Hệ số tương quan Pearson đo mức độ hai biến cùng tăng giảm theo một đường thẳng, nhận giá trị từ −1 đến 1; hồi quy tuyến tính đơn tìm đường thẳng mô tả biến này theo biến kia sao cho tổng bình phương sai lệch nhỏ nhất. Hai công cụ này đi cùng nhau, xuất hiện ở cuối hầu hết giáo trình xác suất thống kê và là cửa vào của học máy.
Bài này tính tay cả hai trên một bộ năm điểm nhỏ để bạn thấy từng con số từ đâu ra, giải thích R bình phương và phần dư, rồi dành nhiều chỗ cho phần quan trọng nhất ngoài đời: những cách tương quan đánh lừa người đọc, từ nhầm nhân quả đến nghịch lý Simpson. Số liệu là ví dụ giả định.
Biểu đồ phân tán trước, con số sau
Trước khi tính bất cứ gì, vẽ biểu đồ phân tán: mỗi cặp số liệu là một điểm, trục ngang là biến giải thích, trục dọc là biến cần mô tả. Hình dạng đám điểm cho biết nhiều hơn mọi hệ số: quan hệ có gần đường thẳng không, có cong không, có điểm nào nằm tách hẳn đám đông không, có nhiều nhóm tách biệt không.
Năm 1973, nhà thống kê Francis Anscombe công bố bốn bộ dữ liệu nhỏ, sau này gọi là bộ tứ Anscombe, có trung bình, phương sai, hệ số tương quan và đường hồi quy gần như giống hệt nhau. Nhưng khi vẽ ra, một bộ là đám điểm quanh đường thẳng, một bộ là đường cong rõ ràng, một bộ là đường thẳng hoàn hảo bị một điểm ngoại lai kéo lệch, một bộ gần như mọi điểm có cùng hoành độ trừ một điểm. Cùng con số, bốn câu chuyện khác hẳn nhau.
Bài học từ Anscombe vẫn còn nguyên giá trị khi bạn dùng AI phân tích dữ liệu: nếu chỉ yêu cầu chatbot "tính hệ số tương quan", bạn nhận về một con số. Hãy luôn yêu cầu thêm biểu đồ phân tán, hoặc tự vẽ bằng bảng tính, trước khi diễn giải.
Tính tay hệ số tương quan trên năm điểm
Ví dụ giả định: x là số giờ ôn bài trong tuần trước bài kiểm tra nhỏ, y là điểm bài kiểm tra thang 5, của năm sinh viên. Trung bình x bằng 3, trung bình y bằng 4. Ba cột cuối là tích độ lệch và bình phương độ lệch.
| x | y | x − 3 | y − 4 | (x − 3)(y − 4) | (x − 3)² | (y − 4)² |
|---|---|---|---|---|---|---|
| 1 | 2 | −2 | −2 | 4 | 4 | 4 |
| 2 | 4 | −1 | 0 | 0 | 1 | 0 |
| 3 | 5 | 0 | 1 | 0 | 0 | 1 |
| 4 | 4 | 1 | 0 | 0 | 1 | 0 |
| 5 | 5 | 2 | 1 | 2 | 4 | 1 |
| Cộng | 6 | 10 | 6 |
Hệ số tương quan r bằng tổng tích độ lệch chia căn của tích hai tổng bình phương: r = 6 / căn(10 × 6) = 6 / căn 60, khoảng 0,775. Quan hệ thuận, khá mạnh với năm điểm, nhưng năm điểm thì quá ít để kết luận gì ngoài phạm vi bài tập.
Ý nghĩa của tử số: khi x trên trung bình mà y cũng trên trung bình, hoặc cả hai cùng dưới, tích dương; khi một trên một dưới, tích âm. Tổng tích dương lớn nghĩa là hai biến hay cùng phía. Mẫu số chuẩn hoá để r không phụ thuộc đơn vị đo: đổi giờ thành phút, r không đổi.
Đường hồi quy bình phương nhỏ nhất và R bình phương
Đường hồi quy y = a + b × x được chọn sao cho tổng bình phương khoảng cách theo chiều dọc từ các điểm đến đường là nhỏ nhất. Ý tưởng bình phương nhỏ nhất được Legendre công bố năm 1805 và Gauss phát triển gần như cùng thời. Kết quả có công thức gọn: hệ số góc b bằng tổng tích độ lệch chia tổng bình phương độ lệch của x, còn a bằng trung bình y trừ b nhân trung bình x.
Với bảng trên: b = 6 / 10 = 0,6; a = 4 − 0,6 × 3 = 2,2. Đường hồi quy là y = 2,2 + 0,6x. Đọc: mỗi giờ ôn thêm gắn với điểm cao hơn trung bình 0,6 điểm trong dữ liệu này. Hệ số chặn 2,2 là giá trị dự đoán khi x = 0, nằm ngoài phạm vi dữ liệu nên không nên diễn giải như "không ôn được 2,2 điểm".
Giá trị dự đoán tại năm điểm là 2,8; 3,4; 4,0; 4,6; 5,2. Phần dư, tức y thật trừ y dự đoán, là −0,8; 0,6; 1,0; −0,6; −0,2. Tổng phần dư bằng 0, một tính chất luôn đúng của đường bình phương nhỏ nhất có hệ số chặn. Tổng bình phương phần dư bằng 0,64 + 0,36 + 1 + 0,36 + 0,04 = 2,4.
R bình phương bằng 1 trừ tổng bình phương phần dư chia tổng bình phương độ lệch của y: 1 − 2,4 / 6 = 0,6. Với hồi quy một biến, R bình phương đúng bằng r bình phương: 0,775² ≈ 0,6. Đọc: đường thẳng giải thích khoảng 60% biến thiên của y trong dữ liệu này. "Giải thích" ở đây là thuật ngữ thống kê, không có nghĩa là nguyên nhân.
Một dự đoán vô lý cần chú ý: với x = 5, đường cho 5,2 điểm trên thang 5. Đường thẳng không biết thang điểm có trần; ngoại suy ra ngoài vùng dữ liệu hoặc gần biên là chỗ hồi quy tuyến tính hay cho kết quả vô nghĩa.
Đọc phần dư để biết đường thẳng có hợp không
Đường hồi quy luôn tính ra được, kể cả khi dữ liệu không hề tuyến tính. Cách kiểm chính là vẽ phần dư theo x hoặc theo giá trị dự đoán, rồi nhìn hình dạng. Một đồ thị phần dư tốt trông như đám mây ngẫu nhiên quanh đường nằm ngang tại 0.
- Phần dư có dạng cong, ví dụ hình chữ U: quan hệ thật không tuyến tính. Thử biến đổi biến, như lấy logarit, hoặc thêm số hạng bậc hai.
- Phần dư loe ra như hình phễu: độ phân tán tăng theo x, gọi là phương sai không đồng nhất. Hệ số góc vẫn ước lượng được, nhưng khoảng tin cậy và kiểm định tính theo công thức chuẩn sẽ không đáng tin.
- Một điểm có phần dư rất lớn: ngoại lai theo chiều y. Kiểm xem có lỗi nhập liệu không, và thử bỏ nó ra xem đường thay đổi bao nhiêu.
- Một điểm nằm xa hẳn các điểm khác theo chiều x: điểm có đòn bẩy cao. Nó có thể kéo cả đường về phía mình mà phần dư của chính nó lại nhỏ, nên không lộ ra trên đồ thị phần dư; phải nhìn biểu đồ phân tán gốc.
- Phần dư theo thứ tự thời gian có xu hướng: các quan sát không độc lập, thường gặp với dữ liệu theo ngày, theo tháng. Hồi quy đơn giản bỏ qua cấu trúc này.
Với năm điểm của ví dụ, phần dư −0,8; 0,6; 1,0; −0,6; −0,2 không có hình dạng rõ ràng, nhưng năm điểm quá ít để nói gì chắc chắn. Kiểm phần dư có ý nghĩa thật sự khi có vài chục quan sát trở lên.
Tương quan không phải nhân quả: ba cơ chế gây nhầm
Biến thứ ba. Ví dụ kinh điển: trong những tháng bán nhiều kem, số vụ đuối nước cũng nhiều. Kem không gây đuối nước; trời nóng làm cả hai cùng tăng. Trong ví dụ giờ ôn bài, sinh viên có động lực cao vừa ôn nhiều vừa làm bài cẩn thận; tương quan giữa giờ ôn và điểm có thể một phần đến từ động lực.
Nhân quả ngược. Quan sát thấy người hay đi khám sức khoẻ có nhiều chẩn đoán bệnh hơn. Không phải đi khám gây bệnh; khám nhiều thì phát hiện nhiều, và người có triệu chứng thì đi khám nhiều.
Chọn lọc dữ liệu. Nếu chỉ khảo sát những người đã đỗ một kỳ thi, mối quan hệ giữa giờ học và điểm có thể biến dạng hoàn toàn, vì những người học nhiều mà trượt không có trong dữ liệu.
Cách đi xa hơn tương quan. Thí nghiệm ngẫu nhiên có đối chứng là cách mạnh nhất để kết luận nhân quả. Khi không làm thí nghiệm được, các phương pháp suy luận nhân quả từ dữ liệu quan sát tồn tại nhưng đòi hỏi giả định rõ ràng và kiến thức chuyên ngành; chúng thuộc chương trình nâng cao.
Nghịch lý Simpson: tốt hơn ở từng nhóm, kém hơn khi gộp
Ví dụ giả định: hai lớp ôn tập A và B, học viên chia theo nền tảng ban đầu. Tỉ lệ qua bài kiểm tra cuối khoá như sau.
| Nhóm học viên | Lớp A | Lớp B |
|---|---|---|
| Nền tảng yếu | 192 / 263, khoảng 73,0% | 55 / 80, khoảng 68,8% |
| Nền tảng khá | 81 / 87, khoảng 93,1% | 234 / 270, khoảng 86,7% |
| Gộp chung | 273 / 350, khoảng 78,0% | 289 / 350, khoảng 82,6% |
Lớp A có tỉ lệ qua cao hơn ở cả hai nhóm, nhưng khi gộp lại lại thấp hơn lớp B. Không có phép tính nào sai. Lý do: lớp A nhận phần lớn học viên nền tảng yếu (263 trên 350), nhóm vốn có tỉ lệ qua thấp; lớp B nhận phần lớn học viên nền tảng khá. Tỉ lệ gộp phản ánh cơ cấu đầu vào nhiều hơn chất lượng lớp.
Con số trong bảng được dựng theo cấu trúc của một ví dụ nổi tiếng trong y văn so sánh hai phương pháp điều trị. Bài học chung: trước khi so sánh tỉ lệ gộp giữa các nhóm, hỏi xem các nhóm có khác nhau về thành phần không. Câu trả lời "nên tin số gộp hay số tách" không đến từ toán, mà từ hiểu biết về cơ chế: biến chia nhóm là nguyên nhân chung hay là hệ quả.
Dùng AI để phân tích tương quan mà không bị dẫn sai
Chatbot và bảng tính tính r, b, R bình phương trong một giây. Phần khó là đọc đúng, và đó là phần bạn phải tự làm.
- Tự tính tay trên bộ dữ liệu nhỏ như năm điểm ở trên ít nhất một lần, để biết mỗi con số đến từ đâu.
- Với dữ liệu lớn hơn, yêu cầu: "Vẽ biểu đồ phân tán, tính hệ số tương quan và đường hồi quy, liệt kê phần dư lớn nhất, và nêu những lý do khiến tương quan này có thể không phải quan hệ nhân quả."
- Đối chiếu con số với hàm tương quan và hồi quy có sẵn trong bảng tính. Nếu lệch, nghi chatbot chép thiếu dòng hoặc làm tròn sớm.
- Hỏi thêm: "Có biến nào có thể chia dữ liệu này thành các nhóm cho kết quả ngược lại không?" để tự nhắc mình về Simpson.
- Khi dữ liệu là kết quả học tập hay số liệu nhân sự thật, xoá họ tên, mã số, mọi thông tin nhận diện trước khi dán; phân tích tương quan chỉ cần hai cột số.
Đừng để AI viết kết luận nhân quả thay bạn. Một câu như "ôn thêm một giờ làm tăng 0,6 điểm" nghe tự nhiên và chatbot hay viết như vậy, nhưng dữ liệu quan sát chỉ cho phép nói "gắn với", không cho phép nói "làm tăng".
Câu hỏi thường gặp
Hệ số tương quan bằng 0 có nghĩa là hai biến không liên quan không?
Không hẳn. Hệ số Pearson bằng 0 chỉ nghĩa là không có quan hệ tuyến tính. Hai biến có thể liên quan chặt theo đường cong, ví dụ hình chữ U, mà hệ số vẫn gần 0. Luôn vẽ biểu đồ phân tán.
Hệ số tương quan bao nhiêu thì được coi là mạnh?
Không có ngưỡng chung. Các mốc như 0,3 yếu, 0,5 vừa, 0,7 mạnh chỉ là quy ước thô và thay đổi theo ngành. Ý nghĩa thực tế phụ thuộc lĩnh vực và cỡ mẫu, và với mẫu nhỏ, r dao động rất mạnh.
R bình phương bằng 0,6 có nghĩa là gì?
Nghĩa là đường hồi quy giải thích khoảng 60% biến thiên của biến phụ thuộc trong dữ liệu đó, theo nghĩa thống kê. Nó không nói mô hình đúng, không nói quan hệ là nhân quả, và R bình phương cao vẫn có thể đi kèm mô hình sai dạng.
Hồi quy y theo x và x theo y có cho cùng một đường không?
Không. Hồi quy y theo x tối thiểu khoảng cách theo chiều dọc, hồi quy x theo y tối thiểu khoảng cách theo chiều ngang, nên hai đường khác nhau trừ khi tương quan hoàn hảo. Chọn chiều theo câu hỏi bạn muốn dự đoán biến nào.
Nghịch lý Simpson có hay gặp trong thực tế không?
Gặp đủ thường để luôn phải đề phòng, đặc biệt khi so sánh tỉ lệ giữa các nhóm có thành phần khác nhau như trường, bệnh viện, địa phương. Cách phòng là tách theo các biến có thể ảnh hưởng đến cả nhóm lẫn kết quả trước khi kết luận.
Hồi quy tuyến tính liên quan gì đến học máy?
Hồi quy tuyến tính là một trong những mô hình học máy đơn giản nhất, và ý tưởng tối thiểu tổng bình phương sai số là nền của nhiều hàm mất mát. Phần toán phía sau mô hình AI có bài riêng ở danh mục toán đứng sau trí tuệ nhân tạo.