KIỂM ĐỊNH TƯƠNG QUAN PEARSON TRONG SPSS [cập nhật 2026]

Phân tích tương quan Pearson trong SPSS là phương pháp giúp xác định mức độ và chiều hướng mối liên hệ giữa hai biến định lượng. Thông qua hệ số Pearson và giá trị Sig., người nghiên cứu có thể biết các biến có tương quan với nhau hay không, từ đó làm cơ sở cho các bước phân tích tiếp theo như hồi quy hoặc mô hình nghiên cứu.

1. Phân tích tương quan Pearson trong SPSS là gì?

Phân tích tương quan Pearson là phép kiểm thống kê nhằm đo lường mối quan hệ tuyến tính giữa hai biến định lượng, giúp người nghiên cứu xác định xem sự thay đổi của biến này có liên quan đến sự thay đổi của biến còn lại hay không.

Trong phân tích dữ liệu SPSS, Pearson thường được sử dụng để trả lời các câu hỏi như:

• Thu nhập tăng có đi kèm với mức chi tiêu cao hơn không?

• Mức độ hài lòng của khách hàng có liên quan đến ý định quay lại hay không?

• Thời gian học tập có liên hệ với kết quả học tập không?

Khác với các phép kiểm so sánh hay kiểm định nguyên nhân – kết quả, tương quan Pearson không khẳng định biến nào tác động lên biến nào, mà chỉ tập trung đánh giá mức độ liên hệ giữa hai biến dựa trên dữ liệu thực tế.

Trong nghiên cứu định lượng, Pearson là bước phân tích nền tảng, thường được thực hiện trước khi tiến hành các phân tích sâu hơn.

2. Vai trò của phân tích tương quan Pearson trong nghiên cứu

Trong quy trình nghiên cứu định lượng, phân tích tương quan Pearson thường được thực hiện sau khi kiểm định thang đo và trước khi phân tích hồi quy.

Vai trò chính của Pearson gồm:

• Kiểm tra nhanh mối liên hệ giữa các biến nghiên cứu

• Loại bỏ các biến không có tương quan

• Đánh giá khả năng đưa biến vào mô hình hồi quy

• Giúp mô hình nghiên cứu có cơ sở thống kê rõ ràng

Nếu bỏ qua bước phân tích tương quan, mô hình hồi quy có thể:

• Chứa các biến không liên quan

• Cho kết quả thiếu thuyết phục

• Dễ bị đánh giá thấp về mặt học thuật

 Vì vậy, Pearson được xem là bước đệm bắt buộc trong phân tích dữ liệu SPSS.

3. Điều kiện để thực hiện phân tích tương quan Pearson trong SPSS

Để kết quả phân tích Pearson đúng và có ý nghĩa, dữ liệu cần thỏa mãn các điều kiện sau:

• Loại biến: Hai biến phải là biến định lượng

• Thang đo: Interval hoặc Ratio
  (Dữ liệu Likert từ 5 mức trở lên thường được chấp nhận trong thực hành SPSS)

• Cỡ mẫu: Khuyến nghị n ≥ 30

• Mối quan hệ tuyến tính: Pearson chỉ đo tương quan tuyến tính

• Phân phối dữ liệu: Dữ liệu nên phân phối gần chuẩn

Nếu dữ liệu không thỏa các điều kiện trên, nên cân nhắc sử dụng Spearman Correlation thay thế.

4. Tiêu chuẩn đánh giá kết quả phân tích tương quan Pearson

Khi đọc bảng kết quả Pearson trong SPSS, người nghiên cứu cần chú ý ba yếu tố chính: Sig., hệ số r và chiều hướng tương quan.

4.1. Ý nghĩa thống kê (Sig.)

• Sig. < 0.05 → Mối tương quan có ý nghĩa thống kê

• Sig. ≥ 0.05 → Không đủ cơ sở kết luận có tương quan

Mức ý nghĩa 0.05 là ngưỡng được sử dụng phổ biến trong nghiên cứu khoa học.

4.2. Mức độ mạnh – yếu của mối tương quan (r)

• |r| < 0.3 → Tương quan yếu

• 0.3 ≤ |r| < 0.5 → Tương quan trung bình

• |r| ≥ 0.5 → Tương quan mạnh

Giá trị |r| càng lớn thì mối liên hệ giữa các biến càng rõ ràng.

4.3. Chiều hướng tương quan

• r > 0 → Tương quan thuận

• r < 0 → Tương quan nghịch

Chiều hướng giúp diễn giải đúng bản chất dữ liệu và giả thuyết nghiên cứu.

5. Hướng dẫn thực hành phân tích tương quan Pearson trên SPSS 26

Thực hiện phân tích tương quan để đánh giá mối quan hệ giữa các biến bằng cách vào Analyze > Correlate > Bivariate…

Tại đây, chúng ta đưa hết tất cả các biến muốn chạy tương quan Pearson vào mục Variables. Để tiện cho việc đọc kết quả, chúng ta nên đưa biến phụ thuộc lên trên cùng. Trong ví dụ bên dưới biến phụ thuộc là HL, các biến còn lại là độc lập. Nhấp vào OK để xác nhận thực hiện lệnh.

Kết quả tương quan Pearson sẽ được thể hiện trong bảng Correlations. Điểm qua các ký hiệu trong bảng này: Pearson Correlation là hệ số tương quan Pearson (r), Sig. (2-tailed) là giá trị sig của kiểm định t đánh giá hệ số tương quan Pearson có ý nghĩa thống kê hay không, N là cỡ mẫu. 

6. Phân tích kết quả tương quan Pearson và nhận xét

6.1 Mối quan hệ giữa các biến độc lập và biến phụ thuộc (HL)

Kết quả cho thấy biến HL có mối tương quan tuyến tính dương và có ý nghĩa thống kê với hầu hết các biến độc lập trong mô hình:

• TC – HL: r = 0,577, Sig. < 0,001
  → Mối tương quan dương khá mạnh, có ý nghĩa thống kê ở mức 1%. Điều này cho thấy khi TC tăng thì HL có xu hướng tăng theo.

• DU – HL: r = 0,395, Sig. < 0,001
  → Mối tương quan dương ở mức trung bình, có ý nghĩa thống kê.

• HH – HL: r = 0,383, Sig. < 0,001
  → Biến HH có mối tương quan dương, mức trung bình với HL.

• DC – HL: r = 0,388, Sig. < 0,001
  → Mối tương quan dương, có ý nghĩa thống kê.

• NL – HL: r = 0,451, Sig. < 0,001
  → Mối tương quan dương tương đối mạnh giữa NL và HL.

• GC – HL: r = 0,350, Sig. < 0,001
  → Mối tương quan dương, mức trung bình.

 Như vậy, tất cả các biến độc lập đều có mối tương quan tuyến tính dương và có ý nghĩa thống kê với biến phụ thuộc HL, phù hợp với kỳ vọng nghiên cứu ban đầu.

6.2 Mối tương quan giữa các biến độc lập

Giữa các biến độc lập cũng tồn tại một số mối tương quan dương có ý nghĩa thống kê, tuy nhiên hệ số tương quan đều nhỏ hơn 0,8, cụ thể như:

• TC – DC: r = 0,311

• DU – DC: r = 0,313

• HH – GC: r = 0,549

• NL – GC: r = 0,428

Các mối tương quan này cho thấy các biến có liên hệ nhất định với nhau, nhưng mức độ không quá cao. Điều này chứng tỏ không xảy ra hiện tượng đa cộng tuyến nghiêm trọng, dữ liệu đảm bảo điều kiện để tiếp tục thực hiện phân tích hồi quy tuyến tính.

7. Kết luận

Từ kết quả phân tích tương quan Pearson, có thể kết luận rằng các biến độc lập trong mô hình đều có mối quan hệ tuyến tính dương và có ý nghĩa thống kê với biến phụ thuộc HL. Đồng thời, mối tương quan giữa các biến độc lập ở mức chấp nhận được, không ảnh hưởng đến các phân tích tiếp theo.

Kết quả này là cơ sở để tiến hành phân tích hồi quy tuyến tính nhằm kiểm định mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc trong mô hình nghiên cứu.

Để hạn chế sai sót trong quá trình xử lý dữ liệu và đảm bảo kết quả phân tích phản ánh đúng bản chất nghiên cứu, bạn nên tham khảo thêm bài viết tổng hợp những điều cần lưu ý khi chạy SPSS cho kết quả tốt , trong đó trình bày toàn diện các vấn đề quan trọng từ chuẩn bị dữ liệu, kiểm định thang đo đến phân tích và diễn giải kết quả.

------------------------

Resdata hỗ trợ bạn những gì?

 ✅ Tư vấn & định hướng toàn bộ quy trình xử lý dữ liệu SPSS: Rà soát thang đo, phát hiện và xử lý các biến không phù hợp, đồng thời định hướng từng bước phân tích (Cronbach’s Alpha, EFA, hồi quy/SEM…) theo đúng bản chất dữ liệu, bối cảnh nghiên cứu và mục tiêu đề tài, giúp kết quả phản ánh thực tế nghiên cứu và đáp ứng yêu cầu học thuật.

✅ Hỗ trợ SPSS 1 kèm 1 qua ultraview: Hướng dẫn chi tiết từng bước thực hành và cách viết nhận xét chuẩn học thuật.

✅ Xử lý nhanh – đúng chuẩn: Xử lý kết quả trong ngày. Phù hợp cho khóa luận, luận văn, luận án và bài báo khoa học.

✅ Cam kết chỉnh sửa theo góp ý của giảng viên/hội đồng cho đến khi đạt yêu cầu.

Nếu bạn đang gặp phải các tình huống trên và chưa tìm được hướng xử lý phù hợp, đừng ngần ngại liên hệ ngay: Hotline: 0907 786 895.

Resdata luôn sẵn sàng đồng hành cùng bạn với phương châm: Nhanh chóng – Tin cậy – Bảo mật – Chi phí hợp lý.