Kiểm định cho một mẫu (One-Sample Nonparametric Tests) trên SPSS: Lý thuyết và Hướng dẫn thực hành

Khi tiến hành nghiên cứu, đôi khi bạn cần so sánh đặc điểm của một mẫu dữ liệu với một giá trị chuẩn, một giả thuyết về phân phối, hoặc một tỷ lệ cụ thể. Trong trường hợp dữ liệu không tuân theo phân phối chuẩn, hoặc biến của bạn là định tính/thứ bậc, các **kiểm định phi tham số cho một mẫu (One-Sample Nonparametric Tests)** sẽ là công cụ hữu hiệu. Bài viết này sẽ giúp bạn hiểu rõ lý thuyết, các loại kiểm định phổ biến, và hướng dẫn từng bước thực hành trên phần mềm SPSS.

Chúng ta sẽ đi sâu vào ba kiểm định chính: **Kiểm định Chi-Square**, **Kiểm định Binomial**, và **Kiểm định Kolmogorov-Smirnov**.

—

1. Lý thuyết cơ bản về Kiểm định phi tham số cho một mẫu

Kiểm định phi tham số (Nonparametric Tests) là nhóm các phương pháp thống kê không yêu cầu các giả định nghiêm ngặt về phân phối của dữ liệu (ví dụ: dữ liệu không nhất thiết phải tuân theo phân phối chuẩn). Chúng đặc biệt hữu ích khi:

• Dữ liệu của bạn là **định tính (Nominal)** hoặc **thứ bậc (Ordinal)**.
• Dữ liệu định lượng của bạn **không phân phối chuẩn** và cỡ mẫu nhỏ.
• Có sự xuất hiện của các **giá trị ngoại lai (outliers)** làm sai lệch các kiểm định tham số.

Kiểm định cho một mẫu nghĩa là bạn đang so sánh các đặc điểm của **một nhóm duy nhất** với một tiêu chuẩn hoặc giả định đã biết.

—

2. Các kiểm định phi tham số cho một mẫu phổ biến trong SPSS

2.1. Kiểm định Chi-Square cho một mẫu (One-Sample Chi-Square Test)

Lý thuyết:

Kiểm định Chi-Square (hay $\chi^2$) cho một mẫu được sử dụng để kiểm tra xem tần số quan sát được của các danh mục trong một biến định tính có khác biệt đáng kể so với tần số mong đợi theo một giả thuyết cụ thể hay không.

• **Giả thuyết Null ($H_0$):** Tần số quan sát được không khác biệt đáng kể so với tần số mong đợi (tức là không có sự khác biệt có ý nghĩa thống kê).
• **Giả thuyết Đối ($H_1$):** Tần số quan sát được khác biệt đáng kể so với tần số mong đợi.

Tần số mong đợi có thể là đồng đều (ví dụ: 25% cho mỗi 4 danh mục) hoặc theo một tỷ lệ cụ thể (ví dụ: 60% A, 40% B).

Hướng dẫn thực hành trên SPSS:

Ví dụ: Bạn khảo sát 100 người về màu sắc yêu thích và nhận được kết quả: Đỏ (30), Xanh (25), Vàng (20), Tím (25). Bạn muốn kiểm tra xem có phải mọi người đều yêu thích các màu sắc này như nhau (tức là tỷ lệ mong đợi là 25% cho mỗi màu).

1. **Nhập dữ liệu:** Tạo một biến định tính (Nominal) tên là `Mau_sac` và mã hóa các giá trị (ví dụ: 1=Đỏ, 2=Xanh, 3=Vàng, 4=Tím). Sau đó nhập dữ liệu theo tần số. Ví dụ, nếu Đỏ có 30 người, bạn sẽ nhập số 1 (cho Đỏ) 30 lần.
2. **Chạy kiểm định:**
   • Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > Chi-Square…**
   • Hộp thoại **Chi-Square Test** xuất hiện. Chuyển biến `Mau_sac` sang ô **Test Variable List:**.
   • Dưới phần **Expected Values**, bạn có hai lựa chọn:
     • **All categories equal:** Nếu bạn giả định tần số mong đợi là đồng đều cho tất cả các danh mục (ví dụ: 25% cho mỗi màu).
     • **Values:** Nếu bạn có tần số mong đợi cụ thể. Bạn sẽ nhập các giá trị này theo thứ tự tương ứng với mã hóa biến của bạn (ví dụ: 25, 25, 25, 25 hoặc 60, 40 cho 2 danh mục). Nhấn **Add** sau mỗi giá trị.
   • Nhấn **OK**.
3. **Diễn giải kết quả:**
   • Bảng **Frequencies** hiển thị tần số quan sát (Observed N) và tần số mong đợi (Expected N).
   • Bảng **Test Statistics** hiển thị giá trị Chi-Square, bậc tự do (df), và giá trị Sig. (p-value).
     • Nếu **Sig. (Asymp. Sig. – 2-sided)** nhỏ hơn 0.05 (mức ý nghĩa thường dùng), bạn bác bỏ $H_0$. Điều này có nghĩa là có sự khác biệt có ý nghĩa thống kê giữa tần số quan sát và tần số mong đợi.
     • Nếu **Sig.** lớn hơn 0.05, bạn không bác bỏ $H_0$, nghĩa là không có đủ bằng chứng để kết luận có sự khác biệt.

2.2. Kiểm định Binomial (Binomial Test)

Lý thuyết:

Kiểm định Binomial được sử dụng khi bạn có một biến nhị phân (chỉ có hai danh mục, ví dụ: Có/Không, Nam/Nữ, Đạt/Không đạt) và bạn muốn kiểm tra xem tỷ lệ quan sát được của một trong hai danh mục đó có khác biệt đáng kể so với một tỷ lệ mong đợi cụ thể hay không.

• **Giả thuyết Null ($H_0$):** Tỷ lệ quan sát được không khác biệt đáng kể so với tỷ lệ mong đợi.
• **Giả thuyết Đối ($H_1$):** Tỷ lệ quan sát được khác biệt đáng kể so với tỷ lệ mong đợi.

Hướng dẫn thực hành trên SPSS:

Ví dụ: Một công ty tuyên bố 80% khách hàng hài lòng với sản phẩm của họ. Bạn khảo sát 50 khách hàng và thấy 35 người hài lòng. Bạn muốn kiểm tra xem tỷ lệ 80% có đúng hay không.

1. **Nhập dữ liệu:** Tạo một biến định tính nhị phân (Nominal) tên là `Hai_long` và mã hóa các giá trị (ví dụ: 0=Không hài lòng, 1=Hài lòng). Sau đó nhập dữ liệu cho 50 khách hàng.
2. **Chạy kiểm định:**
   • Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > Binomial…**
   • Hộp thoại **Binomial Test** xuất hiện. Chuyển biến `Hai_long` sang ô **Test Variable List:**.
   • Dưới phần **Define Dichotomy**, chọn **Get from data** (SPSS sẽ tự nhận hai giá trị của biến) hoặc **Cut point** (nếu biến là định lượng và bạn muốn chia thành hai nhóm tại một điểm cắt).
   • Dưới phần **Test Proportion**, nhập tỷ lệ mong đợi mà bạn muốn so sánh (ví dụ: `0.8` cho 80%).
   • Nhấn **OK**.
3. **Diễn giải kết quả:**
   • Bảng **Binomial Test** hiển thị tần số quan sát (Observed N) cho từng danh mục, tỷ lệ quan sát (Observed Proportion), tỷ lệ mong đợi (Test Proportion), và giá trị Sig. (p-value).
     • Nếu **Asymp. Sig. (2-tailed)** nhỏ hơn 0.05, bạn bác bỏ $H_0$. Điều này có nghĩa là tỷ lệ hài lòng quan sát được khác biệt đáng kể so với tỷ lệ mong đợi (80%).
     • Nếu **Asymp. Sig. (2-tailed)** lớn hơn 0.05, bạn không bác bỏ $H_0$, nghĩa là không có đủ bằng chứng để kết luận tỷ lệ hài lòng khác biệt đáng kể so với 80%.

2.3. Kiểm định Kolmogorov-Smirnov cho một mẫu (One-Sample Kolmogorov-Smirnov Test – K-S Test)

Lý thuyết:

Kiểm định Kolmogorov-Smirnov một mẫu được sử dụng để kiểm tra xem một mẫu dữ liệu định lượng có đến từ một phân phối lý thuyết cụ thể hay không (thường là phân phối chuẩn, đều, Poisson, hoặc mũ). Đây là một trong những kiểm định phổ biến để kiểm tra **tính chuẩn của dữ liệu** (Normality Test).

• **Giả thuyết Null ($H_0$):** Dữ liệu đến từ phân phối được giả định (ví dụ: dữ liệu có phân phối chuẩn).
• **Giả thuyết Đối ($H_1$):** Dữ liệu không đến từ phân phối được giả định.

Hướng dẫn thực hành trên SPSS:

Ví dụ: Bạn thu thập điểm thi của 100 sinh viên và muốn kiểm tra xem điểm số này có tuân theo phân phối chuẩn hay không.

1. **Nhập dữ liệu:** Tạo một biến định lượng (Scale) tên là `Diem_thi` và nhập dữ liệu điểm số.
2. **Chạy kiểm định:**
   • Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > 1-Sample K-S…**
   • Hộp thoại **One-Sample Kolmogorov-Smirnov Test** xuất hiện. Chuyển biến `Diem_thi` sang ô **Test Variable List:**.
   • Dưới phần **Test Distribution**, tích chọn loại phân phối bạn muốn kiểm tra. Thường là **Normal** (phân phối chuẩn).
   • Nhấn **OK**.
3. **Diễn giải kết quả:**
   • Bảng **One-Sample Kolmogorov-Smirnov Test** hiển thị giá trị K-S Z và giá trị Sig. (p-value).
     • Nếu **Asymp. Sig. (2-tailed)** nhỏ hơn 0.05, bạn bác bỏ $H_0$. Điều này có nghĩa là dữ liệu **không** tuân theo phân phối được giả định (ví dụ: không phân phối chuẩn).
     • Nếu **Asymp. Sig. (2-tailed)** lớn hơn 0.05, bạn không bác bỏ $H_0$, nghĩa là không có đủ bằng chứng để kết luận dữ liệu không tuân theo phân phối được giả định (ví dụ: dữ liệu có thể được xem là phân phối chuẩn).

—

3. Lựa chọn kiểm định phù hợp

Việc lựa chọn kiểm định phi tham số một mẫu phù hợp phụ thuộc vào:

• **Loại biến:** Biến định tính (Chi-Square, Binomial) hay định lượng (Kolmogorov-Smirnov).
• **Số lượng danh mục/nhóm của biến:** Hai danh mục (Binomial) hay nhiều danh mục (Chi-Square).
• **Giả thuyết bạn muốn kiểm định:** So sánh tần số, tỷ lệ, hay kiểm tra phân phối.

Việc hiểu rõ từng loại kiểm định và cách diễn giải kết quả sẽ giúp bạn đưa ra những kết luận chính xác và đáng tin cậy cho nghiên cứu của mình.