Một nghiên cứu muốn biết học thêm có giúp học sinh lớp 12 đạt điểm thi cao hơn không. Nhóm tác giả đưa vào mô hình hồi quy mọi biến có trong bộ dữ liệu: thu nhập gia đình, điểm lớp 11, số giờ tự học, điểm thi thử, mức độ căng thẳng. Hệ số của biến học thêm gần bằng không, và họ kết luận học thêm vô ích. Vấn đề: điểm thi thử và số giờ tự học chính là con đường mà học thêm (nếu có tác dụng) sẽ đi qua. Kiểm soát chúng là tự tay xoá đi hiệu ứng mình muốn đo.
Phần lớn đề tài trong giáo dục, kinh tế, y tế công cộng không thể làm thực nghiệm ngẫu nhiên. Nhưng điều đó không có nghĩa là không được nói gì về nhân quả. Nó có nghĩa là bạn phải nói rõ các giả định, và cách rõ ràng nhất là vẽ chúng ra.
Vì sao tương quan không đủ, và thiếu ở đâu
Một mối liên hệ giữa X và Y trong dữ liệu quan sát có thể đến từ bốn nguồn: X gây ra Y; Y gây ra X (nhân quả ngược); một biến thứ ba gây ra cả hai (gây nhiễu); hoặc cách chọn mẫu đã tạo ra liên hệ (thiên lệch chọn). Suy luận nhân quả là việc loại trừ lần lượt ba nguồn sau bằng thiết kế và giả định có thể biện hộ được.
Sơ đồ DAG: viết giả định thành mũi tên
Đồ thị có hướng không chu trình (directed acyclic graph, DAG) là một sơ đồ trong đó mỗi biến là một nút, mỗi mũi tên là một giả định rằng biến này có thể ảnh hưởng trực tiếp đến biến kia. Không có mũi tên cũng là một giả định mạnh: bạn khẳng định không có ảnh hưởng trực tiếp.
Với ví dụ học thêm, một DAG hợp lý có thể là: thu nhập gia đình → học thêm; thu nhập gia đình → điểm thi; điểm lớp 11 → học thêm; điểm lớp 11 → điểm thi; học thêm → điểm thi thử → điểm thi. Vẽ bằng giấy bút là đủ, hoặc dùng công cụ trực tuyến miễn phí như DAGitty để nó chỉ ra tập biến cần kiểm soát.
Ba loại biến và cách đối xử khác nhau
| Loại biến | Cấu trúc | Ví dụ | Có kiểm soát không |
|---|---|---|---|
| Biến gây nhiễu (confounder) | X ← C → Y | Thu nhập gia đình ảnh hưởng cả khả năng đi học thêm lẫn điểm thi | Có |
| Biến trung gian (mediator) | X → M → Y | Học thêm làm tăng điểm thi thử, điểm thi thử phản ánh điểm thi | Không, nếu muốn đo tổng hiệu ứng |
| Biến va chạm (collider) | X → K ← Y | Được chọn vào lớp chuyên do cả học thêm lẫn năng lực | Tuyệt đối không, kể cả bằng cách chọn mẫu |
Biến va chạm là cái bẫy tinh vi nhất. Nếu bạn chỉ khảo sát học sinh lớp chuyên, bạn đã “kiểm soát” biến va chạm bằng cách chọn mẫu. Trong nhóm này, người không học thêm mà vẫn vào được lớp chuyên thường có năng lực nền cao hơn, nên học thêm có thể trông như liên hệ ngược chiều với năng lực, dù ngoài đời không hề như vậy. Hiện tượng này còn được gọi là nghịch lý Berkson.
Quy trình chọn biến kiểm soát
- Viết câu hỏi nhân quả chính xác: hiệu ứng của X lên Y, tổng hiệu ứng hay hiệu ứng trực tiếp?
- Vẽ DAG dựa trên lý thuyết và kiến thức chuyên môn, không dựa trên tương quan trong dữ liệu.
- Tìm mọi đường “cửa sau” từ X đến Y, tức những đường bắt đầu bằng mũi tên đi vào X.
- Chọn tập biến đủ để chặn mọi đường cửa sau mà không chặn đường nhân quả và không mở đường qua biến va chạm.
- Không thêm biến “cho chắc”. Mỗi biến thêm vào cần một lý do trên sơ đồ.
- Kiểm tra độ nhạy: nếu có biến gây nhiễu chưa đo được, nó phải mạnh đến đâu mới xoá được kết quả? Chỉ số E-value là một cách báo cáo điều này.
Khi dữ liệu cho phép: các thiết kế gần thực nghiệm
- Khác biệt trong khác biệt (difference-in-differences): so sánh thay đổi trước – sau của nhóm chịu chính sách với nhóm không chịu, với giả định hai nhóm có xu hướng song song nếu không có chính sách.
- Hồi quy gián đoạn (regression discontinuity): khi việc được nhận can thiệp phụ thuộc vào một ngưỡng, như điểm chuẩn học bổng; so sánh những người ngay trên và ngay dưới ngưỡng.
- Biến công cụ (instrumental variable): một biến ảnh hưởng đến X nhưng chỉ ảnh hưởng đến Y qua X. Mạnh về lý thuyết nhưng giả định khó biện hộ.
- Ghép điểm xu hướng (propensity score): cân bằng các nhóm theo biến quan sát được. Nó không giải quyết được biến gây nhiễu chưa đo, và chọn biến vẫn phải dựa trên DAG.
Mỗi phương pháp đổi một giả định khó kiểm chứng này lấy một giả định khác. Không có phương pháp nào thay thế được việc suy nghĩ về sơ đồ nhân quả.
Nhân quả ngược và thứ tự thời gian
Nếu biến độc lập và biến phụ thuộc đo cùng lúc, hãy hỏi chiều nào hợp lý hơn. Học sinh căng thẳng làm bài kém, hay làm bài kém khiến căng thẳng? Dữ liệu theo dõi dọc với biến độc lập đo trước biến phụ thuộc giúp nhiều, nhưng không tự động giải quyết gây nhiễu.
Một mẹo đơn giản: đặt khoảng cách thời gian giữa các lần đo đủ để nguyên nhân kịp tác động, nhưng không quá xa đến mức nhiều sự kiện khác chen vào. Ghi rõ lựa chọn khoảng cách này và lý do trong phần phương pháp, vì người phản biện sẽ hỏi.
Viết kết luận đúng mức
Có hai lỗi đối xứng. Lỗi thứ nhất: tuyên bố nhân quả mà không có thiết kế hay giả định nào đỡ. Lỗi thứ hai, cũng phổ biến: viết “có liên quan” trong khi toàn bộ phần thảo luận ngầm đưa ra khuyến nghị chính sách như thể đó là nhân quả. Cách trung thực là nói thẳng: câu hỏi của chúng tôi mang tính nhân quả; dưới các giả định trong sơ đồ (đưa vào phụ lục), ước lượng là như sau; kết quả sẽ sai nếu tồn tại biến gây nhiễu như thế này.
Việc làm tiếp: lấy mô hình hồi quy gần nhất bạn đã chạy, vẽ DAG cho nó trên một tờ giấy, rồi xếp từng biến kiểm soát vào một trong ba loại ở bảng trên. Nếu có biến nào là trung gian hay va chạm, bạn vừa tìm ra lý do vì sao kết quả trông lạ.
Câu hỏi thường gặp
DAG trong nghiên cứu là gì?
DAG là đồ thị có hướng không chu trình, dùng để biểu diễn giả định nhân quả giữa các biến bằng nút và mũi tên. Nó giúp xác định biến nào cần kiểm soát và biến nào không được kiểm soát khi ước lượng một hiệu ứng.
Có nên đưa càng nhiều biến kiểm soát vào mô hình càng tốt không?
Không. Kiểm soát biến trung gian làm mất một phần hiệu ứng bạn muốn đo, còn kiểm soát biến va chạm có thể tạo ra liên hệ giả. Mỗi biến kiểm soát cần có lý do dựa trên sơ đồ nhân quả.
Biến gây nhiễu là gì?
Là biến ảnh hưởng đến cả nguyên nhân và kết quả, tạo ra mối liên hệ giữa chúng ngay cả khi không có quan hệ nhân quả. Ví dụ thu nhập gia đình có thể ảnh hưởng cả việc đi học thêm lẫn điểm thi.
Dữ liệu cắt ngang có kết luận nhân quả được không?
Rất hạn chế. Bạn cần giả định mạnh về chiều ảnh hưởng và về việc đã kiểm soát đủ biến gây nhiễu. Nên trình bày rõ các giả định đó và dùng ngôn ngữ thận trọng.
Nghịch lý Berkson là gì?
Là liên hệ giả xuất hiện khi mẫu được chọn dựa trên một biến chịu ảnh hưởng của cả hai biến đang nghiên cứu. Ví dụ chỉ nghiên cứu học sinh lớp chuyên có thể tạo ra liên hệ ngược chiều giả giữa học thêm và năng lực.
