Kiểm định Mann-Whitney U (Wilcoxon Rank-Sum Test): Lý thuyết, Ứng dụng và Thực hành trên SPSS

Khi bạn muốn so sánh hai nhóm độc lập về một biến định lượng, lựa chọn đầu tiên thường là Independent-Samples T-test. Tuy nhiên, T-test yêu cầu dữ liệu phải tuân theo phân phối chuẩn. Nếu dữ liệu của bạn không thỏa mãn giả định này (đặc biệt với cỡ mẫu nhỏ), hoặc nếu biến của bạn là thứ bậc (Ordinal), thì **Kiểm định Mann-Whitney U** (còn được gọi là **Wilcoxon Rank-Sum 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 Mann-Whitney U trên phần mềm SPSS.

1. Lý thuyết cơ bản về Kiểm định Mann-Whitney U

Kiểm định Mann-Whitney U là một kiểm định phi tham số dùng để so sánh sự khác biệt giữa hai mẫu độc lập. Thay vì so sánh trực tiếp giá trị trung bình (như T-test), Mann-Whitney U Test so sánh các **hạng (ranks)** của các quan sát.

1.1. Khi nào sử dụng Mann-Whitney U Test?

• **So sánh hai nhóm độc lập:** Các cá thể hoặc đối tượng trong một nhóm hoàn toàn không liên quan đến các cá thể trong nhóm kia (ví dụ: nam và nữ, nhóm A và nhóm B).
• **Biến phụ thuộc:** Là biến định lượng (Scale) nhưng **không phân phối chuẩn**, hoặc là biến thứ bậc (Ordinal).
• **Thay thế cho Independent-Samples T-test:** Khi giả định về tính chuẩn của T-test bị vi phạm.

1.2. Giả thuyết thống kê

Kiểm định Mann-Whitney U thường kiểm tra xem hai mẫu có đến từ cùng một quần thể hay không, hoặc liệu các giá trị của một nhóm có xu hướng cao hơn/thấp hơn nhóm kia hay không.

• Giả thuyết Null ($H_0$): Hai nhóm độc lập có phân phối giống nhau (hoặc trung vị của hai quần thể là như nhau).
• Giả thuyết Đối ($H_1$): Hai nhóm độc lập có phân phối khác nhau (hoặc trung vị của hai quần thể là khác nhau).

Về bản chất, kiểm định này xem xét liệu các quan sát từ một nhóm có xu hướng có các hạng cao hơn hoặc thấp hơn so với các quan sát từ nhóm khác hay không.

1.3. Cách hoạt động (Đơn giản hóa)

Kiểm định này hoạt động bằng cách gán hạng (rank) cho tất cả các quan sát trong cả hai nhóm gom lại, từ nhỏ nhất đến lớn nhất. Sau đó, nó tính tổng các hạng cho mỗi nhóm. Nếu hai nhóm thực sự đến từ cùng một quần thể, tổng các hạng của chúng sẽ xấp xỉ bằng nhau. Nếu có sự khác biệt đáng kể về tổng hạng, điều đó gợi ý rằng có sự khác biệt giữa hai nhóm.

—

2. Ứng dụng của Kiểm định Mann-Whitney U

Kiểm định Mann-Whitney U có nhiều ứng dụng thực tế trong các lĩnh vực khác nhau, đặc biệt khi dữ liệu không tuân theo phân phối chuẩn:

• **Y học:** So sánh hiệu quả của hai loại thuốc mới (A và B) trên các bệnh nhân mà kết quả đo lường (ví dụ: mức độ đau theo thang Likert 1-10) không phân phối chuẩn.
• **Giáo dục:** So sánh điểm số của học sinh sử dụng hai phương pháp giảng dạy khác nhau, khi điểm số có phân phối lệch.
• **Kinh tế học:** So sánh thu nhập giữa hai nhóm nghề nghiệp khác nhau khi dữ liệu thu nhập thường có phân phối lệch dương.
• **Tâm lý học:** So sánh mức độ căng thẳng của nam và nữ sau một sự kiện nhất định, khi mức độ căng thẳng được đo bằng thang thứ bậc.
• **Nghiên cứu thị trường:** So sánh mức độ hài lòng của khách hàng đối với hai chiến dịch quảng cáo khác nhau, khi dữ liệu hài lòng là thứ bậc hoặc không chuẩn.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Mann-Whitney U

Hãy cùng thực hiện một ví dụ cụ thể để hiểu rõ cách chạy Kiểm định Mann-Whitney U trên SPSS.

Ví dụ minh họa: Mức độ hài lòng của khách hàng giữa nam và nữ

Bạn muốn so sánh mức độ hài lòng về sản phẩm giữa khách hàng nam và nữ. Bạn đã thu thập dữ liệu về mức độ hài lòng (thang điểm 1-10) từ một mẫu gồm 20 khách hàng (10 nam và 10 nữ). Bạn nghi ngờ dữ liệu không phân phối chuẩn, vì vậy bạn quyết định sử dụng kiểm định Mann-Whitney U.

Dữ liệu mẫu:

• **Nam:** 7, 8, 5, 6, 7, 9, 8, 6, 7, 5
• **Nữ:** 9, 10, 8, 9, 10, 7, 8, 9, 10, 8

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 `Gioi_Tinh` (biến nhóm):
     • **Name:** `Gioi_Tinh`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Giới tính
     • **Values:** 1 = Nam, 2 = Nữ
     • **Measure:** Nominal
   • Tạo biến `Muc_Do_Hai_Long` (biến kiểm định):
     • **Name:** `Muc_Do_Hai_Long`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Mức độ hài lòng
     • **Measure:** Scale
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**.
   • Nhập dữ liệu điểm hài lòng vào cột `Muc_Do_Hai_Long`.
   • Nhập `1` (Nam) cho 10 khách hàng nam và `2` (Nữ) cho 10 khách hàng nữ vào cột `Gioi_Tinh`, tương ứng với điểm hài lòng của họ.

3.2. Chạy Kiểm định Mann-Whitney U

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > 2 Independent Samples…**
2. Hộp thoại **Two-Independent-Samples Tests** sẽ xuất hiện.
3. Chuyển biến `Muc_Do_Hai_Long` sang ô **Test Variable List:**.
4. Chuyển biến `Gioi_Tinh` sang ô **Grouping Variable:**.
5. Nhấp vào nút **Define Groups…**.
   • Trong hộp thoại **Define Groups**, nhập giá trị mã hóa của hai nhóm bạn muốn so sánh: `Group 1: 1` (Nam) và `Group 2: 2` (Nữ).
   • Nhấp **Continue**.
6. Trong phần **Test Type**, đảm bảo rằng **Mann-Whitney U** được tích chọn (đây là mặc định).
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)

Giới tính	N	Mean Rank	Sum of Ranks
Nam	10	6.00	60.00
Nữ	10	15.00	150.00
Total	20

Diễn giải:

• Bảng này cho thấy số lượng quan sát (N), hạng trung bình (Mean Rank) và tổng hạng (Sum of Ranks) cho mỗi nhóm.
• Trong ví dụ này, nhóm Nữ có Mean Rank (15.00) cao hơn đáng kể so với nhóm Nam (6.00), gợi ý rằng nữ giới có xu hướng hài lòng hơn.

Bảng 2: Test Statistics (Thống kê kiểm định)

	Mức độ hài lòng
Mann-Whitney U	5.000
Wilcoxon W	60.000
Z	-3.570
Asymp. Sig. (2-tailed)	.000

Diễn giải các giá trị quan trọng:

• **Mann-Whitney U:** Giá trị thống kê U của kiểm định (5.000).
• **Wilcoxon W:** Giá trị thống kê Wilcoxon (60.000) – thường là tổng hạng của nhóm nhỏ hơn (trong trường hợp này là nhóm Nam).
• **Z:** Giá trị Z chuẩn hóa (khi cỡ mẫu đủ lớn).
• **Asymp. Sig. (2-tailed):** 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.
  • Trong ví dụ này, **p-value = 0.000**.

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 hai nhóm.
• 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 hai nhóm.

Trong ví dụ này, p-value = 0.000, 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 hài lòng giữa khách hàng nam và nữ. Nhìn vào Mean Rank, chúng ta có thể kết luận rằng khách hàng nữ có xu hướng hài lòng hơn khách hàng nam.

—

Kiểm định Mann-Whitney U là một công cụ phi tham số hữu ích và mạnh mẽ khi dữ liệu không đáp ứng các giả định của kiểm định T-test cho hai mẫu độc lập. Việc hiểu và áp dụng đúng kiểm định này sẽ giúp bạn đưa ra những kết luận chính xác và đáng tin cậy cho nghiên cứu của mình.