Lực mẫu (statistical power) là xác suất một kiểm định bác bỏ giả thuyết không khi thực tế có một hiệu ứng với độ lớn đã định; nó bằng 1 trừ xác suất mắc sai lầm loại II (β). Lực mẫu 80% nghĩa là nếu hiệu ứng thật đúng bằng cỡ bạn giả định, thì cứ 10 lần làm lại nghiên cứu y hệt sẽ có khoảng 8 lần ra kết quả có ý nghĩa và 2 lần bỏ lỡ.
Lực mẫu không đứng một mình: nó được quyết định bởi mức ý nghĩa alpha, cỡ hiệu ứng, cỡ mẫu (và thiết kế nghiên cứu). Biết ba đại lượng thì tính được đại lượng thứ tư. Bài này giải thích từng mối ràng buộc, đưa bảng lực mẫu theo cỡ mẫu cho một ví dụ giả định, lý do của mốc 80%, và những cách tăng lực mẫu không cần thêm người.
Định nghĩa cho chính xác: lực mẫu luôn gắn với một cỡ hiệu ứng cụ thể
Trong tiếng Việt, "power" được dịch là lực mẫu, lực thống kê, năng lực kiểm định hoặc hiệu lực kiểm định; các tên này chỉ cùng một khái niệm. Điều quan trọng hơn tên gọi là một chi tiết hay bị bỏ qua: không có "lực mẫu của nghiên cứu" chung chung. Một nghiên cứu 30 người mỗi nhóm có lực rất cao để phát hiện hiệu ứng lớn, nhưng lực rất thấp để phát hiện hiệu ứng nhỏ. Câu đúng luôn có dạng "lực mẫu 80% để phát hiện d = 0,5 ở mức alpha 0,05 hai phía".
Nhắc lại hai loại sai lầm: sai lầm loại I là bác bỏ giả thuyết không khi nó đúng, xác suất được khống chế bằng alpha; sai lầm loại II là không bác bỏ khi có hiệu ứng thật, xác suất ký hiệu β. Alpha do bạn chọn trực tiếp. β thì không chọn trực tiếp được; nó là hệ quả của cỡ mẫu, cỡ hiệu ứng thật và alpha. Lực mẫu chính là 1 − β.
Hình dung bằng hai phân phối: một phân phối của thống kê kiểm định khi giả thuyết không đúng, và một phân phối dịch sang phải khi có hiệu ứng thật. Giá trị tới hạn cắt phân phối thứ nhất để để lại phần đuôi alpha. Phần của phân phối thứ hai nằm vượt giá trị tới hạn chính là lực mẫu. Hiệu ứng lớn hơn, hoặc mẫu lớn hơn (làm hai phân phối hẹp lại), đều khiến hai phân phối tách xa và lực mẫu tăng.
Bốn đại lượng ràng buộc nhau
Đây là bảng nên in ra dán cạnh bàn khi viết đề cương. Giữ hai đại lượng cố định, thay đổi đại lượng thứ ba sẽ kéo đại lượng thứ tư theo hướng như sau.
| Đại lượng | Ai quyết định | Tăng đại lượng này thì lực mẫu | Ghi chú |
|---|---|---|---|
| Mức ý nghĩa alpha | Người nghiên cứu, theo thông lệ ngành | Tăng (alpha 0,10 cho lực cao hơn 0,05) | Đổi alpha để được lực cao là đổi một rủi ro lấy rủi ro khác |
| Cỡ hiệu ứng | Thực tế; bạn chỉ giả định | Tăng | Phần khó nhất: phải dựa vào tài liệu, nghiên cứu thử hoặc ngưỡng thực tiễn |
| Cỡ mẫu | Người nghiên cứu, trong giới hạn nguồn lực | Tăng, nhưng chậm dần | Muốn giảm một nửa sai số chuẩn phải tăng gấp bốn cỡ mẫu |
| Lực mẫu | Là kết quả, hoặc mục tiêu đặt trước | — | Thông lệ 80%, nhiều lĩnh vực đòi 90% |
Từ bảng này sinh ra các loại phân tích lực mẫu. Phân tích tiên nghiệm (a priori) cho trước alpha, cỡ hiệu ứng và lực mẫu mục tiêu, tìm cỡ mẫu cần có; đây là loại đưa vào đề cương. Phân tích độ nhạy (sensitivity) cho trước alpha, cỡ mẫu sẵn có và lực mẫu, tìm cỡ hiệu ứng nhỏ nhất phát hiện được; hữu ích khi cỡ mẫu bị giới hạn từ đầu. Còn "lực mẫu quan sát" tính sau khi có kết quả bằng chính cỡ hiệu ứng vừa đo là cách làm có vấn đề, được bàn trong một bài riêng cùng danh mục.
Lực mẫu thay đổi theo cỡ mẫu: ví dụ giả định
So sánh hai nhóm độc lập bằng kiểm định t, alpha 0,05 hai phía, giả định hiệu ứng thật là d = 0,5. Lực mẫu tính theo phân phối t không trung tâm:
| Cỡ mẫu mỗi nhóm | Lực mẫu | Xác suất bỏ lỡ hiệu ứng (β) |
|---|---|---|
| 20 | khoảng 0,34 | khoảng 0,66 |
| 30 | khoảng 0,48 | khoảng 0,52 |
| 50 | khoảng 0,70 | khoảng 0,30 |
| 64 | khoảng 0,80 | khoảng 0,20 |
| 100 | khoảng 0,94 | khoảng 0,06 |
Đọc dòng thứ hai: một luận văn rất điển hình với 30 người mỗi nhóm, nếu hiệu ứng thật cỡ vừa, chỉ có khả năng tìm ra nó gần như tung đồng xu. Bạn có thể tự kiểm gần đúng bằng công thức xấp xỉ chuẩn lực ≈ Φ(d × căn(n/2) − 1,96), trong đó Φ là hàm phân phối chuẩn tắc (hàm NORM.S.DIST trong Excel với đối số thứ hai là TRUE). Với n = 64: 0,5 × căn 32 ≈ 2,83; trừ 1,96 được 0,87; Φ(0,87) ≈ 0,81, rất sát con số chính xác 0,80. Công thức xấp xỉ luôn cho kết quả hơi cao hơn ở mẫu nhỏ.
Để ý mức tăng chậm dần: từ 20 lên 50 người, lực mẫu tăng 0,36; từ 64 lên 100 người, chỉ tăng 0,14. Đây là lý do cỡ mẫu tối ưu thường được chọn quanh mốc 80% – 90% chứ không cố đẩy lên 99%.
Vì sao thông lệ là 80%, và khi nào nên đòi 90%
Mốc 80% bắt nguồn từ đề xuất của Jacob Cohen. Lập luận của ông là trong đa số nghiên cứu khoa học hành vi, kết luận sai rằng có hiệu ứng (sai lầm loại I) tai hại hơn bỏ lỡ một hiệu ứng (sai lầm loại II), và tỷ lệ khoảng 4 : 1 là hợp lý. Với alpha 0,05, điều đó dẫn tới β = 0,20, tức lực mẫu 0,80. Đây là một quy ước dựa trên lập luận cân nhắc rủi ro, không phải một định luật.
Trong nhiều thử nghiệm y sinh và các nghiên cứu mà bỏ lỡ một hiệu ứng có hậu quả lớn, lực mẫu 90% thường được yêu cầu. Với ví dụ d = 0,5 ở trên, đi từ 80% lên 90% đòi tăng cỡ mẫu từ 64 lên 86 người mỗi nhóm, tức thêm khoảng một phần ba. Ngược lại, nghiên cứu thăm dò ban đầu đôi khi chấp nhận lực thấp hơn, miễn là tác giả nói rõ và không diễn giải kết quả không có ý nghĩa như bằng chứng của việc không có hiệu ứng.
Một ý ít được nhắc: lực mẫu 80% có nghĩa là ngay cả nghiên cứu được thiết kế chuẩn vẫn có 20% khả năng bỏ lỡ hiệu ứng thật. Vì thế một kết quả không có ý nghĩa từ nghiên cứu đủ lực vẫn chưa phải là bằng chứng chắc chắn về sự vắng mặt của hiệu ứng; khoảng tin cậy mới cho biết số liệu loại trừ được những cỡ hiệu ứng nào.
Tăng lực mẫu mà không cần thêm người
Giảm sai số đo lường. Thang đo có độ tin cậy thấp làm phương sai trong nhóm phình to và kéo cỡ hiệu ứng quan sát được xuống. Dùng công cụ đo đã kiểm định, tập huấn người thu thập số liệu, chuẩn hoá điều kiện đo là những cách tăng lực mẫu rẻ nhất.
Dùng thiết kế đo lặp hoặc ghép cặp khi hợp lý. So sánh trên cùng một người loại bỏ khác biệt giữa người với người khỏi sai số. Khi hai lần đo tương quan từ mức vừa trở lên, thiết kế mẫu cặp thường chỉ cần khoảng một phần tư tổng số người của thiết kế hai nhóm hoặc ít hơn, như bài về cỡ mẫu cho t-test trong danh mục này tính cụ thể; đổi lại, bạn phải lo hiệu ứng học hỏi hoặc mệt mỏi giữa hai lần đo.
Đưa biến kiểm soát mạnh vào phân tích. Điểm đầu vào (điểm kiểm tra trước) là ví dụ kinh điển: dùng nó làm biến đồng biến trong ANCOVA giảm phương sai sai số, nhờ đó tăng lực mẫu. Biến kiểm soát phải chọn trước, dựa trên lý thuyết.
Chia nhóm cân bằng. Với cùng tổng cỡ mẫu, hai nhóm bằng nhau cho lực mẫu cao nhất. Tỷ lệ 1 : 2 hay 1 : 3 làm mất lực, dù đôi khi cần thiết vì lý do chi phí hoặc đạo đức.
Không cắt biến liên tục thành nhóm. Chia điểm số thành "cao" và "thấp" theo trung vị vứt bỏ thông tin và làm giảm lực mẫu rõ rệt. Giữ biến ở dạng liên tục khi phân tích cho phép.
Kiểm định một phía chỉ khi đã có lý do và đăng ký trước. Kiểm định một phía cho lực cao hơn với cùng cỡ mẫu, nhưng chỉ hợp lệ khi hướng ngược lại thật sự không có ý nghĩa với câu hỏi nghiên cứu và quyết định được ghi trước khi thu số liệu. Chuyển sang một phía sau khi thấy p hai phía là 0,07 là thao túng kết quả.
Nghiên cứu thiếu lực mẫu gây hại hơn bạn nghĩ
Hậu quả hiển nhiên của lực mẫu thấp là bỏ lỡ hiệu ứng thật. Hậu quả ít hiển nhiên hơn là khi một nghiên cứu thiếu lực tình cờ cho kết quả có ý nghĩa, cỡ hiệu ứng nó báo cáo gần như chắc chắn bị phóng đại. Lý do: với mẫu nhỏ, chỉ những lần ước lượng tình cờ lệch lên cao mới vượt qua ngưỡng ý nghĩa. Gelman và Carlin (2014) gọi đây là sai lầm về độ lớn (Type M), bên cạnh sai lầm về dấu (Type S) khi ước lượng còn có thể ngược hướng thật.
Ở cấp độ cả một lĩnh vực, khi nhiều nghiên cứu thiếu lực, tỷ lệ các kết quả "có ý nghĩa" là dương tính giả tăng lên. Bài tổng quan của Button và cộng sự (2013) về lực mẫu trong khoa học thần kinh là một trong những công trình hay được dẫn khi bàn vấn đề này. Hệ quả cho người làm luận văn rất cụ thể: lấy cỡ hiệu ứng từ một nghiên cứu nhỏ đã công bố để tính cỡ mẫu cho mình thường dẫn đến cỡ mẫu quá ít.
Điều này không có nghĩa nghiên cứu nhỏ là vô giá trị. Nghiên cứu nhỏ được thiết kế trung thực, báo cáo đủ cỡ hiệu ứng và khoảng tin cậy, vẫn đóng góp dữ liệu cho tổng hợp sau này. Cái hại đến từ việc diễn giải chúng như thể chúng đủ lực.
Viết phần lực mẫu trong đề cương luận văn
Một đoạn tính cỡ mẫu đủ để hội đồng kiểm lại được gồm các ý sau:
- Nêu phép kiểm định chính sẽ dùng cho giả thuyết chính (ví dụ: kiểm định t hai mẫu độc lập).
- Nêu alpha và số phía (0,05 hai phía).
- Nêu cỡ hiệu ứng giả định và nguồn của nó: nghiên cứu nào, ngưỡng thực tiễn nào, hoặc mốc quy ước tham khảo nào. Nếu lấy từ tài liệu, nói rõ đã điều chỉnh giảm hay chưa.
- Nêu lực mẫu mục tiêu (80% hoặc 90%) và lý do nếu khác thông lệ.
- Nêu phần mềm hoặc công thức đã dùng, kèm phiên bản.
- Ghi kết quả tính được, rồi cộng thêm tỷ lệ dự phòng cho bỏ cuộc hoặc phiếu không hợp lệ, có căn cứ cho tỷ lệ đó.
- Nếu cỡ mẫu bị giới hạn bởi điều kiện thực tế, báo cáo phân tích độ nhạy: với cỡ mẫu này, cỡ hiệu ứng nhỏ nhất phát hiện được ở lực 80% là bao nhiêu.
Câu mẫu với số liệu giả định: "Với alpha 0,05 hai phía, lực mẫu 80% và cỡ hiệu ứng giả định d = 0,5 (mức quy ước là vừa theo Cohen, thấp hơn mức d = 0,7 trong nghiên cứu trước để bù xu hướng phóng đại), cần 64 người mỗi nhóm; dự phòng 15% bỏ cuộc, mỗi nhóm tuyển 76 người."
Câu hỏi thường gặp
Lực mẫu và mức ý nghĩa khác nhau thế nào?
Mức ý nghĩa alpha là xác suất bác bỏ giả thuyết không khi nó đúng, tức rủi ro báo động nhầm. Lực mẫu là xác suất bác bỏ giả thuyết không khi có hiệu ứng thật với cỡ đã định, tức khả năng phát hiện. Alpha được chọn trực tiếp, còn lực mẫu phụ thuộc cỡ mẫu và cỡ hiệu ứng.
Lực mẫu thấp thì kết quả có ý nghĩa có đáng tin không?
Kết luận có hiệu ứng vẫn được khống chế bởi alpha, nhưng cỡ hiệu ứng ước lượng từ nghiên cứu thiếu lực thường bị phóng đại, và trong một lĩnh vực có nhiều nghiên cứu thiếu lực, tỷ lệ dương tính giả trong số kết quả có ý nghĩa cao hơn. Bạn nên thận trọng với độ lớn và chờ nghiên cứu lặp lại.
Có nên chọn alpha 0,10 để tăng lực mẫu cho luận văn nhỏ không?
Kỹ thuật thì được, nhưng phải quyết định và giải thích trước khi thu số liệu, và chấp nhận rằng rủi ro báo động nhầm tăng gấp đôi. Nhiều hội đồng không chấp nhận cách này cho giả thuyết chính. Thường tốt hơn là cải thiện thiết kế hoặc nói thẳng giới hạn về lực mẫu.
Lực mẫu có áp dụng cho kiểm định phi tham số không?
Có. Kiểm định phi tham số như Mann-Whitney cũng có lực mẫu, thường hơi thấp hơn t-test khi dữ liệu chuẩn và có thể cao hơn khi dữ liệu lệch mạnh hoặc có đuôi dày. Phần mềm tính cỡ mẫu thường có tuỳ chọn riêng hoặc dùng hệ số hiệu chỉnh so với t-test.
Một nghiên cứu có nhiều giả thuyết thì tính lực mẫu cho giả thuyết nào?
Thông thường bạn tính cho giả thuyết chính, giả thuyết mà kết luận của luận văn dựa vào nhiều nhất. Nếu có nhiều giả thuyết quan trọng ngang nhau, tính cho từng cái và lấy cỡ mẫu lớn nhất. Nếu có hiệu chỉnh cho kiểm định nhiều lần, alpha dùng khi tính cũng phải là alpha đã hiệu chỉnh.