Đặt câu hỏi đúng cách
Trong cuộc sống, chúng ta thường muốn kiểm tra một khẳng định: "Thuốc mới này có hiệu quả hơn thuốc cũ không?" "Chương trình đào tạo có thực sự cải thiện năng suất không?" "Quảng cáo trên TikTok có tăng doanh số không?" Kiểm định giả thuyết là phương pháp thống kê giúp trả lời những câu hỏi này một cách có hệ thống.
Hai giả thuyết
Mỗi kiểm định bắt đầu bằng hai giả thuyết đối lập:
- Giả thuyết không (H₀): "Không có sự khác biệt" hoặc "Không có hiệu quả." Đây là giả định mặc định - trạng thái hiện tại.
- Giả thuyết đối (H₁): "Có sự khác biệt" hoặc "Có hiệu quả." Đây là điều bạn muốn chứng minh.
Một công ty dược phẩm Việt Nam thử nghiệm thuốc hạ sốt mới:
- H₀: Thuốc mới KHÔNG hiệu quả hơn thuốc cũ (không có sự khác biệt)
- H₁: Thuốc mới hiệu quả HƠN thuốc cũ
Chúng ta bắt đầu bằng giả định H₀ đúng (thuốc không hiệu quả hơn), rồi xem dữ liệu có đủ bằng chứng để bác bỏ giả định đó không.
Quy trình kiểm định
- Đặt giả thuyết: Xác định H₀ và H₁
- Chọn mức ý nghĩa (α): Thường α = 0,05 (5%) - ngưỡng bạn chấp nhận bác bỏ H₀ sai
- Thu thập dữ liệu: Lấy mẫu và tính thống kê cần thiết
- Tính giá trị p: Xác suất nhận được kết quả như vậy (hoặc cực đoan hơn) nếu H₀ đúng
- Quyết định: Nếu p ≤ α → bác bỏ H₀. Nếu p > α → không bác bỏ H₀
Trường THPT Chu Văn An thử phương pháp dạy Toán mới. Giả thuyết:
- H₀: Điểm trung bình không thay đổi (μ = 6,5 như trước)
- H₁: Điểm trung bình tăng (μ > 6,5)
Sau 1 học kỳ, 40 học sinh có điểm trung bình 7,2. Giá trị p = 0,01.
Vì 0,01 < 0,05 → Bác bỏ H₀. Có bằng chứng thống kê rằng phương pháp mới cải thiện điểm số.
Hiểu giá trị p bằng phép loại suy
Hãy nghĩ về kiểm định giả thuyết như phiên tòa ở Việt Nam:
- H₀ = "Bị cáo vô tội" (giả định ban đầu)
- H₁ = "Bị cáo có tội"
- Bằng chứng = Dữ liệu
- Giá trị p = Khả năng bằng chứng xuất hiện nếu bị cáo thực sự vô tội
Nếu bằng chứng quá khó giải thích khi giả định vô tội (p rất nhỏ), ta kết luận "có tội" (bác bỏ H₀). Nếu bằng chứng có thể giải thích dễ dàng ngay cả khi vô tội (p lớn), ta không đủ cơ sở kết luận.
Hai loại sai lầm
Như phiên tòa có thể sai, kiểm định thống kê cũng vậy:
- Sai lầm loại I (dương tính giả): Bác bỏ H₀ khi H₀ đúng - kết luận có hiệu quả khi thực ra không có. Xác suất: α (mức ý nghĩa).
- Sai lầm loại II (âm tính giả): Không bác bỏ H₀ khi H₁ đúng - bỏ lỡ hiệu quả thực sự. Xác suất: β.
Xét nghiệm sàng lọc ung thư tại bệnh viện K:
- Sai lầm loại I: Nói bệnh nhân có ung thư khi thực tế không có → gây lo lắng, xét nghiệm thêm không cần thiết
- Sai lầm loại II: Nói bệnh nhân không có ung thư khi thực tế có → bỏ lỡ điều trị sớm, nguy hiểm hơn
Trong y tế, sai lầm loại II thường nghiêm trọng hơn, nên ngưỡng sàng lọc được đặt để giảm thiểu nó.
"Không bác bỏ" không phải "chứng minh đúng"
Điểm quan trọng: khi p > α, chúng ta nói "không bác bỏ H₀" - KHÔNG phải "H₀ đúng." Không đủ bằng chứng để bác bỏ khác với chứng minh không có hiệu quả. Có thể mẫu quá nhỏ, hoặc hiệu quả có nhưng quá nhỏ để phát hiện.
Ứng dụng thực tế
- Y tế: Thử nghiệm lâm sàng vaccine tại Việt Nam kiểm định H₀: vaccine không hiệu quả
- Kinh doanh: A/B testing trên Shopee: giao diện mới có tăng tỷ lệ mua hàng không?
- Nông nghiệp: Giống lúa mới có năng suất cao hơn giống cũ không?
- Giáo dục: Phương pháp giảng dạy mới có cải thiện điểm thi không?
Kiểm định giả thuyết bắt đầu bằng giả định "không có hiệu quả" (H₀), rồi dùng dữ liệu để xem có đủ bằng chứng bác bỏ giả định đó không. Giá trị p cho biết khả năng dữ liệu xuất hiện nếu H₀ đúng - p nhỏ = bằng chứng mạnh chống H₀. Luôn nhớ: "không bác bỏ" không có nghĩa "chứng minh đúng," và có hai loại sai lầm cần cân nhắc.