P-value là gì và bao nhiêu là đạt trong SPSS
P-value là gì
Bạn mở output SPSS lên và thấy một cột tên Sig., hoặc đọc tài liệu thấy thuật ngữ p-value. Hai cách gọi này thường đang nói về cùng một loại thông tin: mức độ phù hợp của dữ liệu với giả thuyết H0 trong một kiểm định thống kê. Khi p-value nhỏ hơn mức ý nghĩa đã chọn, thường là 0,05, bạn có cơ sở bác bỏ H0. Khi p-value lớn hơn hoặc bằng 0,05, bạn chưa có đủ bằng chứng thống kê để bác bỏ H0.
Nói ngắn gọn, p-value trả lời câu hỏi: nếu H0 đúng, khả năng quan sát được kết quả hiện tại hoặc cực đoan hơn là bao nhiêu. P-value càng nhỏ thì dữ liệu càng khó phù hợp với H0. Tuy nhiên, p-value không phải là xác suất H0 đúng, cũng không phải tỷ lệ phần trăm tác động của biến độc lập lên biến phụ thuộc.
Trong SPSS, p-value thường xuất hiện dưới tên Sig. hoặc Sig. (2-tailed). Trong hồi quy, bạn có thể thấy nó ở bảng Coefficients, tại cột Sig.. Trong kiểm định tương quan, nó thường nằm ở cột Sig. (2-tailed). Với t-test hoặc ANOVA, vị trí và tên bảng thay đổi theo thủ tục, vì vậy cần đọc đúng bảng thay vì chỉ nhìn thấy một con số rồi kết luận.
Mức ý nghĩa được ký hiệu là alpha, thường chọn 0,05 trước khi chạy phân tích. Nếu p-value = 0,032, kết quả nhỏ hơn 0,05. Nếu p-value = 0,184, kết quả chưa đạt ngưỡng 0,05. Bạn có thể xem thêm các bài về chủ đề Thống kê khi cần đặt p-value vào đúng quy trình phân tích.
Ý nghĩa của p-value trong nghiên cứu định lượng
P-value giúp bạn đưa ra quyết định về giả thuyết thống kê, nhưng nó chỉ là một phần của kết quả. Trong mô hình hồi quy, p-value cho biết hệ số của một biến có khác 0 một cách có ý nghĩa thống kê hay không. Nếu p-value của biến X nhỏ hơn 0,05, bạn có thể kết luận rằng dữ liệu cung cấp bằng chứng về mối liên hệ giữa X và Y trong mô hình đang xét.
P-value không cho biết mối liên hệ mạnh hay yếu. Hệ số hồi quy, hệ số tương quan, path coefficient, R² và kích thước ảnh hưởng mới giúp bạn đánh giá hướng và mức độ tác động. Một hệ số rất nhỏ vẫn có thể có p-value nhỏ nếu mẫu lớn. Ngược lại, một hệ số có vẻ lớn vẫn có p-value lớn nếu mẫu nhỏ hoặc dữ liệu biến động mạnh.
P-value cũng không tự chứng minh quan hệ nhân quả. Nếu đề tài của bạn có biến trung gian, bạn cần đọc thêm indirect effect và khoảng tin cậy của nó. Thuật ngữ mediator có tiêu chí đọc khác với một biến độc lập thông thường. Nếu mô hình có biến điều tiết, p-value của interaction term mới là phần cần chú ý, bạn có thể đối chiếu với bài về moderator hoặc moderating.
Trong phần kết quả, p-value thường giúp bạn trả lời ba việc. Thứ nhất, giả thuyết có được ủng hộ về mặt thống kê hay không. Thứ hai, biến nào có liên hệ đáng kể với biến phụ thuộc. Thứ ba, kết quả có phù hợp với hướng giả thuyết đã đặt ra hay không. Bạn vẫn phải kiểm tra dấu của hệ số. P-value nhỏ nhưng hệ số âm sẽ không ủng hộ một giả thuyết được phát biểu theo hướng dương.
P-value bao nhiêu là đạt
Cụm “p value bao nhiêu là tốt” dễ gây nhầm. P-value không phải điểm chất lượng để càng thấp càng tốt trong mọi tình huống. Bạn cần so sánh nó với alpha đã chọn và báo cáo chính xác giá trị quan sát được khi phần mềm hiển thị được con số đó.
Bảng dưới đây tóm tắt các cách diễn giải thường dùng trong luận văn định lượng. Mỗi ngưỡng đi kèm nguồn để bạn không ghi một con số rời khỏi căn cứ phương pháp.
| Tình huống đọc p-value | Quy tắc quyết định | Nguồn |
|---|---|---|
| p-value < 0,01 | Bác bỏ H0 ở mức ý nghĩa 1%, nếu kiểm định đã chọn alpha = 0,01 | (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) |
| p-value < 0,05 | Bác bỏ H0 ở mức ý nghĩa 5% | (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008) |
| p-value < 0,10 | Có thể xem là có ý nghĩa ở mức 10% nếu nghiên cứu đã quy định alpha = 0,10 | (Field, 2013) |
| p-value ≥ 0,05 | Chưa đủ bằng chứng để bác bỏ H0 ở mức 5% | (Field, 2013) |
| Bootstrap confidence interval không chứa 0 | Indirect effect có ý nghĩa thống kê theo cách kiểm định bootstrap | (Preacher và Hayes, 2008) |
Một số luận văn chỉ dùng quy tắc p-value < 0,05. Cách này dễ trình bày, nhưng bạn cần nhất quán từ chương phương pháp đến chương kết quả. Nếu chọn alpha = 0,05, đừng sang phần kết luận lại gọi p-value = 0,078 là “đạt” mà không giải thích bạn đang dùng mức 10%.
Với kiểm định hai phía, p-value cho biết bằng chứng theo cả hai hướng. Với kiểm định một phía, cách tính và giả thuyết phải được xác định từ trước. Bạn không nên đổi từ two-tailed sang one-tailed chỉ vì p-value hai phía không đạt. Đây là điểm hội đồng có thể hỏi khi thấy cách kiểm định không khớp với giả thuyết.
Cách đọc p-value trên output
Hãy xác định trước bạn đang đọc bảng nào, biến nào và giả thuyết nào. Một con số Sig. có thể xuất hiện ở nhiều bảng nhưng ý nghĩa không hoàn toàn giống nhau. Ví dụ, Sig. (2-tailed) trong bảng tương quan kiểm tra ý nghĩa của hệ số tương quan, còn Sig. trong bảng Coefficients kiểm tra hệ số hồi quy của từng biến khi các biến khác đã ở trong mô hình.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường thấy trong output SPSS.
| Bảng SPSS | Biến hoặc kiểm định | Hệ số | t / F | Sig. | Cách đọc minh họa |
|---|---|---|---|---|---|
| Coefficients | Sự thuận tiện → Ý định sử dụng | 0,286 | 3,412 | 0,001 | Có ý nghĩa ở mức 5%, hệ số mang dấu dương |
| Coefficients | Chi phí cảm nhận → Ý định sử dụng | -0,074 | -1,021 | 0,309 | Chưa đủ bằng chứng về tác động ở mức 5% |
| Correlations | Chất lượng dịch vụ và Hài lòng | 0,452 | Không áp dụng | 0,000 | Có tương quan dương có ý nghĩa thống kê |
| ANOVA | Khác biệt giữa các nhóm | Không áp dụng | 4,867 | 0,009 | Có khác biệt giữa ít nhất một cặp nhóm |
| Independent Samples Test | Levene's Test | Không áp dụng | 1,284 | 0,261 | Có thể xem xét dòng Equal variances assumed |
Trong bảng Coefficients, bạn đọc đúng dòng của biến, sau đó đối chiếu cột Sig. với alpha. Với dòng “Sự thuận tiện”, p-value = 0,001 nhỏ hơn 0,05. Kết luận phù hợp là hệ số hồi quy khác 0 có ý nghĩa thống kê trong mô hình minh họa. Bạn chưa nên viết rằng sự thuận tiện “làm tăng 28,6%” nếu chưa xác định đây là hệ số chuẩn hóa hay chưa xem đơn vị đo của biến.
Trong SPSS, giá trị 0.000 ở cột Sig. không có nghĩa p-value bằng đúng 0. Bạn nên viết p < 0,001 nếu phần mềm làm tròn thành 0,000. Cách viết này chính xác hơn và tránh tuyên bố một xác suất tuyệt đối bằng không.
Khi đọc ANOVA, p-value nhỏ chỉ cho biết có ít nhất một trung bình nhóm khác nhóm còn lại. Bạn cần chạy thêm kiểm định hậu nghiệm phù hợp để biết cặp nhóm nào khác biệt. Với Levene's Test, p-value được dùng để xem xét giả định đồng nhất phương sai, sau đó chọn dòng kết quả thích hợp trong bảng t-test.
Khi p-value không đạt thì xử lý thế nào
Nếu p-value lớn hơn hoặc bằng 0,05, bước đầu tiên là ghi nhận kết quả đúng như nó xuất hiện. Bạn không tự loại biến, đổi giả thuyết hoặc đổi loại kiểm định chỉ để làm p-value nhỏ hơn. Kết quả không có ý nghĩa thống kê vẫn là một kết quả cần báo cáo, miễn là quy trình phân tích phù hợp.
Thứ hai, kiểm tra dữ liệu và giả định của mô hình. Xem lại mã hóa biến, biến đảo chiều, giá trị thiếu, outlier và cách nhập dữ liệu. Một outlier có thể ảnh hưởng đến hệ số và p-value, nhưng bạn chỉ loại khi có lý do dữ liệu rõ ràng, không loại chỉ vì nó làm kết quả xấu. Bài outliers có thể giúp bạn rà lại phần này.
Thứ ba, kiểm tra cỡ mẫu và độ phân tán của dữ liệu. Mẫu nhỏ thường làm ước lượng thiếu ổn định và giảm khả năng phát hiện mối liên hệ. Tuy vậy, bạn không được tự bổ sung dữ liệu giả hoặc thu thêm mẫu không cùng đối tượng chỉ để p-value giảm.
Thứ tư, xem lại dạng giả thuyết và công cụ. Nếu bạn đang kiểm định trung bình nhưng dữ liệu không đáp ứng điều kiện, có thể cần một kiểm định thay thế phù hợp. Việc chọn thay thế phải dựa trên thiết kế nghiên cứu và giả định, không dựa trên kết quả mong muốn. Khi mô hình có moderator hoặc mediator, không nên đọc p-value của đường dẫn chính thay cho hiệu ứng tương tác hoặc hiệu ứng gián tiếp.
Thứ năm, trao đổi với giảng viên nếu kết quả không đạt. Trong luận văn, bạn có thể trình bày cả giả thuyết được ủng hộ và không được ủng hộ. Hội đồng thường quan tâm bạn có hiểu ý nghĩa của kết quả và giữ đúng quy trình hay không.
Phân biệt p-value với Sig. và mức ý nghĩa
p-value là thuật ngữ thống kê. Sig. là nhãn mà SPSS dùng trong nhiều bảng để hiển thị p-value. Vì vậy, trong bối cảnh đọc output SPSS, câu hỏi “hệ số Sig. là gì” thường đang hỏi giá trị p-value ở cột Sig.. Hai thuật ngữ có liên quan trực tiếp nhưng không phải mọi con số có nhãn Sig. đều kiểm định cùng một giả thuyết.
Alpha hoặc mức ý nghĩa là ngưỡng bạn đặt trước, thường là 0,05. P-value là kết quả được tính từ dữ liệu. Bạn so sánh hai giá trị này để quyết định. Không nên gọi alpha = 0,05 là p-value, cũng không nên viết “Sig. bằng 5%” khi output thực tế là 0,032.
P-value khác với hệ số hồi quy. Hệ số cho biết hướng và mức thay đổi theo đơn vị đo hoặc dạng chuẩn hóa. P-value cho biết bằng chứng thống kê về việc hệ số khác 0. P-value khác với R², vì R² phản ánh tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi mô hình trong một bối cảnh cụ thể.
P-value cũng khác với effect size. Một kết quả có p-value nhỏ chưa chắc có ý nghĩa thực tiễn lớn. Khi cần đánh giá mức độ ảnh hưởng, hãy xem hệ số, khoảng tin cậy và thước đo effect size phù hợp. Với mô hình PLS-SEM, chẳng hạn, f² có các mức tham khảo 0,02, 0,15 và 0,35 theo (Cohen, 1988).
Nếu bạn đang nhầm giữa thang đo, biến quan sát và các chỉ số dùng để đánh giá mô hình, có thể xem scale là gì trước khi quay lại đọc p-value. Việc hiểu cấu trúc dữ liệu giúp bạn tránh lấy p-value của một kiểm định để kết luận cho toàn bộ thang đo.
Lỗi thường gặp khi đọc p-value
Lỗi đầu tiên là viết “p-value càng nhỏ thì mô hình càng tốt”. P-value chỉ gắn với kiểm định cụ thể. Một mô hình có thể có nhiều đường dẫn đạt p-value nhỏ nhưng vẫn gặp vấn đề về đa cộng tuyến, độ tin cậy hoặc khả năng giải thích.
Lỗi thứ hai là kết luận H0 đúng khi p-value lớn. Cách diễn đạt an toàn là “chưa đủ bằng chứng để bác bỏ H0”. Dữ liệu hiện tại chưa ủng hộ việc bác bỏ H0, nhưng điều đó không chứng minh H0 đúng trong mọi bối cảnh.
Lỗi thứ ba là chỉ nhìn p-value mà bỏ qua dấu hệ số. Nếu giả thuyết dự đoán tác động dương nhưng hệ số là -0,210 và p-value = 0,018, kết quả có ý nghĩa thống kê nhưng không ủng hộ hướng dương của giả thuyết.
Lỗi thứ tư là báo cáo Sig. = 0,000. Hãy kiểm tra số chữ số mà SPSS hiển thị và viết p < 0,001 khi phù hợp. Lỗi thứ năm là chạy nhiều kiểm định rồi chỉ chọn kết quả có p-value nhỏ mà không nói rõ quy trình. Đây là cách báo cáo dễ bị đặt câu hỏi về tính minh bạch.
Lỗi cuối là dùng p-value của kiểm định này để trả lời câu hỏi của kiểm định khác. Tương quan, hồi quy, t-test, ANOVA, mediation và moderation có mục tiêu riêng. Bạn cần đọc tên bảng, tên biến và giả thuyết trước khi diễn giải.
Cách viết vào luận văn: “Kết quả hồi quy cho thấy biến [tên biến độc lập] có tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc], với hệ số [Beta/B] = [giá trị] và p-value = [giá trị]. Do p-value [nhỏ hơn/lớn hơn hoặc bằng] 0,05, giả thuyết [H...] được [chấp nhận/không được ủng hộ] ở mức ý nghĩa 5%.” Bạn thay đúng loại hệ số và không gọi kết quả là quan hệ nhân quả nếu thiết kế nghiên cứu chưa cho phép.
Câu hỏi thường gặp
P value là gì trong SPSS?
Trong SPSS, p value thường xuất hiện dưới nhãn Sig. hoặc Sig. (2-tailed). Đây là giá trị dùng để so sánh với mức ý nghĩa alpha nhằm đưa ra quyết định về giả thuyết thống kê trong kiểm định đang chạy.
P value bao nhiêu là tốt?
Nếu bạn đặt alpha = 0,05, p-value nhỏ hơn 0,05 thường được xem là có ý nghĩa thống kê. Tuy nhiên, “tốt” không đồng nghĩa với càng nhỏ càng tốt. Bạn còn phải xem hướng hệ số, kích thước ảnh hưởng, khoảng tin cậy và sự phù hợp của mô hình.
P-value bằng 0,000 có phải bằng 0 không?
Không. SPSS thường làm tròn số rất nhỏ thành 0,000 ở bảng output. Khi báo cáo, bạn nên viết p < 0,001 thay vì p = 0,000, nếu cách hiển thị của phần mềm phù hợp với kết luận đó.
P-value lớn hơn 0,05 thì có phải giả thuyết sai không?
P-value lớn hơn hoặc bằng 0,05 cho thấy bạn chưa có đủ bằng chứng để bác bỏ H0 ở mức ý nghĩa 5%. Trong kiểm định giả thuyết nghiên cứu, bạn có thể ghi giả thuyết chưa được ủng hộ, nhưng không nên khẳng định H0 chắc chắn đúng.
Vì sao hệ số lớn nhưng p-value không đạt?
Hệ số lớn có thể đi cùng p-value lớn khi mẫu nhỏ, dữ liệu phân tán mạnh, sai số chuẩn lớn hoặc các biến độc lập có tương quan cao. Bạn cần kiểm tra cỡ mẫu, outlier, giả định mô hình và đa cộng tuyến trước khi diễn giải.
Có nên loại biến khi p-value không đạt không?
Không nên loại biến chỉ vì p-value lớn. Hãy xem vai trò lý thuyết của biến, mục tiêu mô hình, giả định thống kê và trao đổi với giảng viên. Nếu loại biến, cần ghi lại lý do và chạy lại mô hình theo quy trình nhất quán.
Bạn hãy mở đúng bảng output đang dùng, ghi lại tên kiểm định, p-value, hệ số và alpha trước khi viết kết luận cho từng giả thuyết. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và diễn giải kết quả theo mô hình của mình, bạn có thể xem M4 phân tích dữ liệu.