợp lệ, giá trị nhỏ nhất, lớn nhất, trung bình và độ lệch chuẩn.

Thống kê mô tả không kiểm định giả thuyết nhân quả. Nó không cho biết biến X có tác động đến Y hay mô hình hồi quy có ý nghĩa hay không. Vai trò của nó là giúp bạn kiểm tra dữ liệu, mô tả mẫu và phát hiện những điểm bất thường trước khi chạy Cronbach's Alpha, EFA, hồi quy hoặc PLS-SEM. Bạn có thể xem thêm các chủ đề liên quan trong chuyên mục SPSS, đặc biệt nếu chưa biết nên đặt phần này ở đâu trong quy trình phân tích.

Trong đề tài có giả thuyết dạng “đặc điểm X ảnh hưởng đến Y”, thống kê mô tả thường được trình bày trước phần kiểm định thang đo và mô hình. Kết quả trung bình của từng biến quan sát có thể cho thấy xu hướng trả lời, nhưng bạn cần thận trọng khi diễn giải. Một giá trị trung bình cao chỉ mô tả mức đồng ý trung bình của mẫu hiện tại, không tự chứng minh rằng X là nguyên nhân làm Y tăng.

Chuẩn bị dữ liệu trước khi chạy

Trước khi mở hộp thoại Frequencies hoặc Descriptives, bạn nên kiểm tra file dữ liệu. Nhiều bảng output khó đọc bắt nguồn từ việc mã hóa sai biến, nhập dấu phẩy thay dấu chấm thập phân hoặc để biến định tính ở dạng chuỗi khi SPSS cần dạng số.

Trước hết, mở Variable View và kiểm tra cột Name, Type, Label, Values, Missing và Measure. Tên biến nên ngắn, không có khoảng trắng, chẳng hạn GT1, TUOI hoặc HL3. Nhãn biến nên mô tả đầy đủ nội dung. Với giới tính, bạn có thể mã hóa 1 là nam và 2 là nữ, sau đó khai báo hai mã này trong Values. Với thang Likert, hãy thống nhất hướng mã hóa, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý.

Nếu bảng hỏi có biến đảo chiều, hãy xử lý trước khi tính điểm trung bình cho nhân tố. Một biến đảo chiều trong thang 1 đến 5 thường được đổi theo công thức giá trị mới bằng 6 trừ giá trị cũ. Bạn cần lưu biến mới với tên riêng, ghi lại cách xử lý và không ghi đè dữ liệu gốc khi chưa chắc chắn.

Tiếp theo, kiểm tra giá trị thiếu. Một ô trống, mã 99 hoặc mã 999 có thể bị SPSS hiểu là một giá trị số hợp lệ nếu bạn chưa khai báo. Vào Variable View > Missing để khai báo mã thiếu phù hợp, hoặc làm sạch dữ liệu trong Data View theo quy tắc đã đặt ra trong phương pháp nghiên cứu.

Cuối cùng, xác định loại biến. Biến giới tính, nhóm tuổi và nghề nghiệp phù hợp với bảng tần số. Biến tuổi tính theo số năm, điểm trung bình hoặc tổng điểm thang đo phù hợp với Descriptives hoặc Explore. Nếu bạn đang mô tả một thang đo, hãy quyết định rõ bạn sẽ báo cáo từng biến quan sát hay điểm đại diện của từng nhân tố.

Các bước chạy thống kê mô tả trong SPSS

Bước 1: Chạy tần số cho biến phân loại

Vào Analyze > Descriptive Statistics > Frequencies. Chọn các biến như giới tính, nhóm tuổi, trình độ học vấn hoặc nghề nghiệp đưa sang ô Variable(s). Giữ tùy chọn Display frequency tables nếu muốn SPSS in bảng tần số.

Nhấn Charts nếu cần biểu đồ. Với biến phân loại, Bar charts thường dễ đọc hơn biểu đồ tròn khi có nhiều nhóm. Chọn Continue, sau đó nhấn OK để chạy. Trong output, bạn sẽ thấy các cột Frequency, Percent, Valid Percent và Cumulative Percent.

Bước 2: Chọn chỉ số cho biến định lượng

Vào Analyze > Descriptive Statistics > Descriptives. Chuyển các biến cần mô tả sang ô Variable(s), sau đó nhấn Options. Chọn Mean, Std. deviation, Minimum và Maximum. Có thể chọn thêm Sum nếu đề tài thực sự cần tổng điểm, nhưng chỉ số này ít được dùng trong mô tả thang Likert.

Nhấn Continue rồi OK. SPSS tạo bảng Descriptive Statistics với các cột N, Minimum, Maximum, Mean và Std. Deviation. Cột N là số quan sát hợp lệ được dùng để tính các chỉ số, không nhất thiết bằng tổng số dòng trong file.

Bước 3: Xem trung vị và phân vị khi dữ liệu lệch

Nếu bạn nghi ngờ dữ liệu có outlier hoặc phân phối lệch, vào Analyze > Descriptive Statistics > Explore. Đưa biến cần kiểm tra vào Dependent List, nhấn Statistics và giữ Descriptives. Trong Plots, có thể chọn Boxplots và Histogram.

Explore cho bạn thêm trung vị, khoảng tin cậy của trung bình và thông tin về các giá trị cực đoan. Khi cần hiểu rõ trung vị khác trung bình như thế nào, bạn có thể xem bài trung vị trong thống kê. Đừng tự động loại các giá trị cực đoan chỉ vì chúng làm trung bình thay đổi. Bạn cần quay lại phiếu trả lời và quy tắc làm sạch dữ liệu để xác định đó là lỗi nhập liệu hay một câu trả lời hợp lệ.

Bước 4: Lưu và kiểm tra syntax

Trong cửa sổ output, bạn có thể nhấp phải vào bảng để sao chép sang Word. Tốt hơn, mở File > New > Syntax trước khi chạy và dán lệnh từ hộp thoại bằng nút Paste thay vì chỉ nhấn OK. Syntax giúp bạn lặp lại cùng một quy trình và giải trình rõ đã chạy biến nào.

Sau khi chạy, kiểm tra số biến và số quan sát trong output. Nếu bảng không có kết quả, hãy xem biến có đang ở dạng chuỗi hay không. Nếu N giữa các biến chênh lệch bất thường, kiểm tra dữ liệu thiếu và các mã loại trừ.

Đọc kết quả output

Bảng Frequencies dùng cho biến phân loại. Frequency là số người thuộc từng nhóm. Percent tính trên toàn bộ số dòng, bao gồm cả trường hợp thiếu nếu SPSS nhận diện chúng trong dữ liệu. Valid Percent tính trên số quan sát hợp lệ. Khi có dữ liệu thiếu, bạn nên dùng Valid Percent để mô tả cơ cấu mẫu và ghi rõ mẫu số đã sử dụng.

Cumulative Percent là tỷ lệ tích lũy, phù hợp hơn với biến có thứ tự như nhóm tuổi hoặc mức thu nhập. Với biến giới tính, cột này thường không mang nhiều ý nghĩa phân tích. Đừng cộng các tỷ lệ đã làm tròn rồi kết luận rằng SPSS tính sai, vì tổng hiển thị có thể lệch nhẹ do làm tròn số thập phân.

Bảng Descriptive Statistics cần được đọc theo từng hàng. N cho biết số quan sát hợp lệ, Minimum và Maximum cho biết khoảng giá trị thực tế trong file, Mean là trung bình và Std. Deviation là độ lệch chuẩn. Độ lệch chuẩn càng lớn thì câu trả lời trong mẫu càng phân tán quanh trung bình, nhưng không có một con số duy nhất áp dụng cho mọi đề tài. Bạn có thể xem cách diễn giải riêng tại bài độ lệch chuẩn và phương sai.

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 để bạn đối chiếu với file đang mở.

Với bảng minh họa này, bạn có thể nói HL4 có trung bình cao nhất trong bốn biến, còn HL3 có số quan sát hợp lệ thấp hơn hai trường hợp. Bạn chưa nên nói HL4 “tốt nhất” nếu chưa xác định thang đo và ý nghĩa khái niệm. Cũng không nên kết luận HL3 kém chỉ vì trung bình thấp hơn, nếu chênh lệch đó chưa được đặt trong mục tiêu nghiên cứu.

Nếu cần kiểm tra phương sai, hãy nhớ phương sai là bình phương của độ lệch chuẩn trong cùng cách tính. Cách tính và cách đọc sẽ rõ hơn trong bài công thức tính phương sai. Khi biểu đồ hộp cho thấy điểm ngoại lệ, xem thêm outlier trong dữ liệu trước khi quyết định giữ hay loại quan sát.

Tiêu chí đánh giá

Thống kê mô tả không có ngưỡng “đạt” giống Cronbach's Alpha hay KMO. Câu hỏi “thống kê mô tả bao nhiêu là tốt” thường bị đặt sai hướng. Mean bằng 4 không tự động làm dữ liệu tốt, và Std. Deviation thấp không chứng minh thang đo có độ tin cậy. Bạn đánh giá output bằng tính hợp lệ của khoảng giá trị, tính đầy đủ của N, sự phù hợp giữa loại biến và bảng phân tích, cùng sự nhất quán với thiết kế bảng hỏi.

Với thang Likert, bạn có thể báo cáo trung bình và độ lệch chuẩn nếu đó là cách trình bày được thống nhất trong đề tài. Ngưỡng diễn giải kiểu 1 đến 1,8 là mức thấp hoặc 4,2 đến 5 là mức cao chỉ nên dùng khi bạn đã quy định cách chia khoảng và có lý do phương pháp rõ ràng. Đừng gọi một giá trị là “đạt” chỉ vì nó vượt một mốc do bài hướng dẫn trên mạng đưa ra.

Cách viết kết quả vào luận văn

Bạn nên viết theo thứ tự: giới thiệu bảng, nêu cỡ mẫu, mô tả nhóm chính, sau đó nhận xét Mean và Std. Deviation của các biến cần thiết. Phần này không cần chép toàn bộ output SPSS vào luận văn. Hãy đưa bảng đã định dạng lại, giữ tên biến hoặc thay bằng nhãn dễ hiểu, rồi giải thích những con số liên quan đến câu hỏi nghiên cứu.

Một đoạn có thể điều chỉnh như sau: “Kết quả thống kê mô tả cho thấy mẫu nghiên cứu gồm [N] quan sát hợp lệ. Giá trị trung bình của các biến [tên nhóm biến] dao động từ [Mean thấp nhất] đến [Mean cao nhất], trong khi độ lệch chuẩn dao động từ [SD thấp nhất] đến [SD cao nhất]. Biến [tên biến] có giá trị trung bình cao nhất là [Mean], còn biến [tên biến] có giá trị thấp nhất là [Mean].”

Khi mô tả biến nhân khẩu học, bạn có thể viết: “Trong [N] quan sát hợp lệ, nhóm [tên nhóm] chiếm tỷ lệ cao nhất với [Valid Percent]%, tiếp theo là [tên nhóm] với [Valid Percent]%.” Nếu có dữ liệu thiếu, thêm câu: “Một số biến có N thấp hơn tổng số mẫu do có câu trả lời thiếu; các tỷ lệ trong bảng được tính trên số quan sát hợp lệ.”

Không viết rằng thống kê mô tả chứng minh giả thuyết H1 được chấp nhận. Việc chấp nhận hoặc bác bỏ giả thuyết cần dựa vào kiểm định phù hợp như hồi quy, t-test, ANOVA hoặc mô hình cấu trúc. Thống kê mô tả chỉ cung cấp bối cảnh để người đọc hiểu dữ liệu trước khi xem các kết quả đó.

Lỗi thường gặp khi chạy thống kê mô tả

Lỗi đầu tiên là chọn toàn bộ cột dữ liệu rồi chạy Frequencies. Output sẽ dài, khó kiểm soát và có thể đưa cả mã định danh người trả lời vào bảng. Hãy chọn biến theo mục đích, tách biến phân loại khỏi biến thang đo và đặt tên bảng ngay trong file phân tích.

Lỗi thứ hai là đọc Percent thay cho Valid Percent khi dữ liệu có giá trị thiếu. Hai cột này có thể giống nhau khi không có missing, nhưng sẽ khác khi một số người bỏ trống câu hỏi. Bạn cần xác định mẫu số trước khi viết tỷ lệ vào chương 4.

Lỗi thứ ba là coi Mean là bằng chứng về chất lượng thang đo. Mean và Std. Deviation không thay thế Cronbach's Alpha, EFA hoặc kiểm định giá trị. Nếu một biến có Mean thấp, hãy xem nội dung biến, hướng mã hóa và phân phối dữ liệu trước khi loại nó.

Lỗi thứ tư là xóa outlier ngay trên Data View. Một giá trị 1 hoặc 5 trong thang Likert chưa phải outlier chỉ vì nó nằm ở biên. Nếu nghi ngờ, kiểm tra phiếu trả lời, thời gian hoàn thành, mẫu trả lời lặp lại và quy tắc làm sạch đã được nêu trong phương pháp.

Lỗi cuối là sao chép nguyên bảng SPSS có quá nhiều chữ số thập phân. Bạn có thể định dạng bảng trong Word, thống nhất số chữ số sau dấu phẩy và vẫn giữ file output gốc để đối chiếu khi giảng viên hỏi.

Câu hỏi thường gặp

Thống kê mô tả là gì?

Thống kê mô tả là nhóm kỹ thuật dùng để tóm tắt dữ liệu bằng tần số, tỷ lệ phần trăm, trung bình, trung vị, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất. Trong SPSS, bạn thường chạy Frequencies, Descriptives hoặc Explore tùy loại biến và mục tiêu báo cáo.

Thống kê mô tả bao nhiêu là tốt?

Không có một giá trị Mean hoặc Std. Deviation cố định để kết luận thống kê mô tả là tốt. Bạn cần kiểm tra khoảng mã hóa, số quan sát hợp lệ, dữ liệu thiếu, outlier và sự phù hợp giữa chỉ số được chọn với loại biến.

Chạy thống kê mô tả trung bình trong SPSS ở đâu?

Vào Analyze > Descriptive Statistics > Descriptives, chọn biến, nhấn Options, đánh dấu Mean, Std. deviation, Minimum và Maximum, sau đó nhấn Continue và OK. Bảng kết quả chính là Descriptive Statistics.

Thống kê mô tả tần số trong SPSS dùng khi nào?

Dùng Analyze > Descriptive Statistics > Frequencies cho giới tính, nhóm tuổi, nghề nghiệp, trình độ hoặc các biến phân loại khác. Bảng Frequencies cho biết số lượng và tỷ lệ của từng nhóm, trong đó Valid Percent thường phù hợp hơn khi dữ liệu có giá trị thiếu.

Vì sao N trong bảng Descriptive Statistics bị giảm?

N giảm khi một hoặc nhiều giá trị của biến bị thiếu, bị khai báo là missing hoặc bị loại trong một bước lọc dữ liệu. Kiểm tra cột Missing, Data > Select Cases, bộ lọc đang bật và số ô trống trong Data View trước khi chạy lại.

Bạn hãy mở lại file SPSS, tách biến phân loại khỏi biến thang đo, chạy Frequencies và Descriptives bằng đúng menu path, rồi đối chiếu N với số phản hồi hợp lệ trước khi chép bảng vào chương 4. Nếu cần chạy trên file .sav hoặc .csv và kiểm tra toàn bộ bước phân tích, M4 phân tích dữ liệu là module thực hiện phần này.