Kiểm định Little MCAR là gì? Cách đọc và xử lý trong SPSS

Kiểm định Little MCAR là gì

Bạn mở file SPSS lên, chạy kiểm định dữ liệu khuyết và thấy bảng Little's MCAR Test với một dòng Chi-Square, df và Sig.. Kiểm định Little MCAR dùng để xem dữ liệu khuyết có phù hợp với giả định Missing Completely At Random, viết tắt là MCAR, hay không. Nói dễ hiểu, nó kiểm tra liệu khả năng một giá trị bị thiếu có độc lập với cả dữ liệu quan sát được và dữ liệu chưa quan sát được hay không.

Trong SPSS, kiểm định này thường được chạy trước khi bạn quyết định giữ nguyên dữ liệu khuyết, dùng listwise deletion, thay thế giá trị hoặc thực hiện multiple imputation. Kết quả quan trọng nhất là cột Sig., chính là p-value. Bạn không đọc riêng con số Chi-Square để kết luận về MCAR.

Giả thuyết không của kiểm định là dữ liệu khuyết MCAR. Vì vậy, khi p-value lớn hơn mức ý nghĩa bạn chọn, thường là 0.05, bạn chưa có đủ bằng chứng để bác bỏ giả thuyết dữ liệu khuyết là MCAR. Khi p-value nhỏ hơn 0.05, dữ liệu khuyết có dấu hiệu không hoàn toàn ngẫu nhiên theo giả định MCAR.

Đây là kiểm định về cơ chế thiếu dữ liệu, không phải kiểm định xem một biến có phân phối chuẩn hay không. Nếu bạn chưa phân biệt MCAR, MAR và MNAR, hãy xem thêm bài cơ chế dữ liệu khuyết là gì trước khi đọc phần xử lý.

Ý nghĩa của kiểm định Little MCAR trong nghiên cứu định lượng

Giá trị của kiểm định nằm ở quyết định tiếp theo. Dữ liệu khuyết xuất hiện khi người trả lời bỏ trống một biến, bảng hỏi bị nhập thiếu, hoặc một câu hỏi không áp dụng cho một nhóm người. Nếu bỏ qua cơ chế thiếu dữ liệu, bạn có thể làm giảm cỡ mẫu, làm lệch trung bình và thay đổi hệ số hồi quy.

Kết quả MCAR giúp bạn trả lời ba câu hỏi thực tế. Thứ nhất, các giá trị thiếu có vẻ xuất hiện ngẫu nhiên hay liên quan đến một đặc điểm nào đó của người trả lời. Thứ hai, việc loại toàn bộ dòng có dữ liệu thiếu có làm mất quá nhiều quan sát hay không. Thứ ba, bạn có cần cân nhắc phương án ước lượng dữ liệu thay vì tự điền một con số hay không.

Nếu Little MCAR không có ý nghĩa thống kê, listwise deletion có thể ít rủi ro hơn về mặt giả định MCAR, nhưng vẫn làm giảm số quan sát. Bạn có thể đọc thêm sự khác nhau giữa listwise và pairwise deletion là gì để chọn cách tính phù hợp với phân tích đang chạy.

Nếu kiểm định có ý nghĩa thống kê, đừng tự động kết luận rằng toàn bộ dữ liệu không dùng được. Kết quả chỉ cho thấy giả định MCAR không được ủng hộ. Dữ liệu có thể gần với MAR, nghĩa là khả năng thiếu liên quan đến những biến đã quan sát. Khi đó, phương pháp xử lý cần dựa vào tỷ lệ thiếu, mẫu hình thiếu và vai trò của biến trong mô hình.

Bạn cũng cần nhớ rằng kiểm định Little MCAR nhạy với cỡ mẫu và số mẫu hình thiếu. Với mẫu lớn, một sai lệch nhỏ cũng có thể tạo p-value nhỏ. Với mẫu nhỏ, p-value lớn không chứng minh dữ liệu chắc chắn MCAR. Vì vậy, hãy đọc kết quả cùng với tỷ lệ dữ liệu thiếu, bảng mẫu hình thiếu và logic của bảng hỏi.

Kiểm định Little MCAR bao nhiêu là đạt

Cách đọc thường dùng là so sánh Sig. với 0.05. Quy tắc này là quy tắc quyết định thống kê trong kiểm định giả thuyết, không phải một thang điểm chất lượng dữ liệu. Bạn nên viết rõ là “không bác bỏ giả thuyết MCAR” thay vì viết “chứng minh dữ liệu MCAR tuyệt đối”.

Vì bảng Little's MCAR Test thường không cung cấp một “điểm đạt” giống Cronbach's Alpha, câu hỏi “kiểm định Little MCAR bao nhiêu là tốt” nên được hiểu là “p-value được diễn giải thế nào”. p-value lớn hơn 0.05 thường thuận lợi cho giả định MCAR, nhưng không đồng nghĩa dữ liệu đã sạch hoặc không còn vấn đề.

Bạn cũng không nên lấy tỷ lệ thiếu 5%, 10% hay một con số bất kỳ làm kết luận duy nhất nếu chưa có nguồn phù hợp cho bối cảnh nghiên cứu. Hãy báo cáo tỷ lệ thiếu của từng biến, số dòng bị ảnh hưởng và cách xử lý đã chọn. Một tỷ lệ thiếu thấp nhưng tập trung ở một nhóm người cụ thể vẫn có thể gây sai lệch.

Cách đọc kiểm định Little MCAR trên output

Trong SPSS, bảng kết quả thường có tiêu đề Little's MCAR Test. Các cột bạn cần nhìn là Chi-Square, df và Sig.. Chi-Square là thống kê kiểm định, df là bậc tự do, còn Sig. là p-value dùng cho quyết định.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên bảng và cột được trình bày theo dạng bạn có thể gặp trong output SPSS.

Với số liệu minh họa này, Sig. = 0.271, lớn hơn 0.05. Bạn chưa có đủ bằng chứng để bác bỏ giả thuyết dữ liệu khuyết MCAR. Cách viết chính xác là “kết quả kiểm định không có ý nghĩa thống kê ở mức 5%”, sau đó mô tả phương án xử lý. Bạn không nên viết rằng kiểm định đã chứng minh mọi giá trị thiếu xuất hiện hoàn toàn ngẫu nhiên.

Nếu output có Sig. = 0.012, bạn sẽ kết luận theo hướng ngược lại: kiểm định có ý nghĩa thống kê, giả định MCAR bị bác bỏ ở mức 5%. Khi đó, hãy xem tiếp biến nào có dữ liệu thiếu, tỷ lệ thiếu bao nhiêu và các biến quan sát nào thường thiếu cùng nhau.

Một lỗi dễ gặp là đọc nhầm dấu phẩy và dấu chấm theo thiết lập máy tính. SPSS có thể hiển thị 0.271 hoặc định dạng tương tự. Bạn nên dùng đúng con số trong file kết quả và không tự đổi thành phần trăm. Sig. = 0.271 là p-value 0.271, không phải 27.1% dữ liệu bị thiếu.

Khi kiểm định Little MCAR không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” đang có nghĩa là p-value nhỏ hơn 0.05. Kết quả này nói về giả định MCAR, chưa nói rằng bạn phải xóa toàn bộ bảng hỏi. Làm theo thứ tự dưới đây sẽ giúp bạn tránh sửa dữ liệu quá sớm.

Kiểm tra nguồn gốc dữ liệu khuyết

Mở Analyze > Missing Value Analysis nếu phiên bản SPSS của bạn có thủ tục này, hoặc dùng các bảng tần số để xem số lượng thiếu ở từng biến. Kiểm tra các mã như 99, 999, -1 hoặc ô trống có đang được SPSS hiểu là giá trị hợp lệ hay không. Nếu mã từ chối trả lời chưa được khai báo là missing, Little MCAR sẽ nhận đầu vào sai.

Kiểm tra tỷ lệ thiếu và mẫu hình thiếu

Ghi lại số lượng và tỷ lệ thiếu theo từng biến. Một biến bị thiếu nhiều có thể cần được loại khỏi phân tích nếu lý do đo lường không thể khắc phục. Nếu nhiều biến thiếu cùng một dòng, hãy xem người trả lời đó có hoàn thành bảng hỏi theo quy tắc sàng lọc hay không.

Tránh thay thế trung bình một cách máy móc

Thay giá trị thiếu bằng trung bình có thể làm giảm độ phân tán và làm yếu mối quan hệ giữa các biến. Cách này càng đáng cân nhắc kỹ khi tỷ lệ thiếu cao hoặc dữ liệu không MCAR. Bạn có thể xem phân tích riêng về thay thế giá trị khuyết bằng trung bình là gì, rồi ghi rõ biến nào, bao nhiêu giá trị và vì sao được thay thế.

Cân nhắc multiple imputation

Khi dữ liệu phù hợp với giả định MAR dựa trên các biến đã quan sát, multiple imputation thường là phương án có cơ sở hơn việc điền một giá trị duy nhất. Phương pháp này tạo nhiều bộ dữ liệu hoàn chỉnh, chạy phân tích trên từng bộ và gộp kết quả. Bạn cần nêu rõ biến dùng để dự đoán dữ liệu thiếu, số bộ dữ liệu và cách gộp kết quả. Xem multiple imputation là gì để phân biệt phương pháp này với việc điền trung bình.

Báo cáo giới hạn thay vì che kết quả

Nếu dữ liệu thiếu tập trung ở một nhóm hoặc tỷ lệ thiếu làm giảm mạnh cỡ mẫu, hãy trao đổi với giảng viên trước khi chạy lại toàn bộ mô hình. Không nên xóa các dòng chỉ để làm p-value đẹp hơn. Cũng không nên đổi phương pháp nhiều lần mà không lưu phiên bản dữ liệu và syntax SPSS.

Phân biệt Little MCAR với các cách xử lý dữ liệu khuyết

Little MCAR là một kiểm định về cơ chế thiếu dữ liệu. Listwise deletion và pairwise deletion là cách loại hoặc bỏ qua quan sát khi tính toán. Multiple imputation là một nhóm phương pháp ước lượng giá trị thiếu. Ba nhóm này trả lời các câu hỏi khác nhau nên không thể dùng tên của một phương pháp xử lý để thay cho kết luận MCAR.

Ví dụ, p-value lớn hơn 0.05 không bắt buộc bạn phải dùng listwise deletion. Nếu tỷ lệ thiếu đáng kể, listwise có thể làm mất nhiều quan sát. Ngược lại, p-value nhỏ hơn 0.05 cũng không khiến multiple imputation tự động đúng, vì bạn vẫn phải xem cơ chế MAR có hợp lý và các biến dự đoán đã được đưa vào đủ chưa.

Cũng cần phân biệt MCAR với missing value trong Data View. Ô trống chỉ cho biết một giá trị đang thiếu. MCAR là giả định về lý do hoặc cơ chế tạo ra sự thiếu đó. Hai khái niệm này liên quan nhưng không đồng nhất.

Nếu bạn đang chạy hồi quy, EFA hoặc Cronbach's Alpha, hãy giữ một bản dữ liệu gốc trước khi xử lý. Tạo biến hoặc file mới cho từng phương án, chẳng hạn data_original, data_listwise và data_imputed. Cách đặt tên này giúp bạn giải trình được vì sao cỡ mẫu thay đổi giữa các bảng kết quả.

Lỗi thường gặp

Lỗi thứ nhất là coi Sig. > 0.05 như bằng chứng tuyệt đối rằng dữ liệu MCAR. Cách diễn đạt an toàn hơn là “chưa bác bỏ giả thuyết MCAR”. Đây là khác biệt nhỏ về câu chữ nhưng quan trọng khi hội đồng hỏi bạn có thể chứng minh cơ chế thiếu dữ liệu đến mức nào.

Lỗi thứ hai là chỉ chụp bảng Little's MCAR Test mà không báo cáo tỷ lệ thiếu. Người đọc cần biết có bao nhiêu giá trị bị thiếu, nằm ở biến nào và sau xử lý còn bao nhiêu quan sát. Hãy đặt bảng MCAR cạnh phần mô tả dữ liệu khuyết trong chương phương pháp hoặc chương kết quả.

Lỗi thứ ba là xóa các bảng hỏi có dữ liệu thiếu trước khi chạy kiểm định. Khi đó, bạn đã loại chính đối tượng cần kiểm tra và kết quả MCAR không còn phản ánh file ban đầu. Hãy lưu bản gốc, chạy kiểm tra trước, rồi mới tạo file phân tích.

Lỗi thứ tư là dùng kiểm định Little MCAR cho dữ liệu bị mã hóa sai. Các giá trị 99 và 999 nếu chưa khai báo missing sẽ làm sai tỷ lệ, trung bình và cả mẫu hình thiếu. Hãy kiểm tra Variable View, nhãn giá trị và quy ước nhập liệu trước khi kết luận.

Cách viết vào luận văn: “Kết quả kiểm định Little MCAR cho thấy thống kê kiểm định đạt Chi-Square = [giá trị], df = [giá trị], Sig. = [giá trị]. Do Sig. [lớn hơn/nhỏ hơn] 0.05, nghiên cứu [chưa bác bỏ/bác bỏ] giả thuyết dữ liệu khuyết MCAR. Sau khi xem xét tỷ lệ thiếu và mẫu hình thiếu, nghiên cứu sử dụng [phương pháp xử lý] và còn lại N = [số quan sát] quan sát hợp lệ.”

Bạn có thể xem thêm các bài thuộc chủ đề Thống kê khi cần đối chiếu quy trình xử lý dữ liệu trước các phân tích tiếp theo.

Câu hỏi thường gặp

Kiểm định Little MCAR có bắt buộc trong mọi luận văn không

Không phải mọi luận văn đều bắt buộc chạy kiểm định này. Nếu file dữ liệu không có giá trị thiếu, kiểm định không có vai trò thực tế. Nếu có dữ liệu thiếu, Little MCAR là một căn cứ hữu ích, nhưng bạn vẫn cần báo cáo tỷ lệ thiếu và cách xử lý.

Kiểm định Little MCAR trong SPSS nằm ở đâu

Tùy phiên bản SPSS, bạn có thể tìm trong nhóm phân tích dữ liệu khuyết, thường qua Analyze > Missing Value Analysis. Nếu menu không có thủ tục tương ứng, hãy kiểm tra module và phiên bản SPSS đang dùng. Đừng thay thế bằng một kiểm định khác chỉ vì không thấy đúng tên Little's MCAR Test.

P-value lớn hơn 0.05 có nghĩa là dữ liệu khuyết tốt không

P-value lớn hơn 0.05 chỉ cho thấy bạn chưa có đủ bằng chứng bác bỏ giả thuyết MCAR. Nó không đánh giá dữ liệu tốt hay xấu, không cho biết tỷ lệ thiếu thấp, và không đảm bảo mọi lựa chọn xử lý đều phù hợp.

P-value nhỏ hơn 0.05 có phải xóa toàn bộ dòng không

Không. Bạn cần xem tỷ lệ thiếu, mẫu hình thiếu, nguyên nhân thu thập và các biến liên quan. Có thể cân nhắc phương án ước lượng hoặc mô hình phù hợp hơn, đồng thời giữ lại file gốc để so sánh độ nhạy của kết quả.

Có thể thay giá trị thiếu bằng trung bình sau khi chạy Little MCAR không

Có thể thực hiện trong một số tình huống đơn giản, nhưng kết quả MCAR không tự động phê duyệt cách thay trung bình. Bạn phải xem tỷ lệ thiếu, loại biến, mục tiêu phân tích và tác động lên độ phân tán. Luôn ghi rõ số biến được xử lý và lý do chọn phương pháp.

Mở file SPSS của bạn, kiểm tra trước mã missing và tỷ lệ thiếu, sau đó chạy Little's MCAR Test trên bản dữ liệu gốc rồi lưu output cùng quyết định xử lý. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv và giữ lại lịch sử từng bước, M4 phân tích của DoThesis có thể thực hiện phần này.