Trong nghiên cứu khoa học, giá trị Sig. (p-value), thường được dùng để xác định ý nghĩa thống kê của kết quả nghiên cứu. Thông thường, khi Sig. < 0.05, ta có thể kết luận rằng kết quả có ý nghĩa thống kê với mức ý nghĩa 5%. Vậy vì sao Sig. < 0.05 nhưng mô hình vẫn không có ý nghĩa thống kê? Hãy cùng Marketing Du Ký tìm ra lời giải đáp bạn nhé.
1. Ý nghĩa của giá trị Sig.
Trước khi đi sâu vào vấn đề, chúng ta hãy cùng làm rõ khái niệm của chỉ số Sig. (p-value) bạn nhé. Trong kiểm định giả thuyết, p-value là xác suất để xảy ra một kết quả bằng hoặc "cực đoan" hơn kết quả quan sát được, với giả định rằng giả thuyết không (H₀) là đúng. Khi p-value < 0.05, điều này cho thấy xác suất xảy ra kết quả do ngẫu nhiên là dưới 5%, và ta có cơ sở để bác bỏ giả thuyết H₀.
Ví dụ: Giả sử bạn nghiên cứu về tác động của một chương trình đào tạo đến năng suất lao động. Kết quả kiểm định cho thấy biến “tham gia chương trình” có p-value = 0.03. Điều này nghĩa là có sự khác biệt có ý nghĩa thống kê giữa nhóm tham gia và nhóm không tham gia, với mức ý nghĩa là 5%.
Tuy nhiên, ý nghĩa thống kê không phải lúc nào cũng là tiêu chí duy nhất để đánh giá tính hợp lệ của mô hình nghiên cứu. Dưới đây là những nguyên nhân chính lý giải cho hiện tượng này.
2. Vì sao mô hình có Sig. < 0.05 vẫn không có ý nghĩa?
2.1. Kích cỡ mẫu chưa phù hợp
Bạn có biết, kích cỡ mẫu tưởng chừng không liên quan nhưng lại có sức ảnh hưởng lớn đến ý nghĩa thống kê của mô hình nghiên cứu. Có 2 trường hợp phổ biến có thể xảy ra:
Kích cỡ mẫu quá lớn: Ngay cả một sự khác biệt nhỏ cũng có thể khiến Sig. < 0.05 (dù không nhất thiết có ý nghĩa thực tiễn).
Kích cỡ mẫu quá nhỏ: Mô hình có thể không đủ mạnh để phát hiện ra tác động thật sự, dẫn đến hiểu lầm về mặt ý nghĩa thống kê.
Do đó, bạn nên chọn kích cỡ mẫu và phương pháp chọn mẫu phù hợp với mục tiêu và định hướng nghiên cứu trước khi tiến hành thu thập mẫu nhé.
Không phải ngẫu nhiên mà dù mô hình nghiên cứu của bạn có Sig. > 0.05 nhưng giảng viên hướng dẫn vẫn yêu cầu R² cần lớn hơn 0.5 đâu. Trên thực tế, nếu mô hình tổng thể không phù hợp hoặc bỏ sót các biến quan trọng, kết quả nghiên cứu vẫn có thể thiếu đi tính ý nghĩa thống kê.
Ví dụ: Khi nghiên cứu về các yếu tố ảnh hưởng đến sự hài lòng của thực khách trong nhà hàng, bạn chỉ đưa vào biến “không gian quán” mà bỏ qua “giá cả” hay “thái độ phục vụ”. Kết quả cho thấy “không gian quán” có Sig. < 0.05, nhưng R² = 0.15, nghĩa là mô hình chỉ giải thích được 15% sự biến thiên của sự hài lòng. Điều này cho thấy mô hình không đủ sức giải thích thực tế.
Hiện tượng đa cộng tuyến xảy ra khi các biến độc lập trong mô hình có mối tương quan mạnh với nhau. Điều này dẫn đến việc hệ số hồi quy rất khó được diễn giải, dù giá trị Sig. < 0.05.
Ví dụ: Trong nghiên cứu về hiệu suất làm việc, bạn sử dụng cả “số năm kinh nghiệm” và “độ tuổi” (hai biến thường có tương quan cao với nhau). Kết quả cho thấy cả hai biến đều có p-value < 0.05, nhưng do đa cộng tuyến, hệ số tác động của chúng vẫn không phản ánh đúng tác động thực tế.
Tóm lại, việc Sig. < 0.05 là một dấu hiệu tích cực đối với kết quả nghiên cứu. Tuy nhiên, đây chưa phải là yếu tố duy nhất để quyết định ý nghĩa của toàn bộ mô hình. Bạn cần phải xem xét rất nhiều yếu tố khác nhau như cỡ mẫu, hệ số tác động, đa cộng tuyến,... Marketing Du Ký hy vọng rằng bạn đã tìm ra lời giải đáp cho câu hỏi vì sao Sig. < 0.05 nhưng mô hình vẫn không có ý nghĩa thống kê.
