Partial Correlation: kiểm soát biến thứ ba khi xem mối liên hệ

Partial Correlation: kiểm soát biến thứ ba khi xem mối liên hệ là Bài 35 của chuyên đề SPSS trong phân tích dữ liệu BĐS. Tính và diễn giải partial correlation giữa hai biến sau khi kiểm soát một hoặc nhiều biến định lượng, so zero-order với partial r và tránh coi kiểm soát thống kê là bằng chứng nhân quả.

Biên soạn: ThS. Nguyễn Mạnh Hùng
GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn

Cập nhật 01/10/2026: Nội dung kỹ thuật đối chiếu với IBM SPSS Statistics 31. Tên menu và một số bảng Output có thể khác nhẹ theo bản build/ngôn ngữ giao diện; khi khác cần đối chiếu tài liệu chính thức.

Lưu ý: dữ liệu và tình huống BĐS trong bài nếu không nêu nguồn cụ thể đều là giả lập phục vụ giảng dạy. Tương quan/liên hệ thống kê không tự chứng minh quan hệ nhân quả.

Mục tiêu học tập

Nhận diện đúng loại biến và thiết kế dữ liệu trước khi chọn thủ tục.
Hiểu bản chất thống kê của hệ số/kiểm định trong bài, không chỉ biết bấm menu.
Thực hiện được trên SPSS và lưu Syntax để có thể chạy lại.
Đọc Output theo thứ tự: mô tả → điều kiện/giả định → hệ số/kiểm định → khoảng tin cậy → diễn giải.
Viết kết luận trong bối cảnh BĐS mà không vượt quá bằng chứng.

Vị trí của bài trong mạch học

Bài thuộc Chương 5 – Mối liên hệ giữa các biến. Mạch 33–40 đi từ Pearson, Spearman và Partial Correlation đến scatterplot, Chi-square, Cramer's V, ma trận tương quan và case tích hợp. Trọng tâm là phân biệt loại liên hệ và giới hạn diễn giải.

Partial correlation là association có điều kiện

Nó mô tả linear relationship X–Y sau khi loại phần tuyến tính liên quan controls.

Ví dụ distance–price sau control diện tích.

Cách kiểm tại lớp: hãy chỉ ra biến nào đang được phân tích, mỗi biến thuộc mức đo nào, mỗi dòng dữ liệu đại diện cho ai/cái gì, và điều kiện nào khiến kết luận thay đổi. Nếu chưa trả lời được bốn câu này, chưa nên đọc p-value.

Zero-order là association chưa control

So zero-order với partial cho biết association thay đổi thế nào.

Giảm mạnh gợi ý control có liên quan nhưng chưa chứng minh causal confounding.

Dấu vết cần lưu: giữ lại Syntax, bảng Output chính, số trường hợp hợp lệ, quy tắc missing và ít nhất một biểu đồ/bảng mô tả phù hợp. Mục tiêu là để người khác có thể chạy lại và biết vì sao chọn phương pháp đó.

Control phải có logic

Không thêm mọi biến để 'làm sạch r'.

Mediator/collider control sai có thể làm diễn giải tệ hơn.

SPSS dùng numeric variables

IBM yêu cầu symmetric quantitative variables cho procedure.

Mã nominal nhiều mức không nên đưa như Scale.

Assumptions

IBM nêu mỗi pair được giả định bivariate normal; coefficient vẫn là linear association.

Scatterplot vẫn cần.

Missing options

Listwise/pairwise có thể cho case base khác.

Phải ghi method.

df giảm khi thêm controls

Quá nhiều controls với N nhỏ làm uncertainty tăng.

Không control càng nhiều càng tốt.

Partial r không phải regression B

Hai thống kê trả lời câu hỏi khác.

Regression được học sau.

Partial r có thể tăng

Suppression có thể làm association mạnh lên sau control.

Không mặc định partial luôn nhỏ hơn.

Không causal hóa

Sau control vẫn có unmeasured confounders/selection.

Viết 'sau kiểm soát tuyến tính Z'.

One/two-tailed

Mặc định two-tailed nếu direction chưa định trước.

Không đổi hậu nghiệm.

Báo cáo

N/df, zero-order r, partial r, p, controls và missing method.

Nêu giới hạn.

Bộ dữ liệu thực hành xuyên suốt

Các ví dụ dùng một cấu trúc dữ liệu BĐS thống nhất. Trong bài thật có thể đổi tên biến, nhưng không được đổi bản chất mức đo. Mã category lưu bằng số vẫn là Nominal/Ordinal nếu ý nghĩa của nó là category.

Biến	Mức đo	Ý nghĩa/đơn vị	Vai trò minh họa
gia_m2	Scale	Đơn giá rao, triệu đồng/m²	Biến giá
dien_tich	Scale	Diện tích, m²	Thuộc tính vật lý
khoang_cach_tam	Scale	Khoảng cách tới trung tâm, km	Vị trí
diem_tien_ich	Scale	Điểm tổng hợp tiện ích 0–100	Tiện ích
khu_vuc	Nominal	1=Trung tâm; 2=Cận trung tâm; 3=Ngoại vi	Nhóm vị trí
loai_bds	Nominal	1=Căn hộ; 2=Nhà phố; 3=Đất ở	Loại hình
phap_ly_day_du	Nominal	0=Chưa đầy đủ; 1=Đầy đủ	Biến phân loại
muc_hai_long	Ordinal	1–5	Biến thứ bậc
diem_truoc	Scale	Điểm trước, 0–100	Đo lặp
diem_sau	Scale	Điểm sau, 0–100	Đo lặp
diem_t3	Scale	Điểm lần 3, 0–100	Đo lặp nhiều lần

Cú pháp tham khảo

Sinh viên có thể thao tác bằng menu, nhưng nên bấm Paste để lưu Syntax. Syntax đặc biệt cần thiết khi có nhiều biến, nhiều nhóm, pairwise/listwise missing hoặc các tùy chọn CI/Statistics.

PARTIAL CORR VARIABLES=gia_m2 khoang_cach_tam BY dien_tich diem_tien_ich /SIGNIFICANCE=TWOTAIL /STATISTICS=DESCRIPTIVES CORR /MISSING=LISTWISE.

Tình huống thực hành BĐS

Zero-order distance–price r=−0,55; sau control diện tích và tiện ích partial r=−0,31. Nhóm nói association yếu đi sau control, không nói 31% giá do khoảng cách.

Trong tình huống trên, không được chuyển trực tiếp từ bảng Sig. sang kết luận. Cần đối chiếu mô tả dữ liệu, hình dạng phân bố/bảng chéo, số quan sát, case bất thường và ý nghĩa nghiệp vụ. Một kết quả thống kê chính xác về tính toán vẫn có thể bị diễn giải sai nếu sample, biến hoặc câu hỏi nghiên cứu sai.

Ma trận lựa chọn nhanh

Tình huống	Cách hiểu/công cụ	Mục tiêu	Điểm phải kiểm
Zero-order	Chưa control	Association thô	So partial
Partial r	Sau control	Conditional association	Không causal
Controls	Theo lý thuyết	Adjustment	Không nhét tất cả
Listwise	Same cases	Dễ so	N giảm
Pairwise	Nhiều data	N khác	Cẩn trọng

Quy trình 12 bước áp dụng

Viết câu hỏi nghiên cứu bằng lời trước khi mở Analyze.
Xác định đơn vị quan sát và thiết kế độc lập/ghép cặp/lặp lại.
Kiểm Type, Values, Missing, Measure và đơn vị của các biến.
Kiểm trạng thái Filter, Split File và Weight Cases.
Chạy Frequencies/Descriptives/Explore/Crosstabs phù hợp.
Kiểm các case bất thường bằng ID và dữ liệu nguồn.
Chọn hệ số/kiểm định theo measurement level và hình dạng quan hệ.
Dùng Paste để lưu Syntax và ghi rõ tùy chọn.
Đọc N và thống kê mô tả trước hệ số/kiểm định.
Đọc coefficient/test statistic cùng CI và p-value nếu có.
Đánh giá độ lớn thực tế/effect size, không chỉ significance.
Lưu Output, Syntax, data version và decision log.

Đọc Output theo thứ tự để tránh sai logic

Đọc N hợp lệ và missing.
Đọc mô tả gốc: mean/median/IQR hoặc count/%.
Kiểm plot/table diagnostics liên quan.
Đọc hệ số hoặc test statistic.
Đọc Confidence Interval nếu thủ tục hỗ trợ.
Đọc p-value sau khi đã biết coefficient và sample.
Đối chiếu với câu hỏi ban đầu.
Viết giới hạn: association không đồng nghĩa causation.

Bài thực hành

Tính zero-order và partial correlation distance–price sau control diện tích/tiện ích, rồi viết diễn giải giới hạn.

Sản phẩm sinh viên phải nộp

Zero-order matrix
Partial Output
Bảng N/df
Sơ đồ logic controls
Report 200 từ

Những lỗi thường gặp

Control mọi biến
Nominal code như quantitative
Partial r như slope
Gọi causal effect
Không so zero-order
Bỏ missing
Quá nhiều controls
Đổi one-tailed hậu nghiệm

Lỗi 1 – Control mọi biến: tạo một bản dữ liệu hoặc Output nhỏ minh họa lỗi này, sau đó sửa và ghi rõ điểm nào trong kết quả thay đổi. Cách học này giúp phân biệt lỗi thao tác, lỗi thiết kế và lỗi diễn giải.

Lỗi 2 – Nominal code như quantitative: tạo một bản dữ liệu hoặc Output nhỏ minh họa lỗi này, sau đó sửa và ghi rõ điểm nào trong kết quả thay đổi. Cách học này giúp phân biệt lỗi thao tác, lỗi thiết kế và lỗi diễn giải.

Lỗi 3 – Partial r như slope: tạo một bản dữ liệu hoặc Output nhỏ minh họa lỗi này, sau đó sửa và ghi rõ điểm nào trong kết quả thay đổi. Cách học này giúp phân biệt lỗi thao tác, lỗi thiết kế và lỗi diễn giải.

Lỗi 4 – Gọi causal effect: tạo một bản dữ liệu hoặc Output nhỏ minh họa lỗi này, sau đó sửa và ghi rõ điểm nào trong kết quả thay đổi. Cách học này giúp phân biệt lỗi thao tác, lỗi thiết kế và lỗi diễn giải.

Lỗi 5 – Không so zero-order: tạo một bản dữ liệu hoặc Output nhỏ minh họa lỗi này, sau đó sửa và ghi rõ điểm nào trong kết quả thay đổi. Cách học này giúp phân biệt lỗi thao tác, lỗi thiết kế và lỗi diễn giải.

Phản biện chéo tại lớp

Nhóm phản biện phải hỏi: coefficient/test này đo cái gì; điều kiện nào quan trọng; N thực sự là bao nhiêu; mẫu số/tập case có thay đổi vì missing không; có outlier/cluster/ties không; và kết luận đang mô tả association hay ngầm chuyển thành causation? Người trình bày phải trỏ đúng bảng/plot trong Output để trả lời.

Nếu hai phương pháp cho kết quả khác nhau, không được chọn phương pháp cho p-value đẹp hơn. Phải quay lại mức đo, hình dạng quan hệ, giả định và câu hỏi nghiên cứu để chọn method chính; phương pháp còn lại có thể dùng như sensitivity analysis nếu hợp lý.

Tình huống kiểm tra cuối bài

Giảng viên cung cấp một tệp 400–1.500 case có ít nhất một bẫy liên quan trực tiếp đến Partial Correlation: kiểm soát biến thứ ba khi xem mối liên hệ: mã nominal bị khai Scale, một outlier hợp lệ, cluster theo khu vực, missing không đồng đều, nhiều ties hoặc N rất lớn làm p nhỏ. Sinh viên phải phát hiện bẫy trước khi viết kết luận.

Phiếu tự kiểm

Tôi có biết từng biến là Nominal, Ordinal hay Scale không?
Thiết kế là độc lập hay dữ liệu liên quan/lặp lại?
N hợp lệ có đúng dự kiến không?
Missing được xử lý pairwise/listwise/analysis như thế nào?
Tôi đã xem biểu đồ/bảng mô tả trước hệ số hoặc p-value chưa?
Outlier/cluster/ties có ảnh hưởng cách chọn phương pháp không?
Hệ số đang đo tuyến tính, đơn điệu, thứ hạng hay liên hệ category?
Confidence Interval có được đọc nếu có không?
Tôi có đang nhầm p-value với độ lớn hiệu ứng không?
Tôi có đang biến correlation/association thành causal claim không?
Syntax có đủ để người khác chạy lại không?
File sau phân tích có version và decision log không?

Ghi nhớ trong 30 giây

Partial là association sau control
Controls phải có logic
Không causal
Zero-order vs partial quan trọng
Case base phải rõ

Nguồn tham khảo

Nguồn kỹ thuật chính là IBM SPSS Statistics 31. Khi menu hoặc tùy chọn khác bài, cần kiểm đúng phiên bản đang dùng. Trong nghiên cứu chính thức, kết quả SPSS phải được đặt trong thiết kế nghiên cứu và tài liệu phương pháp phù hợp.

https://www.ibm.com/docs/en/spss-statistics/31.0.0?topic=features-partial-correlations
https://www.ibm.com/docs/en/spss-statistics/31.0.0?topic=correlations-partial-options
https://www.ibm.com/docs/en/SSLVMB_31.0.0/pdf/IBM_SPSS_Statistics_Command_Syntax_Reference.pdf

Bài tiếp theo

Scatterplot: nhìn mối quan hệ, ngoại lệ và dạng liên hệ trước khi kết luận.

Bài luyện tập mở rộng

Luyện tập 1

Tạo confounding giả lập.

Yêu cầu nộp: Output/Syntax, một đoạn giải thích 100–150 từ và một phép kiểm đối chứng. Nếu có correlation hoặc p-value, phải báo coefficient/test statistic và N; không được chỉ nộp dấu *.

Luyện tập 2

Tạo suppression.

Luyện tập 3

So listwise/pairwise.

Luyện tập 4

Thử control nominal code sai và giải thích.

Phòng kiểm chứng bằng thay đổi dữ liệu

Tạo một bản sao dữ liệu và chỉ thay một yếu tố: thêm outlier, thu hẹp range, tăng sample size, tạo cluster, tăng tỷ lệ ties hoặc missing. Chạy lại đúng thủ tục và ghi yếu tố nào trong Output thay đổi. Mục đích là hiểu độ nhạy của method thay vì học thuộc bảng kết quả.

Biên bản QA tối thiểu

Mục	Trước phân tích	Sau phân tích	Kết luận QA
N	Ghi tổng và N hợp lệ	Đối chiếu Output	Khớp/không khớp
Mức đo	Ghi Nominal/Ordinal/Scale	Đối chiếu method	Phù hợp/không
Missing	Pairwise/listwise/analysis	N từng bảng	Không mất case âm thầm
Outlier/cluster	ID/pattern	Kiểm sensitivity	Giữ/sửa có lý do
Hệ số/test	Dự kiến method	Coefficient/statistic/p	Đúng câu hỏi
Diễn giải	Association/difference	Report cuối	Không causal hóa