Cách chạy tương quan Pearson trong SPSS và đọc kết quả

Tương quan Pearson thường là bảng output xuất hiện trước hồi quy tuyến tính trong một bài nghiên cứu định lượng. Bạn có thể dùng nó để kiểm tra hai biến có liên hệ tuyến tính hay không, liên hệ cùng chiều hay ngược chiều, và mức độ liên hệ mạnh đến đâu. Tuy vậy, hệ số tương quan không tự chứng minh rằng một biến gây ra biến còn lại.

Bài hướng dẫn này đi theo đúng file SPSS bạn đang mở: chuẩn bị dữ liệu, chạy lệnh, đọc bảng Correlations, kiểm tra Sig. và viết kết quả vào chương 4. Các con số trong bảng được ghi rõ là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.

Khi nào dùng tương quan Pearson

Bạn dùng tương quan Pearson khi câu hỏi nghiên cứu có dạng: “Biến X có liên hệ với biến Y hay không?” hoặc khi giả thuyết dự kiến mối quan hệ tuyến tính giữa hai biến định lượng. Ví dụ, đề tài có thể kiểm tra mối liên hệ giữa chất lượng dịch vụ và sự hài lòng, giữa nhận thức hữu ích và ý định sử dụng, hoặc giữa áp lực học tập và kết quả học tập.

Trong mô hình nghiên cứu, giả thuyết thường được viết theo dạng: “Chất lượng dịch vụ có mối quan hệ cùng chiều với sự hài lòng của khách hàng”. Khi đó, tương quan Pearson giúp bạn xem dữ liệu có ủng hộ hướng liên hệ này ở mức tương quan hai biến hay không. Nếu giả thuyết nói X làm tăng Y, phần kiểm định chính thường vẫn cần hồi quy hoặc mô hình cấu trúc. Pearson chỉ mô tả mức độ liên hệ giữa X và Y.

Bạn có thể chạy Pearson cho điểm tổng hợp hoặc điểm trung bình của các khái niệm sau khi đã kiểm tra thang đo. Chẳng hạn, sau khi chạy Cronbach's Alpha, bạn tính điểm trung bình cho các biến như PU, SAT và INT rồi đưa các biến này vào phân tích tương quan. Nếu đưa từng biến quan sát riêng lẻ vào, bảng sẽ dài và dễ trả lời sai câu hỏi nghiên cứu.

Pearson phù hợp với biến số có giá trị dạng số và mối liên hệ cần kiểm tra là tuyến tính. Nếu dữ liệu có nhiều ngoại lệ, phân phối quá lệch hoặc quan hệ không tuyến tính, bạn cần kiểm tra biểu đồ phân tán và cân nhắc Spearman. Việc chọn Pearson không nên chỉ dựa vào việc SPSS có sẵn nút chạy.

Chuẩn bị dữ liệu trước khi chạy

Mở Data View và Variable View để kiểm tra các biến sẽ đưa vào phân tích. Biến cần có kiểu Numeric, mỗi dòng là một người trả lời và mỗi cột là một biến. Nếu bạn đang giữ dữ liệu Likert từ 1 đến 5, hãy chắc rằng các giá trị đã được mã hóa nhất quán. Một biến có giá trị chữ như “đồng ý” hoặc “không đồng ý” sẽ không được xử lý như biến số thông thường.

Trước khi tính điểm đại diện cho một khái niệm, hãy xử lý biến đảo chiều. Ví dụ, thang đo có một biến quan sát được diễn đạt theo hướng tiêu cực, trong khi các biến còn lại theo hướng tích cực. Bạn cần đảo mã biến đó trước khi tính trung bình. Nếu bỏ qua bước này, hệ số Pearson có thể phản ánh lỗi mã hóa thay vì mối liên hệ thật trong dữ liệu.

Kiểm tra missing values bằng Frequencies hoặc Descriptives. Xem mỗi biến có bao nhiêu giá trị thiếu, giá trị ngoài khoảng Likert và mã đặc biệt như 99, 999. Nếu 99 đang được dùng để biểu thị “không trả lời” nhưng vẫn được tính như một điểm số, kết quả tương quan sẽ bị méo. Bạn cần khai báo hoặc thay thế giá trị này theo quy tắc đã nêu trong phương pháp nghiên cứu.

Sau đó, kiểm tra outlier và quan hệ tuyến tính bằng biểu đồ. Vào Graphs > Chart Builder, chọn Scatter/Dot và tạo biểu đồ với một biến trên trục X, biến còn lại trên trục Y. Các điểm nên tạo thành xu hướng tương đối thẳng. Một vài điểm tách rất xa phần còn lại cần được kiểm tra từ bảng trả lời gốc, không nên xóa chỉ vì chúng làm hệ số đẹp hơn.

Nếu bạn đang phân tích nhiều khái niệm, hãy ghi lại số quan sát hợp lệ của từng cặp biến. SPSS có thể loại các dòng thiếu dữ liệu theo từng cặp khi chạy tương quan. Vì vậy, số mẫu của hai cặp trong cùng một ma trận có thể khác nhau nếu dữ liệu thiếu không giống nhau.

Bạn có thể xem thêm nhóm tài liệu SPSS để đối chiếu các bước xử lý dữ liệu trước khi chạy phân tích. Nếu đề tài của bạn còn đang ở giai đoạn kiểm tra cấu trúc thang đo, EFA thường được thực hiện trước khi tính điểm và kiểm định mô hình.

Các bước chạy tương quan Pearson trong SPSS

Bước 1: Mở hộp thoại Bivariate Correlations

Trong SPSS, chọn Analyze > Correlate > Bivariate. Hộp thoại Bivariate Correlations sẽ hiện ra. Ở khung bên trái là danh sách biến trong file, còn khung Variables ở bên phải là nơi bạn đưa các biến cần kiểm tra vào.

Chọn các biến đại diện cho các khái niệm nghiên cứu rồi bấm mũi tên để đưa sang khung Variables. Ví dụ, bạn có thể đưa SERV, SAT và INT vào cùng một lần chạy để nhận ma trận tương quan giữa từng cặp biến. Nếu chỉ cần kiểm tra một giả thuyết, đưa hai biến liên quan vào cũng được.

Bước 2: Chọn Pearson và kiểm định hai phía

Trong nhóm Correlation Coefficients, giữ lựa chọn Pearson. Đây là lựa chọn tạo ra hệ số r mà bạn cần báo cáo. Nếu giả thuyết của bạn chỉ dự đoán có mối quan hệ mà không xác định trước chiều, chọn Two-tailed trong nhóm Test of Significance.

Nếu đề cương đã xác định kiểm định một phía và có cơ sở phương pháp rõ ràng, bạn mới chọn One-tailed. Không nên chọn một phía chỉ để biến p-value nhỏ hơn. Cách chọn phải thống nhất với giả thuyết đã viết trước khi xem kết quả.

Có thể bỏ chọn Flag significant correlations nếu bạn muốn tự đọc cột Sig. trong bảng. Nếu giữ lựa chọn này, SPSS đánh dấu các tương quan có ý nghĩa bằng dấu sao. Dấu sao hỗ trợ việc nhìn bảng, nhưng không thay thế cho việc báo cáo hệ số r, cỡ mẫu và p-value.

Bước 3: Chọn cách xử lý missing values

Bấm Options để xem cách SPSS xử lý dữ liệu thiếu. Pairwise sử dụng các trường hợp có đủ dữ liệu cho từng cặp biến, còn Listwise chỉ giữ những dòng có dữ liệu đầy đủ cho tất cả biến trong ma trận. Với một bảng có nhiều biến, hai lựa chọn này có thể cho số quan sát khác nhau.

Nếu bạn chọn Pairwise, cần chú ý cỡ mẫu ở từng ô hoặc phần chú thích của output. Nếu chọn Listwise, cỡ mẫu thường nhất quán hơn nhưng có thể giảm đáng kể khi bảng hỏi có nhiều câu bị bỏ trống. Hãy chọn phương án phù hợp với quy trình làm sạch dữ liệu đã trình bày trong chương 3.

Bước 4: Chạy lệnh và lưu output

Bấm Continue, sau đó bấm OK để chạy. Trong cửa sổ Output Viewer, SPSS thường tạo bảng Correlations. Bạn nên lưu file output cùng với file .sav, chẳng hạn đặt tên theo ngày chạy và phiên bản dữ liệu. Nếu loại một biến hoặc thay đổi cách tính điểm, lưu một phiên bản mới thay vì ghi đè toàn bộ output cũ.

Một quy trình dễ kiểm soát là ghi lại: tên biến, số quan sát hợp lệ, lựa chọn Pearson hay Spearman, kiểm định một phía hay hai phía, và lý do loại biến nếu có. Khi giảng viên hỏi vì sao kết quả trong chương 4 khác lần chạy trước, nhật ký này giúp bạn truy lại thay đổi.

Đọc kết quả output

Bảng chính cần đọc là Correlations. Với mỗi cặp biến, SPSS thường hiển thị ba dòng: Pearson Correlation, Sig. (2-tailed) và N. Dòng đầu là hệ số r, dòng thứ hai là p-value, dòng thứ ba là số quan sát được dùng cho cặp biến đó.

Bảng số liệu minh họa, mô phỏng cấu trúc bảng Correlations của SPSS. Giá trị 0.000 trong SPSS không có nghĩa p bằng đúng 0. Khi báo cáo, bạn có thể viết p < 0.001 nếu bảng hiển thị Sig. là .000.

Hệ số r nằm trong khoảng từ -1 đến +1. Dấu dương cho biết hai biến có xu hướng tăng cùng nhau. Dấu âm cho biết khi một biến tăng, biến kia có xu hướng giảm. Giá trị càng gần 0 thì liên hệ tuyến tính càng yếu, còn giá trị tuyệt đối càng gần 1 thì liên hệ tuyến tính càng mạnh.

Trong ví dụ trên, r = 0.468 giữa SERV và SAT cho thấy mối liên hệ cùng chiều. Cột Sig. = 0.000 nhỏ hơn 0.05, nên mối liên hệ này có ý nghĩa thống kê theo ngưỡng bạn đã chọn. Bạn vẫn cần tránh viết rằng SERV “gây ra” SAT chỉ từ bảng Pearson.

Nếu hệ số r dương nhưng Sig. lớn hơn 0.05, bạn không nên kết luận rằng có mối liên hệ có ý nghĩa thống kê. Nếu Sig. nhỏ hơn 0.05 nhưng r rất nhỏ, hãy báo cáo đúng mức độ liên hệ thay vì gọi là tác động mạnh. Ý nghĩa thống kê và ý nghĩa thực tiễn là hai nội dung khác nhau.

Khi ma trận có đường chéo bằng 1.000, đó là tương quan của một biến với chính nó. Bạn không cần diễn giải các ô đường chéo. Ma trận cũng thường lặp lại cùng một cặp biến ở hai vị trí đối xứng, vì vậy khi trình bày luận văn có thể giữ phần tam giác dưới hoặc trên để bảng gọn hơn.

Tiêu chí đánh giá

Không có một ngưỡng duy nhất phù hợp cho mọi đề tài để gọi một hệ số là mạnh hay yếu. Bạn cần tách hai câu hỏi: hệ số có khác 0 về mặt thống kê không, và mức độ liên hệ có đáng kể về mặt nghiên cứu không. Bảng dưới đây tập trung vào cách ra quyết định thường dùng trong báo cáo định lượng.

Trong bảng trên, ngưỡng Sig. 0.05 là quy tắc quyết định thường dùng trong phân tích, nhưng bạn nên ghi rõ mức ý nghĩa đã chọn trong phương pháp. Dấu của r trả lời câu hỏi về chiều liên hệ. Độ lớn tuyệt đối của r trả lời câu hỏi về mức độ liên hệ.

Nếu các biến độc lập có tương quan rất cao, vấn đề có thể xuất hiện khi bạn chạy hồi quy. Pearson là bước sàng lọc ban đầu, không thay thế cho VIF và các kiểm tra chẩn đoán của mô hình hồi quy. Việc xem một ma trận tương quan rồi kết luận toàn bộ mô hình “đạt” là chưa đủ.

Cách viết kết quả vào luận văn

Trong chương 4, bạn nên nêu phương pháp, số quan sát, hệ số r, Sig. và chiều liên hệ. Sau đó liên kết kết quả với giả thuyết, nhưng dùng ngôn ngữ phù hợp với loại phân tích. Một câu có thể viết như sau: “Kết quả phân tích tương quan Pearson cho thấy SERV có mối tương quan cùng chiều với SAT với hệ số r = 0.468 và p < 0.001, dựa trên 214 quan sát. Kết quả này ủng hộ giả thuyết về mối liên hệ cùng chiều giữa hai biến trong mẫu nghiên cứu.”

Đây là số liệu minh họa để bạn thay bằng kết quả trong file của mình. Không sao chép các con số này vào luận văn nếu chúng không phải output của bạn.

Bạn có thể dùng mẫu sau và thay phần trong ngoặc vuông:

Kết quả phân tích tương quan Pearson cho thấy [biến X] có mối tương quan [cùng chiều/ngược chiều] với [biến Y], với hệ số r = [giá trị r], Sig. (2-tailed) = [p-value] và N = [cỡ mẫu]. Do p [nhỏ hơn/lớn hơn] 0.05, mối tương quan [có/không có] ý nghĩa thống kê ở mức ý nghĩa [mức chọn]. Vì vậy, giả thuyết [H số] được [ủng hộ/chưa được ủng hộ] ở bước phân tích tương quan.

Nếu output hiển thị Sig. = .000, hãy viết p < 0.001 thay vì p = 0.000. Nếu p = 0.127, bạn viết p = 0.127 và kết luận chưa có bằng chứng thống kê ở mức 0.05. Cũng nên báo cáo r với số chữ số thập phân nhất quán trong toàn chương.

Lỗi thường gặp khi chạy tương quan Pearson

Đưa từng biến quan sát thay vì điểm đại diện vào ma trận. Khi thang đo có nhiều biến quan sát, bảng tương quan sẽ trở nên dày đặc và khó gắn với giả thuyết. Hãy xác định trước bạn đang kiểm tra quan hệ giữa các khái niệm hay giữa từng câu hỏi.

Đọc Sig. như độ mạnh của tương quan. Sig. chỉ cho biết bằng chứng thống kê theo ngưỡng đã chọn. Độ mạnh và chiều liên hệ nằm ở hệ số r. Hai bảng có cùng p-value vẫn có thể có mức r rất khác nhau.

Kết luận nhân quả từ Pearson. Câu “X tác động đến Y” cần được kiểm tra bằng hồi quy hoặc mô hình phù hợp. Với Pearson, cách viết an toàn là “X có mối tương quan với Y” hoặc “X và Y có liên hệ tuyến tính”.

Bỏ qua dữ liệu thiếu và outlier. Một vài dòng bất thường có thể làm r tăng hoặc giảm đáng kể. Hãy kiểm tra bản ghi gốc, lý do dữ liệu bất thường và quy tắc xử lý đã được phê duyệt. Không xóa dòng chỉ vì kết quả sau khi xóa trông phù hợp giả thuyết.

Chạy Pearson cho quan hệ không tuyến tính. Hai biến có thể liên hệ theo đường cong nhưng hệ số Pearson thấp. Scatterplot giúp bạn nhận diện tình huống này trước khi quyết định cách phân tích.

Nhầm Pearson với EFA hoặc AMOS. Pearson là phân tích tương quan hai biến. EFA dùng để khám phá cấu trúc nhân tố, còn AMOS phù hợp với mô hình SEM dựa trên covariance. Bạn có thể xem bài ma trận xoay nếu đang đọc output EFA, hoặc tài liệu về AMOS nếu mô hình của bạn dùng công cụ đó.

Câu hỏi thường gặp

Tương quan Pearson là gì?

Tương quan Pearson là phép đo mức độ và chiều của mối liên hệ tuyến tính giữa hai biến số. SPSS trả về hệ số r, p-value và số quan sát N trong bảng Correlations.

Hệ số dương cho biết hai biến có xu hướng tăng cùng nhau, hệ số âm cho biết xu hướng ngược chiều. Hệ số này không tự chứng minh quan hệ nhân quả.

Tương quan Pearson bao nhiêu là đạt?

Không nên dùng một con số r duy nhất để quyết định mọi kết quả là “đạt”. Bạn cần xem đồng thời dấu của r, độ lớn của r, p-value, cỡ mẫu và mức phù hợp với giả thuyết.

Nếu Sig. nhỏ hơn 0.05, bạn có thể kết luận mối liên hệ có ý nghĩa thống kê ở mức 5%, với điều kiện dữ liệu và giả định của phép phân tích phù hợp. Sau đó báo cáo độ lớn của r thay vì chỉ ghi “đạt” hoặc “không đạt”.

Sig. trong tương quan Pearson bao nhiêu là có ý nghĩa?

Trong cách báo cáo phổ biến, Sig. nhỏ hơn 0.05 được xem là có ý nghĩa thống kê ở mức 5%. Nếu Sig. lớn hơn hoặc bằng 0.05, bạn chưa có đủ bằng chứng để kết luận mối liên hệ khác 0 ở mức này.

Hãy kiểm tra bạn đang đọc đúng dòng Sig. (2-tailed) và đúng cặp biến. Không lấy giá trị Sig. trên đường chéo hoặc của một cặp khác để kết luận cho giả thuyết hiện tại.

Pearson có dùng được cho thang đo Likert không?

Trong nhiều luận văn, điểm trung bình hoặc điểm tổng hợp của nhiều biến quan sát Likert được xử lý như biến số để phân tích tương quan. Bạn cần trình bày cách tính điểm và kiểm tra chất lượng thang đo trước khi chạy.

Nếu chỉ có một biến thứ bậc, dữ liệu có nhiều ngoại lệ hoặc quan hệ không tuyến tính, bạn nên xem xét Spearman. Quyết định cần dựa trên đặc điểm dữ liệu và kế hoạch phân tích, không chỉ dựa trên thói quen dùng SPSS.

Pearson không có ý nghĩa thì phải làm sao?

Trước tiên, kiểm tra lại mã hóa, biến đảo chiều, missing values, cách tính điểm và outlier. Sau đó xem scatterplot để chắc rằng quan hệ cần kiểm tra có dạng tuyến tính. Bạn không nên tự ý xóa biến hoặc đổi kiểm định chỉ để p-value nhỏ hơn.

Nếu giả thuyết không được ủng hộ, hãy báo cáo kết quả đó trung thực và giải thích trong giới hạn của mẫu, thang đo và mô hình. Khi chuyển sang hồi quy, kết quả có thể khác do mô hình đưa nhiều biến vào cùng lúc, nhưng bạn vẫn phải giữ lại output và quy trình đã chạy.

Mở lại file .sav, kiểm tra tên và cách tính các biến đại diện, sau đó chạy lại Analyze > Correlate > Bivariate với đúng lựa chọn Pearson, Two-tailed và cách xử lý missing đã ghi trong phương pháp. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích SPSS và SmartPLS có thể hỗ trợ bạn kiểm tra output và chuyển kết quả thành bảng báo cáo, không thay số liệu thật của bạn.