Phân tích tương quan Pearson trên SPSS

Trong tương quan chúng ta có 2 loại: Tương quan tuyến tính và Tương quan phi tuyến. Với Pearson, chúng ta sẽ xem xét sự tương quan tuyến tính giữa các cặp biến với nhau. Bài viết này Xử Lý Định Lượng sẽ giúp các bạn nắm rõ về mối quan hệ tương quan giữa 1 cặp biến, cũng như hướng dẫn các bạn phân tích – đọc kết quả tương quan Pearson trên SPSS.

Tương quan Pearson trong SPSS

1. Lý thuyết về tương quan và tương quan Pearson

– Giữa 2 biến định lượng có nhiều dạng liên hệ, có thể là tuyến tính hoặc phi tuyến hoặc không có bất kỳ một mối liên hệ nào.

– Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson (ký hiệu r) để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa 2 biến định lượng (lưu ý rằng Pearson chỉ xét mối liên hệ tuyến tính, không đánh giá các mối liên hệ phi tuyến).

– Trong tương quan Pearson không có sự phân biệt vai trò giữa 2 biến, tương quan giữa biến độc lập với biến độc lập cũng như giữa biến độc lập với biến phụ thuộc.

Tương quan Pearson trong SPSS

2. Phân tích tương quan Pearson bằng SPSS

2.1 Một số tiêu chí cần biết

Tương quan Pearson r có giá trị dao động từ -1 đến 1:

  • Nếu r càng tiến về 1, -1: tương quan tuyến tính càng mạnh, càng chặt chẽ. Tiến về 1 là tương quan dương, tiến về -1 là tương quan âm.
  • Nếu r càng tiến về 0: tương quan tuyến tính càng yếu.
  • Nếu r = 1: tương quan tuyến tính tuyệt đối, khi biểu diễn trên đồ thị phân tán Scatter như hình vẽ ở trên, các điểm biểu diễn sẽ nhập lại thành 1 đường thẳng.
  • Nếu r = 0: không có mối tương quan tuyến tính. Lúc này sẽ có 2 tình huống xảy ra. Một, không có một mối liên hệ nào giữa 2 biến. Hai, giữa chúng có mối liên hệ phi tuyến.

Tương quan Pearson trong SPSS

Bảng trên đây minh họa cho kết quả tương quan Pearson của nhiều biến đưa vào cùng lúc trong SPSS. Trong bảng kết quả tương quan Pearson ở trên:

  • Hàng Pearson Correlation là giá trị r để xem xét sự tương thuận hay nghịch, mạnh hay yếu giữa 2 biến.
  • Hàng (2-tailed) là sig kiểm định xem mối tương quan giữa 2 biến là có ý nghĩa hay không. Sig < 0.05, tương quan có ý nghĩa; sig ≥ 0.05, tương quan không có ý nghĩa. Cần xem xét sig trước, nếu sig < 0.05 mới nhận xét tới giá trị tương quan Pearson r.
  • Hàng N hiển thị cỡ mẫu của tập dữ liệu. Cụ thể trong bảng trên là 220.

2.2 Thực hành trên SPSS 20 với tập dữ liệu mẫu

Để thực hiện phân tích tương quan Pearson trong SPSS 20, chúng ta vào Analyze > Correlate > Bivariate…

Tương quan Pearson trong SPSS

Tại đây, chúng ta đưa hết tất cả các biến muốn chạy tương quan Pearson vào mục Variables. Cụ thể là các biến đại diện được tạo ra sau bước phân tích EFA. Để tiện cho việc đọc số liệu, chúng ta nên đưa biến phụ thuộc lên trên cùng, tiếp theo là các biến độc lập. Sau đó, nhấp vào OK để xuất kết quả ra Output.

Tương quan Pearson trong SPSS

Bảng Correlations thể hiện mối quan hệ tương quan tuyến tính giữa các biến. Cần nhớ, Pearson chỉ xét mối tương quan của cặp biến trong môi trường độc lập, không có sự ảnh hưởng của các biến khác.

Tương quan Pearson trong SPSS

→ Sig tương quan Pearson các biến độc lập TN, CV, LD, MT, DT với biến phụ thuộc HL nhỏ hơn 0.05. Như vậy, có mối liên hệ tuyến tính giữa các biến độc lập này với biến HL. Giữa DT và HL có mối tương quan mạnh nhất với hệ số r là 0.611, giữa MT và HL có mối tương quan yếu nhất với hệ số r là 0.172.

→ Sig tương quan Pearson giữa HL và DN lớn hơn 0.05, do vậy, không có mối tương quan tuyến tính giữa 2 biến này. Biến DN sẽ được loại bỏ khi thực hiện phân tích hồi quy tuyến tính bội.

→ Các cặp biến độc lập đều có mức tương quan khá yếu với nhau, như vậy, khả năng cao sẽ không có hiện tượng đa cộng tuyến xảy ra.

Nếu 2 biến độc lập có sig < 0.05 và hệ số tương quan Pearson r khá lớn, khoảng từ 0.4 trở lên, chúng ta cần đặt nghi vấn có khả năng xảy ra đa cộng tuyến giữa 2 biến này. Cần lưu ý, ở bước Pearson chúng ta chỉ đặt nghi vấn chứ không có bất kỳ một tính toán, so sánh chính xác nào để chứng minh rằng giữa 2 biến độc lập có đa cộng tuyến xảy ra. Nghi vấn này sẽ được trả lời dựa vào hệ số VIF khi phân tích hồi quy.

Điểm đánh giá / 5. Số người đánh giá

Leave a Reply

Your email address will not be published. Required fields are marked *