Phân Tích Tương Quan Spearman: Công Thức Tính Hệ Số Rho Và Ứng Dụng

Phân tích tương quan spearman (Spearman’s Rank Correlation Coefficient – ký hiệu là r_s hoặc rho) là một phương pháp thống kê phi tham số dùng để đo lường độ mạnh và chiều hướng của mối quan hệ đơn điệu (Monotonic Relationship) giữa hai biến số xếp hạng hoặc dữ liệu định lượng vi phạm giả định phân phối chuẩn. Khác với hệ số tương quan Pearson vốn chỉ giới hạn trong việc phát hiện các mối liên hệ đường thẳng tuyến tính, tương quan Spearman cung cấp công cụ linh hoạt và vững chắc hơn nhiều để khám phá các mối liên hệ thực tế trong tâm lý học, giáo dục, marketing và y sinh học.

Bản chất lý thuyết của mối quan hệ đơn điệu (Monotonicity)

Để hiểu rõ phạm vi ứng dụng của phân tích tương quan spearman, điều cốt cựu là phải phân biệt giữa quan hệ tuyến tính và quan hệ đơn điệu:

• Mối quan hệ tuyến tính (Linear): Khi biến X tăng, biến Y tăng (hoặc giảm) với một tốc độ hoàn toàn cố định, tạo thành một đường thẳng tắp trên biểu đồ phân tán.
• Mối quan hệ đơn điệu (Monotonic): Khi biến X tăng, biến Y có xu hướng tăng theo (hoặc giảm theo) nhưng không bắt buộc phải theo một tỷ lệ cố định. Đường biểu diễn có thể uốn lượn hoặc dốc thoai thoải, miễn là nó không đảo ngược chiều hướng vận động.
• Phạm vi bao hàm: Mọi mối quan hệ tuyến tính đều là mối quan hệ đơn điệu, nhưng không phải mọi mối quan hệ đơn điệu đều là tuyến tính. Hệ số tương quan Pearson sẽ đánh giá thấp các mối quan hệ phi tuyến dạng này, trong khi hệ số Spearman vẫn phản ánh hoàn hảo độ mạnh của mối quan hệ.

“Nếu hệ số Pearson đo độ thẳng của một con đường, thì hệ số Spearman đo xem con đường đó có liên tục dẫn bạn lên đỉnh dốc hay không, bất kể con đường đó thẳng tắp hay quanh co.”

Công thức toán học tính toán hệ số tương quan hạng Spearman

Về mặt kỹ thuật, hệ số tương quan Spearman thực chất là hệ số tương quan Pearson được áp dụng trên các thứ vị xếp hạng (Ranks) của dữ liệu thay vì các giá trị số thô:

1. Sắp xếp độc lập các quan sát của biến X từ nhỏ đến lớn và gán thứ hạng: R(X_i) từ 1 đến n.
2. Sắp xếp độc lập các quan sát của biến Y từ nhỏ đến lớn và gán thứ hạng: R(Y_i) từ 1 đến n.
3. Tính hiệu số giữa hai thứ hạng của từng cặp quan sát thứ i: d_i = R(X_i) – R(Y_i).

Trong trường hợp dữ liệu không có các giá trị trùng lặp bằng nhau (No Tied Ranks), hệ số Spearman (r_s) được tính toán theo công thức giản lược kinh điển:

r_s = 1 – [6 × Σ (d_i)²] / [n × (n² – 1)]

Trong đó:

• d_i: Độ chênh lệch giữa thứ hạng của biến X và biến Y đối với quan sát thứ i.
• Σ (d_i)²: Tổng bình phương của tất cả các độ chênh lệch thứ hạng.
• n: Tổng số lượng cặp quan sát trong mẫu khảo sát.

Nếu trong dữ liệu có nhiều giá trị bằng nhau (Tied Ranks), phần mềm thống kê (như SPSS, Stata hay R) sẽ tự động áp dụng công thức đầy đủ hiệu chỉnh trung bình thứ vị để đảm bảo độ chuẩn xác tuyệt đối.

Bảng đối chuẩn so sánh giữa Tương quan Pearson và Tương quan Spearman

Dưới đây là bảng phân biệt chi tiết hai kỹ thuật phân tích tương quan rộng rãi:

Tiêu chí so sánh	Tương quan Pearson (r)	Tương quan Spearman (r_s)
Phân loại phương pháp	Thống kê tham số (Parametric)	Thống kê phi tham số (Nonparametric)
Dạng quan hệ đánh giá	Chỉ phát hiện quan hệ đường thẳng tuyến tính	Phát hiện mọi mối quan hệ đơn điệu
Cấp độ thang đo	Chỉ áp dụng cho Khoảng và Tỷ lệ liên tục	Áp dụng cho cả Thứ bậc (Ordinal) và Liên tục
Giả định phân phối chuẩn	Bắt buộc dữ liệu phải phân phối chuẩn	Không cần giả định về phân phối chuẩn
Độ nhạy cảm với Outliers	Cực kỳ nhạy cảm, dễ bị bóp méo	Rất bền vững (Robust) trước giá trị ngoại lai
Dải giá trị khả dĩ	Từ -1.0 đến +1.0	Từ -1.0 đến +1.0

Ý nghĩa và thang đo độ mạnh của hệ số tương quan r_s

Tương tự như hệ số Pearson, giá trị r_s luôn dao động trong khoảng từ -1.0 đến +1.0:

• r_s = +1.0: Tương quan đơn điệu dương hoàn hảo (khi thứ hạng X tăng thì thứ hạng Y luôn luôn tăng tuyệt đối).
• r_s = -1.0: Tương quan đơn điệu âm hoàn hảo (khi thứ hạng X tăng thì thứ hạng Y luôn luôn giảm tuyệt đối).
• r_s = 0: Hoàn toàn không tồn tại mối quan hệ đơn điệu giữa hai biến số.
• Quy ước độ mạnh mối quan hệ:

• |r_s| < 0.30: Tương quan yếu (Weak).
• 0.30 ≤ |r_s| < 0.50: Tương quan trung bình (Moderate).
• 0.50 ≤ |r_s| < 0.70: Tương quan tương đối mạnh (Strong).
• |r_s| ≥ 0.70: Tương quan rất mạnh (Very Strong).
• Kiểm định ý nghĩa thống kê (Hypothesis Testing): Kiểm tra giả thuyết H₀: rho = 0 trong tổng thể. Nếu giá trị p-value < 0.05, ta kết luận mối tương quan đơn điệu giữa hai biến có ý nghĩa thống kê vững chắc ở mức tin cậy 95%.

Hướng dẫn thực hiện phân tích tương quan Spearman trên SPSS

Quy trình thao tác nhanh gọn trên phần mềm SPSS:

1. Vào menu Analyze → Correlate → Bivariate.
2. Trong cửa sổ hộp thoại hiện ra, đưa hai hoặc nhiều biến cần phân tích từ khung bên trái sang ô Variables.
3. Tại khu vực Correlation Coefficients: Bỏ tích chọn Pearson và tích chọn vào ô Spearman.
4. Tại mục Test of Significance: Chọn Two-tailed (hoặc One-tailed nếu đã xác định trước chiều hướng).
5. Nhấp chọn OK để xuất bảng kết quả Nonparametric Correlations.
6. Đọc bảng kết quả: Xem xét giá trị Correlation Coefficient (hệ số r_s) và dòng Sig. (2-tailed) (giá trị p-value).

Nghiên cứu tình huống ứng dụng tương quan Spearman trong giáo dục đại học

Một trường đại học nghiên cứu mối liên hệ giữa Thứ hạng điểm thi tuyển sinh đầu vào (X) và Xếp loại tốt nghiệp ra trường (Y, đo lường theo 4 mức thứ bậc: Xuất sắc, Giỏi, Khá, Trung bình) của 150 sinh viên:

• Do biến Xếp loại tốt nghiệp là biến thứ bậc (Ordinal) không có đơn vị đo lường liên tục, việc sử dụng tương quan Pearson là hoàn toàn sai lầm về mặt phương pháp luận.
• Nhóm nghiên cứu áp dụng phân tích tương quan Spearman trên SPSS:

• Hệ số tương quan thứ vị thu được là r_s = 0.584.
• Giá trị p-value = 0.000 (nhỏ hơn rất nhiều so với 0.05).
• Kết luận học thuật: Tồn tại mối quan hệ tương quan đơn điệu dương ở mức độ khá mạnh giữa năng lực thi tuyển đầu vào và kết quả tốt nghiệp của sinh viên. Những sinh viên có thứ hạng đầu vào cao có xu hướng rất rõ nét đạt kết quả tốt nghiệp vượt trội hơn trong thực tế.

So sánh chuyên sâu giữa Tương quan Spearman và Tương quan Kendall’s Tau

Khi tiến hành phân tích tương quan spearman trên dữ liệu thứ bậc, câu hỏi phương pháp luận thường gặp là: Khi nào nên dùng Spearman’s Rho và khi nào nên dùng Kendall’s Tau?

• Nguyên lý so sánh cặp (Concordant vs Discordant Pairs): Hệ số Kendall’s Tau (τ) dựa trên số lượng cặp quan sát đồng hướng và nghịch hướng, trong khi Spearman dựa trên độ lệch bình phương thứ vị (d²).
• Độ nhạy mẫu nhỏ: Khi kích thước mẫu khảo sát nhỏ (N < 30) và có nhiều quan sát bị trùng lặp thứ vị (Tied ranks), hệ số Kendall’s Tau-b cung cấp ước lượng không chệch và có phân phối mẫu chuẩn xác hơn so với Spearman.
• Khả năng diễn giải trực quan: Hệ số Spearman có cách hiểu tương đồng với hệ số tương quan Pearson truyền thống (phần trăm phương sai thứ bậc chia sẻ), nên thường được ưu tiên báo cáo trên các tạp chí khoa học xã hội số đông.

Câu hỏi thường gặp về phân tích tương quan spearman (FAQ)

Có thể chạy tương quan Spearman cho một biến liên tục và một biến thứ bậc không?

Hoàn toàn được; đây chính là một trong những thế mạnh vượt trội của tương quan Spearman; phần mềm sẽ tự động chuyển đổi biến liên tục thành các thứ bậc để tính toán tương quan.

Tương quan Spearman có đồng nghĩa với mối quan hệ nhân quả (Causality) không?

Không, tương tự như mọi phép phân tích tương quan khác, tương quan không đồng nghĩa với nhân quả; r_s cao chỉ phản ánh hai biến số cùng đồng biến hoặc nghịch biến chứ không chứng minh biến X gây ra sự biến đổi của biến Y.

Nên dùng hệ số Spearman hay hệ số Kendall’s Tau-b?

Khi kích thước mẫu khảo sát nhỏ và có nhiều quan sát bị trùng lặp thứ hạng (Tied ranks), hệ số Kendall’s Tau-b thường cho ước lượng chuẩn xác và ít bị chệch hơn hệ số Spearman.

Kết luận và định hướng ứng dụng

Làm chủ phương pháp phân tích tương quan spearman giúp các nhà nghiên cứu linh hoạt xử lý các dạng dữ liệu xếp hạng và phân phối lệch, bảo vệ bài báo khoa học tránh khỏi các lỗi vi phạm giả định tham số. Để tải về bảng tính Excel tính toán tương quan Spearman tự động và tệp dữ liệu thực hành SPSS mẫu, mời quý bạn đọc tham khảo tại NCS Nguyễn Thanh Phương.