Phân tích tương quan Pearson là một bước quan trọng trong quy trình nghiên cứu định lượng sử dụng phần mềm SPSS, thường được tiến hành trước khi thực hiện phân tích hồi quy. Bước phân tích này giúp nhà nghiên cứu đánh giá sơ bộ mối quan hệ giữa các biến trong mô hình nghiên cứu.
Mục tiêu của việc thực hiện phân tích tương quan Pearson là nhằm kiểm tra mức độ tồn tại và mức độ chặt chẽ của mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập, đồng thời hỗ trợ phát hiện sớm hiện tượng đa cộng tuyến trong trường hợp các biến độc lập có mối tương quan mạnh với nhau.
VIDEO
1. Cơ sở lý thuyết về tương quan Pearson
Tương quan tuyến tính giữa hai biến được hiểu là mối quan hệ mà khi biểu diễn các giá trị quan sát của hai biến trên hệ trục tọa độ Oxy, các điểm dữ liệu có xu hướng phân bố dọc theo một đường thẳng. Theo Gayen (1951), trong lĩnh vực thống kê, hệ số tương quan Pearson, ký hiệu là r, được sử dụng để đo lường mức độ và chiều hướng của mối liên hệ tuyến tính giữa hai biến định lượng. Trong trường hợp một hoặc cả hai biến không thuộc loại biến định lượng, chẳng hạn như biến định tính hoặc biến nhị phân, phân tích tương quan Pearson sẽ không phù hợp và không được áp dụng.
Hệ số tương quan Pearson r nhận giá trị trong khoảng từ -1 đến 1, với ý nghĩa như sau:
- Khi r tiến gần đến 1 hoặc -1, mối tương quan tuyến tính giữa hai biến càng mạnh và càng chặt chẽ; trong đó r tiến về 1 thể hiện mối tương quan dương, còn r tiến về -1 phản ánh mối tương quan âm.
- Khi r tiến gần về 0, mức độ tương quan tuyến tính giữa hai biến được xem là yếu.
- Trường hợp r bằng 1 cho thấy tồn tại mối tương quan tuyến tính hoàn hảo; khi đó, trên đồ thị phân tán Scatter, các điểm dữ liệu sẽ nằm chính xác trên một đường thẳng.
- Khi r bằng 0, hai biến không có mối tương quan tuyến tính. Trong tình huống này, có thể xảy ra hai khả năng: hoặc giữa hai biến không tồn tại mối quan hệ nào, hoặc giữa chúng tồn tại mối quan hệ phi tuyến.
Theo Andy Field (2009), mặc dù hệ số tương quan Pearson cho phép đánh giá mức độ liên hệ tuyến tính giữa hai biến, nhà nghiên cứu vẫn cần thực hiện kiểm định giả thuyết để xác định liệu hệ số tương quan này có ý nghĩa thống kê hay không. Nếu giá trị sig của kiểm định nhỏ hơn 0.05, có thể kết luận rằng cặp biến tồn tại mối tương quan tuyến tính có ý nghĩa thống kê; ngược lại, nếu sig lớn hơn 0.05, mối tương quan tuyến tính giữa hai biến không được xác nhận ở mức ý nghĩa 5%.
Sau khi xác định được cặp biến có tương quan tuyến tính có ý nghĩa thống kê, mức độ mạnh hay yếu của mối tương quan sẽ được đánh giá thông qua giá trị tuyệt đối của hệ số r. Theo phân loại của Andy Field (2009),
- |r| nhỏ hơn 0.1 thể hiện mối tương quan rất yếu;
- |r| nhỏ hơn 0.3 phản ánh mối tương quan yếu;
- |r| nhỏ hơn 0.5 cho thấy mối tương quan ở mức trung bình;
- |r| lớn hơn hoặc bằng 0.5 được xem là mối tương quan mạnh.
2. Phân tích tương quan Pearson trên phần mềm SPSS 26
Phân tích tương quan được sử dụng nhằm đánh giá mức độ và chiều hướng mối quan hệ tuyến tính giữa các biến nghiên cứu. Quy trình thực hiện trên SPSS 26 được tiến hành bằng cách lựa chọn Analyze > Correlate > Bivariate.
Tại cửa sổ thiết lập phân tích, toàn bộ các biến cần khảo sát mối tương quan Pearson được đưa vào mục Variables. Để thuận tiện cho việc quan sát và diễn giải kết quả, biến phụ thuộc nên được sắp xếp ở vị trí trên cùng, trong khi các biến còn lại đóng vai trò là biến độc lập. Trong ví dụ minh họa, biến F_HL được xác định là biến phụ thuộc, các biến còn lại là biến độc lập. Sau khi hoàn tất việc lựa chọn biến, nhấp vào nút OK để thực hiện phân tích.
Kết quả phân tích tương quan Pearson được trình bày trong bảng Correlations. Trong bảng này, Pearson Correlation thể hiện hệ số tương quan Pearson (r), phản ánh mức độ và chiều hướng mối quan hệ giữa các biến; Sig. (2-tailed) là giá trị xác suất của kiểm định t, dùng để xác định hệ số tương quan có ý nghĩa thống kê hay không; N biểu thị kích thước mẫu được sử dụng trong phân tích.
3. Diễn giải kết quả tương quan Pearson
Trong phân tích tương quan Pearson, có hai nhóm mối quan hệ cần được xem xét, bao gồm mối tương quan giữa biến phụ thuộc và các biến độc lập, cũng như mối tương quan giữa các biến độc lập với nhau. Việc phân tách hai nhóm mối quan hệ này là cần thiết do kỳ vọng và ý nghĩa phân tích của mỗi nhóm có sự khác biệt nhất định.
3.1 Tương quan giữa biến độc lập và biến phụ thuộc
Trong bảng kết quả phân tích, các giá trị sig được thể hiện nhằm đánh giá ý nghĩa thống kê của mối tương quan. Khi xây dựng mô hình nghiên cứu, các biến độc lập được lựa chọn trên cơ sở nền tảng lý thuyết, tổng hợp các nghiên cứu trước có liên quan và xem xét bối cảnh thực tiễn của môi trường nghiên cứu. Do đó, kỳ vọng đặt ra là các biến độc lập này sẽ có mối liên hệ tuyến tính hoặc tác động nhất định đến biến phụ thuộc.
Việc thực hiện phân tích tương quan trước khi tiến hành hồi quy giúp đánh giá sơ bộ mức độ liên quan giữa các biến. Nếu kết quả tương quan Pearson cho thấy biến độc lập có mối tương quan có ý nghĩa thống kê với biến phụ thuộc, thì khả năng biến đó có tác động trong mô hình hồi quy sẽ cao hơn.
Trong bảng kết quả minh họa, giá trị sig của kiểm định tương quan Pearson giữa sáu biến độc lập F_LD, F_DN, F_CV, F_TL, F_DT, F_DK với biến phụ thuộc F_HL đều nhỏ hơn 0.05. Điều này cho thấy tồn tại mối quan hệ tuyến tính có ý nghĩa thống kê giữa các biến độc lập này và biến phụ thuộc.
Kỳ vọng đặt ra trong phân tích là giá trị sig của tương quan giữa biến độc lập và biến phụ thuộc nhỏ hơn 0.05, đồng thời hệ số tương quan có giá trị càng lớn thì mức độ liên hệ càng mạnh.
3.2 Tương quan giữa các biến độc lập
Bên cạnh mối quan hệ với biến phụ thuộc, việc xem xét tương quan giữa các biến độc lập cũng là bước quan trọng trong phân tích. Thuật ngữ “biến độc lập” hàm ý rằng các biến này đại diện cho những khái niệm khác nhau và không trùng lặp về mặt ý nghĩa. Nếu hai biến độc lập có mối tương quan quá cao, có khả năng chúng phản ánh cùng một khái niệm tiềm ẩn, từ đó làm phát sinh hiện tượng đa cộng tuyến trong mô hình.
Trường hợp hai biến độc lập không có mối tương quan có ý nghĩa thống kê, thể hiện qua giá trị sig lớn hơn 0.05, thì khả năng xảy ra đa cộng tuyến giữa hai biến là rất thấp. Ngược lại, nếu hai biến độc lập có tương quan với sig nhỏ hơn 0.05 và hệ số tương quan có giá trị tuyệt đối lớn hơn 0.7, thì nguy cơ xảy ra đa cộng tuyến được xem là tương đối cao, theo gợi ý của Dormann và cộng sự (2013).
Cần lưu ý rằng việc đánh giá đa cộng tuyến không nên chỉ dựa vào hệ số tương quan Pearson mà cần kết hợp thêm chỉ số VIF trong phân tích hồi quy tuyến tính để đưa ra kết luận chính xác hơn.
Kỳ vọng trong phân tích là hệ số tương quan giữa các biến độc lập nhỏ hơn 0.7.
** Ý nghĩa của hai dòng cuối trong kết quả tương quan Pearson
Trong bảng kết quả Pearson, khi giá trị sig nhỏ hơn 0.05, tại ô hệ số tương quan thường xuất hiện các ký hiệu sao.
- Ký hiệu ** cho thấy cặp biến có mối tương quan tuyến tính với mức độ tin cậy 99%, tương ứng với mức ý nghĩa 1% (0.01).
- Ký hiệu * cho thấy cặp biến có mối tương quan tuyến tính với mức độ tin cậy 95%, tương ứng với mức ý nghĩa 5% (0.05).
