Kiểm định Friedman – SPSS
I. GIỚI THIỆU VỀ KIỂM ĐỊNH FRIEDMAN
Kiểm định Friedman là một kiểm định phi tham số được sử dụng thay thế kiểm định ANOVA lặp một chiều. Kiểm định Friedman được sử dụng khi muốn kiểm tra sự chênh lệch giữa các nhóm khi biến phụ thuộc được đo lường là dạng thứ tự. Nó cũng có thể được sử dụng trong trường hợp biến phụ thuộc (dạng liên tục) vi phạm các giả định cần thiết của kiểm định ANOVA lặp một chiều (chẳng hạn, giả định về phân phối chuẩn).
Kiểm định Friedman được thực hiện dựa trên 4 giả thuyết như sau:
- Mỗi đối tượng được đo lường bởi ít nhất 3 quan sát,
- Các nhóm được chọn ngẫu nhiên từ tổng thể,
- Biến phụ thuộc là biến thứ tự (thang đo Likert,…) hoặc biến liên tục. Tham khảo bài viết các loại thang đo trong phân tích dữ liệu.
- Mẫu không cần thiết phải có phân phối chuẩn hóa.
Giả thuyết H0 của kiểm định Friedman là “trung bình của biến đo lường không có sự khác nhau giữa các nhóm của biến độc lập”
Xem thêm: kiểm định phi tham số
Ví dụ:
Để tìm hiểu tâm lý mua sắm của người tiêu dùng trong mảng điện thoại cao cấp (Smart phone), giám đốc kinh doanh của hệ thống A thực hiện chương trình bán hàng như sau ở 25 cửa hàng trong hệ thống:
- Tuần 1: bán hàng đúng giá niêm yết
- Tuần 2: bán hàng có chiết khấu (giảm giá) 5% trực tiếp trên những hóa đơn trên 8 triệu.
- Tuần 3: bán hàng có quà tặng (tương ứng giá trị 5%) cho những hóa đơn trên 8 triệu.
Số liệu thu thập từ 25 cửa hàng được thể hiện trong file Friedman. Trong trường hợp này, biến phụ thuộc là số lượng điện thoại bán ra ở từng cửa hàng (chiếc điện thoại/tuần) và biến độc lập là chương trình thực hiện (bao gồm 3 chương trình: bán bình thường, bán có chiết khấu, và bán kèm theo quà tặng). Các biến này thể hiện trong dữ liệu lần lượt là none, discount và gift.
Câu hỏi vị giám đốc này đặt ra là số lượng điện thoại bán ra ở các cửa hàng trong mỗi chương trình có khác nhau không?
Ở đây, biến phụ thuộc của chúng ta là biến liên tục do vậy chúng ta có thể sử dụng kiểm định ANOVA lặp 1 chiều để kiểm tra. Tuy nhiên, khi sử dụng kiểm định này cần xem xét dữ liệu có thỏa mãn giả định phân phối chuẩn hay không.
KIỂM TRA PHÂN PHỐI CHUẨN TRÊN SPSS Để kiểm tra tính chuẩn hóa của dữ liệu, ta có 2 cách phổ biến như sau (Xem thêm bài Phân phối chuẩn hóa): Thứ nhất: quy tắc kinh nghiệm thì khoảng giá trị của 2 thông số Skewness và Kurtosis có chứa giá trị 0; Thứ hai: sử dụng kiểm định Kolmogorov – Smirnov (K-S) hoặc Shapiro – Wilk (S-W): chấp nhận giả thuyết có nghĩa dữ liệu thỏa mãn phân phối chuẩn. SPSS có thể thực hiện 2 cách trên và kết quả thực hiện được trình bày ở trang kế tiếp.