Giá trị p là xác suất thu được dữ liệu ít nhất là cực đoan như dữ liệu đã quan sát, nếu giả thuyết không (giả thuyết "không có gì đặc biệt") là đúng. Nó đo mức độ bất ngờ của dữ liệu dưới giả thuyết đó. Nó không phải xác suất giả thuyết không đúng, không phải xác suất kết quả do tình cờ, và không đo mức độ quan trọng của phát hiện.
Giá trị p xuất hiện trong gần như mọi báo cáo nghiên cứu định lượng, và cũng bị đọc sai nhiều đến mức Hiệp hội Thống kê Hoa Kỳ năm 2016 đã ra hẳn một tuyên bố về cách hiểu và dùng nó. Bài này giải thích bằng ví dụ tung đồng xu tính được bằng tay, rồi đi qua mức ý nghĩa, hai loại sai lầm, các lỗi đọc phổ biến và cách dùng AI để kiểm bài làm.
Logic của kiểm định: giả sử điều nhàm chán là đúng
Kiểm định giả thuyết đi theo kiểu lập luận gần với phản chứng. Bạn muốn biết một đồng xu có lệch không. Bạn không chứng minh trực tiếp nó lệch, mà giả sử nó cân đối, rồi hỏi: nếu cân đối thật, dữ liệu như mình thấy có hiếm không? Nếu rất hiếm, giả định cân đối trở nên khó tin.
Giả định "không có gì đặc biệt" đó gọi là giả thuyết không, ký hiệu H0. Ở đây H0 là xác suất mặt ngửa bằng 0,5. Giả thuyết đối, ký hiệu H1, là xác suất khác 0,5.
Khác với chứng minh toán học, kết luận ở đây không bao giờ chắc chắn tuyệt đối. Một đồng xu cân đối vẫn có thể cho mười lần ngửa liên tiếp, chỉ là rất hiếm, khoảng 1 trên 1.024 lần. Kiểm định chỉ giúp quyết định một cách có kỷ luật, với tỉ lệ sai lầm được kiểm soát.
Chú ý cách dùng từ: khi dữ liệu không đủ bất ngờ, ta nói "chưa đủ bằng chứng để bác bỏ H0", không nói "chấp nhận H0" hay "đã chứng minh đồng xu cân đối". Không tìm thấy bằng chứng khác với có bằng chứng là không có gì. Một mẫu quá nhỏ hầu như không bao giờ bác bỏ được gì, dù hiệu ứng có thật.
Tính giá trị p cho ví dụ đồng xu
Ví dụ giả định: tung một đồng xu 100 lần, được 60 lần ngửa. Đồng xu có lệch không?
- Đặt H0: xác suất ngửa bằng 0,5. H1: khác 0,5 (kiểm định hai phía, vì lệch về phía nào cũng tính).
- Dưới H0, số lần ngửa có phân phối nhị thức với n = 100, p = 0,5, kỳ vọng 50 và độ lệch chuẩn bằng căn của 100 × 0,5 × 0,5 = 5.
- Kết quả 60 cách kỳ vọng 10, tức hai độ lệch chuẩn. Ước lượng nhanh bằng phân phối chuẩn: hai đuôi ngoài hai độ lệch chuẩn chiếm khoảng 4,6%.
- Tính chính xác bằng nhị thức: xác suất được từ 60 lần ngửa trở lên khoảng 0,0284; nhân đôi cho hai phía được giá trị p khoảng 0,057.
- So với mức ý nghĩa 0,05 thường dùng: 0,057 lớn hơn 0,05, nên chưa đủ bằng chứng để bác bỏ H0 ở mức 5%.
Ví dụ này cố ý chọn sát ranh giới để cho thấy hai điều. Một là phép xấp xỉ chuẩn và phép tính chính xác có thể nằm ở hai phía của ngưỡng 0,05, nên với kết quả sát ngưỡng phải nói rõ dùng phương pháp nào, hoặc dùng hiệu chỉnh liên tục. Hai là 0,057 và 0,045 thật ra cho mức bằng chứng gần như nhau; coi một bên là "có phát hiện" còn bên kia là "không có gì" là đọc quá cứng.
Ví dụ thứ hai: kiểm định t cho một trung bình
Ví dụ giả định: một tài liệu hướng dẫn nói sinh viên trung bình ngủ 7 giờ mỗi đêm. Bạn khảo sát ngẫu nhiên 36 sinh viên, được trung bình mẫu 7,2 giờ, độ lệch chuẩn mẫu 1,2 giờ. Có bằng chứng rằng trung bình thật khác 7 giờ không?
H0: trung bình bằng 7. H1: khác 7. Sai số chuẩn bằng 1,2 chia căn 36, tức 0,2 giờ. Thống kê t bằng (7,2 − 7) / 0,2 = 1,0. Với 35 bậc tự do, giá trị p hai phía khoảng 0,32. Dữ liệu này khá bình thường nếu trung bình thật là 7 giờ, nên không có cơ sở bác bỏ H0.
Để thấy cỡ mẫu tác động thế nào, giữ nguyên trung bình mẫu 7,2 và độ lệch chuẩn 1,2 nhưng tăng lên 144 sinh viên. Sai số chuẩn còn 0,1, t bằng 2,0, giá trị p khoảng 0,047. Cùng chênh lệch 0,2 giờ, mẫu lớn gấp bốn đưa kết quả từ "rất bình thường" đến sát ngưỡng ý nghĩa. Điều đó không có nghĩa chênh lệch trở nên quan trọng hơn; chỉ là ta ước lượng nó chính xác hơn.
Khi tự làm bài dạng này, kiểm ba điều kiện: mẫu ngẫu nhiên, các quan sát độc lập, và dữ liệu không quá lệch khi mẫu nhỏ. Bài tập trong giáo trình thường ngầm thoả mãn cả ba; dữ liệu thật thì không.
Mức ý nghĩa và hai loại sai lầm
Trước khi xem dữ liệu, người làm kiểm định chọn mức ý nghĩa, ký hiệu α, thường là 0,05. Nếu giá trị p nhỏ hơn α thì bác bỏ H0. Quyết định này có thể sai theo hai cách.
| H0 thật sự đúng | H0 thật sự sai | |
|---|---|---|
| Bác bỏ H0 | Sai lầm loại I (báo động giả), xác suất bằng α | Quyết định đúng, xác suất gọi là lực kiểm định |
| Không bác bỏ H0 | Quyết định đúng | Sai lầm loại II (bỏ sót), xác suất ký hiệu β |
Giảm α để ít báo động giả hơn thì lại dễ bỏ sót hơn, trừ khi tăng cỡ mẫu. Lực kiểm định bằng 1 trừ β, phụ thuộc vào cỡ mẫu, độ lớn của hiệu ứng thật và độ nhiễu của dữ liệu. Nhiều nghiên cứu được thiết kế để có lực khoảng 80%, nghĩa là nếu hiệu ứng có thật với độ lớn dự kiến, khả năng phát hiện được là khoảng bốn trên năm.
Ngưỡng 0,05 là quy ước, được phổ biến qua các sách của Ronald Fisher đầu thế kỷ 20, không phải hằng số tự nhiên. Một số ngành dùng ngưỡng chặt hơn nhiều; vật lý hạt yêu cầu mức tương ứng năm độ lệch chuẩn trước khi công bố phát hiện.
Những cách đọc giá trị p sai phổ biến
"p = 0,03 nghĩa là chỉ 3% khả năng H0 đúng." Sai. Giá trị p được tính khi đã giả sử H0 đúng, nên không thể đồng thời là xác suất H0 đúng. Muốn có xác suất của giả thuyết phải dùng Bayes kèm tiên nghiệm, cùng cơ chế với bài xét nghiệm ở danh mục này.
"p nhỏ nghĩa là hiệu ứng lớn." Sai. Với mẫu rất lớn, một khác biệt nhỏ đến mức vô nghĩa trong thực tế vẫn cho p cực nhỏ. Luôn báo cáo kèm cỡ hiệu ứng, như chênh lệch trung bình bao nhiêu đơn vị, và khoảng tin cậy của nó.
"p lớn nghĩa là không có khác biệt." Sai. Có thể chỉ là mẫu quá nhỏ, lực kiểm định thấp. Vắng bằng chứng không phải bằng chứng của sự vắng mặt.
"Kết quả có ý nghĩa thống kê nên quan trọng." Ý nghĩa thống kê chỉ nói dữ liệu khó giải thích bằng tình cờ dưới H0. Có quan trọng trong thực tế hay không là câu hỏi chuyên môn, không phải câu hỏi thống kê.
"Lặp lại thí nghiệm sẽ lại được p dưới 0,05." Không bảo đảm. Giá trị p dao động khá mạnh giữa các lần lặp, đặc biệt khi lực kiểm định vừa phải; một kết quả p = 0,04 lặp lại có thể cho p = 0,2.
Cỡ hiệu ứng: câu hỏi mà giá trị p không trả lời
Ví dụ giả định: so sánh điểm một bài kiểm tra thang 100 giữa hai phương pháp ôn tập, mỗi nhóm 20.000 người, độ lệch chuẩn điểm khoảng 15. Chênh lệch trung bình giữa hai nhóm là 0,5 điểm. Sai số chuẩn của hiệu số bằng 15 nhân căn của 2 / 20.000, tức 0,15. Thống kê kiểm định khoảng 3,3, giá trị p khoảng 0,0009, rất nhỏ.
Kết luận thống kê: gần như chắc chắn có chênh lệch thật. Kết luận thực tế: nửa điểm trên thang 100 là không đáng kể với hầu hết mục đích. Một cách đo cỡ hiệu ứng phổ biến là lấy chênh lệch chia cho độ lệch chuẩn, ở đây 0,5 / 15 ≈ 0,03, rất nhỏ theo bất kỳ quy ước nào.
Ngược lại, một nghiên cứu nhỏ có thể thấy chênh lệch lớn nhưng p không đủ nhỏ vì dữ liệu ít. Bỏ qua kết quả đó cũng là sai; nó gợi ý cần thêm dữ liệu.
Vì vậy cách trình bày tốt là luôn đi kèm ba thứ: cỡ hiệu ứng tính theo đơn vị có ý nghĩa với người đọc, khoảng tin cậy cho cỡ hiệu ứng đó, và giá trị p. Khi đọc một tin "nghiên cứu cho thấy khác biệt có ý nghĩa thống kê", câu đầu tiên nên hỏi là khác biệt bao nhiêu.
Kiểm định nhiều lần và chuyện "câu cá" giá trị p
Nếu H0 đúng và bạn làm một kiểm định với α = 0,05, khả năng báo động giả là 5%. Nhưng nếu bạn làm 20 kiểm định độc lập trên những thứ thật ra không có gì, khả năng ít nhất một kiểm định cho p dưới 0,05 là 1 − 0,95 mũ 20, khoảng 64%. Gần hai phần ba khả năng bạn "phát hiện" được điều gì đó chỉ nhờ may rủi.
Đây là gốc rễ của hiện tượng người ta gọi là câu cá giá trị p hay p-hacking: thử nhiều cách chia nhóm, nhiều biến, nhiều cách loại dữ liệu, rồi chỉ báo cáo cách cho p nhỏ. Không cần ai cố ý gian dối; chỉ cần nhiều lựa chọn nhỏ hợp lý nối tiếp nhau là đủ.
Cách phòng tránh ở mức người học: viết ra giả thuyết và phương pháp phân tích trước khi xem dữ liệu; nếu buộc phải làm nhiều kiểm định, dùng hiệu chỉnh như Bonferroni, chia α cho số kiểm định, 20 kiểm định thì mỗi cái dùng ngưỡng 0,0025; và báo cáo trung thực tất cả những gì đã thử. Nhiều tạp chí khoa học hiện khuyến khích đăng ký kế hoạch nghiên cứu trước cũng vì lý do này.
Bài học cho người đọc báo cáo: khi thấy một phát hiện bất ngờ với p chỉ vừa dưới 0,05, hãy hỏi tác giả đã thử bao nhiêu thứ khác trước khi tìm ra nó.
Dùng AI khi học và làm bài kiểm định
Chatbot hữu ích để giải thích khái niệm và kiểm phép tính, nhưng hay mắc đúng những lỗi diễn giải trong bài này, đặc biệt là lỗi đầu tiên. Cách dùng có lợi cho việc học như sau.
- Tự viết H0, H1, chọn kiểm định và tính p trên giấy trước.
- Gửi lời giải và yêu cầu: "Kiểm từng bước bài kiểm định này. Chỉ ra nếu em chọn sai kiểm định một phía hay hai phía, hoặc diễn giải sai giá trị p."
- Hỏi ngược để thử nó: "Có phải p = 0,03 nghĩa là 3% khả năng giả thuyết không đúng?" Nếu chatbot đồng ý, bạn vừa thấy tận mắt vì sao không được tin máy móc.
- Nhờ nó ra đề biến thể, chẳng hạn cùng tỉ lệ ngửa 60% nhưng với 50 lần tung hoặc 400 lần tung, để tự thấy cỡ mẫu làm giá trị p thay đổi ra sao.
- Với bài thi và bài kiểm tra có tính điểm, làm theo quy định của giảng viên về việc dùng AI; dùng nó để học trước và kiểm sau, không để làm thay trong giờ thi.
Nếu bạn phân tích dữ liệu thật của đơn vị, chẳng hạn kết quả hai phương án bán hàng, hãy đưa vào AI số liệu đã tổng hợp và bỏ thông tin nhận diện khách hàng; các phép kiểm định chỉ cần số đếm hoặc trung bình theo nhóm.
Câu hỏi thường gặp
Giá trị p bằng 0,05 có ý nghĩa gì đặc biệt không?
Không có gì đặc biệt về mặt toán học, đó là một quy ước phổ biến. Giá trị p bằng 0,049 và 0,051 cho mức bằng chứng gần như nhau. Nên báo cáo con số p cụ thể kèm cỡ hiệu ứng thay vì chỉ ghi có hay không có ý nghĩa.
Kiểm định một phía và hai phía khác nhau thế nào?
Kiểm định một phía chỉ quan tâm lệch về một hướng đã nêu trước, giá trị p bằng một đuôi. Hai phía quan tâm lệch về cả hai hướng, giá trị p bằng tổng hai đuôi. Phải chọn trước khi xem dữ liệu, đổi sau khi thấy kết quả là sai phương pháp.
Vì sao không nói chấp nhận giả thuyết không?
Vì không bác bỏ được H0 có thể chỉ do mẫu nhỏ, lực kiểm định thấp. Dữ liệu chưa đủ để thấy khác biệt không có nghĩa là đã chứng minh không có khác biệt.
Giá trị p và khoảng tin cậy liên quan với nhau thế nào?
Với nhiều kiểm định thông dụng, khoảng tin cậy 95% không chứa giá trị của H0 tương ứng với p nhỏ hơn 0,05 ở kiểm định hai phía. Khoảng tin cậy cho thêm thông tin về độ lớn hiệu ứng nên thường hữu ích hơn một con số p đơn lẻ.
Có nên bỏ hẳn giá trị p không?
Đây là chủ đề còn tranh luận trong giới thống kê. Quan điểm phổ biến là giá trị p vẫn có ích nếu hiểu đúng và dùng kèm cỡ hiệu ứng, khoảng tin cậy, thiết kế nghiên cứu tốt, thay vì coi ngưỡng 0,05 là ranh giới đúng sai.
Chatbot có tính giá trị p chính xác không?
Với bài đơn giản thường đúng hướng nhưng con số có thể lệch, vì chatbot không phải lúc nào cũng tính thật mà có khi ước đoán. Nên kiểm lại bằng bảng tra, hàm trong bảng tính hoặc phần mềm thống kê.