Trong phần mềm SPSS (và trong thống kê nói chung), hai thuật ngữ hệ số Sig. và hệ số p-value thực chất chỉ là một, chỉ khác nhau ở cách thể hiện tên gọi.
Khi bạn thực hiện các phép kiểm định thống kê trong SPSS — chẳng hạn như Independent Samples T-Test, ANOVA, Regression hay Correlation — bạn sẽ thấy xuất hiện một cột hoặc ô có tên Sig. hoặc Sig. (2-tailed).
Đây chính là p-value, hay còn gọi là mức ý nghĩa thống kê (statistical significance level).
Giá trị này cho biết xác suất để kết quả kiểm định xảy ra do ngẫu nhiên. Dựa vào p-value, ta quyết định chấp nhận hay bác bỏ giả thuyết H₀ (giả thuyết không có sự khác biệt hoặc không có mối quan hệ). Nói cách khác, Sig. = p-value, và nó là yếu tố quan trọng giúp xác định xem kết quả kiểm định có “ý nghĩa thống kê” hay không.
1. Khái niệm cơ bản về hệ số Sig. (p-value)
P-value (viết tắt của Probability Value), hay còn gọi là hệ số Sig. (viết tắt của Significance), là một đại lượng thống kê dùng để đánh giá mức độ ý nghĩa của kết quả kiểm định giả thuyết.
Nói cách khác, nó cho biết xác suất xảy ra sai lầm khi ta bác bỏ giả thuyết gốc H₀ trong khi H₀ thực ra là đúng (giả thuyết đối là H₁).
Hiểu đơn giản, hệ số Sig. thể hiện mức độ tin cậy của kết quả kiểm định, có giá trị dao động từ 0 đến 1:
-
Sig. nhỏ → xác suất sai lầm khi bác bỏ H₀ rất thấp → kết quả có ý nghĩa thống kê.
-
Sig. lớn → chưa đủ bằng chứng để bác bỏ H₀ → kết quả không có ý nghĩa thống kê.
Trong thực tế, ta thường so sánh giá trị Sig. với mức ý nghĩa α (alpha) – thường lấy là 0.05:
-
Nếu Sig. ≤ 0.05 → Bác bỏ H₀, nghĩa là có ý nghĩa thống kê.
-
Nếu Sig. > 0.05 → Chấp nhận H₀, tức là kết quả không có ý nghĩa thống kê.
Các phần mềm phân tích như AMOS, SmartPLS, Stata thường hiển thị là p-value, trong khi SPSS dùng ký hiệu Sig.. Một số bảng kết quả trong SPSS còn thể hiện cụ thể hơn là Sig. (2-tailed) hoặc Sig. (1-tailed), tùy thuộc vào loại kiểm định.
2. Sự khác biệt giữa Sig. (2-tailed) và Sig. (1-tailed)
Trong một số phép kiểm định, SPSS hiển thị hai dạng giá trị: Sig. (2-tailed) và Sig. (1-tailed). Sự khác biệt nằm ở hướng giả thuyết và vùng kiểm định:
a. Sig. (2-tailed) – Kiểm định hai phía
Dùng khi giả thuyết thay thế H₁ không có hướng cụ thể, tức là chỉ cần biết “có sự khác biệt” hoặc “có tương quan”, nhưng không biết lớn hơn hay nhỏ hơn.
Ví dụ:
-
H₀: μ₁ = μ₂
-
H₁: μ₁ ≠ μ₂
Khi đó, ta sử dụng Sig. (2-tailed) vì kết quả có thể lệch về cả hai phía (lớn hơn hoặc nhỏ hơn). Đây là loại kiểm định thông dụng và an toàn nhất trong SPSS, vì đảm bảo tính khách quan và hạn chế sai sót.
b. Sig. (1-tailed) – Kiểm định một phía
Dùng khi giả thuyết thay thế H₁ có hướng rõ ràng, ví dụ ta kỳ vọng một nhóm có giá trị lớn hơn nhóm kia hoặc tương quan dương/âm cụ thể.
Ví dụ:
-
H₀: μ₁ ≤ μ₂
-
H₁: μ₁ > μ₂
Trong trường hợp này, chỉ xét một phía của phân phối, nên Sig. (1-tailed) = ½ Sig. (2-tailed). Kiểm định một phía mạnh hơn nếu giả thuyết có hướng đúng, nhưng rủi ro cao hơn nếu hướng giả định sai.
| Đặc điểm | Sig. (1-tailed) | Sig. (2-tailed) |
|---|---|---|
| Hướng giả thuyết | Có hướng (>, <) | Không có hướng (≠) |
| Vùng kiểm định | Một phía | Hai phía |
| Giá trị p | Bằng ½ của 2-tailed | Lớn gấp đôi 1-tailed |
| Mức độ chặt chẽ | Ít chặt hơn | Chặt chẽ hơn |
| Ứng dụng trong SPSS | Khi giả thuyết có hướng | Mặc định, phổ biến nhất |
3. Hệ số Sig. trong các phép phân tích cụ thể của SPSS
a. Kiểm định T-Test
Ví dụ với Paired-Samples T-Test, đây là phép kiểm định thống kê dùng để so sánh giá trị trung bình của cùng một nhóm đối tượng ở hai thời điểm hoặc hai điều kiện khác nhau.
Giả thuyết kiểm định:
-
H₀: Không có sự khác biệt trung bình giữa hai khảo sát.
-
H₁: Có sự khác biệt trung bình giữa hai khảo sát.
Trong bảng kết quả Paired Samples Test, nếu giá trị Sig. = 0.000 < 0.05, ta bác bỏ H₀, nghĩa là có sự khác biệt có ý nghĩa thống kê giữa hai biến (ví dụ: KhaoSat1 và KhaoSat2).
b. Phân tích tương quan Pearson (Pearson Correlation)
Phân tích tương quan Pearson giúp xác định mức độ và chiều hướng của mối quan hệ tuyến tính giữa hai biến.
Giả thuyết kiểm định:
-
H₀: Không có mối tương quan giữa hai biến (ví dụ: F_LD và F_HL).
-
H₁: Có mối tương quan giữa hai biến.
Nếu trong bảng Correlation, giá trị Sig. = 0.000 < 0.05, ta bác bỏ H₀, kết luận rằng giữa F_LD và F_HL tồn tại mối tương quan có ý nghĩa thống kê.
c. Phân tích hồi quy (Regression Analysis)
Phân tích hồi quy giúp kiểm tra mức độ ảnh hưởng của biến độc lập lên biến phụ thuộc.
Giả thuyết kiểm định:
-
H₀: Biến độc lập không có tác động lên biến phụ thuộc.
-
H₁: Biến độc lập có tác động lên biến phụ thuộc.
Ví dụ: Xét tác động của biến độc lập F_DN lên biến phụ thuộc F_HL.
Trong bảng Coefficients, giá trị Sig. = 0.777 > 0.05, ta chấp nhận H₀, nghĩa là không có sự tác động có ý nghĩa thống kê từ F_DN lên F_HL.
4. Cách diễn giải giá trị Sig. (p-value) trong SPSS
| Giá trị Sig. (p-value) | Mức ý nghĩa | Diễn giải |
|---|---|---|
| Sig. < 0.001 | *** | Rất có ý nghĩa thống kê (99.9%) |
| Sig. < 0.01 | ** | Có ý nghĩa ở mức 99% |
| Sig. < 0.05 | * | Có ý nghĩa ở mức 95% |
| Sig. ≥ 0.05 | Không có ý nghĩa thống kê |
Trong mọi phép kiểm định, ta luôn bắt đầu với hai giả thuyết cơ bản:
-
H₀ (Giả thuyết gốc): Không có sự khác biệt / Không có mối quan hệ.
-
H₁ (Giả thuyết thay thế): Có sự khác biệt / Có mối quan hệ.
Dựa trên giá trị Sig. (p-value) mà SPSS tính được:
-
Sig. < 0.05: → Bác bỏ H₀, chấp nhận H₁ → Kết quả có ý nghĩa thống kê.
-
Sig. ≥ 0.05: → Không bác bỏ H₀ → Kết quả không có ý nghĩa thống kê.
Lưu ý: P-value không thể hiện mức độ mạnh yếu của tác động, mà chỉ cho biết liệu tác động đó có tồn tại thực sự hay không (tức là có ý nghĩa về mặt thống kê).
Nếu bạn gặp các vấn đề về kiểm định không đạt ở T-test, Hồi quy, Tương quan, Chi bình phương,… do sig > 0.05. Bạn có thể tham khảo dịch vụ xử lý số liệu SPSS của Xử Lý Định Lượng để team có thể hỗ trợ bạn xử lý nhanh và hiệu quả nhất.
