Hiệu chỉnh Bonferroni là gì và đọc kết quả trong SPSS
Hiệu chỉnh Bonferroni là gì
Bạn thường gặp hiệu chỉnh Bonferroni sau khi chạy ANOVA và mở bảng so sánh từng cặp nhóm. Ví dụ, ANOVA cho biết ít nhất một trong ba nhóm có trung bình khác nhau, nhưng chưa chỉ ra nhóm nào khác nhóm nào. Khi đó, bạn thực hiện nhiều phép so sánh cặp. Mỗi phép so sánh đều có khả năng cho kết quả có ý nghĩa thống kê do ngẫu nhiên. Hiệu chỉnh Bonferroni làm ngưỡng p-value chặt hơn để kiểm soát rủi ro này.
Cách tính cơ bản là lấy mức ý nghĩa ban đầu chia cho số phép kiểm định: α điều chỉnh = α / m. Trong đó, α thường là 0,05 và m là số phép kiểm định được thực hiện. Nếu bạn có ba phép so sánh cặp, ngưỡng tương ứng là 0,05 / 3. Một cách trình bày tương đương là giữ α = 0,05 nhưng nhân p-value quan sát với số phép kiểm định, rồi so sánh p-value đã hiệu chỉnh với 0,05.
Trong thực tế, SPSS thường hiển thị kết quả đã hiệu chỉnh ở cột Sig. trong bảng Multiple Comparisons, tùy phương pháp bạn chọn. Vì vậy, bạn không nên tự lấy p-value của từng cặp rồi kết luận trước khi xác định bảng đang dùng phương pháp điều chỉnh nào.
Ý nghĩa của hiệu chỉnh Bonferroni trong nghiên cứu định lượng
Hiệu chỉnh Bonferroni xử lý vấn đề multiple comparisons, còn gọi là kiểm định nhiều lần. Mỗi lần bạn kiểm định một giả thuyết ở mức 0,05, nguy cơ bác bỏ nhầm H0 vẫn tồn tại. Khi thực hiện nhiều phép kiểm định, tổng nguy cơ xuất hiện ít nhất một kết quả dương tính giả tăng lên.
Điểm cần nhớ là Bonferroni kiểm soát family-wise error rate, tức xác suất mắc ít nhất một lỗi loại I trong cả nhóm phép kiểm định. Đổi lại, phương pháp này làm việc phát hiện khác biệt thật khó hơn. Nếu số phép so sánh rất lớn, ngưỡng điều chỉnh trở nên nghiêm ngặt và nhiều kết quả có thể chuyển từ có ý nghĩa sang không có ý nghĩa.
Bạn có thể xem Bonferroni như một quy tắc bảo thủ cho giai đoạn theo sau ANOVA. ANOVA trả lời câu hỏi tổng quát về toàn bộ các nhóm. Post hoc test trả lời các câu hỏi cặp đôi. Hai bước này có chức năng khác nhau, nên một ANOVA có p-value nhỏ không đồng nghĩa mọi cặp nhóm đều khác nhau.
Nếu đề tài của bạn chỉ so sánh hai nhóm, hãy xem hướng dẫn về kiểm định t test hoặc t test trước khi nghĩ đến Bonferroni. Với nhiều nhóm, one factor ANOVA thường là bối cảnh dễ gặp nhất. Bạn cũng có thể xem cách trình bày bảng ANOVA để phân biệt kiểm định tổng thể với so sánh hậu nghiệm.
Hiệu chỉnh Bonferroni bao nhiêu là tốt
Không có một giá trị p cố định nào gọi là “Bonferroni tốt”. Bạn cần xác định ba thứ: mức ý nghĩa đã chọn, số phép so sánh trong cùng một family và p-value trước hoặc sau hiệu chỉnh. Cụm từ “hiệu chỉnh Bonferroni bao nhiêu là tốt” thường khiến người đọc tìm một ngưỡng duy nhất, nhưng ngưỡng phải được tính theo thiết kế kiểm định của chính bạn.
Ví dụ, với α = 0,05 và ba phép so sánh, α điều chỉnh là 0,0167. Với sáu phép so sánh, α điều chỉnh là khoảng 0,0083. Hai con số này chỉ là kết quả minh họa từ công thức, không phải một ngưỡng được trích từ tài liệu trong danh mục nguồn của bài. Nguồn được phép trong hệ thống nội dung hiện không có tài liệu riêng về Bonferroni, nên bạn cần đối chiếu quy định phương pháp của khoa hoặc tài liệu giảng viên yêu cầu trước khi ghi nguồn cho công thức này.
Bảng dưới đây đặt Bonferroni cạnh các ngưỡng quen thuộc trong những phân tích liên quan. Mỗi dòng có nguồn canonical để bạn không trộn ngưỡng của kiểm định này với ngưỡng của kiểm định khác.
| Chỉ số hoặc quyết định | Ngưỡng tham khảo | Nguồn canonical |
|---|---|---|
| Mức ý nghĩa thường dùng khi kiểm định giả thuyết | 0,05 trong thiết kế nghiên cứu cụ thể | Không có nguồn Bonferroni trong danh mục canonical |
| KMO khi đánh giá khả năng phân tích nhân tố | Từ 0,5 trở lên | (Kaiser, 1974) |
| Bartlett's Test trong EFA | p-value dưới 0,05 | (Kaiser, 1974) |
| Cronbach's Alpha trong thang đo | Từ 0,7 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0,3 trở lên | (Nunnally và Bernstein, 1994) |
| Durbin-Watson trong hồi quy | Từ 1 đến 3 | (Field, 2013) |
Bạn không dùng dòng Cronbach's Alpha hoặc Durbin-Watson để quyết định một cặp nhóm có khác biệt sau Bonferroni hay không. Bảng này chỉ giúp bạn nhận ra mỗi chỉ số có ngưỡng và mục đích riêng.
Một điểm khác cần ghi rõ: Bonferroni không biến một p-value lớn thành bằng chứng cho H0 đúng. Nếu p-value sau hiệu chỉnh lớn hơn α, kết luận phù hợp là chưa có đủ bằng chứng bác bỏ H0 trong phép so sánh đó.
Cách đọc hiệu chỉnh Bonferroni trên output SPSS
Để xem hiệu chỉnh Bonferroni trong SPSS, bạn chạy ANOVA rồi chọn phương pháp post hoc hoặc so sánh cặp phù hợp. Với ANOVA một yếu tố, đường dẫn thường bắt đầu từ Analyze > Compare Means > One-Way ANOVA. Đưa biến định lượng vào Dependent List, biến nhóm vào Factor, sau đó mở Post Hoc và chọn Bonferroni nếu thiết kế của bạn phù hợp.
Nếu bạn đang dùng phiên bản SPSS có cách bố trí hộp thoại khác, tên bảng và tên cột vẫn là phần cần kiểm tra. Hãy lưu cả bảng ANOVA, Multiple Comparisons và Descriptives, thay vì chỉ chụp một p-value.
Bảng ANOVA trước khi đọc so sánh cặp
Trong bảng ANOVA, tập trung vào dòng Between Groups, cột F và cột Sig.. Nếu Sig. nhỏ hơn mức α đã chọn, bạn có bằng chứng rằng trung bình không đồng nhất hoàn toàn giữa các nhóm. Kết quả này mở đường cho phân tích cặp, nhưng chưa cho biết cặp nào khác nhau.
Bảng Multiple Comparisons sau Bonferroni
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc được viết theo dạng các cột thường gặp trong output SPSS.
| (I) Nhóm | (J) Nhóm | Mean Difference (I-J) | Std. Error | Sig. | 95% Confidence Interval for Difference, Lower Bound | Upper Bound |
|---|---|---|---|---|---|---|
| Nhóm A | Nhóm B | 0,42 | 0,18 | 0,071 | -0,05 | 0,89 |
| Nhóm A | Nhóm C | 0,86 | 0,19 | 0,006 | 0,36 | 1,36 |
| Nhóm B | Nhóm C | 0,44 | 0,17 | 0,032 | 0,01 | 0,87 |
Cột (I) Group là nhóm thứ nhất, còn (J) Group là nhóm được so sánh với nhóm thứ nhất. Mean Difference (I-J) cho biết hướng chênh lệch trung bình. Giá trị dương nghĩa là trung bình của nhóm I cao hơn nhóm J theo cách mã hóa hiện tại. Cột Sig. là p-value dùng để ra quyết định, nhưng bạn phải xác nhận nó thuộc phương pháp Bonferroni trong bảng hoặc thiết lập đã chọn.
Trong ví dụ, cặp A và B có Sig. = 0,071, nên chưa đạt mức 0,05. Cặp A và C có Sig. = 0,006, có bằng chứng về khác biệt ở mức 0,05. Cặp B và C có Sig. = 0,032, cũng nhỏ hơn 0,05 trong cách đọc p-value đã hiệu chỉnh của output minh họa. Khoảng tin cậy của cặp A và C không chứa 0, phù hợp với kết luận có khác biệt. Đây là diễn giải của số liệu minh họa, không phải dự đoán cho file của bạn.
Nếu SPSS hiển thị Sig. = 0,000, bạn nên viết p < 0,001 thay vì viết p = 0,000. Cũng cần xem chiều của Mean Difference, vì nói “nhóm A cao hơn nhóm C” phải dựa vào dấu của chênh lệch và cách bạn mã hóa nhóm.
Khi hiệu chỉnh Bonferroni không đạt thì xử lý thế nào
Thứ tự xử lý nên bắt đầu từ việc kiểm tra thiết kế, sau đó mới cân nhắc phương pháp khác.
Kiểm tra số phép so sánh và family kiểm định
Bạn hãy ghi rõ những phép kiểm định nào được xem là một family. Nếu bạn gom quá nhiều câu hỏi không liên quan vào một family, Bonferroni sẽ rất nghiêm ngặt. Nếu bạn tách tùy ý để làm p-value nhỏ hơn, hội đồng có thể hỏi lý do. Family cần được xác định theo câu hỏi nghiên cứu và kế hoạch phân tích, không theo kết quả đẹp hay xấu.
Kiểm tra điều kiện của ANOVA
Xem bảng Descriptives, kiểm tra dữ liệu thiếu, giá trị ngoại lệ và cách mã hóa biến nhóm. ANOVA không được cứu bằng cách chọn Bonferroni khi dữ liệu nhập sai. Bạn có thể đối chiếu quy trình với bài về ANOVA, đặc biệt nếu bảng tổng thể và bảng post hoc đang cho kết quả khó giải thích.
Giữ kết quả không có ý nghĩa khi dữ liệu không đủ bằng chứng
Nếu một cặp có p-value sau hiệu chỉnh lớn hơn α, hãy ghi nhận là chưa tìm thấy khác biệt có ý nghĩa thống kê. Đừng loại bớt nhóm, đổi α sau khi xem output hoặc chỉ báo cáo cặp có p-value nhỏ. Những thao tác đó làm thay đổi câu hỏi ban đầu và tạo rủi ro khi bảo vệ.
Cân nhắc phương pháp so sánh khác có lý do
Bonferroni không phải lựa chọn duy nhất. Một số phương pháp post hoc khác có mức độ bảo thủ và mục tiêu khác nhau, nhưng bạn không nên đổi phương pháp chỉ vì muốn có thêm kết quả có ý nghĩa. Hãy hỏi giảng viên hướng dẫn phương pháp phù hợp với số nhóm, phương sai và loại giả thuyết. Nếu ANOVA không phù hợp, việc chuyển sang kiểm định khác cũng cần dựa trên điều kiện dữ liệu, không dựa trên p-value mong muốn.
Phân biệt hiệu chỉnh Bonferroni với p-value và kiểm định t test
Bonferroni là cách điều chỉnh khi có nhiều phép kiểm định. p-value là xác suất dùng trong quyết định của từng phép kiểm định. Hai khái niệm này liên quan nhưng không đồng nhất.
Kiểm định t test thường dùng để so sánh trung bình giữa hai nhóm hoặc hai lần đo, trong khi ANOVA mở rộng câu hỏi sang từ ba nhóm trở lên. Nếu bạn chạy nhiều t test riêng biệt cho nhiều cặp nhóm mà không điều chỉnh, bạn đang đối mặt với vấn đề multiple comparisons. Khi đó, Bonferroni có thể được đặt trong quy trình điều chỉnh, nhưng cách chạy và cách báo cáo vẫn phải phù hợp với thiết kế.
Bạn cũng nên phân biệt Bonferroni với điều chỉnh cho nhiều biến phụ thuộc, nhiều mô hình hồi quy hoặc nhiều nhóm giả thuyết. Số phép kiểm định cần chia hoặc nhân phải được định nghĩa nhất quán. Không lấy số dòng đang nhìn thấy trong một bảng SPSS làm m mặc định nếu một số dòng không thuộc cùng câu hỏi nghiên cứu.
Lỗi thường gặp
Lỗi đầu tiên là đọc p-value của bảng ANOVA như thể đó là kết quả của từng cặp. ANOVA Sig. chỉ trả lời câu hỏi tổng thể. Muốn biết cặp nào khác nhau, bạn đọc bảng Multiple Comparisons hoặc bảng so sánh cặp tương ứng.
Lỗi thứ hai là viết “Bonferroni đạt” mà không nêu m, α và cột đã dùng. Một đoạn kết quả có thể kiểm tra được cần nói rõ phương pháp so sánh, p-value, chiều chênh lệch và kết luận.
Lỗi thứ ba là nhầm Sig. với xác suất giả thuyết H0 đúng. p-value không cho biết xác suất H0 đúng. Nó là bằng chứng dữ liệu được dùng trong quy tắc kiểm định đã chọn.
Lỗi thứ tư là chỉ báo cáo cặp có ý nghĩa. Bảng đầy đủ cần cho thấy các cặp đã kiểm tra, ít nhất trong phụ lục hoặc bảng kết quả phù hợp. Việc bỏ các cặp không đạt khiến người đọc không biết bạn đã thực hiện bao nhiêu phép so sánh.
Cách viết vào luận văn: “Kết quả so sánh hậu nghiệm bằng phương pháp Bonferroni cho thấy [nhóm I] có điểm trung bình [cao hơn/thấp hơn] [nhóm J], chênh lệch trung bình = [giá trị], p = [giá trị]. Đối với cặp [nhóm A] và [nhóm B], p = [giá trị] nên chưa ghi nhận khác biệt có ý nghĩa thống kê ở mức α = [giá trị].” Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật trong output và ghi đúng phương pháp mà bạn đã chọn.
Câu hỏi thường gặp
Hiệu chỉnh Bonferroni có bắt buộc sau ANOVA không
Không phải mọi bài đều dùng cùng một phương pháp post hoc. Việc chọn phương pháp phụ thuộc vào số nhóm, điều kiện dữ liệu, câu hỏi nghiên cứu và hướng dẫn của giảng viên. Nếu dùng Bonferroni, bạn cần ghi rõ lý do và đọc đúng cột p-value đã điều chỉnh.
Hiệu chỉnh Bonferroni trong SPSS nằm ở đâu
Trong ANOVA một yếu tố, bạn thường vào Analyze > Compare Means > One-Way ANOVA, đưa biến vào đúng ô, mở Post Hoc rồi chọn Bonferroni. Sau khi chạy, xem bảng Multiple Comparisons và kiểm tra tên phương pháp trong output. Giao diện có thể thay đổi theo phiên bản SPSS, nhưng tên bảng là dấu hiệu quan trọng để định vị kết quả.
Sig. sau Bonferroni lớn hơn 0,05 thì kết luận thế nào
Bạn kết luận chưa có đủ bằng chứng bác bỏ H0 cho cặp nhóm đó ở mức ý nghĩa đã chọn. Cách viết này không có nghĩa hai nhóm chắc chắn giống hệt nhau, mà chỉ nói dữ liệu hiện có chưa cho thấy khác biệt thống kê sau điều chỉnh.
Có được tự chia 0,05 cho số nhóm không
Thông thường, số phép so sánh mới là m trong công thức, không đơn giản là số nhóm. Với k nhóm, số cặp đôi có thể là k(k - 1)/2 nếu bạn so sánh mọi cặp. Tuy vậy, family thực tế còn phụ thuộc vào kế hoạch nghiên cứu, nên bạn cần ghi rõ cách xác định m.
Bonferroni có dùng cho kiểm định t test không
Có thể dùng khi bạn thực hiện nhiều phép t test thuộc cùng một nhóm câu hỏi và cần kiểm soát lỗi do kiểm định lặp. Bạn không nên áp dụng máy móc cho một kiểm định t test đơn lẻ. Trước hết, hãy xác định bạn đang kiểm định bao nhiêu giả thuyết và các giả thuyết đó có thuộc cùng một family hay không.
Bạn hãy mở lại file SPSS, ghi riêng α, số phép so sánh, tên bảng output và p-value của từng cặp, rồi đối chiếu với câu hỏi nghiên cứu trước khi sửa chương kết quả. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và kiểm tra cách báo cáo, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.