Spearman’s Rho (Hệ số tương quan hạng Spearman): Lý thuyết, Ứng dụng và Thực hành trên SPSS

Trong nghiên cứu khoa học, chúng ta thường tìm cách hiểu mối quan hệ giữa các biến. Khi nói đến mối quan hệ giữa hai biến định lượng, hệ số tương quan Pearson là công cụ được sử dụng phổ biến nhất. Tuy nhiên, Pearson yêu cầu dữ liệu phải có phân phối chuẩn và mối quan hệ tuyến tính. Vậy điều gì sẽ xảy ra nếu dữ liệu của bạn không phân phối chuẩn, hoặc biến của bạn là thứ bậc (ordinal)? Khi đó, **Hệ số tương quan hạng Spearman (Spearman’s Rho)** trở thành một công cụ phi tham số mạnh mẽ và linh hoạt. Spearman’s Rho giúp bạn đánh giá mối quan hệ đơn điệu (monotonic relationship) giữa hai biến mà không cần giả định về phân phối chuẩn hay tính tuyến tính. Bài viết này sẽ đi sâu vào lý thuyết, các ứng dụng thực tế và hướng dẫn chi tiết cách thực hiện tính toán Spearman’s Rho trên phần mềm SPSS.

1. Lý thuyết cơ bản về Spearman’s Rho

Spearman’s Rho, ký hiệu là $\rho$ (rho) hoặc $r_s$, là một thước đo phi tham số của mối tương quan thứ bậc (rank correlation). Nó đánh giá mức độ mà hai biến có xu hướng thay đổi cùng chiều hoặc ngược chiều, dựa trên hạng (thứ tự) của dữ liệu thay vì giá trị thô.

1.1. Khi nào sử dụng Spearman’s Rho?

• **Mối quan hệ đơn điệu:** Khi bạn nghi ngờ có mối quan hệ giữa hai biến nhưng không chắc chắn nó là tuyến tính. Mối quan hệ đơn điệu có nghĩa là khi một biến tăng, biến kia có xu hướng tăng (hoặc giảm) một cách nhất quán, nhưng không nhất thiết phải theo một đường thẳng.
• **Biến thứ bậc (Ordinal):** Khi ít nhất một trong hai biến của bạn là biến thứ bậc (ví dụ: mức độ hài lòng: kém, trung bình, tốt; xếp hạng sản phẩm: 1, 2, 3).
• **Biến định lượng không phân phối chuẩn:** Khi các biến định lượng của bạn không tuân theo giả định phân phối chuẩn, hoặc có các giá trị ngoại lai (outliers) có thể ảnh hưởng đến tương quan Pearson.
• **Kích thước mẫu nhỏ:** Khi kích thước mẫu quá nhỏ để đảm bảo tính chuẩn của dữ liệu.

1.2. Nguyên lý hoạt động

Khác với Pearson’s r tính toán tương quan trên giá trị thực của dữ liệu, Spearman’s Rho hoạt động bằng cách:

1. **Chuyển đổi dữ liệu thành hạng:** Với mỗi biến, các giá trị thô sẽ được chuyển đổi thành hạng (thứ tự). Giá trị nhỏ nhất nhận hạng 1, giá trị tiếp theo hạng 2, và cứ thế. Nếu có các giá trị bằng nhau (ties), chúng sẽ được gán hạng trung bình.
2. **Tính toán Pearson trên các hạng:** Sau khi chuyển đổi thành hạng, hệ số tương quan Pearson sẽ được tính toán trên các hạng này.

Công thức tính Spearman’s Rho (cách đơn giản hơn khi không có giá trị trùng lặp):

$$ \rho = 1 – \frac{6 \sum d_i^2}{n(n^2 – 1)} $$

Trong đó:

• $d_i$: Hiệu số giữa các cặp hạng của mỗi quan sát.
• $n$: Số lượng cặp quan sát.

Khi có giá trị trùng lặp (ties), công thức phức tạp hơn một chút, nhưng SPSS sẽ tự động xử lý điều này bằng cách tính Pearson trên các hạng được điều chỉnh.

1.3. Giá trị và Diễn giải

Giá trị của Spearman’s Rho nằm trong khoảng từ **-1 đến +1**:

• **+1:** Tương quan hạng dương hoàn hảo. Khi hạng của biến này tăng, hạng của biến kia cũng tăng một cách nhất quán.
• **-1:** Tương quan hạng âm hoàn hảo. Khi hạng của biến này tăng, hạng của biến kia giảm một cách nhất quán.
• **0:** Không có mối quan hệ đơn điệu giữa các hạng.

Cũng giống như Pearson’s r, bạn có thể diễn giải mức độ mạnh yếu của mối tương quan dựa trên giá trị tuyệt đối của $\rho$:

• $| \rho | = 0.00 – 0.19$: Rất yếu
• $| \rho | = 0.20 – 0.39$: Yếu
• $| \rho | = 0.40 – 0.59$: Trung bình
• $| \rho | = 0.60 – 0.79$: Mạnh
• $| \rho | = 0.80 – 1.00$: Rất mạnh

Ngoài giá trị của $\rho$, bạn cũng cần xem xét **giá trị p (p-value)** để xác định xem mối tương quan có ý nghĩa thống kê hay không.

1.4. Giả thuyết thống kê

• Giả thuyết Null ($H_0$): Không có mối quan hệ đơn điệu giữa hai biến trong tổng thể (tức là $\rho = 0$).
• Giả thuyết Đối ($H_1$): Có mối quan hệ đơn điệu giữa hai biến trong tổng thể (tức là $\rho \ne 0$).

—

2. Ứng dụng của Spearman’s Rho

Spearman’s Rho được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, đặc biệt khi dữ liệu không đáp ứng các giả định của tương quan Pearson:

• **Khoa học xã hội:**
  • Mối quan hệ giữa mức độ học vấn (thứ bậc: cấp 1, cấp 2, cấp 3, đại học) và mức độ hài lòng với công việc (thứ bậc: rất không hài lòng, không hài lòng, trung bình, hài lòng, rất hài lòng).
  • Mối quan hệ giữa thứ hạng trong một cuộc thi và thứ hạng điểm thi đầu vào.
• **Y tế:**
  • Mối quan hệ giữa mức độ nghiêm trọng của bệnh (thứ bậc) và liều lượng thuốc (định lượng, nhưng có thể không chuẩn).
  • Mối quan hệ giữa mức độ đau (thang điểm VAS, có thể không chuẩn) và mức độ căng thẳng.
• **Kinh doanh/Marketing:**
  • Mối quan hệ giữa thứ hạng ưu tiên của khách hàng đối với các tính năng sản phẩm và mức độ sẵn lòng chi trả.
  • Mối quan hệ giữa thứ tự xuất hiện của quảng cáo và số lượng nhấp chuột (clicks), khi số lượng nhấp chuột không phân phối chuẩn.
• **Giáo dục:**
  • Mối quan hệ giữa thời gian học tập (giờ/tuần) và điểm số môn học, khi điểm số có thể bị lệch.

—

3. Hướng dẫn thực hành trên SPSS: Tính toán Spearman’s Rho

Hãy cùng thực hiện một ví dụ cụ thể để hiểu rõ cách tính toán Hệ số tương quan hạng Spearman trên SPSS.

Ví dụ minh họa: Mối quan hệ giữa điểm thi môn Toán và mức độ tự tin

Một nhà nghiên cứu muốn tìm hiểu xem có mối quan hệ nào giữa **điểm thi môn Toán** (từ 0-10) và **mức độ tự tin vào khả năng giải toán** (trên thang điểm thứ bậc từ 1-5, với 1 là “Rất không tự tin” và 5 là “Rất tự tin”) của 30 học sinh hay không. Vì mức độ tự tin là biến thứ bậc và điểm thi Toán có thể không phân phối chuẩn, bạn quyết định sử dụng Spearman’s Rho.

Các bước thực hiện trên SPSS:

3.1. Chuẩn bị dữ liệu trong SPSS

Bạn sẽ có hai biến định lượng/thứ bậc cho mỗi học sinh.

1. **Tạo biến:** Mở SPSS, vào tab **Variable View**.
   • Tạo biến `Diem_Toan`:
     • **Name:** `Diem_Toan`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Điểm thi môn Toán
     • **Measure:** Scale
   • Tạo biến `Tu_Tin_Toan`:
     • **Name:** `Tu_Tin_Toan`
     • **Type:** Numeric
     • **Decimals:** 0
     • **Label:** Mức độ tự tin về Toán
     • **Values:**
       • 1 = Rất không tự tin
       • 2 = Không tự tin
       • 3 = Trung bình
       • 4 = Tự tin
       • 5 = Rất tự tin
     • **Measure:** Ordinal
2. **Nhập dữ liệu:** Chuyển sang tab **Data View**. Nhập điểm thi Toán và mức độ tự tin tương ứng của 30 học sinh vào hai cột `Diem_Toan` và `Tu_Tin_Toan`. Mỗi hàng là một học sinh.

3.2. Chạy Spearman’s Rho

1. Vào menu: **Analyze > Correlate > Bivariate…**
2. Hộp thoại **Bivariate Correlations** sẽ xuất hiện.
3. Chuyển cả hai biến `Diem_Toan` và `Tu_Tin_Toan` sang ô **Variables:**.
4. Trong phần **Correlation Coefficients**, **bỏ chọn Pearson** (nếu nó được tích mặc định) và **tích chọn Spearman**.
5. Trong phần **Test of Significance**, đảm bảo **Two-tailed** được chọn (đây là kiểm định hai phía, kiểm tra xem có tương quan hay không, không quan tâm là dương hay âm). Nếu bạn có giả thuyết cụ thể về hướng tương quan (chỉ tăng hoặc chỉ giảm), bạn có thể chọn One-tailed.
6. Đảm bảo rằng **Flag significant correlations** được tích chọn (điều này sẽ đánh dấu các mối tương quan có ý nghĩa thống kê bằng dấu sao).
7. Nhấp **OK**.

3.3. Diễn giải kết quả Output của SPSS

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

Bảng 1: Correlations (Tương quan)

		Điểm thi môn Toán	Mức độ tự tin về Toán
Điểm thi môn Toán	Correlation Coefficient	1.000	.725**
	Sig. (2-tailed)	.	.000
	N	30	30
Mức độ tự tin về Toán	Correlation Coefficient	.725**	1.000
	Sig. (2-tailed)	.000	.
	N	30	30

^**. Correlation is significant at the 0.01 level (2-tailed).

Diễn giải các giá trị quan trọng:

• **Correlation Coefficient (Hệ số tương quan):** Đây là giá trị của Spearman’s Rho.
  • Trong ví dụ này, giá trị là **0.725**.
• **Sig. (2-tailed) (Giá trị p):** Đây là p-value của kiểm định ý nghĩa thống kê.
  • Trong ví dụ này, giá trị là **0.000** (thực chất là một số rất nhỏ, nhỏ hơn 0.001).
• **N:** Kích thước mẫu (30 học sinh).
• **Dấu sao (**):** Cho biết mối tương quan có ý nghĩa thống kê ở mức 0.01 (hoặc mức ý nghĩa bạn đã chọn).

Kết luận:

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

• Nếu **p-value < 0.05**: Bác bỏ $H_0$. Có mối quan hệ đơn điệu có ý nghĩa thống kê giữa hai biến.
• Nếu **p-value $ \ge $ 0.05**: Không bác bỏ $H_0$. Không có đủ bằng chứng để kết luận có mối quan hệ đơn điệu có ý nghĩa thống kê.

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 mối quan hệ đơn điệu có ý nghĩa thống kê giữa điểm thi môn Toán và mức độ tự tin vào khả năng giải toán của học sinh.

Giá trị Spearman’s Rho là **0.725**, cho thấy có một **mối tương quan hạng dương mạnh** giữa hai biến. Điều này có nghĩa là, nhìn chung, những học sinh có điểm thi môn Toán cao hơn cũng có xu hướng có mức độ tự tin vào khả năng giải toán cao hơn, và ngược lại. Mối quan hệ này là nhất quán về thứ tự.

—

Spearman’s Rho là một công cụ phân tích tương quan vô cùng hữu ích khi dữ liệu của bạn không đáp ứng các giả định của tương quan Pearson, hoặc khi bạn làm việc với các biến thứ bậc. Nó cung cấp một cái nhìn mạnh mẽ về mối quan hệ đơn điệu giữa các biến, giúp bạn đưa ra những kết luận đáng tin cậy cho nghiên cứu của mình.