So sánh T-Test

T test và anova có cùng mục đích là kiểm định sự khác biệt về giá trị trung bình giữa các nhóm được test. Cụ thể ở đây là Independent sample t test và Oneway anova.

Ví dụ cần sử dụng t test và anova để kiểm định

Ví dụ 1 :Cần kiểm định về sự Hài Lòng trong công việc giữa hai nhóm giới tính Nam/Nữ. Mục đích là xem nhóm giới tính nào hài lòng trong công việc hơn, nghĩa là nhóm đó có điểm trung bình về Hài Lòng cao hơn nhóm còn lại
Ví dụ 2 :Hoặc kiểm định về sự Hài Lòng trong công việc giữa giữa 3 nhóm tuổi: Compare Means -> Independent-samples T-test

Chọn biến định lượng cần kiểm định trị trung bình đưa vào khung Test Variable[s].

Chọn biến định tính chia số quan sát thành 2 nhóm mẫu để so sánh giữa 2 nhóm này với nhau đưa vào khung Grouping Variable.

Chọn Define Groups để nhập mã số của 2 nhóm. Click Continue để trở lại hộp thoại chính -> Click Ok để thực hiện lệnh.

Trong kiểm định Independent-samples T-test, ta cần dựa vào kết quả kiểm định sự bằng nhau của 2 phương sai tổng thể [kiểm định Levene]. Phương sai diễn tả mức độ đồng đều hoặc không đồng đều [độ phân tán] của dữ liệu quan sát.

Nếu giá trị Sig. trong kiểm định Levene [kiểm định F] < 0.05 thì phương sai của 2 tổng thể khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances not assumed.

Nếu Sig. 0.05 thì phương sai của 2 tổng thể không khác nhau, ta sử dụng kết quả kiểm định t ở dòng Equal variances assumed.

Trong ví dụtrên Sig. của kiểm định F = 0.494 > 0.05 ->chấp nhận giả thuyết H0: không có sự khác nhau về phương sai của 2 tổng thể -> sử dụng kết quả ở dòng Equal variances assumed.

Nếu Sig. của kiểm định t α [mức ý nghĩa] -> có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.

Nếu Sig. > α [mức ý nghĩa] -> không có sự khác biệt có ý nghĩa về trung bình của 2 tổng thể.

Trong ví dụ trên sig. = 0.291 > 0.05 -> không có sự khác biệt có ý nghĩa về trung bình của 2

tổng thể.

Video hướng dẫn thao tác:

//youtu.be/mEtQnWiyuIA

One way anova là gì?

Phân tích phương sai một yếu tố [ còn gọi là oneway anova] dùng để kiểm định giả thuyết trung bình bằng nhau của các nhóm mẫu với khả năng phạm sai lầm chỉ là 5%.
Ví dụ: Phân tích sự khác biệt giữa các thuộc tính khách hàng [giới tính, tuổi, nghề nghiệp, thu nhập] đối với 1 vấn đề nào đó [thường chọn là nhân tố phụ thuộc, vd: sự hài lòng].

Bài này sẽ đề cập về lý thuyết, thực hành từng bước phân tích phương sai một yếu tố anova, cách diễn giải kết quả, ý nghĩa các chỉ số trong anova.

Một số giả định khi phân tích ANOVA:
Các nhóm so sánh phải độc lập và đượcchọn một cách ngẫu nhiên.
Các nhóm so sánh phải có phân phối chuẩn or cỡ mẫu phải đủ lớn để được xem như tiệm cận phân phối chuẩn.
Phương sai của các nhóm so sánh phải đồng nhất.
Lưu ý: nếu giả định tổng thể có phân phối chuẩn với phương sai bằng nhau không đáp ứng được thì bạn có thể dùng kiểm định phi tham số Kruskal-Wallis sẽ để thay thế cho ANOVA.

Lý thuyết

Kết quả kiểm định gồm hai phần:

Phần 1:

Levene test: dùng kiểm định phương sai bằng nhau hay không giữa các nhóm

Ho: Phương sai bằng nhau

Sig 0.05: chấp nhận Ho ->đủ điều kiện để phân tích tiếp anova

Phần 2:

ANOVA test:Kiểm định anova

Ho: Trung bình bằng nhau

Sig đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc

Sig >0.05: chấp nhận Ho -> chưa đủ điều kiện để khẳng định có sự khác biệt giữa các nhóm đối với biến phụ thuộc

Khi có sự khác biệt thì có thể phân tích sâu hơn để tìm ra sự khác biệt như thế nào giữa các nhóm quan sát bằng các kiểm định Tukey, LSD, Bonferroni, Duncan như hình dưới. Kiểm định sâu anova gọi là kiểm định Post-Hoc