MANOVA là gì? Cách đọc kết quả MANOVA trong SPSS
MANOVA là gì
MANOVA, viết đầy đủ là Multivariate Analysis of Variance, hay phân tích phương sai đa biến, dùng để kiểm tra liệu một hoặc nhiều biến độc lập phân loại có tạo ra sự khác biệt đồng thời trên từ hai biến phụ thuộc định lượng trở lên hay không. Ví dụ, bạn muốn so sánh ba phương pháp đào tạo về cả điểm kỹ năng và điểm hài lòng. Khi đó, phương pháp đào tạo là biến độc lập, còn điểm kỹ năng và điểm hài lòng là các biến phụ thuộc.
Điểm khác của MANOVA nằm ở việc các biến phụ thuộc được xem xét cùng lúc. Nếu tách thành nhiều lần ANOVA, bạn sẽ phải đối mặt với việc tăng xác suất sai lầm loại I và bỏ qua mối tương quan giữa các biến phụ thuộc. MANOVA kiểm tra trước ảnh hưởng tổng thể của nhóm lên một tổ hợp các biến phụ thuộc, sau đó bạn mới xem các kiểm định đơn biến để biết biến nào tạo ra khác biệt.
Về mặt khái niệm, MANOVA so sánh vector trung bình của các nhóm. Trong output SPSS, bạn thường gặp các chỉ số như Pillai's Trace, Wilks' Lambda, Hotelling's Trace và Roy's Largest Root. Các chỉ số này không phải là bốn phân tích độc lập. Chúng là những cách khác nhau để đánh giá hiệu ứng đa biến của cùng một mô hình.
Nếu chỉ có một biến phụ thuộc, bạn đang ở bài toán ANOVA, không phải MANOVA. Bạn có thể xem cách đọc bảng ANOVA khi cần phân biệt hai tình huống này.
Ý nghĩa của MANOVA trong nghiên cứu định lượng
MANOVA trả lời câu hỏi tổng thể: các nhóm có khác nhau khi xét đồng thời toàn bộ các biến phụ thuộc hay không. Đây thường là bước kiểm định gắn với một giả thuyết dạng: “Có sự khác biệt về điểm kỹ năng và mức độ hài lòng giữa các phương pháp đào tạo”.
Nếu kết quả đa biến có ý nghĩa thống kê, bạn chưa nên kết luận ngay rằng mọi biến phụ thuộc đều khác nhau. Kết quả đó chỉ cho thấy nhóm có ảnh hưởng đến tổ hợp biến phụ thuộc. Bạn cần đọc tiếp các bảng Tests of Between-Subjects Effects để kiểm tra từng biến phụ thuộc, chẳng hạn điểm kỹ năng có khác biệt hay điểm hài lòng có khác biệt.
Trình tự này giúp bạn tránh một lỗi thường gặp: nhìn thấy một cột Sig. nhỏ trong bảng đơn biến rồi kết luận toàn bộ mô hình MANOVA có ý nghĩa. Kết luận tổng thể phải dựa vào Multivariate Tests trước. Sau đó, nếu cần xác định nhóm nào khác nhóm nào, bạn thực hiện kiểm định hậu nghiệm cho từng biến phụ thuộc phù hợp.
MANOVA phù hợp hơn ANOVA lặp lại nhiều lần khi các biến phụ thuộc có liên hệ về mặt lý thuyết và có tương quan nhất định. Nếu các biến phụ thuộc hoàn toàn không liên quan hoặc câu hỏi nghiên cứu chỉ quan tâm một kết quả, MANOVA có thể làm phần phân tích trở nên khó giải thích hơn. Khi chỉ có một kết quả cần so sánh, ANOVA hoặc one factor ANOVA thường sát với mục tiêu hơn.
MANOVA bao nhiêu là đạt
Cụm “MANOVA bao nhiêu là tốt” dễ gây hiểu nhầm. MANOVA không có một con số duy nhất gọi là đạt. Bạn cần xem Sig. của kiểm định đa biến, mức độ phù hợp của các giả định, kích thước hiệu ứng và kết quả đơn biến. Với Sig., ngưỡng thường dùng là 0.05, nhưng đây là quy tắc ra quyết định chứ không phải thước đo chất lượng tuyệt đối của mô hình.
Bảng dưới đây tóm tắt các tiêu chí thường gặp. Mỗi dòng cần được đọc cùng thiết kế nghiên cứu, cỡ mẫu và giả thuyết ban đầu.
| Nội dung cần kiểm tra | Cách đọc hoặc ngưỡng tham khảo | Nguồn |
|---|---|---|
| Sig. của kiểm định đa biến | Sig. < 0.05: bác bỏ H0 về việc các vector trung bình bằng nhau | (Field, 2013) |
| Levene's Test | Sig. > 0.05: chưa có bằng chứng vi phạm phương sai bằng nhau của từng biến phụ thuộc | (Field, 2013) |
| Box's M | Sig. > 0.001 thường được dùng để xem xét giả định ma trận hiệp phương sai bằng nhau | (Field, 2013) |
| Partial Eta Squared | Báo cáo như kích thước hiệu ứng, không chỉ nhìn Sig. | (Field, 2013) |
| Kiểm định đơn biến | Đọc Sig. của từng biến phụ thuộc sau khi kết quả đa biến có ý nghĩa | (Field, 2013) |
| Hậu nghiệm | Dùng khi biến độc lập có từ ba nhóm trở lên và kiểm định đơn biến có ý nghĩa | (Field, 2013) |
Với Pillai's Trace, Wilks' Lambda, Hotelling's Trace và Roy's Largest Root, bạn không cần đòi hỏi cả bốn dòng đều có Sig. < 0.05. Trong nhiều báo cáo, Wilks' Lambda được chọn để trình bày, nhưng Pillai's Trace có thể được ưu tiên khi giả định về ma trận hiệp phương sai đáng lo ngại hơn. Điều quan trọng là bạn nêu rõ chỉ số đã chọn và lý do chọn.
MANOVA bao nhiêu là tốt còn phụ thuộc vào kích thước hiệu ứng. Một p-value nhỏ có thể xuất hiện ở mẫu lớn dù khác biệt thực tế nhỏ. Vì vậy, hãy báo cáo thêm Partial Eta Squared hoặc chỉ số hiệu ứng mà SPSS cung cấp, cùng với trung bình và độ lệch chuẩn của từng nhóm. Khi cần diễn giải độ lớn hiệu ứng trong các mô hình khác, các mốc f² 0.02, 0.15 và 0.35 được gắn với nhỏ, vừa và lớn theo (Cohen, 1988), nhưng không nên tự động chuyển các mốc này thành kết luận cho mọi chỉ số của MANOVA.
Cách đọc MANOVA trên output
Sau khi chạy, SPSS thường hiển thị các bảng Descriptive Statistics, Box's Test of Equality of Covariance Matrices, Levene's Test of Equality of Error Variances, Multivariate Tests, Tests of Between-Subjects Effects và Multiple Comparisons. Bạn nên đọc theo thứ tự này, thay vì bắt đầu từ bảng có nhiều con số nhất.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử biến độc lập là phương pháp đào tạo với ba nhóm, còn hai biến phụ thuộc là Kỹ năng và Hài lòng.
| Bảng SPSS | Effect hoặc biến | Statistic | F | Sig. | Partial Eta Squared |
|---|---|---|---|---|---|
| Multivariate Tests | Phương pháp đào tạo, Wilks' Lambda | 0.842 | 4.120 | 0.006 | 0.086 |
| Tests of Between-Subjects Effects | Kỹ năng | 6.315 | 0.003 | 0.092 | |
| Tests of Between-Subjects Effects | Hài lòng | 2.071 | 0.129 | 0.032 |
Trong bảng Multivariate Tests, cột Effect cho biết hiệu ứng đang được kiểm tra. Wilks' Lambda càng nhỏ thường cho thấy sự khác biệt giữa các nhóm càng rõ, nhưng bạn không kết luận chỉ dựa vào việc Lambda nhỏ hay lớn. Hãy đọc cột F và Sig. Trong ví dụ, Sig. = 0.006 nhỏ hơn 0.05, nên có bằng chứng cho thấy phương pháp đào tạo tạo ra khác biệt tổng thể trên tổ hợp Kỹ năng và Hài lòng.
Tiếp theo, bảng Tests of Between-Subjects Effects cho thấy Kỹ năng có Sig. = 0.003, còn Hài lòng có Sig. = 0.129. Cách diễn giải là phương pháp đào tạo có liên quan đến khác biệt về Kỹ năng trong số liệu minh họa, nhưng chưa có bằng chứng thống kê đủ để kết luận có khác biệt về Hài lòng ở mức 0.05.
Bạn cũng cần xem Descriptive Statistics để biết nhóm nào có trung bình cao hơn. Nếu biến độc lập có ba nhóm trở lên, hãy mở Multiple Comparisons để xem cặp nhóm nào khác nhau. Đừng viết “nhóm A tốt hơn nhóm B” chỉ từ Sig. Bạn cần đối chiếu Mean Difference, khoảng tin cậy và hướng của trung bình nhóm.
Kết quả MANOVA không thay thế cho báo cáo mô tả. Chương kết quả nên có số quan sát, Mean và Std. Deviation theo nhóm, kiểm định đa biến, kiểm định đơn biến và hậu nghiệm nếu có. Bảng output đầy đủ có thể để ở phụ lục, còn phần chính nên chọn các con số phục vụ trực tiếp cho giả thuyết.
Khi MANOVA không đạt thì xử lý thế nào
Trước hết, xác định “không đạt” đang nói về điều gì. Sig. đa biến lớn hơn 0.05 nghĩa là bạn chưa bác bỏ H0, chứ không chứng minh H0 chắc chắn đúng. Nếu giả định bị vi phạm, đó là vấn đề khác với việc kết quả không có ý nghĩa thống kê.
Kiểm tra lại mã hóa và loại biến
Mở Variable View và Data View để kiểm tra biến nhóm có được mã hóa đúng hay không. Một biến phân loại bị nhập thành nhiều giá trị sai, biến phụ thuộc bị nhập dạng text hoặc các giá trị thiếu được để như số thật đều có thể làm output sai. Bạn cũng cần kiểm tra các biến đảo chiều trước khi tính điểm tổng hợp.
Kiểm tra giả định và outlier
Xem Box's M, Levene's Test, biểu đồ và các quan sát bất thường. Một outlier không nên bị xóa chỉ vì nó làm p-value lớn hơn hoặc nhỏ hơn. Bạn cần kiểm tra lại phiếu trả lời, quy tắc làm sạch dữ liệu và ghi rõ lý do xử lý.
Chọn chỉ số đa biến phù hợp hơn
Nếu Box's M có vấn đề, bạn có thể xem Pillai's Trace cùng với Wilks' Lambda và giải thích thận trọng hơn. Việc đổi chỉ số chỉ để tìm dòng có Sig. nhỏ là cách làm khó bảo vệ. Bạn nên báo cáo kiểm định nhạy cảm nếu có căn cứ phương pháp rõ ràng.
Xem xét phân tích thay thế
Khi thiết kế chỉ có một biến phụ thuộc, hãy dùng ANOVA hoặc kiểm định t test nếu chỉ có hai nhóm. Nếu có nhiều biến phụ thuộc nhưng chúng không liên quan về lý thuyết, bạn cần quay lại mục tiêu nghiên cứu thay vì chạy MANOVA theo thói quen. Một lựa chọn khác có thể là các mô hình hồi quy riêng, nhưng phải xử lý vấn đề nhiều lần kiểm định và giải thích vì sao chọn mô hình đó.
Nếu kết quả đa biến không có ý nghĩa, bạn không được loại bớt biến phụ thuộc hoặc đổi cách chia nhóm chỉ để tạo ra p-value nhỏ. Hãy giữ kết quả trung thực, báo cáo khoảng tin cậy và nêu giới hạn về cỡ mẫu hoặc độ phân tán dữ liệu khi cần.
Phân biệt MANOVA với ANOVA và t test
MANOVA có từ hai biến phụ thuộc định lượng trở lên và kiểm tra hiệu ứng đồng thời. ANOVA thường có một biến phụ thuộc định lượng và một biến độc lập phân loại, có thể gồm hai hoặc nhiều nhóm. t test thường dùng khi so sánh trung bình giữa hai nhóm, hoặc so sánh hai thời điểm trong cùng đối tượng tùy loại kiểm định.
Ví dụ, so sánh điểm hài lòng giữa ba phương pháp đào tạo là ANOVA. So sánh đồng thời điểm hài lòng và điểm kỹ năng giữa ba phương pháp là MANOVA. So sánh điểm hài lòng giữa nhóm nam và nữ có thể là independent-samples t test. Bạn có thể xem thêm bài t test để kiểm tra biến nào phù hợp với thiết kế của mình.
MANOVA cũng dễ bị nhầm với repeated-measures MANOVA. MANOVA thông thường so sánh các nhóm độc lập, còn repeated-measures MANOVA dùng khi cùng đối tượng được đo nhiều lần hoặc trong nhiều điều kiện. Hai thiết kế này có giả định và cách khai báo dữ liệu khác nhau trong SPSS.
Lỗi thường gặp
Lỗi đầu tiên là dùng MANOVA chỉ vì có nhiều biến trong bảng dữ liệu. Số lượng biến không quyết định phương pháp. Bạn cần có nhiều biến phụ thuộc định lượng, một câu hỏi nghiên cứu về sự khác biệt giữa nhóm, và cơ sở lý thuyết để xem các biến phụ thuộc cùng một tổ hợp kết quả.
Lỗi thứ hai là đọc Sig. của Levene's Test như kết quả chính của MANOVA. Levene's Test chỉ kiểm tra phương sai của từng biến phụ thuộc. Kết luận đa biến nằm ở bảng Multivariate Tests, còn Levene's Test giúp bạn đánh giá giả định.
Lỗi thứ ba là báo cáo Wilks' Lambda nhưng bỏ qua F, df, Sig. và kích thước hiệu ứng. Một dòng “Wilks' Lambda đạt yêu cầu” không cho người đọc biết bạn đã kiểm định gì. Hãy ghi rõ chỉ số, giá trị thống kê, bậc tự do, p-value và Partial Eta Squared nếu có.
Lỗi thứ tư là kết luận biến nào cũng khác nhau khi Sig. đa biến nhỏ. Bạn phải đọc Tests of Between-Subjects Effects. Nếu chạy nhiều kiểm định đơn biến, hãy trình bày cách bạn kiểm soát hoặc thảo luận rủi ro do nhiều lần kiểm định.
Cách viết có thể điều chỉnh vào luận văn là: “Kết quả kiểm định đa biến cho thấy phương pháp [tên nhóm] có ảnh hưởng [có ý nghĩa/không có ý nghĩa] đến tổ hợp các biến phụ thuộc [tên biến], Wilks' Lambda = [giá trị], F([df1], [df2]) = [giá trị], p = [giá trị]. Phân tích đơn biến tiếp theo cho thấy ảnh hưởng có ý nghĩa đối với [biến], nhưng không có ý nghĩa đối với [biến].” Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật từ file của mình.
Câu hỏi thường gặp
MANOVA là gì và dùng khi nào?
MANOVA là phân tích phương sai đa biến, dùng khi bạn muốn so sánh các nhóm trên từ hai biến phụ thuộc định lượng trở lên trong cùng một mô hình. Các biến phụ thuộc nên có liên hệ về mặt lý thuyết và dữ liệu cần đáp ứng những giả định phù hợp.
MANOVA bao nhiêu là tốt?
Không có một ngưỡng duy nhất cho toàn bộ MANOVA. Bạn thường xem Sig. của kiểm định đa biến, giả định Box's M và Levene's Test, kích thước hiệu ứng, trung bình nhóm và kết quả đơn biến. Sig. nhỏ hơn 0.05 thường được dùng để bác bỏ H0, nhưng cần báo cáo cùng các chỉ số còn lại.
Wilks' Lambda bao nhiêu thì đạt?
Không nên tách Wilks' Lambda khỏi F và Sig. Giá trị Lambda thấp hơn có thể gợi ý khác biệt giữa các nhóm rõ hơn, nhưng kết luận thống kê phải dựa trên p-value của kiểm định và bối cảnh mô hình. Hãy báo cáo đầy đủ Wilks' Lambda, F, bậc tự do và Sig.
MANOVA bị Sig. lớn hơn 0.05 thì làm sao?
Bạn kiểm tra lại mã hóa dữ liệu, cỡ mẫu, outlier, giả định và mối liên hệ giữa các biến phụ thuộc. Nếu mô hình đúng và dữ liệu không có lỗi, hãy báo cáo rằng chưa đủ bằng chứng về sự khác biệt tổng thể. Không nên tự ý bỏ biến hoặc đổi nhóm chỉ để làm Sig. nhỏ hơn.
MANOVA có cần chạy ANOVA tiếp không?
Thường có, nếu kiểm định đa biến có ý nghĩa và mục tiêu của bạn là biết biến phụ thuộc nào tạo ra khác biệt. Khi đó, đọc bảng Tests of Between-Subjects Effects, sau đó xem hậu nghiệm nếu biến độc lập có từ ba nhóm trở lên. Nếu kết quả đa biến không có ý nghĩa, cần thận trọng khi diễn giải các kiểm định đơn biến riêng lẻ.
Bạn hãy mở lại file .sav, xác định rõ biến nhóm và các biến phụ thuộc, sau đó đối chiếu lần lượt bảng Multivariate Tests, Tests of Between-Subjects Effects và Multiple Comparisons trước khi viết kết quả. Nếu cần chạy phân tích trên chính file SPSS hoặc CSV của bạn, M4 phân tích dữ liệu của DoThesis đi theo đúng quy trình này.