Kiểm định phi tham số cho K mẫu độc lập (K Independent Samples)

Trong nghiên cứu định lượng, việc so sánh nhiều hơn hai nhóm độc lập về một biến định lượng là một nhu cầu rất phổ biến. Khi dữ liệu của bạn không đáp ứng các giả định của kiểm định tham số mạnh mẽ như **One-Way ANOVA** (đặc biệt là giả định về phân phối chuẩn hoặc phương sai đồng nhất), các **kiểm định phi tham số cho K mẫu độc lập** trở thành công cụ không thể thiếu. Chúng cho phép bạn so sánh các nhóm mà không cần những ràng buộc chặt chẽ về phân phối dữ liệu, làm cho chúng trở nên linh hoạt và mạnh mẽ hơn trong nhiều tình huống thực tế. Bài viết này sẽ giới thiệu các kiểm định phi tham số phổ biến nhất cho K mẫu độc lập, cách chúng hoạt động, các ứng dụng và hướng dẫn chi tiết cách thực hiện trên phần mềm SPSS.

1. Tổng quan về Kiểm định phi tham số cho K mẫu độc lập

Kiểm định phi tham số được sử dụng khi dữ liệu không thỏa mãn các giả định của kiểm định tham số tương ứng. Đối với việc so sánh ba hay nhiều hơn hai nhóm độc lập, điều này thường xảy ra khi:

• Biến phụ thuộc là **thứ bậc (Ordinal)**.
• Biến phụ thuộc là **định lượng (Scale)** nhưng **không phân phối chuẩn** trong một hoặc nhiều nhóm.
• Phương sai của các nhóm không đồng nhất (**vi phạm giả định về đồng nhất phương sai**), và không thể khắc phục bằng các phương pháp biến đổi dữ liệu.

SPSS cung cấp hai kiểm định phi tham số chính cho K mẫu độc lập, đó là **Kruskal-Wallis H Test** và **Jonckheere-Terpstra Test**.

—

2. Kiểm định Kruskal-Wallis H Test

2.1. Lý thuyết và Mục đích

Kiểm định Kruskal-Wallis H Test là kiểm định phi tham số tương đương với One-Way ANOVA. Nó được dùng để so sánh ba hoặc nhiều hơn hai nhóm độc lập về một biến thứ bậc hoặc biến định lượng không phân phối chuẩn. Tương tự như Mann-Whitney U Test, Kruskal-Wallis H Test hoạt động bằng cách chuyển đổi dữ liệu thành các **hạng (ranks)** và sau đó so sánh tổng hạng trung bình giữa các nhóm.

Giả thuyết thống kê:

• $H_0$: Phân phối của biến phụ thuộc là như nhau ở tất cả các nhóm (hoặc trung vị của tất cả các quần thể là như nhau).
• $H_1$: Ít nhất một cặp nhóm có phân phối khác nhau (hoặc trung vị của ít nhất một cặp quần thể là khác nhau).

Nếu kết quả của Kruskal-Wallis H Test là có ý nghĩa thống kê (p-value < 0.05), điều đó chỉ cho biết có sự khác biệt ở đâu đó giữa các nhóm, chứ không chỉ ra nhóm nào khác nhóm nào. Để xác định cụ thể các cặp nhóm có sự khác biệt, bạn cần thực hiện các **kiểm định hậu nghiệm (post-hoc tests)**, tương tự như trong ANOVA, nhưng cần điều chỉnh mức ý nghĩa để tránh lỗi loại I.

2.2. Ứng dụng

• So sánh mức độ căng thẳng (trên thang thứ bậc) giữa nhân viên ở ba phòng ban khác nhau (Kinh doanh, Kế toán, Sản xuất).
• So sánh điểm số một bài kiểm tra (không chuẩn) giữa học sinh từ ba trường học khác nhau.
• So sánh thái độ của người tiêu dùng đối với một sản phẩm mới dựa trên ba nhóm tuổi (ví dụ: < 25 tuổi, 25-45 tuổi, > 45 tuổi).

—

3. Kiểm định Jonckheere-Terpstra Test

3.1. Lý thuyết và Mục đích

Trong khi Kruskal-Wallis H Test chỉ kiểm tra sự khác biệt chung giữa các nhóm, **Kiểm định Jonckheere-Terpstra Test** mạnh hơn ở chỗ nó kiểm tra liệu có một **xu hướng có thứ tự (ordered alternative)** trong các trung vị (hoặc phân phối) của các nhóm hay không. Điều này có nghĩa là bạn có một giả thuyết cụ thể về thứ tự tăng hoặc giảm của các trung vị giữa các nhóm.

Ví dụ, bạn có thể giả định rằng mức độ hài lòng sẽ tăng theo mức độ kinh nghiệm làm việc (ví dụ: ít kinh nghiệm < trung bình < nhiều kinh nghiệm).

Giả thuyết thống kê:

• $H_0$: Không có xu hướng có thứ tự giữa các nhóm (tất cả các trung vị là như nhau).
• $H_1$: Có một xu hướng có thứ tự cụ thể giữa các trung vị của các nhóm (ví dụ: trung vị nhóm 1 $ \le $ trung vị nhóm 2 $ \le $ trung vị nhóm 3…).

3.2. Ứng dụng

• Kiểm tra xem mức độ hiệu quả của một loại thuốc có tăng lên khi liều lượng tăng dần qua ba mức độ (liều thấp, liều trung bình, liều cao) hay không.
• Xác định liệu mức độ căng thẳng có tăng lên theo cấp bậc quản lý (ví dụ: nhân viên, quản lý cấp trung, quản lý cấp cao) hay không.
• Đánh giá xem sự yêu thích một hương vị kem mới có tăng lên khi độ ngọt tăng dần (ít ngọt, ngọt vừa, rất ngọt) hay không.

—

4. Hướng dẫn thực hành trên SPSS: Kiểm định phi tham số cho K mẫu độc lập

Chúng ta sẽ thực hiện ví dụ minh họa cho cả Kruskal-Wallis H Test và Jonckheere-Terpstra Test trên cùng một tập dữ liệu.

Ví dụ minh họa: Mức độ hài lòng công việc theo cấp bậc

Bạn muốn kiểm tra xem có sự khác biệt về mức độ hài lòng công việc giữa nhân viên ở ba cấp bậc khác nhau trong một công ty: **Nhân viên (Cấp 1)**, **Trưởng nhóm (Cấp 2)**, và **Quản lý (Cấp 3)**. Bạn thu thập dữ liệu về mức độ hài lòng (thang điểm 1-10) từ một mẫu gồm 45 nhân viên (15 nhân viên mỗi cấp). Bạn nghi ngờ dữ liệu không phân phối chuẩn.

Các bước thực hiện trên SPSS:

4.1. Chuẩn bị dữ liệu trong SPSS

1. **Tạo biến:** Mở SPSS, vào tab **Variable View**.
   • Tạo biến `Cap_Bac` (biến nhóm):
     • **Name:** `Cap_Bac`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Cấp bậc
     • **Values:** 1 = Nhân viên, 2 = Trưởng nhóm, 3 = Quản lý
     • **Measure:** Nominal
   • Tạo biến `Muc_Do_Hai_Long` (biến kiểm định):
     • **Name:** `Muc_Do_Hai_Long`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Mức độ hài lòng công việc
     • **Measure:** Scale
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**. Nhập mức độ hài lòng vào cột `Muc_Do_Hai_Long` và cấp bậc tương ứng vào cột `Cap_Bac` cho tất cả 45 nhân viên.

4.2. Chạy Kiểm định Kruskal-Wallis H và Jonckheere-Terpstra

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > K Independent Samples…**
2. Hộp thoại **Tests for Several Independent Samples** sẽ xuất hiện.
3. Chuyển biến `Muc_Do_Hai_Long` sang ô **Test Variable List:**.
4. Chuyển biến `Cap_Bac` sang ô **Grouping Variable:**.
5. Nhấp vào nút **Define Range…**.
   • Trong hộp thoại **Define Range**, nhập giá trị nhỏ nhất của nhóm vào **Minimum:** (ví dụ: `1`) và giá trị lớn nhất vào **Maximum:** (ví dụ: `3`).
   • Nhấp **Continue**.
6. Trong phần **Test Type**, tích chọn **Kruskal-Wallis H** và **Jonckheere-Terpstra**.
7. Nhấp **OK**.

4.3. Diễn giải kết quả Output của SPSS

Cửa sổ Output của SPSS sẽ hiển thị các bảng kết quả cho cả hai kiểm định:

4.3.1. Kết quả Kruskal-Wallis H Test

Bảng 1: Ranks (Hạng)

Cấp bậc	N	Mean Rank
Nhân viên	15	15.50
Trưởng nhóm	15	25.00
Quản lý	15	35.50
Total	45

Diễn giải:

• Bảng này cho thấy số lượng quan sát (N) và hạng trung bình (Mean Rank) cho mỗi nhóm.
• Chúng ta thấy một xu hướng tăng dần của Mean Rank theo cấp bậc (15.50 cho Nhân viên, 25.00 cho Trưởng nhóm, 35.50 cho Quản lý), gợi ý rằng cấp bậc càng cao thì mức độ hài lòng công việc càng cao.

Bảng 2: Test Statistics (Thống kê kiểm định Kruskal-Wallis H)

	Mức độ hài lòng công việc
Chi-Square	12.500
df	2
Asymp. Sig.	.002

Kết luận Kruskal-Wallis H:

• **p-value (Asymp. Sig.) = 0.002.**
• Vì p-value (0.002) < 0.05, chúng ta **bác bỏ giả thuyết $H_0$**. Có sự khác biệt có ý nghĩa thống kê về mức độ hài lòng công việc giữa ít nhất một cặp nhóm cấp bậc.
• Để xác định chính xác cặp nhóm nào khác biệt, bạn cần thực hiện các kiểm định hậu nghiệm. Tuy nhiên, SPSS không cung cấp trực tiếp các kiểm định hậu nghiệm cho Kruskal-Wallis trong hộp thoại này. Bạn có thể tự tính toán thủ công hoặc sử dụng các cú pháp lệnh (syntax) phức tạp hơn trong SPSS, hoặc sử dụng phương pháp so sánh cặp Mann-Whitney U Test (có hiệu chỉnh Bonferroni).

4.3.2. Kết quả Jonckheere-Terpstra Test

Bảng 3: Test Statistics (Thống kê kiểm định Jonckheere-Terpstra)

	Mức độ hài lòng công việc
N	45
Observed JT Statistic	195.000
Mean JT Statistic	157.500
Std. Deviation	12.500
Std. Test Statistic	3.000
Asymp. Sig. (2-tailed)	.003
One-sided Sig.	.002

Kết luận Jonckheere-Terpstra:

• **p-value (Asymp. Sig. (2-tailed)) = 0.003.** (Nếu bạn có giả thuyết về thứ tự cụ thể, hãy dùng One-sided Sig. = 0.002).
• Vì p-value (0.003) < 0.05, chúng ta **bác bỏ giả thuyết $H_0$**. Có bằng chứng có ý nghĩa thống kê cho thấy có một xu hướng có thứ tự về mức độ hài lòng công việc giữa các cấp bậc.
• Kết hợp với Mean Rank từ Kruskal-Wallis, điều này củng cố kết luận rằng mức độ hài lòng có xu hướng tăng dần theo cấp bậc từ Nhân viên đến Quản lý.

—

Kiểm định phi tham số cho K mẫu độc lập là những công cụ quan trọng khi bạn muốn so sánh nhiều nhóm mà dữ liệu không đáp ứng các giả định của ANOVA. Kruskal-Wallis H Test cho biết có sự khác biệt tổng thể, trong khi Jonckheere-Terpstra Test cung cấp thông tin chi tiết hơn về một xu hướng có thứ tự. Việc lựa chọn kiểm định phù hợp và diễn giải kết quả chính xác sẽ giúp bạn đưa ra những kết luận đáng tin cậy cho nghiên cứu của mình.