Máy Tính Giá Trị P

Một giá trị p là xác suất quan sát được kết quả kiểm định cực đoan bằng, hoặc cực đoan hơn, kết quả thực tế — với giả định giả thuyết không $H_0$ là đúng.

Một cách hình thức, với một thống kê kiểm định $T$ có giá trị quan sát $t$:

• Đuôi phải: $p = P(T \geq t \mid H_0)$
• Đuôi trái: $p = P(T \leq t \mid H_0)$
• Hai đuôi: $p = 2 \cdot P(T \geq |t| \mid H_0)$

Diễn giải: một giá trị p nhỏ nghĩa là dữ liệu quan sát sẽ đáng ngạc nhiên nếu $H_0$ đúng, nên ta có bằng chứng chống lại $H_0$. Một giá trị p lớn nghĩa là dữ liệu nhất quán với $H_0$ — nhưng không chứng minh $H_0$ đúng.

Quy tắc quyết định: so sánh $p$ với mức ý nghĩa $\alpha$ chọn trước (thường 0.05):

• $p < \alpha$ → bác bỏ $H_0$ ('có ý nghĩa thống kê')
• $p \geq \alpha$ → không bác bỏ $H_0$ (không đủ bằng chứng)

Giá trị p KHÔNG phải là:

• Không phải xác suất $H_0$ đúng.
• Không phải xác suất giả thuyết đối $H_1$ đúng.
• Không phải một số đo cỡ tác động.
• Không phân biệt 'ý nghĩa thực tiễn' với 'ý nghĩa thống kê'.

Từng Bước

1. Phát biểu các giả thuyết $H_0$ và $H_1$.
2. Chọn một kiểm định phù hợp với dữ liệu (kiểm định z, kiểm định t, khi bình phương, kiểm định F, ...).
3. Tính thống kê kiểm định từ dữ liệu.
4. Xác định (các) đuôi dựa trên $H_1$: đuôi phải ($>$), đuôi trái ($<$), hoặc hai đuôi ($\neq$).
5. Tìm giá trị p từ phân phối của kiểm định.
6. So sánh với $\alpha$ và kết luận.

Giá Trị P Từ Thống Kê Z

Với một phân phối chuẩn tắc $Z$:

• Đuôi phải: $p = 1 - \Phi(z)$
• Đuôi trái: $p = \Phi(z)$
• Hai đuôi: $p = 2(1 - \Phi(|z|))$

Tham chiếu nhanh: $z = 1.96$ → hai đuôi $p \approx 0.05$. $z = 2.576$ → hai đuôi $p \approx 0.01$.

Giá Trị P Từ Thống Kê T

Dùng phân phối t với $n - 1$ bậc tự do (hoặc theo kiểm định chỉ định). Cùng logic đuôi như z, nhưng phân phối có đuôi hơi dày hơn với df nhỏ.

Giá Trị P Từ Thống Kê Khi Bình Phương

Kiểm định khi bình phương vốn là đuôi phải vì $\chi^2 \geq 0$ và các giá trị lớn hơn cho thấy độ khớp với $H_0$ tệ hơn:

$p = P(\chi^2_{df} \geq \text{quan sát})$

Một Đuôi So Với Hai Đuôi: Dùng Cái Nào?

• Hai đuôi: khi bạn quan tâm đến độ lệch khỏi $H_0$ theo cả hai hướng. Mặc định trong hầu hết các bối cảnh học thuật.
• Một đuôi: khi giả thuyết đối có hướng và được chỉ định trước ($H_1: \mu > 0$, không phải $\mu \neq 0$). Làm giảm một nửa giá trị p nếu hướng khớp.

Đừng bao giờ chọn đuôi sau khi đã thấy dữ liệu — đó là p-hacking.

Các Ngưỡng Ý Nghĩa Thường Gặp

Hiệp hội Thống kê Hoa Kỳ đã cảnh báo chống lại việc xem $\alpha = 0.05$ như một ranh giới rạch ròi — bối cảnh và cỡ tác động quan trọng hơn việc vượt qua một ngưỡng.

• 'Giá trị p là xác suất $H_0$ đúng': SAI. Giá trị p được tính với giả định $H_0$ đúng; nó không đo $H_0$ có khả năng đúng đến mức nào.
• Xem $p = 0.049$ và $p = 0.051$ là khác nhau về bản chất: chúng không khác. Ngưỡng 0.05 là một quy ước, không phải một chuyển pha.
• Chọn đuôi sau khi thấy dữ liệu: nếu bạn thấy $z = -2$ và chuyển sang kiểm định đuôi trái, bạn đã tăng gấp đôi tỉ lệ dương tính giả. Hãy chỉ định trước.
• Nhầm ý nghĩa thống kê với cỡ tác động: một tác động nhỏ với mẫu rất lớn có thể 'rất có ý nghĩa' nhưng thực tế không liên quan. Luôn báo cáo cỡ tác động bên cạnh giá trị p.
• Phồng do so sánh nhiều: chạy 20 kiểm định ở $\alpha = 0.05$, một dương tính giả là kỳ vọng do ngẫu nhiên. Dùng hiệu chỉnh Bonferroni hoặc FDR.
• '$p > 0.05$ chứng minh $H_0$': KHÔNG. Không bác bỏ không giống chấp nhận. Nó chỉ nghĩa là dữ liệu không có đủ bằng chứng chống lại $H_0$ ở cỡ mẫu này.