Kiểm định Kruskal-Wallis H Test: Lý thuyết, Ứng dụng và Thực hành trên SPSS

Khi bạn muốn so sánh giá trị trung bình của một biến định lượng giữa ba hoặc nhiều hơn hai nhóm độc lập, công cụ thống kê phổ biến nhất là **Phân tích phương sai một yếu tố (One-Way ANOVA)**. Tuy nhiên, ANOVA có một giả định quan trọng là dữ liệu phải tuân theo phân phối chuẩn trong mỗi nhóm và phương sai giữa các nhóm phải đồng nhất. Nếu dữ liệu của bạn không đáp ứng được các giả định này (ví dụ: dữ liệu lệch, biến thứ bậc), thì **Kiểm định Kruskal-Wallis H Test** là một giải pháp thay thế phi tham số mạnh mẽ và phù hợp. Bài viết này sẽ đi sâu vào lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện kiểm định Kruskal-Wallis H trên phần mềm SPSS.

1. Lý thuyết cơ bản về Kiểm định Kruskal-Wallis H Test

Kiểm định Kruskal-Wallis H Test là một kiểm định phi tham số dùng để so sánh ba hoặc nhiều hơn hai mẫu độc lập. Nó là phần mở rộng của kiểm định Mann-Whitney U Test khi bạn có nhiều hơn hai nhóm.

1.1. Khi nào sử dụng Kruskal-Wallis H Test?

• **So sánh ba hoặc nhiều hơn hai nhóm độc lập:** Các cá thể hoặc đối tượng trong mỗi nhóm hoàn toàn không liên quan đến các cá thể trong các nhóm khác (ví dụ: ba nhóm tuổi, bốn loại hình giáo dục).
• **Biến phụ thuộc:** Là biến định lượng (Scale) nhưng **không phân phối chuẩn** trong một hoặc nhiều nhóm, hoặc là biến thứ bậc (Ordinal).
• **Thay thế cho One-Way ANOVA:** Khi giả định về tính chuẩn hoặc phương sai đồng nhất của ANOVA bị vi phạm.

1.2. Giả thuyết thống kê

Kiểm định Kruskal-Wallis H kiểm tra xem liệu các mẫu độc lập có đến từ cùng một quần thể hay không, hoặc liệu các phân phối của biến phụ thuộc có giống nhau giữa các nhóm hay không.

• Giả thuyết Null ($H_0$): 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).
• Giả thuyết Đối ($H_1$): Ít nhất một cặp nhóm có phân phối khác nhau (hoặc trung vị của ít nhất một cặp quần thể là khác nhau).

Về bản chất, kiểm định này gán hạng (rank) cho tất cả các quan sát trong toàn bộ các nhóm gom lại. Sau đó, nó so sánh tổng hạng trung bình giữa các nhóm. Nếu có sự khác biệt đáng kể về tổng hạng, điều đó gợi ý rằng có sự khác biệt giữa các nhóm.

1.3. Vấn đề hậu nghiệm (Post-hoc Tests)

Nếu kết quả của Kruskal-Wallis H Test là có ý nghĩa thống kê (bác bỏ $H_0$), điều đó chỉ cho biết rằng có sự khác biệt ở đâu đó giữa các nhóm, nhưng không chỉ ra cụ thể nhóm nào khác nhóm nào. Để tìm ra các cặp nhóm có sự khác biệt, bạn cần thực hiện các **kiểm định hậu nghiệm (post-hoc tests)**. Các kiểm định hậu nghiệm phổ biến cho Kruskal-Wallis bao gồm:

• **So sánh cặp Mann-Whitney U Test với hiệu chỉnh Bonferroni:** Đây là cách phổ biến nhất. Bạn chạy Mann-Whitney U Test cho tất cả các cặp nhóm có thể và chia mức ý nghĩa $\alpha$ cho số lượng các cặp so sánh để điều chỉnh lỗi loại I (ví dụ, nếu có 3 nhóm, có 3 cặp so sánh, $\alpha$ mới sẽ là $0.05/3 \approx 0.0167$).
• Các kiểm định chuyên biệt khác như Dunn’s Test, Conover-Iman Test (thường yêu cầu sử dụng cú pháp lệnh hoặc các phần mềm thống kê khác ngoài hộp thoại cơ bản của SPSS).

—

2. Ứng dụng của Kiểm định Kruskal-Wallis H Test

Kiểm định Kruskal-Wallis H Test được ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt khi dữ liệu không tuân theo phân phối chuẩn:

• **Y học/Dược phẩm:** So sánh hiệu quả của ba hoặc nhiều loại thuốc mới trên các bệnh nhân (ví dụ: mức độ giảm đau theo thang thứ bậc) khi dữ liệu phản ứng thuốc không chuẩn.
• **Giáo dục:** So sánh điểm số của học sinh từ ba hoặc nhiều trường học khác nhau, khi điểm số có phân phối lệch.
• **Kinh tế học/Quản trị:** So sánh mức độ hài lòng của khách hàng đối với dịch vụ của một công ty tại ba chi nhánh khác nhau.
• **Nghiên cứu xã hội:** So sánh thái độ của các nhóm dân cư ở các vùng miền khác nhau về một vấn đề xã hội cụ thể.
• **Môi trường:** So sánh mức độ ô nhiễm (dữ liệu không chuẩn) tại nhiều vị trí địa lý khác nhau.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Kruskal-Wallis H Test

Hãy cùng thực hiện một ví dụ cụ thể để hiểu rõ cách chạy Kiểm định Kruskal-Wallis H trên SPSS.

Ví dụ minh họa: Mức độ chấp nhận sản phẩm mới theo nhóm tuổi

Bạn là nhà nghiên cứu thị trường và muốn kiểm tra xem có sự khác biệt về mức độ chấp nhận một sản phẩm mới giữa ba nhóm tuổi khác nhau: **Thanh thiếu niên (15-24 tuổi)**, **Người trưởng thành trẻ (25-44 tuổi)**, và **Người trưởng thành trung niên (45-64 tuổi)**. Bạn thu thập dữ liệu về mức độ chấp nhận sản phẩm (thang điểm 1-10, nơi 1 là “hoàn toàn không chấp nhận” và 10 là “hoàn toàn chấp nhận”) từ một mẫu gồm 45 người (15 người từ mỗi nhóm tuổi). Bạn nghi ngờ rằng dữ liệu này có thể không phân phối chuẩn.

Các bước thực hiện trên SPSS:

3.1. Chuẩn bị dữ liệu trong SPSS

1. **Tạo biến:** Mở SPSS, vào tab **Variable View**.
   • Tạo biến `Nhom_Tuoi` (biến nhóm):
     • **Name:** `Nhom_Tuoi`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Nhóm tuổi
     • **Values:** 1 = 15-24 tuổi, 2 = 25-44 tuổi, 3 = 45-64 tuổi
     • **Measure:** Nominal
   • Tạo biến `Muc_Do_Chap_Nhan` (biến kiểm định):
     • **Name:** `Muc_Do_Chap_Nhan`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Mức độ chấp nhận sản phẩm
     • **Measure:** Scale
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**. Nhập mức độ chấp nhận sản phẩm vào cột `Muc_Do_Chap_Nhan` và nhóm tuổi tương ứng vào cột `Nhom_Tuoi` cho tất cả 45 người tham gia.

3.2. Chạy Kiểm định Kruskal-Wallis H Test

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_Chap_Nhan` sang ô **Test Variable List:**.
4. Chuyển biến `Nhom_Tuoi` 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**, đảm bảo rằng **Kruskal-Wallis H** được tích chọn (đây là mặc định khi chọn K Independent Samples).
7. Nhấp **OK**.

3.3. Diễn giải kết quả Output của SPSS

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

Bảng 1: Ranks (Hạng)

Nhóm tuổi	N	Mean Rank
15-24 tuổi	15	18.00
25-44 tuổi	15	25.50
45-64 tuổi	15	32.50
Total	45

Diễn giải:

• Bảng này cho thấy số lượng quan sát (N) và **hạng trung bình (Mean Rank)** cho mỗi nhóm.
• Trong ví dụ này, nhóm “45-64 tuổi” có Mean Rank cao nhất (32.50), tiếp theo là “25-44 tuổi” (25.50), và thấp nhất là “15-24 tuổi” (18.00). Điều này gợi ý rằng mức độ chấp nhận sản phẩm có thể tăng theo tuổi.

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

	Mức độ chấp nhận sản phẩm
Chi-Square	9.870
df	2
Asymp. Sig.	.007

Diễn giải các giá trị quan trọng:

• **Chi-Square:** Giá trị thống kê Chi-Square của kiểm định Kruskal-Wallis (9.870).
• **df:** Bậc tự do, bằng số nhóm trừ đi 1 (3 – 1 = 2).
• **Asymp. Sig.:** Đây là giá trị p (p-value) của kiểm định. Nó cho biết xác suất để quan sát được sự khác biệt như vậy (hoặc cực đoan hơn) nếu giả thuyết $H_0$ là đúng (tất cả các nhóm có phân phối giống nhau).
  • Trong ví dụ này, **p-value = 0.007**.

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 về mức độ chấp nhận sản phẩm giữa ít nhất một cặp nhóm tuổi.
• 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 về mức độ chấp nhận sản phẩm giữa các nhóm tuổi.

Trong ví dụ này, p-value = 0.007, nhỏ hơn 0.05. Do đó, chúng ta **bác bỏ giả thuyết Null ($H_0$)**. Điều này có nghĩa là có sự khác biệt có ý nghĩa thống kê về mức độ chấp nhận sản phẩm giữa ít nhất một cặp nhóm tuổi. Dựa vào Mean Rank, có vẻ như người lớn tuổi hơn có xu hướng chấp nhận sản phẩm cao hơn.

Để biết chính xác cặp nhóm nào khác biệt, bạn cần thực hiện các kiểm định hậu nghiệm như đã đề cập ở mục 1.3 (ví dụ: chạy Mann-Whitney U Test cho cặp 15-24 vs 25-44, 15-24 vs 45-64, và 25-44 vs 45-64, kèm theo hiệu chỉnh Bonferroni).

—

Kiểm định Kruskal-Wallis H Test là một công cụ phi tham số vô cùng hữu ích và đáng tin cậy khi bạn cần so sánh nhiều hơn hai nhóm độc lập mà dữ liệu không đáp ứng các giả định của ANOVA. Việc hiểu rõ cách thức hoạt động và diễn giải kết quả sẽ giúp bạn đưa ra những phân tích chính xác và đáng tin cậy cho nghiên cứu của mình.