Kiểm định Binomial (Nhị thức): Lý thuyết, Ứng dụng và Hướng dẫn thực hành trên SPSS

Trong các nghiên cứu thực nghiệm hoặc khảo sát, chúng ta thường gặp phải dữ liệu có tính chất nhị phân, nghĩa là biến chỉ có hai giá trị hoặc hai kết quả có thể xảy ra (ví dụ: Có/Không, Đạt/Không đạt, Nam/Nữ, Thành công/Thất bại). Khi muốn kiểm tra xem tỷ lệ quan sát được của một trong hai kết quả này có khác biệt đáng kể so với một tỷ lệ lý thuyết hoặc mong đợi hay không, **Kiểm định Binomial (Nhị thức)** là một công cụ thống kê phi tham số lý tưởng. Bài viết này sẽ cung cấp cái nhìn tổng quan về lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện kiểm định Binomial trên phần mềm SPSS.

—

1. Lý thuyết cơ bản về Kiểm định Binomial

Kiểm định Binomial là một kiểm định phi tham số được sử dụng để xác định liệu **tỷ lệ quan sát được** của các giá trị trong một biến nhị phân có khác biệt đáng kể so với **tỷ lệ mong đợi** dưới một giả thuyết cụ thể hay không.

1.1. Đặc điểm và Điều kiện sử dụng

• **Biến nhị phân:** Biến cần phân tích phải là biến định tính với chỉ **hai danh mục** hoặc hai giá trị (ví dụ: 0 và 1, “Đồng ý” và “Không đồng ý”).
• **Các thử nghiệm độc lập:** Mỗi quan sát (thử nghiệm) phải độc lập với các quan sát khác.
• **Xác suất thành công không đổi:** Xác suất của một kết quả cụ thể (thường gọi là “thành công”) phải không đổi trong suốt các thử nghiệm.
• **Kích thước mẫu:** Thường áp dụng tốt cho cả cỡ mẫu nhỏ.

1.2. Giả thuyết thống kê

• • Giả thuyết Null ($H_0$): Tỷ lệ quan sát được của “thành công” **không khác biệt đáng kể** so với tỷ lệ mong đợi (p = p_0).
  • Giả thuyết Đối ($H_1$): Tỷ lệ quan sát được của “thành công” **khác biệt đáng kể** so với tỷ lệ mong đợi (p $\ne$ p_0).

Kiểm định Binomial cũng có thể được sử dụng cho giả thuyết một phía (ví dụ: p > p_0 hoặc p < p_0), nhưng trong SPSS mặc định thường xuất p-value hai phía.

1.3. Nguyên tắc hoạt động

Kiểm định Binomial so sánh số lần “thành công” quan sát được trong một chuỗi các thử nghiệm với số lần “thành công” dự kiến dựa trên tỷ lệ mong đợi và tổng số thử nghiệm. Nó sử dụng phân phối nhị thức để tính toán xác suất của việc quan sát được kết quả hiện có (hoặc cực đoan hơn) nếu giả thuyết null là đúng.

—

2. Ứng dụng của Kiểm định Binomial trong nghiên cứu

Kiểm định Binomial có nhiều ứng dụng trong các lĩnh vực khác nhau, đặc biệt khi cần kiểm tra tỷ lệ của một sự kiện nhị phân:

• **Kiểm soát chất lượng:** Kiểm tra xem tỷ lệ sản phẩm lỗi có vượt quá tỷ lệ cho phép của nhà sản xuất hay không.
• **Nghiên cứu thị trường:** Đánh giá xem tỷ lệ người tiêu dùng thích một phiên bản sản phẩm mới có đạt được mức mục tiêu (ví dụ: 70%) hay không.
• **Y học/Dược phẩm:** Kiểm tra liệu tỷ lệ bệnh nhân phản ứng tích cực với một loại thuốc mới có cao hơn tỷ lệ phản ứng với placebo (giả dược) đã biết hay không.
• **Nghiên cứu xã hội:** Xác định liệu tỷ lệ người ủng hộ một ứng cử viên chính trị có khác biệt đáng kể so với 50% (khi chưa có thông tin gì) hay không.
• **Sinh học:** Kiểm tra xem tỷ lệ cá thể có một đặc điểm di truyền cụ thể trong một quần thể có phù hợp với tỷ lệ dự kiến theo lý thuyết di truyền hay không.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Binomial

Hãy cùng thực hiện một ví dụ cụ thể để hiểu rõ cách chạy Kiểm định Binomial trên SPSS.

Ví dụ minh họa: Sự hài lòng của khách hàng

Một công ty sản xuất đồ điện tử tuyên bố rằng ít nhất **80% khách hàng** của họ hài lòng với dịch vụ hỗ trợ kỹ thuật. Bạn muốn kiểm tra xem tuyên bố này có đáng tin cậy hay không. Bạn tiến hành khảo sát ngẫu nhiên 50 khách hàng đã sử dụng dịch vụ hỗ trợ và ghi nhận kết quả:

• 35 khách hàng hài lòng.
• 15 khách hàng không hài lòng.

Vậy, tỷ lệ 35/50 (70%) có khác biệt đáng kể so với 80% mà công ty tuyên bố không?

Các bước thực hiện trên SPSS:

3.1. Chuẩn bị dữ liệu trong SPSS

1. **Tạo biến:** Mở SPSS, vào tab **Variable View**. Tạo một biến mới, ví dụ: `HaiLong`.
   • **Name:** `HaiLong`
   • **Type:** Numeric
   • **Decimals:** 0
   • **Label:** Mức độ hài lòng của khách hàng
   • **Values:** Nhấp vào ô “None” trong cột “Values”, sau đó thêm các giá trị và nhãn tương ứng:
     • Value: 0, Label: Không hài lòng
     • Value: 1, Label: Hài lòng

     Nhấn **Add** sau mỗi cặp, sau đó **OK**.

   • **Measure:** Chọn **Nominal**.
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**.
   • Nhập số `1` (cho Hài lòng) 35 lần.
   • Nhập số `0` (cho Không hài lòng) 15 lần.
   • Bạn sẽ có tổng cộng 50 dòng dữ liệu.

3.2. Chạy Kiểm định Binomial

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > Binomial…**
2. Hộp thoại **Binomial Test** sẽ xuất hiện.
3. Chuyển biến `HaiLong` từ danh sách bên trái sang ô **Test Variable List:** ở bên phải.
4. Dưới phần **Define Dichotomy** (Định nghĩa lưỡng phân):
   • **Get from data:** Thường được tích chọn mặc định. SPSS sẽ tự động xác định hai giá trị trong biến của bạn (trong ví dụ này là 0 và 1). Giá trị thấp hơn sẽ được coi là “nhóm 1” và giá trị cao hơn là “nhóm 2”.
   • **Cut point:** Chỉ sử dụng khi biến của bạn là định lượng và bạn muốn chia nó thành hai nhóm tại một điểm cắt cụ thể (ví dụ: điểm số dưới 50 là “Thất bại”, từ 50 trở lên là “Đạt”).
5. Dưới phần **Test Proportion** (Tỷ lệ kiểm định):
   • Đây là tỷ lệ mong đợi mà bạn muốn so sánh với tỷ lệ quan sát được. Trong ví dụ này, công ty tuyên bố 80% hài lòng, vậy bạn sẽ nhập **0.8** vào ô này.
6. Nhấn **OK**.

3.3. Diễn giải kết quả Output của SPSS

Cửa sổ Output của SPSS sẽ hiển thị bảng kết quả chính:

Bảng: Binomial Test

Category	N	Observed Proportion	Test Proportion	Exact Sig. (2-tailed)
Group 1 (Không hài lòng)	15	.30	.20	.134
Group 2 (Hài lòng)	35	.70	.80
Total	50	1.00

Diễn giải các giá trị:

• **Category:** Liệt kê hai danh mục của biến nhị phân của bạn.
  • Trong ví dụ này, SPSS tự động đặt “Không hài lòng” là Group 1 (với giá trị mã hóa 0) và “Hài lòng” là Group 2 (với giá trị mã hóa 1).
• **N:** Số lượng quan sát trong mỗi danh mục. (Hài lòng = 35, Không hài lòng = 15).
• **Observed Proportion:** Tỷ lệ quan sát được của mỗi danh mục trong mẫu của bạn. (Hài lòng = 35/50 = 0.70; Không hài lòng = 15/50 = 0.30).
• **Test Proportion:** Tỷ lệ mong đợi mà bạn đã nhập vào kiểm định (trong ví dụ này, 0.80 cho Hài lòng và 1 – 0.80 = 0.20 cho Không hài lòng).
• **Exact Sig. (2-tailed):** Đây là giá trị p (p-value) của kiểm định. Nó cho biết xác suất để quan sát được kết quả như vậy (hoặc cực đoan hơn) nếu giả thuyết $H_0$ là đúng.
  • Trong ví dụ này, **p-value = 0.134**.

Kết luận:

Với mức ý nghĩa thông thường là **0.05** ($\alpha = 0.05$):

• Nếu **p-value < 0.05**: Bác bỏ $H_0$. Tỷ lệ quan sát được khác biệt đáng kể so với tỷ lệ mong đợi.
• Nếu **p-value $ \ge $ 0.05**: Không bác bỏ $H_0$. Không có đủ bằng chứng để kết luận rằng tỷ lệ quan sát được khác biệt đáng kể so với tỷ lệ mong đợi.

Trong ví dụ này, p-value = 0.134, lớn hơn 0.05. Do đó, chúng ta **không bác bỏ giả thuyết Null ($H_0$)**. Điều này có nghĩa là, dựa trên dữ liệu khảo sát 50 khách hàng, không có đủ bằng chứng thống kê để kết luận rằng tỷ lệ khách hàng hài lòng thực tế khác biệt đáng kể so với tuyên bố 80% của công ty.

—

Kiểm định Binomial là một công cụ mạnh mẽ và dễ sử dụng để kiểm tra các giả thuyết về tỷ lệ trong dữ liệu nhị phân. Nắm vững kiểm định này sẽ giúp bạn đưa ra những phân tích chính xác và đáng tin cậy trong các nghiên cứu định lượng.