Một nghiên cứu sinh chạy thử nghiệm với 40 người, không thấy khác biệt, p = 0,38. Cô muốn viết “can thiệp không có tác dụng”, nhưng người hướng dẫn nhắc: p lớn không chứng minh không có hiệu ứng, nó chỉ nói dữ liệu không đủ để bác bỏ. Cô hỏi: vậy có cách nào nói dữ liệu ủng hộ giả thuyết “không có hiệu ứng” không? Có, và đó là một trong những lý do nhiều người tìm đến thống kê Bayes.
Bài này không nhằm thuyết phục bạn bỏ phương pháp quen thuộc. Mục tiêu là giúp bạn đọc hiểu một kết quả Bayes trong bài báo, biết khi nào nó hữu ích, và báo cáo đúng nếu bạn dùng.
Khác biệt cốt lõi trong một câu
Giá trị p trả lời: “Nếu giả thuyết không đúng, dữ liệu cực đoan như thế này hiếm đến đâu?” Thống kê Bayes trả lời: “Với dữ liệu này và những gì biết trước, các giá trị của tham số đáng tin đến đâu?” Câu thứ hai gần với điều người đọc thường muốn biết, và chính vì vậy giá trị p hay bị hiểu nhầm thành câu thứ hai.
Ba thành phần: tiên nghiệm, khả năng, hậu nghiệm
| Thành phần | Là gì | Ví dụ |
|---|---|---|
| Tiên nghiệm (prior) | Niềm tin về tham số trước khi thấy dữ liệu | Hiệu ứng của các can thiệp giáo dục tương tự thường nhỏ đến vừa |
| Khả năng (likelihood) | Dữ liệu ủng hộ các giá trị tham số khác nhau đến đâu | Kết quả thu được từ 40 người |
| Hậu nghiệm (posterior) | Niềm tin cập nhật sau khi kết hợp hai thứ trên | Phân phối các giá trị hiệu ứng hợp lý sau thử nghiệm |
Tiên nghiệm là điểm hay bị nghi ngờ nhất: “bạn đưa niềm tin chủ quan vào phân tích”. Câu trả lời thực dụng: tiên nghiệm phải được khai báo minh bạch, có lý do, và kết quả phải được kiểm tra với các tiên nghiệm khác (phân tích độ nhạy). Với cỡ mẫu vừa và lớn, dữ liệu thường lấn át tiên nghiệm hợp lý, và kết quả Bayes gần với kết quả quen thuộc.
Khoảng tin cậy Bayes: đọc được theo cách bạn vẫn muốn đọc
Khoảng tin cậy Bayes (credible interval) 95% là khoảng chứa 95% xác suất hậu nghiệm của tham số, với tiên nghiệm và mô hình đã chọn. Bạn có thể nói: “với mô hình và tiên nghiệm này, có 95% xác suất hiệu ứng nằm trong khoảng 0,05 đến 0,48.” Khoảng tin cậy tần suất thì không được đọc như vậy, dù rất nhiều người vẫn đọc thế.
Hậu nghiệm còn cho phép trả lời trực tiếp những câu có ích: xác suất hiệu ứng lớn hơn 0 là bao nhiêu; xác suất hiệu ứng lớn hơn mức có ý nghĩa thực tiễn (ví dụ 0,2 độ lệch chuẩn) là bao nhiêu.
Hệ số Bayes: so sánh hai giả thuyết
Hệ số Bayes (Bayes factor, BF) cho biết dữ liệu có khả năng xảy ra dưới giả thuyết này cao gấp bao nhiêu lần so với giả thuyết kia.
- BF₁₀ = 6: dữ liệu có khả năng xảy ra dưới giả thuyết có hiệu ứng cao gấp 6 lần so với giả thuyết không.
- BF₁₀ = 0,2, tức BF₀₁ = 5: dữ liệu ủng hộ giả thuyết không gấp 5 lần. Đây là điều giá trị p không làm được.
- BF gần 1: dữ liệu không phân biệt được hai giả thuyết; cần thêm dữ liệu.
Nhiều tài liệu đưa ra các mức diễn giải bằng lời (bằng chứng yếu, vừa, mạnh). Chúng hữu ích để định hướng, nhưng đừng biến chúng thành ngưỡng cứng kiểu p < 0,05. Hệ số Bayes cũng phụ thuộc đáng kể vào tiên nghiệm của giả thuyết có hiệu ứng; hãy báo tiên nghiệm và thử vài độ rộng khác nhau.
Khi nào cách tiếp cận Bayes đặc biệt hữu ích
- Muốn nói về bằng chứng ủng hộ giả thuyết không, như ví dụ ở đầu bài.
- Có thông tin trước đáng tin từ nghiên cứu trước hay phân tích tổng hợp, và muốn kết hợp có hệ thống.
- Mô hình phức tạp như mô hình đa tầng với ít nhóm, nơi phương pháp thông thường hay không hội tụ; tiên nghiệm nhẹ giúp ổn định.
- Muốn theo dõi dữ liệu dần và dừng khi đủ bằng chứng, trong khuôn khổ được lên kế hoạch trước.
Điều thống kê Bayes không làm được: biến dữ liệu yếu thành kết luận mạnh. Với 40 người, hậu nghiệm vẫn rộng; nó chỉ nói điều đó một cách trung thực hơn.
Ba hiểu lầm hay gặp
- “Bayes không cần cỡ mẫu”: sai. Cỡ mẫu nhỏ cho hậu nghiệm rộng; bạn vẫn cần lập kế hoạch cỡ mẫu, chỉ là theo mục tiêu độ chính xác hoặc độ mạnh bằng chứng.
- “Chọn tiên nghiệm sao cho ra kết quả đẹp”: đó là thao túng, không khác p-hacking. Tiên nghiệm nên được quyết định và tốt nhất là đăng ký trước khi phân tích.
- “Hệ số Bayes và khoảng tin cậy Bayes là một”: không. Một cái so sánh hai giả thuyết, một cái mô tả giá trị hợp lý của tham số; hai cách có thể cho ấn tượng khác nhau.
Công cụ để bắt đầu
JASP có giao diện giống SPSS, chạy được kiểm định t, ANOVA, tương quan, hồi quy theo cả hai cách, rất hợp để học. Trong R, gói brms và rstanarm cho phép viết mô hình Bayes với cú pháp gần giống lme4. Với người dùng Python, PyMC là lựa chọn phổ biến. Dù dùng gì, hãy kiểm tra chẩn đoán hội tụ (R-hat gần 1, số mẫu hiệu dụng đủ lớn) trước khi đọc kết quả.
Áp dụng thực tế: báo cáo một phân tích Bayes
- Nêu mô hình và phần mềm, kèm phiên bản.
- Khai báo tiên nghiệm cho từng tham số và lý do chọn.
- Báo chẩn đoán hội tụ: R-hat, số mẫu hiệu dụng, số chuỗi và vòng lặp.
- Báo trung vị hoặc trung bình hậu nghiệm và khoảng tin cậy Bayes 95%; nếu có, xác suất hiệu ứng vượt ngưỡng có ý nghĩa thực tiễn.
- Nếu dùng hệ số Bayes: nêu hai giả thuyết được so sánh và tiên nghiệm của giả thuyết có hiệu ứng.
- Phân tích độ nhạy với ít nhất một tiên nghiệm khác.
Mẫu câu: “Với tiên nghiệm Cauchy mặc định (độ rộng 0,707), hệ số Bayes BF₀₁ = 4,2 cho thấy dữ liệu ủng hộ giả thuyết không có khác biệt ở mức vừa phải; kết quả ổn định khi thay đổi độ rộng tiên nghiệm.”
Việc làm tiếp theo: lấy một kết quả “không có ý nghĩa thống kê” trong nghiên cứu của bạn, chạy lại kiểm định tương ứng trong JASP ở chế độ Bayes và đọc hệ số Bayes. Bạn sẽ biết dữ liệu đang thật sự ủng hộ “không có hiệu ứng”, hay chỉ đơn giản là chưa đủ để nói gì.
Câu hỏi thường gặp
Thống kê Bayes khác thống kê tần suất ở điểm nào?
Thống kê tần suất hỏi dữ liệu hiếm đến đâu nếu giả thuyết không đúng. Thống kê Bayes kết hợp thông tin trước với dữ liệu để cho biết các giá trị tham số đáng tin đến đâu.
Tiên nghiệm (prior) có làm kết quả chủ quan không?
Tiên nghiệm cần được khai báo minh bạch, có lý do và kiểm tra độ nhạy. Với cỡ mẫu vừa và lớn, dữ liệu thường lấn át tiên nghiệm hợp lý.
Hệ số Bayes bao nhiêu là bằng chứng mạnh?
Có các mức diễn giải bằng lời tham khảo, nhưng không nên dùng như ngưỡng cứng. Hãy báo con số, tiên nghiệm và phân tích độ nhạy để người đọc tự đánh giá.
Thống kê Bayes có chứng minh được không có hiệu ứng không?
Nó có thể cho thấy dữ liệu ủng hộ giả thuyết không ở một mức độ nhất định qua hệ số Bayes, điều mà giá trị p không làm được, nhưng vẫn không phải chứng minh tuyệt đối.
Người mới nên dùng phần mềm gì cho thống kê Bayes?
JASP có giao diện thân thiện và chạy song song hai cách tiếp cận. Với R, gói brms hoặc rstanarm là lựa chọn phổ biến khi cần mô hình linh hoạt hơn.
