P value trong SPSS là gì và bao nhiêu là đạt

P value trong SPSS là gì

Bạn mở một bảng output SPSS và thấy cột Sig., thường đi kèm một con số như 0.032, 0.087 hoặc 0.000. Trong phần lớn kiểm định phổ biến, con số này chính là p-value, hay giá trị p. SPSS thường in nhãn Sig. thay vì ghi đầy đủ p-value.

P-value cho biết mức độ phù hợp của dữ liệu quan sát với giả thuyết không, ký hiệu là H0. Cụ thể hơn, đây là xác suất quan sát được kết quả hiện tại hoặc cực đoan hơn nếu H0 vẫn đúng. Bạn dùng p-value để đưa ra quyết định thống kê bằng cách so sánh nó với mức ý nghĩa α, thường được chọn trước khi phân tích.

Quy tắc cơ bản là:

• Nếu p-value < α, bạn bác bỏ H0.
• Nếu p-value ≥ α, bạn chưa có đủ bằng chứng để bác bỏ H0.

Trong SPSS, khi mức ý nghĩa được chọn là 5%, bạn so sánh cột Sig. với 0.05. P-value không phải là xác suất H0 đúng, cũng không cho biết tác động mạnh hay yếu. Nó chỉ phản ánh bằng chứng thống kê chống lại H0 trong điều kiện mô hình và dữ liệu đang xét.

Nếu bạn đang vướng ở khái niệm mức ý nghĩa, hãy xem bài mức ý nghĩa là gì. Còn p-value được tính từ thống kê kiểm định, cỡ mẫu, độ lệch chuẩn và phân phối tham chiếu của từng phép kiểm định. Vì vậy, cùng một p-value có thể xuất hiện trong các bảng khác nhau, nhưng cách diễn giải cuối cùng vẫn phải dựa vào loại kiểm định đang chạy.

Ý nghĩa của p value trong nghiên cứu định lượng

P-value giúp bạn trả lời câu hỏi thống kê của một giả thuyết cụ thể. Ví dụ, khi chạy Independent-Samples T Test, bạn có thể kiểm tra liệu trung bình của hai nhóm có khác nhau hay không. Khi chạy hồi quy tuyến tính, p-value của từng biến độc lập giúp đánh giá liệu hệ số hồi quy của biến đó có khác 0 về mặt thống kê hay không.

Trong mô hình hồi quy, cột Sig. ở bảng Coefficients thường được dùng để kết luận giả thuyết về tác động của biến độc lập lên biến phụ thuộc. Nếu Sig. = 0.012, với α = 0.05, kết quả cho thấy có bằng chứng thống kê để bác bỏ giả thuyết hệ số bằng 0. Bạn vẫn cần nhìn dấu của B hoặc Beta để biết mối quan hệ cùng chiều hay ngược chiều.

P-value cũng xuất hiện trong nhiều phần khác của output:

• KMO and Bartlett's Test: Sig. của Bartlett's Test kiểm tra ma trận tương quan có khác ma trận đơn vị hay không.
• ANOVA: Sig. của kiểm định F cho biết mô hình hồi quy tổng thể có ý nghĩa thống kê hay không.
• Coefficients: Sig. của kiểm định t cho từng biến độc lập.
• Independent Samples Test: Sig. (2-tailed) cho biết sự khác biệt trung bình giữa hai nhóm.
• Correlations: Sig. (2-tailed) cho biết hệ số tương quan có khác 0 hay không.

Bạn cần phân biệt ý nghĩa thống kê với ý nghĩa thực tiễn. Một kết quả có p-value nhỏ vẫn có thể có hệ số rất nhỏ, không tạo ra khác biệt đáng kể trong bối cảnh quản trị. Ngược lại, một tác động có ý nghĩa thực tiễn nhưng mẫu nhỏ có thể cho p-value lớn. Vì vậy, p-value nên được đọc cùng với hệ số, khoảng tin cậy, độ lớn tác động và bối cảnh nghiên cứu.

Cỡ mẫu và bậc tự do cũng ảnh hưởng đến p-value. Nếu chưa rõ bậc tự do nằm ở đâu trong output, bạn có thể xem df là gì hoặc bài df trong SPSS. Những con số này không thay thế p-value, nhưng giúp bạn kiểm tra bảng kết quả có đúng với phép phân tích đã chạy hay không.

P value trong SPSS bao nhiêu là đạt

Không có một con số p-value duy nhất áp dụng cho mọi nghiên cứu. Bạn phải xác định α trước, sau đó so sánh p-value với α. Trong luận văn kinh doanh ở Việt Nam, mức α = 0.05 thường được sử dụng. Một số nghiên cứu dùng α = 0.01 hoặc α = 0.10, nhưng lựa chọn đó cần được nêu rõ trong phương pháp nghiên cứu và áp dụng nhất quán.

Bảng dưới đây tóm tắt cách ra quyết định. Mỗi ngưỡng cần được hiểu trong mối quan hệ với mức ý nghĩa đã chọn, không đọc riêng lẻ.

Cột nguồn trong bảng có hai loại thông tin. Với các ngưỡng gắn với một kiểm định cụ thể, bạn cần trích dẫn tài liệu phương pháp phù hợp. Với α = 0.01, 0.05 hoặc 0.10, đây là mức ý nghĩa do người nghiên cứu lựa chọn theo thiết kế nghiên cứu, không phải ngưỡng tự động mà SPSS quyết định.

Nếu output hiện 0.000, bạn không nên viết p-value bằng 0. SPSS làm tròn số rất nhỏ thành 0.000. Cách viết an toàn là p < 0.001 hoặc Sig. < 0.001, tùy quy ước trình bày của khoa. P-value không thể bằng đúng 0 trong cách hiểu thông thường của kiểm định.

Cách đọc p value trên output SPSS

Hãy bắt đầu bằng việc xác định bảng và dòng bạn đang đọc. Một con số Sig. trong bảng ANOVA trả lời câu hỏi khác với Sig. trong bảng Coefficients. Sau đó, kiểm tra loại kiểm định, biến đang xét, chiều tác động và mức α được nêu trong chương phương pháp.

Đọc p-value trong bảng Correlations

Trong bảng Correlations, cột Sig. (2-tailed) thường nằm cạnh hệ số Pearson Correlation. Nếu Sig. (2-tailed) = 0.018, bạn có thể kết luận tương quan khác 0 ở mức 5%. Tiếp theo, nhìn hệ số Pearson Correlation: dấu dương cho thấy tương quan cùng chiều, dấu âm cho thấy tương quan ngược chiều.

P-value không cho biết tương quan mạnh đến đâu. Hệ số 0.12 và hệ số 0.72 đều có thể có p-value nhỏ nếu cỡ mẫu đủ lớn. Vì vậy, phải báo cáo cả hệ số tương quan và p-value.

Đọc p-value trong Independent-Samples Test

Với kiểm định hai nhóm độc lập, output có thể chứa hai dòng: Equal variances assumed và Equal variances not assumed. Trước khi đọc Sig. (2-tailed) của chênh lệch trung bình, bạn xem Sig. của Levene's Test for Equality of Variances để chọn dòng phù hợp theo quy ước của bài phân tích.

Trong luận văn, cần nêu trung bình của hai nhóm, chênh lệch, giá trị t, bậc tự do, p-value và hướng kết luận. Chỉ viết “hai nhóm có sự khác biệt” mà không cho biết nhóm nào có trung bình cao hơn sẽ khiến phần diễn giải bị thiếu.

Đọc p-value trong hồi quy tuyến tính

Ở bảng ANOVA, Sig. kiểm tra ý nghĩa của mô hình tổng thể. Ở bảng Coefficients, mỗi dòng biến độc lập có t và Sig. riêng. Nếu Sig. của X nhỏ hơn 0.05, giả thuyết hệ số của X bằng 0 bị bác bỏ ở mức 5%, với điều kiện các giả định của mô hình được kiểm tra phù hợp.

Bảng trên là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Khi đọc file của bạn, thay các con số bằng đúng giá trị trong output và ghi rõ bảng nào, biến nào, kiểm định nào. Nếu muốn kiểm tra khoảng ước lượng đi kèm hệ số, xem thêm bài khoảng tin cậy. Khoảng tin cậy giúp bạn thấy phạm vi có thể của tham số, còn p-value tập trung vào quyết định kiểm định H0.

Khi p value không đạt thì xử lý thế nào

Trước tiên, kiểm tra bạn có đang dùng đúng p-value hay không. Một output có thể có nhiều cột Sig. và nhiều dòng kiểm định. Đọc nhầm Sig. của Levene's Test thành p-value của chênh lệch trung bình là lỗi khá phổ biến.

Thứ hai, xác nhận mức α và giả thuyết. Nếu p-value = 0.072, kết luận ở α = 0.05 khác với kết luận ở α = 0.10. Bạn không nên đổi α sau khi nhìn kết quả chỉ để biến một giả thuyết thành “đạt”. Nếu sử dụng α = 0.10, hãy ghi rõ đây là mức ý nghĩa đã được xác định trong phương pháp.

Thứ ba, kiểm tra chất lượng dữ liệu và giả định phân tích. Xem biến có nhập sai mã hay không, biến đảo chiều đã xử lý chưa, có giá trị thiếu bất thường không, và cỡ mẫu có phù hợp không. Việc xóa dữ liệu hoặc loại biến chỉ vì p-value lớn thường khó giải trình nếu không có lý do phương pháp rõ ràng.

Nếu p-value lớn, các cách xử lý có thể chấp nhận gồm:

1. Giữ nguyên kết quả và kết luận giả thuyết chưa được ủng hộ, nếu mô hình và dữ liệu đã được chuẩn bị đúng.
2. Kiểm tra lại giả định, mã hóa, outlier và dữ liệu thiếu, sau đó chạy lại nếu phát hiện lỗi dữ liệu có căn cứ.
3. Báo cáo hệ số, p-value và khoảng tin cậy, thay vì cố tìm một ngưỡng khác để kết luận có ý nghĩa.
4. Xem xét lại mô hình lý thuyết trong nghiên cứu tiếp theo, không tự ý sửa giả thuyết sau khi đã thấy kết quả.

EFA hiếm khi ra đẹp ở lần chạy đầu, nhưng việc loại biến cũng cần dựa trên factor loading, cross-loading, nội dung thang đo và lập luận lý thuyết. Không nên chạy đi chạy lại nhiều mô hình rồi chỉ giữ phiên bản có p-value nhỏ mà không ghi lại quá trình.

Phân biệt p value với mức ý nghĩa và khoảng tin cậy

P-value và mức ý nghĩa đều là con số, nhưng vai trò khác nhau. Mức ý nghĩa α là ngưỡng bạn đặt ra trước khi kiểm định. P-value được tính từ dữ liệu sau khi chạy kiểm định. Bạn dùng α làm mốc để đánh giá p-value, chứ không gọi α là p-value.

Ví dụ, với α = 0.05 và p-value = 0.032, bạn bác bỏ H0. Với cùng p-value đó nhưng α = 0.01, bạn chưa bác bỏ H0. Kết quả tính toán không đổi, chỉ quyết định thay đổi theo mức ý nghĩa được chọn.

Khoảng tin cậy lại cho biết một khoảng giá trị hợp lý của tham số theo mức tin cậy đã chọn. Trong nhiều trường hợp, nếu khoảng tin cậy của hệ số không chứa 0 thì kết luận sẽ tương đồng với kiểm định hai phía ở α = 0.05. Tuy nhiên, bạn vẫn cần đọc đúng loại khoảng tin cậy, số phía và mô hình đang sử dụng.

P-value cũng khác với Sig. 2-tailed và Sig. 1-tailed ở cách đặt giả thuyết. 2-tailed kiểm tra khả năng tham số khác 0 theo cả hai hướng. 1-tailed chỉ kiểm tra một hướng đã được xác định trước. Không nên chuyển từ kiểm định hai phía sang một phía chỉ vì kết quả hai phía không đạt.

Lỗi thường gặp

Ghi Sig. = 0.000 thành p-value bằng 0

Bạn nên ghi p < 0.001 khi SPSS hiển thị 0.000. Cách này phản ánh đúng việc phần mềm đã làm tròn số và tránh khẳng định một xác suất bằng 0.

Đồng nhất p-value nhỏ với tác động mạnh

P-value nhỏ chỉ cho thấy bằng chứng thống kê chống lại H0. Muốn đánh giá tác động mạnh hay yếu, bạn phải nhìn hệ số hồi quy, hệ số tương quan hoặc effect size phù hợp.

Kết luận “H0 đúng” khi p-value lớn

Khi p-value lớn, cách viết chặt chẽ là “chưa đủ bằng chứng để bác bỏ H0”. Dữ liệu chưa cho thấy khác biệt hoặc tác động có ý nghĩa thống kê trong điều kiện kiểm định, nhưng điều đó không chứng minh H0 chắc chắn đúng.

Đọc nhầm p-value giữa các dòng

Hãy ghi tên bảng, tên dòng và tên cột trước khi kết luận. Đặc biệt trong hồi quy, p-value của ANOVA là của mô hình tổng thể, còn p-value ở Coefficients là của từng biến.

Chỉ báo cáo p-value mà bỏ qua chiều tác động

Trong bảng Coefficients, cần đọc cùng B hoặc Beta. Một p-value nhỏ không nói biến X tác động cùng chiều hay ngược chiều lên Y.

Cách viết vào luận văn

Bạn có thể điều chỉnh câu sau theo đúng bảng output của mình: “Kết quả kiểm định cho thấy biến [tên biến] có [không có] ảnh hưởng có ý nghĩa thống kê đến [biến phụ thuộc], với hệ số [B/Beta] = [giá trị] và p-value = [giá trị], tại mức ý nghĩa α = [0.05/0.01/0.10]. Do p-value [nhỏ hơn/lớn hơn hoặc bằng] α, giả thuyết H[ ] được [ủng hộ/chưa được ủng hộ].”

Câu hỏi thường gặp

P value trong SPSS có phải là Sig. không?

Trong nhiều bảng kiểm định của SPSS, Sig. là cách phần mềm hiển thị p-value. Tuy nhiên, bạn vẫn phải xem tên bảng, dòng và loại kiểm định để biết con số đó đang kiểm tra giả thuyết nào.

P value bao nhiêu là đạt trong SPSS?

Nếu chọn α = 0.05, p-value nhỏ hơn 0.05 thường được dùng để bác bỏ H0. Đây là quy tắc ra quyết định, không phải bằng chứng rằng mọi p-value nhỏ hơn 0.05 đều có ý nghĩa thực tiễn.

SPSS hiện Sig. = 0.000 thì phải viết thế nào?

Bạn nên viết p < 0.001 hoặc Sig. < 0.001, không viết p-value bằng 0. Con số 0.000 là kết quả làm tròn của SPSS.

P value lớn có phải dữ liệu bị lỗi không?

Không. P-value lớn có thể phản ánh tác động yếu, độ phân tán lớn, cỡ mẫu chưa đủ hoặc giả thuyết không được dữ liệu ủng hộ. Bạn cần kiểm tra mã hóa, dữ liệu thiếu, outlier và giả định trước khi kết luận dữ liệu có lỗi.

Có được xóa biến để p value nhỏ hơn không?

Bạn chỉ nên loại biến khi có lý do phương pháp và lý thuyết rõ ràng, chẳng hạn biến vi phạm tiêu chí đo lường hoặc dữ liệu nhập sai. Xóa biến chỉ để đạt p-value mong muốn là khó bảo vệ và làm sai lệch quy trình phân tích.

P value có cho biết giả thuyết đúng hay sai không?

P-value giúp bạn quyết định bác bỏ hay chưa bác bỏ H0 ở một mức ý nghĩa cụ thể. Nó không xác nhận tuyệt đối giả thuyết đúng, cũng không đo độ lớn hay tầm quan trọng thực tế của mối quan hệ.

Bạn hãy mở lại file .sav, ghi tên từng bảng có cột Sig., xác định đúng giả thuyết và mức α trước khi điền kết quả vào chương 4. Nếu cần chạy và diễn giải trực tiếp trên dữ liệu của mình, M4 phân tích dữ liệu SPSS và SmartPLS thực hiện đúng bước này.