11 Tháng chín, 2026
Trong phân tích hồi quy, hệ số hồi quy là chỉ số quan trọng giúp xác định mức độ và chiều hướng tác động của các biến độc lập lên biến phụ thuộc. Tuy nhiên, việc đọc và diễn giải hệ số này trong bảng kết quả SPSS thường khiến nhiều người gặp khó khăn. Vì vậy, bài viết dưới đây, VietGuru hướng dẫn bạn cách đọc kết quả hồi quy một cách chính xác, dễ hiểu. Cùng theo dõi
1. Ký hiệu và ý nghĩa của hệ số hồi quy trong mô hình hồi quy tuyến tính
Trong mô hình hồi quy tuyến tính, hệ số hồi quy cho biết mức độ và chiều hướng thay đổi của biến phụ thuộc khi một biến độc lập thay đổi, trong điều kiện các biến độc lập khác được giữ nguyên. Tùy số lượng biến độc lập, mô hình có thể là hồi quy đơn biến hoặc hồi quy bội.
Phương trình hồi quy đơn biến
Mô hình hồi quy đơn biến được biểu diễn:
Y = β₀ + β₁X + e
Trong đó:
- Y: Biến phụ thuộc, là kết quả cần giải thích hoặc dự đoán trong nghiên cứu.
- X: Biến độc lập, là yếu tố được giả định có tác động đến Y.
- β₀: Hằng số hồi quy (hệ số chặn), thể hiện giá trị kỳ vọng của Y khi X = 0.
- β₁: Hệ số hồi quy của X, cho biết Y thay đổi bao nhiêu đơn vị khi X tăng 1 đơn vị.
- e: Sai số của mô hình, phản ánh phần biến thiên của Y chưa được giải thích bởi X và các yếu tố ngẫu nhiên khác.
Phương trình hồi quy bội
Khi mô hình có từ hai biến độc lập trở lên, phương trình được viết:
Y = β₀ + β₁X₁ + β₂X₂ + … + βₙXₙ + e
Trong đó:
- β₀: Hệ số chặn của mô hình.
- β₁, β₂, …, βₙ: Hệ số hồi quy tương ứng với từng biến độc lập X₁, X₂, …, Xₙ.
- X₁, X₂, …, Xₙ: Các biến độc lập được đưa vào mô hình.
- Y: Biến phụ thuộc.
- e: Sai số của mô hình.
Ký hiệu và ý nghĩa của hệ số hồi quy trong mô hình hồi quy tuyến tính
Ý nghĩa của hệ số hồi quy
Hệ số hồi quy βᵢ là chỉ số quan trọng để xác định chiều hướng tác động của biến độc lập Xᵢ đến biến phụ thuộc Y.
- Nếu βᵢ > 0, Xᵢ và Y có mối quan hệ cùng chiều. Khi Xᵢ tăng, Y có xu hướng tăng và ngược lại.
- Nếu βᵢ < 0, Xᵢ và Y có mối quan hệ ngược chiều, nghĩa là Xᵢ tăng thì Y có xu hướng giảm.
Độ lớn của hệ số hồi quy cho biết Y thay đổi bao nhiêu đơn vị khi Xᵢ tăng 1 đơn vị, trong điều kiện các biến độc lập khác được giữ nguyên.
Ví dụ: Nếu β₁ = 0,5 thì khi X₁ tăng 1 đơn vị, Y được kỳ vọng tăng 0,5 đơn vị.
Đối với β₀, hệ số này thể hiện giá trị kỳ vọng của Y khi tất cả các biến độc lập trong mô hình đều bằng 0. Tuy nhiên, trong một số nghiên cứu, giá trị X = 0 có thể không có ý nghĩa thực tế, vì vậy β₀ chủ yếu được sử dụng để hoàn thiện phương trình hồi quy và xác định vị trí đường hồi quy.
2. Phân biệt hệ số hồi quy chuẩn hóa và chưa chuẩn hóa
Trong kết quả phân tích hồi quy, hệ số hồi quy chưa chuẩn hóa (B) và hệ số hồi quy chuẩn hóa (Beta) đều được sử dụng để đánh giá tác động của biến độc lập lên biến phụ thuộc. Tuy nhiên, hai hệ số có cách diễn giải và mục đích sử dụng khác nhau. Việc phân biệt rõ hai loại hệ số giúp tránh nhầm lẫn khi đọc bảng Coefficients trong SPSS.
| Tiêu chí | Hệ số hồi quy chưa chuẩn hóa | Hệ số hồi quy chuẩn hóa |
| Kí hiệu | B | Beta (β) |
| Mục đích | Đo mức thay đổi cụ thể của Y khi X thay đổi | Đánh giá và so sánh mức độ tác động tương đối giữa các biến |
| Đơn vị đo | Giữ nguyên đơn vị đo ban đầu của biến | Được đưa về cùng hệ quy chiếu chuẩn hóa |
| Cách diễn giải | X tăng 1 đơn vị thì Y tăng/giảm B đơn vị | X tăng 1 độ lệch chuẩn thì Y thay đổi Beta độ lệch chuẩn |
| Ý nghĩa của dấu | B dương: tác động cùng chiều; B âm: tác động ngược chiều | Beta dương: tác động cùng chiều; Beta âm: tác động ngược chiều |
| So sánh mức tác động | Không phù hợp để so sánh trực tiếp giữa các biến có đơn vị đo khác nhau | Có thể dùng trị tuyệt đối của Beta để so sánh |
| Ứng dụng chính | Viết phương trình hồi quy và diễn giải kết quả theo đơn vị thực tế | Xác định biến độc lập có mức tác động tương đối mạnh hay yếu hơn |
| Ví dụ | B = 0,5: X tăng 1 đơn vị thì Y tăng 0,5 đơn vị | Beta = 0,5: X tăng 1 độ lệch chuẩn thì Y tăng 0,5 độ lệch chuẩn |
Phân biệt hệ số hồi quy chuẩn hóa và chưa chuẩn hóa
3. Cách đọc và diễn giải hệ số hồi quy trong kết quả SPSS
Trong SPSS, hệ số hồi quy được thể hiện chủ yếu trong bảng Coefficients. Để đọc và diễn giải chính xác, cần xem xét đồng thời hệ số B, hệ số Beta, giá trị t và Sig. của từng biến độc lập. Trong đó, B và Beta cho biết chiều hướng, mức độ tác động; còn Sig. giúp xác định tác động đó có ý nghĩa thống kê hay không.
Bước 1: Xác định hệ số hồi quy của từng biến
Trong bảng Coefficients, cột Unstandardized Coefficients – B là hệ số hồi quy chưa chuẩn hóa. Đây là hệ số được sử dụng để xây dựng phương trình hồi quy và diễn giải mức thay đổi của biến phụ thuộc theo đơn vị thực tế.
Ví dụ:
- Kết quả SPSS cho thấy biến X1 có B = 0,350. Khi đó, có thể diễn giải: Trong điều kiện các biến độc lập khác không đổi, khi X1 tăng 1 đơn vị thì Y tăng trung bình 0,350 đơn vị.
- Nếu B = -0,350, cách diễn giải sẽ là: Trong điều kiện các biến độc lập khác không đổi, khi X1 tăng 1 đơn vị thì Y giảm trung bình 0,350 đơn vị.
Bước 2: Xem dấu của hệ số hồi quy
Dấu “+” hoặc “−” của hệ số hồi quy cho biết chiều tác động giữa biến độc lập và biến phụ thuộc.
- Nếu hệ số hồi quy mang dấu dương, biến độc lập tác động cùng chiều với biến phụ thuộc. Khi biến độc lập tăng, biến phụ thuộc có xu hướng tăng.
- Nếu hệ số hồi quy mang dấu âm, biến độc lập tác động ngược chiều với biến phụ thuộc. Khi biến độc lập tăng, biến phụ thuộc có xu hướng giảm.
Bước 3: Kiểm tra giá trị Sig. để xác định ý nghĩa thống kê
Sau khi xác định chiều và mức độ tác động, cần kiểm tra cột Sig. trong bảng Coefficients. Đây là bước quan trọng để xác định hệ số hồi quy có ý nghĩa thống kê hay không.
- Thông thường, với mức ý nghĩa 5%, nếu Sig. < 0,05, có thể kết luận biến độc lập có tác động có ý nghĩa thống kê đến biến phụ thuộc. Khi đó, giả thuyết về mối quan hệ giữa hai biến được ủng hộ nếu chiều tác động phù hợp với giả thuyết nghiên cứu.
- Ngược lại, nếu Sig. > 0,05, chưa có đủ bằng chứng thống kê để kết luận biến độc lập có tác động đến biến phụ thuộc trong mô hình.
Bước 4: Sử dụng hệ số Beta để so sánh mức độ tác động
Cột Standardized Coefficients – Beta được sử dụng khi cần so sánh mức độ tác động tương đối giữa các biến độc lập.
Ví dụ, giả sử mô hình có:
- X1: Beta = 0,45
- X2: Beta = 0,30
- X3: Beta = -0,20
Nếu các biến đều có Sig. < 0,05, có thể nhận xét X1 có mức tác động mạnh nhất đến Y, tiếp theo là X2 và X3. Việc xác định mức độ tác động dựa trên trị tuyệt đối của Beta, không dựa vào việc hệ số mang dấu dương hay âm.
Trong ví dụ trên, X3 có Beta âm nên tác động ngược chiều với Y, nhưng vẫn có thể có mức tác động đáng kể. Dấu của Beta cho biết chiều tác động, còn trị tuyệt đối của Beta giúp đánh giá mức độ tác động tương đối.
Cách đọc và diễn giải hệ số hồi quy trong kết quả SPSS
Bước 5: Viết phương trình hồi quy
Sau khi xác định các hệ số B, có thể xây dựng phương trình hồi quy chưa chuẩn hóa. Chẳng hạn, nếu kết quả cho thấy:
- B₀ = 1,200;
- B₁ = 0,350;
- B₂ = -0,250
Thì phương trình hồi quy được viết như sau:
Y = 1,200 + 0,350X₁ − 0,250X₂
Phương trình này cho biết khi X₁ tăng 1 đơn vị và các yếu tố khác không đổi, Y tăng 0,350 đơn vị. Trong khi đó, khi X₂ tăng 1 đơn vị và các yếu tố khác không đổi, Y giảm 0,250 đơn vị.
Cách diễn giải tổng hợp
Khi viết kết quả hồi quy từ SPSS, bạn có thể viết như sau:
“Kết quả phân tích hồi quy cho thấy X1 có tác động cùng chiều đến Y với hệ số hồi quy chưa chuẩn hóa B = 0,350 và hệ số hồi quy chuẩn hóa Beta = 0,420, đồng thời Sig. = 0,001 < 0,05. Như vậy, X1 có tác động cùng chiều và có ý nghĩa thống kê đến Y. Khi X1 tăng 1 đơn vị, Y tăng trung bình 0,350 đơn vị, trong điều kiện các biến khác không đổi. So với các biến độc lập còn lại, X1 có mức tác động tương đối mạnh hơn nếu trị tuyệt đối Beta của X1 là lớn nhất.”
4. Lưu ý khi trình bày hệ số hồi quy trong luận văn, luận án
Khi trình bày hệ số hồi quy trong luận văn, luận án, cần đảm bảo kết quả được diễn giải đúng ý nghĩa, thống nhất và bám sát giả thuyết nghiên cứu. Một số lưu ý quan trọng gồm:
- Phân biệt B và Beta: Hệ số B dùng để xây dựng phương trình hồi quy và diễn giải mức thay đổi của Y theo đơn vị thực tế. Beta dùng để so sánh mức độ tác động tương đối giữa các biến độc lập.
- Kiểm tra Sig.: Không kết luận biến có tác động chỉ dựa vào B hoặc Beta. Với mức ý nghĩa 5%, Sig. < 0,05 cho thấy hệ số có ý nghĩa thống kê.
- Diễn giải đúng dấu: Hệ số dương thể hiện tác động cùng chiều, hệ số âm thể hiện tác động ngược chiều. Dấu của hệ số phản ánh chiều tác động, không phải mức độ mạnh hay yếu.
- So sánh bằng Beta: Khi đánh giá biến nào tác động mạnh hơn, nên căn cứ vào trị tuyệt đối của Beta đối với các biến có ý nghĩa thống kê. Beta càng lớn về trị tuyệt đối thì mức tác động tương đối càng mạnh.
- Xây dựng phương trình bằng B: Phương trình hồi quy nên sử dụng hệ số B chưa chuẩn hóa, không sử dụng Beta.
- Không sao chép nguyên bảng SPSS: Nên chọn lọc các chỉ số cần thiết như B, Beta, t và Sig., sau đó kèm phần nhận xét ngắn gọn.
- Đối chiếu với giả thuyết: Kết quả hồi quy cần được so sánh với giả thuyết nghiên cứu để xác định giả thuyết được chấp nhận hay bác bỏ.
- Trình bày nhất quán: Thống nhất số chữ số thập phân, ký hiệu và cách diễn giải hệ số trong toàn bộ luận văn, luận án.
Lưu ý khi trình bày hệ số hồi quy trong luận văn, luận án
5. Lời kết
Nếu bạn đang gặp khó khăn trong việc xây dựng mô hình, xử lý dữ liệu SPSS hoặc diễn giải kết quả hồi quy cho luận văn, luận án, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học với đội ngũ hỗ trợ chuyên nghiệp. Giúp người học hoàn thiện nghiên cứu một cách rõ ràng, logic và đúng yêu cầu học thuật.
Hy vọng bài viết trên đã giúp bạn hiểu rõ hệ số hồi quy là gì, phân biệt được hệ số B và Beta, đồng thời biết cách đọc và diễn giải kết quả hồi quy trong SPSS. Nắm vững các chỉ số này sẽ giúp bạn đánh giá chính xác chiều hướng, mức độ tác động và ý nghĩa thống kê của các biến trong mô hình, từ đó trình bày kết quả nghiên cứu thuyết phục và khoa học hơn.
