GiaThuyet.comGiả Thuyết
Kiểm định t

Kiểm định Welch: so sánh hai trung bình khi phương sai không bằng nhau

Kiểm định t Welch không cần giả định phương sai bằng nhau. Công thức bậc tự do Welch–Satterthwaite, ví dụ tính tay và vì sao nhiều tác giả khuyên dùng mặc định.

Two service counters at a ward administration office in Can Tho, a short orderly queue at one and an uneven crowd at the other, people seen from behind, wide angle

Kiểm định Welch là phiên bản của kiểm định t hai mẫu độc lập không đòi hỏi hai nhóm có phương sai bằng nhau. Thay vì gộp phương sai, Welch dùng sai số chuẩn bằng căn bậc hai của (s1²/n1 + s2²/n2) và điều chỉnh bậc tự do theo công thức Welch–Satterthwaite, nên bậc tự do thường là số lẻ. Đây là dòng "không giả định phương sai bằng nhau" trong bảng kết quả của SPSS, và là mặc định của hàm t.test trong R.

Bài này giải thích vì sao phương sai không bằng nhau làm kiểm định Student sai lệch, tính tay một ví dụ giả định mà hai phiên bản cho kết luận trái ngược nhau, rồi bàn lập luận ủng hộ dùng Welch ngay từ đầu thay vì chờ kiểm định Levene quyết định.

Vì sao phương sai khác nhau làm kiểm định Student sai

Kiểm định Student hai mẫu gộp hai phương sai thành một phương sai chung, với trọng số theo bậc tự do của mỗi nhóm. Nếu hai tổng thể thật sự có cùng phương sai, việc gộp giúp ước lượng chính xác hơn. Nếu không, phương sai gộp nghiêng về phía nhóm đông hơn, và sai số chuẩn của chênh lệch bị tính sai.

Hướng sai lệch phụ thuộc vào nhóm nào vừa nhỏ vừa phân tán. Khi nhóm ít quan sát lại có phương sai lớn, phương sai gộp bị kéo về phía phương sai nhỏ của nhóm đông, sai số chuẩn bị ước lượng thấp, t bị thổi phồng và tỷ lệ sai lầm loại I thật có thể cao hơn nhiều so với 5% danh nghĩa. Khi nhóm đông có phương sai lớn hơn, chuyện ngược lại xảy ra: kiểm định quá dè dặt và bỏ sót khác biệt có thật.

Bài toán so sánh hai trung bình khi hai phương sai khác nhau và chưa biết có tên riêng trong lịch sử thống kê là bài toán Behrens–Fisher, và không có lời giải chính xác đơn giản. Giải pháp xấp xỉ được dùng rộng rãi nhất đến từ B. L. Welch (công bố trên tạp chí Biometrika cuối thập niên 1930 và năm 1947) cùng công thức bậc tự do của F. E. Satterthwaite (1946); vì vậy bạn sẽ gặp tên gọi Welch, hoặc Welch–Satterthwaite.

Khi hai nhóm có cỡ mẫu bằng nhau, giá trị t của Student và Welch trùng nhau; chỉ bậc tự do khác. Sai lệch nghiêm trọng chủ yếu xảy ra khi vừa chênh cỡ mẫu vừa chênh phương sai, đúng kiểu dữ liệu hay gặp trong khảo sát thực tế, nơi một nhóm hiếm (ví dụ người dùng dịch vụ mới) ít hơn hẳn nhóm còn lại.

Công thức Welch và bậc tự do Welch–Satterthwaite

Toàn bộ khác biệt so với Student nằm ở hai dòng: sai số chuẩn và bậc tự do. Đặt v1 = s1²/n1 và v2 = s2²/n2 cho gọn.

Đại lượngStudent (phương sai gộp)Welch
Sai số chuẩn của chênh lệchCăn bậc hai của [sp² × (1/n1 + 1/n2)]Căn bậc hai của (v1 + v2)
Thống kê t(x̄1 − x̄2) / SE(x̄1 − x̄2) / SE, với SE của Welch
Bậc tự don1 + n2 − 2(v1 + v2)² / [v1²/(n1 − 1) + v2²/(n2 − 1)]
Giới hạn của bậc tự doCố địnhNằm giữa số nhỏ hơn trong hai giá trị (n1 − 1, n2 − 1) và n1 + n2 − 2
Giả định phương saiHai phương sai tổng thể bằng nhauKhông cần
Giả định còn lạiĐộc lập, trung bình mẫu xấp xỉ chuẩnNhư Student

Công thức bậc tự do trông rắc rối nhưng ý tưởng dễ hiểu: khi một nhóm chiếm gần hết sai số chuẩn (v của nhóm đó lớn hơn hẳn), bậc tự do co về gần số bậc tự do của riêng nhóm đó, vì độ chính xác của cả phép so sánh giờ phụ thuộc chủ yếu vào việc ước lượng phương sai của nhóm ấy. Khi hai phần đóng góp ngang nhau, bậc tự do tiến gần n1 + n2 − 2.

Bậc tự do lẻ không phải lỗi. Phần mềm tính p trực tiếp với bậc tự do lẻ; nếu tra bảng tay, thông lệ thận trọng là làm tròn xuống số nguyên gần nhất.

Ví dụ giả định: Student và Welch cho hai kết luận khác nhau

Ví dụ giả định: một phường thử nghiệm quầy tiếp nhận mới và ghi thời gian chờ (phút) của 6 lượt khách: 10, 30, 18, 34, 14, 26. Quầy cũ ghi 12 lượt: 15, 16, 17, 15, 18, 16, 17, 16, 15, 17, 16, 14. Câu hỏi: thời gian chờ trung bình hai quầy có khác nhau không.

  1. Quầy mới: tổng 132, x̄1 = 22; tổng bình phương độ lệch 448, nên s1² = 448 / 5 = 89,6 và s1 ≈ 9,47. Quầy cũ: tổng 192, x̄2 = 16; tổng bình phương độ lệch 14, nên s2² = 14 / 11 ≈ 1,273 và s2 ≈ 1,13. Phương sai quầy mới gấp khoảng 70 lần.
  2. Tính theo Student: sp² = (448 + 14) / 16 ≈ 28,88; SE = căn bậc hai của [28,88 × (1/6 + 1/12)] ≈ 2,687; t = 6 / 2,687 ≈ 2,233 với 16 bậc tự do; p ≈ 0,040. Nếu dừng ở đây, bạn sẽ kết luận quầy mới chờ lâu hơn có ý nghĩa.
  3. Tính theo Welch: v1 = 89,6 / 6 ≈ 14,93; v2 = 1,273 / 12 ≈ 0,106; SE = căn bậc hai của 15,04 ≈ 3,878; t = 6 / 3,878 ≈ 1,547.
  4. Bậc tự do Welch: (15,04)² ≈ 226,2 chia cho [14,93² / 5 + 0,106² / 11] ≈ 44,60, được khoảng 5,07. Bậc tự do gần bằng 5, đúng bằng n1 − 1, vì gần như toàn bộ sai số chuẩn đến từ quầy mới.
  5. Với t ≈ 1,547 và khoảng 5,07 bậc tự do, p ≈ 0,18. Khoảng tin cậy 95% của chênh lệch theo Welch trải từ khoảng −3,9 đến 15,9 phút, chứa 0.
  6. Kết luận theo Welch: chưa đủ bằng chứng để nói thời gian chờ trung bình hai quầy khác nhau; điều dữ liệu cho thấy rõ là quầy mới biến động hơn hẳn.

Ví dụ này được dựng để thấy rõ cơ chế: nhóm nhỏ có phương sai rất lớn đúng là tình huống Student bị thổi phồng. Sáu lượt đo ở quầy mới dao động từ 10 tới 34 phút, nên trung bình 22 phút của nó còn rất bấp bênh; Student đã "mượn" độ ổn định của quầy cũ để làm nhỏ sai số, điều không có cơ sở.

Về mặt quản lý, phát hiện đáng giá ở đây lại là độ biến động: khách quầy mới có khi chờ 10 phút, có khi 34 phút. Một kiểm định chỉ so trung bình không trả lời câu hỏi đó, và bạn nên báo cáo độ lệch chuẩn của từng nhóm bên cạnh trung bình.

Vì sao nhiều tác giả khuyên dùng Welch ngay từ đầu

Chi phí khi phương sai bằng nhau rất nhỏ. Nếu hai phương sai thật sự bằng nhau, Welch mất rất ít lực so với Student, vì bậc tự do của nó gần n1 + n2 − 2. Ngược lại, khi phương sai khác nhau mà cỡ mẫu chênh lệch, Student có thể sai rất nhiều. Đổi một chút lực lấy sự an toàn là giao dịch có lợi.

Kiểm định Levene không phải người gác cổng đáng tin. Quy trình hai bước "chạy Levene, nếu p lớn thì dùng Student" có vấn đề: với mẫu nhỏ, Levene ít khi phát hiện được phương sai khác nhau, đúng lúc Student dễ sai nhất; với mẫu lớn, Levene báo khác biệt cả khi chênh lệch nhỏ không đáng kể. Thêm nữa, quyết định dựa trên một kiểm định sơ bộ làm thay đổi tỷ lệ sai lầm của kiểm định chính.

Phương sai bằng nhau hiếm khi là giả định có cơ sở. Trong nhiều lĩnh vực, nhóm có trung bình cao hơn thường cũng phân tán hơn, và can thiệp có thể tác động không đều lên từng người, làm phương sai nhóm can thiệp lớn hơn. Giả định phương sai bằng nhau thường được chấp nhận vì tiện, không phải vì có lý do thực chất.

Phần mềm đã sẵn sàng. Hàm t.test trong R dùng Welch làm mặc định; SPSS luôn in dòng không giả định phương sai bằng nhau; Excel có loại kiểm định riêng cho phương sai khác nhau. Một số bài viết phương pháp học trong tâm lý học, như của Delacre, Lakens và Leys năm 2017, đã lập luận cho việc dùng Welch mặc định.

Vẫn có người giữ quan điểm khác. Một số giáo trình vẫn dạy quy trình hai bước, và trong thiết kế cân bằng, phương sai gần nhau, kết quả hai cách gần như trùng. Điều quan trọng là bạn chọn trước, nêu rõ lý do trong phần phương pháp và không đổi sau khi thấy kết quả.

Chạy Welch trên phần mềm và báo cáo kết quả

Thao tác cụ thể có thể khác theo phiên bản, bạn nên kiểm lại trên bản mình dùng. Dưới đây là cách tìm đúng chỗ ở các phần mềm phổ biến.

  • SPSS: trong bảng kết quả kiểm định t hai mẫu độc lập có hai dòng; dòng thứ hai, ghi là không giả định phương sai bằng nhau, chính là kết quả Welch, với bậc tự do lẻ.
  • R: hàm t.test với hai nhóm cho kết quả Welch nếu bạn không thêm đối số var.equal bằng TRUE; dòng tiêu đề kết quả có ghi tên Welch.
  • Excel: hàm T.TEST với đối số loại bằng 3 cho giá trị p của kiểm định phương sai không bằng nhau; công cụ Data Analysis có mục riêng cho hai mẫu giả định phương sai không bằng nhau.
  • JASP và Jamovi: trong mục kiểm định t mẫu độc lập có tuỳ chọn Welch để đánh dấu, có thể xuất song song với Student.
  • Khi báo cáo, ghi rõ đã dùng kiểm định Welch, kèm bậc tự do lẻ làm tròn hai chữ số. Với ví dụ trên: t(5,07) = 1,55, p ≈ 0,18, chênh lệch 6 phút, khoảng tin cậy 95% từ −3,9 đến 15,9 phút.
  • Luôn báo trung bình và độ lệch chuẩn của từng nhóm. Người đọc nhìn vào hai độ lệch chuẩn 9,47 và 1,13 sẽ hiểu ngay vì sao bạn chọn Welch.

Nếu cần đo cỡ hiệu ứng khi phương sai khác nhau nhiều, Cohen d với độ lệch chuẩn gộp trở nên khó diễn giải. Một số tác giả đề xuất dùng độ lệch chuẩn của nhóm đối chứng (Glass delta) hoặc các phiên bản khác; chọn chỉ số nào cũng nên nêu rõ công thức.

Những hiểu lầm hay gặp về kiểm định Welch

Hiểu lầm thứ nhất: Welch là kiểm định "dành cho dữ liệu không chuẩn". Không phải. Welch chỉ xử lý chuyện phương sai không bằng nhau; nó vẫn dựa trên trung bình và vẫn cần trung bình mẫu của mỗi nhóm có phân phối xấp xỉ chuẩn. Khi dữ liệu lệch nặng với nhóm nhỏ, chuyển sang Welch không giải quyết được gì, bạn cần nghĩ tới phép biến đổi (ví dụ lấy logarit với dữ liệu thời gian, thu nhập) hoặc kiểm định phi tham số.

Hiểu lầm thứ hai: phải có kiểm định Levene với p nhỏ hơn 0,05 mới được dùng Welch. Bạn hoàn toàn có thể dùng Welch khi Levene không có ý nghĩa; như đã phân tích ở trên, đó là lựa chọn an toàn hơn chứ không phải vi phạm quy tắc nào. Điều không nên làm là nhìn cả hai dòng kết quả rồi chọn dòng có p đẹp hơn.

Hiểu lầm thứ ba: Welch luôn cho p lớn hơn Student. Trong ví dụ quầy tiếp nhận thì đúng, vì nhóm nhỏ có phương sai lớn. Nhưng khi nhóm đông mới là nhóm phân tán hơn, Student lại quá dè dặt và Welch có thể cho p nhỏ hơn. Welch không thiên về phía "khó có ý nghĩa", nó chỉ đưa tỷ lệ sai lầm loại I về gần mức α danh nghĩa.

Hiểu lầm thứ tư: dùng Welch thì không cần quan tâm tới phương sai nữa. Phương sai khác nhau nhiều tự nó là một phát hiện, đôi khi còn quan trọng hơn chênh lệch trung bình, như chuyện thời gian chờ thất thường ở quầy mới. Phần bàn luận nên nhắc tới điều đó thay vì lướt qua.

Câu hỏi thường gặp

Kiểm định Welch có cần dữ liệu phân phối chuẩn không?

Có, giống Student, Welch giả định trung bình mẫu của từng nhóm có phân phối xấp xỉ chuẩn. Welch chỉ gỡ bỏ giả định phương sai bằng nhau. Nếu dữ liệu lệch mạnh với mẫu nhỏ hoặc có ngoại lai lớn, bạn cần xem xét phép biến đổi dữ liệu hoặc kiểm định phi tham số.

Vì sao bậc tự do của Welch lại là số lẻ như 13,29?

Bậc tự do Welch–Satterthwaite là một xấp xỉ, được tính từ phương sai và cỡ mẫu của hai nhóm để phân phối t khớp nhất với phân phối thật của thống kê kiểm định. Không có lý do gì để nó là số nguyên. Phần mềm dùng trực tiếp giá trị lẻ để tính p.

Khi hai nhóm cỡ mẫu bằng nhau thì Student và Welch có khác không?

Giá trị t trùng nhau hoàn toàn, chỉ bậc tự do khác: Welch cho bậc tự do nhỏ hơn hoặc bằng n1 + n2 − 2. Khác biệt về giá trị p thường rất nhỏ, trừ khi phương sai chênh nhau rất nhiều và cỡ mẫu nhỏ.

Có cần chạy kiểm định Levene trước khi dùng Welch không?

Không bắt buộc. Nếu bạn đã quyết định dùng Welch từ đầu, Levene chỉ còn vai trò mô tả. Nhiều người vẫn báo Levene vì hội đồng quen thấy nó, điều này không sai, miễn là quyết định chọn kiểm định không phụ thuộc kết quả Levene.

Có phiên bản Welch cho ba nhóm trở lên không?

Có. Welch ANOVA mở rộng ý tưởng này cho nhiều nhóm có phương sai khác nhau, thường đi kèm kiểm định hậu định Games–Howell khi cần so từng cặp. Phần này thuộc chủ đề phân tích phương sai.

Kết quả Student có ý nghĩa nhưng Welch không thì nên báo cáo cái nào?

Báo cáo theo quy tắc bạn đã đặt trong phần phương pháp. Nếu dữ liệu có phương sai khác nhau rõ rệt và cỡ mẫu chênh lệch, kết quả Welch là kết quả đáng tin hơn. Chọn phiên bản cho ra p nhỏ hơn sau khi đã thấy cả hai là một dạng điều chỉnh phân tích theo kết quả và cần tránh.

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