Phân tích tương quan là gì? Các nghiên cứu khoa học

Giới thiệu chung

Phân tích tương quan là phương pháp thống kê nhằm đánh giá mức độ liên hệ giữa hai biến số, xác định xem biến này thay đổi có đi kèm với biến kia hay không và hướng của mối quan hệ đó (tích cực hay tiêu cực). Phương pháp này không khẳng định nguyên nhân – kết quả nhưng cung cấp cơ sở định lượng để xây dựng giả thuyết nghiên cứu, lập mô hình hồi quy hay so sánh xu hướng trên nhiều nhóm mẫu khác nhau.

Trong y sinh, phân tích tương quan giúp đánh giá mối liên hệ giữa liều lượng thuốc và đáp ứng sinh học; trong kinh tế, dùng để khảo sát quan hệ giữa GDP và tiêu dùng nội địa; trong khoa học xã hội, ứng dụng để phân tích mối liên hệ giữa mức độ hài lòng cuộc sống và thu nhập cá nhân. Việc hiểu rõ tương quan góp phần tối ưu hóa chính sách, cải thiện mô hình dự báo và giảm sai số trong phân tích đa biến.

Ưu điểm của phân tích tương quan nằm ở tính đơn giản, trực quan và khả năng xử lý dữ liệu lớn. Nhược điểm là nhạy với giá trị ngoại lệ (outlier), chỉ đo lường mối quan hệ tuyến tính (với hệ số Pearson) và không phân biệt được nguyên nhân – kết quả. Kết quả phân tích thường được trình bày kèm scatterplot và hệ số tương quan, giúp người đọc dễ dàng nhận diện xu hướng và độ ổn định của mối liên hệ.

• Ứng dụng đa ngành: y học, kinh tế, môi trường, xã hội học.
• Giá trị hệ số trong khoảng –1 đến +1, càng gần ±1 thì mối liên hệ càng chặt chẽ.
• Đưa ra cơ sở để thiết kế mô hình hồi quy và phân tích nhân quả tiếp theo.

Định nghĩa phân tích tương quan

Phân tích tương quan (correlation analysis) là tập hợp các kỹ thuật xác định mức độ và hướng liên hệ giữa hai hoặc nhiều biến số. Khi hai biến di chuyển cùng chiều (cả hai tăng hoặc cùng giảm), ta nói tương quan dương; khi di chuyển ngược chiều, ta gọi tương quan âm.

Có hai hình thức tương quan chính: tuyến tính (linear correlation) và phi tuyến tính (nonlinear correlation). Tương quan tuyến tính được đo bằng hệ số Pearson, giả định mối quan hệ dạng đường thẳng; tương quan phi tuyến tính yêu cầu các hệ số như Spearman hoặc Kendall, thường áp dụng khi dữ liệu không tuân phân phối chuẩn hoặc có thứ tự (ordinal).

Khái niệm cơ bản cần phân biệt:

• Tương quan: đo lường mối liên hệ, không đồng nghĩa với quan hệ nhân quả.
• Quan hệ nhân quả: biến A thực sự gây ra thay đổi ở biến B, yêu cầu thiết kế nghiên cứu kiểm soát (như thí nghiệm ngẫu nhiên).

Các loại hệ số tương quan

Hệ số tương quan Pearson (r) đánh giá mối liên hệ tuyến tính giữa hai biến liên tục, yêu cầu dữ liệu phân phối chuẩn và quan sát độc lập. Giá trị r nằm trong khoảng –1 đến +1, với |r| càng lớn chứng tỏ độ chặt chẽ của mối quan hệ.

Hệ số tương quan Spearman (ρ) là hệ số thứ bậc (rank correlation), dùng cho dữ liệu không phân phối chuẩn hoặc có thứ tự. Thay vì giá trị gốc, Spearman dựa vào thứ tự (rank) của quan sát, giảm thiểu ảnh hưởng của ngoại lệ.

Hệ số tương quan Kendall (τ) đo độ bất đồng bộ giữa cặp quan sát, ít nhạy với giá trị lạ (outlier) hơn Spearman. Kendall τ đánh giá tỷ lệ cặp quan sát đồng hướng so với cặp ngược hướng, cho kết quả bền vững khi mẫu nhỏ hoặc dữ liệu nhiều giá trị trùng lặp.

• Pearson (r): đo tuyến tính, nhanh và phổ biến.
• Spearman (ρ): dữ liệu ordinal, không yêu cầu phân phối chuẩn.
• Kendall (τ): mẫu nhỏ, nhiều giá trị trùng lặp, độ tin cậy cao.

Công thức tính hệ số tương quan Pearson

Hệ số tương quan Pearson được tính theo công thức:

$r = \frac{\sum_{i=1}^n (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^n (x_i - \bar{x})^2}\,\sqrt{\sum_{i=1}^n (y_i - \bar{y})^2}}$

Trong đó:

• x_i, y_i là giá trị quan sát thứ i của biến X và Y.
• \bar{x}, \bar{y} là giá trị trung bình mẫu của X và Y.
• n là kích thước mẫu.

Thành phần tính hệ số r

Ký hiệu	Ý nghĩa
$x_i - \bar{x}$	Sự sai khác của mỗi quan sát X so với trung bình
$y_i - \bar{y}$	Sự sai khác của mỗi quan sát Y so với trung bình
$\sum (x_i - \bar{x})(y_i - \bar{y})$	Tổng tích sai khác, đại diện cho mối liên hệ đồng biến
$\sqrt{\sum (x_i - \bar{x})^2}$	Độ lệch chuẩn của X nhân với căn bậc hai của mẫu

Giá trị r gần +1 cho thấy tương quan dương mạnh, r gần –1 cho tương quan âm mạnh, r ≈ 0 cho thấy hầu như không có mối quan hệ tuyến tính. Kiểm định ý nghĩa thống kê thường sử dụng giả thuyết H₀: r = 0, tính t vớidelimiter phân phối Student’s t để đánh giá mức độ ngẫu nhiên của kết quả.

Giả định và điều kiện áp dụng

Phân tích tương quan Pearson yêu cầu dữ liệu liên tục và phân phối gần chuẩn (normal distribution). Mỗi cặp quan sát phải độc lập, tức một quan sát của biến X không ảnh hưởng đến quan sát của biến Y và ngược lại. Homoscedasticity (đồng nhất phương sai) là điều kiện tiếp theo: biến thiên của Y phải tương đối ổn định trên toàn bộ phổ giá trị X.

Với hệ số Spearman và Kendall, điều kiện phân phối chuẩn có thể được nới lỏng, tuy nhiên vẫn cần quan sát độc lập và thứ tự bậc (ordinal scale). Các giá trị ngoại lệ (outliers) cần được nhận diện sớm qua biểu đồ phân tán (scatterplot) hoặc biểu đồ hộp (boxplot) và có thể cân nhắc loại bỏ hoặc xử lý bằng phương pháp winsorizing.

• Biến liên tục, giản đồ phân tán không cho thấy mẫu hình phi tuyến lớn.
• Quan sát độc lập, không có nhóm lặp hoặc dữ liệu theo chuỗi thời gian không được tự tương quan.
• Homoscedasticity kiểm tra bằng kiểm định Breusch–Pagan hoặc biểu đồ residual vs. fitted.

Kiểm định ý nghĩa thống kê

Giả thuyết không (H₀) trong phân tích tương quan Pearson: hệ số tương quan r bằng 0, nghĩa là không có mối liên hệ tuyến tính giữa hai biến. Giả thuyết đối (H₁) cho rằng r ≠ 0. Để kiểm định, tính giá trị thống kê t theo công thức:

$t = r \sqrt{\frac{n - 2}{1 - r^2}}$

với n là kích thước mẫu. Giá trị t được so sánh với phân phối Student’s t với bậc tự do df = n – 2. Nếu |t| vượt ngưỡng tới hạn với mức ý nghĩa α (ví dụ α = 0.05), bác bỏ H₀ và kết luận hai biến có tương quan tuyến tính có ý nghĩa thống kê.

Ví dụ kiểm định tương quan Pearson

Tham số	Giá trị
Kích thước mẫu (n)	50
Hệ số tương quan (r)	0.35
Giá trị t	2.63
df	48
p-value	0.011

Khoảng tin cậy (confidence interval) cho hệ số tương quan có thể được tính sau khi biến đổi Fisher’s z. Khoảng tin cậy 95% giúp đánh giá phạm vi thực sự của mối liên hệ trong tổng thể, không chỉ dựa vào giá trị mẫu.

Ưu điểm và hạn chế

Ưu điểm của phân tích tương quan nằm ở tính đơn giản, dễ hiểu và khả năng nhanh chóng đánh giá mức độ liên hệ giữa hai biến. Kết quả thường được minh họa trực quan qua biểu đồ phân tán kết hợp đường hồi quy, giúp người đọc nắm bắt xu hướng tổng quan.

Hạn chế chính là không chứng minh được mối quan hệ nhân quả; “tương quan không đồng nghĩa với nhân quả”. Hơn nữa, Pearson chỉ đo lường mối liên hệ tuyến tính, bỏ qua các mẫu phi tuyến tính. Ngoài ra, kết quả rất nhạy với giá trị ngoại lệ, có thể làm méo mó r hoặc đánh giá sai hướng và độ mạnh của mối quan hệ.

• Khả năng phát hiện cùng chiều (positive) và ngược chiều (negative) tốt.
• Không áp dụng cho dữ liệu danh mục (categorical) hoặc biến rời rạc không bậc.
• Sensitivity cao với outlier, yêu cầu kiểm tra dữ liệu thô kỹ lưỡng.

Ứng dụng phân tích tương quan

Trong y sinh, tương quan Pearson được dùng để đánh giá mối liên hệ giữa liều thuốc và nồng độ marker sinh học (ví dụ HbA1c và nồng độ glucose huyết tương) [Clin Chem]. Spearman thường áp dụng khi dữ liệu không phân phối chuẩn, chẳng hạn đánh giá thứ hạng tổn thương mô ở mô hình động vật.

Trong kinh tế, phân tích tương quan giúp khảo sát mối quan hệ giữa GDP và chỉ số phát triển con người (HDI) [IMF], hoặc giữa lãi suất ngân hàng và đầu tư tư nhân. Khoa học môi trường sử dụng tương quan để phân tích mối liên hệ giữa nồng độ CO₂ và nhiệt độ trung bình toàn cầu.

Mở rộng: tương quan phần và mô hình hồi quy

Tương quan phần (partial correlation) đánh giá mối liên hệ giữa hai biến sau khi đã kiểm soát ảnh hưởng của biến thứ ba hoặc nhiều biến gây nhiễu. Ví dụ, tính tương quan phần giữa chiều cao và cân nặng khi kiểm soát biến tuổi để loại bỏ hiệu ứng tuổi tác lên cả hai biến.

Mối liên hệ giữa phân tích tương quan và hồi quy thể hiện qua hệ số hồi quy trong mô hình đơn biến. Trong hồi quy tuyến tính Y = β₀ + β₁X, hệ số β₁ tỷ lệ thuận với tương quan Pearson r khi dữ liệu chuẩn và không có biến trễ. Hồi quy đa biến mở rộng khái niệm tương quan phần, cho phép đánh giá đồng thời nhiều biến giải thích.

Tài liệu tham khảo

1. NIST/SEMATECH – Correlation Coefficient
2. Statistics How To – Correlation Coefficient Formula
3. Minitab Support – How to Interpret Correlation
4. Springer – Handbook of Statistical Methods for Data Science
5. ScienceDirect Topics – Pearson Correlation Coefficient