Hai nghiên cứu cùng đánh giá một chương trình can thiệp. Nghiên cứu A báo cáo tác động 2 điểm, khoảng tin cậy 95% từ 0,1 đến 3,9, p = 0,04, và được viết là “có hiệu quả”. Nghiên cứu B báo cáo tác động 5 điểm, khoảng tin cậy từ −0,5 đến 10,5, p ≈ 0,08, và được viết là “không có hiệu quả”. Đọc kỹ, nghiên cứu B gợi ý một tác động có thể lớn hơn nhiều, chỉ là ước lượng kém chính xác vì mẫu nhỏ. Hai kết luận trái ngược nhau chủ yếu vì con số 0,05.
Giá trị p là một trong những khái niệm bị hiểu sai nhiều nhất trong khoa học, đến mức Hiệp hội Thống kê Hoa Kỳ (ASA) đã ra một tuyên bố chính thức năm 2016 để nhắc lại nó nói gì và không nói gì.
Giá trị p thật sự nói gì
Giá trị p là xác suất quan sát được dữ liệu cực đoan như vậy hoặc hơn, nếu giả thuyết không (H0) đúng và mọi giả định của mô hình đều đúng. Nó đo mức độ dữ liệu “không khớp” với H0. Chỉ vậy thôi.
Chú ý chữ “nếu”. Giá trị p được tính trong một thế giới giả định nơi H0 đúng. Vì vậy nó không thể cho bạn biết xác suất H0 đúng trong thế giới thật.
Sáu cách hiểu sai phổ biến
| Câu hiểu sai | Vì sao sai |
|---|---|
| “p = 0,03 nghĩa là có 3% khả năng H0 đúng” | p được tính khi giả sử H0 đúng; nó không phải xác suất của H0 |
| “p = 0,03 nghĩa là 97% khả năng kết quả là thật” | Cùng lỗi trên, theo chiều ngược lại |
| “p > 0,05 chứng minh không có khác biệt” | Không bác bỏ được H0 khác với chứng minh H0; có thể do mẫu nhỏ |
| “p càng nhỏ thì tác động càng lớn” | p phụ thuộc cả cỡ mẫu; tác động rất nhỏ với mẫu rất lớn vẫn cho p rất nhỏ |
| “Nhóm A có ý nghĩa, nhóm B không, vậy A và B khác nhau” | Phải kiểm định trực tiếp sự khác biệt giữa A và B |
| “p < 0,05 nghĩa là kết quả quan trọng” | Ý nghĩa thống kê không phải ý nghĩa thực tiễn |
Lỗi thứ năm đặc biệt phổ biến trong phân tích nhóm con: “can thiệp có hiệu quả ở nữ (p = 0,02) nhưng không ở nam (p = 0,20), vậy hiệu quả khác nhau theo giới”. Kết luận này đòi hỏi một kiểm định tương tác, và kiểm định đó rất thường không có ý nghĩa.
Khoảng tin cậy nói nhiều hơn
Khoảng tin cậy 95% cho biết một dải giá trị của tác động tương thích với dữ liệu. Nó cho bạn ba thông tin cùng lúc:
- Hướng và độ lớn ước lượng: điểm giữa.
- Độ chính xác: khoảng rộng hay hẹp.
- Kết quả kiểm định: nếu khoảng 95% không chứa giá trị không (0 với chênh lệch, 1 với tỷ số), thì p < 0,05 cho cùng phép thử đó.
Cách hiểu chặt chẽ: nếu lặp lại nghiên cứu nhiều lần và lần nào cũng tính khoảng tin cậy 95% theo cùng cách, khoảng 95% số khoảng đó sẽ chứa giá trị thật. Trong thực hành, đọc khoảng tin cậy như dải các giá trị mà dữ liệu không bác bỏ là cách dùng hữu ích và phổ biến.
Quay lại ví dụ mở đầu: khoảng của nghiên cứu B từ −0,5 đến 10,5 nói rằng dữ liệu tương thích với cả tác động gần bằng không lẫn tác động rất lớn. Kết luận đúng là “chưa đủ chính xác để kết luận”, không phải “không có hiệu quả”.
Hai khoảng chồng lên nhau không có nghĩa là không khác biệt
Một lỗi đọc biểu đồ rất phổ biến: thấy khoảng tin cậy 95% của hai nhóm chồng lên nhau và kết luận hai nhóm không khác nhau có ý nghĩa. Thực tế hai khoảng có thể chồng lên nhau một phần mà khác biệt vẫn có ý nghĩa thống kê. Muốn biết, hãy tính khoảng tin cậy cho chính sự khác biệt.
Viết kết quả: bỏ “NS” và dấu sao
- Báo cáo giá trị p chính xác (p = 0,07) thay vì “NS” hay “p > 0,05”. Riêng giá trị rất nhỏ thì viết “p < 0,001”.
- Luôn đi kèm ước lượng tác động và khoảng tin cậy. Một giá trị p đứng một mình gần như vô dụng.
- Tránh các cụm như “gần có ý nghĩa” hay “có xu hướng ý nghĩa” cho p = 0,06. Hãy mô tả ước lượng và độ không chắc chắn.
- Nếu chạy nhiều phép thử, nói rõ có hiệu chỉnh cho so sánh bội hay không, và bằng cách nào.
- Phân biệt rõ phân tích đã định trước trong kế hoạch với phân tích khám phá phát sinh sau khi xem dữ liệu; giá trị p của nhóm sau đáng tin ít hơn nhiều.
Ngưỡng 0,05 đến từ đâu
Con số 0,05 là một quy ước tiện dụng được phổ biến từ nửa đầu thế kỷ trước, gắn với tên nhà thống kê Ronald Fisher, người coi nó là mốc gợi ý đáng xem xét thêm chứ không phải ranh giới giữa đúng và sai. Một số lĩnh vực dùng ngưỡng chặt hơn nhiều: vật lý hạt yêu cầu mức tương đương “năm sigma” trước khi tuyên bố phát hiện; di truyền học quét toàn bộ hệ gen dùng ngưỡng rất nhỏ vì thực hiện hàng trăm nghìn phép thử. Không có gì thần kỳ ở 0,05.
Áp dụng: viết lại câu kết quả
Câu yếu: “Nhóm can thiệp có điểm cao hơn nhóm đối chứng (p < 0,05).”
Câu tốt hơn: “Điểm trung bình của nhóm can thiệp cao hơn nhóm đối chứng 4,2 điểm (khoảng tin cậy 95%: 1,1 đến 7,3; p = 0,008), tương đương cỡ hiệu ứng d = 0,45.”
Câu yếu: “Không có sự khác biệt về tỷ lệ bỏ học giữa hai nhóm (p = 0,21).”
Câu tốt hơn: “Tỷ lệ bỏ học ở nhóm can thiệp thấp hơn 3 điểm phần trăm (khoảng tin cậy 95%: từ thấp hơn 8 điểm đến cao hơn 2 điểm; p = 0,21); dữ liệu chưa đủ chính xác để loại trừ tác động có ý nghĩa thực tiễn theo cả hai chiều.”
Khuôn chung: hướng + độ lớn + đơn vị + khoảng tin cậy + p + diễn giải thận trọng.
Việc làm ngay: mở phần kết quả của bản thảo, tìm mọi chỗ ghi “p < 0,05”, “NS” hoặc dấu sao, và viết lại từng câu theo khuôn trên. Thường bạn sẽ phát hiện một hai kết luận cần hạ giọng, hoặc một kết quả “không có ý nghĩa” thật ra đáng thảo luận hơn bạn nghĩ.
Câu hỏi thường gặp
Giá trị p bằng 0,05 nghĩa là gì?
Nghĩa là nếu giả thuyết không đúng và các giả định mô hình đúng, xác suất quan sát được dữ liệu cực đoan như vậy hoặc hơn là 5%. Nó không phải xác suất giả thuyết không đúng.
p lớn hơn 0,05 có nghĩa là không có tác động không?
Không. Nó chỉ nghĩa là dữ liệu chưa đủ để bác bỏ giả thuyết không. Hãy xem khoảng tin cậy để biết dữ liệu còn tương thích với những tác động lớn đến đâu.
Khoảng tin cậy 95% hiểu thế nào?
Nếu lặp lại nghiên cứu nhiều lần và tính khoảng theo cùng cách, khoảng 95% số khoảng sẽ chứa giá trị thật. Trong thực hành, nó cho biết dải các giá trị tác động tương thích với dữ liệu.
Có nên viết NS thay cho giá trị p không?
Không nên. Hãy báo cáo giá trị p chính xác kèm ước lượng tác động và khoảng tin cậy; riêng giá trị rất nhỏ thì viết p nhỏ hơn 0,001.
Hai khoảng tin cậy chồng nhau thì có khác biệt không?
Có thể vẫn có. Hai khoảng chồng lên nhau một phần không loại trừ khác biệt có ý nghĩa; cần tính khoảng tin cậy cho chính sự khác biệt giữa hai nhóm.
