Cách tăng R hiệu chỉnh trong SPSS

Một trong các chỉ số rất quan trọng mà chúng ta sẽ đọc kết quả ở bước phân tích hồi quy là giá trị R bình phương hiệu chỉnh. Vậy R bình phương hiệu chỉnh là gì? Ý nghĩa của chỉ số này ra sao? Chúng ta sẽ lần lượt đi vào từng chủ đề nội dung bên dưới.

Bạn đang xem: Ý nghĩa của r bình phương hiệu chỉnh

Một thước đo sự phù hợp của mô hình tuyến tính thường dùng là hệ số xác định R bình phương [R Square]. Công thức tính R bình phương xuất phát từ ý tưởng xem toàn bộ biến thiên quan sát được của biến phụ thuộc được chia thành 2 phần: phần biến thiên do Hồi quy [Regression] và phần biến thiên do Phần dư [Residual]. Nếu phần biến thiên do Phần dư càng nhỏ, nghĩa là khoảng cách từ các điểm quan sát đến đường ước lượng hồi quy càng nhỏ thì phần biến thiên do Hồi quy sẽ càng cao, khi đó giá trị R bình phương sẽ càng cao.

Hệ số R bình phương được chứng mình là hàm không giảm theo số biến độc lập được đưa vào mô hình, nếu chúng ta đưa thêm càng nhiều biến độc lập vào phương trình, chỉ số R bình phương sẽ càng tăng. Việc tăng giá trị R bình phương bằng cách đưa thêm biến vào mô hình không phải lúc nào cũng là tốt, bởi có thể xảy ra nhiều vấn đề như đa cộng tuyến, biến thừa, nhiều biến phức tạp cho khâu phân tích.

Cũng là chỉ số phản ánh mức độ phù hợp của mô hình như R bình phương, ý nghĩa của R bình phương hiệu chỉnh có chút khác biệt bởi R bình phương hiệu chỉnh không nhất thiết tăng lên khi chúng ta đưa thêm các biến độc lập vào mô hình. Chính vì vậy, R bình phương hiệu chỉnh thường được sử dụng hơn vì giá trị này phản ánh sát hơn mức độ phù hợp của mô hình hồi quy.

2 giá trị R bình phương [R Square] và R bình phương hiệu chỉnh [Adjusted R Square] nằm trong bảng Coefficients trong kết quả phân tích hồi quy tuyến tính trên SPSS. R bình phương hiệu chỉnh luôn nhỏ hơn hoặc bằng R bình phương.

R bình phương hiệu chỉnh dao động trong khoảng từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là không thể, bởi luôn luôn xuất hiện phần dư trong mô hình.

Về ý nghĩa của R bình phương hiệu chỉnh, như đã đề cập ở trên. Chỉ số này phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc trong mô hình hồi quy.

Xem thêm: Token Erc20 Wallet Là Gì ? Những Loại Ví Erc20 Token An Toàn Nhất

Trong ví dụ đọc kết quả hồi quy trên SPSS ở trên, giá trị R bình phương hiệu chỉnh là 0.725. Như vậy, các biến độc lập giải thích được 72.5% sự biến thiên của biến phụ thuộc. Phần còn lại 27.5% được giải thích bởi các biến ngoài mô hình và sai số ngẫu nhiên.

Không có tiêu chuẩn chính xác R bình phương hiệu chỉnh ở mức bao nhiêu thì mô hình mới đạt yêu cầu, chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu.

Thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, tùy vào dạng nghiên cứu và dạng dữ liệu, không phải lúc nào cũng bắt buộc rằng mô hình hồi quy phải đạt giá trị R bình phương hiệu chỉnh lớn hơn 0.5 mới có ý nghĩa.

Như vậy, nếu kết quả hồi quy bạn phân tích được có R bình phương hiệu chỉnh dưới 50% [0.5] thì kết quả vẫn có thể được chấp nhận.

Nếu bạn gặp khó khăn khi kết quả hồi quy không có ý nghĩa, giá trị R2 quá thấp, các biến độc lập bị loại nhiều, vi phạm đa cộng tuyến, vi phạm các giả định hồi quy. Bạn có thể tham khảo dịch vụ xử lý số liệu SPSS của Xử Lý Định Lượng để team có thể hỗ trợ bạn xử lý nhanh và hiệu quả nhất.

kỹ thuật câu hỏi gàiR bình phươngR bình phương hiệu chỉnhR bình phương hiệu chỉnh dưới 50%ý nghĩa của R bình phương hiệu chỉnh

Ebook SPSS 26

Hơn 5 năm kinh nghiệm trong chia sẻ kiến thức về phân tích định lượng. Hỗ trợ, tư vấn và xử lý dữ liệu cho hơn 6000 khách hàng với hơn 2000 dự án.

• Ngày đăng: 10/22/2019
• |
• Chuyên mục: REG, SPSS

Bài viết được đăng tải duy nhất và thuộc bản quyền của Phạm Lộc Blog. Việc chia sẻ lại nội dung lên website khác vui lòng dẫn nguồn link bài viết gốc này. Xin cảm ơn!

Một công việc quan trọng của bất kỳ thủ tục thống kê xây dựng mô hình từ dữ liệu nào cũng đều là chứng minh sự phù hợp của mô hình. Để biết mô hình hồi quy tuyến tính đã xây dựng trên dữ liệu mẫu phù hợp đến mức độ nào với dữ liệu, chúng ta cần dùng một thước đo nào đó về độ phù hợp của nó.

Một thước đo sự phù hợp của mô hình tuyến tính thường dùng là hệ số xác định R bình phương [Coefficient of Determination]. Công thức tính R bình phương [R square] xuất phát từ ý tưởng xem toàn bộ biến thiên quan sát được của biến phụ thuộc được chia thành 2 phần: phần biến thiên do Hồi quy [Regression] và phần biến thiên do Phần dư [Residual]. Nếu phần biến thiên do Phần dư càng nhỏ, nghĩa là khoảng cách từ các điểm quan sát đến đường ước lượng hồi quy càng nhỏ thì phần biến thiên do Hồi quy sẽ càng cao, khi đó giá trị R bình phương sẽ càng cao. 

Hệ số R bình phương là hàm không giảm theo số biến độc lập được đưa vào mô hình, nếu chúng ta càng đưa thêm biến độc lập vào mô hình thì R bình phương càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng không phải phương trình càng có nhiều biến thì càng tốt hơn.

Ý nghĩa của R bình phương hiệu chỉnh cũng giống như R bình phương là phản ánh mức độ phù hợp của mô hình. R bình phương hiệu chỉnh được tính từ R bình phương thường được sử dụng hơn vì giá trị này phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến. R bình phương hiệu chỉnh không nhất thiết tăng lên khi chúng ta đưa thêm các biến độc lập vào mô hình.

So sánh 2 giá trị như ở hình trên, giá trị R bình phương hiệu chỉnh [Adjusted R Square] nhỏ hơn giá trị R bình phương [R Square], dùng nó để đánh giá độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình.

Mức dao động của R bình phương hiệu chỉnh là từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là gần như không tưởng dù mô hình đó tốt đến nhường nào. 

Về ý nghĩa của R bình phương hiệu chỉnh, như đã đề cập ở trên. Chỉ số này phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc trong mô hình hồi quy. 

Trong ví dụ đọc kết quả hồi quy trên SPSS ở trên, giá trị R bình phương hiệu chỉnh là 0.725. Như vậy, các biến độc lập giải thích được 72.5% sự biến thiên của biến phụ thuộc. Phần còn lại 27.5% được giải thích bởi các biến ngoài mô hình và sai số ngẫu nhiên.

Không có tiêu chuẩn chính xác R bình phương hiệu chỉnh ở mức bao nhiêu thì mô hình mới đạt yêu cầu, chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu. 

Thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, điều này chỉ phù hợp trong một số ít tình huống, việc yêu cầu giá trị R2 phải lớn hơn 0.5 là đi ngược với lý thuyết thống kê. 

Như vậy, nếu kết quả hồi quy bạn phân tích được có R bình phương hiệu chỉnh dưới 50% [0.5] thì kết quả vẫn được chấp nhận.

Nếu bạn gặp khó khăn khi thực hiện phân tích hồi quy vì số liệu khảo sát không tốt, vi phạm các tiêu chí kiểm định. Bạn có thể tham khảo dịch vụ chạy SPSS của Phạm Lộc Blog hoặc liên hệ trực tiếp email để tối ưu thời gian làm bài và đạt kết quả tốt.

Từ khóa: r bình phương, r square trong spss, r bình phương hiệu chỉnh, r bình phương dưới 50%, ý nghĩa r square

Một trong các chỉ số rất quan trọng mà chúng ta sẽ đọc kết quả ở bước phân tích hồi quy là giá trị R bình phương hiệu chỉnh. Vậy R bình phương hiệu chỉnh là gì? Ý nghĩa của chỉ số này ra sao? Chúng ta sẽ lần lượt đi vào từng chủ đề nội dung bên dưới.

Một thước đo sự phù hợp của mô hình tuyến tính thường dùng là hệ số xác định R bình phương [R Square]. Công thức tính R bình phương xuất phát từ ý tưởng xem toàn bộ biến thiên quan sát được của biến phụ thuộc được chia thành 2 phần: phần biến thiên do Hồi quy [Regression] và phần biến thiên do Phần dư [Residual]. Nếu phần biến thiên do Phần dư càng nhỏ, nghĩa là khoảng cách từ các điểm quan sát đến đường ước lượng hồi quy càng nhỏ thì phần biến thiên do Hồi quy sẽ càng cao, khi đó giá trị R bình phương sẽ càng cao.

Hệ số R bình phương được chứng mình là hàm không giảm theo số biến độc lập được đưa vào mô hình, nếu chúng ta đưa thêm càng nhiều biến độc lập vào phương trình, chỉ số R bình phương sẽ càng tăng. Việc tăng giá trị R bình phương bằng cách đưa thêm biến vào mô hình không phải lúc nào cũng là tốt, bởi có thể xảy ra nhiều vấn đề như đa cộng tuyến, biến thừa, nhiều biến phức tạp cho khâu phân tích.

Cũng là chỉ số phản ánh mức độ phù hợp của mô hình như R bình phương, ý nghĩa của R bình phương hiệu chỉnh có chút khác biệt bởi R bình phương hiệu chỉnh không nhất thiết tăng lên khi chúng ta đưa thêm các biến độc lập vào mô hình. Chính vì vậy, R bình phương hiệu chỉnh thường được sử dụng hơn vì giá trị này phản ánh sát hơn mức độ phù hợp của mô hình hồi quy.

2 giá trị R bình phương [R Square] và R bình phương hiệu chỉnh [Adjusted R Square] nằm trong bảng Coefficients trong kết quả phân tích hồi quy tuyến tính trên SPSS. R bình phương hiệu chỉnh luôn nhỏ hơn hoặc bằng R bình phương.

R bình phương hiệu chỉnh dao động trong khoảng từ 0 đến 1, tuy nhiên việc đạt được mức giá trị bằng 1 là không thể, bởi luôn luôn xuất hiện phần dư trong mô hình.

Về ý nghĩa của R bình phương hiệu chỉnh, như đã đề cập ở trên. Chỉ số này phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc trong mô hình hồi quy.

Trong ví dụ đọc kết quả hồi quy trên SPSS ở trên, giá trị R bình phương hiệu chỉnh là 0.725. Như vậy, các biến độc lập giải thích được 72.5% sự biến thiên của biến phụ thuộc. Phần còn lại 27.5% được giải thích bởi các biến ngoài mô hình và sai số ngẫu nhiên.

Không có tiêu chuẩn chính xác R bình phương hiệu chỉnh ở mức bao nhiêu thì mô hình mới đạt yêu cầu, chỉ số này nếu càng tiến về 1 thì mô hình càng có ý nghĩa, càng tiến về 0 thì ý nghĩa mô hình càng yếu. 

Thường chúng ta chọn mức trung gian là 0.5 để phân ra 2 nhánh ý nghĩa mạnh/ý nghĩa yếu, từ 0.5 đến 1 thì mô hình là tốt, bé hơn 0.5 là mô hình chưa tốt. Tuy nhiên, điều này chỉ phù hợp trong một số ít tình huống, việc yêu cầu giá trị R2 phải lớn hơn 0.5 là đi ngược với lý thuyết thống kê. 

Như vậy, nếu kết quả hồi quy bạn phân tích được có R bình phương hiệu chỉnh dưới 50% [0.5] thì kết quả vẫn được chấp nhận.

Nếu bạn gặp khó khăn khi kết quả hồi quy không có ý nghĩa, giá trị R2 quá thấp, các biến độc lập bị loại nhiều, vi phạm đa cộng tuyến, vi phạm các giả định hồi quy. Bạn có thể tham khảo dịch vụ xử lý số liệu SPSS của Xử Lý Định Lượng để team có thể hỗ trợ bạn xử lý nhanh và hiệu quả nhất.