Thuật ngữ trong nghiên cứu khoa học là những khái niệm quan trọng mà sinh viên, học viên cao học và người thực hiện nghiên cứu cần nắm vững khi xây dựng mô hình, xử lý dữ liệu và diễn giải kết quả phân tích thống kê. Việc hiểu đúng các thuật ngữ không chỉ giúp lựa chọn phương pháp phân tích phù hợp mà còn hạn chế những sai sót khi trình bày kết quả nghiên cứu.
Trong bài viết này, Xử lý số liệu SPSS tổng hợp và giải thích các thuật ngữ thường gặp trong nghiên cứu định lượng như hệ số xác định (R²), hệ số xác định hiệu chỉnh (Adjusted R²), đa cộng tuyến (Multicollinearity), bậc tự do (Degrees of Freedom) và một số khái niệm thống kê liên quan. Nội dung được trình bày theo hướng dễ hiểu, giúp người đọc vận dụng khi phân tích dữ liệu bằng SPSS và thực hiện các nghiên cứu khoa học.
Các thuật ngữ trong nghiên cứu khoa học thường gặp
Hệ số xác định hiệu chỉnh (R² hiệu chỉnh) (Adjusted coefficient of determination (adjusted R2) là một thước đo đã được điều chỉnh của hệ số xác định, có tính đến số lượng biến độc lập được bao gồm trong phương trình hồi quy và kích thước mẫu. Mặc dù việc thêm biến độc lập sẽ luôn làm tăng hệ số xác định, nhưng R² hiệu chỉnh có thể giảm nếu các biến độc lập được thêm vào có ít khả năng giải thích hoặc nếu bậc tự do trở nên quá nhỏ (Author, Year). Thống kê này đặc biệt hữu ích để so sánh giữa các phương trình có số lượng biến độc lập khác nhau, kích thước mẫu khác nhau hoặc cả hai.
Hệ số xác định (R²) (Coefficient of determination (R2) là thước đo tỉ lệ phương sai của biến phụ thuộc xung quanh giá trị trung bình của nó được giải thích bởi các biến độc lập hoặc biến dự báo. Hệ số này có thể dao động từ 0 đến 1. Nếu mô hình hồi quy được áp dụng và ước lượng đúng cách, nhà nghiên cứu có thể giả định rằng giá trị R² càng cao thì khả năng giải thích của phương trình hồi quy càng lớn, do đó dự đoán biến phụ thuộc càng tốt.
Đa cộng tuyến (Collinearity) là biểu hiện của mối quan hệ giữa hai (cộng tuyến) hoặc nhiều (đa cộng tuyến) biến độc lập. Hai biến độc lập được cho là có cộng tuyến hoàn toàn nếu hệ số tương quan của chúng là 1, và không có cộng tuyến nếu hệ số tương quan của chúng là 0. Đa cộng tuyến xảy ra khi bất kỳ biến độc lập nào có tương quan cao với một tập hợp các biến độc lập khác. Một trường hợp cực đoan của cộng tuyến/đa cộng tuyến là tính đơn nhất, trong đó một biến độc lập được dự đoán hoàn hảo (tức là có hệ số tương quan bằng 1.0) bởi một biến độc lập khác (hoặc nhiều hơn một).
Bậc tự do (df) (Degrees of freedom (df)) là giá trị được tính từ tổng số quan sát trừ đi số tham số ước lượng. Các ước lượng tham số này là những ràng buộc trên dữ liệu vì, khi đã được thực hiện, chúng xác định tổng thể mà từ đó dữ liệu được giả định đã được rút ra. Ví dụ, khi ước lượng một mô hình hồi quy với một biến độc lập, chúng ta ước lượng hai tham số, hệ số chặn (b0) và hệ số hồi quy cho biến độc lập (b1). Khi ước lượng sai số ngẫu nhiên, được định nghĩa là tổng các sai số dự đoán (giá trị thực trừ đi giá trị dự đoán của biến phụ thuộc) cho tất cả các trường hợp, chúng ta sẽ có (n – 2) bậc tự do. Bậc tự do cung cấp một thước đo về mức độ ràng buộc của dữ liệu để đạt được một mức độ dự đoán nhất định. Nếu số bậc tự do nhỏ, dự đoán kết quả có thể ít khái quát hơn vì hầu hết các quan sát đều đã được tích hợp vào dự đoán. Ngược lại, một giá trị bậc tự do lớn cho thấy dự đoán khá bền vững về mặt đại diện cho mẫu tổng thể của các đáp viên.
Biến Điều tiết (Moderator variable): Biến điều tiết đóng vai trò then chốt trong việc làm sáng tỏ sự phức tạp của các mối quan hệ nhân quả. Thay vì chỉ đơn thuần tác động trực tiếp lên biến phụ thuộc, biến điều tiết ảnh hưởng đến bản chất và cường độ của mối quan hệ giữa biến độc lập và biến phụ thuộc. Biến điều tiết có thể làm mạnh lên hoặc suy yếu đi mối liên hệ giữa biến độc lập và biến phụ thuộc. Ví dụ, sự hiệu quả của một phương pháp giảng dạy mới (biến độc lập) có thể mạnh mẽ hơn đối với những học sinh có động lực học tập cao (biến điều tiết) so với những học sinh có động lực thấp.
Giá trị Hội tụ (Convergent Validity): Mức độ mà các chỉ số (indicators) của một cấu trúc (construct) cụ thể có xu hướng hội tụ hoặc chia sẻ một tỷ lệ lớn phương sai chung. Nói cách khác, giá trị hội tụ thể hiện mức độ mà các phép đo khác nhau được thiết kế để đo lường cùng một khái niệm lý thuyết thực sự có mối tương quan cao với nhau. Nếu các chỉ số khác nhau thực sự đang đo lường cùng một cấu trúc tiềm ẩn, thì chúng ta kỳ vọng rằng chúng sẽ biến đổi cùng nhau và thể hiện sự đồng nhất cao trong kết quả đo lường.
Giá trị Phân biệt (Discriminant Validity): Mức độ mà một cấu trúc thực sự khác biệt với các cấu trúc khác, xét cả về: (1) Mức độ tương quan: Cấu trúc đó tương quan thấp với các cấu trúc khác. (2)Tính đại diện của biến đo: Các biến đo lường một cấu trúc cụ thể chỉ đại diện một cách riêng biệt cho cấu trúc đó, mà không lẫn lộn với các cấu trúc khác. Nói cách khác, giá trị phân biệt đảm bảo rằng một khái niệm (construct) đang được nghiên cứu là duy nhất và không bị trùng lặp hoặc nhầm lẫn với các khái niệm tương tự khác. Để có giá trị phân biệt tốt, các phép đo của một cấu trúc nên có mối tương quan mạnh mẽ với nhau (thể hiện giá trị hội tụ) nhưng lại có mối tương quan yếu với các phép đo của các cấu trúc khác.
Ứng dụng các thuật ngữ trong phân tích dữ liệu nghiên cứu
Việc nắm vững các thuật ngữ trong nghiên cứu khoa học giúp người nghiên cứu hiểu rõ bản chất của các phương pháp thống kê và diễn giải kết quả phân tích chính xác hơn.
Chẳng hạn, khi thực hiện hồi quy tuyến tính, người nghiên cứu cần hiểu ý nghĩa của hệ số xác định R², R² hiệu chỉnh, hiện tượng đa cộng tuyến và giá trị P-value để đánh giá kết quả một cách phù hợp.
Để tìm hiểu thêm, bạn có thể tham khảo bài viết P-value là gì? Ý nghĩa và cách đọc kết quả trong SPSS. Ngoài ra, việc chuẩn bị dữ liệu đúng cách cũng rất quan trọng trước khi tiến hành phân tích. Bài viết Cách tạo biến trong SPSS chi tiết cho người mới bắt đầu sẽ giúp bạn nắm được các thao tác cơ bản khi khai báo và quản lý biến trong SPSS.