Phân Tích Tương Quan Pearson SPSS: Hướng Dẫn & Cách Đọc Sig

Nội dung chính

Phân Tích Tương Quan Tuyến Tính Pearson Bằng SPSS: Kiểm Định Mối Liên Hệ Giữa Các Nhân Tố

Chào bạn, tôi là Mạnh Hùng Digi. Sau khi đã hoàn thành phân tích nhân tố khám phá EFA, bước tiếp theo bạn cần thực hiện chính là phân tích tương quan Pearson. Nỗi đau mà nhiều bạn làm NCKH hay gặp phải là: Các nhân tố trông rất đẹp nhưng khi chạy tương quan thì hệ số Sig. lại lớn hơn 0.05, hoặc hệ số tương quan quá thấp khiến giả thuyết nghiên cứu có nguy cơ bị bác bỏ ngay từ “vòng gửi xe”. Bài viết này Mạnh Hùng sẽ giúp bạn hiểu rõ bản chất và cách xử lý số liệu tương quan sao cho chuẩn xác nhất.

bài viết liên quan Cách xử lý ma trận xoay lộn xộn, biến không hội tụ trong EFA

Hệ số tương quan Pearson (r) giúp đo lường mức độ chặt chẽ của mối quan hệ tuyến tính giữa hai biến định lượng. Nếu bạn muốn thực hành trên một bộ số liệu có mối quan hệ nhân quả rõ nét, hãy tham khảo dữ liệu mẫu tối ưu cho phân tích tương quan Pearson tại ShopData.

1. Các chỉ số “Sống còn” khi đọc kết quả tương quan Pearson

Khi nhìn vào bảng Correlations trong SPSS, bạn cần tập trung tuyệt đối vào hai chỉ số sau:

Hệ số tương quan Pearson Correlation (r): Giá trị này nằm trong khoảng từ -1 đến 1.
- r > 0: Tương quan thuận (Biến X tăng thì biến Y tăng).
- r < 0: Tương quan nghịch (Biến X tăng thì biến Y giảm).
- |r| càng gần 1, mối quan hệ càng chặt chẽ. Thông thường trong NCKH, |r| > 0.3 được coi là có tương quan vừa, > 0.5 là tương quan mạnh.
Giá trị Sig. (2-tailed): Đây là mức ý nghĩa thống kê.
- Nếu Sig. < 0.05: Có ý nghĩa thống kê (Mối quan hệ này có thật, không phải do ngẫu nhiên).
- Nếu Sig. > 0.05: Không có ý nghĩa thống kê. Lúc này, dù r có cao đến đâu thì mối quan hệ đó cũng không được thừa nhận.

Nếu bảng kết quả của bạn gặp lỗi Sig. đỏ (không có ý nghĩa), hãy xem ngay giải pháp fix lỗi hệ số tương quan không có ý nghĩa của Mạnh Hùng Digi.

2. Quy trình thực hiện phân tích tương quan Pearson trên SPSS

Quy trình thực hiện tương quan Pearson rất đơn giản nhưng bạn cần lưu ý về cách chọn biến:

Bước 1: Tính giá trị trung bình đại diện cho các nhân tố (sau khi đã lọc biến ở Alpha và EFA). Bạn có thể sử dụng lệnh Compute Variable để tính Mean cho từng nhân tố.

Bước 2: Vào Analyze -> Correlate -> Bivariate…

Bước 3: Đưa toàn bộ các nhân tố (cả biến độc lập và biến phụ thuộc) vào ô Variables.

Bước 4: Đảm bảo ô Pearson và Two-tailed đã được tích chọn. Nhấn OK.

Mẹo đọc bảng ma trận tương quan nhanh

Trong NCKH, hãy chú ý đến các dấu sao (* hoặc **). SPSS tự động đánh dấu sao cho các mối tương quan có ý nghĩa.

** : Tương quan có ý nghĩa ở mức 0.01 (Độ tin cậy 99%).
* : Tương quan có ý nghĩa ở mức 0.05 (Độ tin cậy 95%).

3. Ví dụ thực tế: Tương quan giữa “Chế độ đãi ngộ” và “Động lực làm việc”

Giả lập tình huống: Mạnh Hùng nghiên cứu một đề tài NCKH về nhân sự. Kết quả tương quan giữa nhân tố “Chế độ đãi ngộ” (CDDN) và “Động lực làm việc” (DLLV) cho ra hệ số Pearson Correlation = 0.645 và Sig. = 0.000.

Biện giải của chuyên gia: Hệ số r = 0.645 cho thấy CDDN và DLLV có mối tương quan thuận, mức độ khá mạnh. Giá trị Sig. < 0.05 khẳng định mối quan hệ này hoàn toàn có ý nghĩa thống kê. Điều này cho thấy khi doanh nghiệp cải thiện chế độ đãi ngộ, động lực làm việc của nhân viên sẽ tăng lên đáng kể. Kết quả này là cơ sở vững chắc để chúng ta tiến hành phân tích hồi quy sau đó.

Bài cùng chuyên mục T-test Trong Luận Văn Thạc Sĩ: So Sánh & Biện Giải Quản Trị

Bạn có thể đối chiếu với bộ dữ liệu mẫu 5 biến ẩn để thấy cách các cặp biến tương quan với nhau một cách logic.

4. Mẹo thực chiến và “Vùng nguy hiểm” cần tránh

Mẹo từ Mạnh Hùng Digi: Luôn quan sát sự tương quan giữa các biến độc lập với nhau. Nếu hệ số tương quan giữa hai biến độc lập quá cao (> 0.7 hoặc 0.8), hãy cẩn thận! Đây là dấu hiệu của hiện tượng đa cộng tuyến. Nếu gặp trường hợp này, bạn cần xem ngay cách khắc phục đa cộng tuyến.

Những lưu ý quan trọng:

Tương quan không phải là nhân quả: Pearson chỉ nói lên hai biến có biến thiên cùng chiều hay không, nó không khẳng định biến X gây ra biến Y. Để khẳng định nhân quả, bạn bắt buộc phải chạy hồi quy.
Dữ liệu ngoại lai: Chỉ một vài điểm dữ liệu bất thường (Outliers) có thể làm hệ số r thay đổi đáng kể. Hãy dùng thống kê mô tả để lọc dữ liệu “sạch” trước khi chạy tương quan.
Sử dụng dữ liệu mẫu: Để có một bảng ma trận tương quan “đẹp” phục vụ báo cáo mẫu, hãy tham khảo dữ liệu siêu chuẩn R bình phương > 90%.

5. Giải đáp thắc mắc (FAQ) về tương quan Pearson

Câu hỏi 1: Tại sao Pearson Correlation của tôi bằng 1.000?
Trả lời: Đó là tương quan của chính biến đó với chính nó (đường chéo của bảng). Nếu không phải đường chéo mà vẫn bằng 1.000, có thể bạn đã đưa nhầm hai biến hoàn toàn giống hệt nhau vào phân tích.

Câu hỏi 2: Có cần chạy tương quan cho biến định danh không?
Trả lời: Không. Pearson dành cho biến định lượng. Với biến định danh (như Giới tính), bạn nên dùng kiểm định Chi-square hoặc Independent Sample T-test.

Câu hỏi 3: Nếu tương quan không có ý nghĩa (Sig. > 0.05) thì có chạy hồi quy được không?
Trả lời: Theo lý thuyết, nếu không tương quan thì không nên chạy hồi quy vì biến độc lập đó chắc chắn không tác động đến biến phụ thuộc. Bạn cần chỉnh sửa dữ liệu trước khi đi tiếp.

Kết luận

Phân tích tương quan Pearson là một bước thẩm định nhanh nhưng vô cùng quan trọng. Nó giúp bạn sàng lọc các nhân tố thực sự có mối liên hệ trước khi bước vào giai đoạn hồi quy phức tạp.

Nếu gặp khó khăn trong việc phân tích tương quan Pearson, hệ số Sig. bị cao hoặc r quá thấp, bạn có thể gửi dữ liệu để Mạnh Hùng kiểm tra miễn phí qua Zalo 0869.786.862. Hệ sinh thái từ Mạnh Hùng Digi và Lestaup sẽ giúp bạn xử lý mọi vấn đề về số liệu để bài nghiên cứu đạt kết quả tốt nhất.

Mạnh Hùng Digi – Đồng hành cùng đam mê nghiên cứu của bạn!

Có thể bạn quan tâm Cách sử dụng SPSS trong nghiên cứu khoa học: Hướng dẫn từ A-Z