AP Statistics

biến gây nhiễu

confounding variable

Còn gọi: biến nhiễu · confounder · yếu tố gây nhiễu

Biến gây nhiễu là biến thứ ba vừa liên hệ với biến giải thích vừa tác động lên biến phản hồi, khiến ta không tách được hai ảnh hưởng này.

Trong một nghiên cứu, mục tiêu của nhà thống kê là xác định xem biến giải thích có thực sự gây ra sự thay đổi ở biến phản hồi hay không. Tuy nhiên, đôi khi tồn tại một biến thứ ba — được gọi là biến gây nhiễu (confounding variable) — vừa gắn bó với biến giải thích vừa tác động độc lập lên biến phản hồi. Do đó, kết quả quan sát được có thể là hệ quả của biến gây nhiễu chứ không hẳn là của yếu tố ta đang xét.

Để hiểu cơ chế này, hãy xét một ví dụ cụ thể: một khảo sát ghi nhận rằng những người đánh răng thường xuyên có ít sâu răng hơn. Tuy nhiên, những người đánh răng đều đặn cũng có xu hướng ăn uống lành mạnh hơn. Vì thế, chế độ ăn uống ở đây chính là biến gây nhiễu — nó liên quan đến thói quen đánh răng và đồng thời ảnh hưởng đến số lượng sâu răng, khiến ta không thể kết luận rằng chỉ riêng việc đánh răng mới là nguyên nhân. Ngược lại, trong các thí nghiệm được thiết kế tốt, nhà nghiên cứu kiểm soát biến gây nhiễu bằng cách phân công ngẫu nhiên (random assignment) đối tượng vào các nhóm xử lý, hoặc sử dụng kỹ thuật phân khối để đảm bảo các nhóm tương đồng về những yếu tố có thể gây nhiễu.

Nhờ hiểu được vai trò của biến gây nhiễu, ta thấy rõ tại sao nghiên cứu quan sát thường chỉ cho phép rút ra kết luận về mối liên hệ chứ không phải quan hệ nhân quả. Chỉ khi phép gán ngẫu nhiên được thực hiện — tức là đối tượng được chọn vào nhóm xử lý hoàn toàn theo xác suất — thì tác động của các biến gây nhiễu tiềm ẩn mới được phân bổ đều giữa các nhóm, và lúc đó ta mới có cơ sở để suy luận nhân quả.

Trực giác: Giống như khi ta thấy doanh số kem tăng thì số vụ đuối nước cũng tăng theo — thủ phạm thực sự không phải là kem, mà là mùa hè nắng nóng đang ảnh hưởng đến cả hai.

Khái niệm này sinh ra từ đâu

1935Ronald A. FisherJohn Stuart MillJerome Cornfield

Thuật ngữ "confounding" được Ronald Fisher đưa vào thống kê trong cuốn The Design of Experiments năm 1935, ban đầu để chỉ hệ quả của việc chia khối (blocking) trong thí nghiệm nhiều nhân tố. Trước đó John Stuart Mill đã dùng chữ này theo nghĩa suy luận nhân quả từ năm 1843.

Thử nghiệm tương tác

Tự tay dồn người vận động nhiều vào nhóm dùng thuốc — rồi xem con số nói dối thế nào

Hay hiểu sai

Biến gây nhiễu không phải là "bất kỳ biến nào khác" có mặt trong nghiên cứu.

Phân bổ ngẫu nhiên không xóa bỏ các biến gây nhiễu, nó chỉ cân bằng chúng.

Cỡ mẫu lớn không sửa được nhiễu.

Trong nghiên cứu quan sát, chỉ nói "tương quan không suy ra nhân quả" là chưa đủ điểm.

Đừng lẫn biến gây nhiễu với biến ẩn hay với việc chia khối.

Ví dụ có lời giải

1Ví dụ 1/2

Một nhóm nghiên cứu theo dõi 800 người trưởng thành trong 10 năm để xem thói quen uống cà phê có liên quan gì đến bệnh tim mạch hay không. Trong số đó, 300 người thuộc nhóm uống nhiều (từ 4 cốc mỗi ngày trở lên) và 500 người thuộc nhóm uống ít (dưới 2 cốc mỗi ngày). Kết thúc 10 năm, có 60 người ở nhóm uống nhiều và 75 người ở nhóm uống ít được chẩn đoán mắc bệnh tim. Khi tách dữ liệu theo tình trạng hút thuốc, nhóm nghiên cứu thu được bảng sau: trong 300 người uống nhiều cà phê có 180 người hút thuốc (45 người mắc bệnh tim) và 120 người không hút thuốc (15 người mắc bệnh tim); trong 500 người uống ít cà phê có 100 người hút thuốc (25 người mắc bệnh tim) và 400 người không hút thuốc (50 người mắc bệnh tim). Đây là một nghiên cứu quan sát, người tham gia tự chọn thói quen của mình.

aTính tỉ lệ mắc bệnh tim của hai nhóm uống nhiều và uống ít cà phê, rồi mô tả mối liên hệ mà số liệu gộp gợi ra.
bGiải thích vì sao tình trạng hút thuốc là một biến gây nhiễu trong nghiên cứu này. Nêu rõ hai mối liên hệ cần chỉ ra.
c

Bạn nắm chắc chưa?

Quiz câu thật từ ngân hàng đề

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.

Tạo tài khoản miễn phí

Học tiếp từ đây

Bài học chứa thuật ngữ nàyDữ liệu một biến & thu thập dữ liệu · bài “Thiết kế thực nghiệm” — khoá AP Statistics

Cần trướcbiến giải thích

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

biến ngoại laiextraneous variable

Khác nhau ở đâuBiến ngoại lai là bất kỳ biến nào ngoài biến giải thích chính, còn biến gây nhiễu phải thỏa mãn điều kiện chặt hơn: tương quan với biến giải thích VÀ tác động độc lập lên biến phản hồi

Hay nhầm khiđề hỏi tại sao không thể kết luận nhân quả từ một nghiên cứu quan sát — thí sinh hay ghi "có biến ngoại lai" thay vì chỉ đích danh đây là biến gây nhiễu

Nguồn tham khảo

[1]Barron_AP_Stat_2026. tr. 23, 221, 250.

1Bước 1 — Tỉ lệ trên số liệu gộp: Trước hết ta tính tỉ lệ mắc bệnh tim của từng nhóm cà phê trên toàn bộ mẫu. Nhóm uống nhiều có

60/300 = 0{,}20

, tức 20%; nhóm uống ít có

75/500 = 0{,}15

, tức 15%. Chênh lệch là 5 điểm phần trăm, và nếu chỉ nhìn hai con số này thì người đọc rất dễ tin rằng cà phê làm tăng nguy cơ bệnh tim. Tuy nhiên, đây mới chỉ là một mối liên hệ thống kê giữa biến giải thích (explanatory variable) và biến phản hồi (response variable), chưa phải bằng chứng nhân quả.

2Bước 2 — Kiểm tra hai mối liên hệ của biến gây nhiễu: Muốn khẳng định hút thuốc gây nhiễu, ta phải chỉ ra đủ hai mối liên hệ chứ không phải một. Thứ nhất, hút thuốc gắn với thói quen uống cà phê: trong nhóm uống nhiều có

180/300 = 0{,}60

, tức 60% người hút thuốc, còn trong nhóm uống ít chỉ có

100/500 = 0{,}20

, tức 20%. Thứ hai, hút thuốc gắn với bệnh tim: gộp cả hai nhóm cà phê lại, những người hút thuốc có tỉ lệ mắc bệnh là

(45+25)/(180+100) = 70/280 = 0{,}25

, trong khi người không hút thuốc chỉ có

(15+50)/(120+400) = 65/520 = 0{,}125

. Vì hút thuốc vừa liên hệ với biến giải thích vừa liên hệ với biến phản hồi, ảnh hưởng của nó và ảnh hưởng của cà phê trộn lẫn vào nhau và không thể tách rời.

3Bước 3 — Tách theo tầng để thấy tác động của nhiễu: Bây giờ ta so sánh cà phê nhiều với cà phê ít bên trong từng nhóm hút thuốc, tức là giữ cố định biến gây nhiễu. Ở nhóm hút thuốc, tỉ lệ mắc bệnh là

45/180 = 0{,}25

so với

25/100 = 0{,}25

; ở nhóm không hút thuốc, tỉ lệ là

15/120 = 0{,}125

so với

50/400 = 0{,}125

. Hai cặp tỉ lệ bằng hệt nhau, nghĩa là khi đã cùng một tình trạng hút thuốc thì cà phê không còn liên hệ gì với bệnh tim nữa. Chênh lệch 5 điểm phần trăm ở Bước 1 chỉ xuất hiện vì nhóm uống nhiều cà phê chứa tỉ lệ người hút thuốc cao gấp ba lần nhóm kia.

4Bước 4 — Vì sao thiết kế nghiên cứu không cứu được kết luận: Điểm mấu chốt là người tham gia tự chọn thói quen của mình, nên nghiên cứu không hề can thiệp để làm cho hai nhóm giống nhau về mọi mặt khác. Do đó ngoài hút thuốc còn có thể còn nhiều đặc điểm khác lệch giữa hai nhóm, chẳng hạn giấc ngủ, mức căng thẳng hay chế độ ăn, và ta không có cách nào loại trừ hết chúng bằng lời. Vì vậy, từ dữ liệu quan sát ta chỉ được phép nói về mối liên hệ, tuyệt đối không được kết luận cà phê gây ra bệnh tim.

2Ví dụ 2/2

Một kỹ sư nông học muốn so sánh hai loại phân bón A và B xem loại nào cho năng suất cà chua cao hơn. Bà có 40 ô đất thử nghiệm, trong đó 20 ô nằm ở khu vực nhiều nắng và 20 ô nằm ở khu vực bị bóng cây che, và lượng nắng được biết là ảnh hưởng mạnh đến năng suất cà chua. Một trợ lý đề xuất cách làm cho nhanh: bón phân A cho toàn bộ 20 ô nắng và bón phân B cho toàn bộ 20 ô râm, rồi cuối vụ so sánh năng suất trung bình của hai nhóm.

aGiải thích vì sao cách làm của người trợ lý khiến kết quả thí nghiệm không diễn giải được.
bMô tả cách bố trí thí nghiệm ngẫu nhiên hoàn toàn trên 40 ô đất này và cho biết cách đó xử lý vấn đề nắng ra sao.
cMô tả một thiết kế tốt hơn có sử dụng khối, và nêu lợi ích so với câu (b).

1Bước 1 — Chỉ ra sự nhập nhằng trong cách làm của trợ lý: Với cách bố trí đó, mọi ô bón phân A đều là ô nắng và mọi ô bón phân B đều là ô râm, nên loại phân và lượng nắng thay đổi cùng lúc và cùng chiều. Giả sử cuối vụ nhóm A cho năng suất trung bình cao hơn nhóm B 1,4 kg mỗi ô; ta không có cách nào biết con số đó đến từ phân A tốt hơn, từ việc nhóm A được nhiều nắng hơn, hay từ cả hai cộng lại. Đây chính là tình huống hai biến bị gây nhiễu: tác động của chúng lên năng suất chồng lên nhau và không tách được. Vì vậy thí nghiệm này hỏng ngay từ khâu thiết kế, và không phép tính nào ở cuối vụ sửa được.

2Bước 2 — Bố trí ngẫu nhiên hoàn toàn: Cách sửa cơ bản là để may rủi quyết định ô nào nhận phân nào. Ta đánh số 40 ô đất từ 01 đến 40, dùng máy tính hoặc bảng số ngẫu nhiên chọn ra 20 số khác nhau, 20 ô mang các số đó nhận phân A và 20 ô còn lại nhận phân B. Nhờ phân công ngẫu nhiên (random assignment), số ô nắng trong hai nhóm có xu hướng xấp xỉ bằng nhau, và điều quan trọng hơn là mọi đặc điểm khác của đất — độ ẩm, độ pH, độ dốc — cũng được rải đều theo cùng cơ chế, kể cả những đặc điểm bà kỹ sư chưa nghĩ tới. Do đó chênh lệch năng suất còn lại chỉ có hai lời giải thích: do phân bón, hoặc do biến thiên ngẫu nhiên.

3Bước 3 — Bố trí theo khối để kiểm soát nắng chặt hơn: Ngẫu nhiên hóa cân bằng lượng nắng về trung bình, nhưng vẫn có thể lệch trong một lần bốc cụ thể, chẳng hạn nhóm A nhận 13 ô nắng còn nhóm B chỉ nhận 7. Vì đã biết trước nắng ảnh hưởng mạnh, ta nên chia 40 ô thành hai khối theo lượng nắng: khối nắng gồm 20 ô, khối râm gồm 20 ô. Trong mỗi khối, ta bốc ngẫu nhiên 10 ô cho phân A và 10 ô cho phân B, nên cuối cùng mỗi loại phân đều có đúng 10 ô nắng và 10 ô râm. Cách này gọi là thiết kế khối ngẫu nhiên (randomized block design).

4Bước 4 — So sánh hai thiết kế: Cả hai thiết kế đều loại bỏ được sự nhập nhằng ban đầu, nhưng thiết kế khối làm được thêm một việc nữa. Vì lượng nắng đã bị ép cân bằng tuyệt đối giữa hai loại phân, phần biến thiên năng suất do nắng gây ra bị tách riêng ra khỏi phần so sánh, khiến chênh lệch giữa A và B hiện lên rõ hơn trên nền nhiễu nhỏ hơn. Nói cách khác, ta so sánh phân A với phân B ngay bên trong nhóm ô cùng điều kiện nắng, rồi mới gộp kết quả lại. Nhờ đó thí nghiệm dễ phát hiện khác biệt thật giữa hai loại phân hơn, dù số ô đất vẫn chỉ là 40.

Cách làm của người trợ lý khiến loại phân và lượng nắng bị gây nhiễu: vì tất cả ô phân A đều nắng còn tất cả ô phân B đều râm, mọi chênh lệch năng suất cuối vụ đều có thể quy cho phân hoặc cho nắng mà không phân biệt được. Bố trí ngẫu nhiên hoàn toàn — đánh số 40 ô rồi bốc ngẫu nhiên 20 ô cho mỗi loại phân — phá vỡ mối liên hệ giữa loại phân và mọi đặc điểm sẵn có của ô đất, kể cả những đặc điểm chưa được nghĩ tới. Tốt hơn nữa là chia thành khối nắng và khối râm rồi bốc ngẫu nhiên 10 ô cho mỗi loại phân trong từng khối, vì khi đó mỗi loại phân có đúng 10 ô nắng và 10 ô râm, tác động của nắng bị loại hẳn khỏi phép so sánh và khác biệt thật giữa hai loại phân dễ được phát hiện hơn.