Kiểm Định Phương Sai Sai Số Không Đồng Nhất trong SPSS

Hướng Dẫn Chi Tiết Từ Lý Thuyết đến Báo Cáo Học Thuật

Khi chạy hồi quy tuyến tính (OLS), một trong những giả định quan trọng nhất là phương sai của sai số không đổi (homoskedasticity). Nếu giả định này bị vi phạm — tức là có hiện tượng phương sai sai số không đồng nhất (heteroskedasticity) — thì các ước lượng hệ số hồi quy vẫn không chệch, nhưng sai số chuẩn (SE), giá trị t, F và p-value sẽ không còn chính xác, dẫn đến kết luận thống kê sai.

Bài viết này hướng dẫn toàn diện cách phát hiện và xử lý heteroskedasticity trong SPSS, bao gồm lý thuyết các kiểm định, thao tác bằng menu và syntax, đọc kết quả, và viết báo cáo học thuật. Câu trích dẫn chuẩn mực được nhiều bài báo quốc tế sử dụng là:

1.1. Định nghĩa

Trong mô hình hồi quy tuyến tính y = Xβ + ε, giả định homoskedasticity đòi hỏi Var(εi) = σ² cho mọi quan sát i. Heteroskedasticity xảy ra khi phương sai của sai số thay đổi theo các giá trị của biến độc lập — tức là Var(εi) = σ²i và σ²i không hằng số.

Hậu quả kỹ thuật quan trọng nhất được trình bày trong Breusch & Pagan (1979) và White (1980): ước lượng OLS vẫn không chệch (unbiased) và nhất quán (consistent), nhưng không còn hiệu quả (efficient). Nghiêm trọng hơn, sai số chuẩn OLS thông thường bị ước lượng sai — thường là quá nhỏ — dẫn đến t-statistic và F-statistic bị thổi phồng, làm tăng xác suất mắc lỗi Loại I (kết luận có ý nghĩa khi thực tế không có).

1.2. Nguyên nhân phổ biến

•            Dữ liệu chéo (cross-sectional): công ty lớn có biến động doanh thu lớn hơn công ty nhỏ

•            Dữ liệu chuỗi thời gian: biến động tăng theo thời gian do tăng trưởng kinh tế

•            Mô hình đặc tả sai: bỏ sót biến quan trọng hoặc dạng hàm không phù hợp

•            Outliers: một vài giá trị cực đoan có thể tạo ra phương sai không đều

1.3. Tại sao cần báo cáo và xử lý?

Các tạp chí quốc tế hàng đầu trong quản trị, marketing, kinh tế và khoa học xã hội ngày càng yêu cầu tác giả báo cáo kiểm định heteroskedasticity. Theo MacKinnon & White (1985), ngay cả khi không phát hiện được heteroskedasticity bằng các kiểm định chính thức, vẫn nên cân nhắc sử dụng robust standard errors vì các kiểm định có thể thiếu power ở mẫu nhỏ.

2.1. Kiểm định Breusch–Pagan (1979)

Nguồn gốc: Breusch & Pagan (1979), Econometrica, Vol. 47, pp. 1287–1294.

Breusch–Pagan test dựa trên khuôn khổ kiểm định Lagrange Multiplier (LM). Ý tưởng cốt lõi là: nếu có heteroskedasticity, bình phương phần dư OLS (û²) sẽ có mối quan hệ có ý nghĩa với các biến dự báo. Quy trình gồm ba bước:

1.          Bước 1: Chạy hồi quy OLS gốc, lấy phần dư û

2.        Bước 2: Tính gt = û²/σ̂² (chuẩn hóa bình phương phần dư)

3.        Bước 3: Hồi quy gt theo các biến dự báo. Thống kê LM = ½ × ESS (explained sum of squares) ~ χ²(p-1)

2.2. Kiểm định White (1980)

Nguồn gốc: White (1980), Econometrica, Vol. 48, pp. 817–838.

White test tổng quát hơn Breusch–Pagan. Nó không giả định dạng cụ thể của heteroskedasticity và cũng là kiểm định chung về sự phù hợp của đặc tả mô hình. Quy trình hồi quy phụ đưa û² vào làm biến phụ thuộc, với các biến độc lập bao gồm: tất cả biến gốc, bình phương của chúng, và tích chéo giữa chúng.

2.3. Modified Breusch–Pagan và F-test

SPSS 29 cũng cung cấp hai biến thể bổ sung:

•            Modified Breusch–Pagan: Phiên bản hiệu chỉnh theo Koenker (1981), ít nhạy cảm hơn với giả định về phân phối sai số

•            F-test for heteroskedasticity: Kiểm định dạng F thay vì χ², thường cho kết quả tương tự BP nhưng với phân phối khác

2.4. So sánh tổng thể các kiểm định

3.1. Tại sao cần robust standard errors?

Khi phát hiện heteroskedasticity, có hai hướng xử lý chính: (1) biến đổi dữ liệu (Weighted Least Squares), hoặc (2) giữ nguyên ước lượng OLS nhưng sử dụng sai số chuẩn hiệu chỉnh (heteroskedasticity-consistent standard errors). Hướng thứ hai được ưa chuộng hơn trong thực tiễn nghiên cứu vì đơn giản và không yêu cầu biết dạng heteroskedasticity.

3.2. Các phiên bản HC (từ HC0 đến HC4)

White (1980) đề xuất ước lượng gốc HC0. MacKinnon & White (1985) — trong bài báo gốc "Some Heteroskedasticity-Consistent Covariance Matrix Estimators with Improved Finite Sample Properties" — so sánh hiệu năng của các phiên bản HC trong mẫu nhỏ:

Trong đó hᵢᵢ là phần tử đường chéo thứ i của hat matrix H = X(X'X)⁻¹X'. MacKinnon & White (1985) kết luận: HC3 luôn cho hiệu năng tốt nhất trong tất cả các thực nghiệm mô phỏng, kể cả khi mẫu nhỏ và mức heteroskedasticity cao. SPSS 29 mặc định dùng HC3 trong lệnh /ROBUST=HC3.

4.1. Cách A — Kiểm tra sơ bộ bằng đồ thị phần dư

Trước khi chạy kiểm định chính thức, nên xem xét trực quan bằng scatterplot phần dư chuẩn hóa (ZRESID) theo giá trị dự đoán chuẩn hóa (ZPRED).

Thao tác menu:

1.          Analyze → Regression → Linear → đưa biến vào

2.        Bấm Save → tích Standardized Predicted Values (ZPRED) và Standardized Residuals (ZRESID)

3.        Graphs → Legacy Dialogs → Scatter/Dot → Simple Scatter → X: ZPRED, Y: ZRESID

Cách đọc biểu đồ: Nếu điểm phân tán đều xung quanh đường y=0 và độ rộng không đổi theo trục X: không có dấu hiệu rõ ràng. Nếu có hình phễu (fan shape) hoặc hình nón mở rộng: nghi ngờ có heteroskedasticity.

4.2. Cách B — Kiểm định chính thức trong SPSS 29 (Bạn đọc lưu ý, các bản SPSS trước 2024 sẽ không có test này)

Khi nào dùng: Khi mô hình có 1 biến phụ thuộc liên tục và các biến độc lập liên tục (hoặc biến giả), muốn đồng thời kiểm định heteroskedasticity và lấy kết quả với robust SE HC3.

Thao tác menu từng bước:

1.          Analyze → General Linear Model → Univariate

2.        Dependent Variable: đưa biến phụ thuộc vào (ví dụ: WOM_)

3.        Covariate(s): đưa các biến độc lập liên tục vào (ví dụ: BP_, PDS_)

4.        Bấm Model → Custom → đưa BP_, PDS_ vào model

5.        Bấm Options → tích Descriptive Statistics như hình bên dưới

6.        Bấm OK

Dưới đây là ví dụ thực tế từ nghiên cứu với biến phụ thuộc WOM_ (Word-of-Mouth) và hai biến độc lập BP_ (Brand Prestige) và PDS_ (Perceived Dependability & Service), N = 270.

5.1. Bảng kiểm định heteroskedasticity

SPSS in ra bốn bảng kiểm định. Dưới đây là cách đọc từng bảng:

Diễn giải: Tất cả bốn kiểm định đều có p < .001, cho thấy giả định phương sai đồng nhất bị vi phạm một cách rõ ràng. Kết quả nhất quán giữa các kiểm định (cả BP và White đều bác bỏ H0) tăng cường độ tin cậy của kết luận.

5.2. Bảng Tests of Between-Subjects Effects (mô hình OLS gốc)

5.3. Bảng Parameter Estimates with Robust Standard Errors (HC3) — Bảng chính để diễn giải

Footnote: a. HC3 method.

Diễn giải cụ thể:

•            BP_ (Brand Prestige): B = 0.386, SE robust = 0.083, t = 4.672, p < .001, 95% CI [0.223; 0.549]. Khi BP_ tăng 1 đơn vị, WOM_ tăng trung bình 0.386 đơn vị, sau khi kiểm soát PDS_. Tác động này có ý nghĩa thống kê.

•            PDS_ (Perceived Dependability & Service): B = 0.451, SE robust = 0.078, t = 5.806, p < .001, 95% CI [0.298; 0.604]. PDS_ có tác động mạnh hơn BP_ (hệ số lớn hơn và t-value lớn hơn).

•            Intercept: B = 0.585, p = .066 > .05, không có ý nghĩa thống kê — điều này bình thường và ít khi được quan tâm trong nghiên cứu ứng dụng.

Bảng 1. Kiểm định phương sai sai số không đồng nhất và độ phù hợp mô hình

Bảng 2. Kết quả ước lượng hồi quy với Robust Standard Errors (HC3)

Bảng 3. Tóm tắt kết quả kiểm định giả thuyết (tuỳ chọn)

7.1. Trường hợp vi phạm (có heteroskedasticity)

7.2. Trường hợp không vi phạm (tham khảo)

8.1. Levene's test KHÔNG phải là kiểm định heteroskedasticity trong hồi quy

Levene's test kiểm tra bằng nhau phương sai giữa các nhóm (dùng cho ANOVA, t-test). Breusch–Pagan và White kiểm tra phương sai sai số thay đổi theo biến dự báo liên tục trong hồi quy. Đây là hai khái niệm khác nhau hoàn toàn.

8.2. Cảnh báo "HOMOGENEITY will be ignored" là bình thường

Dòng cảnh báo trong SPSS: "The HOMOGENEITY specification in the PRINT subcommand will be ignored because there are no between-subjects factors" xuất hiện khi mô hình không có biến phân nhóm (Factor). Đây là bình thường và không ảnh hưởng đến các kiểm định White/BP.

8.3. Nên đọc bảng nào khi có robust SE? ***

8.4. Làm tròn số và quy ước p-value theo APA

•            Hệ số B, SE: làm tròn đến 3 chữ số thập phân

•            p-value: viết p < .001 (không viết p = .000)

•            Thống kê t, F, χ²: làm tròn đến 3 chữ số thập phân

•            Không viết giá trị p thực khi nó nhỏ hơn .001

Kiểm định phương sai sai số không đồng nhất không chỉ là thủ tục bắt buộc trong phân tích hồi quy nghiêm túc, mà còn là tiêu chí ngày càng được các hội đồng phản biện quốc tế yêu cầu. Kết hợp kiểm định Breusch–Pagan và White với robust standard errors HC3 — đúng như câu trích dẫn chuẩn mực "(Breusch & Pagan, 1979; White, 1980; MacKinnon & White, 1985)" — là thực hành tốt nhất hiện tại cho nghiên cứu định lượng trong khoa học xã hội.

Nếu bạn cần hỗ trợ phân tích dữ liệu hồi quy, kiểm định heteroskedasticity, hoặc viết báo cáo kết quả cho luận văn và bài báo khoa học, có thể liên hệ với chúng tôi để được tư vấn.

Tài liệu tham khảo

Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.

MacKinnon, J. G., & White, H. (1985). Some heteroskedasticity-consistent covariance matrix estimators with improved finite sample properties. Journal of Econometrics, 29(3), 305–325.

White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838.

Nếu đọc giả muốn tham khảo tài liệu trong nước (tiếng Việt), bạn đọc có thể tham khảo cuốn Mô hình hồi quy và Khám phá khoa học của tác giả GS. Nguyễn Văn Tuấn

Nếu đọc giả muốn tham khảo các ấn bản quốc tế, chúng tôi xin phép được giới thiệu 2 cuốn sách khá hay là "Introduction to Business Analytics Using Simulation" của Pinder, Jonathan P. (2023) và "Introduction to Robust Estimation and Hypothesis Testing" của Rand R. Wilcox (2022)