Phân tích hồi quy tuyến tính bội trong SPSS

Phân tích hồi quy tuyến tính bội là một trong những kỹ thuật thống kê được sử dụng phổ biến nhất trong các nghiên cứu khoa học xã hội, quản trị kinh doanh, marketing, giáo dục, tài chính và hành vi người tiêu dùng. Phương pháp này cho phép nhà nghiên cứu đánh giá mức độ tác động đồng thời của nhiều biến độc lập lên một biến phụ thuộc, từ đó kiểm định các giả thuyết nghiên cứu và xây dựng mô hình giải thích phù hợp với dữ liệu thực tế.

Trong SPSS, hồi quy tuyến tính bội không chỉ dừng lại ở thao tác chạy phần mềm mà còn đòi hỏi người nghiên cứu phải kiểm tra các giả định thống kê, đánh giá mức độ phù hợp của mô hình và diễn giải chính xác ý nghĩa của từng hệ số hồi quy. Việc bỏ qua các bước này có thể dẫn đến những kết luận thiếu cơ sở học thuật hoặc không phản ánh đúng bản chất của hiện tượng nghiên cứu.

Bài viết dưới đây sẽ hướng dẫn toàn bộ quy trình phân tích hồi quy tuyến tính bội trong SPSS, từ điều kiện áp dụng, các bước chuẩn bị dữ liệu, cách thiết lập mô hình, cho đến phương pháp đọc và diễn giải kết quả theo văn phong thường sử dụng trong luận văn và bài báo khoa học.

1. Hồi quy tuyến tính bội được sử dụng khi nào?

1.1 Mục đích của hồi quy tuyến tính bội

Hồi quy tuyến tính bội (Multiple Linear Regression) là phương pháp thống kê được sử dụng nhằm xác định mức độ ảnh hưởng của nhiều biến độc lập đến một biến phụ thuộc. Khác với hồi quy tuyến tính đơn chỉ xem xét một yếu tố tác động, hồi quy tuyến tính bội phản ánh tốt hơn bối cảnh nghiên cứu thực tế khi hầu hết các hiện tượng xã hội đều chịu tác động đồng thời từ nhiều nguyên nhân khác nhau.

Theo Tabachnick and Fidell, hồi quy tuyến tính bội cho phép nhà nghiên cứu đánh giá mức độ đóng góp riêng của từng biến độc lập sau khi đã kiểm soát ảnh hưởng của các biến còn lại. Điều này giúp xác định yếu tố nào thực sự có ý nghĩa thống kê và yếu tố nào chưa tạo ra tác động đáng kể trong mô hình.

Trong lĩnh vực quản trị và marketing, phương pháp này thường được sử dụng để nghiên cứu ý định mua hàng, sự hài lòng khách hàng, lòng trung thành thương hiệu hoặc hiệu quả làm việc của nhân viên. Trong giáo dục, hồi quy tuyến tính bội được áp dụng để phân tích các yếu tố ảnh hưởng đến kết quả học tập, động lực học tập hoặc mức độ hài lòng của sinh viên.

1.2 Ví dụ ứng dụng trong nghiên cứu thực tế

Giả sử một nghiên cứu về sự hài lòng của nhân viên trong doanh nghiệp xem xét năm nhân tố gồm:

Tiền lương.
Môi trường làm việc.
Cơ hội thăng tiến.
Quan hệ đồng nghiệp.
Phong cách lãnh đạo.

Khi đó, hồi quy tuyến tính bội sẽ giúp trả lời các câu hỏi như:

Nhân tố nào tác động mạnh nhất đến sự hài lòng của nhân viên?
Nhân tố nào chưa có ý nghĩa thống kê?
Toàn bộ mô hình giải thích được bao nhiêu phần trăm sự biến thiên của biến phụ thuộc?
Các giả thuyết nghiên cứu có được chấp nhận hay không?

Những thông tin này là cơ sở quan trọng để đưa ra các khuyến nghị quản trị cũng như kiểm định mô hình lý thuyết đề xuất ban đầu.

1.3 Điều kiện dữ liệu cần đáp ứng

Việc sử dụng hồi quy tuyến tính bội phụ thuộc vào đặc điểm của dữ liệu và mục tiêu nghiên cứu hơn là loại bảng hỏi hay phần mềm xử lý.

Biến phụ thuộc trong mô hình thường là biến định lượng liên tục, chẳng hạn như doanh thu, lợi nhuận, thu nhập, năng suất lao động, số lượng khách hàng hoặc điểm đánh giá tổng hợp từ nhiều biến quan sát. Các biến độc lập cũng có thể là biến liên tục, biến rời rạc hoặc biến định tính đã được mã hóa phù hợp trước khi đưa vào phân tích.

Ví dụ, một nghiên cứu kinh tế có thể sử dụng doanh thu doanh nghiệp làm biến phụ thuộc và xem xét tác động của số lao động, vốn đầu tư, số năm hoạt động và chi phí quảng cáo. Trong khi đó, nghiên cứu về giáo dục có thể phân tích ảnh hưởng của số năm đi học, thời gian tự học và điều kiện gia đình đến kết quả học tập.

Bất kể lĩnh vực nào, mô hình hồi quy tuyến tính bội đều giả định rằng mối quan hệ giữa các biến độc lập và biến phụ thuộc mang tính tuyến tính. Ngoài ra, nhà nghiên cứu cần kiểm tra các giả định liên quan đến đa cộng tuyến, tính độc lập của phần dư, phân phối chuẩn của sai số và phương sai không đổi trước khi diễn giải kết quả cuối cùng.

Đối với các nghiên cứu sử dụng thang đo Likert, hồi quy tuyến tính thường được thực hiện sau các bước đánh giá độ tin cậy và giá trị thang đo như Cronbach’s Alpha hoặc EFA. Tuy nhiên, đây chỉ là một trường hợp ứng dụng cụ thể chứ không phải điều kiện bắt buộc của phương pháp.

2. Checklist trước khi chạy hồi quy trong SPSS

Quá trình chuẩn bị dữ liệu trước khi thực hiện hồi quy tuyến tính bội phụ thuộc vào loại dữ liệu và thiết kế nghiên cứu. Việc kiểm tra kỹ ở giai đoạn này giúp hạn chế sai lệch trong quá trình xây dựng và diễn giải mô hình.

2.1 Xác định đúng bản chất của biến phụ thuộc

Biến phụ thuộc trong hồi quy tuyến tính bội cần là biến định lượng liên tục hoặc biến có thể được xem gần đúng như dữ liệu liên tục trong bối cảnh nghiên cứu.

Một số ví dụ phổ biến gồm:

Doanh thu doanh nghiệp.
Lợi nhuận sau thuế.
Thu nhập cá nhân.
Năng suất lao động.
Số lượng khách hàng.
Điểm đánh giá trung bình.
Chỉ số hài lòng được tổng hợp từ nhiều biến quan sát.

Nếu biến phụ thuộc chỉ gồm hai trạng thái như Có/Không, Thành công/Thất bại hoặc Mua/Không mua, nhà nghiên cứu nên cân nhắc sử dụng hồi quy logistic thay cho hồi quy tuyến tính thông thường.

2.2 Kiểm tra và làm sạch dữ liệu

Trước khi xây dựng mô hình, cần rà soát dữ liệu bị thiếu, giá trị ngoại lệ và các trường hợp nhập liệu bất thường.

Việc tồn tại quá nhiều giá trị thiếu hoặc các quan sát ngoại lệ có thể làm thay đổi đáng kể hệ số hồi quy cũng như ảnh hưởng đến độ phù hợp chung của mô hình. Do đó, người nghiên cứu nên thực hiện các bước kiểm tra mô tả, biểu đồ phân bố và thống kê ngoại lệ trước khi tiến hành phân tích chính thức.

2.3 Đánh giá mối liên hệ sơ bộ giữa các biến

Phân tích tương quan Pearson thường được sử dụng để đánh giá mối quan hệ tuyến tính ban đầu giữa các biến.

Nếu một biến độc lập hoàn toàn không có tương quan với biến phụ thuộc, khả năng biến đó không có ý nghĩa trong mô hình hồi quy là tương đối thấp. Ngược lại, tương quan quá cao giữa các biến độc lập có thể là tín hiệu của hiện tượng đa cộng tuyến và cần được kiểm tra kỹ hơn bằng chỉ số VIF ở các bước tiếp theo.

2.4 Trường hợp sử dụng dữ liệu thang đo Likert

Đối với các nghiên cứu sử dụng bảng hỏi Likert, việc kiểm định độ tin cậy và giá trị của thang đo thường được thực hiện trước khi chạy hồi quy tuyến tính.

Quy trình phổ biến bao gồm: Cronbach’s Alpha → EFA/CFA → xây dựng biến đại diện → tương quan Pearson → hồi quy tuyến tính bội.

Tuy nhiên, đây là quy trình dành riêng cho nghiên cứu sử dụng thang đo nhiều biến quan sát. Đối với dữ liệu kinh tế, tài chính, doanh nghiệp hoặc dữ liệu thứ cấp, nhà nghiên cứu có thể tiến hành hồi quy trực tiếp sau khi hoàn thành bước làm sạch và kiểm tra dữ liệu.

3. Kiểm định giả thuyết trong hồi quy

3.1 Kiểm định độ phù hợp của mô hình (model fit)

Sau khi xây dựng mô hình hồi quy, bước tiếp theo là đánh giá xem mô hình đó có thực sự phù hợp với dữ liệu hay không. Việc này được thực hiện thông qua kiểm định giả thuyết về độ phù hợp của mô hình.

Giả thuyết đặt ra là: H0: R² = 0. Tức là các biến độc lập không giải thích được sự biến thiên của biến phụ thuộc.

Để kiểm định giả thuyết này, ta sử dụng kiểm định F. Kết quả được diễn giải như sau:

Sig < 0.05: Bác bỏ H0. Điều này có nghĩa là R² khác 0 một cách có ý nghĩa thống kê, tức là mô hình hồi quy có ý nghĩa và phù hợp với dữ liệu.
Sig > 0.05: Không đủ cơ sở bác bỏ H0. Khi đó, R² không khác 0 một cách có ý nghĩa thống kê, mô hình hồi quy không phù hợp.

Trong SPSS, các thông tin của kiểm định F được trình bày trong bảng ANOVA. Giá trị Sig. trong bảng này chính là căn cứ để kết luận về độ phù hợp chung của mô hình.

3.2 Kiểm định ý nghĩa của các hệ số hồi quy

Bên cạnh việc đánh giá mô hình tổng thể, cần kiểm tra xem từng biến độc lập có thực sự ảnh hưởng đến biến phụ thuộc hay không. Việc này được thực hiện bằng kiểm định t (Student’s t-test).

Giả thuyết kiểm định cho từng biến độc lập Xi là: H0: Hệ số hồi quy của Xi bằng 0. Nếu mô hình có bao nhiêu biến độc lập thì sẽ có bấy nhiêu giả thuyết H0 cần kiểm định.

Cách diễn giải kết quả:

Sig < 0.05: Bác bỏ H0. Hệ số hồi quy của Xi khác 0 có ý nghĩa thống kê, nghĩa là biến Xi có tác động đến biến phụ thuộc.
Sig > 0.05: Không đủ cơ sở bác bỏ H0. Hệ số hồi quy của Xi bằng 0 một cách có ý nghĩa thống kê, tức là biến Xi không có ảnh hưởng đến biến phụ thuộc trong mô hình.

Trong SPSS, kết quả kiểm định t được trình bày trong bảng Coefficients, tại cột Sig. tương ứng với từng biến.

Cần lưu ý rằng, nếu một biến độc lập không có ý nghĩa thống kê (Sig > 0.05), ta có thể kết luận rằng biến đó không có tác động trong mô hình hiện tại. Không bắt buộc phải loại biến và chạy lại hồi quy, trừ khi mục tiêu nghiên cứu yêu cầu xây dựng mô hình tối ưu hoặc tinh gọn hơn.

4. Hệ số hồi quy của các biến độc lập

4.1 Hệ số hồi quy chưa chuẩn hóa (Unstandardized Coefficient – B)

Hệ số hồi quy chưa chuẩn hóa, ký hiệu là B, phản ánh mức độ thay đổi tuyệt đối của biến phụ thuộc khi biến độc lập thay đổi một đơn vị, trong điều kiện các biến khác được giữ nguyên.

Cụ thể, nếu hệ số B của biến $X_i$ bằng 0.35, điều đó có nghĩa là khi $X_i$ tăng 1 đơn vị thì biến phụ thuộc $Y$ tăng trung bình 0.35 đơn vị, giả định các biến độc lập khác không đổi.

Hệ số B được sử dụng để:

Viết phương trình hồi quy thực tế
Dự báo giá trị của biến phụ thuộc
Diễn giải tác động theo đơn vị đo lường gốc của biến

Do được tính theo đơn vị đo lường ban đầu của các biến, hệ số chưa chuẩn hóa phụ thuộc vào thang đo. Vì vậy, khi các biến độc lập có đơn vị đo khác nhau, không nên sử dụng hệ số B để so sánh mức độ ảnh hưởng giữa các biến.

4.2 Hệ số hồi quy chuẩn hóa (Standardized Coefficient – Beta)

Hệ số hồi quy chuẩn hóa, ký hiệu là Beta (β), được tính sau khi các biến đã được chuẩn hóa về cùng một thang đo (trung bình bằng 0 và độ lệch chuẩn bằng 1). Hệ số này phản ánh mức độ thay đổi của biến phụ thuộc (tính theo độ lệch chuẩn) khi biến độc lập thay đổi một độ lệch chuẩn.

Ưu điểm của hệ số Beta là:

Cho phép so sánh mức độ ảnh hưởng tương đối giữa các biến độc lập
Không phụ thuộc vào đơn vị đo lường
Giúp xác định biến nào có tác động mạnh nhất trong mô hình

Ví dụ, nếu biến X1 có Beta = 0.45 và X2 có Beta = 0.30, thì X1 có mức độ ảnh hưởng mạnh hơn X2 đến biến phụ thuộc.

Cần lưu ý rằng hệ số Beta không được dùng để viết phương trình hồi quy dự báo, mà chủ yếu phục vụ mục đích so sánh và phân tích mức độ tác động.

4.3 Hệ số hồi quy âm

Hệ số hồi quy có thể mang giá trị dương hoặc âm. Khi hệ số hồi quy mang dấu âm (B < 0 hoặc Beta < 0), điều này cho thấy mối quan hệ nghịch chiều giữa biến độc lập và biến phụ thuộc. Cụ thể, khi biến độc lập tăng thì biến phụ thuộc có xu hướng giảm, và ngược lại.

Ví dụ, nếu hệ số B của biến “Giá” bằng -0.52, điều đó có nghĩa là khi giá tăng 1 đơn vị, mức độ mua giảm trung bình 0.52 đơn vị, trong điều kiện các yếu tố khác không đổi.

Việc xuất hiện hệ số âm không có nghĩa là mô hình sai, mà chỉ phản ánh bản chất mối quan hệ giữa các biến. Nếu hệ số âm trái với kỳ vọng lý thuyết, nhà nghiên cứu cần kiểm tra lại dữ liệu, đa cộng tuyến hoặc khả năng tồn tại biến trung gian/biến điều tiết.