Kiểm định Chuỗi (Runs Test): Lý thuyết, Ứng dụng và Hướng dẫn thực hành trên SPSS

Trong phân tích dữ liệu, việc xác định tính ngẫu nhiên của một chuỗi các quan sát là rất quan trọng, đặc biệt trong các lĩnh vực như kiểm soát chất lượng, tài chính, hoặc nghiên cứu hành vi. **Kiểm định Chuỗi (Runs Test)** là một kiểm định phi tham số được thiết kế để đánh giá xem một chuỗi các quan sát có mang tính ngẫu nhiên hay không, hay liệu có một mô hình hoặc xu hướng nào đó tồn tại. Bài viết này sẽ đi sâu vào lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện kiểm định Runs Test trên phần mềm SPSS.

—

1. Lý thuyết cơ bản về Kiểm định Chuỗi (Runs Test)

Kiểm định Chuỗi là một kiểm định phi tham số, dùng để kiểm tra tính ngẫu nhiên của một chuỗi các quan sát dựa trên sự phân bố của hai loại kết quả (thường là trên/dưới trung vị, hoặc giá trị đã định).

1.1. Khái niệm “Chuỗi” (Run)

Một “chuỗi” là một dãy liên tục các giá trị giống hệt nhau hoặc cùng loại trong một chuỗi quan sát. Ví dụ, trong chuỗi nhị phân AAAA BBB CC DDDDD, có 4 chuỗi: một chuỗi A, một chuỗi B, một chuỗi C, và một chuỗi D.

Số lượng chuỗi được mong đợi trong một chuỗi ngẫu nhiên là khoảng $(2n_1 n_2 / (n_1 + n_2)) + 1$, trong đó $n_1$ và $n_2$ là số lượng quan sát của hai loại kết quả.

1.2. Mục đích và Khi nào sử dụng?

• **Mục đích chính:** Kiểm tra tính ngẫu nhiên của một chuỗi dữ liệu.
• **Khi nào sử dụng:**
  • Dữ liệu là **định lượng liên tục** nhưng được chuyển đổi thành nhị phân (ví dụ: trên/dưới trung vị, trên/dưới một điểm cắt cụ thể).
  • Hoặc dữ liệu là **định tính nhị phân** theo trình tự thời gian hoặc thứ tự thu thập.
  • Không yêu cầu giả định về phân phối chuẩn của dữ liệu.

1.3. Giả thuyết thống kê

• **Giả thuyết Null ($H_0$):** Chuỗi các quan sát là **ngẫu nhiên**. (Số lượng chuỗi quan sát không khác biệt đáng kể so với số lượng chuỗi mong đợi trong một chuỗi ngẫu nhiên).
• **Giả thuyết Đối ($H_1$):** Chuỗi các quan sát **không ngẫu nhiên**. (Số lượng chuỗi quan sát quá ít hoặc quá nhiều so với số lượng chuỗi mong đợi).
  • Nếu số lượng chuỗi quá ít, điều đó có thể gợi ý một xu hướng hoặc mẫu lặp lại (ví dụ: AAAABBBBCCCC).
  • Nếu số lượng chuỗi quá nhiều, điều đó có thể gợi ý một sự thay đổi quá nhanh hoặc một kiểu luân phiên không ngẫu nhiên (ví dụ: ABABABABAB).

—

2. Ứng dụng của Kiểm định Chuỗi trong nghiên cứu

Kiểm định Runs Test có nhiều ứng dụng quan trọng trong thực tiễn:

• **Kiểm soát chất lượng sản xuất:** Kiểm tra xem chất lượng sản phẩm (ví dụ: độ dày, trọng lượng) được sản xuất theo thời gian có biến động ngẫu nhiên hay có xu hướng tăng/giảm, hoặc có chu kỳ nào đó không mong muốn.
• **Tài chính:** Đánh giá tính ngẫu nhiên của biến động giá cổ phiếu. Nếu giá cổ phiếu không ngẫu nhiên, có thể có cơ hội để dự đoán (phân tích kỹ thuật).
• **Nghiên cứu thị trường:** Kiểm tra tính ngẫu nhiên của phản ứng khách hàng theo thứ tự khảo sát.
• **Sinh học/Y học:** Phân tích các chuỗi dữ liệu sinh học (ví dụ: nhịp tim, nồng độ hormone theo thời gian) để phát hiện các mẫu không ngẫu nhiên có ý nghĩa lâm sàng.
• **Khai thác dữ liệu/Phát hiện gian lận:** Xác định xem một chuỗi các giao dịch hoặc sự kiện có dấu hiệu của sự không ngẫu nhiên (chẳng hạn như một mô hình cố ý) có thể gợi ý hành vi gian lận.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Chuỗi (Runs Test)

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

Ví dụ minh họa: Kiểm tra tính ngẫu nhiên của chuỗi điểm thi

Bạn là một giáo viên và đã chấm điểm cho 20 bài thi. Bạn ghi lại điểm số theo thứ tự nộp bài của sinh viên. Bạn muốn kiểm tra xem liệu có bất kỳ khuôn mẫu không ngẫu nhiên nào trong điểm số hay không (ví dụ: liệu các điểm cao có xu hướng tập trung ở đầu hoặc cuối danh sách, hay điểm thấp/cao xen kẽ một cách có hệ thống).

Giả sử danh sách điểm thi (theo thứ tự nộp bài) là:

65, 70, 72, 60, 75, 78, 62, 80, 85, 68, 90, 92, 70, 75, 88, 60, 63, 71, 80, 82

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: `Diem_Thi`.
   • **Name:** `Diem_Thi`
   • **Type:** Numeric
   • **Decimals:** 0
   • **Label:** Điểm thi
   • **Measure:** Chọn **Scale** (vì đây là biến định lượng).
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**. Nhập 20 điểm thi vào cột `Diem_Thi` theo đúng thứ tự đã liệt kê.

3.2. Chạy Kiểm định Runs Test

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > Runs…**
2. Hộp thoại **Runs Test** sẽ xuất hiện.
3. Chuyển biến `Diem_Thi` từ danh sách bên trái sang ô **Test Variable List:** ở bên phải.
4. Dưới phần **Cut Point** (Điểm cắt), bạn có nhiều lựa chọn để xác định cách phân chia thành hai loại (chuỗi):
   • **Median (Trung vị):** Đây là lựa chọn phổ biến nhất. SPSS sẽ tự động tính trung vị của dữ liệu và phân chia các giá trị thành “trên trung vị” và “dưới trung vị”.
   • **Mean (Trung bình):** Phân chia thành “trên trung bình” và “dưới trung bình”.
   • **Mode (Yếu vị):** Phân chia dựa trên giá trị xuất hiện nhiều nhất.
   • **Custom:** Bạn có thể tự nhập một giá trị điểm cắt cụ thể. Ví dụ: nếu bạn muốn xem có bao nhiêu điểm trên 70 và dưới 70, bạn nhập 70.

   Trong ví dụ này, chúng ta sẽ chọn **Median** để kiểm tra tính ngẫu nhiên so với trung vị.

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: Runs Test

	Diem_Thi
Test Value	73.50 (Trung vị)
Total Cases	20
Number of Runs	10
Z	-.193
Asymp. Sig. (2-tailed)	.847

Diễn giải các giá trị:

• **Test Value:** Điểm cắt mà SPSS đã sử dụng để tạo ra các chuỗi. Trong trường hợp này là trung vị của điểm thi (73.50). Các điểm nhỏ hơn 73.50 thuộc một loại, các điểm lớn hơn 73.50 thuộc loại khác.
• **Total Cases:** Tổng số quan sát trong chuỗi (20).
• **Number of Runs:** Số lượng chuỗi được tìm thấy trong dữ liệu. Trong ví dụ này là 10.
• **Z:** Giá trị Z của kiểm định.
• **Asymp. Sig. (2-tailed):** Đây là giá trị p (p-value) của kiểm định. Nó cho biết xác suất để quan sát được số lượng chuỗi như vậy (hoặc cực đoan hơn) nếu giả thuyết $H_0$ (tính ngẫu nhiên) là đúng.
  • Trong ví dụ này, **p-value = 0.847**.

Kết luận:

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

• Nếu **p-value < 0.05**: Bác bỏ $H_0$. Chuỗi các quan sát **không ngẫu nhiên**. Điều này có thể gợi ý một mô hình, xu hướng hoặc chu kỳ.
• Nếu **p-value $ \ge $ 0.05**: Không bác bỏ $H_0$. Không có đủ bằng chứng để kết luận rằng chuỗi các quan sát là không ngẫu nhiên. Hay nói cách khác, có thể xem chuỗi là **ngẫu nhiên**.

Trong ví dụ này, p-value = 0.847, lớn hơn 0.05. Do đó, chúng ta **không bác bỏ giả thuyết Null ($H_0$)**. Điều này có nghĩa là, dựa trên kiểm định Runs Test, không có đủ bằng chứng thống kê để kết luận rằng thứ tự điểm thi của sinh viên là không ngẫu nhiên. Có thể xem sự phân bố điểm cao và điểm thấp trong danh sách nộp bài là ngẫu nhiên.

—

Kiểm định Chuỗi (Runs Test) là một công cụ hữu ích để nhanh chóng đánh giá tính ngẫu nhiên của một chuỗi dữ liệu. Mặc dù đơn giản, nó cung cấp thông tin quan trọng để xác định liệu dữ liệu có tuân theo một khuôn mẫu nào đó mà cần được nghiên cứu sâu hơn hay không.