Chọn phép kiểm định thống kê: bảng theo loại dữ liệu
Bài 7/7 · Chương 9
Kiểm định giả thuyết: ý tưởng
- 8 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 10
Chọn phép kiểm định thống kê là trả lời ba câu hỏi trước khi gọi một hàm của scipy.stats: biến cần so là số đo hay đếm theo nhóm, có bao nhiêu nhóm, và các nhóm độc lập hay ghép cặp. Mỗi hàng của bảng dưới dẫn về bài dạy phép kiểm định ấy.
Mọi phép kiểm định trong bảng cho một p-value đọc theo cùng một cách, nên chọn đúng hàm là phần việc chính.
Bảng tra nhanh: các phép kiểm định thường dùng
Câu hỏi | Dữ liệu | Phép kiểm định | Hàm | Bài |
|---|---|---|---|---|
Một tỉ lệ có khác giá trị cho trước? | Đếm thành công trên n lần | Nhị thức, z một tỉ lệ |
| |
Một trung bình, biết σ | Số đo, một nhóm | z một mẫu |
| |
Một trung bình, chưa biết σ | Số đo, một nhóm | t một mẫu |
| |
Hai trung bình, hai nhóm độc lập | Số đo, hai nhóm | t hai mẫu, Welch |
| |
Hai trung bình, cùng đối tượng đo hai lần | Số đo ghép cặp | t cặp |
| |
Hai tỉ lệ | Đếm, hai nhóm | z hai tỉ lệ |
| |
Hai biến phân loại có liên quan? | Bảng chéo tần số | Chi bình phương độc lập |
| |
Tần số có khớp tỉ lệ cho trước? | Đếm theo loại | Phù hợp chi bình phương |
| |
Ba trung bình trở lên | Số đo, k nhóm độc lập | ANOVA một yếu tố |
| |
Ba trung bình trở lên, phương sai các nhóm khác nhau | Số đo, k nhóm độc lập | ANOVA Welch |
| |
Phương sai các nhóm bằng nhau? | Số đo, k nhóm | Levene |
| |
Sau ANOVA: nhóm nào khác nhóm nào | Số đo, k nhóm | Tukey HSD |
| |
Hai nhóm độc lập, lệch mạnh hay thứ hạng | Số đo, thang thứ bậc | Mann-Whitney U |
| |
Cặp, lệch mạnh hay thứ hạng | Số đo ghép cặp | Wilcoxon |
| |
Ba nhóm trở lên, lệch mạnh | Số đo, k nhóm | Kruskal-Wallis |
| |
Hai biến số có tương quan? | Hai số đo trên cùng đối tượng | Pearson, Spearman |
| |
Dữ liệu có gần chuẩn? | Số đo, một nhóm | Shapiro-Wilk |
| |
Không có công thức cho thống kê | Hai nhóm, thống kê bất kỳ | Hoán vị |
|
Bảng viết thành một dict của Python tra theo ba câu trả lời. Khối dưới chỉ dùng Python thuần, in cột hàm cho bốn tình huống:
bang = {
("số đo", 1, "độc lập"): "ttest_1samp()",
("số đo", 2, "độc lập"): "ttest_ind(equal_var=False)",
("số đo", 2, "cặp"): "ttest_rel()",
("số đo", 3, "độc lập"): "f_oneway()",
("đếm", 2, "độc lập"): "chi2_contingency()",
}
cau_hoi = [("số đo", 2, "cặp"), ("số đo", 3, "độc lập"),
("đếm", 2, "độc lập"), ("số đo", 1, "độc lập")]
for loai, so_nhom, cach in cau_hoi:
print(loai, so_nhom, cach, "->", bang[(loai, so_nhom, cach)])KẾT QUẢ
số đo 2 cặp -> ttest_rel()
số đo 3 độc lập -> f_oneway()
đếm 2 độc lập -> chi2_contingency()
số đo 1 độc lập -> ttest_1samp()Hàng đầu và hàng ba cùng có hai nhóm, nhưng hàm khác nhau: một hàng là số đo ghép cặp, một hàng là số đếm.
Số đo: một, hai hay nhiều nhóm
Biến là số đo (chiều cao, thời gian giao, khối lượng gói) thì câu hỏi thường là về trung bình:
Một nhóm so với một con số cho trước: t một mẫu. Khi nào dùng t-test thay cho z? Hầu như luôn luôn, vì σ của tổng thể hiếm khi biết trước.
Hai nhóm: t hai mẫu nếu hai nhóm là những đối tượng khác nhau, t cặp nếu mỗi đối tượng có hai số đo. Mặc định chọn Welch,
equal_var=False.Ba nhóm trở lên: ANOVA, rồi Tukey HSD nếu cần biết cặp nào khác. Chạy t-test từng cặp làm tỉ lệ bác bỏ nhầm tăng theo số cặp.
Cặp hay độc lập là điểm hay chọn nhầm nhất. Số đo trước và sau trên cùng sáu người là cặp: mỗi người có mức nền riêng, và phép kiểm định cặp tính trên hiệu của từng người nên loại được mức nền đó.
Dữ liệu đếm: tỉ lệ và bảng chéo
Biến là phân loại (đúng hẹn hay trễ, chọn đồ uống nào) thì dữ liệu là số đếm:
Một tỉ lệ so với một con số:
binomtest().Hai tỉ lệ: z hai tỉ lệ, hay chi bình phương trên bảng 2 × 2.
Hai biến phân loại bất kỳ:
chi2_contingency()trên bảng chéo.Tần số một biến so với tỉ lệ cho trước:
chisquare().
Chi bình phương dùng phân phối xấp xỉ, nên cần mỗi ô có tần số mong đợi đủ lớn, quy ước thường dùng là ít nhất 5. Tần số mong đợi của một ô là tổng hàng nhân tổng cột chia tổng chung:
bang = [[18, 7], [12, 3]]
tong_hang = [sum(h) for h in bang]
tong_cot = [sum(c) for c in zip(*bang)]
tong = sum(tong_hang)
mong_doi = [[r * c / tong for c in tong_cot] for r in tong_hang]
for hang in mong_doi:
print([round(v, 2) for v in hang])
print("Mọi ô >= 5:", all(v >= 5 for h in mong_doi for v in h))KẾT QUẢ
[18.75, 6.25]
[11.25, 3.75]
Mọi ô >= 5: FalseĐổi [12, 3] thành [12, 8] rồi chạy lại: dòng cuối in Mọi ô >= 5: True. Với bảng gốc, một ô dưới 5, nên xấp xỉ chi bình phương kém tin cậy; bảng 2 × 2 nhỏ như vậy có thể dùng fisher_exact(). Bài chi bình phương dạy cách đọc bảng mong đợi mà hàm trả về.
Giả định quyết định giữa có tham số và phi tham số
t-test và ANOVA giả định số đo trong từng nhóm gần chuẩn, hay mẫu đủ lớn để trung bình gần chuẩn. Khi dữ liệu lệch mạnh, có ngoại lai lớn, hay chỉ là thứ hạng (thang 1–5), dùng phép phi tham số cùng hàng: Mann-Whitney thay t hai mẫu, Wilcoxon thay t cặp, Kruskal-Wallis thay ANOVA. Các phép này so vị trí của hai phân phối qua thứ hạng, nên câu kết luận nói về "giá trị thường lớn hơn", không nói về trung bình.
Một quy tắc gọn cho phần này, viết thành hàm:
def chon_hai_nhom(cap, lech_manh):
if cap:
return "wilcoxon()" if lech_manh else "ttest_rel()"
if lech_manh:
return "mannwhitneyu()"
return "ttest_ind(equal_var=False)"
for cap in (False, True):
for lech in (False, True):
ham = chon_hai_nhom(cap, lech)
print(f"cặp={cap}, lệch mạnh={lech}: {ham}")KẾT QUẢ
cặp=False, lệch mạnh=False: ttest_ind(equal_var=False)
cặp=False, lệch mạnh=True: mannwhitneyu()
cặp=True, lệch mạnh=False: ttest_rel()
cặp=True, lệch mạnh=True: wilcoxon()Xem dữ liệu có lệch mạnh không bằng Q-Q plot hơn là chỉ bằng p của Shapiro, như bài kiểm tra phân phối chuẩn đã chỉ.
Kiểm tra nhanh
Cửa hàng đo khối lượng 40 gói cà phê từ một máy để xem trung bình có khác 500 g không, chưa biết σ. Gọi hàm nào?
ttest_ind()ttest_1samp()chisquare()f_oneway()
Những tình huống nào là dữ liệu cặp, cần
ttest_rel()haywilcoxon()?- Huyết áp của 30 người trước và sau khi uống thuốc
- Chiều cao 50 bạn nam và 50 bạn nữ
- Điểm của cùng 25 học sinh ở bài kiểm tra tháng 9 và tháng 12
- Thời gian giao của 120 đơn Hãng A và 110 đơn Hãng B
Bảng chéo 2 × 2 có một ô tần số mong đợi 3,8. Câu nào đúng?
- Bảng sai, phải bỏ ô đó
- Xấp xỉ của
chi2_contingency()kém tin cậy; có thể dùngfisher_exact() - Tần số mong đợi không ảnh hưởng gì
Tóm tắt
Ba câu hỏi chọn phép kiểm định: số đo hay đếm, mấy nhóm, độc lập hay cặp.
Số đo: t một mẫu, t hai mẫu Welch, t cặp, ANOVA; lệch mạnh hay thứ hạng thì Wilcoxon, Mann-Whitney, Kruskal-Wallis.
Đếm:
binomtest(), z hai tỉ lệ,chi2_contingency(),chisquare(); chi bình phương cần tần số mong đợi ít nhất 5 mỗi ô.Dữ liệu cặp mà dùng kiểm định độc lập cho t nhỏ hơn nhiều, dễ bỏ sót thay đổi thật.
Mọi phép kiểm định đọc kết quả theo cùng một cách: p-value so với α đặt trước, kèm độ lớn của khác biệt.
Câu hỏi thường gặp
Khi nào dùng t test?
Khi so trung bình của một hay hai nhóm số đo và chưa biết σ của tổng thể, với dữ liệu gần chuẩn hay mẫu đủ lớn. Một nhóm: t một mẫu; hai nhóm độc lập: t hai mẫu Welch; cặp: t cặp.
Các loại kiểm định thống kê chia thế nào?
Thường chia theo hai trục: có tham số (giả định phân phối, như t, ANOVA) hay phi tham số (dựa trên thứ hạng hay xáo nhãn), và theo câu hỏi (so trung bình, so tỉ lệ, kiểm liên quan, kiểm phân phối). Bảng trên xếp theo câu hỏi.
So ba nhóm bằng ba lần t-test có được không?
Không nên. Mỗi lần kiểm ở α = 0,05 có xác suất bác bỏ nhầm riêng, nên ba lần cộng lại cao hơn 5%. Dùng ANOVA trước, rồi Tukey HSD để so từng cặp mà vẫn giữ α chung.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.