Chương 3 – Kiểm định liên hệ các biến

CHƯƠNG 3 – KIỂM ĐỊNH LIÊN HỆ CÁC BIẾN I. Kiểm định Chi-square 1. Mục đích Kiểm định xem có tồn tại mối quan hệ giữa 2 yếu tố đang nghiên cứu trong tổng thể hay không. 2. Đối tượng Biến định tính hay biến định lượng rời rạc ít giá trị. 3. Cơ sở lý thuyết Giả thiết H0: 2 biến kiểm định độc lập với nhau Giả thuyết H1: 2 biến kiểm định có liên hệ với nhau Đại lượng kiểm định là X2. Đại lượng tra bảng là X2(r-1)(c-1),α X2 > X2(r-1)(c-1),α -> bác bỏ H0 X2 ≤ X2(r-1)(c-1),α -> chọn H0 4. Kiểm định 2 biến danh nghĩa hoặc 1 danh nghĩa, 1 thứ bậc Chọn Analyze -> Descriptive Statistics -> Crosstabs… Chuyển 2 biến vào 2 ô Row và Column. Chọn Statistics và chọn Chi-square, rồi chọn Continue. Chọn Cells >ø chọn hàm thống kê theo yêu cầu > chọn Cont. Chọn OK. Đọc bảng kết quả Chi-square Tests tìm số Asymp. Sig (2-sided) ở dòng Pearson Chi-square. Sig. bác bỏ H0 Sig. ≥ 0.05 -> chọn H0 Ví dụ: Liệu chừng cách đọc báo có liên hệ với học vấn không. Kết quả: Sig. = 0.009 chọn H1. 5. Kiểm định dữ liệu thứ tự - Thao tác tương tự trên. - Nhưng trong Statistics chọn thêm 1 trong 4 thống kê Gamma, Somers’d, Kendall’s tau-b, Kendall’s tau-c. - Kết quả cần đọc là số Approx. Sig. Approx Sig. bác bỏ H0 Approx Sig. ≥ 0.05 -> chọn H0 Ví dụ: Liệu chừng học vấn có liên hệ mức quan tâm chủ đề trên báo không? Kết quả: Sig. = 0.039 chọn H1. Lưu ý  SPSS cung cấp nhiều giá trị thống kê được thiết kế để đo mức độ của quan hệ giữa hai biến định tính. Hai số đo hữu dụng là Phi và Cramer’s V.  Cramer’s V và Phi là những thống kê có quan hệ mật thiết. Trong ví dụ này, thực tế vì một trong những biến của ta chỉ có hai loại, giá trị thống kê là lý tưởng.  Cramer’s V được dùng thông dụng hơn vì nó chỉ có hai giá trị giữa 0 và 1  0 (zero) cho biết không có mối quan hệ nào  và 1 cho biết có mối quan hệ hoàn hảo. (Theo lý thuyết, giá trị của Phi không có giới hạn trên). Trong ví dụ này, Cramer’s V = 0.072  Thống kê Chi-square không phải là số đo mức độ chặt chẽ của mối quan hệ. Không thể kết luận rằng mối quan hệ giữa giới tính và mức sống là quan trọng, vì nó chỉ có ý nghĩa thống kê (tức là các thống kê này không thể hiện mức độ chặt chẽ của mối quan hệ). Khi thảo luận các kết quả cần xem xét mức độ quan hệ trong mẫu cũng như ý nghĩa của nó (và phần trăm theo dòng và cột).  Thống kê Chi-square chỉ phù hợp nếu có đầy đủ dữ liệu. Theo kinh nghiệm, nếu có hơn 20% ô có tần số kỳ vọng nhỏ hơn 5, thì Chi-Square là không thích hợp. Chú ý, kết xuất của SPSS bao gồm số quan sát (và phần trăm) của các ô với tần suất kỳ vọng nhỏ hơn 5. Trong trường hợp này, chỉ 2 trong 8 ô (25%) có tần suất kỳ vọng nhỏ hơn 5, vì vậy kiểm định Chi- Square là không thích hợp. Làm gì nếu có nhiều hơn 20% ô có tần số kỳ vọng nhỏ? II. Mối quan hệ giữa các biến định lượng  Mô tả mối quan hệ giữa hai biến định lượng  Biểu đồ phân tán (scatter) rất hữu ích trong việc mô tả mối quan hệ giữa hai biến định lượng. Theo quy ước, có thể đặt biến phụ thuộc trên trục tung và biến độc lập trên trục hoành. Không giống quy ước cho các bảng, thường bị bỏ qua, quy ước này được dùng rất rộng rãi trong các ngành khoa học xã hội. (Xem phần hồi quy tuyến tính) Thực hiện: Graph->scatter -> Definel … set Markers by  Thêm biến điều khiển định tính  Giả sử muốn biết quan hệ giữa chiều cao và cân nặng có giống nhau cho nam và nữ không? (tập thuc_hanh.sav) Cách nghiên cứu là phân biệt giữa nam và nữ trên biểu đồ phân tán. Trong cửa sổ Simple Scatterplot, hãy chuyển biến sex (giới tính) vào hộp Set Markers by (đánh dấu phân biệt theo trị của biến điều khiển này) như sau: III. Mối quan hệ giữa biến định lượng và biến định tính  Thực hiện mô tả mối quan hệ trên SPSS   hộp Dependent List (chứa các biến phụ thuộc và là biến định lượng)  hộp Factor List (chứa các yếu tố độc lập, và là biến định tính). 11684N = Thu tu sinh sinh sausinh dau P h a n u n g 30 20 10 0 102 10886 105