GiaThuyet.comGiả Thuyết
Kiểm định phi tham số

Biểu đồ Q-Q là gì: đọc hình dạng điểm, độ lệch và độ nhọn để đánh giá phân phối chuẩn

Cách đọc biểu đồ Q-Q, histogram và hai chỉ số độ lệch, độ nhọn để đánh giá phân phối chuẩn bằng mắt: các hình dạng điển hình, bẫy trục ngược và các mốc tham khảo.

Macro shot of a hand placing small glass beads along a straight wooden ruler on a light table in a Hanoi statistics classroom, beads slightly curving away at both ends

Biểu đồ Q-Q (quantile-quantile) đặt các phân vị của dữ liệu cạnh các phân vị lý thuyết của phân phối chuẩn; nếu dữ liệu chuẩn, các điểm nằm gần một đường thẳng, còn cách chúng uốn cong cho biết dữ liệu lệch kiểu gì. Đây là công cụ được nhiều nhà thống kê tin hơn kiểm định chuẩn, vì nó cho thấy cả hình dạng lẫn mức độ lệch, không chỉ một câu có hay không.

Bài này giải thích cách biểu đồ Q-Q được dựng, cách đọc năm hình dạng điển hình (lệch phải, lệch trái, đuôi nặng, đuôi nhẹ, ngoại lai), cái bẫy trục ngược giữa các phần mềm, và cách dùng thêm histogram, biểu đồ hộp cùng hai chỉ số độ lệch, độ nhọn. Các mốc số trong bài là quy ước tham khảo được nhiều tác giả dùng, không phải luật cứng.

Biểu đồ Q-Q được dựng thế nào

Giả sử bạn có 20 quan sát. Xếp chúng tăng dần, quan sát nhỏ nhất ứng với khoảng phân vị thứ 2,5%, quan sát thứ hai ứng với khoảng 7,5%, và cứ thế (các phần mềm dùng công thức vị trí hơi khác nhau). Với mỗi vị trí đó, phần mềm tính giá trị mà phân phối chuẩn sẽ có ở cùng phân vị. Mỗi quan sát vì vậy có một cặp tọa độ: giá trị thật trong mẫu và giá trị kỳ vọng nếu dữ liệu chuẩn. Đặt 20 cặp lên mặt phẳng, kèm một đường thẳng tham chiếu, là ra biểu đồ Q-Q.

Nếu dữ liệu thật sự đến từ phân phối chuẩn, giá trị thật và giá trị kỳ vọng tỷ lệ tuyến tính với nhau, nên các điểm nằm dọc đường thẳng. Độ dốc và vị trí đường thẳng phụ thuộc trung bình và độ lệch chuẩn, không quan trọng; điều cần nhìn là các điểm có bám đường hay không, và nếu lệch thì lệch ở đâu. Một vài điểm dao động nhỏ quanh đường là bình thường, nhất là với mẫu nhỏ: ngay cả dữ liệu sinh ra từ phân phối chuẩn hoàn hảo cũng không bao giờ nằm thẳng tắp.

Biểu đồ P-P (probability-probability) là họ hàng gần: nó so xác suất tích luỹ thay vì phân vị. P-P nhạy với lệch ở phần giữa phân phối, còn Q-Q nhạy hơn ở phần đuôi. Vì vấn đề của t-test và ANOVA thường đến từ đuôi (ngoại lai, đuôi nặng), Q-Q thường hữu ích hơn. Một số phần mềm còn có biểu đồ Q-Q đã trừ xu hướng (detrended), vẽ độ lệch của mỗi điểm so với đường thẳng; khi đó dữ liệu chuẩn cho các điểm rải ngẫu nhiên quanh trục ngang.

Năm hình dạng điển hình và ý nghĩa

Bảng dưới mô tả hình dạng với quy ước phổ biến: trục ngang là phân vị lý thuyết, trục dọc là giá trị trong mẫu (như hàm vẽ Q-Q mặc định của R). Nếu phần mềm của bạn đặt ngược trục, mọi mô tả "trên" và "dưới" đường thẳng sẽ đảo lại; xem phần sau.

Hình dạng các điểmÝ nghĩaVí dụ dữ liệu hay gặp
Gần như thẳng, dao động nhỏPhù hợp phân phối chuẩnChiều cao người trưởng thành cùng giới, sai số đo lặp
Cong lõm lên như hình chữ U: hai đầu nằm trên đường, phần giữa nằm dướiLệch phải (đuôi dài bên giá trị lớn)Thu nhập, thời gian chờ, số ngày nằm viện
Cong lồi xuống như hình chữ U ngược: hai đầu nằm dưới đường, phần giữa nằm trênLệch trái (đuôi dài bên giá trị nhỏ)Điểm bài kiểm tra quá dễ, nhiều người gần điểm tối đa
Hình chữ S: đầu trái dưới đường, đầu phải trên đường, dốc hơn ở hai đầuĐuôi nặng (nhiều giá trị cực đoan hơn chuẩn)Tỷ suất sinh lời theo ngày, dữ liệu trộn nhiều nguồn
Hình chữ S ngược: đầu trái trên đường, đầu phải dưới đường, thoải ở hai đầuĐuôi nhẹ (ít giá trị cực đoan, phân phối bẹt)Dữ liệu bị chặn trên dưới, phân phối gần đều
Thẳng nhưng một hai điểm tách xa ở đầuNgoại lai riêng lẻLỗi nhập liệu, hoặc một trường hợp thật nhưng bất thường

Dữ liệu chỉ nhận vài giá trị (như câu Likert năm mức) tạo ra những bậc thang nằm ngang trên biểu đồ Q-Q, vì nhiều quan sát trùng giá trị. Đó không phải lệch chuẩn theo nghĩa thông thường mà là dấu hiệu dữ liệu rời rạc, và biểu đồ Q-Q ít có ích trong trường hợp này.

Bẫy trục ngược và các bẫy khác khi đọc

Trục đổi chỗ giữa các phần mềm. Trong R, hàm vẽ Q-Q mặc định đặt phân vị lý thuyết ở trục ngang và giá trị mẫu ở trục dọc. Trong SPSS, biểu đồ Normal Q-Q thường đặt giá trị quan sát ở trục ngang và giá trị chuẩn kỳ vọng ở trục dọc. Cùng một dữ liệu lệch phải, một bên cong lõm lên, bên kia cong lồi xuống. Luôn đọc nhãn trục trước khi kết luận, và kiểm tra lại vì nhãn có thể khác theo phiên bản.

Mẫu nhỏ dao động mạnh. Với 10 đến 15 quan sát, các điểm ở hai đầu thường lệch khỏi đường kể cả khi dữ liệu chuẩn. Một số phần mềm vẽ thêm dải tin cậy quanh đường; điểm nằm trong dải thì chưa đáng lo. Nếu không có dải, đừng diễn giải quá mức một hai điểm cuối.

Nhìn từng nhóm, không nhìn gộp. Giống như kiểm định chuẩn, biểu đồ cần vẽ cho đại lượng mà giả định đặt lên: từng nhóm, độ chênh của mẫu cặp, hoặc phần dư. Hai nhóm chuẩn có trung bình khác nhau xa khi gộp lại sẽ cho hình dạng lạ không phản ánh vấn đề thật.

Ngoại lai: điều tra trước, quyết định sau. Một điểm tách xa là tín hiệu để quay lại phiếu gốc, nhật ký đo. Lỗi nhập liệu có bằng chứng thì sửa theo nguồn gốc và ghi lại; trường hợp thật thì giữ, và cân nhắc phương pháp chịu được ngoại lai. Loại bỏ chỉ vì điểm đó làm kết quả "xấu" là không được phép.

Độ lệch và độ nhọn: hai con số mô tả hình dạng

Độ lệch (skewness) đo sự bất đối xứng. Phân phối chuẩn có độ lệch bằng 0; giá trị dương cho biết đuôi phải dài hơn (lệch phải), giá trị âm cho biết đuôi trái dài hơn. Độ nhọn (kurtosis) liên quan tới độ nặng của phần đuôi. Phân phối chuẩn có kurtosis bằng 3, nhưng phần lớn phần mềm thống kê báo "độ nhọn vượt" (excess kurtosis), tức đã trừ 3, nên chuẩn tương ứng 0. Giá trị dương nghĩa là đuôi nặng hơn chuẩn, giá trị âm nghĩa là đuôi nhẹ hơn. Trước khi so với bất kỳ mốc nào, hãy kiểm tra phần mềm của bạn đang báo loại nào.

Có hai cách đọc các con số này. Cách thứ nhất chia chỉ số cho sai số chuẩn của nó để ra giá trị z. Sai số chuẩn của độ lệch xấp xỉ căn của 6/n, của độ nhọn xấp xỉ căn của 24/n (phần mềm dùng công thức chính xác hơn, khác chút ít với mẫu nhỏ). Ví dụ giả định: n = 100, độ lệch 0,8, sai số chuẩn khoảng căn 0,06 ≈ 0,245, nên z ≈ 3,3. Cách này cũng gặp nghịch lý cỡ mẫu như kiểm định chuẩn: với n rất lớn, sai số chuẩn rất nhỏ nên z vượt ngưỡng dù lệch không đáng kể.

Cách thứ hai nhìn trực tiếp độ lớn tuyệt đối. Một mốc hay được trích là của West, Finch và Curran (1995): độ lệch tuyệt đối trên khoảng 2 hoặc độ nhọn vượt trên khoảng 7 được coi là lệch chuẩn đáng kể. Kim (2013) gợi ý kết hợp theo cỡ mẫu: mẫu dưới 50 dùng ngưỡng z 1,96; mẫu 50 đến 300 dùng ngưỡng z 3,29; mẫu trên 300 thì nhìn giá trị tuyệt đối với các mốc 2 và 7. Đây là các quy ước tham khảo từ tài liệu phương pháp, không phải tiêu chuẩn bắt buộc; mỗi lĩnh vực và mỗi người hướng dẫn có thể dùng mốc khác, và bạn nên trích nguồn mốc mình dùng.

Histogram và biểu đồ hộp: dùng thế nào cho đúng

Biểu đồ Q-Q nên đi cùng ít nhất một biểu đồ khác để bạn có bức tranh trọn vẹn. Mỗi loại có điểm mạnh và bẫy riêng:

  • Histogram cho thấy hình dạng tổng thể ngay lập tức: một đỉnh hay hai đỉnh, đuôi dài bên nào. Nhưng với mẫu nhỏ, hình dạng thay đổi đáng kể theo số cột và điểm bắt đầu của cột; cùng 20 quan sát có thể trông lệch hoặc đối xứng tuỳ cách chia. Thử vài độ rộng cột trước khi kết luận.
  • Đường cong chuẩn vẽ chồng lên histogram giúp so sánh, nhưng mắt người dễ bị đánh lừa bởi một hai cột cao bất thường. Đừng dựa vào nó như bằng chứng duy nhất.
  • Biểu đồ hộp cho thấy trung vị, khoảng tứ phân vị và các điểm ngoài râu. Trung vị lệch khỏi giữa hộp hoặc một râu dài hơn hẳn râu kia gợi ý bất đối xứng. Điểm ngoài râu là ứng viên ngoại lai theo một quy ước (thường là cách tứ phân vị hơn 1,5 lần khoảng tứ phân vị), không tự động là ngoại lai cần loại.
  • Đặt biểu đồ hộp các nhóm cạnh nhau còn giúp so độ phân tán: nếu một hộp rộng gấp mấy lần hộp khác, giả định phương sai bằng nhau của t-test cổ điển hay ANOVA đáng được xem xét, và điều này cũng ảnh hưởng cách diễn giải các kiểm định trên hạng.
  • Khi trình bày trong luận văn, chọn một hai biểu đồ thật sự cần cho lập luận, đặt phần còn lại ở phụ lục nếu quy định của trường cho phép.

Đọc một biểu đồ Q-Q trong năm bước

Khi mở một biểu đồ Q-Q lần đầu, làm theo trình tự cố định giúp bạn không bỏ sót và không đọc ngược. Trình tự gợi ý:

  1. Đọc nhãn hai trục: trục nào là giá trị trong mẫu, trục nào là giá trị chuẩn kỳ vọng. Bước này quyết định mọi mô tả "trên" hay "dưới" đường.
  2. Nhìn phần giữa (khoảng một nửa số điểm ở trung tâm): nếu phần giữa đã cong, lệch nằm ở toàn bộ phân phối chứ không chỉ ở đuôi.
  3. Nhìn hai đầu: cả hai đầu cùng phía so với đường gợi ý lệch (phải hoặc trái); hai đầu khác phía gợi ý đuôi nặng hoặc đuôi nhẹ.
  4. Tìm điểm tách riêng: một hai điểm rời xa phần còn lại là ứng viên ngoại lai; đánh dấu số thứ tự để tra lại phiếu gốc.
  5. Đối chiếu với cỡ mẫu và với histogram, biểu đồ hộp, độ lệch, độ nhọn, rồi mới viết một câu kết luận về hình dạng.

Câu kết luận nên mô tả, không phán xét, ví dụ giả định: "Biểu đồ Q-Q của nhóm can thiệp cho thấy lệch phải vừa phải với một quan sát tách xa ở đầu trên; quan sát này đã được đối chiếu phiếu gốc và giữ lại." Câu như vậy cho hội đồng thấy bạn đã nhìn dữ liệu thật sự chứ không chỉ chép một giá trị p.

Câu hỏi thường gặp

Biểu đồ Q-Q thẳng nhưng Shapiro-Wilk vẫn cho p nhỏ thì sao?

Thường gặp với mẫu lớn: kiểm định bắt được lệch rất nhỏ mà mắt không thấy trên biểu đồ. Nếu biểu đồ gần thẳng và độ lệch, độ nhọn nhỏ, lệch đó hiếm khi đủ làm hỏng t-test hay ANOVA. Bạn ghi cả hai thông tin và giải thích lựa chọn.

Có cần kiểm tra Q-Q khi đã dùng kiểm định phi tham số không?

Không cần cho mục đích kiểm tra tính chuẩn, nhưng vẫn nên nhìn hình dạng phân phối các nhóm, chẳng hạn bằng biểu đồ hộp, để biết chúng có tương tự nhau không. Điều này quyết định bạn có được diễn giải kết quả Mann-Whitney hay Kruskal-Wallis như so sánh trung vị hay không.

Nên vẽ Q-Q trên dữ liệu gốc hay dữ liệu đã biến đổi?

Vẽ trên đúng dạng dữ liệu bạn sẽ đưa vào kiểm định. Nếu định biến đổi logarit vì dữ liệu lệch phải, hãy vẽ Q-Q trước và sau biến đổi để thấy biến đổi có cải thiện thật không, rồi ghi rõ trong luận văn rằng phân tích chạy trên thang logarit.

Độ lệch bằng 0 có nghĩa là dữ liệu chuẩn không?

Không. Độ lệch bằng 0 chỉ nói phân phối đối xứng; phân phối đều hay phân phối có đuôi rất nặng cũng có thể đối xứng hoàn hảo. Cần xem cả độ nhọn và biểu đồ. Ngược lại, một ngoại lai duy nhất có thể kéo độ lệch đi xa dù phần còn lại khá cân đối.

Mẫu chỉ có 8 quan sát thì đánh giá tính chuẩn thế nào?

Với 8 quan sát, cả biểu đồ lẫn kiểm định đều ít thông tin. Cách hợp lý hơn là dựa vào hiểu biết về biến: biến đó trong các nghiên cứu tương tự thường phân bố ra sao, có bị chặn hay lệch tự nhiên không. Khi nghi ngờ, phương pháp phi tham số hoặc p chính xác là lựa chọn thận trọng.

Cần tư vấn cụ thể cho trường hợp của bạn?

Chúng tôi sẽ liên hệ trong vòng 24 giờ.

Đăng ký tư vấn ngay

Bài viết liên quan

Bạn cần hỗ trợ thêm?

Để lại thông tin, chúng tôi sẽ liên hệ trong 24 giờ.

hoặc
Gọi ngay 0926 138 138