Kiểm định chi bình phương là gì? Cách đọc kết quả SPSS

Kiểm định chi bình phương là gì

Bạn mở output SPSS và thấy bảng Chi-Square Tests, trong đó có dòng Pearson Chi-Square, cột Value, df và Asymptotic Significance (2-sided). Kiểm định chi bình phương, thường viết là Chi-Square test hoặc χ² test, dùng để kiểm tra mối liên hệ giữa các biến phân loại, hoặc so sánh phân phối quan sát được với một phân phối kỳ vọng.

Trong luận văn định lượng, trường hợp gặp nhiều nhất là kiểm định độc lập giữa hai biến định tính. Ví dụ, bạn muốn biết giới tính có liên quan đến ý định mua hàng hay không, hoặc nhóm tuổi có liên quan đến mức độ sử dụng một ứng dụng hay không. Dữ liệu được trình bày bằng bảng chéo, chẳng hạn số người thuộc từng tổ hợp giữa Giới tính và Ý định mua.

Với kiểm định Pearson Chi-Square, SPSS tính thống kê theo dạng tổng quát:

χ² = Σ (O - E)² / E

Trong đó, O là tần số quan sát thực tế trong từng ô của bảng chéo, còn E là tần số kỳ vọng nếu hai biến không có mối liên hệ. Sau đó, SPSS tính df, giá trị p-value trong cột Sig., rồi giúp bạn quyết định có bác bỏ giả thuyết độc lập hay không. Nếu bạn đang tìm tài liệu nền trong nhóm Thống kê, hãy phân biệt Chi-Square với các kiểm định dành cho biến trung bình như t test.

Ý nghĩa của kiểm định chi bình phương trong nghiên cứu định lượng

Kiểm định này trả lời một câu hỏi cụ thể: hai biến phân loại có độc lập với nhau trong mẫu nghiên cứu hay không. Chẳng hạn, biến Giới tính có hai nhóm Nam và Nữ, còn biến Sử dụng dịch vụ có hai nhóm Có và Không. Bảng chéo cho biết số quan sát ở từng nhóm, còn Chi-Square kiểm tra xem sự chênh lệch giữa các nhóm có lớn hơn mức có thể giải thích bởi ngẫu nhiên hay không.

Bạn thường bắt đầu bằng hai giả thuyết:

• H0: Hai biến phân loại độc lập với nhau, nghĩa là chưa có bằng chứng về mối liên hệ trong tổng thể.
• H1: Hai biến phân loại không độc lập, nghĩa là có bằng chứng về mối liên hệ trong tổng thể.

Quy tắc kết luận dựa trên Asymptotic Significance (2-sided), thường gọi ngắn là Sig. hoặc p-value. Khi Sig. < 0,05, bạn bác bỏ H0 và kết luận hai biến có mối liên hệ có ý nghĩa thống kê ở mức 5%. Khi Sig. ≥ 0,05, bạn chưa có đủ bằng chứng để bác bỏ H0.

Cách diễn giải cần giữ đúng giới hạn của kiểm định. Chi-Square cho biết có mối liên hệ thống kê, nhưng tự nó không chứng minh biến này gây ra biến kia. Nó cũng không cho bạn biết mối liên hệ mạnh hay yếu nếu bạn chỉ nhìn vào p-value. Muốn mô tả chiều và mức độ liên hệ, bạn cần xem thêm tỷ lệ theo hàng hoặc cột, residuals, và có thể báo cáo thêm Phi hoặc Cramer's V nếu thiết kế nghiên cứu yêu cầu.

Chi-Square phù hợp với biến phân loại, chẳng hạn giới tính, nhóm tuổi, tình trạng sử dụng hoặc mức lựa chọn. Nếu biến phụ thuộc là điểm trung bình liên tục và bạn muốn so sánh hai nhóm, hãy xem kiểm định t test. Nếu có từ ba nhóm trở lên và so sánh trung bình, hướng phân tích có thể là one factor ANOVA, không phải kiểm định chi bình phương chỉ vì bảng output đều có cột Sig.

Kiểm định chi bình phương bao nhiêu là đạt

Cụm tìm kiếm “kiểm định chi bình phương bao nhiêu là tốt” thường khiến bạn nhìn nhầm vào cột Pearson Chi-Square. Không có một giá trị χ² cố định áp dụng cho mọi đề tài. Giá trị χ² phụ thuộc vào kích thước mẫu, số nhóm và bậc tự do. Điều bạn dùng để ra quyết định thường là p-value, kết hợp với điều kiện về tần số kỳ vọng.

Bảng dưới đây là quy tắc thực hành để đọc output. Đây là quy tắc quyết định trong kiểm định giả thuyết, không phải thang điểm chất lượng của toàn bộ mô hình nghiên cứu.

Các dòng nguồn trong bảng trên mô tả công thức và quy tắc của chính thủ tục Chi-Square. Chúng không phải ngưỡng từ một tài liệu nằm trong danh mục nguồn của bài viết. Khi viết luận văn, bạn nên ghi rõ mức ý nghĩa đã chọn, thường là 5%, thay vì gọi một giá trị χ² là “tốt”.

Điều kiện quan trọng là tần số kỳ vọng trong các ô. Nếu quá nhiều ô có Expected Count nhỏ, xấp xỉ Pearson có thể không đáng tin cậy. SPSS thường ghi chú cuối bảng, ví dụ: “a. 0 cells (0.0%) have expected count less than 5. The minimum expected count is 8.40.” Bạn cần đọc ghi chú này, không chỉ nhìn dòng Pearson Chi-Square.

Cách đọc kiểm định chi bình phương trên output

Để chạy trường hợp phổ biến nhất trong SPSS, chọn Analyze > Descriptive Statistics > Crosstabs. Đưa một biến phân loại vào ô Row(s) và biến còn lại vào Column(s). Chọn Statistics, đánh dấu Chi-square, sau đó chọn Cells để thêm Observed, Expected, phần trăm theo hàng hoặc theo cột. Bấm Continue, rồi OK.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử bạn kiểm tra mối liên hệ giữa Giới tính và Ý định tiếp tục sử dụng, với 180 quan sát.

Với bảng minh họa này, dòng cần đọc đầu tiên là Pearson Chi-Square. Giá trị Sig. = 0,009, nhỏ hơn 0,05, nên bạn bác bỏ H0. Cách diễn giải phù hợp là: có mối liên hệ có ý nghĩa thống kê giữa giới tính và ý định tiếp tục sử dụng trong mẫu khảo sát.

Bạn chưa nên viết rằng giới tính “tác động” đến ý định tiếp tục sử dụng. Thiết kế bảng chéo và kiểm định này chỉ cho thấy mối liên hệ. Muốn trình bày nhóm nào có tỷ lệ cao hơn, quay lại bảng Crosstabulation và xem phần trăm theo hàng hoặc theo cột. Ví dụ, nếu mục tiêu là so sánh tỷ lệ tiếp tục sử dụng giữa Nam và Nữ, phần trăm theo hàng thường dễ diễn giải hơn.

Nếu Sig. = 0,327, kết luận sẽ đổi thành: chưa có đủ bằng chứng thống kê để khẳng định giới tính có mối liên hệ với ý định tiếp tục sử dụng ở mức ý nghĩa 5%. Câu này không đồng nghĩa với việc hai biến chắc chắn không liên quan. Có thể cỡ mẫu, cách phân nhóm hoặc chất lượng đo lường chưa đủ để phát hiện mối liên hệ.

Khi kiểm định chi bình phương không đạt thì xử lý thế nào

Bạn xử lý theo thứ tự dưới đây, bắt đầu từ việc kiểm tra dữ liệu thay vì xóa ngay một biến.

Kiểm tra lại mã hóa và bảng chéo

Mở Variable View và kiểm tra Values, Missing cùng kiểu dữ liệu. Một biến giới tính có thể đang bị nhập lẫn mã 1, 2, Nam, Nữ, khiến SPSS tạo thêm nhóm ngoài ý muốn. Trong Crosstabs, xem lại nhãn hàng, nhãn cột và tổng số N of Valid Cases.

Nếu số quan sát hợp lệ thấp bất thường, kiểm tra missing values ở Data View. Bạn cần ghi lại số quan sát bị loại và lý do. Không gộp nhóm chỉ để làm cho Sig. nhỏ hơn hoặc làm đẹp bảng kết quả.

Xem Expected Count và cân nhắc gộp nhóm có cơ sở

Nếu nhiều ô có tần số kỳ vọng thấp, trước hết xem các nhóm có đang quá nhỏ hay không. Bạn chỉ nên gộp các nhóm có ý nghĩa về mặt lý thuyết và giải thích được trong chương phương pháp. Ví dụ, việc gộp các nhóm tuổi liền kề có thể hợp lý nếu cách phân nhóm mới được nêu trước khi kiểm định.

Sau khi điều chỉnh có cơ sở, chạy lại bảng chéo và lưu cả phiên bản trước và sau. Hội đồng có thể hỏi vì sao nhóm được gộp, nên câu trả lời phải dựa trên thiết kế biến, không dựa trên việc muốn đạt p-value.

Dùng Fisher's Exact Test khi bảng nhỏ

Với bảng 2×2 có tần số kỳ vọng nhỏ, SPSS có thể cung cấp Fisher's Exact Test. Trong hộp thoại Crosstabs, chọn Exact, rồi yêu cầu kiểm định phù hợp nếu phiên bản SPSS của bạn hỗ trợ. Khi đó, đọc p-value của Fisher thay vì chỉ dựa vào Pearson Chi-Square.

Nếu bảng có nhiều hàng hoặc cột, cách xử lý có thể phức tạp hơn. Bạn cần báo cáo rõ kiểm định nào được sử dụng và vì sao. Đừng chạy nhiều phiên bản rồi chỉ chọn kết quả có ý nghĩa thống kê.

Xem xét loại phân tích phù hợp với loại biến

Nếu một biến thực chất là điểm số liên tục nhưng bạn đã chia thành nhiều nhóm, Chi-Square có thể làm mất thông tin. Nếu câu hỏi nghiên cứu là so sánh trung bình, hãy xem bảng ANOVA hoặc kiểm định phù hợp với thiết kế. Nếu hai biến là thứ bậc, bạn cũng cần cân nhắc liệu bảng chéo Pearson có trả lời đúng câu hỏi nghiên cứu hay không.

Phân biệt kiểm định chi bình phương với kiểm định t test

Chi-Square và t test đều có thể xuất hiện trong một luận văn, nhưng chúng trả lời hai câu hỏi khác nhau. Chi-Square phân tích tần số của các nhóm phân loại. T test thường so sánh trung bình của một biến định lượng giữa hai nhóm.

Ví dụ, Giới tính và Có sử dụng dịch vụ/Không sử dụng dịch vụ đều là biến phân loại, nên có thể dùng Chi-Square để kiểm tra mối liên hệ. Nếu bạn dùng Giới tính để chia hai nhóm rồi so sánh điểm trung bình Sự hài lòng, t test có thể phù hợp hơn. Cùng một biến giới tính, nhưng biến còn lại đã thay đổi nên kiểm định cũng thay đổi.

Chi-Square cũng khác ANOVA. ANOVA so sánh trung bình giữa từ ba nhóm trở lên, như điểm hài lòng trung bình của ba nhóm tuổi. Nếu bạn mã hóa mức hài lòng thành các nhóm “thấp”, “trung bình”, “cao” và phân tích bảng tần số, đó lại là bối cảnh của Chi-Square. Xem thêm anova nếu câu hỏi của bạn đang xoay quanh trung bình giữa nhiều nhóm.

Lỗi thường gặp

Gọi χ² là hệ số tác động

Pearson Chi-Square = 6,842 là thống kê kiểm định, không phải hệ số hồi quy và không thể viết như mức tác động của giới tính lên ý định. Nếu cần mô tả độ mạnh của liên hệ, xem thêm chỉ số phù hợp như Phi hoặc Cramer's V và trình bày cách tính của chỉ số đó.

Chỉ báo cáo Sig. mà bỏ qua bảng chéo

Một p-value không cho biết nhóm nào có tỷ lệ cao hơn. Hãy báo cáo thêm số lượng, tỷ lệ phần trăm và tổng số quan sát hợp lệ. Người đọc cần thấy dữ liệu tạo ra kết luận, không chỉ thấy một con số nhỏ hơn 0,05.

Dùng Chi-Square cho dữ liệu thang đo mà không giải thích

Các biến Likert đơn lẻ có thể được mã hóa thành nhóm, nhưng việc chia nhóm làm mất thông tin và phải có lý do. Nếu bạn đang phân tích các biến quan sát để tạo điểm trung bình hoặc kiểm định thang đo, Chi-Square thường không phải bước mặc định. Bạn cần bám vào câu hỏi nghiên cứu và loại dữ liệu thực tế.

Viết “không có mối quan hệ” khi p-value lớn

p ≥ 0,05 chỉ cho thấy chưa đủ bằng chứng bác bỏ H0 trong mẫu và mức ý nghĩa đã chọn. Cách viết thận trọng hơn là “chưa tìm thấy mối liên hệ có ý nghĩa thống kê”. Đây là khác biệt nhỏ về câu chữ nhưng quan trọng khi bảo vệ.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau theo output thật của mình: “Kết quả kiểm định Pearson Chi-Square cho thấy mối liên hệ giữa [tên biến 1] và [tên biến 2] có ý nghĩa thống kê, χ²([df]) = [giá trị Chi-Square], p = [Sig.]. Do p [nhỏ hơn/lớn hơn] 0,05, nghiên cứu [bác bỏ/chưa đủ cơ sở bác bỏ] giả thuyết H0.” Nếu bảng có ô kỳ vọng nhỏ, thay kiểm định và cách diễn giải bằng kết quả Fisher's Exact Test tương ứng.

Câu hỏi thường gặp

Kiểm định chi bình phương dùng cho biến nào?

Kiểm định chi bình phương thường dùng cho các biến phân loại, trong đó dữ liệu được thể hiện bằng số lượng quan sát ở từng nhóm. Ví dụ gồm giới tính, nhóm tuổi, tình trạng sử dụng, lựa chọn sản phẩm hoặc mức phân loại đã được quy định rõ.

Kiểm định chi bình phương bao nhiêu là tốt?

Không có một mức Pearson Chi-Square cố định được xem là tốt. Bạn đọc Sig. cùng với df, Expected Count và bảng chéo. Với mức ý nghĩa 5%, p < 0,05 dẫn đến bác bỏ H0, còn p ≥ 0,05 nghĩa là chưa đủ bằng chứng bác bỏ H0.

Sig. của Chi-Square bằng 0,000 có nghĩa gì?

Trong output SPSS, 0,000 thường là cách phần mềm hiển thị một p-value rất nhỏ hơn 0,001, không nên viết rằng p-value bằng đúng 0. Bạn có thể báo cáo p < 0,001, sau đó kết luận theo mức ý nghĩa đã chọn.

Expected Count nhỏ thì phải làm sao?

Bạn kiểm tra lại cách mã hóa, số lượng nhóm và kích thước từng nhóm. Nếu bảng 2×2 có ô kỳ vọng nhỏ, cân nhắc Fisher's Exact Test. Việc gộp nhóm chỉ được thực hiện khi có lý do lý thuyết hoặc thiết kế rõ ràng, không gộp chỉ để thay đổi p-value.

Có cần chạy Chi-Square sau Cronbach's Alpha không?

Không có quy tắc bắt buộc phải chạy Chi-Square sau Cronbach's Alpha. Cronbach's Alpha đánh giá độ tin cậy của thang đo gồm các biến quan sát, còn Chi-Square kiểm tra mối liên hệ giữa các biến phân loại. Bạn chạy thủ tục nào tùy vào giả thuyết và loại dữ liệu trong đề tài.

Mở file SPSS của bạn, xác định đúng hai biến phân loại, chạy Analyze > Descriptive Statistics > Crosstabs, kiểm tra dòng Pearson Chi-Square, Sig., df và ghi chú Expected Count trước khi viết kết luận. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích hỗ trợ bước này.