Kiểm định Chi-Square (Chi bình phương) cho một mẫu: Lý thuyết, Ứng dụng và Thực hành trên SPSS

Trong nghiên cứu định lượng, đôi khi chúng ta cần kiểm tra xem liệu các tần số quan sát được của một biến định tính có phù hợp với một giả thuyết về tần số mong đợi hay không. Đây là lúc **Kiểm định Chi-Square (Chi bình phương) cho một mẫu** phát huy vai trò của mình. Kiểm định này là một công cụ phi tham số mạnh mẽ, giúp chúng ta đưa ra kết luận về sự phân bổ của các danh mục trong một biến. Bài viết này sẽ đi sâu vào lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện kiểm định Chi-Square một mẫu trên phần mềm SPSS.

—

1. Lý thuyết cơ bản về Kiểm định Chi-Square một mẫu

Kiểm định Chi-Square ($ \chi^2 $) cho một mẫu (One-Sample Chi-Square Test) là một kiểm định thống kê phi tham số. Nó được sử dụng để so sánh **tần số quan sát được** (Observed Frequencies) của các danh mục trong một biến định tính với **tần số mong đợi** (Expected Frequencies) theo một giả thuyết đã đặt ra.

1.1. Khi nào sử dụng Kiểm định Chi-Square một mẫu?

• Biến cần phân tích là **biến định tính (Nominal)**.
• Bạn muốn kiểm tra xem liệu **sự phân bố của các danh mục** trong biến đó có khác biệt đáng kể so với một sự phân bố lý thuyết hoặc một tỷ lệ đã biết trước hay không.
• Giả định của kiểm định này là các quan sát là **độc lập** và **tần số mong đợi ở mỗi ô không nên quá nhỏ** (thường là không ít hơn 5 trong đa số các ô).

1.2. Giả thuyết thống kê

• Giả thuyết Null ($H_0$): Tần số quan sát được của các danh mục **không khác biệt đáng kể** so với tần số mong đợi. Hay nói cách khác, không có sự khác biệt có ý nghĩa thống kê giữa sự phân bố của dữ liệu thực tế và sự phân bố được giả định.
• Giả thuyết Đối ($H_1$): Tần số quan sát được của các danh mục **khác biệt đáng kể** so với tần số mong đợi. Có sự khác biệt có ý nghĩa thống kê giữa sự phân bố của dữ liệu thực tế và sự phân bố được giả định.

1.3. Công thức tính

Giá trị Chi-Square ($ \chi^2 $) được tính theo công thức:

$$
\chi^2 = \sum \frac{(O_i – E_i)^2}{E_i}
$$
Trong đó:

• $O_i$: Tần số quan sát được của danh mục thứ $i$.
• $E_i$: Tần số mong đợi của danh mục thứ $i$.
• $\sum$: Tổng các giá trị trên tất cả các danh mục.

Giá trị $\chi^2$ càng lớn, sự khác biệt giữa tần số quan sát và tần số mong đợi càng lớn, và khả năng bác bỏ $H_0$ càng cao.

—

2. Ứng dụng của Kiểm định Chi-Square một mẫu trong nghiên cứu

Kiểm định Chi-Square một mẫu có nhiều ứng dụng thực tiễn trong các lĩnh vực khác nhau:

• **Nghiên cứu thị trường:** Kiểm tra xem tỷ lệ khách hàng ưa chuộng các nhãn hiệu sản phẩm có đồng đều hay có sự chênh lệch đáng kể so với giả định của công ty.
• **Nghiên cứu xã hội học:** Đánh giá xem sự phân bố về giới tính, chủng tộc, hay tình trạng hôn nhân trong một mẫu có đại diện cho tỷ lệ trong tổng thể dân số hay không (nếu biết tỷ lệ tổng thể).
• **Khoa học tự nhiên:** Kiểm tra xem kết quả thí nghiệm di truyền có phù hợp với tỷ lệ Mendel dự đoán hay không.
• **Y học:** Đánh giá xem tỷ lệ bệnh nhân phản ứng tích cực với một phương pháp điều trị mới có khác biệt so với tỷ lệ dự kiến dựa trên các nghiên cứu trước đây hay không.
• **Giáo dục:** Kiểm tra xem số lượng sinh viên lựa chọn các chuyên ngành khác nhau có đồng đều hay có chuyên ngành nào nổi trội hơn.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Chi-Square một mẫu

Chúng ta sẽ đi qua một ví dụ cụ thể để minh họa cách thực hiện Kiểm định Chi-Square một mẫu trên SPSS.

Ví dụ minh họa: Màu sắc yêu thích

Bạn thực hiện một khảo sát trên 100 người để hỏi về màu sắc yêu thích của họ. Bạn muốn kiểm tra xem liệu có sự ưu tiên rõ rệt cho một màu nào đó hay không, hay nói cách khác, liệu tỷ lệ người yêu thích các màu có đồng đều hay không (giả định mỗi màu được yêu thích bởi 25% dân số).

Kết quả khảo sát:

• Đỏ: 30 người
• Xanh: 25 người
• Vàng: 20 người
• Tím: 25 người

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: `Mau_Sac`.
   • **Name:** `Mau_Sac`
   • **Type:** Numeric (mặc định)
   • **Decimals:** 0
   • **Label:** Màu sắc yêu thích
   • **Values:** Nhấp vào ô “None” trong cột “Values”, sau đó thêm các giá trị và nhãn tương ứng:
     • Value: 1, Label: Đỏ
     • Value: 2, Label: Xanh
     • Value: 3, Label: Vàng
     • Value: 4, Label: Tím

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

   • **Measure:** Chọn **Nominal** (vì đây là biến định tính).
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**.
   • Để nhập tần số, bạn có hai cách:
     • **Cách 1 (Nhập từng dòng):** Nhập số `1` 30 lần cho màu Đỏ, số `2` 25 lần cho màu Xanh, v.v., cho đến khi đủ 100 dòng dữ liệu. Đây là cách truyền thống và dễ hiểu nhất cho người mới.
     • **Cách 2 (Sử dụng Weight Cases – nhanh hơn cho dữ liệu lớn):** Nếu bạn có bảng tần số sẵn (ví dụ: Đỏ=30, Xanh=25…), bạn có thể tạo thêm một biến `Count` hoặc `Frequency` nhập tần số vào đó. Sau đó, vào **Data > Weight Cases…**, chọn **Weight cases by**, chuyển biến `Count` vào ô **Frequency Variable**, rồi nhấn **OK**. SPSS sẽ coi mỗi dòng dữ liệu là số lần xuất hiện tương ứng với giá trị trong biến `Count`.

3.2. Chạy Kiểm định Chi-Square một mẫu

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > Chi-Square…**
2. Hộp thoại **Chi-Square Test** sẽ xuất hiện.
3. Chuyển biến `Mau_Sac` từ danh sách bên trái sang ô **Test Variable List:** ở bên phải.
4. Dưới phần **Expected Values** (Giá trị mong đợi), bạn có hai lựa chọn:
   • **All categories equal:** Tích chọn ô này nếu bạn muốn kiểm định giả thuyết rằng tất cả các danh mục đều có tần số mong đợi bằng nhau (như trong ví dụ này, mỗi màu 25%).
   • **Values:** Nếu bạn có một giả thuyết về tỷ lệ không đồng đều (ví dụ: bạn mong đợi Đỏ 50%, Xanh 20%, Vàng 15%, Tím 15%). Trong trường hợp này, bạn sẽ nhập các giá trị này theo thứ tự đã mã hóa biến của bạn (ví dụ: 50, 20, 15, 15), nhấn **Add** sau mỗi giá trị, và đảm bảo tổng các giá trị bằng tổng số quan sát (100 trong ví dụ này).
5. Nhấn **OK**.

3.3. Diễn giải kết quả Output của SPSS

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

Bảng 1: Frequencies (Tần số)

Bảng này cho thấy tần số quan sát được (Observed N) và tần số mong đợi (Expected N) cho mỗi danh mục, cùng với phần dư (Residual), tức là sự khác biệt giữa quan sát và mong đợi.

Màu sắc yêu thích	Observed N	Expected N	Residual
Đỏ	30	25.0	5.0
Xanh	25	25.0	0.0
Vàng	20	25.0	-5.0
Tím	25	25.0	0.0
Total	100

Trong ví dụ này, bạn có thể thấy rằng tần số quan sát của màu Đỏ là 30, trong khi tần số mong đợi (nếu phân bố đồng đều) là 25. Sự chênh lệch này là 5 (Residual).

Bảng 2: Test Statistics (Thống kê kiểm định)

Bảng này chứa kết quả chính của kiểm định Chi-Square.

	Màu sắc yêu thích
Chi-Square	2.000
df	3
Asymp. Sig.	.572

Diễn giải các giá trị:

• **Chi-Square:** Giá trị $ \chi^2 $ tính được (trong ví dụ này là 2.000).
• **df (degrees of freedom – bậc tự do):** Bậc tự do được tính bằng số lượng danh mục trừ đi 1 (4 – 1 = 3).
• **Asymp. Sig. (Asymptotic Significance – p-value):** 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 = 0.572**.

Kết luận:

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

• Nếu **p-value < 0.05**: Bác bỏ $H_0$. Có sự khác biệt có ý nghĩa thống kê giữa tần số quan sát và tần số mong đợi.
• Nếu **p-value $ \ge $ 0.05**: Không bác bỏ $H_0$. Không có đủ bằng chứng để kết luận có sự khác biệt có ý nghĩa thống kê giữa tần số quan sát và tần số mong đợi.

Trong ví dụ này, p-value = 0.572, 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, không có đủ bằng chứng để kết luận rằng sở thích về màu sắc của mọi người là khác biệt đáng kể so với việc phân bố đồng đều. Hay nói cách khác, có thể xem như mọi người yêu thích các màu này gần như nhau.

—

Kiểm định Chi-Square một mẫu là một công cụ đơn giản nhưng rất hữu ích để kiểm tra các giả thuyết về tần số và tỷ lệ trong dữ liệu định tính. Việc nắm vững kiểm định này sẽ giúp bạn phân tích dữ liệu hiệu quả hơn trong nhiều lĩnh vực nghiên cứu.