Những điều bạn cần biết về chạy hồi quy SPSS

5 (100%) 5 votes

Hồi quy SPSS là bước kiểm định mô hình nghiên cứu sau khi chạy một loạt các phân tích Cronbach’s Alpha, EFA, Correlations để chọn lựa những biến độc lập thỏa mãn điều kiện cho yêu cầu hồi quy.

Hồi quy để xác định cụ thể trọng số của từng nhân tố độc lập tác động đến nhân tố phụ thuộc từ đó đưa ra được phương trình hồi quy cũng là mục đích của bài nghiên cứu. Xác định mức độ ảnh hưởng của từng nhân tố độc lập lên nhân tố phụ thuộc.

Nói một cách nôm na, hồi quy giúp xác định được nhân tố nào đóng góp nhiều/ít/không đóng góp vào sự thay đổi của biến phụ thuộc, để từ đó đưa ra các giải pháp cần thiết và kinh tế nhất.

>>>Xem thêm bài viết liên quan: Những điều bạn cần biết về phân tích nhân tố khám phá trong SPSS

Những điều bạn cần biết về chạy hồi quy SPSS

1. Cách phân tích và đọc kết quả hồi quy đa biến trong SPSS

Về cách chạy hồi quy trong SPSS ở các nghiên cứu sử dụng phân tích định lượng, đã có nhiều tác giả hướng dẫn trên Internet. Đa phần những hướng dẫn này đều đi vào những phân tích cơ bản nhưng cũng khá đầy đủ để bạn trình bày đối với các bài luận thuộc phạm vi khóa luận, tiểu luận, báo cáo cấp độ sinh viên.

Riêng đối với các đề tài về nghiên cứu khoa học, luận văn cao học, thạc sĩ thì nghiên cứu cần sử dụng một số phân tích sâu hơn, sau khi phân tích, bạn cần thực hiện dò tìm xem thử các giả định hồi quy có bị vi phạm hay không.

Nếu bạn gặp khó khăn khi thực hiện phân tích hồi quy đa biến giá trị R2 hiệu chỉnh quá thấp, nhân tố độc bị loại không như ý muốn, xảy ra tự tương quan hoặc đa cộng tuyến,… bạn có thể tham khảo Dịch Vụ Xử Lý Số Liệu SPSS của Tri Thức Cộng Đồng.

Bài viết này Tri Thức Cộng Đồng sẽ hướng dẫn cho các bạn thực hiện chạy hồi quy trong SPSS và dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính. Mỗi bảng kết quả xuất ra, Tri Thức Cộng Đồng sẽ đi vào nhận xét, đọc kết quả hồi quy để bạn có thể dễ dàng nắm bắt được và trình bày vào bài nghiên cứu của mình.

Giả sử bạn có một bộ dữ liệu SPSS đã thực hiện xong các kiểm định Cronbach Alpha và EFA, và bạn cũng đã tạo các biến đại diện cho từng nhóm nhân tố sau EFA. Các biến độc lập và phụ thuộc của bạn bao gồm:

  • Biến độc lập (Independent): F_NT, F_NTi, F_KSD, F_DM, F_KST, F_GT
  • Biến phụ thuộc (Dependent): F_YD
Hồi quy đa biến

Để thực hiện phân tích hồi quy tuyến tính bội, bạn vào Analyze > Regression > Linear:

Phân tích hồi quy đa biến

Tiếp theo, bạn đưa biến phụ thuộc vào ô Dependent, các biến độc lập vào ô Independent:

Nhập các biến vào bảng

Vào mục Statistics, tích chọn các mục như trong ảnh và click Continue:

Tích chọn thư mục

Vào mục Plots, tích chọn các mục như trong ảnh và click Continue. Mục Plots sẽ xuất ra các biểu đồ phục vụ cho việc kiểm tra vi phạm các giả định hồi quy.

Tích chọn thư mục

Các mục còn lại để mặc định. Không thay đổi các tùy chỉnh trong đó nhé. Rồi, quay lại giao diện ban đầu, mục Method, các bạn có thể chọn 2 phương pháp phổ biến nhất là Stepwise và Enter, thường thì sẽ chọn Enter. Bạn nào muốn tìm hiểu sau khi nào chạy phương pháp nào các bạn tìm mua bộ sách “Phân tích dữ liệu nghiên cứu với SPSS” của thầy Hoàng Trọng và cô Mộng Ngọc nhé. Chọn xong phương pháp, các bạn nhấp vào OK:

Chạy hồi quy SPSS

SPSS sẽ xuất ra rất nhiều bảng, tuy nhiên chúng ta chỉ sử dụng một vài bảng trọng tâm phục vụ cho bài nghiên cứu gồm: Model Summary, ANOVA và Coefficients. Tri Thức Cộng Đồng sẽ đọc kết quả lần lượt cho từng bảng này:

1.1. Bảng Model Summary

Bảng Model Summary

Trong bảng này, các bạn quan tâm 2 giá trị: Adjusted R Square (hoặc R Square)   Durbin-Watson.

Adjusted R Square hay còn gọi là R bình phương hiệu chỉnh, nó phản ánh mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Cụ thể trong trường hợp này, 6 biến độc lập đưa vào ảnh hưởng 67.2% sự thay đổi của biến phụ thuộc, còn lại 32.8% là do các biến ngoài mô hình và sai số ngẫu nhiên. Thường thì giá trị này từ 50% trở lên là nghiên cứu có thể sử dụng. Mình nhấn mạnh là thường nha các bạn, chứ không có ai quy định cả.

Quy tắc kiểm định của Durbin Watson

Durbin-Watson (DW) dùng để kiểm định tự tương quan của các sai số kề nhau (hay còn gọi là tương quan chuỗi bậc nhất) có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2 (từ 1 đến 3); nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch. Lưu ý, cái này là giá trị ước lượng thường dùng trong SPSS chứ không chính xác. Không có tự tương quan chuỗi bậc nhất thì dữ liệu thu thập là tốt. Cụ thể trong trường hợp này, k’ = 6, n = 125, tra bảng DW ta có dL = 1.651dU = 1.817. Gắn vào thanh giá trị DW, ta thấy 1.817 < 1.881 < 2.183, như vậy, không có sự tương quan chuỗi bậc nhất trong mô hình.

Thanh giá trị

 

1.2. Bảng ANOVA

Bảng ANOVA

Xây dựng xong một mô hình hồi quy tuyến tính, vấn đề quan tâm đầu tiên của bạn phải là xem xét độ phù hợp của mô hình đối với tập dữ liệu qua giá trị Adjusted R Square (hoặc R Square)  như đã trình bày ở mục 1. Nhưng cần nhớ rằng, sự phù hợp này mới chỉ thể hiện giữa mô hình bạn xây dựng được với tập dữ liệu là mẫu nghiên cứu.

Tổng thể rất lớn, chúng ta không thể khảo sát hết toàn bộ, nên thường trong nghiên cứu, chúng ta chỉ chọn ra một lượng mẫu giới hạn để tiến hành điều tra, từ đó suy ra tính chất chung của tổng thể. Mục đích của kiểm định F trong bảng ANOVA chính là để kiểm tra xem mô hình hồi quy tuyến tính này có suy rộng và áp dụng được cho tổng thể hay không.

Cụ thể trong trường hợp này, giá trị sig của kiểm định F là 0.000 < 0.05. Như vậy, mô hình hồi quy tuyến tính xây dựng được phù hợp với tổng thể.

1.3. Bảng Coefficients

Bảng Coefficients

Trước khi đi vào tìm hiểu các giá trị trong bảng này, mình sẽ nói một ít về thắc mắc của khá nhiều bạn: Sử dụng hệ số hồi quy nào mới là đúng, chuẩn hóa hay chưa chuẩn hóa? Sao lại có bài dùng phương trình hồi quy chuẩn hóa, bài lại dùng hồi quy chưa chuẩn hóa? Có giảng viên yêu cầu viết phương trình chuẩn hóa, giảng viên lại buộc viết phương trình chưa chuẩn hóa?

Với dạng đề tài nghiên cứu có mô hình + bảng câu hỏi sử dụng thang đo Likert + chạy phân tích định lượng SPSS thì các bạn nên sử dụng phương trình hồi quy chuẩn hóa, lý do tại sao thì mình vừa dẫn bài viết cho các bạn đọc ngay ở trên rồi. Như vậy, bảng Coefficients, những mục các bạn cần lưu ý gồm cột Hệ số hồi quy chuẩn hóa Beta, cột giá trị Sig, cột VIF.

Đầu tiên là giá trị Sig kiểm định t từng biến độc lập, sig nhỏ hơn hoặc bằng 0.05 có nghĩa là biến đó có ý nghĩa trong mô hình, ngược lại sig lớn hơn 0.05, biến độc lập đó cần được loại bỏ.

Tiếp theo là hệ số hồi quy chuẩn hóa Beta, trong tất cả các hệ số hồi quy, biến độc lập nào có Beta lớn nhất thì biến đó ảnh hưởng nhiều nhất đến sự thay đổi của biến phụ thuộc. Do đó khi đề xuất giải pháp, các bạn nên chú trọng nhiều vào các nhân tố có Beta lớn.

Cuối cùng là VIF, giá trị này dùng để kiểm tra hiện tượng đa cộng tuyến. Theo lý thuyết nhiều tài liệu viết, VIF < 10 sẽ không có hiện tượng đa cộng tuyến. Tuy nhiên trên thực tế với các đề tài nghiên cứu có mô hình + bảng câu hỏi sử dụng thang đo Likert thì VIF < 2 sẽ không có đa cộng tuyến, trường hợp hệ số này lớn hơn hoặc bằng 2, khả năng cao đang có sự đa cộng tuyến giữa các biến độc lập.

Với dữ liệu mình đang chạy, như các bạn thấy sig hệ số hồi quy của các biến độc lập đều nhỏ hơn hoặc bằng 0.05, do đó các biến độc lập này đều có ý nghĩa giải thích cho biến phụ thuộc, không biến nào bị loại bỏ. Hệ số VIF nhỏ hơn 2 do vậy không có đa cộng tuyến xảy ra.

Riêng cột Tolerance, các bạn sẽ thấy một số bài nghiên cứu, tài liệu sử dụng hệ số này để kiểm tra đa cộng tuyến. Nhưng ở đây mình không dùng, bởi vì hệ số này là nghịch đảo của VIF, nên các bạn có thể sử dụng 1 trong 2, cái nào cũng được, thường mọi người hay dùng VIF hơn.

Như vậy phương trình hồi quy chuẩn hóa sẽ là:

F_YD = 0.317*F_NT + 0.414*F_NTi + 0.351 *F_KSD

+ 0.251*F_DM + 0.365*F_KST + 0.242*F_GT

1.4. Biểu đồ tần số phần dư chuẩn hóa Histogram

Phần dư có thể không tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích… Vì vậy, chúng ta cần thực hiện nhiều cách khảo sát khác nhau. Một cách khảo sát đơn giản nhất là xây dựng biểu đồ tần số của các phần dư Histogram ngay dưới đây. Một cách khác nữa là căn cứ vào biểu đồ P-P Plot ở mục số 5 sẽ tìm hiểu sau mục này.

Biểu đồ tần số phần dư chuẩn hóa Histogram

1.5. Biểu đồ phần dư chuẩn hóa Normal P-P Plot

Ngoài cách kiểm tra bằng biểu đồ Histogram, thì P-P Plot cũng là một dạng biểu đồ được sử dụng phổ biến giúp nhận diện sự vi phạm giả định phần dư chuẩn hóa.

Biểu đồ phần dư chuẩn hóa Normal P-P Plot

Với P-P Plot (hoặc bạn có thể dùng Q-Q Plot, 2 đồ thị này không khác nhau nhiều), các điểm phân vị trong phân phối của phần dư sẽ tập trung thành một đường chéo nếu phần dư có phân phối chuẩn. Hay nói một cách đơn giản, dễ hiểu, các bạn nhìn vào đồ thị này, các chấm tròn tập trung thành dạng một đường chéo thì sẽ không vi phạm giả định hồi quy về phân phối chuẩn phần dư.

Cụ thể với dữ liệu bạn đang sử dụng, các điểm phân vị trong phân phối của phần dư tập trung thành 1 đường chéo, như vậy, giả định phân phối chuẩn của phần dư không bị vi phạm.

1.6. Biểu đồ Scatter Plot kiểm tra giả định liên hệ tuyến tính

Biểu đồ phân tán Scatter Plot giữa các phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa giúp chúng ta dò tìm xem, dữ liệu hiện tại có vi phạm giả định liên hệ tuyến tính hay không. Trong bài viết này, mình biểu diễn giá trị phần dư chuẩn hóa (Standardized Residual) ở trục hoành và giá trị dự đoán chuẩn hóa (Predicted Value) ở trục tung. Các bạn phải thực sự chú ý chỗ này, bởi vì có nhiều tài liệu, sách biểu diễn ngược lại với bạn nên khi nhận xét sẽ có vài điểm thay đổi giữa mỗi tác giả khác nhau.

Biểu đồ Scatter Plot kiểm tra giả định liên hệ tuyến tính

Kết quả đồ thị xuất ra, các điểm phân bố của phần dư nếu có các dạng: đồ thị Parabol, đồ thị Cubic,.. hay các dạng đồ thị khác không phải đường thẳng thì dữ liệu của bạn đã vi phạm giả định liên hệ tuyến tính. Nếu giả định quan hệ tuyến tính được thỏa mãn thì phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường hoành độ 0 (trường hợp bạn đang biểu diễn phần dư chuẩn hóa Standardized Residual ở trục hoành; trường hợp nếu các bạn biểu diễn giá trị này ở trục tung thì phải xem xét phân bố phần dư có tập trung quanh đường tung độ 0 hay không).

Cụ thể với tập dữ liệu bạn đang sử dụng, phần dư chuẩn hóa phân bổ tập trung xung quanh đường hoành độ 0, do vậy giả định quan hệ tuyến tính không bị vi phạm.

2. Mối liên hệ giữa hệ số hồi quy chuẩn hóa và chưa chuẩn hóa

Trong bước chạy hồi quy, rất nhiều các bạn gặp phải khó khăn khi tại bảng Coefficients có tới 2 cột hệ số hồi quy:

Cột 1 – Hệ số B: Hệ số hồi quy chưa chuẩn hóa

Cột 2 – Hệ số Beta: Hệ số hồi quy chuẩn hóa

Trong phạm vi bài viết này, Tri Thức Cộng Đồng sẽ hướng dẫn cho bạn lý do tại sao lại có sự khác nhau về độ lớn giữa 2 dạng hệ số hồi quy, công thức chuyển đổi nào giữa 2 hệ số này.

Để xem chi tiết hơn, các bạn có thể tham khảo cuốn Phân tích dữ liệu nghiên cứu với SPSS – Tập 1, trang 241 của Hoàng Trọng & Chu Nguyễn Mộng Ngọc, ở đây mình sẽ rút trích công thức và giải thích đơn giản hơn để mọi người cùng nắm (bởi vì sách của thầy cô dùng nhiều thuật ngữ Toán thống kê nên khó hiểu). Công thức liên hệ giữa hệ số hồi quy chuẩn hóa và chưa chuẩn hóa như sau:

Công thức liên hệ giữa hệ số hồi quy chuẩn hóa và chưa chuẩn hóa

Giờ chúng ta sẽ đi cụ thể vào một bài làm mẫu để dễ hình dung đâu là B, Beta, S. Trong mô hình dưới đây, tác giả có các biến độc lập: TH, CN, DV, GT và biến phụ thuộc HL.

Bài làm mẫu

Sau 2 bước Cronbach Alpha và EFA, tiến hành tạo biến đại diện cho nhân tố. Bởi vì SPSS không chấp nhận tên biến là GT nên nhóm biến GT sẽ được tạo nhân tố đại diện là GTCN, các biến khác tạo bình thường lấy tên của biến quan sát.

Tạo biến đại diện cho nhân tố

Tiến hành chạy hồi quy bình thường: Analyze > Regression > Linear (thao tác mẫu trên SPSS 20)

Chạy hồi quy

Bạn đưa biến phụ thuộc và biến độc lập vào các ô tương ứng, có thể tùy chọn phương pháp chạy là Stepwise, Enter… tùy ý bạn, cái này không quan trọng trong phạm vi bài viết này. Tuy nhiên, bạn cần lưu ý, tại mục tùy chọn Statistics, bạn nhớ tích vào Descriptives.

Đưa biến vào ô thích hợp

Mục đích của việc này là để chúng ta chạy thống kê mô tả sơ bộ cho các nhân tố đại diện trước khi đi vào hồi quy, từ đó có thể lấy được giá trị S (Standard Deviation: Độ lệch chuẩn) nằm trong công thức ban đầu.

Descriptives Statistics

Kết quả thống kê mô tả ta có được:

  • Độ lệch chuẩn của biến phụ thuộc HL là: 0.432
  • Độ lệch chuẩn của biến độc lập CN là: 0.674

Bảng tiếp theo chúng ta sẽ quan tâm là Coefficients, bảng hệ số hồi quy:

Coefficients

Biến độc lập K trong công thức mình sẽ lấy ví dụ là biến CN. Biến phụ thuộc Y tương ứng sẽ là biến HL (tương tự cho các biến độc lập khác). Áp dụng công thức ta có:

Công thức

Giá trị 0.5866 hoàn toàn khớp với giá trị cột Beta trong bảng hệ số hồi quy Coefficients.

Chúc các bạn thành công!

Bình luận

avatar
3 Comment threads
0 Thread replies
Most reacted comment
Hottest comment thread
3 Comment authors
Trịnh Kim NgânMỹ LinhKhánh Hà Recent comment authors
  Subscribe  
Tin mới nhất Tin cũ nhất Bình chọn nhiều nhất
Notify of
Khánh Hà
Guest
Khánh Hà

bạn ơi cho mình hỏi có phải phương pháp Paired Samples T Test chỉ được áp dụng với numerical variables (biến số) k?

Mỹ Linh
Guest
Mỹ Linh

Add cho hỏi trong spss có phân tích được n yếu tố như khoáng chất, pH, nhiệt độ, lượng cacbon, nito…. ảnh hưởng lên sinh khối chăng hạn

Trịnh Kim Ngân
Guest
Trịnh Kim Ngân

Cho mình bản hướng dẫn sử dụng đầy đủ của phương pháp này với ạ

Hotline: 0946 88 33 50
Chat Zalo
Zalo: 0946.883.350
Chat với chúng tôi qua Zalo