Kiểm định Q của Cochran (Cochran’s Q Test): Lý thuyết, Ứng dụng và Thực hành trên SPSS

Trong nghiên cứu, việc phân tích sự thay đổi của một biến nhị phân (ví dụ: Có/Không, Đạt/Không đạt, Thích/Không thích) qua ba hoặc nhiều hơn hai thời điểm hoặc điều kiện trên cùng một nhóm đối tượng là một tình huống phổ biến. Ví dụ, bạn có thể muốn biết liệu tỷ lệ người tán thành một chính sách có thay đổi sau khi xem ba đoạn phim thông tin khác nhau, hay liệu tỷ lệ bệnh nhân có triệu chứng cụ thể có khác nhau tại ba thời điểm sau điều trị. Khi dữ liệu của bạn có tính chất **nhị phân** và được thu thập từ **mẫu phụ thuộc (dependent samples)**, **Kiểm định Q của Cochran (Cochran’s Q Test)** là công cụ thống kê phi tham số phù hợp và mạnh mẽ. Nó là phần mở rộng của Kiểm định McNemar khi bạn có nhiều hơn hai phép đo. Bài viết này sẽ đi sâu vào lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện kiểm định Cochran’s Q trên phần mềm SPSS.

1. Lý thuyết cơ bản về Kiểm định Q của Cochran

Kiểm định Q của Cochran là một kiểm định phi tham số được sử dụng để so sánh ba hoặc nhiều hơn hai phép đo liên quan khi biến phụ thuộc là **nhị phân (dichotomous)**. Nó kiểm tra xem liệu có sự khác biệt có ý nghĩa thống kê về tỷ lệ phản hồi “thành công” (ví dụ: “Có”, “Đạt”, “Thích”) giữa các phép đo hay không.

1.1. Khi nào sử dụng Cochran’s Q Test?

• **So sánh ba hoặc nhiều hơn hai mẫu phụ thuộc:** Dữ liệu thu thập từ cùng một đối tượng tại nhiều thời điểm khác nhau (ví dụ: trước, giữa, sau can thiệp) hoặc dưới nhiều điều kiện khác nhau.
• **Biến phụ thuộc:** Phải là biến **nhị phân (dichotomous)**, chỉ có hai giá trị có thể (ví dụ: 0 và 1, Có và Không, Đạt và Không đạt).
• **Kiểm tra sự thay đổi trong tỷ lệ:** Mục tiêu chính là xác định liệu tỷ lệ của một trong hai kết quả nhị phân có khác biệt đáng kể giữa các phép đo hay không.
• **Thay thế cho Repeated-Measures ANOVA:** Khi biến phụ thuộc không phải là định lượng mà là nhị phân.

1.2. Nguyên lý hoạt động

Cochran’s Q Test dựa trên nguyên tắc của kiểm định Chi-square. Nó xem xét số lượng phản hồi “thành công” trong mỗi điều kiện/thời điểm và kiểm tra xem sự phân bố của các phản hồi này có khác biệt đáng kể giữa các điều kiện hay không.

Giả sử bạn có $N$ đối tượng và $k$ phép đo. Dữ liệu thường được tổ chức sao cho mỗi hàng là một đối tượng và mỗi cột là một phép đo (ví dụ: Giai đoạn 1, Giai đoạn 2, Giai đoạn 3). Các giá trị trong bảng là 0 hoặc 1.

Công thức tính thống kê Cochran’s Q là:

$$ Q = \frac{(k-1) \sum_{j=1}^{k} (G_j – \bar{G})^2}{\sum_{i=1}^{N} L_i(k – L_i)} $$

Trong đó:

• $k$: Số lượng phép đo (điều kiện/thời điểm).
• $N$: Tổng số đối tượng.
• $G_j$: Tổng số phản hồi “thành công” trong phép đo thứ $j$.
• $\bar{G}$: Trung bình của các $G_j$ (tức là $\bar{G} = \frac{\sum G_j}{k}$).
• $L_i$: Tổng số phản hồi “thành công” của đối tượng thứ $i$ trên tất cả $k$ phép đo.

Giá trị $Q$ này tuân theo phân phối Chi-square với bậc tự do ($df = k-1$).

1.3. Giả thuyết thống kê

• Giả thuyết Null ($H_0$): Tỷ lệ phản ứng “thành công” là như nhau ở tất cả các điều kiện/thời điểm.
• Giả thuyết Đối ($H_1$): Tỷ lệ phản ứng “thành công” là khác nhau ở ít nhất một cặp điều kiện/thời điểm.

1.4. Kiểm định Hậu nghiệm (Post-hoc Tests)

Nếu kết quả của Cochran’s Q Test là có ý nghĩa thống kê (p-value < 0.05), điều đó chỉ cho biết rằng có sự khác biệt ở đâu đó giữa các tỷ lệ, nhưng không chỉ ra cụ thể phép đo nào khác phép đo nào. Để xác định các cặp có sự khác biệt, bạn cần thực hiện các **kiểm định hậu nghiệm (post-hoc tests)**.

Cách phổ biến nhất là chạy các kiểm định **McNemar Test** riêng biệt cho từng cặp phép đo (ví dụ: Thời điểm 1 vs Thời điểm 2, Thời điểm 1 vs Thời điểm 3, Thời điểm 2 vs Thời điểm 3) và áp dụng hiệu chỉnh mức ý nghĩa như **Bonferroni** ($\alpha_{mới} = \alpha / \text{số cặp so sánh}$) để tránh lỗi loại I.

—

2. Ứng dụng của Kiểm định Q của Cochran

Kiểm định Cochran’s Q rất hữu ích trong nhiều tình huống khi bạn cần phân tích sự thay đổi của biến nhị phân qua nhiều lần đo trên cùng một nhóm đối tượng:

• **Y học/Dịch tễ học:**
  • Đánh giá hiệu quả của một liệu pháp y tế bằng cách so sánh tỷ lệ bệnh nhân có triệu chứng (có/không) tại 3 tháng, 6 tháng và 12 tháng sau điều trị.
  • Kiểm tra xem tỷ lệ phản ứng phụ của một loại thuốc có thay đổi khi dùng liều thấp, liều trung bình và liều cao.
• **Kiểm soát chất lượng:**
  • So sánh tỷ lệ sản phẩm lỗi (có lỗi/không lỗi) trên cùng một dây chuyền sản xuất khi sử dụng ba nhà cung cấp nguyên liệu khác nhau.
• **Nghiên cứu thị trường/Tiếp thị:**
  • Xác định xem tỷ lệ người tiêu dùng nhớ được một thương hiệu (nhớ/không nhớ) có khác nhau sau khi xem ba đoạn quảng cáo khác nhau.
  • Đánh giá sự thay đổi tỷ lệ khách hàng sử dụng tính năng mới của ứng dụng (có/không) sau các bản cập nhật khác nhau.
• **Xã hội học/Chính trị:**
  • Kiểm tra xem tỷ lệ người ủng hộ một ứng cử viên (ủng hộ/không ủng hộ) có thay đổi sau ba cuộc tranh luận trực tiếp.

—

3. Hướng dẫn thực hành trên SPSS: Kiểm định Q của Cochran

Hãy cùng thực hiện một ví dụ cụ thể để hiểu rõ cách chạy Kiểm định Q của Cochran trên SPSS.

Ví dụ minh họa: Đánh giá sự đồng ý với ba chính sách mới của công ty

Một công ty vừa ban hành ba chính sách nội bộ mới (Chính sách 1, Chính sách 2, Chính sách 3). Họ muốn biết liệu có sự khác biệt về tỷ lệ nhân viên **đồng ý** với từng chính sách hay không. Họ khảo sát 30 nhân viên và hỏi ý kiến của mỗi người về cả ba chính sách, với câu trả lời là “Đồng ý” (1) hoặc “Không đồng ý” (0).

Các bước thực hiện trên SPSS:

3.1. Chuẩn bị dữ liệu trong SPSS

Mỗi hàng trong Data View sẽ đại diện cho một nhân viên, và bạn sẽ có các cột riêng cho mỗi chính sách.

1. **Tạo biến:** Mở SPSS, vào tab **Variable View**.
   • Tạo biến `Chinh_Sach_1`:
     • **Name:** `Chinh_Sach_1`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Đồng ý Chính sách 1
     • **Values:** 0 = Không đồng ý, 1 = Đồng ý
     • **Measure:** Nominal
   • Tạo biến `Chinh_Sach_2`:
     • **Name:** `Chinh_Sach_2`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Đồng ý Chính sách 2
     • **Values:** 0 = Không đồng ý, 1 = Đồng ý
     • **Measure:** Nominal
   • Tạo biến `Chinh_Sach_3`:
     • **Name:** `Chinh_Sach_3`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Đồng ý Chính sách 3
     • **Values:** 0 = Không đồng ý, 1 = Đồng ý
     • **Measure:** Nominal
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**. Nhập mã hóa (0 hoặc 1) cho ý kiến của 30 nhân viên vào ba cột `Chinh_Sach_1`, `Chinh_Sach_2`, và `Chinh_Sach_3` tương ứng. Mỗi hàng là một nhân viên.

3.2. Chạy Kiểm định Q của Cochran

1. Vào menu: **Analyze > Nonparametric Tests > Legacy Dialogs > K Related Samples…**
2. Hộp thoại **Tests for Several Related Samples** sẽ xuất hiện.
3. Chuyển cả ba biến `Chinh_Sach_1`, `Chinh_Sach_2`, và `Chinh_Sach_3` sang ô **Test Variables:**.
4. Trong phần **Test Type**, **bỏ chọn Friedman** (nếu nó được tích mặc định) và **tích chọn Cochran’s Q**.
5. Nhấp **OK**.

3.3. Diễn giải kết quả Output của SPSS

Cửa sổ Output của SPSS sẽ hiển thị các bảng kết quả cho Cochran’s Q Test:

3.3.1. Bảng 1: Frequencies (Tần số)

	N	Percent
Đồng ý Chính sách 1	20	66.7%
Đồng ý Chính sách 2	12	40.0%
Đồng ý Chính sách 3	25	83.3%

Diễn giải:

• Bảng này cho thấy số lượng và tỷ lệ nhân viên “Đồng ý” với từng chính sách.
• Chính sách 3 có tỷ lệ đồng ý cao nhất (83.3%), trong khi Chính sách 2 có tỷ lệ đồng ý thấp nhất (40.0%). Chính sách 1 ở mức 66.7%.
• Sự khác biệt về tỷ lệ này gợi ý rằng có thể có sự khác biệt có ý nghĩa thống kê.

3.3.2. Bảng 2: Test Statistics (Thống kê kiểm định Cochran’s Q)

	Đồng ý với chính sách
N	30
Cochran’s Q	14.000a
df	2
Asymp. Sig.	.001

Diễn giải các giá trị quan trọng:

• **N:** Số lượng đối tượng trong mẫu (30 nhân viên).
• **Cochran’s Q:** Giá trị thống kê Q của kiểm định (14.000).
• **df:** Bậc tự do, bằng số lượng phép đo (điều kiện/thời điểm) trừ đi 1 (3 – 1 = 2).
• **Asymp. Sig.:** Đây là giá trị p (p-value) của kiểm định.
  • Trong ví dụ này, **p-value = 0.001**.

3.3.3. Kết luận Cochran’s Q Test:

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 tỷ lệ phản ứng “thành công” giữa ít nhất một cặp phép đo.
• 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.

Trong ví dụ này, p-value = 0.001, 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 tỷ lệ nhân viên đồng ý giữa ít nhất một cặp chính sách mới của công ty.

Để xác định cụ thể cặp chính sách nào khác biệt, bạn cần thực hiện các **kiểm định hậu nghiệm (post-hoc tests)**. Trong trường hợp này, bạn sẽ chạy ba kiểm định **McNemar Test** riêng biệt cho các cặp: Chính sách 1 vs Chính sách 2, Chính sách 1 vs Chính sách 3, và Chính sách 2 vs Chính sách 3. Để điều chỉnh cho việc thực hiện nhiều kiểm định, bạn nên áp dụng **hiệu chỉnh Bonferroni** bằng cách chia mức ý nghĩa $\alpha$ ban đầu cho số lượng các cặp so sánh ($0.05 / 3 \approx 0.0167$). Bạn sẽ chỉ coi một sự khác biệt là có ý nghĩa nếu p-value của kiểm định McNemar cho cặp đó nhỏ hơn 0.0167.

—

Kiểm định Q của Cochran là một công cụ phi tham số rất quan trọng khi bạn cần phân tích sự thay đổi của một biến nhị phân qua nhiều lần đo trên cùng một nhóm đối tượng. 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, đặc biệt trong các lĩnh vực như y tế, xã hội học, và marketing.