Ngữ cảnh lâm sàng: Một viện nghiên cứu dược phẩm muốn kiểm chứng xem loại thuốc mới có giúp giảm lượng cholesterol trong máu tốt hơn chế độ ăn kiêng hay không. Họ cân nhắc giữa 2 cách thiết kế mẫu:
• Cách 1: Chọn 50 người dùng thuốc mới và 50 người hoàn toàn khác áp dụng ăn kiêng.
• Cách 2: Tuyển 50 người, đo cholesterol của từng người trước khi can thiệp và đo lại trên chính 50 người đó sau 3 tháng.
Cách thứ hai thuộc thiết kế nghiên cứu nào và đem lại lợi thế thống kê then chốt gì?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Chính xác! Thiết kế Mẫu Bắt Cặp (Matched Samples) đo lường trên cùng một cá thể (hoặc các cặp tương đồng về tuổi, giới tính, thể trạng) giúp loại trừ hoàn toàn sự khác biệt tự nhiên giữa các cá thể (inter-subject variation). Nhờ đó, sai số ngẫu nhiên giảm xuống và độ chính xác (precision) của ước lượng tăng lên rõ rệt.
Thiết kế thực nghiệm: Trong ví dụ của tài liệu, để so sánh thời gian thao tác giữa 2 phương pháp sản xuất, quản đốc chọn 6 công nhân. Mỗi công nhân đều phải thực hiện cả Phương pháp 1 và Phương pháp 2. Tuy nhiên, người hướng dẫn nhấn mạnh: "Không được để tất cả 6 công nhân đều làm Phương pháp 1 trước rồi mới làm Phương pháp 2!"
Tại sao trong thiết kế mẫu bắt cặp, việc ngẫu nhiên hóa thứ tự thử nghiệm (người làm PP1 trước, người làm PP2 trước) lại mang tính sống còn?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Rất chuẩn xác! Nếu tất cả cùng làm Phương pháp 1 trước, khi chuyển sang Phương pháp 2 họ có thể đã thuần thục tay nghề hơn (hiệu ứng học tập - learning effect) hoặc ngược lại, họ đã thấm mệt (hiệu ứng mệt mỏi - fatigue effect). Việc gán ngẫu nhiên thứ tự giúp cân bằng và trung hòa các yếu tố nhiễu ngoại lai này.
Tổng thể đã biết \( \sigma_1, \sigma_2 \): Chuỗi cửa hàng bách hóa Greystone khảo sát độ tuổi trung bình của khách hàng tại 2 chi nhánh (\( \mu_1 \) và \( \mu_2 \)). Dữ liệu lịch sử nhiều năm cho biết độ lệch chuẩn tổng thể là \( \sigma_1 = 9 \) tuổi và \( \sigma_2 = 10 \) tuổi. Mẫu khảo sát độc lập gồm \( n_1 = 36 \) và \( n_2 = 49 \).
Tại sao trong trường hợp này ta được phép sử dụng phân phối Chuẩn chuẩn tắc (\( z \)) để xây dựng khoảng tin cậy và kiểm định thay vì phân phối Student (\( t \))?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Đúng vậy! Khi độ lệch chuẩn tổng thể \( \sigma_1, \sigma_2 \) đã được xác định trước và cỡ mẫu đủ lớn (\( n_1, n_2 \ge 30 \)), Định lý Giới hạn Trung tâm (CLT) đảm bảo phân phối mẫu của hiệu số \( \bar{x}_1 - \bar{x}_2 \) tiệm cận chuẩn với sai số chuẩn chính xác:
\[ \sigma_{\bar{x}_1 - \bar{x}_2} = \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}} \]
Do không phải ước lượng \( \sigma \) bằng \( s \), ta sử dụng trực tiếp phân phối \( Z \).
Tình huống \( \sigma \) chưa biết: Khi tính bậc tự do theo công thức xấp xỉ Welch–Satterthwaite:
\[ df = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{1}{n_1 - 1}\left(\frac{s_1^2}{n_1}\right)^2 + \frac{1}{n_2 - 1}\left(\frac{s_2^2}{n_2}\right)^2} \]
Trong ví dụ số dư ngân hàng Clearwater, kết quả tính ra \( df = 47.8 \). Giáo trình hướng dẫn: "Hãy làm tròn xuống 47 bậc tự do!"
Tại sao trong suy diễn thống kê, người ta quy ước làm tròn XUỐNG bậc tự do chứ không làm tròn lên theo quy tắc số học thông thường?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Tư duy rất sắc bén! Trong phân phối \( t \), khi bậc tự do \( df \) giảm đi, giá trị tới hạn \( t_{\alpha/2} \) sẽ tăng lên. Việc tăng \( t_{\alpha/2} \) sẽ làm rộng biên độ sai số (Margin of Error), tạo ra một khoảng tin cậy an toàn hơn và một ngưỡng kiểm định khắt khe hơn. Đây chính là nguyên tắc ước lượng thận trọng (conservative estimation) để tránh việc kết luận sai lệch quá mức.
Bản chất của hiệu số: Nghiên cứu thời gian hoàn thành tác vụ của 6 công nhân bằng 2 phương pháp ghi nhận các cặp số liệu \( (x_{1i}, x_{2i}) \). Nhà phân tích tính cột sai phân \( d_i = x_{1i} - x_{2i} \).
Sau khi tính xong cột giá trị \( d_i \), bài toán so sánh hai tổng thể ban đầu được chuyển hóa thành dạng toán nào?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Chính xác! Bằng cách lập hiệu số \( d_i = x_{1i} - x_{2i} \), ta quy toàn bộ bài toán phức tạp của hai tổng thể về bài toán suy diễn một mẫu duy nhất cho biến ngẫu nhiên \( d \). Ta dùng công thức trung bình mẫu \( \bar{d} \), độ lệch chuẩn \( s_d \) và thống kê kiểm định:
\[ t = \frac{\bar{d} - \mu_d}{s_d / \sqrt{n}} \]
với bậc tự do đơn giản là \( df = n - 1 \).
Quy tắc cỡ mẫu tỷ lệ: Khi so sánh hai tỷ lệ tổng thể \( p_1 - p_2 \) (ví dụ: tỷ lệ khách hàng hài lòng giữa hai hãng hàng không), ta dùng thống kê kiểm định \( z \).
Để đảm bảo phân phối mẫu của \( \bar{p}_1 - \bar{p}_2 \) xấp xỉ phân phối Chuẩn, điều kiện bắt buộc về số lượng thành công và thất bại ở cả hai mẫu là gì?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Hoàn toàn chính xác! Theo tiêu chuẩn của tài liệu, để phân phối mẫu của hiệu số hai tỷ lệ hội tụ về phân phối chuẩn, số lượng quan sát mang thuộc tính nghiên cứu và không mang thuộc tính nghiên cứu ở CẢ HAI mẫu đều phải đạt tối thiểu là 5:
\[ n_1 p_1 \ge 5, \quad n_1 (1 - p_1) \ge 5, \quad n_2 p_2 \ge 5, \quad n_2 (1 - p_2) \ge 5 \]
So sánh tỷ lệ sai sót: Một công ty dịch vụ kế toán kiểm tra tỷ lệ hồ sơ khai thuế bị lỗi giữa Chi nhánh 1 (\( p_1 \)) và Chi nhánh 2 (\( p_2 \)).
Khi ước lượng khoảng tin cậy 90%, họ tính riêng từng \( \bar{p}_1, \bar{p}_2 \). Nhưng khi làm kiểm định giả thuyết \( H_0: p_1 - p_2 = 0 \), công thức lại bắt buộc phải tính tỷ lệ gộp \( \bar{p} = \frac{n_1 \bar{p}_1 + n_2 \bar{p}_2}{n_1 + n_2} \).
Vì sao lại có sự khác biệt: Khoảng tin cậy thì tách riêng, còn Kiểm định giả thuyết bắt buộc phải gộp mẫu?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Rất sâu sắc! Kiểm định giả thuyết luôn vận hành trên nguyên lý: Tạm xem \( H_0 \) là đúng. Vì ta đang giả định \( p_1 = p_2 = p \), hai mẫu độc lập thực chất cùng phản ánh một tỷ lệ lỗi chung \( p \). Gom toàn bộ số lỗi chia cho tổng số mẫu sẽ cho ước lượng tốt nhất về \( p \). Ngược lại, khoảng tin cậy không áp đặt giả thiết \( p_1 = p_2 \), nên phải giữ nguyên sai số riêng rẽ.
Tình huống thực tế (Case Par, Inc.): Doanh nghiệp thử nghiệm bóng golf mới có lớp phủ chống xước so với bóng hiện tại (\( H_0: \mu_{\text{cũ}} - \mu_{\text{mới}} = 0 \)).
Kết quả phân tích máy đánh trên 40 quả mỗi loại cho thấy: Khoảng tin cậy 95% của \( \mu_{\text{cũ}} - \mu_{\text{mới}} \) là \( [-1.2; 4.8] \) yard, và kiểm định cho trị số \( p\text{-value} = 0.23 \) ở mức \( \alpha = 0.05 \).
Mối liên hệ giữa kết quả của Khoảng tin cậy và giá trị \( p\text{-value} ở đây giúp ban quản lý đưa ra kết luận gì?
💡 Gợi ý tư duy:
✨ Cốt lõi kiến thức:
Xuất sắc! Có sự tương đương toán học hoàn hảo giữa kiểm định hai phía ở mức \( \alpha \) và khoảng tin cậy \( 1 - \alpha \):
• Vì khoảng tin cậy 95% chứa giá trị 0 (\( -1.2 \le \mu_1 - \mu_2 \le 4.8 \)), giá trị 0 là một giá trị khả dĩ $\rightarrow$ Không thể bác bỏ \( H_0 \).
• Kết quả này hoàn toàn nhất quán với \( p\text{-value} = 0.23 > 0.05 \). Công ty an tâm rằng lớp phủ mới không làm suy giảm cự ly đánh bóng!