# Cách đọc kết quả hồi quy SPSS: R², ANOVA, hệ số Beta, VIF và Durbin-Watson

> Đọc kết quả hồi quy SPSS từng bảng: R² hiệu chỉnh, ANOVA, hệ số B và Beta, VIF, Durbin-Watson, biểu đồ phần dư, kèm ví dụ số và mẫu trình bày kiểu APA.

- URL: https://autofillform.com/huong-dan/doc-ket-qua-hoi-quy-spss
- Xuất bản: 2026-10-01
- Cập nhật: 2026-10-01
- Tác giả: Đội ngũ AutoFillForm

Bài này đi qua từng bảng output của hồi quy tuyến tính bội trong SPSS bằng một ví dụ số nhất quán, chỉ rõ con số nào dùng để kết luận giả thuyết và con số nào chỉ để kiểm tra giả định.

## Tóm tắt

- Chạy bằng Analyze → Regression → Linear với Method: Enter, tích Collinearity diagnostics và Durbin-Watson; không dùng Stepwise để kiểm định giả thuyết.
- R² là tỷ lệ biến thiên của biến phụ thuộc được giải thích; R² hiệu chỉnh phạt thêm số biến. Ví dụ: R² = 0,463, R² hiệu chỉnh = 0,455, f² = 0,86 (lớn theo Cohen, 1988).
- Kết luận giả thuyết dựa vào Sig. của từng biến độc lập, không dựa vào Sig. của hằng số (Constant).
- Dùng B (chưa chuẩn hóa) để viết phương trình dự báo, dùng Beta (chuẩn hóa) để so sánh mức độ tác động tương đối.
- VIF > 10 là đa cộng tuyến nghiêm trọng theo ngưỡng cổ điển, VIF > 5 theo ngưỡng chặt hơn; Durbin-Watson gần 2 là tốt, dưới 1 hoặc trên 3 đáng lo ngại (Field, 2018).

## Chuẩn bị dữ liệu trước khi chạy hồi quy


Hồi quy tuyến tính bội là bước cuối của chuỗi phân tích thang đo, không phải bước đầu. Mỗi khái niệm (construct) cần qua kiểm định độ tin cậy [Cronbach's Alpha](https://autofillform.com/huong-dan/cronbach-alpha) và phân tích nhân tố với [KMO, Bartlett và EFA](https://autofillform.com/huong-dan/kmo-bartlett-efa). Chỉ những biến quan sát được giữ lại sau hai bước này mới được dùng để tạo điểm đại diện cho construct.


Hồi quy trong SPSS chạy trên biến, không chạy trên nhóm câu hỏi. Vì vậy bạn tạo điểm trung bình (mean score) cho từng construct: vào `Transform → Compute Variable`, nhập tên ở *Target Variable* (ví dụ `X1`) và nhập `MEAN(X1_1,X1_2,X1_3,X1_4)` ở *Numeric Expression*. Điểm trung bình giữ nguyên thang 1–5 nên dễ diễn giải hơn điểm tổng. Hair & cộng sự (2019) khuyến nghị dùng thang tổng hợp (summated scale) vì nó giảm sai số đo so với việc chọn một câu hỏi đơn lẻ làm đại diện. Hai lưu ý: đảo chiều các câu hỏi nghịch *trước* khi tính trung bình; và nếu chỉ muốn tính khi người trả lời trả lời đủ, dùng `MEAN.4(...)` thay cho `MEAN(...)`.


Cỡ mẫu cũng phải đủ. Quy tắc kinh nghiệm hay dùng là N ≥ 50 + 8m, với m là số biến độc lập (Green, 1991; Tabachnick & Fidell, 2013); với 3 biến độc lập, cần ít nhất 74 quan sát. Cách tính dựa trên phân tích lực thống kê có trong bài [cách tính cỡ mẫu nghiên cứu](https://autofillform.com/huong-dan/cach-tinh-co-mau).




## Các bước chạy hồi quy tuyến tính bội trong SPSS




- Vào `Analyze → Regression → Linear`. Đưa biến phụ thuộc vào ô *Dependent*, các biến độc lập vào *Independent(s)*, giữ *Method: Enter*.

- Bấm *Statistics*: tích *Estimates*, *Model fit*, *Collinearity diagnostics*; trong nhóm *Residuals* tích *Durbin-Watson* và *Casewise diagnostics* (giữ *Outliers outside: 3 standard deviations*).

- Bấm *Plots*: đưa `*ZRESID` vào ô Y, `*ZPRED` vào ô X; tích *Histogram* và *Normal probability plot*.

- Bấm *OK*, hoặc *Paste* để lưu cú pháp và chạy lại khi cần.


Cú pháp tương đương (dòng `/CRITERIA` không ảnh hưởng phương pháp Enter):


`REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT Y
  /METHOD=ENTER X1 X2 X3
  /SCATTERPLOT=(*ZRESID ,*ZPRED)
  /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID)
  /CASEWISE PLOT(ZRESID) OUTLIERS(3).`


Lưu ý

Không dùng Stepwise để kiểm định giả thuyết. Stepwise chọn biến dựa trên mức ý nghĩa trong chính mẫu của bạn, nên p-value và R² bị thiên lệch theo hướng lạc quan và kết quả khó lặp lại ở mẫu khác (Field, 2018). Khi giả thuyết xuất phát từ lý thuyết, dùng Enter để mọi biến được ước lượng đồng thời.




## Đọc bảng Model Summary và ANOVA


Ví dụ minh họa

Số liệu giả định, dùng xuyên suốt bài: n = 200, biến phụ thuộc Y (ý định mua), ba biến độc lập X1 (chất lượng sản phẩm), X2 (giá trị cảm nhận), X3 (quảng cáo). Model Summary: R = 0,680; R² = 0,463; R² hiệu chỉnh = 0,455; Durbin-Watson = 1,94. ANOVA: F(3, 196) = 56,33; Sig. < 0,001.



### R² và R² hiệu chỉnh


R² = 0,463 nghĩa là ba biến độc lập giải thích được 46,3% biến thiên của Y *trong mẫu*. Đây là mức độ phù hợp, không phải bằng chứng nhân quả. R² luôn tăng khi thêm biến, kể cả biến vô nghĩa, nên SPSS báo thêm R² hiệu chỉnh (Adjusted R Square):


R²adj = 1 − (1 − R²)(n − 1) / (n − k − 1) = 1 − 0,537 × 199 / 196 ≈ 0,455


Hai giá trị gần nhau (0,463 và 0,455) cho thấy mô hình không bị "thổi phồng" bởi số biến. Báo cáo cả hai; dùng R² hiệu chỉnh khi so sánh các mô hình có số biến độc lập khác nhau.



### Độ lớn hiệu ứng f²


f² = R² / (1 − R²) = 0,463 / 0,537 ≈ 0,86


Theo Cohen (1988), f² = 0,02; 0,15; 0,35 tương ứng hiệu ứng nhỏ, trung bình, lớn, nên 0,86 là hiệu ứng lớn. Muốn đánh giá đóng góp của riêng một biến, dùng f² = (R²đủ − R²bỏ biến) / (1 − R²đủ).



### Bảng ANOVA


F = (R² / k) / ((1 − R²) / (n − k − 1)) = (0,463 / 3) / (0,537 / 196) ≈ 56,33


Sig. < 0,001 cho biết mô hình có ít nhất một hệ số hồi quy khác 0, tức là mô hình giải thích Y tốt hơn mô hình chỉ có hằng số. SPSS hiển thị `.000`; khi báo cáo, ghi *p* < 0,001, không ghi "p = 0,000".



### Durbin-Watson


Thống kê Durbin-Watson (Durbin & Watson, 1951) nằm trong khoảng 0–4; giá trị gần 2 nghĩa là không có tự tương quan bậc một giữa các phần dư. Field (2018) cho rằng giá trị dưới 1 hoặc trên 3 là đáng lo ngại; 1,94 nằm trong vùng an toàn. Chỉ số này chủ yếu có ý nghĩa với dữ liệu sắp theo thời gian. Với khảo sát cắt ngang, thứ tự dòng là tùy ý nên Durbin-Watson thay đổi khi bạn sắp xếp lại dữ liệu; báo cáo nếu hội đồng yêu cầu, nhưng đừng diễn giải quá mức.




## Đọc bảng Coefficients: B, Beta, Sig. và VIF



*Bảng Coefficients (số liệu minh họa, n = 200)*

| Biến | B | SE | Beta | t | Sig. | Tolerance | VIF |
| --- | --- | --- | --- | --- | --- | --- | --- |
| (Constant) | 0,412 | 0,231 |  | 1,78 | 0,076 |  |  |
| X1 | 0,318 | 0,052 | 0,356 | 6,12 | < 0,001 | 0,704 | 1,42 |
| X2 | 0,241 | 0,058 | 0,262 | 4,16 | < 0,001 | 0,637 | 1,57 |
| X3 | 0,087 | 0,061 | 0,089 | 1,43 | 0,155 | 0,725 | 1,38 |



### B: hệ số chưa chuẩn hóa, dùng để dự báo


Phương trình hồi quy viết bằng B: **Ŷ = 0,412 + 0,318X1 + 0,241X2 + 0,087X3**. Khi các biến khác giữ nguyên, X1 tăng 1 điểm thì Y dự báo tăng 0,318 điểm. Một người có X1 = X2 = X3 = 4 sẽ có Y dự báo 0,412 + 1,272 + 0,964 + 0,348 ≈ 3,00.



### Beta: hệ số chuẩn hóa, dùng để so sánh


Beta đưa mọi biến về cùng đơn vị độ lệch chuẩn nên dùng để xếp hạng mức độ tác động tương đối: X1 (0,356) > X2 (0,262) > X3 (0,089). Không thay Beta vào phương trình dự báo trên thang gốc.



### Sig.: kết luận giả thuyết


X1 và X2 có Sig. < 0,05 và hệ số dương đúng chiều kỳ vọng, nên H1 và H2 được ủng hộ. X3 có Sig. = 0,155 > 0,05, nên H3 **không được ủng hộ**. Sig. của hằng số (0,076) **không dùng để kết luận giả thuyết nào**: hằng số là giá trị Y dự báo khi mọi X bằng 0, một điểm nằm ngoài thang 1–5. Hằng số không có ý nghĩa thống kê cũng không phải lý do để bỏ nó khỏi mô hình.



### VIF: đa cộng tuyến


VIF = 1 / Tolerance. Ngưỡng cổ điển: VIF > 10 (Tolerance < 0,10) là đa cộng tuyến nghiêm trọng (Hair & cộng sự, 2019). Nhiều tác giả dùng ngưỡng chặt hơn: VIF > 5 đã là dấu hiệu đáng lo, thậm chí 3–5 vẫn có thể có vấn đề (Hair, Risher & cộng sự, 2019). Cả hai đều là quy ước; ví dụ có VIF 1,38–1,57 nên đạt theo cả hai cách.



*Ngưỡng tham khảo khi đọc output hồi quy*

| Chỉ số | Cách đọc / ngưỡng | Nguồn |
| --- | --- | --- |
| Sig. của F (ANOVA) | < 0,05: mô hình có ý nghĩa | Quy ước α = 0,05 |
| Sig. của t (từng biến) | < 0,05 và đúng dấu: giả thuyết được ủng hộ | Quy ước α = 0,05 |
| f² | 0,02 nhỏ; 0,15 trung bình; 0,35 lớn | Cohen (1988) |
| VIF | > 10 nghiêm trọng; chặt hơn: > 5 | Hair & cộng sự (2019); Hair, Risher & cộng sự (2019) |
| Durbin-Watson | Gần 2 tốt; < 1 hoặc > 3 đáng lo | Field (2018) |
| Phần dư chuẩn hóa | /giá trị/ > 3: kiểm tra ngoại lai | Field (2018) |




## Kiểm tra giả định qua biểu đồ phần dư




- **Tuyến tính và phương sai đồng nhất**: xem biểu đồ `*ZRESID` theo `*ZPRED`. Đạt khi các điểm rải ngẫu nhiên thành một dải ngang quanh 0. Hình cong (chữ U) gợi ý quan hệ phi tuyến; hình phễu loe dần gợi ý phương sai thay đổi (Field, 2018; Tabachnick & Fidell, 2013).

- **Phân phối chuẩn của phần dư**: Histogram có dạng chuông với Mean ≈ 0 và Std. Dev. ≈ 1; trên Normal P-P Plot các điểm bám sát đường chéo. Giả định áp dụng cho phần dư, không phải cho từng biến; với n = 200, lệch nhẹ thường chấp nhận được.

- **Tính độc lập**: chủ yếu được bảo đảm bằng thiết kế (mỗi người trả lời một lần, không lặp phiếu); Durbin-Watson chỉ là chỉ báo bổ sung.

- **Ngoại lai**: bảng *Casewise Diagnostics* liệt kê quan sát có |phần dư chuẩn hóa| > 3. Kiểm tra lỗi nhập liệu hoặc phiếu trả lời qua loa; nếu loại, nêu rõ lý do và so sánh kết quả có và không có các quan sát đó. Không loại chỉ để tăng R².

- **Đa cộng tuyến**: đọc VIF như phần trên.




## Những lỗi thường gặp khi đọc kết quả hồi quy




- Diễn giải Sig. của hằng số như một giả thuyết, hoặc bỏ hằng số vì "không có ý nghĩa".

- Ghi "p = 0,000" thay vì *p* < 0,001.

- Thay Beta vào phương trình dự báo, hoặc so sánh B giữa các biến có thang đo khác nhau.

- Viết "X1, X2, X3 quyết định 46,3% Y" như thể đã chứng minh nhân quả.

- Loại X3 rồi chạy lại để mô hình "đẹp": giả thuyết không được ủng hộ cũng là kết quả cần báo cáo.

- Chạy hồi quy trên từng câu hỏi thay vì điểm construct, hoặc tính MEAN trước khi đảo chiều câu nghịch.

- Kết luận vai trò trung gian bằng vài phương trình hồi quy rời rạc; cách đúng là kiểm định tác động gián tiếp như trong bài [biến trung gian và bootstrap](https://autofillform.com/huong-dan/bien-trung-gian-bootstrap).


Mẹo

Muốn diễn tập quy trình trước khi có dữ liệu thật, phân hệ [nghiên cứu SPSS của AutoFillForm](https://autofillform.com/nghien-cuu-spss) cho xem hệ số đường dẫn, p-value và VIF trên bộ dữ liệu, rồi xuất tệp .sps (dữ liệu kèm nhãn biến, nhãn giá trị) để mở trong IBM SPSS và tự chạy lại lệnh REGRESSION ở trên. Dữ liệu mô phỏng chỉ dùng để thử bảng hỏi và luyện quy trình phân tích, không bao giờ được dùng thay dữ liệu khảo sát thật.




## Cách trình bày kết quả và checklist


Đoạn mẫu theo phong cách APA (số liệu minh họa):


*Phân tích hồi quy tuyến tính bội (phương pháp Enter, n = 200) cho thấy mô hình có ý nghĩa thống kê, F(3, 196) = 56,33, p < 0,001, giải thích 46,3% biến thiên của ý định mua (R² = 0,463; R² hiệu chỉnh = 0,455; f² = 0,86). Chất lượng sản phẩm (β = 0,356; t = 6,12; p < 0,001) và giá trị cảm nhận (β = 0,262; t = 4,16; p < 0,001) có tác động dương có ý nghĩa đến ý định mua, trong khi tác động của quảng cáo không có ý nghĩa thống kê (β = 0,089; t = 1,43; p = 0,155). VIF từ 1,38 đến 1,57 và Durbin-Watson = 1,94 cho thấy không có dấu hiệu đa cộng tuyến hay tự tương quan bậc một đáng kể.*



*Kết quả kiểm định giả thuyết (minh họa)*

| Giả thuyết | Quan hệ | B | Beta | t | p | Kết luận |
| --- | --- | --- | --- | --- | --- | --- |
| H1 | X1 → Y | 0,318 | 0,356 | 6,12 | < 0,001 | Ủng hộ |
| H2 | X2 → Y | 0,241 | 0,262 | 4,16 | < 0,001 | Ủng hộ |
| H3 | X3 → Y | 0,087 | 0,089 | 1,43 | 0,155 | Không ủng hộ |




- Thang đo đã qua Cronbach's Alpha và EFA; điểm construct tính bằng MEAN sau khi đảo câu nghịch.

- Cỡ mẫu đủ cho số biến độc lập; dùng Method: Enter, không Stepwise.

- Báo cáo R², R² hiệu chỉnh, f² và F(df1, df2) kèm p.

- Kết luận giả thuyết bằng Sig. và dấu của từng biến độc lập, bỏ qua Sig. của hằng số.

- Phương trình dự báo dùng B; so sánh mức tác động dùng Beta.

- VIF được đối chiếu với ngưỡng 10 và ngưỡng chặt hơn 5, có ghi nguồn.

- Đã xem biểu đồ ZRESID–ZPRED, Histogram, P-P Plot và bảng Casewise Diagnostics.

- Ghi *p* < 0,001 thay vì 0,000; dùng dấu phẩy thập phân thống nhất.

## Câu hỏi thường gặp

### R bình phương bao nhiêu thì được coi là đạt?

Không có ngưỡng chung cho mọi lĩnh vực. Trong nghiên cứu hành vi bằng khảo sát, R² khoảng 0,2 đến 0,5 là thường gặp. Thay vì so với một con số cố định, hãy báo cáo R², R² hiệu chỉnh và f² rồi diễn giải theo Cohen (1988): 0,02 nhỏ, 0,15 trung bình, 0,35 lớn. R² thấp không làm mất giá trị của các hệ số có ý nghĩa.

### Hằng số có Sig. lớn hơn 0,05 thì có sao không?

Không sao. Hằng số là giá trị Y dự báo khi mọi biến độc lập bằng 0, điểm này thường nằm ngoài thang Likert 1 đến 5 nên không mang ý nghĩa thực tế. Sig. của hằng số không kiểm định giả thuyết nào trong mô hình. Bạn vẫn giữ hằng số trong phương trình và không chạy hồi quy qua gốc tọa độ.

### Biến độc lập không có ý nghĩa thì có nên loại rồi chạy lại?

Không nên nếu mục tiêu là kiểm định giả thuyết. Mô hình đã được xây dựng từ lý thuyết, nên hãy báo cáo giả thuyết đó không được ủng hộ và thảo luận lý do có thể có. Loại biến rồi chạy lại làm thay đổi các hệ số còn lại và khiến kết quả mang tính chọn lọc theo dữ liệu.

### Nên báo cáo hệ số B hay hệ số Beta chuẩn hóa?

Nên báo cáo cả hai. B dùng để viết phương trình hồi quy và diễn giải thay đổi của Y trên thang gốc khi X tăng một đơn vị. Beta chuẩn hóa dùng để so sánh mức độ tác động tương đối giữa các biến độc lập. Kết luận ý nghĩa thống kê dựa vào t và Sig., hai giá trị này giống nhau cho B và Beta.

### Dữ liệu khảo sát cắt ngang có cần kiểm định Durbin-Watson không?

Durbin-Watson được thiết kế cho dữ liệu sắp theo thời gian. Với khảo sát cắt ngang, thứ tự dòng là tùy ý nên giá trị này thay đổi khi bạn sắp xếp lại dữ liệu. Nhiều hội đồng vẫn yêu cầu báo cáo, nên bạn có thể ghi kèm, giá trị gần 2 là tốt, nhưng tính độc lập chủ yếu được bảo đảm bởi thiết kế thu thập.

### VIF nằm giữa 5 và 10 thì xử lý thế nào?

Đây là vùng xám: chưa vượt ngưỡng cổ điển 10 nhưng vượt ngưỡng chặt hơn 5. Hãy xem ma trận tương quan và độ giá trị phân biệt giữa các construct, kiểm tra xem hai biến có đo cùng một khái niệm không. Có thể gộp construct nếu lý thuyết cho phép. Ghi rõ ngưỡng bạn dùng và nguồn trích dẫn trong báo cáo.

## Nguồn tham khảo

- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression. II. Biometrika, 38(1/2), 159–177.
- Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE Publications.
- Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
- Tabachnick, B. G., & Fidell, L. S. (2013). Using multivariate statistics (6th ed.). Pearson.