Ancova là gì? Cách Kiểm Định Ancova trong SPSS

Trong nghiên cứu khoa học thống kê, SPSS được sử dụng nhiều để xử lý số liệu. Tuy nhiên, trong SPSS, Ancova đang còn gây ra khá nhiều khó khăn cho người học. Chính vì vậy trong bài viết này Luận văn 1080 sẽ giúp bạn hiểu Ancova là gì? Cách kiểm định Ancova trong SPSS.

1. Ancova nghĩa là gì?

• Khái niệm: Ancova là viết tắt của Analysis of covariance tức là phân tích hiệp phương sai. Cụ thể, đây là một mô hình tuyến tính tổng quát kết hợp giữa ANOVA và hồi quy.

• ANCOVA (Analysis of Covariance) là một phương pháp thống kê được sử dụng cho nhiều mục đích, bao gồm:
• Đánh giá hiệu quả của một biến nghiên cứu chính khi tác động của một hoặc nhiều biến tuần hoàn đã được giảm bớt.
• So sánh nhiều nhóm về mức độ của một biến nghiên cứu chính, khi tác động của một hoặc nhiều biến tuần hoàn đã được giảm bớt.
• Đánh giá tác động của một biến tuần hoàn trên một biến nghiên cứu chính.
• So sánh hiệu quả của một trị liệu giữa nhiều nhóm, khi tác động của một hoặc nhiều biến tuần hoàn đã được giảm bớt.

2. Các cách để sử dụng Ancova

Nhìn chung, Ancova chính là một phần mở rộng của ANOVA, chính vì vậy ANCOVA có thể được sử dụng theo hai cách nhu sau: 

• Để kiểm soát các đồng biến (thường là liên tục hoặc biến số trên một thang đo cụ thể) không phải là trọng tâm chính của nghiên cứu của bạn. 
• Để nghiên cứu sự kết hợp của các biến phân loại và liên tục, hoặc các biến trên thang đo như là yếu tố dự đoán. Trong trường hợp này, hiệp phương sai là một biến quan tâm (trái ngược với biến muốn kiểm soát).

ANCOVA là nội dung khá khó với những bạn đang bắt đầu làm quen với SPSS. Do đó, nếu công việc bận rộn, bạn không có nhiều thời gian, hoặc bạn đang gặp nhiều vấn đề khó khăn trong khi thực hiện các bước phân tích ANCOVA.

=> Đây là lúc bạn cần đến sự hỗ trợ để bài nghiên cứu được thực hiện đúng hẹn và đạt chất lượng cao. Tham khảo ngay dịch vụ chạy SPSS thuê tại Luận văn 1080, chúng tôi luôn cam kết mang đến những giá trị tốt nhất đến từng khách hàng, đảm bảo yếu tố bảo mật và luôn đồng hành cùng bạn đến khi hoàn thành. Liên hệ ngay với Luận văn 1080 nếu bạn cần sự giúp đỡ.

3. 4 giả định kiểm tra Ancova

3.1. Giả định về tính độc lập của quan sát: 

• Các quan sát phải là độc lập với nhau, nghĩa là giá trị của một quan sát không được ảnh hưởng bởi giá trị của quan sát khác.
• Điều này có nghĩa là dữ liệu phải được thu thập một cách độc lập và không bị ảnh hưởng bởi các yếu tố khác ngoài các biến được quan tâm..
• Biến độc lập phải bao gồm hai hoặc nhiều nhóm độc lập: Giả định về tính độc lập là cần thiết vì nếu các quan sát không độc lập thì sai số chuẩn của các ước lượng sẽ bị sai lệch, dẫn đến kết luận không chính xác. Vi phạm giả định độc lập có thể xảy ra theo nhiều cách
• Các biến độc lập đáp ứng tiêu chí này bao gồm giới tính (ví dụ: hai nhóm: nam và nữ), dân tộc (ví dụ: ba nhóm: Người da trắng, người Mỹ gốc Phi và người gốc Tây Ban Nha), mức độ hoạt động thể chất (ví dụ: bốn nhóm: ít vận động, ít, trung bình và cao),....

3.2. Giả định về tính chuẩn của phân phối: 

• Các biến phải tuân theo phân phối chuẩn. Nếu phân phối không đối xứng, ta có thể sử dụng phương pháp thay đổi phân phối hoặc sử dụng các phương pháp thống kê phi tham số.
• Giả định này đề cập đến việc phân phối của biến phụ thuộc phải là phân phối chuẩn trong mỗi nhóm hoặc điều kiện trong phân tích ANCOVA. Nếu giả định này không được thỏa mãn, kết quả của ANCOVA có thể không chính xác và dẫn đến những kết luận sai lầm.
• Tuy nhiên, trong thực tế, phân phối của biến thường không hoàn toàn chuẩn, vì vậy cần phải kiểm tra tính chuẩn của phân phối trước khi tiến hành phân tích ANCOVA. Có nhiều cách để kiểm tra tính chuẩn của phân phối, bao gồm:
• Sử dụng biểu đồ Q-Q plot để kiểm tra sự phân bố của dữ liệu so với phân phối chuẩn.
• Sử dụng các phương pháp thống kê kiểm tra tính chuẩn, bao gồm Kolmogorov-Smirnov, Shapiro-Wilk, Anderson-Darling.

3.3. Giả định về tính đồng nhất của phương sai: 

• Phương sai của các nhóm cần phải đồng nhất. Ta có thể sử dụng các phương pháp thống kê như kiểm định Bartlett hoặc Levene để kiểm tra giả định này.
• Biến phụ thuộc và hiệp phương sai cũng phải được đo lường trên thang đo liên tục, có nghĩa là không có giới hạn đối với các giá trị có thể có mà các biến này có thể nhận.
• Nếu biến phụ thuộc hoặc hiệp phương sai không liên tục thì không thể sử dụng ANCOVA và có thể cần sử dụng các phương pháp thống kê khác nhau để phân tích dữ liệu. Ví dụ: nếu biến phụ thuộc là biến phân loại, phép thử chi bình phương hoặc hồi quy logistic có thể phù hợp hơn. Nếu đồng biến là phân loại, ANCOVA không thể được sử dụng và ANOVA (Phân tích phương sai) có thể được sử dụng thay thế.
• Trong ANCOVA (Phân tích hiệp phương sai), cả biến phụ thuộc và hiệp phương sai phải là biến liên tục. Biến phụ thuộc là biến kết quả đang được đo lường hoặc dự đoán, trong khi hiệp phương sai là biến được cho là có tác động đáng kể đến biến phụ thuộc.
• Việc sử dụng các biến liên tục là cần thiết trong ANCOVA để thực hiện các phép tính và kiểm tra thống kê cần thiết. Cả biến phụ thuộc và hiệp phương sai cũng phải được đo lường trên thang đo liên tục, có nghĩa là không có giới hạn đối với các giá trị có thể có mà các biến này có thể nhận.
• Nếu biến phụ thuộc hoặc hiệp phương sai không phải là biến liên tục, ANCOVA có thể không phải là kỹ thuật phân tích thống kê thích hợp để sử dụng. Ví dụ: nếu biến phụ thuộc là biến phân loại, phép thử chi bình phương hoặc hồi quy logistic có thể phù hợp hơn. Nếu đồng biến là phân loại, ANCOVA không thể được sử dụng và ANOVA (Phân tích phương sai) có thể được sử dụng thay thế.

3.4. Giả định về tính tuyến tính của mối quan hệ giữa biến độc lập và biến phụ thuộc: 

Mối quan hệ giữa biến độc lập và biến phụ thuộc phải là tuyến tính. Nếu không, ta có thể sử dụng phương pháp thống kê phi tuyến tính.

• Các biến phụ thuộc và biến đồng biến phải được đo lường trên thang đo liên tục (nghĩa là chúng được đo lường ở mức độ khoảng hoặc tỷ lệ ). 
• Ví dụ về các biến đáp ứng tiêu chí này bao gồm thời gian ôn tập (được đo bằng giờ), trí thông minh (được đo bằng điểm số IQ), thành tích thi (được đo từ 0 đến 100), cân nặng (được đo bằng kg), v.v..

Lưu ý: Nếu như trong ANCOVA, biến kiểm soát là biến liên tục, trong khi trong hồi quy đa biến, biến kiểm soát có thể là biến liên tục hoặc định tính. Có rất nhiều người nhầm lẫn điều này, vì vậy để hiểu rõ hơn tại sao đôi khi, có người lại nói ANCOVA có thể được coi là một trường hợp đặc biệt của hồi quy đa biến, xem ngay hồi quy đa biến là gì để hiểu áp dụng hiệu quả trong bài nghiên cứu hơn n

4. Ví dụ điển hình về kiểm định Ancova

Để hiểu rõ hơn, dưới đây là một ví dụ điển hình về việc kiểm định Ancova:

Giả sử ta có ba nhóm như sau:

Nhóm 1 : Bệnh nhân được điều trị y tế #1.

Nhóm 2 : Bệnh nhân được điều trị y tế #2.

Nhóm 3 : Bệnh nhân nhận được sử dụng một giả dược hoặc thuộc các điều kiện kiểm soát.

Covariate : Trọng lượng cơ thể

Biến quan tâm : Thời gian tính bằng ngày khỏi bệnh.

Trong ví dụ này, chúng ta có ba nhóm độc lập và một biến quan tâm liên tục. Vì trọng lượng cơ thể có thể giải thích cho một số khác biệt về thời gian phục hồi, nên có thể thêm nó vào phân tích dưới dạng đồng biến. Sau khi xác nhận rằng biến quan tâm bình thường và dữ liệu đáp ứng các giả định khác của ANCOVA một chiều, ta tiến hành phân tích.

Giả thuyết không, đó là biệt ngữ thống kê cho những gì sẽ xảy ra nếu các phương pháp điều trị không có tác dụng gì, là không nhóm nào trong số ba nhóm có thời gian phục hồi trung bình khác nhau sau khi tính đến ảnh hưởng của trọng lượng cơ thể. Tiếp đến ta xác định xem việc tiếp nhận một trong hai phương pháp điều trị y tế có rút ngắn số ngày bệnh nhân khỏi bệnh hay không.

Sau khi thử nghiệm kết thúc, so sánh ba nhóm về biến quan tâm của chúng tôi (số ngày để phục hồi hoàn toàn) bằng cách sử dụng ANCOVA một chiều. Khi chúng tôi chạy phân tích, chúng tôi nhận được thống kê F và giá trị p. Thống kê F là thước đo mức độ khác nhau của ba nhóm đối với biến phục hồi mà cần thiết sau khi tính đến trọng lượng cơ thể.

Giá trị p là cơ hội nhìn thấy kết quả với giả định rằng cả hai phương pháp điều trị đều không thực sự thay đổi thời gian phục hồi. Giá trị p nhỏ hơn hoặc bằng 0,05 có nghĩa là kết quả có ý nghĩa thống kê và có thể tin tưởng rằng sự khác biệt không chỉ do ngẫu nhiên.

Nếu thống kê F cao và giá trị p thấp, điều đó có nghĩa là thời gian phục hồi khác nhau đáng kể ở ít nhất một trong các nhóm. Cần điều tra thêm để xác định những nhóm nào cao hơn/thấp hơn đáng kể so với những nhóm khác.

Lưu ý: Khi thực hiện kiểm định ANCOVA, bạn sẽ làm thực hiện các thao tác liên quan đến biến độc lập và biến phụ thuộc. Đừng nhầm lẫn những biến này nếu bạn không muốn mọi thứ trở nên sai lầm và tồi tệ hơn. Làm sao để xác định được biến độc lập và biến phụ thuộc trong bài nghiên cứu của bạn? Điều này sẽ không là vấn đề khó khăn nếu bạn đọc, nắm chắc cẩm nang về biến độc lập và biến phụ thuộc trong bài viết tại Luận văn 1080.

5. Cách chạy một Ancova trong SPSS

5.1. Chọn menu "Analyze" và chọn "General Linear Model" -> "Univariate"

5.2. Chọn biến nghiên cứu chính và biến tuần hoàn làm biến định nghĩa

• Chuyển biến phụ thuộc, post  tại ô Dependent Variable: , 
• Chuyển biến độc lập, group trong ô  Fixed Factor(s): 
• Và biến đồng biến, pre , vào hộp Covariate(s):  bằng cách chọn từng biến (bằng cách nhấp vào nó) và nhấp vào mũi tên bên phải.  
• Bạn sẽ kết thúc với màn hình dưới đây:

5.3. Chọn ô EM Means lànút. Bạn sẽ thấy hộp thoại Univariate: Estimated Marginal Means, như hình dưới đây

5.4. Tiến hành chuyển biến

• Chuyển biến, Group, từ Factor(s) and Factor Interactions sang hộp Display Means for: bằng cách sử dụng nút mũi tên bên phải. 
• Sau đó, kiểm tra Compare main effects , thao tác này sẽ kích hoạt tùy chọn Confidence interval adjustment: . 
• Từ trình đơn thả xuống này, hãy chọn Bonferronitừ các tùy chọn, như minh họa bên dưới:

5.5. Nhấp vào nút Continue và bạn sẽ được đưa trở lại hộp thoại Univariate

5.6. Bấm chọn vào Option. Bạn sẽ thấy hộp thoại Univariate: Options, như hình dưới đây

5.7. Chọn "Options" và chọn "Estimates of Effect Size"

5.8. Nhấp vào continue và bạn sẽ được đưa trở lại hộp thoại Univariate  

5.9. Click vào ok để chạy Ancova.

Xem kết quả và đánh giá hiệu quả của biến nghiên cứu chính khi tác động của biến tuần hoàn đã được giảm bớt.

Lưu ý: Trước khi sử dụng ANCOVA, bạn cần chắc chắn rằng các điều kiện của ANCOVA đã được đáp ứng, bao gồm: tính đồng biến giữa biến nghiên cứu chính và biến tuần hoàn, và phân phối chuẩn của biến nghiên cứu chính sau khi biến tuần hoàn đã được giảm bớt

Kết quả tính toán từ công cụ Compute variable có thể là một trong những dữ liệu quan trong khi thực hiện ANCOVA. Do đó, sử dụng thành thạo các hàm cơ bản trong compute variable như: Mean, Sum, Variance, Min,... và cách thực hiện nhân, chia, cộng, trừ biến sẽ giúp bạn tiết kiệm thời gian và tránh những sai sót không đáng có trong quá trình tính toán, phân tích, nghiên cứu. Tham khảo ngay bài viết về compute variable SPSS để “nằm lòng” nội dung này ngay nào!

Trong bài viết trên, Luận văn 1080 đã giúp bạn biết được cách kiểm định ancova trong spss. Hi vọng các bạn sẽ không gặp phải khó khăn nào về vấn đề phân tích định lượng. Cảm ơn bạn đọc đã theo dõi. Chúc các bạn thành công.