Stata cơ bản cho người mới học

Lớp Phương pháp NCKH – Chương trình CUD UPNT03

Baøi 4 (STATA)

SỬ DỤNG STATA 10.0 ĐỂ PHÂN TÍCH THỐNG KÊ
TRONG NGHIÊN CỨU KHOA HỌC
PHÂN TÍCH PHƯƠNG SAI (ONE-WAY ANOVA),
TƯƠNG QUAN VÀ HỒI QUI TUYẾN TÍNH
TS. BS Tăng Kim Hồng
1. Phân tích phương sai

- Mở file “PULSE” để phân tích.
- Lệnh sử dụng trong STATA như sau:
+ Statistics -> Linear models and related -> ANOVA/MANOVA -> One-way ANOVA ->
Chọn biến số cần kiểm định (response variable) và biến số phân nhóm (factor variable)
-> Chọn loại test so sánh giữa các nhóm (Multiple-comparison tests) -> Submit
(Giả sử giả định về phân phối bình thường của biến số đã được thỏa)

1


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

. oneway weight activity, bonferroni scheffe tab
|
Summary of weight
activity |
Mean
Std. Dev.
Freq.
------------+-----------------------------------0 |

66
0
1
1 |
65.888889
12.830086
9
2 |
63.360656
10.773475
61
3 |
65.047619
9.2977212
21
------------+-----------------------------------Total |
64.021739
10.53198
92
Analysis of Variance
Source
SS
df
MS
F
Prob > F
-----------------------------------------------------------------------Between groups
84.0496781
3
28.0165594

0.25
0.8638
Within groups
10009.9068
88
113.748941
-----------------------------------------------------------------------Total
10093.9565
91
110.922599
Bartlett's test for equal variances:
0.527

chi2(2) =

1.2830

Prob>chi2 =

note: Bartlett's test performed on cells with positive variance:
1 single-observation cells not used

2


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

Comparison of weight by activity
(Bonferroni)
Row Mean-|

Col Mean |
0
1
2
---------+--------------------------------1 |
-.111111
|
1.000
|
2 |
-2.63934
-2.52823
|
1.000
1.000
|
3 |
-.952381
-.84127
1.68696
|

1.000

1.000

1.000

Comparison of weight by activity
(Scheffe)

Row Mean-|
Col Mean |
0
1
2
---------+--------------------------------1 |
-.111111
|
1.000
|
2 |
-2.63934
-2.52823
|
0.996
0.931
|
3 |
-.952381
-.84127
1.68696
|
1.000
0.998
0.942

Giá trị p của Bartlett’s test (test chứng minh phương sai bằng nhau) = 0.527 tức là lớn
hơn giá trị 0.05 rất nhiều, cho thấy rằng phương sai của các nhóm vận động thể lực là
tương tự nhau. Giá trị p của F test = 0.8638, chứng tỏ rằng trung bình cân nặng của các
nhóm vận động thể lực là không khác nhau.

Kết quả của test so sánh các nhóm với nhau Bonferroni hay Scheffe đều cho kết quả
tương tự. Điều này gợi ý rằng không có sự khác biệt một cách có ý nghĩa của trung bình
cân nặng giữa các nhóm có hoạt động thể lực khác nhau.
2. Tương quan
- Mở file “PULSE” để phân tích.
- Trước khi tính hệ số tương quan, chúng ta nên vẽ 1 đồ thị scatterplot để khảo sát bằng
mắt sự liên quan giũa 2 biến số
- Lệnh sử dụng trong STATA: scatter y x, trong đó biến số y tạo thành trục tung và biến
số x tạo thành trục hoành. Giả sử ta khảo sát sự liên quan giữa 2 biến số pulse1 và pulse2.
. twoway (scatter pulse2 pulse1)

3


40

60

pulse2
80

100

120

Lớp Phương pháp NCKH – Chương trình CUD UPNT03

50

60

70

80

90

100

pulse1

Đồ thị scatter plots cho thấy có sự liên quan tuyến tính giữa 2 biến số pulse1 và pulse2.

4


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

Như trong phần lý thuyết chúng ta đã biết: nếu biến số x và y phân phối bình thường thì
tương quan giữa 2 biến số sẽ được tính bằng hệ số tương quan r – hay còn gọi hệ số
tương quan Pearson, hay còn gọi product moment correlation coeficient.
Nếu 2 biến số x và y phân phối không bình thường thì tương quan sẽ được tính bằng hệ
số tương quan Spearman
- Để tính hệ số tương quan Pearson, lệnh trong STATA như sau:
+ Statistics -> Summaries, tables, and tests -> Summary and descriptive statistics ->
Correlations and covariances -> Chọn biến số cần tính tương quan -> Submit

5

Lớp Phương pháp NCKH – Chương trình CUD UPNT03

- Kết quả có được như sau:
. correlate pulse1 pulse2
(obs=90)
|
pulse1
pulse2
-------------+-----------------pulse1 |
1.0000
pulse2 |
0.5999
1.0000

Không giống như nhiều phần mềm khác, STATA không cho biết giá trị p của phép kiểm
chứng minh hệ số tương quan này khác không, do đó ta phải dùng cách khác để tính giá
trị p này. Trong trường hợp này p <0.001, do đó ta có thể kết luận rằng 2 biến số này thật
sự tương quan với nhau với hệ số tương quan = 0.60.
- Để tính hệ số tương quan Spearman, lệnh trong STATA như sau:
+ Statistics -> Summaries, tables, and tests -> Non-parametric tests of hypotheses ->
Spearman’s rank correlation -> Chọn biến số cần tính tương quan -> Submit

6


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

7

Lớp Phương pháp NCKH – Chương trình CUD UPNT03

- Kết quả có được như sau:
. spearman pulse1 pulse2, stats(rho)
Number of obs =
Spearman's rho =

90
0.6393

Test of Ho: pulse1 and pulse2 are independent
Prob > |t| =
0.0000

Trong trường hợp này, STATA cho biết giá trị p của phép kiểm chứng minh hệ số tương
quan này khác không, do đó ta phải dùng cách khác để tính giá trị p này. Trong trường
hợp này p <0.001, do đó ta có thể kết luận rằng 2 biến số này thật sự tương quan với nhau
với hệ số tương quan = 0.64
3. Hồi qui tuyến tính đơn giản
3.1 Phương trình hối qui tuyến tính
- Trước khi báo cáo kết quả của hồi qui tuyến tính, chúng ta phải đảm bảo rằng dữ liệu đã
thỏa các giả định (xem phần lý thuyết)
- Mở file “PULSE” để phân tích.
- Cũng giống như khi tính hệ số tương quan, trước tiên chúng ta nên vẽ 1 đồ thị
scatterplot của Y (trục tung) theo X (trục hoành).
- Giả sử ta khảo sát phương trình hồi qui của biến số chiều cao trên biến số cân nặng (cân
nặng là biến số kết quả còn chiều cao là biến số giải thích)

40

60

weight

80

100

. twoway (scatter weight height)

150

160

170
height

180

190

- Để thực hiện regression, lệnh trong STATA như sau:

8


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

+ Statistics -> Linear model and related -> Linear regression -> Chọn biến số cần làm
regression -> Submit

9


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

- Kết quả có được như sau:
. regress weight height
Source |
SS
df
MS
-------------+-----------------------------Model | 6180.73703
1 6180.73703
Residual | 3913.21949
90 43.4802166
-------------+-----------------------------Total | 10093.9565
91 110.922599

Number of obs
F( 1,
90)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=

=
=
=

92
142.15
0.0000
0.6123
0.6080
6.594

-----------------------------------------------------------------------------weight |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------height |
.9015106
.075613
11.92
0.000
.7512921
1.051729
_cons | -90.59713
12.98666
-6.98
0.000
-116.3974
-64.79685

------------------------------------------------------------------------------

Phần trên của bảng cho ta kết quả của sum of square (thường là không sử dụng). Chúng
ta biết được số đối tượng khảo sát là 92. Kết quả của R-squared = 0.6123, cho chúng ta
biết 61% cân nặng được giải thích bằng mối liên quan tuyến tính với chiều cao.
Phần dưới của bảng kết quả cho ta con số ước lượng của Y intercept - (a) (trong bảng kết
quả, nó được hiểu là “_cons”) và độ dốc - β. Phương trình hồi qui như sau:
cân nặng = -90.6 + 0.9 × chiều cao.
Với phép kiểm H0: β = 0, số thống kê tính được t = 11.9, có p < 0.001, do đó ta loại bỏ
giả thiết H0 cho rằng độ dốc bằng 0, và kết luận rằng thật sự có mối liên quan tuyến tính
một cách có ý nghĩa giữa chiều cao và cân nặng.
3.2 Tiên đoán kết quả sau khi chạy lệnh regression
Sau khi chúng ta chạy lệnh regress, STATA sẽ lưu trữ các hệ số được ước lượng và các
sai số chuẩn trong các biến số gọi là “biến số hệ thống”. Các biến số hệ thống này sẽ
10


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

được lưu lại trong bộ nhớ cho đến khi chúng ta chạy lệnh regression khác. Các “biến số
hệ thống” này sẽ được sử dụng bởi các lệnh “predict” để tính:
• giá trị tiên đoán (predicted values),
• số dư (residuals),
• sai số chuẩn của giá trị trung bình được ước lượng của Y,
• sai số chuẩn của giá trị được ước lượng của Y.
Ví dụ để tạo ra một biến số mới được gọi là “pweigh” có chứa các giá trị tiên đoán cân
nặng dựa trên chiều cao trong bộ số liệu, ta dùng lệnh sau:
predict pweight
* Lưu ý: Lệnh predict không tạo ra kết quả nào hết, để thấy được kết quả của việc tạo ra
pweight ta dùng lệnh sum

sum weight pweight
. sum

weight pweight

Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------weight |
92
64.02174
10.53198
42
95
pweight |
92
64.02174
8.24137
46.43248
77.98535

4. Hồi qui tuyến tính đa biến
Bài tập: Giả sử chúng ta muốn khảo sát cân nặng ở trẻ em suy dinh dưỡng thay đổi theo
chiều cao và tuổi như thế nào. Biến số kết quả (outcome) là y = wgt và biến số giải thích
là x1 = hgt và x2 = age. Một mẫu ngẫu nhiên 12 trẻ được rút ra từ số trẻ bệnh của trại A.
Cân nặng (wgt), chiều cao (hgt) và tuổi (age) như sau:
Cân nặng (wgt) Chiều cao (hgt) Tuổi (age)

64
57
8
71
59
10
53
49
6
67
62
11
55
51
8
58
50
7
77
55
10
57
48
9
56
42
10
51
42
6

76
61
12
68
57
9
- Lệnh sử dụng trong STATA:
+ Statistics -> Multivariate analysis -> MANOVA, multivariate regression and related
-> Multivariate regression -> Nhập biến số cần chạy regression -> Submit
regress wgt hgt age

11


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

- Kết quả có được như sau:
. regress wgt hgt age
Source |
SS
df
MS
Number of obs =
12
-------------+-----------------------------F( 2,
9) =
15.95
Model | 692.822607
2 346.411303
Prob > F

= 0.0011
Residual | 195.427393
9 21.7141548
R-squared
= 0.7800
-------------+-----------------------------Adj R-squared = 0.7311
Total |
888.25
11
80.75
Root MSE
= 4.6598
-----------------------------------------------------------------------------wgt |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------hgt |
.722038
.2608051
2.77
0.022
.1320559
1.31202
age |
2.050126
.9372256
2.19
0.056

-.0700253
4.170278
_cons |
6.553048
10.94483
0.60
0.564
-18.20587
31.31197
------------------------------------------------------------------------------

Kết quả cho thấy F = 346.41/21.71 = 15.96 với (2,9) độ tự do. Giá trị p của F-test =
0.0011 gợi ý rằng chúng ta nên loại bỏ H0 và kết luận là có 1 tỉ lệ đáng kể thay đổi của
cân nặng được giải thích bởi chiều cao và tuổi.
R-squared = 0.78, cho chúng ta biết chiều cao và tuổi giải thích được 78% sự thay đổi
của cân nặng được giải thích bằng mối liên quan tuyến tính với chiều cao.
Adjusted R-square là tỉ lệ thay đổi của y được giải thích bằng phương trình hồi qui. Ở
đây, adjusted R-square = 0.73, cho thấy sau khi hiệu chỉnh R cho 2 biến số được đưa vào
mô hình, chúng ta có thể giải thích được khoảng 73% sự thay đổi của y.
Phương trình hồi qui sẽ có a= 6.55, b1 = 0.72, b2 = 2.05
Điều này có nghĩa là nếu chiều cao = 0, tuổi = 0 thì cân nặng là 6.55 pounds. Hoặc cứ
chiều cao tăng 1cm thì cân nặng tăng 0.72 pounds (nếu tuổi giữ nguyên), hoặc nếu tuổi
tăng 1 năm thì cân nặng tăng 2.95 pounds (nếu chiều cao giữ nguyên).

12


Lớp Phương pháp NCKH – Chương trình CUD UPNT03

BÀI TẬP THỰC HÀNH

Bài tập 1
Sử dụng file “lowbwt” để trả lời những câu hỏi sau đây:
a) Tạo ra đồ thị two-way scatter plot của biến số sbp (HA tâm thu) và gestage (tuổi
thai).
b) Đồ thị có đưa ra gợi ý gì về mối liên quan những biến số này không?
c) Giả sử sbp là biến số kết quả, hãy viết phương trình hồi qui thể hiện mối liên quan
giữa sbp và tuổi thai. Diễn giải the slope and the y-intercept of the line.
d) Ở mức ý nghĩa 0.05, hãy kiểm định giả thiết H0: β = 0.
e) Hãy tiên đoán HA tâm thu của thai phụ có tuổi thai là 31 tuần
Bài tập 2
1) Hãy dùng STATA để nhập số liệu sau, trong đó:
Y = Trung bình huyết áp động mạch (mm Hg)
X1 = Tuổi (năm)
X2 = Cân nặng (kg)
X3 = Diện tích bề mặt cơ thể (m2)
X4 = Thời gian bị CHA (năm)
X5 = Mạch (lần/phút)
X6 = Số đo mức độ tress

2) Những biến số nào liên quan một cách có ý nghĩa với trung bình huyết áp động mạch

13