So sánh kiểm định t mẫu độc lập và kiểm định t mẫu cặp

1. Tổng quan

A. Định nghĩa

Kiểm định t (t-test) là kiểm định tham số sử dụng phân phối t để phán đoán sự chênh lệch trung bình giữa hai nhóm là do ngẫu nhiên khi chọn mẫu hay là khác biệt thực sự có ý nghĩa thống kê. Trong đó, kiểm định t mẫu độc lập (Independent samples t-test) so sánh trung bình của hai nhóm không liên quan đến nhau, còn kiểm định t mẫu cặp (Paired samples t-test) so sánh hiệu số của hai giá trị được ghép cặp trên cùng một đối tượng, như trước và sau.

Tiêu chí quyết định phân biệt hai kiểm định là 'hai mẫu độc lập với nhau, hay được ghép cặp (tương ứng)'. Ví dụ, nếu so sánh điểm số của học sinh lớp A và lớp B, hai nhóm gồm những người khác nhau và không liên quan đến nhau nên là mẫu độc lập. Ngược lại, nếu thực hiện một chương trình đào tạo cụ thể cho cùng một nhóm học sinh rồi so sánh điểm số trước và sau đào tạo, mỗi dữ liệu được ghép cặp theo trục 'cùng một người' nên là mẫu cặp. Bề ngoài, cả hai đều có vẻ 'so sánh hai giá trị trung bình', nhưng cấu trúc sinh dữ liệu khác nhau về căn bản.

Sự khác biệt về cấu trúc này quan trọng vì với mẫu cặp, khác biệt cá nhân (biến động giữa các cá thể) như năng lực nền tảng hay thể trạng khác nhau của mỗi người có thể được triệt tiêu bằng hiệu số (d). Ở mẫu độc lập, khác biệt cá nhân kiểu 'người vốn giỏi và người vốn kém lẫn lộn với nhau' vẫn còn nguyên như nhiễu (sai số) và làm mờ hiệu quả của can thiệp. Nhưng ở mẫu cặp, vì chỉ xem hiệu số trước và sau của cùng một người, việc người đó vốn được bao nhiêu điểm bị loại bỏ và chỉ còn lại 'lượng thay đổi'. Khi loại bỏ nhiễu là khác biệt cá nhân, hiệu quả thuần của can thiệp (ví dụ: đào tạo) hiện rõ hơn, và kết quả là lực kiểm định (Power, xác suất phát hiện có ý nghĩa khi thực sự có hiệu quả) tăng lên. Phần sau sẽ xem xét cụ thể sự khác biệt này thể hiện ra sao trong công thức thống kê.

B. Sự cần thiết và bối cảnh xuất hiện

Việc so sánh đơn thuần trung bình hai nhóm rồi kết luận "trung bình tăng 3 điểm nên đào tạo có hiệu quả" là nguy hiểm. Mẫu là một phần được rút ra từ tổng thể, nên mỗi lần rút thì trung bình lại ngẫu nhiên khác nhau. Tức là chênh lệch 3 điểm quan sát được có thể do hiệu quả thực sự, nhưng cũng có thể chỉ là 'lần này mẫu tình cờ ra như vậy'. Để phân biệt hai trường hợp này, kiểm định t chia chênh lệch quan sát được cho sai số chuẩn của chênh lệch đó để lượng hóa mức độ chênh lệch vượt ra ngoài phạm vi ngẫu nhiên bằng thống kê t, rồi quy đổi thành xác suất (giá trị p) để phán đoán.

Khi đó, cách tính 'sai số chuẩn của chênh lệch' khác nhau tùy mẫu độc lập hay mẫu cặp, vì vậy chỉ khi chọn kiểm định phù hợp với cấu trúc mẫu thì việc diễn giải giá trị p mới hợp lệ. Nếu dùng sai kiểm định, ta sẽ lãng phí lực kiểm định (áp dụng kiểm định mẫu độc lập cho dữ liệu cặp) hoặc dựa trên giả định không thỏa mãn và đưa ra kết luận sai. Bản thân kiểm định t là phương pháp cổ điển được tạo ra với mục đích kiểm định trung bình bằng phân phối t thay cho phân phối chuẩn ngay cả với mẫu nhỏ, và được dùng rộng rãi trong các tình huống thực tế mà số mẫu ít nên khó biết phương sai tổng thể (quản lý chất lượng, lâm sàng, điều tra xã hội).

2. Cấu trúc phân loại của hai kiểm định

Kiểm định t được chia thành nhiều nhánh tùy theo số đối tượng so sánh và cấu trúc mẫu. Sơ đồ cấu trúc dưới đây cho thấy trong toàn cảnh kiểm định t, mẫu độc lập và mẫu cặp nằm ở đâu, và khi giả định bị phá vỡ thì dẫn đến phương án phi tham số nào.

flowchart TB
  T["Kiểm định t (so sánh hai trung bình)"] --> ONE["Một mẫu<br/>Trung bình mẫu vs giá trị chuẩn"]
  T --> TWO["So sánh hai nhóm"]
  TWO --> I["Mẫu độc lập<br/>Hai nhóm khác nhau"]
  TWO --> P["Mẫu cặp<br/>Trước·sau của cùng đối tượng (cặp)"]
  I -. Vi phạm tính chuẩn .-> MW["Mann-Whitney U"]
  P -. Vi phạm tính chuẩn .-> WX["Wilcoxon hạng có dấu"]
  style T fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style I fill:#fff4e5,stroke:#e8890c,stroke-width:2px
  style P fill:#e6f4ea,stroke:#1e7d34,stroke-width:2px

Như có thể thấy trong hình, mẫu độc lập và mẫu cặp đều nằm dưới 'so sánh hai nhóm' nhưng phân nhánh tại điểm cấu trúc mẫu tách ra. Ngoài ra, mỗi kiểm định được thay thế bằng kiểm định phi tham số tương ứng (dựa trên hạng) khi giả định chuẩn không thỏa mãn, và cần ghi nhớ rằng các đường thay thế này cũng tạo thành cặp với nhau (độc lập↔Mann-Whitney U, cặp↔Wilcoxon hạng có dấu). Để so sánh từ ba nhóm trở lên thì phải vượt ra khỏi khuôn khổ kiểm định t và mở rộng sang phân tích phương sai (ANOVA), điều này sẽ được đề cập trong phần những điểm cần cân nhắc.

3. Tính thống kê kiểm định và quy trình ra quyết định

Hai kiểm định thực sự khác nhau thế nào thể hiện rõ nhất ở cách tính thống kê kiểm định t. Sơ đồ quy trình dưới đây biểu diễn luồng từ khi dữ liệu đi vào đến kết luận (có bác bỏ giả thuyết không hay không), bao gồm cả điểm tách nhánh độc lập/cặp. Nếu sơ đồ cấu trúc trước cho thấy 'có những kiểm định nào', thì sơ đồ quy trình này cho thấy 'thực hiện một phân tích theo trình tự nào'.

flowchart TB
  A["Đặt giả thuyết (H0: chênh lệch trung bình=0)"] --> B["Xác định cấu trúc mẫu (độc lập/cặp)"]
  B --> C["Kiểm tra giả định (tính chuẩn·phương sai bằng nhau)"]
  C --> D{"Cấu trúc mẫu?"}
  D -->|Độc lập| E["Tính t bằng sai số chuẩn gộp<br/>(Student/Welch tùy phương sai bằng nhau hay không)"]
  D -->|Cặp| F["Tính hiệu số d rồi<br/>kiểm định trung bình của d vs 0"]
  E --> G["Tính giá trị p từ bậc tự do·t"]
  F --> G
  G --> H{"p < mức ý nghĩa (α)?"}
  H -->|Có| I["Bác bỏ H0: có khác biệt ý nghĩa"]
  H -->|Không| J["Không bác bỏ H0: thiếu căn cứ"]
  style E fill:#fff4e5,stroke:#e8890c,stroke-width:2px
  style F fill:#e6f4ea,stroke:#1e7d34,stroke-width:2px

A) Thống kê của kiểm định t mẫu độc lập. Với mẫu độc lập, t được tính bằng cách chia chênh lệch trung bình của hai nhóm (x̄₁ − x̄₂) cho sai số chuẩn gộp biến động của cả hai nhóm. Ở đây sai số chuẩn được tính từ phương sai mẫu và cỡ mẫu của mỗi nhóm; nếu có thể giả định phương sai hai nhóm bằng nhau thì dùng kiểm định t Student với phương sai gộp (pooled variance), còn nếu phương sai khác nhau thì dùng kiểm định t Welch. Tức là ở mẫu độc lập, 'khác biệt cá nhân' của cả hai nhóm đều được phản ánh vào mẫu số (sai số), nên khác biệt cá nhân càng lớn thì t càng nhỏ và càng khó phát hiện ý nghĩa. Trong thực tế, giả định phương sai bằng nhau thường bấp bênh, nên nhiều quan điểm khuyến nghị dùng kiểm định Welch làm mặc định.

B) Thống kê của kiểm định t mẫu cặp. Mẫu cặp có cách tiếp cận khác về căn bản. Trước hết tính hiệu số của từng cặp dᵢ = (sau − trước), rồi kiểm định xem trung bình d̄ của các hiệu số này có bằng 0 hay không. Kết quả là kiểm định thực chất được quy về kiểm định t một mẫu đối với 'một mẫu gồm các hiệu số'. Trong quá trình này, mức tuyệt đối của mỗi cá nhân (năng lực vốn có) bị loại bỏ bằng phép trừ và chỉ còn lượng thay đổi, nên nguồn nhiễu lớn là khác biệt cá nhân bị loại khỏi mẫu số. Chính vì vậy mà với cùng độ lớn hiệu quả, mẫu cặp có sai số chuẩn nhỏ hơn, giá trị t lớn hơn và lực kiểm định cao hơn. Tuy nhiên, giả định cần thiết khi đó chuyển từ 'tính chuẩn và phương sai bằng nhau của hai nhóm' thành chỉ một giả định là 'tính chuẩn của hiệu số d'.

C) Quy trình ra quyết định chung. Cả hai kiểm định chia sẻ quy trình ① đặt giả thuyết (giả thuyết không H₀: chênh lệch trung bình = 0, giả thuyết đối H₁: chênh lệch trung bình ≠ 0) → ② kiểm tra cấu trúc mẫu và giả định → ③ tính thống kê t và bậc tự do → ④ từ t tính giá trị p và so sánh với mức ý nghĩa (α, thường là 0,05). Nếu giá trị p nhỏ hơn α, ta coi 'xác suất chênh lệch cỡ này xuất hiện ngẫu nhiên là rất thấp', bác bỏ giả thuyết không và kết luận có khác biệt ý nghĩa; nếu không, kết luận 'thiếu căn cứ cho thấy có khác biệt'. Cần lưu ý rằng không có ý nghĩa thống kê không phải là 'đã chứng minh không có khác biệt'.

D) Kết hợp cỡ hiệu ứng và khoảng tin cậy. Điểm cần nhấn mạnh trong bài làm thực tiễn là không được kết luận chỉ bằng giá trị p. Khi mẫu rất lớn, ngay cả chênh lệch nhỏ nhặt cũng có ý nghĩa, còn khi mẫu nhỏ thì dù có hiệu quả thực sự vẫn có thể không có ý nghĩa. Vì vậy nên trình bày đồng thời cỡ hiệu ứng (ví dụ: Cohen's d) thể hiện 'độ lớn' của chênh lệch và khoảng tin cậy của chênh lệch trung bình (95% CI) để diễn giải phân biệt 'ý nghĩa thống kê' với 'tầm quan trọng thực tiễn'.

4. So sánh và tình huống áp dụng

Sự khác biệt giữa hai kiểm định được tổng hợp như bảng dưới. Tuy nhiên bảng chỉ là tóm tắt, và như đã giải thích, điểm cốt lõi là sự khác biệt đó bắt nguồn từ cấu trúc dữ liệu: 'để khác biệt cá nhân lại như sai số, hay loại bỏ bằng hiệu số'.

Tình huống 1 — Thử nghiệm lâm sàng thuốc mới. Cho các nhóm bệnh nhân khác nhau dùng thuốc mới và giả dược rồi so sánh mức giảm huyết áp là mẫu độc lập. Ngược lại, đo huyết áp của cùng bệnh nhân trước và sau khi dùng thuốc để so sánh là mẫu cặp. Cách sau loại bỏ khác biệt về huyết áp nền và thể trạng của từng bệnh nhân, nên chẳng hạn chỉ với mẫu nhỏ 30 người cũng có thể phát hiện hiệu quả thuốc nhạy hơn. Tuy nhiên, trong thiết kế cặp, 'hiệu ứng tự giảm theo thời gian' có thể lẫn với hiệu quả thuốc, nên cần bổ sung thiết kế có nhóm đối chứng riêng.

Tình huống 2 — Kiểm thử A/B. Trên website, cho các nhóm khách truy cập khác nhau xem màn hình cũ (A) và màn hình mới (B) rồi so sánh tỷ lệ chuyển đổi mua hàng là cấu trúc mẫu độc lập, vì không thể ghép cặp khách truy cập. Trong tình huống không thể đo lặp lại trên cùng đối tượng như vậy, kiểm định mẫu độc lập là lựa chọn tự nhiên, và khi đó bảo đảm cỡ mẫu đủ lớn để triệt tiêu nhiễu khác biệt cá nhân là chìa khóa để có lực kiểm định.

Tình huống 3 — Đo lường hiệu quả đào tạo. Cho cùng 40 học viên làm bài kiểm tra trước, sau đào tạo làm lại bài kiểm tra sau để kiểm định thay đổi điểm số là mẫu cặp. Khác biệt giữa học viên vốn điểm cao và điểm thấp bị loại bỏ, chỉ có 'mức tiến bộ của mỗi người' được đánh giá, nên hiệu quả thuần của đào tạo hiện rõ. Tuy nhiên, bản thân trải nghiệm làm bài kiểm tra trước có thể làm tăng điểm sau, tức 'hiệu ứng học tập (hiệu ứng luyện tập)' có thể xen vào; nếu không kiểm soát thì có nguy cơ đánh giá quá cao hiệu quả đào tạo.

Xem tình huống thứ ba bằng con số sẽ thấy rõ hơn sự khác biệt giữa hai kiểm định. Giả sử trung bình của 40 người tăng 5 điểm, từ 70 điểm trước lên 75 điểm sau. Nếu mức tiến bộ của mỗi học viên khá đồng đều quanh 5 điểm (ví dụ: +3~+7), độ lệch chuẩn của hiệu số d nhỏ nên giá trị t của kiểm định mẫu cặp lớn và dễ có ý nghĩa. Nhưng nếu xem cùng dữ liệu đó như mẫu độc lập, coi trước và sau như hai nhóm khác nhau, thì độ chênh năng lực giữa từng học viên (ví dụ: 40~95 điểm) đi nguyên vào sai số ở mẫu số, sai số chuẩn tăng và giá trị t giảm, khiến có thể phán định hiệu quả 5 điểm thực sự tồn tại là không có ý nghĩa. Việc cùng dữ liệu, cùng chênh lệch trung bình mà kết luận có thể đảo ngược tùy cách nhìn cấu trúc mẫu cho thấy rõ vì sao việc chọn kiểm định phù hợp với cấu trúc mẫu lại quan trọng.

5. Chuyên sâu — Ứng phó vi phạm giả định và mở rộng

Để dùng đúng kiểm định t trong thực tế, cần hiểu đồng thời việc kiểm tra giả định, lựa chọn phương án thay thế và mở rộng sang nhiều nhóm, nhiều nhân tố.

A) Vi phạm giả định và phương án phi tham số. Kiểm định t là kiểm định tham số dựa trên tính chuẩn (và với mẫu độc lập là phương sai bằng nhau). Khi mẫu nhỏ và dữ liệu lệch xa khỏi phân phối chuẩn (ví dụ: lệch nặng, giá trị ngoại lai), giả định chuẩn bị phá vỡ và giá trị p bị bóp méo. Khi đó thay bằng kiểm định phi tham số dựa trên hạng: mẫu độc lập chuyển sang kiểm định Mann-Whitney U, mẫu cặp chuyển sang kiểm định Wilcoxon hạng có dấu. Với số mẫu lớn, tính chuẩn được nới lỏng phần nào nhờ định lý giới hạn trung tâm, nhưng với mẫu nhỏ thì kiểm tra trước bằng kiểm định Shapiro-Wilk hoặc Q-Q plot là an toàn. Phương sai bằng nhau được kiểm tra bằng kiểm định Levene…, nhưng khi vi phạm chỉ cần dùng kiểm định Welch thay cho Student, nên trong thực tế có xu hướng lấy Welch làm mặc định.

B) Vấn đề so sánh bội và mở rộng sang ANOVA. Khi so sánh từ ba nhóm trở lên mà lặp lại kiểm định t cho từng cặp nhóm, số lần so sánh càng tăng thì xác suất ít nhất một lần có ý nghĩa do ngẫu nhiên (sai lầm loại I) càng tích lũy và phình to. Ví dụ, kiểm định nhiều cặp ở mức ý nghĩa 0,05 thì tỷ lệ sai lầm loại I tổng thể vượt xa 0,05. Vì vậy với ba nhóm trở lên, dùng phân tích phương sai (ANOVA) để kiểm định một lần, và chỉ khi có ý nghĩa mới áp dụng kiểm định hậu nghiệm (Tukey HSD…) hoặc hiệu chỉnh so sánh bội (Bonferroni…). Khi cấu trúc cặp được lặp lại thì mở rộng thành ANOVA đo lặp. Tức là cần hiểu rằng kiểm định t là trường hợp đặc biệt của so sánh hai nhóm, nằm trên cùng một dải liên tục với dạng tổng quát cấp cao hơn là ANOVA và phân tích hồi quy.

C) Vị trí trong bối cảnh phân tích dữ liệu và học máy. Ngày nay, trong kiểm thử A/B, so sánh hiệu năng mô hình (kiểm định t mẫu cặp thường được dùng để kiểm định chênh lệch hiệu năng kiểm định chéo của hai mô hình), thiết kế thí nghiệm…, kiểm định t vẫn là công cụ cơ bản. Tuy nhiên, trong môi trường dữ liệu lớn và đa biến, các phương pháp như hồi quy, mô hình hiệu ứng hỗn hợp, bootstrap được dùng kèm thay vì một kiểm định t đơn lẻ, và kiểm định t đóng vai trò điểm xuất phát đồng thời cung cấp trực giác cho việc diễn giải kết quả.

D) Các lỗi thường gặp và lưu ý thực tiễn. Thứ nhất là lỗi nhầm lẫn kiểm định một phía và hai phía. Dùng kiểm định một phía mà không có căn cứ trước về hướng sẽ thổi phồng ý nghĩa một cách nhân tạo, nên nếu không có lý do đặc biệt thì lấy kiểm định hai phía làm mặc định. Thứ hai là lỗi bỏ sót cấu trúc cặp. Nếu coi dữ liệu trước và sau của cùng đối tượng là hai cột độc lập và áp dụng kiểm định mẫu độc lập, ta mất lợi thế triệt tiêu khác biệt cá nhân của thiết kế cặp và lực kiểm định giảm. Thứ ba là bỏ mặc giá trị ngoại lai (Outlier). Kiểm định t dựa trên trung bình và phương sai nên một vài giá trị cực đoan có thể làm lung lay mạnh kết quả; cần trực quan hóa phân phối trước và xác nhận nguyên nhân của giá trị ngoại lai. Những bước kiểm tra này đóng góp trực tiếp vào việc bảo đảm tính tái lập và độ tin cậy của kết quả kiểm định.

6. Hướng ra đề dự kiến và chiến lược cấu trúc bài làm

Trong kỳ thi Kỹ sư chuyên nghiệp, chủ đề kiểm định t có thể được ra dưới dạng câu hỏi ngắn là 'sự khác biệt và tiêu chí lựa chọn giữa hai kiểm định', còn dạng tự luận là 'cho một kịch bản thí nghiệm/phân tích dữ liệu, hãy lựa chọn và biện minh cho kiểm định phù hợp'. Khi cấu trúc bài làm, mạch hiệu quả là ① trình bày trước định nghĩa và khác biệt cấu trúc mẫu của hai kiểm định, ② giải thích theo nguyên lý khác biệt đó thể hiện thế nào trong thống kê kiểm định (khác biệt cá nhân nằm trong sai số vs loại bỏ bằng hiệu số), ③ đề cập đến giả định, phương án phi tham số và cỡ hiệu ứng để bảo đảm chiều sâu, ④ kết thúc bằng liên kết rằng từ ba nhóm trở lên thì mở rộng sang ANOVA. Giải thích bằng câu văn 'vì sao mẫu cặp có lực kiểm định cao hơn' thay vì chỉ liệt kê bảng sẽ tạo nên sự khác biệt.

Ngoài ra, khi việc ra quyết định dựa trên dữ liệu, quản lý chất lượng và kiểm chứng mô hình AI ngày càng được nhấn mạnh, cần có quan điểm nhìn kiểm định thống kê không phải là 'công cụ phân tích' mà là 'phương tiện bảo đảm tính hợp lệ của căn cứ ra quyết định'. Vì vậy trong bài làm, không dừng ở việc liệt kê máy móc quy trình kiểm định mà nên liên kết đến tính phù hợp của thiết kế mẫu, kiểm tra giả định và diễn giải thực tiễn kết quả (cỡ hiệu ứng, độ bất định) để trình bày 'vì sao sự chặt chẽ thống kê dẫn đến kết luận đáng tin cậy', như vậy bài làm sẽ đạt độ hoàn chỉnh ở cấp Kỹ sư chuyên nghiệp.

7. Những điểm cần cân nhắc và hàm ý

1. Phải xác định cấu trúc mẫu ngay từ giai đoạn thiết kế thí nghiệm. Kiểm định đi theo cấu trúc mà dữ liệu được tạo ra, vì vậy không phải thu thập xong dữ liệu mới chọn kiểm định mà phải quyết định độc lập hay cặp ngay tại thời điểm thiết kế. Nếu phán đoán sai cấu trúc và áp dụng kiểm định mẫu độc lập cho dữ liệu cặp thì tự vứt bỏ lợi thế triệt tiêu khác biệt cá nhân, còn áp dụng sai theo chiều ngược lại sẽ thành lỗi giả định một quan hệ ghép cặp không tồn tại.

2. Nếu có thể, thiết kế cặp (đo lặp) có lợi hơn về lực kiểm định. Đo lặp trên cùng đối tượng giúp kiểm soát khác biệt cá nhân, đạt lực kiểm định cao với ít mẫu hơn, nên có lợi lớn về chi phí và đạo đức. Tuy nhiên, các thiên lệch như hiệu ứng học tập, hiệu ứng thứ tự, thay đổi tự nhiên theo thời gian có thể xen vào, nên phải kiểm soát bằng ngẫu nhiên hóa thứ tự, thiết lập nhóm đối chứng… thì kết quả mới hợp lệ.

3. Luôn lưu tâm kiểm tra giả định và phương án phi tham số. Nếu chỉ vượt qua giả định chuẩn và phương sai bằng nhau một cách hình thức thì giá trị p mất độ tin cậy. Với mẫu nhỏ và dữ liệu không chuẩn, thay bằng kiểm định phi tham số như Mann-Whitney U, Wilcoxon hạng có dấu; khi nghi ngờ phương sai không bằng nhau thì dùng kiểm định Welch — việc chọn phương pháp phù hợp với đặc tính dữ liệu quyết định tính hợp lệ của kết luận.

4. Tránh diễn giải riêng giá trị p, xem cùng với cỡ hiệu ứng và khoảng tin cậy. Tùy cỡ mẫu, ý nghĩa thống kê có thể bị đánh giá quá cao hoặc quá thấp, nên phải báo cáo phân biệt ý nghĩa thống kê (giá trị p) với tầm quan trọng thực tiễn (cỡ hiệu ứng, khoảng tin cậy). Từ góc nhìn Kỹ sư chuyên nghiệp và thực tiễn, cần thái độ vượt qua lối nhị phân 'có ý nghĩa/không', trình bày đồng thời độ lớn và độ bất định của chênh lệch để gắn với việc ra quyết định.

5. Hiểu con đường mở rộng sang nhiều nhóm và nhiều nhân tố. Khi so sánh từ ba nhóm trở lên, lặp lại kiểm định t dẫn đến tích lũy sai lầm loại I nên cần mở rộng sang ANOVA; với cấu trúc đo lặp và nhiều nhân tố thì tổng quát hóa thành ANOVA đo lặp, hồi quy và mô hình hỗn hợp. Cần có góc nhìn đặt kiểm định t không phải là kỹ thuật riêng lẻ mà là đơn vị cơ bản của hệ thống kiểm định giả thuyết thống kê.

Tóm tắt một câu: Kiểm định t mẫu độc lập kiểm định chênh lệch trung bình của hai nhóm khác nhau, còn kiểm định t mẫu cặp kiểm định trung bình hiệu số (d) được ghép cặp của cùng đối tượng có bằng 0 không; mẫu cặp triệt tiêu khác biệt cá nhân bằng hiệu số nên có lực kiểm định cao, vì vậy phải xác định cấu trúc mẫu ngay từ giai đoạn thiết kế thí nghiệm và cân nhắc cả giả định lẫn cỡ hiệu ứng khi chọn kiểm định.