Không. "Không bác bỏ H0" chỉ có nghĩa là số liệu chưa đủ bằng chứng để gạt bỏ H0; nó không chứng tỏ H0 đúng. Một kiểm định với mẫu nhỏ có thể cho p lớn ngay cả khi khác biệt thật khá lớn, đơn giản vì nó không đủ sức phát hiện. Viết "chấp nhận H0" hay "kết luận hai nhóm như nhau" là biến sự thiếu bằng chứng thành bằng chứng của điều ngược lại.
Câu nói kinh điển trong thống kê là "vắng bằng chứng không phải bằng chứng của sự vắng mặt". Bài này giải thích vì sao, minh hoạ bằng một ví dụ tính tay, chỉ cách đọc khoảng tin cậy để biết kết quả "không có ý nghĩa" của bạn thuộc loại nào, và giới thiệu kiểm định tương đương — công cụ đúng khi mục tiêu thực sự là chứng tỏ hai thứ gần như nhau.
Logic của kiểm định chỉ đi một chiều
Kiểm định giả thuyết được xây theo kiểu phản chứng: giả sử H0 đúng, rồi xem số liệu có quá khó xảy ra dưới giả định đó không. Nếu quá khó xảy ra, ta có lý do gạt bỏ H0. Nếu không quá khó xảy ra, ta chỉ biết rằng số liệu không mâu thuẫn rõ rệt với H0. Nhưng số liệu đó cũng có thể không mâu thuẫn với rất nhiều giả thuyết khác — hiệu bằng 1, bằng 3, bằng 5 — và kiểm định không cho biết giả thuyết nào trong số đó đúng.
Hình ảnh phiên toà giúp nhớ: bản án ghi "không đủ căn cứ kết tội" chứ không ghi "đã chứng minh vô tội". Hai điều này khác nhau về bản chất. Người được tha vì thiếu chứng cứ có thể vô tội, cũng có thể có tội mà chứng cứ thu thập chưa đủ. Kết luận "không bác bỏ H0" cũng nằm ở đúng vị trí mơ hồ đó.
Vì vậy trong sách thống kê, hai kết luận chuẩn là "bác bỏ H0" và "không bác bỏ H0" (hay "chưa đủ bằng chứng để bác bỏ H0"). Cụm "chấp nhận H0" vẫn xuất hiện trong một số giáo trình cũ, đặc biệt theo khung quyết định Neyman–Pearson, nơi "chấp nhận" mang nghĩa hành động "cư xử như thể H0 đúng" chứ không phải tin rằng H0 đúng. Trong luận văn, dùng "không bác bỏ" để tránh bị hiểu sai.
Ví dụ tính tay: một kết quả "không có ý nghĩa" nhưng không nói lên điều gì
Ví dụ giả định: một nhóm sinh viên ở Nghệ An thử một cách ôn tập mới với 10 bạn, so với 10 bạn ôn theo cách cũ. Điểm trung bình nhóm mới cao hơn 3 điểm trên thang 100, độ lệch chuẩn gộp của hai nhóm là 6 điểm. Các bước kiểm định t hai mẫu độc lập như sau.
| Đại lượng | Cách tính | Kết quả |
|---|---|---|
| Hiệu hai trung bình | Trung bình mới − trung bình cũ | 3,0 điểm |
| Sai số chuẩn của hiệu | 6 × căn bậc hai của (1/10 + 1/10) | Khoảng 2,68 |
| Thống kê t | 3,0 / 2,68 | Khoảng 1,12 |
| Bậc tự do | 10 + 10 − 2 | 18 |
| Giá trị p hai phía | Tra phân phối t với 18 bậc tự do | Khoảng 0,28 |
| Ngưỡng t hai phía, alpha 0,05 | Tra bảng t | Khoảng 2,101 |
| Khoảng tin cậy 95% của hiệu | 3,0 ± 2,101 × 2,68 | Khoảng −2,6 đến 8,6 điểm |
Kết luận đúng: không bác bỏ H0 ở mức ý nghĩa 0,05. Nhưng hãy nhìn khoảng tin cậy: số liệu tương thích với việc cách mới làm điểm giảm 2,6 điểm, cũng tương thích với việc nó làm điểm tăng tới 8,6 điểm. Một khoảng rộng như vậy nói rằng nghiên cứu này gần như chưa biết gì về hiệu quả thật. Viết "cách ôn tập mới không có tác dụng" là sai hoàn toàn.
Ba lý do khiến một kết quả không có ý nghĩa
Hiệu ứng thật bằng 0 hoặc rất nhỏ. Đây là trường hợp duy nhất mà người viết "không có khác biệt" mong muốn. Nó có thể đúng, nhưng chỉ số liệu với khoảng tin cậy hẹp quanh 0 mới ủng hộ được điều này.
Lực mẫu thấp. Mẫu nhỏ hoặc số liệu nhiễu khiến sai số chuẩn lớn, nên chỉ những hiệu ứng rất lớn mới vượt được ngưỡng. Ví dụ trên với 10 người mỗi nhóm thuộc loại này: một cải thiện 3 điểm có thật vẫn rất dễ bị bỏ sót. Phần lớn kết quả "không có ý nghĩa" trong luận văn với mẫu nhỏ nằm ở đây.
Vấn đề đo lường hoặc thiết kế. Thang đo không nhạy với thay đổi, thời gian can thiệp quá ngắn, nhóm đối chứng bị "nhiễm" can thiệp, hay biến kết quả không đo đúng điều cần đo đều có thể che mất hiệu ứng thật. Lúc đó, dù tăng mẫu cũng khó thay đổi kết quả.
Đọc khoảng tin cậy để biết kết quả thuộc loại nào
Giá trị p một mình không phân biệt được ba trường hợp trên; khoảng tin cậy thì làm được phần lớn việc đó. Hãy xác định trước một ngưỡng "hiệu nhỏ nhất có ý nghĩa thực tế" — ví dụ trong bối cảnh trên, giáo viên cho rằng chênh dưới 2 điểm trên thang 100 là không đáng kể. Sau đó đặt khoảng tin cậy cạnh ngưỡng này.
Nếu toàn bộ khoảng tin cậy nằm trong vùng từ −2 đến 2, số liệu ủng hộ rằng khác biệt, nếu có, là nhỏ không đáng kể — đây là loại "không có ý nghĩa" giàu thông tin. Nếu khoảng tin cậy trải rộng, chứa cả 0 lẫn những giá trị vượt xa ngưỡng như ví dụ −2,6 đến 8,6, kết quả là không kết luận được — loại "không có ý nghĩa" vì thiếu thông tin. Nếu khoảng không chứa 0 thì kiểm định đã có ý nghĩa, và câu hỏi tiếp theo là hiệu đó có vượt ngưỡng thực tế không.
Cách đọc này giúp bạn viết phần bàn luận trung thực hơn nhiều. Thay vì một câu "không có khác biệt", bạn viết: "Khác biệt không có ý nghĩa thống kê; tuy nhiên khoảng tin cậy rộng, từ −2,6 đến 8,6 điểm, cho thấy nghiên cứu chưa đủ chính xác để loại trừ một tác động đáng kể." Người đọc, kể cả hội đồng, sẽ đánh giá cao sự chính xác đó.
Kiểm định tương đương: khi bạn thật sự muốn chứng tỏ "giống nhau"
Có những câu hỏi mà mục tiêu chính là chứng tỏ hai thứ tương đương: một quy trình rút gọn cho kết quả không khác quy trình đầy đủ, một bảng hỏi bản tiếng Việt cho điểm như bản gốc, một thiết bị đo rẻ cho số đo như thiết bị chuẩn. Dùng kiểm định thông thường rồi dựa vào p lớn để kết luận tương đương là sai logic như đã phân tích. Công cụ đúng là kiểm định tương đương, phổ biến nhất là thủ tục hai kiểm định một phía, viết tắt TOST.
TOST đảo vai trò giả thuyết. Bạn chọn trước một biên tương đương, ví dụ ±2 điểm. H0 bây giờ là "khác biệt nằm ngoài biên" — tức hai thứ khác nhau đáng kể — và H1 là "khác biệt nằm trong biên". Thực hiện hai kiểm định một phía: hiệu lớn hơn −2 và hiệu nhỏ hơn 2. Chỉ khi cả hai cùng bác bỏ ở alpha 0,05, bạn mới kết luận tương đương. Về hình học, điều này trùng với việc khoảng tin cậy 90% của hiệu nằm trọn trong khoảng từ −2 đến 2.
Ví dụ giả định với nghiên cứu lớn hơn: 200 người mỗi nhóm, hiệu 0,3 điểm, sai số chuẩn của hiệu 0,6. Kiểm định thông thường cho t = 0,5 và p khoảng 0,62. Khoảng tin cậy 90% là 0,3 ± 1,649 × 0,6, tức từ khoảng −0,69 đến 1,29, nằm trọn trong ±2. Hai kiểm định một phía cho giá trị p khoảng 0,0024 và nhỏ hơn 0,001; lấy giá trị lớn hơn là khoảng 0,0024, nhỏ hơn 0,05. Ở đây bạn có cơ sở kết luận hai cách tương đương trong biên ±2 điểm. Còn với ví dụ 10 người mỗi nhóm, khoảng tin cậy 90% là từ khoảng −1,65 đến 7,65, vượt biên trên, nên không kết luận được tương đương.
Thiết kế trước để kết quả nào cũng có giá trị
Cách tốt nhất tránh rơi vào kết quả "không có ý nghĩa mà không nói lên gì" là chuẩn bị từ khâu đề cương. Những việc dưới đây không tốn nhiều công nhưng thay đổi hẳn giá trị của một kết quả âm tính.
- Nêu hiệu nhỏ nhất đáng quan tâm. Trước khi thu số liệu, viết ra mức chênh nào bạn coi là có ý nghĩa thực tế, kèm lý do chuyên môn. Con số này dùng cho cả tính cỡ mẫu lẫn đọc khoảng tin cậy về sau.
- Tính cỡ mẫu theo hiệu đó. Với alpha và lực mẫu mục tiêu, thường 0,80, tính số người cần để phát hiện hiệu nhỏ nhất đáng quan tâm. Nếu không đạt được cỡ mẫu đó, nói rõ trong phần hạn chế rằng nghiên cứu chỉ đủ sức phát hiện hiệu lớn hơn.
- Quyết định trước câu hỏi là khác biệt hay tương đương. Nếu mục tiêu là chứng tỏ hai cách cho kết quả gần như nhau, thiết kế ngay từ đầu cho kiểm định tương đương với biên đã nêu, thay vì hy vọng có p lớn.
- Chuẩn bị bảng báo cáo có khoảng tin cậy. Lập sẵn khung bảng gồm hiệu, khoảng tin cậy, thống kê kiểm định và giá trị p. Khi khung đã có, bạn ít bị cám dỗ chỉ ghi "không có ý nghĩa" rồi bỏ qua.
- Trao đổi với người hướng dẫn về cách diễn giải. Thống nhất trước rằng kết quả âm tính sẽ được trình bày thế nào, để không phải sửa giả thuyết hay phân tích vào phút cuối.
Những bước này cũng là phần việc mà danh mục cỡ hiệu ứng và lực mẫu trên trang trình bày chi tiết, kèm cách tính cho từng loại kiểm định.
Cách viết kết quả không có ý nghĩa trong luận văn
Danh sách dưới đây là những cách diễn đạt nên dùng và nên tránh, kèm lý do ngắn. Bạn có thể điều chỉnh câu chữ theo văn phong của trường.
- Nên viết: "Không có bằng chứng thống kê về khác biệt giữa hai nhóm (t(18) = 1,12; p = 0,28; hiệu trung bình 3,0 điểm, khoảng tin cậy 95% từ −2,6 đến 8,6)." Câu này đủ con số để người đọc tự đánh giá.
- Nên viết: "Giả thuyết nghiên cứu không được ủng hộ bởi số liệu." Câu này đúng mực, không khẳng định điều ngược lại là đúng.
- Tránh: "Hai nhóm không có khác biệt" hoặc "phương pháp mới không có hiệu quả". Đây là chuyển thiếu bằng chứng thành kết luận phủ định.
- Tránh: "Chấp nhận H0, hai nhóm như nhau." Dễ bị hiểu là đã chứng minh sự giống nhau.
- Tránh: "Kết quả gần có ý nghĩa." Nếu đã đặt alpha 0,05 thì p = 0,08 là không có ý nghĩa; nên để con số và khoảng tin cậy nói thay.
- Nếu mục tiêu ngay từ đầu là chứng tỏ tương đương: nêu biên tương đương và lý do chọn trong phần phương pháp, báo cáo kết quả TOST hoặc khoảng tin cậy 90%.
Kết quả không có ý nghĩa vẫn là kết quả có giá trị khi được báo cáo đầy đủ. Một khoảng tin cậy hẹp quanh 0 cho người đọc biết điều gì đó thật sự hữu ích; một khoảng rộng cho họ biết nghiên cứu sau cần cỡ mẫu lớn hơn. Cả hai đều tốt hơn một câu kết luận phủ định không có cơ sở.
Câu hỏi thường gặp
Vậy có bao giờ được dùng từ "chấp nhận H0" không?
Trong khung quyết định của Neyman và Pearson, "chấp nhận H0" mang nghĩa chọn hành động như thể H0 đúng, kèm rủi ro beta đã biết. Nếu không trình bày rõ khung đó, người đọc dễ hiểu thành "H0 đã được chứng minh", nên trong luận văn nên dùng "không bác bỏ H0".
Giá trị p lớn, ví dụ 0,9, có chứng tỏ H0 đúng không?
Không. Giá trị p lớn chỉ cho thấy số liệu rất phù hợp với H0, nhưng cũng có thể phù hợp với nhiều giả thuyết khác nếu khoảng tin cậy rộng. Muốn kết luận "gần như không có khác biệt", cần khoảng tin cậy hẹp hoặc kiểm định tương đương.
Biên tương đương chọn thế nào?
Biên tương đương phải được chọn trước khi xem số liệu, dựa trên kiến thức chuyên môn về mức chênh nhỏ nhất có ý nghĩa thực tế, hướng dẫn của ngành, hoặc nghiên cứu trước. Không chọn biên sau khi thấy khoảng tin cậy để vừa khít kết quả.
Có thể chạy kiểm định tương đương trên phần mềm nào?
Nhiều phần mềm thống kê hỗ trợ TOST, chẳng hạn qua gói mở rộng trong R hay các mô-đun bổ sung trong JASP và Jamovi. Bạn cũng có thể làm thủ công bằng cách tính khoảng tin cậy 90% của hiệu. Tên gói và menu thay đổi theo phiên bản, nên kiểm tài liệu hiện hành.
Kết quả không có ý nghĩa có làm luận văn bị đánh giá thấp không?
Không nên như vậy, nếu thiết kế hợp lý và báo cáo trung thực. Hội đồng thường đánh giá cao việc bạn phân tích được vì sao kết quả như vậy, đọc đúng khoảng tin cậy, và nêu rõ hạn chế về cỡ mẫu. Sửa phân tích để ép ra kết quả có ý nghĩa mới là vấn đề nghiêm trọng.
Tính lực mẫu sau khi có kết quả không có ý nghĩa có giúp gì không?
Lực mẫu tính ngược từ chính hiệu ứng quan sát được gần như chỉ lặp lại thông tin của giá trị p, nên ít giá trị. Hữu ích hơn là báo cáo khoảng tin cậy, hoặc nêu nghiên cứu đủ lực để phát hiện hiệu ứng cỡ nào, dựa trên tính toán trước nghiên cứu.