Trong phần mềm SPSS cũng như trong lĩnh vực thống kê nói chung, hệ số Sig. và p-value thực chất là cùng một khái niệm, sự khác biệt chỉ nằm ở cách ký hiệu và trình bày. Cả hai đều được sử dụng để biểu thị mức ý nghĩa thống kê của một kiểm định, phản ánh xác suất quan sát được kết quả nghiên cứu (hoặc kết quả cực đoan hơn) trong trường hợp giả thuyết không có tác động là đúng.
Trong quá trình phân tích dữ liệu bằng SPSS, đặc biệt khi thực hiện các kiểm định thống kê phổ biến như kiểm định t cho hai mẫu độc lập (Independent Sample T-test), phân tích phương sai (ANOVA), hồi quy (Regression) hay phân tích tương quan (Correlation), người nghiên cứu thường gặp cột hoặc giá trị có nhãn Sig. hoặc Sig. (2-tailed). Giá trị này chính là p-value, còn được gọi là mức ý nghĩa thống kê, đóng vai trò then chốt trong việc đánh giá liệu kết quả kiểm định có đủ cơ sở thống kê để bác bỏ giả thuyết không hay không.
1. Khái niệm cơ bản về hệ số Sig. (p-value)
P-value (Probability Value), còn được gọi là hệ số Sig. (Significance), là một chỉ tiêu thống kê được sử dụng phổ biến trong kiểm định giả thuyết. Chỉ số này phản ánh xác suất xảy ra sai lầm loại I, tức là khả năng bác bỏ giả thuyết gốc H₀ trong khi giả thuyết H₀ thực tế là đúng (giả thuyết đối là H₁).
Theo cách diễn giải đơn giản, hệ số Sig. thể hiện mức độ tin cậy của kết quả kiểm định thống kê, với giá trị nằm trong khoảng từ 0 đến 1.
- Sig. có giá trị càng nhỏ cho thấy xác suất mắc sai lầm khi bác bỏ giả thuyết gốc càng thấp, từ đó kết quả kiểm định được xem là có ý nghĩa thống kê.
- Sig. có giá trị càng lớn cho thấy chưa có đủ bằng chứng thống kê để bác bỏ giả thuyết gốc, và kết quả kiểm định không đạt ý nghĩa thống kê.
Trong thực hành nghiên cứu, hệ số Sig. thường được so sánh với mức ý nghĩa α, phổ biến nhất là 0.05, để đưa ra kết luận kiểm định.
- Nếu Sig. < 0.05 thì giả thuyết gốc H₀ bị bác bỏ và kết quả được xem là có ý nghĩa thống kê.
- Nếu Sig. ≥ 0.05 thì giả thuyết gốc H₀ được chấp nhận và kết quả không có ý nghĩa thống kê.
Trong các phần mềm phân tích dữ liệu như AMOS, SmartPLS hoặc Stata, chỉ số này thường được ký hiệu là p-value, trong khi SPSS sử dụng ký hiệu Sig.. Một số bảng kết quả trong SPSS trình bày Sig. (2-tailed) hoặc Sig. (1-tailed). Trường hợp chỉ hiển thị Sig. mà không phân biệt hai dạng này thì giá trị đó được hiểu là Sig. (2-tailed).
2. Sự khác biệt giữa Sig. (2-tailed) và Sig. (1-tailed)
Trong các bảng kết quả phân tích của phần mềm SPSS, ngoài chỉ số Sig. thông thường, đôi khi người nghiên cứu sẽ gặp các ký hiệu Sig. (2-tailed) hoặc Sig. (1-tailed), phản ánh bản chất của loại kiểm định giả thuyết được sử dụng.
a. Sig. (2-tailed) – Kiểm định hai phía
Sig. (2-tailed) được áp dụng trong trường hợp giả thuyết thay thế H₁ không xác định rõ chiều hướng tác động, tức là nhà nghiên cứu chỉ quan tâm đến sự tồn tại của khác biệt hoặc mối liên hệ, mà không giả định trước chiều lớn hơn hay nhỏ hơn.
Ví dụ, trong kiểm định sự khác biệt trung bình giữa hai nhóm:
H₀: μ₁ = μ₂
H₁: μ₁ ≠ μ₂
Trong trường hợp này, khả năng sai lệch có thể xảy ra theo cả hai chiều, do đó kiểm định hai phía được sử dụng và giá trị Sig. (2-tailed) là phù hợp. Đây là dạng kiểm định được sử dụng phổ biến nhất trong SPSS do tính khách quan cao và hạn chế rủi ro suy luận sai.
b. Sig. (1-tailed) – Kiểm định một phía
Sig. (1-tailed) được sử dụng khi giả thuyết thay thế H₁ đã xác định rõ chiều hướng, chẳng hạn như kỳ vọng một nhóm có giá trị trung bình lớn hơn nhóm còn lại, hoặc mối tương quan mang chiều dương hoặc âm cụ thể.
Ví dụ, trong kiểm định trung bình giữa hai nhóm:
H₀: μ₁ ≤ μ₂
H₁: μ₁ > μ₂
Trong tình huống này, vùng bác bỏ giả thuyết chỉ nằm ở một phía của phân phối xác suất. Do đó, giá trị Sig. (1-tailed) tương đương với một nửa giá trị Sig. (2-tailed). Kiểm định một phía có độ mạnh thống kê cao hơn nếu giả định về chiều hướng là chính xác, tuy nhiên mức độ rủi ro sẽ tăng lên nếu giả thuyết về hướng tác động không đúng với thực tế.
So sánh đặc điểm giữa hai loại kiểm định:
| Đặc điểm | Sig. (1-tailed) | Sig. (2-tailed) |
|---|---|---|
| Định hướng giả thuyết | Giả thuyết có định hướng (>, <) | Giả thuyết không định hướng (≠) |
| Phạm vi kiểm định | Kiểm định một phía | Kiểm định hai phía |
| Giá trị p | Bằng một nửa giá trị Sig. (2-tailed) | Gấp đôi giá trị Sig. (1-tailed) |
| Mức độ nghiêm ngặt | Ít nghiêm ngặt hơn | Nghiêm ngặt hơn |
| Cách sử dụng trong SPSS | Áp dụng khi giả thuyết nghiên cứu có hướng | Mặc định, thông dụng |
3. Hệ số Sig. trong các phân tích cụ thể của SPSS
a. Kiểm định T-Test
Xét trường hợp kiểm định Paired-Sample T Test, đây là một phương pháp kiểm định thống kê được sử dụng nhằm so sánh giá trị trung bình của cùng một nhóm đối tượng tại hai thời điểm khác nhau hoặc dưới hai điều kiện đo lường khác nhau.
Trong ví dụ minh họa bên dưới:
Giả thuyết H₀: Không tồn tại sự khác biệt về giá trị trung bình giữa hai lần khảo sát.
Giả thuyết H₁: Tồn tại sự khác biệt về giá trị trung bình giữa hai lần khảo sát.
Cụ thể, giá trị Sig. trong bảng Paired Samples Test bằng 0.000 và nhỏ hơn mức ý nghĩa 0.05, do đó bác bỏ giả thuyết H₀. Kết quả này cho thấy tồn tại sự khác biệt có ý nghĩa thống kê về giá trị trung bình giữa hai biến KhaoSat1 và KhaoSat2.
b. Phân tích tương quan Pearson Correlation
Phân tích tương quan Pearson được sử dụng để xác định mức độ và chiều hướng của mối quan hệ tuyến tính giữa hai biến định lượng.
Trong ví dụ minh họa bên dưới, xét mối tương quan giữa hai biến F_LD và F_HL:
Giả thuyết H₀: Không tồn tại mối tương quan tuyến tính giữa F_LD và F_HL.
Giả thuyết H₁: Tồn tại mối tương quan tuyến tính giữa F_LD và F_HL.
Kết quả cho thấy giá trị Sig. trong bảng Correlation của cặp biến F_LD và F_HL bằng 0.000, nhỏ hơn 0.05, do đó bác bỏ giả thuyết H₀. Điều này cho thấy giữa F_LD và F_HL tồn tại mối tương quan có ý nghĩa thống kê.
c. Phân tích hồi quy Regression
Phân tích hồi quy tuyến tính được sử dụng nhằm đánh giá mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc trong mô hình nghiên cứu.
Trong ví dụ minh họa bên dưới, xem xét sự tác động của biến độc lập F_DN đối với biến phụ thuộc F_HL:
Giả thuyết H₀: Biến F_DN không có tác động đến biến F_HL.
Giả thuyết H₁: Biến F_DN có tác động đến biến F_HL.
Kết quả cho thấy giá trị Sig. của biến F_DN trong bảng Coefficients bằng 0.777, lớn hơn 0.05, do đó chấp nhận giả thuyết H₀. Điều này cho thấy không có bằng chứng thống kê để khẳng định biến F_DN có tác động đến biến F_HL.
4. Các mức diễn giải phổ biến của p-value (Sig.) trong SPSS
| Giá trị p-value | Ký hiệu | Diễn giải |
|---|---|---|
| p < 0.001 | *** | Rất có ý nghĩa thống kê (độ tin cậy 99,9%) |
| p < 0.01 | ** | Có ý nghĩa thống kê cao (độ tin cậy 99%) |
| p < 0.05 | * | Có ý nghĩa thống kê (độ tin cậy 95%) |
| p ≥ 0.05 | - | Không có ý nghĩa thống kê |
Trong mọi kiểm định thống kê, quá trình phân tích luôn được xây dựng dựa trên hai giả thuyết cơ bản.
- Giả thuyết gốc (H₀) cho rằng không tồn tại sự khác biệt hoặc không có mối quan hệ giữa các biến nghiên cứu.
- Giả thuyết thay thế (H₁) cho rằng có sự khác biệt hoặc tồn tại mối quan hệ giữa các biến.
SPSS tính toán p-value nhằm hỗ trợ nhà nghiên cứu đưa ra quyết định lựa chọn giữa hai giả thuyết này.
- Nếu Sig. < 0.05, giả thuyết gốc bị bác bỏ và giả thuyết thay thế được chấp nhận, cho thấy kết quả nghiên cứu có ý nghĩa thống kê.
- Nếu Sig. ≥ 0.05, không có đủ cơ sở để bác bỏ giả thuyết gốc và kết quả được xem là không có ý nghĩa thống kê.
Cần lưu ý rằng: p-value không phản ánh mức độ mạnh hay yếu của tác động, mà chỉ cho biết liệu tác động đó có tồn tại về mặt thống kê hay không.