GiaThuyet.comGiả Thuyết
Kiểm định t

Kiểm định t với cỡ mẫu nhỏ: dưới 30 quan sát có dùng được không

Kiểm định t dùng được với mẫu nhỏ, nhưng phải trả giá ở giả định, ngoại lai và lực mẫu. Ví dụ 5 ô thí nghiệm, bảng lực mô phỏng và cách viết kết quả trung thực.

Five small experimental rice plots separated by narrow earth banks in a Thai Nguyen field, an agronomist crouching to measure stalks, early morning mist, high wide angle

Kiểm định t dùng được với mẫu nhỏ, kể cả dưới 30 quan sát — thực ra phân phối t được tạo ra chính cho mẫu nhỏ. Con số 30 không phải ngưỡng cấm. Cái giá của mẫu nhỏ nằm ở ba chỗ khác: giả định phân phối chuẩn trở nên quan trọng hơn, một giá trị ngoại lai có thể lật kết luận, và lực kiểm định thấp nên dễ bỏ sót khác biệt có thật, trong khi những kết quả "có ý nghĩa" lại có xu hướng phóng đại độ lớn của hiệu ứng.

Bài này minh hoạ cả ba điểm bằng một ví dụ giả định 5 ô thí nghiệm, một bảng lực kiểm định tính bằng mô phỏng, rồi gợi ý cách tăng sức mạnh cho nghiên cứu nhỏ và cách viết kết quả sao cho không nói quá điều dữ liệu cho phép.

Con số 30 đến từ đâu và vì sao nó không phải luật

Mốc 30 quan sát xuất hiện trong nhiều giáo trình như ranh giới giữa "mẫu nhỏ" và "mẫu lớn". Nó có gốc từ hai chuyện. Thứ nhất, khi bậc tự do khoảng 30, giá trị tới hạn của phân phối t (2,042 cho hai phía 5%) đã khá gần 1,96 của phân phối chuẩn, nên thời tra bảng in người ta thấy tiện khi dùng bảng chuẩn cho mẫu lớn. Thứ hai, với nhiều phân phối lệch vừa phải, khoảng 30 quan sát thường đủ để định lý giới hạn trung tâm làm trung bình mẫu gần chuẩn.

Cả hai lý do đều là kinh nghiệm, không phải định lý. Với dữ liệu gần chuẩn, kiểm định t cho tỷ lệ sai lầm loại I đúng mức α cả khi chỉ có vài quan sát. Với dữ liệu lệch rất mạnh như chi phí hay thời gian chờ, 30 quan sát vẫn có thể chưa đủ. Vì vậy câu hỏi đúng không phải "mẫu có trên 30 không" mà là "với hình dạng dữ liệu này và cỡ mẫu này, các giả định có chấp nhận được không, và nghiên cứu có đủ lực để phát hiện khác biệt mình quan tâm không".

Mẫu nhỏ là thực tế của nhiều lĩnh vực: thí nghiệm nông học mỗi công thức chỉ ba đến năm lần lặp, nghiên cứu y sinh trên động vật, khảo sát một nhóm chuyên gia hiếm, đánh giá một lớp học duy nhất. Không phải lúc nào cũng tăng được cỡ mẫu. Điều làm được là thiết kế khéo hơn và viết kết luận khiêm tốn hơn.

Ví dụ giả định: năng suất 5 ô thí nghiệm so với mức tham chiếu

Ví dụ giả định: một nhóm sinh viên nông học trồng một giống lúa trên 5 ô thí nghiệm và muốn so năng suất trung bình với mức tham chiếu 6,0 tấn/ha. Năng suất các ô (tấn/ha): 6,4; 6,9; 6,1; 6,6; 7,0.

  1. Trung bình: tổng 33,0, chia 5 được 6,6 tấn/ha.
  2. Độ lệch so với 6,6: −0,2; 0,3; −0,5; 0; 0,4. Bình phương: 0,04; 0,09; 0,25; 0; 0,16; tổng 0,54.
  3. Phương sai mẫu: 0,54 / 4 = 0,135; độ lệch chuẩn s ≈ 0,367 tấn/ha.
  4. Sai số chuẩn: 0,367 / √5 ≈ 0,367 / 2,236 ≈ 0,164.
  5. Thống kê t = (6,6 − 6,0) / 0,164 ≈ 3,65 với df = 4. Giá trị tới hạn hai phía 5% là 2,776; |t| vượt ngưỡng. Giá trị p hai phía xấp xỉ 0,022.
  6. Khoảng tin cậy 95%: 6,6 ± 2,776 × 0,164, tức khoảng từ 6,14 đến 7,06 tấn/ha.

Kết quả có ý nghĩa thống kê dù chỉ có 5 ô, vì chênh lệch 0,6 tấn/ha lớn so với độ biến động giữa các ô. Nhưng chú ý giá trị tới hạn: với 4 bậc tự do là 2,776, cao hơn hẳn 1,96. Mẫu nhỏ buộc bằng chứng phải mạnh hơn mới vượt được ngưỡng, và phân phối t đã tự tính phần "phạt" đó.

Khoảng tin cậy trải gần một tấn, từ 6,14 tới 7,06. Dữ liệu cho thấy giống này nhiều khả năng cho năng suất trên mức tham chiếu, nhưng chưa nói được hơn bao nhiêu với độ chính xác đủ để ra quyết định sản xuất.

Một ô bất thường có thể lật ngược kết luận

Giả sử ô thứ năm bị chuột phá hoặc ngập cục bộ, cho 5,0 tấn/ha thay vì 7,0. Dữ liệu thành 6,4; 6,9; 6,1; 6,6; 5,0. Trung bình còn 6,2; tổng bình phương độ lệch tăng lên 2,14; độ lệch chuẩn khoảng 0,731; sai số chuẩn khoảng 0,327; t ≈ 0,61 với p ≈ 0,57. Một ô duy nhất đã biến kết luận từ "có bằng chứng" thành "không có bằng chứng".

Với mẫu lớn, một giá trị lạ chỉ là một trong hàng trăm, ảnh hưởng của nó bị pha loãng. Với mẫu 5, nó vừa kéo trung bình, vừa làm độ lệch chuẩn tăng gấp đôi. Vì vậy với mẫu nhỏ, việc nhìn từng giá trị và ghi chép điều kiện thí nghiệm quan trọng hơn bất kỳ kiểm định chuẩn nào.

Cách xử lý đúng không phải là bỏ ô đó cho kết quả đẹp. Nếu có lý do khách quan đã được ghi trong sổ thí nghiệm (chuột phá, ngập do vỡ bờ), và quy tắc loại ô hỏng được đặt trước, bạn có thể loại và báo cáo rõ. Nếu không có lý do, ô đó là một phần của biến động thật. Báo cáo cả hai phân tích, có và không có ô bất thường, là cách minh bạch nhất.

Ví dụ này cũng cho thấy kiểm định chuẩn như Shapiro–Wilk ít giúp được gì với 5 quan sát: nó có lực rất thấp, có thể không báo vi phạm dù một giá trị lệch hẳn. Biểu đồ điểm (vẽ từng giá trị lên một trục) là công cụ hữu ích nhất cho mẫu nhỏ.

Lực kiểm định khi mẫu nhỏ: bảng mô phỏng

Lực kiểm định là xác suất phát hiện được một khác biệt có thật. Bảng dưới là kết quả mô phỏng (ví dụ giả định, 40.000 lần lặp mỗi ô, dữ liệu chuẩn, kiểm định t một mẫu hai phía, α = 0,05). Cỡ hiệu ứng d là chênh lệch thật chia cho độ lệch chuẩn.

Cỡ mẫud = 0,5d = 0,8d = 1,0
5khoảng 14%khoảng 28%khoảng 40%
10khoảng 29%khoảng 62%khoảng 80%
20khoảng 56%khoảng 92%khoảng 99%
30khoảng 75%khoảng 99%gần 100%

Đọc bảng: nếu thật sự có chênh lệch bằng nửa độ lệch chuẩn (d = 0,5) mà bạn chỉ có 5 quan sát, khả năng kiểm định phát hiện ra chỉ khoảng 14%, tức khoảng sáu trên bảy nghiên cứu như vậy sẽ kết luận "không có ý nghĩa" dù khác biệt có thật. Mốc lực 80% hay được dùng khi tính cỡ mẫu đòi hỏi khoảng 10 quan sát cho d = 1,0 nhưng hơn 30 quan sát cho d = 0,5.

Vì vậy với nghiên cứu nhỏ, kết quả không có ý nghĩa gần như không nói lên điều gì về việc có hay không có khác biệt. Viết "chưa đủ bằng chứng" là đúng; viết "không có khác biệt" là sai về logic và gây hiểu lầm cho người đọc.

Kết quả có ý nghĩa từ mẫu nhỏ thường phóng đại độ lớn hiệu ứng

Cơ chế của sự phóng đại. Khi lực thấp, chỉ những mẫu tình cờ cho chênh lệch lớn hơn thực tế mới vượt được ngưỡng ý nghĩa. Nếu bạn chỉ nhìn các kết quả có ý nghĩa, bạn đang nhìn một tập đã được chọn lọc nghiêng về phía chênh lệch lớn. Andrew Gelman và John Carlin gọi hiện tượng này là sai lầm về độ lớn, bên cạnh sai lầm về dấu khi chênh lệch ước lượng thậm chí ngược chiều với thật.

Hệ quả cho người đọc nghiên cứu. Một nghiên cứu thí điểm 10 người báo cáo hiệu quả rất lớn và có ý nghĩa nên được đọc thận trọng; nghiên cứu lặp lại với mẫu lớn hơn thường cho hiệu ứng nhỏ hơn. Đây không nhất thiết là dấu hiệu gian lận, mà là hệ quả tự nhiên của lực thấp cộng với việc chỉ chú ý tới kết quả có ý nghĩa.

Hệ quả cho việc tính cỡ mẫu. Nếu bạn lấy cỡ hiệu ứng từ một nghiên cứu nhỏ trước đó để tính cỡ mẫu cho nghiên cứu của mình, cỡ mẫu tính ra có thể quá nhỏ. Một cách thận trọng là dùng cỡ hiệu ứng nhỏ nhất có ý nghĩa thực tiễn trong chuyên môn thay vì con số lớn của nghiên cứu thí điểm.

Khoảng tin cậy giúp nhìn thấy vấn đề. Một kết quả có ý nghĩa nhưng khoảng tin cậy trải từ rất nhỏ tới rất lớn là dấu hiệu rõ ràng rằng độ lớn hiệu ứng chưa được ước lượng tốt. Báo cáo khoảng tin cậy thay vì chỉ giá trị p giúp người đọc tự đánh giá.

Tăng sức mạnh cho nghiên cứu nhỏ và viết kết quả trung thực

Khi không thể tăng cỡ mẫu, vẫn còn nhiều cách làm cho mỗi quan sát mang nhiều thông tin hơn, và cách trình bày giúp người đọc hiểu đúng giới hạn.

  • Dùng thiết kế cặp hoặc đo lặp khi phù hợp: so sánh trên cùng đối tượng loại bỏ biến động giữa các cá thể, có thể tăng lực rất nhiều.
  • Giảm sai số đo: hiệu chuẩn dụng cụ, chuẩn hoá quy trình đo, dùng một người đo, đo nhiều lần rồi lấy trung bình cho mỗi đơn vị.
  • Chọn biến kết quả nhạy và đáng tin, tránh thang đo quá thô (ví dụ chỉ ba mức) khi có thể đo liên tục.
  • Chia nhóm cân bằng khi so hai nhóm: cùng tổng số quan sát, hai nhóm bằng nhau cho lực cao nhất và ít nhạy với phương sai không bằng nhau.
  • Đặt một giả thuyết chính trước, tránh chia nhỏ mẫu vốn đã nhỏ thành nhiều phân nhóm để kiểm định.
  • Khi viết, báo cáo từng giá trị hoặc biểu đồ điểm, trung bình, độ lệch chuẩn, khoảng tin cậy và giá trị p chính xác; nêu rõ cỡ mẫu nhỏ là giới hạn và kết quả cần được kiểm chứng.
  • Gọi đúng tên nghiên cứu thí điểm nếu đó là mục đích: thử quy trình, ước lượng độ biến động để tính cỡ mẫu cho nghiên cứu chính, không phải để kết luận về hiệu quả.

Nếu dữ liệu nhỏ mà lệch rõ, kiểm định phi tham số như Wilcoxon là phương án thay, nhưng cũng cần biết với mẫu rất nhỏ chúng có giới hạn riêng: chẳng hạn với 5 cặp, kiểm định dấu hạng Wilcoxon hai phía không bao giờ đạt được p dưới 0,05. Không có phép thần kỳ nào bù được cho việc thiếu dữ liệu.

Câu hỏi thường gặp

Có cỡ mẫu tối thiểu nào cho kiểm định t không?

Về tính toán, kiểm định một mẫu cần ít nhất hai quan sát, hai mẫu độc lập cần ít nhất ba quan sát tổng cộng. Nhưng cỡ mẫu phù hợp phải được tính từ chênh lệch nhỏ nhất bạn muốn phát hiện, độ biến động dự kiến, mức ý nghĩa và lực mong muốn, không có con số chung cho mọi nghiên cứu.

Mẫu nhỏ thì nên dùng kiểm định phi tham số cho an toàn không?

Không phải lúc nào cũng an toàn hơn. Nếu dữ liệu gần chuẩn, kiểm định t có lực cao hơn các kiểm định phi tham số tương ứng. Với mẫu rất nhỏ, một số kiểm định phi tham số thậm chí không thể đạt mức ý nghĩa thông thường. Chọn phương pháp nên dựa trên bản chất dữ liệu và câu hỏi, không chỉ trên cỡ mẫu.

Kết quả không có ý nghĩa với mẫu 8 người thì kết luận được gì?

Bạn kết luận rằng dữ liệu chưa đủ bằng chứng về khác biệt, đồng thời báo khoảng tin cậy để cho thấy khác biệt có thể nằm trong khoảng nào. Với lực thấp, kết quả này không cho phép nói hai nhóm như nhau. Phần bàn luận nên nêu cỡ mẫu nhỏ là giới hạn chính.

Có nên tiếp tục thu thêm dữ liệu cho đến khi p nhỏ hơn 0,05 không?

Không. Xem kết quả rồi thu thêm, xem tiếp rồi thu thêm cho đến khi đạt ý nghĩa làm tỷ lệ sai lầm loại I tăng vượt xa mức α. Nếu muốn thu dữ liệu theo đợt có xem kết quả giữa chừng, cần thiết kế phân tích tuần tự với ngưỡng điều chỉnh được đặt trước.

Nghiên cứu thí điểm có cần kiểm định giả thuyết không?

Thường không phải mục tiêu chính. Nghiên cứu thí điểm dùng để thử quy trình, công cụ đo, tỷ lệ tham gia và ước lượng độ biến động. Nếu có báo cáo kiểm định, nên trình bày như thông tin tham khảo kèm khoảng tin cậy, không dùng để kết luận về hiệu quả.

Mẫu nhỏ có được dùng khoảng tin cậy thay cho kiểm định không?

Khoảng tin cậy và kiểm định dựa trên cùng giả định nên không giải quyết được vấn đề mẫu nhỏ. Nhưng khoảng tin cậy cho thấy rõ mức độ không chắc chắn qua độ rộng của nó, nên rất nên báo cáo cùng giá trị p, nhất là khi mẫu nhỏ.

Cần tư vấn cụ thể cho trường hợp của bạn?

Chúng tôi sẽ liên hệ trong vòng 24 giờ.

Đăng ký tư vấn ngay

Bài viết liên quan

Bạn cần hỗ trợ thêm?

Để lại thông tin, chúng tôi sẽ liên hệ trong 24 giờ.

hoặc
Gọi ngay 0926 138 138