Định lý giới hạn trung tâm, kiểm định t, kiểm định z
1. Tổng quan
A. Định nghĩa
Lý thuyết nền tảng của kiểm định giả thuyết thống kê (Statistical Hypothesis Testing) - suy diễn đặc tính của tổng thể bằng thống kê thu được từ mẫu. Định lý giới hạn trung tâm (CLT) bảo đảm xấp xỉ chuẩn của trung bình mẫu, và trên đó kiểm định z, kiểm định t phán định giả thuyết về trung bình tổng thể một cách xác suất.
Ba khái niệm được nối thành một chuỗi logic. Ta không thể biết toàn bộ tổng thể nên chỉ thấy mẫu → trung bình mẫu là biến ngẫu nhiên dao động mỗi lần lấy → phải biết phân phối của dao động đó mới suy diễn được → CLT bảo đảm phân phối đó là phân phối chuẩn → tận dụng tính chuẩn đó, kiểm định z, t phán định "khác biệt quan sát được là ngẫu nhiên hay thực sự". Nghĩa là CLT là "giấy phép lý thuyết" cho suy diễn, còn kiểm định z, t là "công cụ phán định" hoạt động trên giấy phép đó.
Cấu trúc tam giác này không phải toán học trừu tượng mà là động cơ thực chất của ra quyết định dựa trên dữ liệu. Thuốc mới có hiệu quả hơn giả dược không, màn hình phương án A có tỷ lệ chuyển đổi cao hơn phương án B không, quy trình có lệch khỏi quy cách không, khác biệt hiệu năng giữa hai mô hình học máy có ý nghĩa không - tất cả đều được phán định bằng khung này. Từ góc độ Kỹ sư chuyên nghiệp, cốt lõi là tư duy thống kê vượt khỏi "học thuộc công thức thống kê kiểm định": kiểm tra sự thành lập của các giả định (tính chuẩn, tính độc lập, tính đồng phương sai), diễn giải đồng thời tính ý nghĩa và cỡ tác động, và thiết kế kích thước mẫu.
Định vị ngắn gọn ba khái niệm như sau. CLT là nền tảng lý thuyết giải thích "vì sao trung bình mẫu tuân theo phân phối chuẩn", kiểm định z là công cụ phán định "trường hợp biết phương sai tổng thể (hoặc tỷ lệ với mẫu lớn)", còn kiểm định t là công cụ phán định cho "mẫu nhỏ không biết phương sai tổng thể". Ba cái không phải là chủ đề tách rời mà tạo thành một hệ thống suy diễn duy nhất, nên phải hiểu và trình bày gắn kết với nhau.
B. Bối cảnh ra đời và sự cần thiết
Trong thực tế, ta không thể điều tra toàn bộ tổng thể nên chỉ quan sát một phần mẫu. Vì điều tra toàn bộ phần lớn là bất khả thi do chi phí, thời gian, ràng buộc vật lý (kiểm tra phá hủy v.v.). Vấn đề là trung bình mẫu x̄ là một biến ngẫu nhiên thay đổi mỗi lần lấy, và nếu không định lượng được dao động này (sai số lấy mẫu, Sampling Error) thì không thể phán đoán "khác biệt quan sát được trong mẫu là khác biệt thật của tổng thể, hay chỉ là ngẫu nhiên".
Định lý giới hạn trung tâm, bằng việc bảo đảm chính dao động của trung bình mẫu này tuân theo hình dạng đã biết là phân phối chuẩn, mở ra cánh cửa suy diễn có thể tính được bằng xác suất. "Biết phân phối của dao động" nghĩa là "có thể tính xác suất giá trị quan sát xuất hiện một cách ngẫu nhiên", và xác suất này (p-value) trở thành căn cứ phán định giả thuyết. Kiểm định z, t là công cụ cụ thể chuyển xấp xỉ chuẩn đó vào phán định giả thuyết thực tế.
Cấu trúc tam giác này trở thành nền tảng cho gần như mọi ra quyết định dựa trên dữ liệu như A/B test, quản lý quy trình thống kê (SPC), thử nghiệm lâm sàng, so sánh hiệu năng mô hình. Ngay cả trong kỷ nguyên dữ liệu lớn, AI, tầm quan trọng của kiểm định giả thuyết hỏi "khác biệt quan sát được có ý nghĩa thống kê không" lại càng tăng, và áp dụng kiểm định sai dẫn tới phát hiện giả, kết luận không thể tái lập.
C. Quy trình cơ bản của kiểm định giả thuyết
Kiểm định giả thuyết đi qua các bước sau. ① Đặt giả thuyết không (H₀: không có khác biệt) và giả thuyết đối (H₁: có khác biệt). ② Định trước mức ý nghĩa α (thường 0,05). ③ Tính thống kê kiểm định (z hoặc t) bằng dữ liệu. ④ Tìm p-value của giá trị đó rồi so với α. ⑤ Nếu p < α thì bác bỏ H₀ và phán định "có khác biệt ý nghĩa", ngược lại là "không bác bỏ được". Trong quy trình này, cốt lõi của độ tin cậy là chốt ① và ② trước khi xem dữ liệu. Nếu đổi giả thuyết hay mức ý nghĩa sau khi xem kết quả thì ý nghĩa thống kê của kiểm định sụp đổ.
2. Định lý giới hạn trung tâm (CLT)
A. Cấu trúc khái niệm tổng thể
flowchart TD
POP["Tổng thể (không phụ thuộc hình dạng phân phối)"] -->|Trích mẫu kích thước n lặp lại| SAMP["Tính trung bình mẫu x-bar"]
SAMP -->|n đủ lớn| CLT["Phân phối trung bình mẫu tiệm cận phân phối chuẩn"]
CLT -->|Biết phương sai tổng thể| Z["kiểm định z"]
CLT -->|Không biết phương sai tổng thể| T["kiểm định t"]
Z --> DEC["Phán định giả thuyết về trung bình tổng thể"]
T --> DEC
Sơ đồ cấu trúc trên cho thấy quan hệ ba khái niệm trong một cái nhìn. Điểm xuất phát là tổng thể bất kể hình dạng nào, từ đó trích lặp lại mẫu kích thước n rồi tính trung bình, thì theo CLT, phân phối của các trung bình đó hội tụ về phân phối chuẩn. Trên tính chuẩn này, tùy có biết phương sai tổng thể hay không mà chia nhánh thành kiểm định z và kiểm định t, và cuối cùng phán định giả thuyết về trung bình tổng thể (bằng/khác).
Một ví dụ đời thường là thăm dò dư luận. Không thể biết tỷ lệ ủng hộ của toàn dân (tỷ lệ tổng thể), nhưng nếu lấy ngẫu nhiên 1.000 người để tính tỷ lệ ủng hộ thì theo CLT, phân phối của tỷ lệ mẫu đó tiệm cận phân phối chuẩn. Vì vậy có thể đưa ra khoảng như "tỷ lệ ủng hộ 48%, biên sai số ±3%p (mức tin cậy 95%)". Ở đây biên sai số chính là sai số chuẩn nhân với 1,96, và quy luật √n - phải tăng mẫu lên 4 lần thì biên sai số mới giảm còn một nửa - được áp dụng y nguyên.
Chính nhờ tính chất này mà CLT được gọi là "định lý quan trọng nhất trong thống kê học". Vì dù không biết phân phối tổng thể, chỉ cần mẫu đủ lớn thì có thể thống nhất suy diễn bằng một công cụ toán học duy nhất là phân phối chuẩn. Không chỉ kiểm định z, t mà vô số kỹ thuật như khoảng tin cậy, kiểm định hệ số của phân tích hồi quy, biểu đồ kiểm soát đều được dựng trên một định lý này.
B. Định nghĩa và nguyên lý
Định lý cho rằng bất kể hình dạng phân phối của tổng thể, nếu kích thước mẫu n đủ lớn thì phân phối của trung bình mẫu x̄ tiệm cận phân phối chuẩn.
Cốt lõi nằm ở chỗ nó thành lập "dù tổng thể không phải phân phối chuẩn". Chẳng hạn, số chấm xúc xắc là phân phối đều với 1~6 đồng đều, nhưng nếu lặp lại việc tính trung bình của 30 lần tung xúc xắc thì phân phối của các giá trị trung bình đó hội tụ về phân phối chuẩn hình chuông. Thậm chí cả ở tổng thể bất đối xứng lệch về một phía như phân phối mũ, phân phối thu nhập, nếu gom đủ nhiều trung bình mẫu thì phân phối đó cũng gom lại thành hình chuẩn. Vì tổng, trung bình của nhiều yếu tố độc lập hội tụ về hình chuẩn khi độ lệch của từng phân phối triệt tiêu lẫn nhau.
Khi đó kỳ vọng của trung bình mẫu giữ nguyên là trung bình tổng thể μ (tính không chệch), còn sai số chuẩn (Standard Error) thể hiện độ phân tán giảm còn σ/√n. Ở đây việc √n nằm ở mẫu số là rất quan trọng. Vì phải tăng mẫu lên 4 lần thì sai số mới giảm còn một nửa, nên muốn tăng độ chính xác gấp đôi thì chi phí tốn gấp bốn. Cấu trúc hiệu suất giảm dần (diminishing returns) này là đánh đổi cốt lõi trong thiết kế kích thước mẫu, và là lý do cách tiếp cận "cứ tăng mẫu bừa" là không hiệu quả.
Nhìn vào con số thì càng rõ. Khi độ lệch chuẩn tổng thể σ=10, nếu n=100 thì sai số chuẩn là 10/10=1,0, nhưng muốn giảm sai số còn một nửa là 0,5 thì phải tăng n lên gấp bốn thành 400, còn muốn giảm còn 0,25 thì cần 1600. Nghĩa là dù tăng mẫu đến đâu, tốc độ sai số hội tụ về 0 cũng ngày càng chậm. Vì vậy trong thực tế, cách tiếp cận "định trước độ chính xác cần thiết rồi tính ngược ra mẫu tối thiểu phù hợp" (phân tích lực kiểm định) là hợp lý.
Tiêu chuẩn kinh nghiệm cho "đủ lớn" thường là n≥30, nhưng đây không phải quy tắc tuyệt đối mà phụ thuộc vào mức độ lệch (độ xiên) của tổng thể. Nếu tổng thể đã gần chuẩn thì n nhỏ cũng cho xấp xỉ tốt, còn nếu bất đối xứng mạnh hoặc nhiều giá trị cực đoan thì n phải tới hàng trăm mới ổn định. Do đó trong thực tế, nên trực quan hóa trước hình dạng phân phối của dữ liệu (biểu đồ tần suất, Q-Q plot) để kiểm tra tính hợp lý của xấp xỉ.
C. Vì sao quan trọng - nền tảng của suy diễn
Nếu không có CLT, ta không thể nói bằng xác suất trung bình mẫu có thể lệch bao nhiêu khỏi trung bình tổng thể, và khoảng tin cậy lẫn kiểm định giả thuyết đều không thành lập. Chẳng hạn, chính nhờ CLT mà có thể đổi trực giác "trung bình mẫu là 52 nên trung bình tổng thể cũng khoảng chừng gần 52" thành khoảng định lượng như "với tin cậy 95%, trung bình tổng thể nằm trong khoảng 50,0~54,0". Nguyên lý của khoảng tin cậy là nhân sai số chuẩn σ/√n với 1,96 lần của phân phối chuẩn để tạo khoảng, và đây là quan hệ hai mặt của một đồng xu với kiểm định giả thuyết (khớp với kết luận là có ý nghĩa nếu khoảng không chứa μ₀). Như vậy CLT là nền tảng của toàn bộ thống kê suy diễn, gắn ước lượng và kiểm định thành một.
| Mục | Nội dung | Ý nghĩa |
|---|---|---|
| Kỳ vọng trung bình mẫu | Bằng trung bình tổng thể μ | Ước lượng không chệch (tính không chệch) |
| Sai số chuẩn trung bình mẫu | σ/√n | n càng lớn sai số càng giảm (tỷ lệ √n) |
| Hình dạng phân phối | Tiệm cận phân phối chuẩn | Suy diễn dựa trên chuẩn dù chưa biết phân phối tổng thể |
| Điều kiện kinh nghiệm | Thường n ≥ 30 | Độ xiên lớn thì cần n lớn hơn |
3. Kiểm định z và kiểm định t
A. Tiêu chí lựa chọn
flowchart LR
Q{"Có biết phương sai tổng thể sigma không?"} -->|Có| Z["kiểm định z (phân phối chuẩn tắc)"]
Q -->|Không| T2{"Mẫu có lớn không?"}
T2 -->|Nhỏ| T["kiểm định t (phân phối t, bậc tự do n-1)"]
T2 -->|Lớn| Z
Ngã rẽ của hai kiểm định là có biết phương sai tổng thể σ² hay không. Trong thực tế, trường hợp không biết trung bình tổng thể μ mà lại biết phương sai tổng thể σ² là hiếm, nên phần lớn thực tế là tình huống ước lượng σ bằng độ lệch chuẩn mẫu s. Ở đây nảy sinh vấn đề. Vì bản thân s là giá trị ước lượng dao động theo từng mẫu, nên ngoài tính bất định của trung bình còn cộng thêm tính bất định của ước lượng phương sai một cách kép.
Phân phối t chính là phân phối được làm cho đuôi dày hơn phân phối chuẩn để phản ánh tính bất định bổ sung này. Đuôi dày nghĩa là xem xác suất xuất hiện giá trị cực đoan là lớn hơn, và kết quả là ở cùng mức ý nghĩa, giá trị tới hạn cần để bác bỏ lớn hơn, dẫn tới phán định bảo thủ (thận trọng) hơn. Mẫu càng nhỏ (bậc tự do càng nhỏ) thì đuôi càng dày, còn khi n lớn thì s gần với σ và phân phối t dần hội tụ về phân phối chuẩn. Vì vậy ở mẫu lớn (n≥30), kết quả của kiểm định t và kiểm định z trên thực tế trở nên như nhau, nên trong thực tế, nếu không biết phương sai tổng thể thì đôi khi dùng kiểm định t làm mặc định bất kể kích thước mẫu.
Vậy kiểm định z dùng khi nào. Trường hợp thực sự biết phương sai tổng thể là hiếm, nhưng kiểm định tỷ lệ (proportion) là nơi dùng kiểm định z tiêu biểu. Dữ liệu tỷ lệ tuân theo phân phối nhị thức của thành công/thất bại và phương sai được quyết định bởi trung bình là p(1-p), nên khi mẫu lớn thì chuyển sang xấp xỉ chuẩn (z) để kiểm định khác biệt tỷ lệ như tỷ lệ chuyển đổi, tỷ lệ lỗi. Đây là lý do so sánh tỷ lệ chuyển đổi trong A/B test quy mô lớn thường được xử lý bằng kiểm định z (hoặc kiểm định khi bình phương). Nghĩa là "so sánh trung bình chủ yếu dùng t, so sánh tỷ lệ quy mô lớn chủ yếu dùng z" là cục diện đại khái của thực tế.
B. So sánh đặc tính
| Phân loại | Kiểm định z | Kiểm định t |
|---|---|---|
| Phân phối dùng | Chuẩn tắc (z) | Phân phối t (bậc tự do n-1) |
| Phương sai tổng thể | Đã biết (dùng σ) | Chưa biết (dùng độ lệch chuẩn mẫu s) |
| Kích thước mẫu | Tiền đề mẫu lớn (n≥30) | Áp dụng cả mẫu nhỏ (n<30) |
| Đặc điểm phân phối | Hình chuông cố định | Đuôi dày → hội tụ chuẩn khi n↑ |
| Công dụng tiêu biểu | Kiểm định chất lượng, tỷ lệ quy mô lớn | So sánh trung bình mẫu nhỏ, A/B test |
C. Thống kê kiểm định và ví dụ tính toán
Thống kê kiểm định có thể hiểu theo trực giác là "giá trị khác biệt quan sát được chia cho sai số chuẩn của khác biệt đó", tức "tỷ số tín hiệu trên nhiễu". z = (x̄-μ₀)/(σ/√n), t = (x̄-μ₀)/(s/√n), trong đó tử số là khác biệt giữa trung bình quan sát và trung bình giả thuyết (tín hiệu), mẫu số là sai số lấy mẫu (nhiễu). Giá trị này càng lớn thì càng nghĩa là "khác biệt lớn khó xem là ngẫu nhiên".
Chẳng hạn, giả sử một quy trình có trung bình mục tiêu μ₀=50, và trung bình của mẫu 64 cái là x̄=52, độ lệch chuẩn mẫu s=8. Sai số chuẩn là 8/√64 = 8/8 = 1 nên t = (52-50)/1 = 2,0. Trong phân phối t với bậc tự do 63, nếu p-value hai phía của giá trị này nhỏ hơn mức ý nghĩa (ví dụ 0,05) thì bác bỏ giả thuyết không (trung bình=50) và phán định "trung bình khác 50". Ngược lại nếu p-value lớn thì xem "khác biệt nằm trong phạm vi ngẫu nhiên" và không bác bỏ được.
Ở đây cần chỉ ra một hiểu lầm thường gặp. Việc không bác bỏ được giả thuyết không không phải là "chứng minh không có khác biệt" mà là "thiếu bằng chứng để nói có khác biệt". Ngoài ra, p-value không phải là "xác suất giả thuyết không đúng" mà là "xác suất xuất hiện giá trị cực đoan từ mức quan sát trở lên khi giả định giả thuyết không đúng" - cần hiểu chính xác điểm này mới diễn giải đúng được.
D. Kiểm định một phía/hai phía và hai loại sai lầm
Kiểm định chia thành kiểm định hai phía (two-tailed) và kiểm định một phía (one-tailed) tùy theo hướng của giả thuyết đối. Nếu không xác định hướng như "trung bình có khác 50 không" thì là kiểm định hai phía, xem cả hai đuôi của phân phối. Nếu hướng đã định như "trung bình có lớn hơn 50 không" thì là kiểm định một phía, chỉ xem một đuôi, và ở cùng mức ý nghĩa thì dễ bác bỏ hơn. Tuy nhiên định hướng sau khi xem dữ liệu thuộc về p-hacking, nên kiểm định một phía bắt buộc phải chọn dựa trên căn cứ định sẵn từ trước.
Kiểm định giả thuyết có hai loại sai lầm không thể tránh. Sai lầm loại 1 (α) là việc thực tế không có khác biệt nhưng bác bỏ nhầm "có" (dương tính giả), còn sai lầm loại 2 (β) là việc thực tế có khác biệt nhưng bỏ sót thành "không có" (âm tính giả). Có quan hệ đánh đổi: hạ α (nghiêm ngặt hơn) thì β tăng, nên phải so sánh chi phí của hai sai lầm để định mức ý nghĩa. Chẳng hạn, với trường hợp bỏ sót thì chí mạng như chẩn đoán bệnh thì thiết kế theo hướng giảm β, còn với trường hợp báo động oan đắt đỏ thì theo hướng giảm α. Lực kiểm định (1-β) thể hiện mức độ tránh tốt sai lầm loại 2 này.
4. Các loại kiểm định t
Kiểm định t chia thành ba loại theo cấu trúc so sánh, và chọn loại phù hợp tình huống sẽ chi phối tính hợp lý của kết quả. Phải sắp xếp trước "so sánh cái gì với cái gì", "hai nhóm độc lập hay ghép cặp" thì mới quyết định được loại đúng. Cốt lõi là chọn loại không phải là chọn công thức mà là vấn đề hiểu cấu trúc của thí nghiệm, dữ liệu.
Kiểm định t một mẫu (One-sample) xem trung bình của một nhóm có bằng một giá trị chuẩn cụ thể không. Chẳng hạn kiểm định trung bình tuổi thọ đo được thực tế của pin sản phẩm mới có khác ý nghĩa với quy cách công bố là 10 giờ không. Dùng khi phán định "quy trình có duy trì giá trị mục tiêu không" trong quản lý chất lượng.
Kiểm định t hai mẫu độc lập (Independent two-sample) so sánh trung bình của hai nhóm không liên quan nhau, là công cụ chuẩn của A/B test. Chẳng hạn phơi phương án A và phương án B của trang web cho hai nhóm người truy cập khác nhau để so sánh trung bình tỷ lệ chuyển đổi (hoặc thời gian lưu lại). Khi đó nếu khó xem phương sai của hai nhóm là bằng nhau thì dùng kiểm định t Welch (Welch's t-test) không giả định đồng phương sai sẽ an toàn hơn.
Kiểm định t cặp (Paired) đo cùng một đối tượng hai lần trước và sau xử lý để kiểm định trung bình của khác biệt đó. Như huyết áp trước và sau uống thuốc của cùng một bệnh nhân, thời gian thao tác trước và sau cải tiến UI của cùng một người dùng, nó loại bỏ nhiễu là khác biệt cá nhân nên có lực kiểm định cao. Vì có thể bắt được tác động với mẫu ít hơn kiểu hai mẫu độc lập, nên được ưa chuộng trong thiết kế thí nghiệm có thể so sánh trước - sau.
Vì sao kiểu cặp có lợi về lực kiểm định có thể hiểu qua cấu trúc phương sai. Nếu huyết áp cơ bản của mỗi người khác nhau nhiều thì ở kiểu hai mẫu độc lập, khác biệt cá nhân lớn đó làm tăng mẫu số (sai số chuẩn) và che khuất khác biệt. Ngược lại, kiểu cặp chỉ xem "khác biệt trước - sau của cùng một người" nên khác biệt cá nhân bị triệt tiêu làm mẫu số nhỏ lại, và cùng một tác động cũng dễ được phát hiện có ý nghĩa hơn. Tuy nhiên, nếu giữa hai lần đo trước - sau xen vào thay đổi khác (hiệu ứng học tập, trôi thời gian) thì bị lẫn với tác động xử lý, nên phải kiểm soát điều này bằng thiết kế nhóm đối chứng.
| Loại | Công dụng | Ví dụ |
|---|---|---|
| t một mẫu | Trung bình một nhóm vs giá trị chuẩn | Tuổi thọ đo thực tế so với quy cách |
| t hai mẫu độc lập | So sánh trung bình hai nhóm không liên quan | Tỷ lệ chuyển đổi A/B test |
| t cặp | So sánh trước - sau của cùng đối tượng | Thay đổi huyết áp trước - sau xử lý |
Nhầm lẫn ba loại thì kết quả bị bóp méo. Chẳng hạn, nếu xử lý nhầm dữ liệu trước - sau của cùng một người thành hai mẫu độc lập thì khác biệt cá nhân còn lại thành nhiễu làm giảm lực kiểm định, ngược lại nếu gom dữ liệu của những người khác nhau thành kiểu cặp thì phạm sai lầm giả định cặp không tồn tại. Ngoài ra, khi so sánh từ ba nhóm trở lên mà lặp lại kiểm định t nhiều lần thì phát sinh vấn đề so sánh bội, nên trường hợp này so sánh một lần bằng phân tích phương sai (ANOVA) rồi xem cặp nào khác bằng kiểm định hậu nghiệm. Nghĩa là nguyên tắc là kiểm định t chỉ áp dụng trong phạm vi "so sánh trung bình của hai nhóm (hoặc một nhóm)".
5. Chuyên sâu - Cạm bẫy thực tế và xu hướng cải cách thống kê
Vấn đề so sánh bội (Multiple Comparisons) là cạm bẫy thường gặp nhất trong thực tế. Nếu lặp lại kiểm định 20 lần với mức ý nghĩa 5%, thì dù thực tế không có khác biệt nào, trung bình vẫn có 1 lần ngẫu nhiên ra "có ý nghĩa". Tổng quát hơn, khi làm m lần kiểm định độc lập, xác suất có ít nhất một dương tính giả là 1-(1-0,05)^m, với m=10 thì tới khoảng 40%. Đây là lý do khi xem đồng thời nhiều chỉ số trong A/B test hoặc nhìn lặp lại kết quả giữa chừng (peeking) thì dương tính giả tăng vọt. Để ngăn điều này cần hiệu chỉnh Bonferroni (chia mức ý nghĩa cho số kiểm định), kiểm soát FDR, kế hoạch phân tích định trước, thiết kế kiểm định tuần tự.
Quản lý quy trình thống kê (SPC) tại hiện trường sản xuất là áp dụng thực tế tiêu biểu của CLT. Biểu đồ kiểm soát (Control Chart) đo lặp lại trung bình nhóm con rồi vẽ đường giới hạn kiểm soát ±3σ trên tiền đề CLT rằng phân phối đó là chuẩn, và nếu trung bình lệch khỏi phạm vi này thì báo động quy trình bất thường. Chẳng hạn trong quy trình mạ có độ dày mục tiêu 50μm, độ lệch chuẩn quy trình 2μm với kích thước nhóm con n=25 thì sai số chuẩn của trung bình mẫu là 2/√25=0,4μm, nên giới hạn kiểm soát được đặt hẹp khoảng 50±1,2μm. Vì quản lý trung bình chứ không phải từng giá trị đo riêng lẻ, nên nhờ CLT mà có thể phát hiện bất thường nhạy và ổn định hơn.
p-hacking và khủng hoảng tái lập cũng là chủ đề cốt lõi gần đây của giới khoa học dữ liệu. Nếu thử đổi biến, tập con, phương pháp phân tích cho tới khi ra kết quả có ý nghĩa thì p-value mất độ tin cậy. Trước tình hình đó, Hiệp hội Thống kê Hoa Kỳ (ASA) trong tuyên bố năm 2016 đã khuyến nghị "đừng phụ thuộc vào giá trị tới hạn nhị phân p<0,05, mà hãy diễn giải tổng hợp cỡ tác động, khoảng tin cậy, bối cảnh nghiên cứu". Nghĩa là thực tiễn thống kê đang dịch chuyển theo hướng vượt khỏi "có ý nghĩa hay không" để báo cáo kèm "khác biệt lớn đến đâu, bất định đến đâu".
Thiết kế cỡ tác động (Effect Size) và lực kiểm định (Power) là cốt lõi của giải pháp thay thế đó. Nếu n rất lớn thì ngay cả khác biệt nhỏ nhặt đến mức vô nghĩa về mặt thực tế cũng trở nên "có ý nghĩa thống kê". Chẳng hạn trong A/B test hàng triệu người dùng, khác biệt tỷ lệ chuyển đổi 0,01%p cũng ra p<0,05, nhưng khác biệt đó có ý nghĩa về mặt kinh doanh hay không lại là vấn đề riêng. Do đó phải báo cáo kèm cỡ tác động như Cohen's d và khoảng tin cậy mới phán đoán được có phải "khác biệt ý nghĩa" không. Ngược lại, phải thiết kế trước bằng phân tích lực kiểm định (power analysis) "cần bao nhiêu mẫu để bắt được tác động mong muốn với mức ý nghĩa α, lực kiểm định 1-β" thì mới ngăn được việc bỏ sót tác động thật do thiếu mẫu (sai lầm loại 2). Đây là ứng dụng thực tế gắn trực tiếp với cấu trúc σ/√n của CLT.
Áp dụng trong lĩnh vực AI, dữ liệu và kết nối đề thi
Trong học máy, khung này cũng được dùng y nguyên. Đo độ chính xác của hai mô hình A, B qua nhiều lần (theo từng fold kiểm định chéo) rồi phán định "khác biệt hiệu năng có ý nghĩa không" bằng kiểm định t cặp, hoặc nền tảng thí nghiệm trực tuyến tính khoảng tin cậy theo thời gian thực dựa trên CLT để định thời điểm kết thúc thí nghiệm. Tuy nhiên, nếu mẫu không độc lập (chuỗi thời gian, đo lặp lại) hoặc tính chuẩn bị phá vỡ thì phải cân nhắc kèm kiểm định đã hiệu chỉnh, bootstrap, phương pháp Bayes thay cho kiểm định t chuẩn. Chủ đề này được ra đề dạng trả lời ngắn, dạng luận trong kỳ thi Kỹ sư chuyên nghiệp Quản lý Thông tin, kết nối với quản lý chất lượng thống kê, phân tích dữ liệu, thiết kế thí nghiệm, khoảng tin cậy - phân tích hồi quy ([[correlation-causation]]), nên sắp xếp theo dòng tư duy "giả định → chọn kiểm định → diễn giải → ra quyết định" hiệu quả hơn là học thuộc công thức.
6. Cân nhắc và hàm ý
- Kiểm chứng giả định đi trước: kiểm định t, z lấy tiền đề là tính chuẩn, tính độc lập, (khi so sánh hai nhóm) tính đồng phương sai của giá trị quan sát. Khi vi phạm phải thay bằng kiểm định phi tham số như Welch's t (dị phương sai), Mann-Whitney U, Wilcoxon (phi chuẩn) mới ngăn được bóp méo kết quả. Áp dụng công thức mà không kiểm tra giả định là sai lầm thường gặp nhất.
- Báo cáo song song tính ý nghĩa và cỡ tác động: p-value chỉ nói "khác biệt có ngẫu nhiên không" chứ không nói "khác biệt có lớn về mặt thực tế không". Trình bày kèm Cohen's d, khoảng tin cậy, và phân biệt rõ "có ý nghĩa thống kê ≠ quan trọng thực chất" ở mẫu lớn.
- Thiết kế trước kích thước mẫu, lực kiểm định: theo cấu trúc σ/√n của CLT thì độ chính xác tỷ lệ với √n, nên tính trước mẫu phù hợp so với chi phí bằng phân tích lực kiểm định. Mẫu quá nhỏ thì bỏ sót tác động (sai lầm loại 2), mẫu quá lớn thì gây lãng phí chi phí và tính ý nghĩa vô nghĩa.
- Kiểm soát so sánh bội, kiểm định lặp: kiểm soát dương tính giả do nhiều chỉ số, truy vấn lặp bằng hiệu chỉnh như Bonferroni và kế hoạch phân tích định trước, và A/B test thì định trước quy tắc dừng sớm.
- Bảo đảm tính đại diện, tính ngẫu nhiên của mẫu: CLT và kiểm định đứng trên tiền đề mẫu đại diện cho tổng thể. Lấy mẫu thiên lệch (tự chọn, thiên lệch sống sót) thì dù tăng n đến đâu cũng không hiệu chỉnh được, nên trích mẫu ngẫu nhiên và thiết kế mẫu là nhiệm vụ căn bản hơn, đi trước việc tính thống kê.
- Diễn giải và truyền đạt đúng p-value: p-value chỉ là "xác suất xuất hiện giá trị cực đoan dưới giả thuyết không", không phải "xác suất giả thuyết đúng" cũng không phải "cỡ tác động". Khi báo cáo cho người ra quyết định, phải truyền đạt kèm cỡ tác động, khoảng tin cậy, tính bất định thay vì nhị phân "có ý nghĩa/không" để ngăn diễn giải thái quá, thiếu hụt.
- Áp dụng thực tế và tự động hóa: được dùng trực tiếp cho so sánh tỷ lệ chuyển đổi A/B test, phát hiện lệch chất lượng của quy trình sản xuất (SPC), kiểm chứng khác biệt hiệu năng ý nghĩa của hai mô hình ML, và nội hóa logic kiểm định vào đường ống dữ liệu, nền tảng thí nghiệm nhưng kiểm tra giả định và diễn giải thì con người phải chịu trách nhiệm. Tự động hóa công cụ thống kê càng tăng thì năng lực hiểu "đang kiểm định cái gì, giả định có thành lập không" càng quan trọng hơn.
Tài liệu tham khảo
- NIST/SEMATECH e-Handbook of Statistical Methods: https://www.itl.nist.gov/div898/handbook/
- American Statistical Association, Statement on p-Values (2016): https://www.amstat.org/asa/files/pdfs/P-ValueStatement.pdf
- Wasserstein & Lazar, "The ASA Statement on p-Values: Context, Process, and Purpose," The American Statistician (2016): https://doi.org/10.1080/00031305.2016.1154108
Tóm tắt một câu: CLT bảo đảm khi n lớn thì bất kể phân phối tổng thể, trung bình mẫu tiệm cận phân phối chuẩn (trung bình μ, sai số chuẩn σ/√n), và nếu biết phương sai tổng thể thì phán định giả thuyết về trung bình tổng thể bằng kiểm định z, nếu không biết (mẫu nhỏ) thì bằng kiểm định t (phân phối t, bậc tự do n-1), nhưng phải cân nhắc kèm việc kiểm tra giả định tính chuẩn, tính độc lập, tính đồng phương sai cùng kiểm soát cỡ tác động, lực kiểm định, so sánh bội thì mới đáng tin cậy.