Chuẩn bị dữ liệu và chọn kiểm định thống kê: từ loại dữ liệu đến dòng kết quả trong luận văn
Phần mềm luôn trả về một con số, kể cả khi phép tính đó vô nghĩa. Chọn đúng kiểm định bắt đầu từ hai việc ít ai làm kỹ: xác định đúng loại dữ liệu và làm sạch ma trận dữ liệu trước khi bấm nút chạy.
Loại dữ liệu quyết định phép tính được phép dùng; mã hóa, xử lý dữ liệu khuyết và kiểm tra lỗi quyết định kết quả có đáng tin hay không; giả định của từng kiểm định quyết định nên dùng thống kê tham số hay phi tham số. Và khi đã có p-value, vẫn phải báo cáo độ lớn ảnh hưởng, vì với mẫu lớn gần như mọi khác biệt đều có ý nghĩa thống kê.
1. Loại dữ liệu và độ chính xác đo lường
Saunders và cộng sự (2023) chia dữ liệu định lượng thành hai nhóm. Dữ liệu phân loại (categorical) gồm dữ liệu định danh (nominal), trong đó dữ liệu hai giá trị gọi là dữ liệu nhị phân (dichotomous), và dữ liệu thứ bậc (ordinal). Dữ liệu số (numerical) gồm dữ liệu khoảng (interval) và tỷ lệ (ratio), hoặc chia theo cách khác thành dữ liệu liên tục và rời rạc. Độ chính xác tăng dần theo thứ tự này, và độ chính xác càng cao thì càng nhiều kỹ thuật phân tích được phép dùng.
| Loại dữ liệu | Đặc điểm | Ví dụ |
|---|---|---|
| Nhị phân | Chỉ hai nhóm | Đạt / không đạt; nam / nữ |
| Định danh | Nhiều nhóm, không xếp thứ tự được | Phương tiện đi làm; chi nhánh |
| Thứ bậc | Biết vị trí tương đối nhưng không biết khoảng cách | Mức đồng ý trên thang Likert; xếp hạng |
| Khoảng | Tính được hiệu số, không tính được tỷ số vì không có điểm 0 thực | Nhiệt độ độ C |
| Tỷ lệ | Tính được cả hiệu số và tỷ số | Doanh thu, lợi nhuận, số năm công tác |
Sách đưa ra hai lý do vì sao phải xác định đúng loại dữ liệu. Thứ nhất, phần mềm rất dễ tính ra những thống kê không phù hợp: trong một ví dụ, học viên tính giá trị trung bình 3,74 cho biến "khách sạn" được mã hóa từ 1 đến 6, một con số không có nghĩa gì; với dữ liệu định danh chỉ có yếu vị (mode) là phù hợp. Thứ hai, dữ liệu chính xác có thể gộp lại thành dữ liệu kém chính xác hơn, nhưng không thể làm điều ngược lại. Vì vậy nếu chưa chắc cần mức độ chính xác nào, nên thu thập ở mức cao nhất có thể (Saunders et al., 2023).
Saunders và cộng sự (2023) xếp câu hỏi mức độ đồng ý vào dữ liệu thứ bậc, đồng thời ghi nhận một số nhà nghiên cứu cho rằng khi khoảng cách giữa các mức có thể xem là tương đương, dữ liệu này có thể được phân tích như dữ liệu khoảng. Khi cộng nhiều mục thành điểm tổng hợp, giả định dữ liệu khoảng thường được chấp nhận. Điều quan trọng là nêu rõ giả định đó trong chương phương pháp.
2. Mã hóa dữ liệu và codebook
Trừ một vài ngoại lệ, dữ liệu nên được ghi bằng mã số cho từng biến, giúp việc mã hóa lại và tạo biến mới thuận tiện hơn (Saunders et al., 2023). Với các biến như ngành nghề, nghề nghiệp hay nhóm xã hội, sách khuyên dùng các hệ thống mã có sẵn vì chúng tiết kiệm thời gian, đã được kiểm nghiệm và cho phép so sánh với nghiên cứu khác.
Với câu hỏi mở, nên chờ có dữ liệu từ 50 đến 100 trường hợp đầu tiên rồi mới xây dựng hệ thống mã, gọi là codebook. Quy trình gồm năm bước:
Xác định nhóm lớn
Đọc dữ liệu và xác lập các nhóm chính.
Chia nhóm con
Chia nhỏ dần theo yêu cầu của phân tích dự kiến.
Gán mã
Gán mã cho mọi nhóm ở mức chi tiết nhất cần dùng.
Ghi lại câu trả lời thực tế
Ghi những câu trả lời được xếp vào từng nhóm, tạo thành codebook.
Đặt mã liền kề
Các nhóm có thể cần gộp nên được gán mã liền nhau để dễ mã hóa lại.
Để kiểm tra codebook có áp dụng nhất quán được không, hai người mã hóa độc lập cùng một phần dữ liệu rồi so sánh. Tỷ lệ đồng thuận bằng số lần đồng ý chia cho số đoạn được mã hóa, nhân 100. Theo McHugh (dẫn theo Saunders et al., 2023), mức từ 80% trở lên thường được chấp nhận; hệ số kappa của Cohen là thước đo chặt chẽ hơn cho hai người mã hóa.
3. Dữ liệu khuyết
Khi một trường hợp có ít nhất một phần dữ liệu, mọi biến của trường hợp đó đều phải có mã, kể cả mã cho dữ liệu khuyết; mã này còn có thể dùng để ghi lý do khuyết. Nếu dữ liệu khuyết theo một quy luật, ví dụ tập trung ở một câu hỏi hoặc một nhóm người trả lời, kết quả khó đại diện cho tổng thể và không được bỏ qua. Nếu dữ liệu khuyết ngẫu nhiên, ảnh hưởng đến tính đại diện thường không đáng kể (Saunders et al., 2023, dựa trên Little và Rubin).
Các lý do dữ liệu khuyết trong bảng hỏi gồm: câu hỏi được bỏ qua theo câu lọc, người trả lời từ chối, không hiểu câu hỏi, không biết hoặc không có ý kiến, và bỏ sót do nhầm lẫn. Sách lưu ý trường hợp "không biết" đôi khi được xem như một câu trả lời, đôi khi được xem là dữ liệu khuyết, nên cần quyết định trước và áp dụng nhất quán.
Xóa toàn bộ phiếu có ô trống là lựa chọn đơn giản nhất nhưng có thể làm lệch mẫu nếu dữ liệu không khuyết ngẫu nhiên. Trước khi xử lý, hãy xem dữ liệu khuyết tập trung ở câu nào, nhóm nào, và báo cáo cách xử lý trong chương phương pháp.
4. Ma trận dữ liệu, kiểm tra lỗi và trọng số
Hầu hết phần mềm nhận dữ liệu dạng ma trận: mỗi cột là một biến, mỗi dòng là một trường hợp. Một câu hỏi trong bảng hỏi không nhất thiết là một cột. Với câu hỏi chọn nhiều đáp án, có hai cách mã hóa: nhiều phản hồi (multiple-response), dùng số biến bằng số câu trả lời tối đa của một người, và nhiều lưỡng phân (multiple-dichotomy), mỗi lựa chọn là một biến có hoặc không. Cách thứ hai dễ đếm nhưng tạo nhiều biến khi số lựa chọn lớn (Saunders et al., 2023, tr. 586–588).
Sách khuyên gắn nhãn biến và nhãn giá trị bằng đúng câu chữ trong bảng hỏi, lưu dữ liệu thường xuyên và giữ nhiều bản sao lưu an toàn. Sau đó kiểm tra lỗi theo ba cách:
- Tìm mã không hợp lệ, ví dụ giá trị 7 trên thang 5 điểm, chữ O thay cho số 0.
- Tìm quan hệ phi lý, ví dụ nghề "quản lý cấp cao" nhưng mô tả công việc là lao động chân tay.
- Kiểm tra quy tắc câu lọc: người đã bị lọc bỏ thì các câu sau phải là dữ liệu khuyết.
Mỗi trường hợp cần một mã định danh duy nhất để đối chiếu ma trận với phiếu gốc. Sách nhấn mạnh việc kiểm tra dữ liệu tốn thời gian nên hay bị bỏ qua, nhưng bỏ qua thì rất nguy hiểm vì có thể dẫn đến kết luận sai.
Trọng số khi tỷ lệ hồi đáp giữa các tầng khác nhau
Với mẫu phân tầng có tỷ lệ hồi đáp khác nhau giữa các tầng, có thể gán trọng số cho mỗi trường hợp:
Trọng số = tỷ lệ hồi đáp cao nhất trong các tầng / tỷ lệ hồi đáp của tầng đang tính
Ví dụ trong sách: tầng trên có tỷ lệ hồi đáp 90%, tầng dưới 65%; trọng số tầng trên là 1, tầng dưới là 90/65 = 1,38. Sách cũng lưu ý một số tác giả đặt nghi vấn về việc suy luận thống kê từ mẫu đã gán trọng số (Saunders et al., 2023, tr. 589–590).
5. Giả định của kiểm định và kiểm tra phân phối chuẩn
Thống kê phi tham số được thiết kế chủ yếu cho dữ liệu phân loại; thống kê tham số dùng cho dữ liệu số và mạnh hơn, nhưng đòi hỏi các giả định: các trường hợp độc lập với nhau, dữ liệu lấy từ tổng thể có phân phối chuẩn, các tổng thể có phương sai bằng nhau, và dữ liệu là dữ liệu số (Saunders et al., 2023, tr. 614).
Phân phối chuẩn có thể kiểm tra bằng đồ thị (histogram, box plot, đa giác tần số) hoặc bằng kiểm định Kolmogorov–Smirnov và Shapiro–Wilk. Với cả hai kiểm định, p ≤ 0,05 nghĩa là dữ liệu khó có phân phối chuẩn. Tuy nhiên, với mẫu rất lớn, chênh lệch nhỏ so với phân phối chuẩn cũng có ý nghĩa thống kê, nên nên kết hợp với đồ thị để quyết định (Saunders et al., 2023, tr. 615).
Phần mềm làm tròn số, nên giá trị "0,000" phải được báo cáo là p < 0,001. Sách đưa ví dụ cách báo cáo kiểm định phân phối chuẩn: D = 0,201, df = 674, p < 0,001; W = 0,815, df = 674, p < 0,001 (Saunders et al., 2023, tr. 617).
6. Kiểm định giả thuyết và ý nghĩa thực tiễn
Kiểm định giả thuyết bắt đầu từ giả thuyết không (H0), ví dụ "không có mối liên hệ giữa…". Phần mềm trả về giá trị thống kê, bậc tự do và p-value. Theo Wasserstein và Lazar (2016), p-value là xác suất giá trị thống kê kiểm định bằng hoặc cực đoan hơn giá trị quan sát được, với các giả định của kiểm định. Khi p nhỏ hơn ngưỡng đặt trước (thường 0,05), dữ liệu cho bằng chứng chống lại H0. Tuyên bố của Hiệp hội Thống kê Hoa Kỳ do Wasserstein và Lazar (2016) công bố nhấn mạnh rằng kết luận không nên chỉ dựa vào việc p-value vượt qua một ngưỡng; thiết kế nghiên cứu, chất lượng dữ liệu và bằng chứng bên ngoài cũng cần được xem xét.
Giả thuyết có hướng (ví dụ "lớn hơn") dùng xác suất một phía; giả thuyết không có hướng dùng xác suất hai phía (Saunders et al., 2023, tr. 618).
Ý nghĩa thống kê và ý nghĩa thực tiễn
Mẫu nhỏ làm kiểm định kém nhạy, mẫu rất lớn làm kiểm định quá nhạy, đến mức gần như mọi khác biệt đều có ý nghĩa thống kê. Vì vậy nếu dự kiến hiệu ứng nhỏ thì cần mẫu lớn hơn, và nếu mẫu lớn cho kết quả có ý nghĩa thì cần tính chỉ số độ lớn ảnh hưởng (effect size) để đánh giá ý nghĩa thực tiễn (Saunders et al., 2023).
Sai lầm loại I và loại II
Sai lầm loại I là bác bỏ H0 khi H0 đúng, tức kết luận có quan hệ khi thực ra không có; mức ý nghĩa chính là xác suất mắc sai lầm này. Sai lầm loại II là không bác bỏ H0 khi lẽ ra phải bác bỏ. Giảm mức ý nghĩa từ 0,05 xuống 0,01 làm giảm sai lầm loại I nhưng tăng sai lầm loại II; các nhà nghiên cứu thường xem sai lầm loại I nghiêm trọng hơn (Saunders et al., 2023, tr. 618–619).
7. Bảng chọn kiểm định theo loại dữ liệu
| Mục đích | Dữ liệu phân loại | Dữ liệu số |
|---|---|---|
| Kiểm tra phân phối chuẩn | Không áp dụng | Kolmogorov–Smirnov, Shapiro–Wilk |
| Hai biến có độc lập không | Chi bình phương (có thể cần gộp nhóm) | Chi bình phương nếu gộp thành nhóm |
| Mức độ liên hệ giữa hai biến | Cramer's V; Phi (hai biến nhị phân) | Không áp dụng |
| Hai nhóm có khác nhau không | Kolmogorov–Smirnov hoặc Mann–Whitney U (dữ liệu thứ bậc) | t-test độc lập hoặc t-test cặp; Mann–Whitney U nếu lệch hoặc mẫu nhỏ |
| Ba nhóm trở lên có khác nhau không | Không áp dụng | ANOVA một yếu tố |
| Độ mạnh quan hệ giữa hai biến | Spearman's rho hoặc Kendall's tau (dữ liệu thứ bậc) | Hệ số tương quan Pearson |
| Độ mạnh quan hệ nhân quả | Không áp dụng | r² (một biến độc lập), R² (nhiều biến độc lập) |
| Dự báo biến phụ thuộc | Không áp dụng | Phương trình hồi quy |
8. Điều kiện cụ thể của từng kiểm định
| Kiểm định | Điều kiện chính | Nếu không đạt |
|---|---|---|
| Chi bình phương | Các nhóm loại trừ nhau; không quá 25% số ô có tần số kỳ vọng nhỏ hơn 5; với bảng 2×2, tốt hơn là không ô nào có tần số kỳ vọng nhỏ hơn 10 | Gộp dòng, cột khi việc gộp có ý nghĩa |
| t-test | Dữ liệu phân phối chuẩn; giả định này có thể bỏ qua khi mẫu đủ lớn. Giả định phương sai bằng nhau có thể bỏ qua nếu hai nhóm có cỡ tương đương | Mann–Whitney U khi dữ liệu lệch hoặc mẫu nhỏ |
| ANOVA một yếu tố | Các giá trị độc lập; phân phối chuẩn trong từng nhóm (ít quan trọng nếu mỗi nhóm từ 30 trường hợp); phương sai bằng nhau (ít ảnh hưởng nếu nhóm lớn nhất không quá 1,5 lần nhóm nhỏ nhất) | Không dùng khi đo lặp lại trên cùng trường hợp |
| Tương quan Pearson | Cả hai biến là dữ liệu số; mẫu chọn ngẫu nhiên; phân phối chuẩn | Spearman hoặc Kendall khi có biến thứ bậc |
| Hồi quy | Quan hệ tuyến tính; phương sai đồng nhất; không đa cộng tuyến; phần dư phân phối chuẩn | Xử lý ngoại lai, biến đổi biến, tham khảo tài liệu đa biến chuyên sâu |
Đọc hệ số tương quan
Hình 12.15 của sách, phát triển từ Hair và cộng sự, đưa ra cách diễn giải: khoảng 0,2 là yếu, 0,35 là trung bình, 0,6 là mạnh, 0,8 là rất mạnh, và 1 là hoàn hảo; chiều âm tương tự (Saunders et al., 2023, tr. 627). Hệ số tương quan chỉ cho biết hai biến cùng biến động, không cho biết biến nào là nguyên nhân.
Đa cộng tuyến trong hồi quy
Theo Hair và cộng sự (dẫn theo Saunders et al., 2023, tr. 633), tương quan giữa các biến độc lập từ 0,90 trở lên cho thấy đa cộng tuyến đáng kể; tolerance từ 0,10 trở xuống hoặc VIF từ 10 trở lên cho thấy đa cộng tuyến cao. Kiểm định Levene dùng để kiểm tra phương sai đồng nhất, và đồ thị phần dư dùng để kiểm tra tính tuyến tính và phân phối chuẩn của sai số.
Ngưỡng VIF 10 ở trên là cho hồi quy bội. Trong PLS-SEM, các tài liệu hướng dẫn thường dùng ngưỡng chặt hơn; khi báo cáo, hãy dẫn đúng nguồn của ngưỡng mà bạn áp dụng thay vì dùng một con số chung cho mọi kỹ thuật.
9. Mẫu báo cáo, lỗi thường gặp và checklist
Đoạn mẫu cho phần xử lý dữ liệu
Dữ liệu được nhập vào [phần mềm] dưới dạng ma trận, mỗi phiếu được gán một mã định danh. Dữ liệu được kiểm tra mã không hợp lệ, quan hệ phi lý và quy tắc câu lọc; [số] lỗi được phát hiện và sửa đối chiếu với phiếu gốc. Dữ liệu khuyết chiếm [tỷ lệ]%, tập trung ở [câu hỏi/nhóm] và được xử lý bằng [phương pháp]. Các thang đo Likert [số] điểm được xem là dữ liệu khoảng khi tính điểm tổng hợp. Kiểm định Shapiro–Wilk cho thấy [biến] [có/không] phân phối chuẩn [W = …, df = …, p …], vì vậy nghiên cứu sử dụng [kiểm định tham số/phi tham số]. Kết quả được báo cáo kèm giá trị thống kê, bậc tự do, p-value và độ lớn ảnh hưởng.
| Cách làm yếu | Vấn đề | Cách làm tốt hơn |
|---|---|---|
| Báo cáo trung bình của biến định danh như ngành học, nơi làm việc | Phép tính vô nghĩa với dữ liệu định danh | Báo cáo tần số, tỷ lệ, yếu vị |
| Ghi "p = 0,000" | Xác suất không thể bằng 0 | Ghi p < 0,001 |
| Chỉ báo cáo p-value | Mẫu lớn khiến khác biệt nhỏ cũng có ý nghĩa | Báo cáo kèm độ lớn ảnh hưởng |
| Chạy chi bình phương khi nhiều ô có tần số kỳ vọng dưới 5 | Vi phạm điều kiện của kiểm định | Gộp nhóm có ý nghĩa rồi chạy lại |
| Không kiểm tra lỗi trước khi phân tích | Lỗi nhập liệu dẫn đến kết luận sai | Kiểm tra mã, quan hệ phi lý và câu lọc |
| Xóa mọi phiếu có ô trống mà không xem quy luật | Có thể làm lệch mẫu | Phân tích quy luật dữ liệu khuyết rồi mới chọn cách xử lý |
Checklist trước khi chạy phân tích
- Mỗi biến đã được xác định loại dữ liệu và gắn nhãn đúng câu chữ trong bảng hỏi.
- Có codebook cho câu hỏi mở và đã kiểm tra độ đồng thuận giữa người mã hóa.
- Có mã riêng cho dữ liệu khuyết và đã xem quy luật của dữ liệu khuyết.
- Đã kiểm tra mã không hợp lệ, quan hệ phi lý và quy tắc câu lọc.
- Đã kiểm tra phân phối chuẩn bằng cả kiểm định và đồ thị.
- Kiểm định được chọn khớp với loại dữ liệu và đạt các điều kiện áp dụng.
- Kết quả được báo cáo với giá trị thống kê, bậc tự do, p-value và độ lớn ảnh hưởng.
Kết luận
Phần lớn sai sót trong phân tích định lượng không nằm ở kỹ thuật phức tạp mà ở những bước đầu tiên: gọi sai loại dữ liệu, không kiểm tra lỗi nhập liệu, bỏ qua dữ liệu khuyết và chọn kiểm định mà không xem điều kiện áp dụng.
Một chương kết quả thuyết phục cho người đọc thấy cả quá trình chuẩn bị dữ liệu, lý do chọn từng kiểm định, và cả ý nghĩa thống kê lẫn ý nghĩa thực tiễn của từng phát hiện.
Tài liệu tham khảo
- Saunders, M. N. K., Lewis, P., & Thornhill, A. (2023). Research methods for business students (9th ed.). Pearson.
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Bài viết tổng hợp từ các nguồn học thuật được liệt kê ở trên nhằm mục đích tham khảo phương pháp. Các ngưỡng thống kê chỉ là quy tắc kinh nghiệm; người đọc nên đối chiếu với yêu cầu của cơ sở đào tạo và tạp chí mục tiêu.
