Ước lượng điểm (Point Estimation) và ước lượng khoảng (Interval Estimation)
1. Tổng quan
A. Định nghĩa
Khi không thể khảo sát toàn bộ tổng thể, phương pháp suy luận tham số của tổng thể (trung bình tổng thể μ, tỷ lệ tổng thể p, phương sai tổng thể σ² v.v.) bằng thống kê tính từ mẫu gọi là ước lượng thống kê. Khi đó, nếu chỉ ra tham số bằng một giá trị duy nhất thì là ước lượng điểm, còn nếu đưa ra khoảng mà giá trị thật nằm trong đó theo xác suất thì là ước lượng khoảng.
Lý do căn bản cần đến ước lượng là đối tượng ta thực sự muốn biết là tổng thể, nhưng do ràng buộc về thời gian, chi phí và vật lý nên điều tra toàn bộ hầu như là không thể. Ví dụ, để biết số giờ làm việc trung bình của người trưởng thành trên cả nước, không thể điều tra hết hàng chục triệu người, nên ta "phỏng đoán" trung bình tổng thể bằng trung bình của mẫu vài nghìn người. Khi đó, mẫu là biến ngẫu nhiên có giá trị thay đổi mỗi lần lấy, nên ước lượng tất yếu kèm theo sai số, và cách xử lý sai số đó phân biệt ước lượng điểm với ước lượng khoảng.
B. Bối cảnh ra đời và sự cần thiết
Ước lượng điểm đưa ra "một giá trị hợp lý nhất" nên có ưu điểm trực quan, dễ tính toán và truyền đạt, nhưng có hạn chế chết người là hoàn toàn không cho biết giá trị đó đáng tin đến mức nào (sai số, độ tin cậy). Khi trung bình mẫu là 47.2 giờ, chỉ với ước lượng điểm thì không biết nó gần như bằng giá trị thật hay có thể lệch khoảng ±5 giờ. Ước lượng khoảng ra đời chính để biểu đạt cả độ lớn của sự bất định. Người ra quyết định có thể đưa ra phán đoán an toàn hơn nhiều từ thông tin "trong khoảng 45.8~48.6 với độ tin cậy 95%" so với "trung bình là 47.2".
2. Luồng xử lý của ước lượng thống kê
flowchart LR
P[(Tổng thể<br/>Tham số μ,p,σ²)] --> SP[Lấy mẫu]
SP --> ST[Thống kê mẫu<br/>x̄, p̂, s²]
ST --> PE[Ước lượng điểm<br/>Một giá trị]
ST --> SE[Tính sai số chuẩn]
SE --> IE[Ước lượng khoảng<br/>Khoảng tin cậy]
PE --> IE
Ước lượng bắt đầu từ việc lấy mẫu ngẫu nhiên từ tổng thể và tính thống kê mẫu. Chính thống kê này là giá trị ước lượng điểm, và nếu kết hợp với sai số chuẩn (độ lệch chuẩn của ước lượng) để gắn biên sai số thì thành ước lượng khoảng. Tức là ước lượng khoảng là sự mở rộng lấy ước lượng điểm làm tâm rồi cộng thêm độ rộng bất định hai bên, chứ không phải hai phương pháp riêng biệt không liên quan.
3. Ước lượng điểm và điều kiện của một ước lượng tốt
Ước lượng điểm lấy nguyên thống kê tương ứng với tham số làm giá trị ước lượng, như ước lượng trung bình tổng thể μ bằng trung bình mẫu x̄, tỷ lệ tổng thể p bằng tỷ lệ mẫu p̂. Vấn đề là có thể có nhiều thống kê cùng ước lượng một tham số (trung bình vs trung vị). Vì vậy cần tiêu chí chọn "ước lượng tốt", tiêu biểu có bốn tiêu chí.
| Điều kiện | Ý nghĩa | Vì sao quan trọng |
|---|---|---|
| Tính không chệch (Unbiasedness) | Kỳ vọng của ước lượng = tham số (E[θ̂]=θ) | Không có lệch hệ thống (độ chệch) nên đúng về trung bình |
| Tính hiệu quả (Efficiency) | Phương sai nhỏ nhất | Cùng là ước lượng không chệch thì càng ít dao động càng chính xác |
| Tính vững (Consistency) | Hội tụ về tham số khi n↑ | Tăng cỡ mẫu thì càng gần đáp án |
| Tính đủ (Sufficiency) | Tận dụng mọi thông tin của mẫu | Ước lượng không mất thông tin |
Cốt lõi là sự hài hòa giữa tính không chệch và tính hiệu quả. Dù không chệch nhưng giá trị dao động mạnh (phương sai lớn) thì không đáng tin, ngược lại dù phương sai nhỏ mà lệch về một phía (chệch) thì sai một cách có hệ thống. Ví dụ, lý do chia cho n-1 thay vì n khi tính phương sai mẫu chính là để bảo đảm tính không chệch. Chia cho n sẽ ước lượng thấp phương sai tổng thể một cách có hệ thống, nên hiệu chỉnh bằng bậc tự do n-1 để có E[s²]=σ². Dù vậy, ước lượng điểm vẫn im lặng trước câu hỏi "giá trị này chính xác đến đâu".
4. Ước lượng khoảng và khoảng tin cậy
Ước lượng khoảng đưa ra khoảng tin cậy (Confidence Interval) được kỳ vọng chứa tham số cùng với độ tin cậy. Khoảng tin cậy của trung bình tổng thể có dạng sau.
Khoảng tin cậy = giá trị ước lượng điểm ± (giá trị tới hạn × sai số chuẩn), ví dụ: CI 95% của μ = x̄ ± 1.96 · (σ/√n)
Ở đây, sai số chuẩn σ/√n thể hiện trung bình mẫu phân tán thế nào giữa các mẫu, còn giá trị tới hạn (1.96 với 95%) là ranh giới trên phân phối tương ứng với độ tin cậy. Điểm thường bị hiểu lầm là cách diễn giải độ tin cậy. "Khoảng tin cậy 95%" không có nghĩa là "xác suất giá trị thật nằm trong khoảng này là 95%", mà có nghĩa là độ tin cậy của quy trình: "nếu lặp lại vô hạn lần việc lấy mẫu và tính khoảng theo cùng phương pháp thì khoảng 95% số khoảng đó chứa giá trị thật". Bởi vì giá trị thật là cố định, thứ dao động là khoảng.
Dùng giá trị tới hạn z (phân phối chuẩn) hay t (phân phối t) tùy vào tình huống. Nếu biết phương sai tổng thể σ² hoặc mẫu đủ lớn (thường n≥30) thì dựa vào định lý giới hạn trung tâm để dùng phân phối z, còn nếu không biết phương sai tổng thể và mẫu nhỏ thì dùng phân phối t có đuôi dày hơn để phản ánh độ bất định phát sinh thêm khi thay bằng độ lệch chuẩn mẫu s. Cụ thể, nếu n=25, x̄=50, s=10 thì dùng giá trị t với bậc tự do 24 (khoảng 2.064): 50 ± 2.064·(10/5) = 50 ± 4.13, tức 45.87~54.13 là khoảng tin cậy 95%.
5. So sánh ước lượng điểm vs ước lượng khoảng
Hai phương pháp không phải quan hệ cạnh tranh mà là quan hệ bổ trợ với lượng thông tin khác nhau. Ước lượng điểm cung cấp giá trị trung tâm cho ước lượng khoảng, còn ước lượng khoảng khoác lên trung tâm đó chiếc áo độ tin cậy.
| Phân loại | Ước lượng điểm | Ước lượng khoảng |
|---|---|---|
| Dạng kết quả | Một giá trị | Khoảng (cận dưới~cận trên) |
| Thông tin cung cấp | Chỉ giá trị ước lượng | Giá trị ước lượng + độ tin cậy·sai số |
| Biểu đạt độ chính xác | Không có | Biểu đạt bằng độ tin cậy·độ rộng khoảng |
| Thế mạnh biểu đạt | Ngắn gọn·trực quan | Truyền đạt cả sự bất định |
| Quan hệ tương hỗ | Tâm của khoảng | Ước lượng điểm ± biên sai số |
Hai trục quyết định độ rộng khoảng là độ tin cậy và cỡ mẫu. Nâng độ tin cậy từ 95% lên 99% thì khoảng rộng ra để chắc chắn hơn chứa giá trị thật, tạo ra sự đánh đổi làm giảm độ chính xác. Ngược lại, tăng cỡ mẫu n thì sai số chuẩn σ/√n giảm tỷ lệ nghịch với √n, nên độ rộng khoảng thu hẹp và độ chính xác tăng lên. Tức là muốn đồng thời "chắc chắn hơn (độ tin cậy↑)" và "chính xác hơn (độ rộng khoảng↓)" thì rốt cuộc chỉ có cách thu thập thêm mẫu — đó là nhận thức thực tiễn mà ước lượng khoảng mang lại.
6. Các điểm cần cân nhắc và hàm ý
- Định lượng hóa sự bất định: Ước lượng khoảng biểu đạt cả sai số và độ tin cậy của ước lượng, nên có lợi cho ra quyết định có phản ánh rủi ro hơn là con số đơn thuần. Đặc biệt hữu hiệu trong các lĩnh vực mà căn cứ phán đoán là quan trọng như chính sách, quản lý chất lượng.
- Kiểm tra phân phối và giả định: Phải chọn đúng z/t tùy theo tính chuẩn, cỡ mẫu và việc có biết phương sai tổng thể hay không; nếu giả định không thỏa thì tính khoảng bằng phương pháp phi tham số hoặc bootstrap.
- Liên kết AI và phân tích dữ liệu: Được dùng trực tiếp cho khoảng tin cậy của chỉ số hiệu năng mô hình (độ chính xác, AUC), khoảng hiệu ứng của A/B test, định lượng độ bất định của dự báo…, hỗ trợ ra quyết định đáng tin cậy vượt ra ngoài "dự báo điểm".
Tóm tắt một câu: Ước lượng điểm trình bày ngắn gọn tham số bằng một ước lượng không chệch, hiệu quả nhưng không cho thông tin sai số, còn ước lượng khoảng đưa ra khoảng ước lượng điểm ± (giá trị tới hạn × sai số chuẩn) cùng độ tin cậy để biểu đạt cả sự bất định; hai phương pháp là quan hệ bổ trợ lẫn nhau, trong đó cỡ mẫu và độ tin cậy quyết định độ chính xác.