Tương quan Pearson SPSS: 5 bước chạy và cách đọc hệ số r chính xác

Tương quan Pearson SPSS là bước phân tích gần như bắt buộc trong các luận văn định lượng: trước khi chạy hồi quy, bạn cần biết các biến độc lập có liên hệ với biến phụ thuộc hay không, mức độ liên hệ mạnh hay yếu, và giữa các biến độc lập có nguy cơ đa cộng tuyến không. Bài viết này hướng dẫn chi tiết 5 bước chạy tương quan Pearson SPSS, cách đọc hệ số r, giá trị Sig., ma trận tương quan, khi nào nên chuyển sang Spearman và cách trình bày kết quả theo chuẩn APA.

Tương quan Pearson SPSS là gì?

Hệ số tương quan Pearson (ký hiệu r) đo mức độ quan hệ tuyến tính giữa hai biến định lượng. Hệ số do Karl Pearson phát triển cuối thế kỷ 19 và đến nay vẫn là thước đo liên hệ phổ biến nhất trong khoa học xã hội, kinh tế, y tế và giáo dục. Trong phần mềm, tương quan Pearson SPSS nằm ở menu Analyze > Correlate > Bivariate.

Giá trị r nằm trong khoảng từ -1 đến +1:

• r > 0: quan hệ cùng chiều, biến này tăng thì biến kia có xu hướng tăng.
• r < 0: quan hệ ngược chiều, biến này tăng thì biến kia có xu hướng giảm.
• r = 0: không có quan hệ tuyến tính (nhưng vẫn có thể có quan hệ phi tuyến).
• |r| càng gần 1: các điểm dữ liệu càng nằm sát một đường thẳng.

Điều quan trọng cần nhớ: tương quan Pearson SPSS chỉ cho biết hai biến "đi cùng nhau" ở mức độ nào, không cho biết biến nào là nguyên nhân. Muốn đánh giá tác động, bạn cần thiết kế nghiên cứu phù hợp và các mô hình như hồi quy tuyến tính bội hoặc SEM.

Khi nào cần chạy tương quan Pearson SPSS trong luận văn?

Trong một luận văn định lượng điển hình theo quy trình Cronbach's Alpha, EFA, tương quan, hồi quy, phân tích tương quan đóng ba vai trò:

1. Kiểm tra sơ bộ mối liên hệ giữa từng biến độc lập và biến phụ thuộc. Nếu một biến độc lập gần như không tương quan với biến phụ thuộc, bạn đã có dấu hiệu sớm rằng hệ số hồi quy của nó có thể không có ý nghĩa.
2. Phát hiện nguy cơ đa cộng tuyến giữa các biến độc lập. Hệ số tương quan giữa hai biến độc lập lớn hơn khoảng 0,8 là tín hiệu cần kiểm tra kỹ VIF trong hồi quy.
3. Trả lời trực tiếp câu hỏi nghiên cứu dạng "có mối liên hệ giữa A và B không", ví dụ giữa số giờ tự học và điểm trung bình, giữa thu nhập và mức chi tiêu.

Tương quan Pearson SPSS cũng được dùng trong ma trận tương quan đi kèm bảng thống kê mô tả (Mean, SD) ở đầu chương kết quả, theo cách trình bày phổ biến của nhiều tạp chí quốc tế.

Giả định của tương quan Pearson SPSS

Trước khi chạy tương quan Pearson SPSS, bạn cần kiểm tra các điều kiện sau:

• Hai biến định lượng: đo bằng thang khoảng hoặc tỷ lệ, hoặc là điểm trung bình của nhiều câu Likert cùng đo một khái niệm. Xem thêm các loại thang đo thống kê.
• Quan hệ tuyến tính: kiểm tra bằng biểu đồ phân tán (scatter plot). Nếu các điểm có dạng đường cong rõ, hệ số r sẽ đánh giá thấp mức độ liên hệ thực.
• Không có giá trị ngoại lai lớn: chỉ một vài quan sát bất thường có thể làm r thay đổi đáng kể, đặc biệt khi cỡ mẫu nhỏ.
• Phân phối xấp xỉ chuẩn: cần thiết cho kiểm định ý nghĩa của r. Với cỡ mẫu từ khoảng 100 trở lên, vi phạm nhẹ thường không ảnh hưởng nhiều.
• Quan sát độc lập: mỗi người trả lời chỉ xuất hiện một lần trong dữ liệu.

Khi dữ liệu là thang thứ bậc, lệch mạnh hoặc có nhiều ngoại lai, bạn nên dùng hệ số Spearman (rho) hoặc Kendall's tau-b, cũng có sẵn trong cùng hộp thoại.

5 bước chạy tương quan Pearson SPSS

Bước 1: Tạo biến đại diện cho từng nhân tố

Sau khi thang đo đạt Cronbach's Alpha và EFA, bạn tạo biến đại diện cho từng nhân tố bằng điểm trung bình của các biến quan sát. Vào Transform > Compute Variable, đặt tên biến mới (ví dụ HL), nhập biểu thức MEAN(HL1,HL2,HL3,HL4) rồi nhấn OK. Lặp lại cho tất cả nhân tố.

Lưu ý: dùng hàm MEAN thay vì cộng rồi chia, vì MEAN tự xử lý khi có giá trị thiếu. Nếu muốn yêu cầu tối thiểu số câu có trả lời, dùng MEAN.3(HL1,HL2,HL3,HL4).

Bước 2: Kiểm tra giả định bằng biểu đồ phân tán

Vào Graphs > Chart Builder > Scatter/Dot, kéo biến độc lập vào trục X, biến phụ thuộc vào trục Y. Quan sát xem các điểm có xu hướng tuyến tính không và có điểm nằm tách xa đám đông không. Với nhiều biến, dùng Matrix Scatter để xem tất cả các cặp cùng lúc.

Bước 3: Mở hộp thoại Bivariate Correlations

Vào Analyze > Correlate > Bivariate. Chuyển biến phụ thuộc và tất cả biến độc lập sang ô Variables. Thứ tự biến trong ô này quyết định thứ tự hàng và cột của ma trận, nên đặt biến phụ thuộc đầu tiên để dễ đọc.

Bước 4: Chọn hệ số và kiểm định

Trong mục Correlation Coefficients, tick Pearson. Mục Test of Significance chọn Two-tailed (trừ khi giả thuyết có hướng rõ ràng và được nêu trước). Tick Flag significant correlations để SPSS đánh dấu * và ** cho các hệ số có ý nghĩa. Trong Options, có thể chọn Means and standard deviations và cách xử lý giá trị thiếu (Exclude cases pairwise hoặc listwise).

Nếu muốn lưu thao tác, nhấn Paste thay vì OK để có cú pháp:

CORRELATIONS
  /VARIABLES=HL GT CL DV
  /PRINT=TWOTAIL NOSIG
  /MISSING=PAIRWISE.

Bước 5: Đọc và báo cáo kết quả

SPSS trả về bảng Correlations dạng ma trận đối xứng. Mỗi ô gồm ba dòng: Pearson Correlation (hệ số r), Sig. (2-tailed) (giá trị p) và N (cỡ mẫu). Phần tiếp theo hướng dẫn chi tiết cách đọc bảng tương quan Pearson SPSS.

Cách đọc bảng kết quả tương quan Pearson SPSS

Bảng minh họa trên là kết quả tương quan Pearson SPSS với 300 quan sát, gồm biến phụ thuộc HL (sự hài lòng) và ba biến độc lập GT (giá trị cảm nhận), CL (chất lượng dịch vụ), DV (thái độ nhân viên). Số liệu chỉ mang tính minh họa.

Đọc hệ số r giữa biến độc lập và biến phụ thuộc

Nhìn vào cột hoặc hàng của HL: GT có r = 0,612, CL có r = 0,548, DV có r = 0,503, đều kèm hai dấu sao (**) và Sig. = 0,000 < 0,01. Như vậy cả ba biến độc lập đều có tương quan cùng chiều, có ý nghĩa thống kê với sự hài lòng. GT có mức tương quan mạnh nhất.

Đọc tương quan giữa các biến độc lập

Tương quan giữa các biến độc lập dao động từ 0,356 đến 0,421, đều dưới 0,8. Đây là dấu hiệu ban đầu cho thấy nguy cơ đa cộng tuyến thấp. Tuy nhiên, kết luận về đa cộng tuyến vẫn cần dựa trên hệ số VIF trong bảng Coefficients của hồi quy.

Đánh giá độ mạnh của hệ số tương quan

Có nhiều cách phân loại, phổ biến nhất là theo Cohen (1988) cho khoa học hành vi:

Giá trị |r|	Mức độ tương quan	Ví dụ diễn giải
0,10 - 0,29	Yếu	Có liên hệ nhưng không rõ nét
0,30 - 0,49	Trung bình	Liên hệ đáng kể
Từ 0,50	Mạnh	Liên hệ rõ nét
Trên 0,80 (giữa biến độc lập)	Rất mạnh	Cần kiểm tra đa cộng tuyến

Ngưỡng phân loại chỉ mang tính tham khảo. Trong một số lĩnh vực như tài chính hay y sinh, mức r = 0,3 đã có giá trị thực tiễn lớn. Khi viết, bạn nên dẫn nguồn của cách phân loại mình dùng.

Hệ số xác định r²

Bình phương hệ số tương quan cho biết tỷ lệ biến thiên chung giữa hai biến. Với r = 0,612, r² ≈ 0,375, nghĩa là khoảng 37,5% biến thiên của HL "đi cùng" với biến thiên của GT. Chỉ số này giúp người đọc hình dung độ mạnh của tương quan Pearson SPSS rõ hơn so với hệ số r đơn thuần.

Tương quan Pearson SPSS và Spearman: chọn hệ số nào?

Hệ số Spearman tính tương quan trên thứ hạng của dữ liệu thay vì giá trị gốc, nên ít bị ảnh hưởng bởi ngoại lai và không yêu cầu phân phối chuẩn.

Tiêu chí	Pearson (r)	Spearman (rho)
Loại biến	Định lượng	Thứ bậc hoặc định lượng
Dạng quan hệ	Tuyến tính	Đơn điệu (monotonic)
Phân phối chuẩn	Cần (cho kiểm định)	Không cần
Nhạy với ngoại lai	Cao	Thấp
Dùng phổ biến khi	Biến đại diện từ thang Likert nhiều câu	Một câu Likert, điểm xếp hạng, dữ liệu lệch

Một cách làm thận trọng: chạy cả hai hệ số. Nếu kết luận giống nhau, bạn báo cáo tương quan Pearson SPSS và ghi chú rằng Spearman cho kết quả tương tự. Nếu khác biệt lớn, cần xem lại phân phối và ngoại lai.

Những lỗi thường gặp khi chạy tương quan Pearson SPSS

Kết luận nhân quả từ tương quan

Câu "GT tác động mạnh đến HL vì r = 0,612" là diễn giải sai. Tương quan Pearson SPSS chỉ cho phép viết "GT có tương quan cùng chiều, mức độ mạnh với HL". Ngôn ngữ về tác động chỉ phù hợp khi bạn đã kiểm soát các biến khác bằng mô hình hồi quy và có cơ sở lý thuyết.

Bỏ qua ngoại lai và quan hệ phi tuyến

Một ví dụ kinh điển là bộ dữ liệu Anscombe (1973): bốn bộ dữ liệu có cùng hệ số r nhưng biểu đồ phân tán hoàn toàn khác nhau. Đó là lý do bước vẽ biểu đồ không nên bỏ qua.

Chạy tương quan trên biến quan sát thay vì biến đại diện

Ma trận tương quan của 25 biến quan sát rất khó đọc và không trả lời câu hỏi nghiên cứu. Thông thường, tương quan Pearson SPSS được chạy trên các biến đại diện đã tạo ở Bước 1.

Nhầm lẫn giữa r và hệ số hồi quy

Hệ số r là tương quan hai biến, không kiểm soát biến khác. Hệ số Beta trong hồi quy bội là tác động riêng phần sau khi kiểm soát các biến còn lại, nên hai con số này thường khác nhau, thậm chí có thể khác dấu.

Chỉ báo cáo các cặp có ý nghĩa

Báo cáo đầy đủ ma trận, kể cả các hệ số không có ý nghĩa, là yêu cầu về tính minh bạch. Việc chỉ chọn kết quả "đẹp" làm sai lệch bức tranh và vi phạm liêm chính học thuật.

Cách trình bày tương quan Pearson SPSS theo chuẩn APA

Theo APA 7, kết quả tương quan một cặp được viết như sau:

Giá trị cảm nhận có tương quan cùng chiều, mức độ mạnh với sự hài lòng, r(298) = 0,61, p < 0,001.

Trong đó số trong ngoặc là bậc tự do df = N - 2. Không viết số 0 trước dấu thập phân của r và p theo APA tiếng Anh; với luận văn tiếng Việt, bạn làm theo quy định định dạng của trường.

Với nhiều biến, trình bày bảng ma trận gồm Mean, SD và hệ số tương quan ở nửa dưới đường chéo. Dưới bảng ghi chú: "N = 300. ** p < 0,01 (hai phía). Số liệu minh họa." Cách trình bày này gọn, dễ đọc và là định dạng chuẩn của nhiều tạp chí.

Tương quan riêng phần (Partial Correlation) trong SPSS

Khi muốn đo liên hệ giữa hai biến sau khi loại bỏ ảnh hưởng của một biến thứ ba, bạn dùng Analyze > Correlate > Partial. Ví dụ: tương quan giữa số giờ tự học và điểm thi sau khi kiểm soát năng lực đầu vào. Nếu hệ số giảm mạnh so với tương quan Pearson SPSS ban đầu, biến kiểm soát có thể đang giải thích một phần mối liên hệ.

Ví dụ đoạn diễn giải trong chương kết quả

Dưới đây là một đoạn mẫu bạn có thể tham khảo cách hành văn, với số liệu minh họa ở bảng trên:

Kết quả phân tích tương quan cho thấy cả ba biến độc lập đều có tương quan cùng chiều với sự hài lòng ở mức ý nghĩa 1%. Giá trị cảm nhận có hệ số tương quan cao nhất (r = 0,61), tiếp theo là chất lượng dịch vụ (r = 0,55) và thái độ nhân viên (r = 0,50).

Tương quan giữa các biến độc lập nằm trong khoảng 0,36 đến 0,42, chưa cho thấy dấu hiệu đa cộng tuyến nghiêm trọng. Các biến này được đưa vào mô hình hồi quy ở phần tiếp theo để đánh giá tác động riêng phần.

Đoạn văn cần phản ánh đúng số liệu của bạn, kể cả khi có hệ số yếu hoặc không có ý nghĩa. Hãy tự viết phần diễn giải dựa trên hiểu biết của mình; khi cần, người hướng dẫn chỉ nên giải thích ý nghĩa chỉ số chứ không viết thay bạn.

Checklist trước khi nộp kết quả tương quan Pearson SPSS

1. Biến đại diện được tạo bằng hàm MEAN từ thang đo đã đạt độ tin cậy.
2. Đã vẽ biểu đồ phân tán và kiểm tra ngoại lai.
3. Đã chọn đúng hệ số (Pearson hoặc Spearman) và nêu lý do.
4. Bảng kết quả có Mean, SD, r, mức ý nghĩa và N.
5. Diễn giải dùng ngôn ngữ "tương quan", không dùng "tác động".
6. Đã lưu file cú pháp để tái lập kết quả tương quan Pearson SPSS.

Câu hỏi thường gặp về tương quan Pearson SPSS

Hệ số tương quan bao nhiêu thì đạt yêu cầu để chạy hồi quy?

Không có ngưỡng bắt buộc. Thông thường, biến độc lập có tương quan có ý nghĩa với biến phụ thuộc là dấu hiệu tốt. Tuy vậy, một biến không tương quan đơn vẫn có thể có ý nghĩa trong hồi quy bội (hiện tượng biến ức chế), nên không nên loại biến chỉ dựa trên tương quan.

Sig. = 0,000 có nghĩa là p bằng 0?

Không. SPSS làm tròn đến ba chữ số thập phân, nên bạn báo cáo là p < 0,001.

Cỡ mẫu nhỏ có chạy tương quan Pearson SPSS được không?

Được, nhưng hệ số kém ổn định và dễ bị ngoại lai chi phối. Với mẫu dưới 30, nên kiểm tra kỹ biểu đồ và cân nhắc Spearman. Xem thêm cách tính cỡ mẫu.

Có nên bỏ biến độc lập có r với biến phụ thuộc thấp không?

Quyết định giữ hay bỏ biến phải dựa trên mô hình lý thuyết, không chỉ dựa vào kết quả tương quan Pearson SPSS. Nếu bỏ, bạn cần nêu rõ lý do trong luận văn.

Tài liệu tham khảo

• Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17-21. doi:10.1080/00031305.1973.10478966
• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE.