Đang tải bài học…

AP Statistics

kiểm định thống kê

statistical test

Kiểm định thống kê là quy trình sử dụng dữ liệu mẫu để quyết định xem có đủ bằng chứng bác bỏ giả thuyết không hay không.

Mỗi khi muốn khẳng định một điều về tổng thể — chẳng hạn "thuốc mới hiệu quả hơn giả dược" — ta không thể khảo sát từng cá thể mà phải dựa vào mẫu. Kiểm định thống kê (statistical test) chính là khung quy tắc biến dữ liệu mẫu thành một quyết định: bác bỏ giả thuyết không $H_0$ hoặc không đủ bằng chứng để bác bỏ. Bước đầu tiên là tính một kiểm định thống kê (test statistic) từ mẫu, ví dụ

$t=\frac{\bar{x}-\mu_0}{s/\sqrt{n}}$

trong đó $\bar{x}$ là trung bình mẫu, $\mu_0$ là giá trị giả thuyết không, $s$ là độ lệch chuẩn (standard deviation) mẫu và $n$ là cỡ mẫu. Công thức này đo mức chênh lệch giữa dữ liệu thực tế và điều giả thuyết không dự đoán, chuẩn hóa theo sai số chuẩn.

Do đó, đại lượng trên được so sánh với phân phối lý thuyết tương ứng để tính giá trị p (p-value) — xác suất thu được kết quả cực đoan ít nhất như quan sát nếu $H_0$ đúng. Khi $p<\alpha$ , với $\alpha$ là mức ý nghĩa (significance level) chọn trước, ta bác bỏ $H_0$ ; ngược lại ta kết luận chưa đủ bằng chứng. Vì vậy quyết định luôn mang tính xác suất chứ không chắc chắn tuyệt đối.

Tuy nhiên, mỗi kiểm định đều tiềm ẩn hai rủi ro: sai lầm loại I là bác bỏ $H_0$ khi nó đúng, còn sai lầm loại II là không bác bỏ $H_0$ khi nó sai. Nhờ chọn cỡ mẫu đủ lớn và mức $\alpha$ hợp lý, người nghiên cứu có thể kiểm soát đồng thời cả hai sai lầm này.

Trực giác: Hãy tưởng tượng bạn là trọng tài xem lại băng hình phạt đền: bằng chứng trên màn hình đủ rõ thì bạn thổi còi, chưa đủ rõ thì cho trận đấu tiếp tục — nhưng dù cẩn thận đến đâu vẫn có lúc bạn quyết định sai.

Khái niệm này sinh ra từ đâu

1908–1925William Sealy GossetRonald FisherKarl PearsonGottfried AchenwallJohn Sinclair

Thử nghiệm tương tác

Rút mẫu trong thế giới H₀ đúng — xem chênh lệch quan sát có hiếm không

Hay hiểu sai

Giá trị $p$ lớn không chứng minh giả thuyết không (null hypothesis) đúng.

Giá trị $p$ không phải xác suất để giả thuyết không đúng.

Mức ý nghĩa phải chọn trước khi nhìn dữ liệu, không phải chọn sau cho vừa.

Giả thuyết phải viết bằng tham số của tổng thể, không bằng thống kê của mẫu.

Ví dụ có lời giải

1Ví dụ 1/2

Một nhóm nghiên cứu muốn biết thiếu ngủ có làm giảm khả năng ghi nhớ hay không. Họ tuyển 28 người trưởng thành tình nguyện và phân ngẫu nhiên 14 người vào nhóm được ngủ trọn một đêm, 14 người còn lại vào nhóm bị đánh thức hai giờ một lần suốt đêm. Sáng hôm sau, mỗi người đọc một danh sách từ và được yêu cầu nhớ lại sau một giờ; số từ nhớ đúng được ghi lại. Nhóm ngủ đủ có trung bình mẫu

\bar{x}_1 = 15{,}4

từ với độ lệch chuẩn

s_1 = 3{,}2

; nhóm thiếu ngủ có

\bar{x}_2 = 12{,}1

từ với

s_2 = 3{,}5

. Đồ thị hộp của hai nhóm đều khá đối xứng và không có giá trị ngoại lai (outlier).

aNêu tên kiểm định thống kê phù hợp và viết cặp giả thuyết bằng ký hiệu, có định nghĩa tham số.
bKiểm tra các điều kiện cần thiết để thực hiện kiểm định đó.
cTính thống kê kiểm định, tìm giá trị p và kết luận ở mức ý nghĩa $\alpha = 0{,}05$ .

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 nàySuy luận cho tỉ lệ (dữ liệu phân loại) · bài “Thiết lập kiểm định cho tỉ lệ tổng thể” — khoá AP Statistics

Cần trướcthống kê kiểm định

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

khoảng tin cậyconfidence interval

Khác nhau ở đâuKiểm định thống kê trả lời câu hỏi có đủ bằng chứng bác bỏ một giá trị giả định hay không, còn khoảng tin cậy ước lượng phạm vi giá trị hợp lý của tham số

Hay nhầm khiđề hỏi 'có bằng chứng cho thấy tỉ lệ khác 0,5 không' thì dùng kiểm định; hỏi 'tỉ lệ thật nằm trong khoảng nào' thì dùng khoảng tin cậy

Nguồn tham khảo

[1]Barron_AP_Stat_2026. tr. 39, 62.

Các phép kiểm định ý nghĩa thống kê hình thành ở đầu thế kỷ 20, khởi đầu từ William Sealy Gosset — người công bố kiểm định

t

năm 1908 dưới bút danh "Student" — và được Ronald Fisher hệ thống hóa trong thập niên 1920, khi ông đặt kiểm định chi bình phương của Karl Pearson và đại lượng

t

của Gosset vào cùng một khung lý thuyết và ấn định mức 5%.

Gosset tốt nghiệp Oxford năm 1899 rồi về làm trưởng bộ phận thí nghiệm ủ bia cho hãng Guinness ở Ireland. Công việc buộc ông phải kết luận về chất lượng nguyên liệu từ những mẻ thử rất nhỏ, nên ông xây dựng một quy trình so sánh có kiểm soát sai số và công bố nó trên tạp chí Biometrika năm 1908. Ít lâu sau, Fisher gom các phép so sánh rời rạc ấy về một mối: bài báo năm 1924 của ông trình bày kiểm định chi bình phương của Pearson và đại lượng $t$ trong cùng một khung với phân phối Gauss, và đến năm 1925 ông đưa ra ngưỡng 5% quen thuộc, kèm nhận xét rằng sai lệch vượt quá hai lần độ lệch chuẩn đã đáng lưu ý.

Vì sao mang đúng cái tên này? Phần "thống kê" trong tên gọi có gốc rất xa với chuyện kiểm định giả thuyết. Từ tiếng Anh bắt nguồn từ tiếng Latin mới statisticum collegium ("hội đồng nhà nước") và tiếng Ý statista ("chính khách"); dạng tiếng Đức Statistik do Gottfried Achenwall đưa ra năm 1749 ban đầu chỉ việc phân tích số liệu về nhà nước, tức "khoa học về quốc gia", còn tiếng Anh khi đó gọi là political arithmetic. Mãi đến đầu thế kỷ 19 từ này mới mang nghĩa thu thập và phân loại dữ liệu nói chung, sau khi John Sinclair đưa nó vào tiếng Anh năm 1791 với bộ Statistical Account of Scotland. Vì vậy, khi các phép kiểm định ra đời hơn một thế kỷ sau, chúng thừa hưởng một cái tên vốn nói về việc đếm dân và đo của cải, chứ không phải về việc bác bỏ giả thuyết. Tên riêng của từng phép kiểm định lại có lý do lịch sử riêng, và trường hợp nổi tiếng nhất là kiểm định $t$ của Student (Student's t test). Guinness chỉ cho phép Gosset công bố nghiên cứu với điều kiện ông dùng bút danh, vì hãng không muốn đối thủ biết mình đang dùng phương pháp thống kê nào để kiểm soát chất lượng. Gosset chọn bút danh "Student", nên phương pháp đi vào sách giáo khoa dưới tên người học trò vô danh chứ không mang tên tác giả thật. Nhờ đó mà đến nay đề thi vẫn viết "Student's t", một cái tên nghe như tên bài tập nhưng thật ra là dấu vết của một điều khoản bảo mật thương mại.

Rút mẫu trong thế giới H₀ đúng — xem chênh lệch quan sát có hiếm không

Kéo tham số, thấy khái niệm chuyển động — mở khoá bằng tài khoản 0đ.

Tạo tài khoản miễn phí

Mẹo phòng thi

Bài kiểm định luôn được chấm theo bốn bước; thiếu bước nào mất điểm bước đó.

Câu kết luận phải có đủ ba thành phần: so sánh, quyết định, ngữ cảnh.

Phân biệt kết luận nhân quả với kết luận suy rộng dựa trên thiết kế nghiên cứu.

Tần suất trong đề AP StatisticsThường xuyên

1Bước 1: Câu hỏi so sánh trung bình của hai nhóm độc lập được tạo ra bằng phân ngẫu nhiên, nên kiểm định phù hợp là kiểm định t hai mẫu (two-sample t-test) cho hiệu hai trung bình tổng thể. Gọi

\mu_1

là số từ nhớ đúng trung bình nếu tất cả người tham gia được ngủ đủ, và

\mu_2

là số từ nhớ đúng trung bình nếu tất cả họ bị thiếu ngủ. Vì nghi ngờ đặt ra là thiếu ngủ làm giảm trí nhớ, ta dùng đối thuyết một phía:

H_0: \mu_1 - \mu_2 = 0

và

H_a: \mu_1 - \mu_2 > 0

2Bước 2: Ba điều kiện cần nêu rõ. Thứ nhất là ngẫu nhiên: các đối tượng được phân ngẫu nhiên vào hai điều kiện xử lý, nên so sánh giữa hai nhóm là hợp lệ và ta có thể nói về quan hệ nhân quả trong phạm vi những người tham gia. Thứ hai là độc lập: hai nhóm gồm những người khác nhau, không ai xuất hiện ở cả hai nhóm. Thứ ba là điều kiện chuẩn: mỗi nhóm chỉ có

n = 14 < 30

, nhưng đồ thị hộp đối xứng và không có giá trị ngoại lai nên giả định phân phối gốc xấp xỉ chuẩn là chấp nhận được.

3Bước 3: Sai số chuẩn của hiệu hai trung bình mẫu được tính từ hai phương sai mẫu chia cho cỡ mẫu tương ứng:

SE=\sqrt{\frac{s_1^2}{n_1}+\frac{s_2^2}{n_2}}=\sqrt{\frac{3{,}2^2}{14}+\frac{3{,}5^2}{14}}=\sqrt{0{,}7314+0{,}8750}\approx 1{,}267.

Con số

1{,}267

cho biết hiệu hai trung bình mẫu thường dao động khoảng chừng ấy từ quanh giá trị thật nếu ta lặp lại thí nghiệm. Thống kê kiểm định là hiệu quan sát được chia cho sai số chuẩn đó:

t=\frac{\bar{x}_1-\bar{x}_2}{SE}=\frac{15{,}4-12{,}1}{1{,}267}\approx 2{,}60.

Nghĩa là chênh lệch

3{,}3

từ giữa hai nhóm lớn gấp khoảng

2{,}6

lần mức dao động ngẫu nhiên thông thường.

4Bước 4: Với bậc tự do do máy tính đưa ra,

df \approx 25{,}8

, giá trị p (p-value) một phía là

P(t > 2{,}60) \approx 0{,}008

; nếu dùng cách bảo thủ

df = n_1 - 1 = 13

thì

p \approx 0{,}011

. Cả hai cách đều cho

p < \alpha = 0{,}05

, do đó ta bác bỏ

H_0

. Cần nhớ rằng giá trị p này trả lời đúng một câu: nếu thiếu ngủ thật sự không ảnh hưởng gì, xác suất thấy chênh lệch từ

3{,}3

từ trở lên chỉ khoảng

0{,}8\%

— hiếm đến mức khó coi là may rủi.

Có bằng chứng thống kê thuyết phục ( $t \approx 2{,}60$ , $p \approx 0{,}008 < 0{,}05$ ) để kết luận rằng số từ nhớ đúng trung bình của nhóm ngủ đủ cao hơn nhóm bị đánh thức mỗi hai giờ. Vì các đối tượng được phân ngẫu nhiên vào hai điều kiện xử lý, ta có thể quy chênh lệch này cho việc thiếu ngủ; tuy nhiên do họ là người tình nguyện chứ không phải mẫu ngẫu nhiên từ tổng thể, kết luận không nên mở rộng cho toàn bộ người trưởng thành.

2Ví dụ 2/2

Trong phần trắc nghiệm, đề thường không bắt tính toán mà chỉ hỏi "kiểm định nào là phù hợp nhất". Bốn nghiên cứu sau đây, mỗi nghiên cứu thu thập dữ liệu theo một kiểu khác nhau: (I) đo mức độ chiếu sáng đường phố và mức độ tội phạm, mỗi mức đo trên thang 10 điểm, tại 30 khu đô thị được chọn ngẫu nhiên; (II) so sánh điểm trung bình bài kiểm tra kỹ năng ngôn ngữ của một nhóm trẻ 24 tháng tuổi được xếp là "nói nhiều" và một nhóm khác được xếp là "ít nói"; (III) hỏi 500 cử tri được chọn ngẫu nhiên về nhóm tuổi và đảng phái ưa thích, rồi lập bảng hai chiều; (IV) đo thời gian chạy 100 m của 40 vận động viên trước và sau một chương trình huấn luyện kéo dài sáu tuần.

aVới nghiên cứu (I), kiểm định nào là phù hợp nhất? Giải thích.
bVới nghiên cứu (II), kiểm định nào là phù hợp nhất? Giải thích.
cVới nghiên cứu (III), kiểm định nào là phù hợp nhất? Giải thích.
dVới nghiên cứu (IV), kiểm định nào là phù hợp nhất? Giải thích.

1Bước 1: Trước khi xét từng trường hợp, hãy đặt ba câu hỏi phân loại theo đúng thứ tự này. Dữ liệu là số đo hay là phân loại? Có bao nhiêu nhóm, và các nhóm ấy độc lập hay ghép cặp với nhau? Cuối cùng, câu hỏi nghiên cứu là về trung bình, về tỉ lệ, hay về mối liên hệ giữa hai biến? Trả lời xong ba câu này thì tên kiểm định gần như tự hiện ra.

2Bước 2: Ở nghiên cứu (I), mỗi khu đô thị cho ta một cặp số — điểm chiếu sáng và điểm tội phạm — nên dữ liệu là hai biến định lượng trên cùng các cá thể, và câu hỏi là hai biến ấy có liên hệ tuyến tính hay không. Đây chính là tình huống của kiểm định t cho hệ số hồi quy tuyến tính (linear regression t-test), với

H_0: \beta = 0

và

H_a: \beta \ne 0

, trong đó

\beta

là hệ số góc của đường hồi quy tổng thể. Đừng nhầm sang so sánh trung bình: hai thang điểm này đo hai đại lượng khác hẳn nhau nên việc lấy hiệu trung bình của chúng vô nghĩa.

3Bước 3: Ở nghiên cứu (II), có hai nhóm trẻ tách biệt và một biến định lượng là điểm kiểm tra, câu hỏi nhắm vào chênh lệch điểm trung bình. Vì vậy ta dùng kiểm định t hai mẫu cho

H_0: \mu_1 - \mu_2 = 0

. Lưu ý rằng "nói nhiều" và "ít nói" là đặc điểm sẵn có chứ không phải cách xử lý được gán ngẫu nhiên, nên dù kết quả có ý nghĩa thống kê thì cũng chỉ kết luận được là có liên hệ, không kết luận được nguyên nhân.

4Bước 4: Ở nghiên cứu (III), cả hai biến đều là biến phân loại và dữ liệu đến từ một mẫu ngẫu nhiên duy nhất được phân loại theo hai chiều. Trường hợp này gọi tên là kiểm định khi bình phương về tính độc lập (chi-square test of independence), với

H_0

nói rằng nhóm tuổi và đảng phái ưa thích độc lập với nhau trong tổng thể cử tri. Nếu thay vì một mẫu, người ta lấy bốn mẫu riêng từ bốn nhóm tuổi rồi so sánh, thì cùng một bảng ấy lại được phân tích bằng kiểm định về tính đồng nhất — công thức giống nhau nhưng cách phát biểu giả thuyết khác nhau.

5Bước 5: Ở nghiên cứu (IV), mỗi vận động viên đóng góp hai số đo, và hai số đo ấy gắn với cùng một người nên không hề độc lập. Ta lấy hiệu $d = $ (thời gian trước)

-

(thời gian sau) cho từng người rồi chỉ làm việc với một mẫu gồm 40 hiệu số, tức kiểm định t theo cặp (matched pairs t-test) với

H_0: \mu_d = 0

. Đây là sai lầm phổ biến nhất trong phần trắc nghiệm: nhìn thấy "hai bộ số" là vội chọn kiểm định hai mẫu, trong khi thiết kế ghép cặp đòi hỏi kiểm định một mẫu trên các hiệu số.

Bốn nghiên cứu tương ứng với bốn kiểm định khác nhau: (I) kiểm định t cho hệ số góc hồi quy, (II) kiểm định t hai mẫu về hiệu hai trung bình, (III) kiểm định khi bình phương về tính độc lập, và (IV) kiểm định t theo cặp trên các hiệu số. Điều quyết định không phải là chủ đề của nghiên cứu mà là kiểu dữ liệu và cách thu thập dữ liệu; vì vậy khi gặp câu hỏi dạng này, hãy đọc phần mô tả cách lấy mẫu trước, rồi mới đọc câu hỏi nghiên cứu.

Dẫn tớikiểm định t

Mục tiêu và lộ trình unit xem miễn phí — làm bài tập và lưu tiến độ cần tài khoản 0đ.