Bỏ qua đến nội dung chính
Mục lục

Paired t test: kiểm định t cặp trước, sau với ttest_rel()

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 4/14 · Chương 10

Các kiểm định thường dùng

  • 10 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Kiểm định t cặp (paired t-test) so trung bình của hai lần đo trên cùng một nhóm, bằng cách lấy hiệu từng cặp rồi kiểm xem trung bình của hiệu có khác 0 không. Bạn dùng nó khi đo một người hai lần, như thời gian chạy 1 km của một lớp trước và sau tám tuần tập.

Cần biết trước: kiểm định t một mẫu, kiểm định t hai mẫu độc lập và p-value.

Công thức kiểm định t cặp

Mỗi người cho một hiệu d = sau − trước. Từ đó bài toán chỉ còn một mẫu các hiệu, và kiểm định t cặp chính là kiểm định t một mẫu trên hiệu, với H₀: trung bình của hiệu bằng 0.

t=dˉsd/nt = \frac{\bar{d}}{s_d / \sqrt{n}}

Trong đó:

  • n (len(d)): số cặp, tức số người được đo hai lần.

  • d̄ (d.mean()): trung bình của các hiệu sau − trước.

  • s của hiệu (d.std(ddof=1)): độ lệch chuẩn mẫu của các hiệu, chia n − 1.

  • t: thống kê kiểm định; dưới H₀ nó theo phân phối Student với n − 1 bậc tự do.

Phép trừ từng cặp bỏ đi phần khác nhau giữa người với người (người chạy nhanh vẫn nhanh), chỉ giữ phần thay đổi, nên s/√n của hiệu thường nhỏ hơn nhiều sai số chuẩn của hai nhóm độc lập.

Tính tay trên sáu cặp số

Sáu nhân viên văn phòng gõ phím trước và sau một khóa luyện gõ, đo bằng số từ mỗi phút. Câu hỏi đặt trước khi tính: tốc độ có đổi không, hai phía, α = 0,05.

Bước

Việc

Kết quả

1

Hiệu d = sau − trước

4, 2, 5, 1, 6, 0

2

Trung bình của hiệu

d̄ = 18 / 6 = 3

3

Tổng bình phương độ lệch của hiệu

1 + 1 + 4 + 4 + 9 + 9 = 28

4

Độ lệch chuẩn mẫu của hiệu

s = √(28 / 5) ≈ 2,366

5

Sai số chuẩn

2,366 / √6 ≈ 0,966

6

Thống kê t, bậc tự do

t ≈ 3,11, bậc tự do 5

Khối dưới đi đúng sáu bước đó bằng Python thuần; sửa hai dãy ở đầu khối rồi bấm Chạy:

python
truoc = [38, 45, 41, 52, 36, 48]
sau = [42, 47, 46, 53, 42, 48]
d = [b - a for a, b in zip(truoc, sau)]
n = len(d)
d_tb = sum(d) / n
tong_bp = sum((x - d_tb) ** 2 for x in d)
s_d = (tong_bp / (n - 1)) ** 0.5
se = s_d / n ** 0.5
print("Hiệu d:", d)
print("Trung bình d:", d_tb)
print("Tổng bình phương độ lệch:", tong_bp)
print("s của hiệu:", round(s_d, 3))
print("SE:", round(se, 3))
print("t =", round(d_tb / se, 2), "với bậc tự do", n - 1)

KẾT QUẢ

Hiệu d: [4, 2, 5, 1, 6, 0]
Trung bình d: 3.0
Tổng bình phương độ lệch: 28.0
s của hiệu: 2.366
SE: 0.966
t = 3.11 với bậc tự do 5

Đổi 42, 48] thành 42, 54] rồi chạy lại: người cuối tăng thêm 6 từ mỗi phút và dòng cuối in t = 4.67 với bậc tự do 5.

Chạy ttest_rel() và kiểm lại bằng ttest_1samp()

stats.ttest_rel(a, b) của scipy làm cả sáu bước trên hiệu a − b, rồi tra p-value hai phía từ phân phối t. Đưa sau trước để hiệu là sau − trước. Dòng thứ hai chạy kiểm định t một mẫu trên chính dãy hiệu:

python
from scipy import stats

truoc = [38, 45, 41, 52, 36, 48]
sau = [42, 47, 46, 53, 42, 48]
kq = stats.ttest_rel(sau, truoc)
print("ttest_rel:", round(kq.statistic, 2), kq.df,
      round(kq.pvalue, 3))
d = [b - a for a, b in zip(truoc, sau)]
kq1 = stats.ttest_1samp(d, popmean=0)
print("ttest_1samp(d):", round(kq1.statistic, 2),
      round(kq1.pvalue, 3))
thap, cao = kq.confidence_interval(confidence_level=0.95)
print("Khoảng tin cậy 95%:", round(thap, 2), round(cao, 2))

KẾT QUẢ

ttest_rel: 3.11 5 0.027
ttest_1samp(d): 3.11 0.027
Khoảng tin cậy 95%: 0.52 5.48

Hai lời gọi cho cùng t = 3,11 và cùng p, đúng với bảng tính tay. Kết luận: ở mức ý nghĩa 5%, dữ liệu đủ bằng chứng để bác bỏ H₀, tốc độ gõ sau khóa học cao hơn trước (t = 3,11, bậc tự do 5, p = 0,027). Trung bình tăng 3 từ mỗi phút, khoảng tin cậy 95% từ 0,52 đến 5,48 từ mỗi phút: khoảng rộng vì chỉ có sáu người. Trong Excel: T.TEST(mảng_sau, mảng_trước, 2, 1), số 1 cuối là kiểu cặp.

Mô phỏng: ghép cặp giúp gì

Khối dưới giả lập 2.000 lớp, mỗi lớp 20 em chạy quanh 330 giây (độ lệch chuẩn 35 giây giữa các em); mỗi em nhanh lên trung bình 8 giây, dao động 15 giây. Khác biệt do chính khối code sinh ra, nên tỉ lệ bác bỏ H₀ là lực của từng cách kiểm:

python
import numpy as np
from scipy import stats

rng = np.random.default_rng(77)
truoc = rng.normal(330, 35, size=(2000, 20))
sau = truoc - rng.normal(8, 15, size=(2000, 20))
p_cap = stats.ttest_rel(sau, truoc, axis=1).pvalue
p_hai_mau = stats.ttest_ind(sau, truoc, axis=1,
                            equal_var=False).pvalue
print("t cặp bác bỏ H0:", round((p_cap <= 0.05).mean(), 3))
print("t hai mẫu bác bỏ H0:", round((p_hai_mau <= 0.05).mean(), 3))

KẾT QUẢ

t cặp bác bỏ H0: 0.616
t hai mẫu bác bỏ H0: 0.002

Lần chạy này: kiểm định t cặp phát hiện khác biệt ở khoảng 62% số lớp, t-test hai mẫu gần như không lần nào. Đổi hạt giống thành default_rng(7) thì hai tỉ lệ thành 0.615 và 0.001: mức chênh đến từ cách kiểm, không từ một lần rút.

Áp vào thời gian chạy 1 km của 45 em

File chay_truoc_sau.csv là số giả lập của AIDev: thời gian chạy 1 km (giây) của 45 em trước và sau tám tuần tập, mỗi dòng một em. Hai cột là hai Series cùng index, nên phép trừ đi đúng từng em:

python
import pandas as pd
from scipy import stats

chay = pd.read_csv("chay_truoc_sau.csv")
d = chay["sau_giay"] - chay["truoc_giay"]
print("Số em:", len(d), "| chậm đi:", int((d > 0).sum()))
print("Hiệu trung bình (giây):", round(d.mean(), 1))
kq = stats.ttest_rel(chay["sau_giay"], chay["truoc_giay"])
print("t =", round(kq.statistic, 2), "df =", kq.df)
print("p < 0.001" if kq.pvalue < 0.001 else round(kq.pvalue, 3))
thap, cao = kq.confidence_interval()
print("KTC 95% (giây):", round(thap, 1), round(cao, 1))
p_sai = stats.ttest_ind(chay["sau_giay"], chay["truoc_giay"],
                        equal_var=False).pvalue
print("Nếu dùng nhầm ttest_ind: p =", round(p_sai, 3))

KẾT QUẢ

Số em: 45 | chậm đi: 8
Hiệu trung bình (giây): -13.0
t = -6.37 df = 44
p < 0.001
KTC 95% (giây): -17.1 -8.9
Nếu dùng nhầm ttest_ind: p = 0.12

Ở mức ý nghĩa 5%, dữ liệu đủ bằng chứng để bác bỏ H₀: sau tám tuần, các em chạy nhanh hơn trung bình 13,0 giây (t = −6,37, bậc tự do 44, p < 0,001). Khoảng tin cậy 95% của mức giảm: từ 8,9 đến 17,1 giây. Tám em vẫn chậm đi, nên đây là kết luận về trung bình của nhóm. Cùng dữ liệu, ttest_ind() cho p = 0,12 và bỏ lỡ hẳn khác biệt. Giả định: 45 em độc lập với nhau, và các hiệu không lệch quá mạnh.

Kiểm tra nhanh

  1. Mười cặp số có hiệu trung bình 2 và độ lệch chuẩn của hiệu (chia n − 1) bằng 4. Thống kê t cặp xấp xỉ bao nhiêu?

    • 0,5
    • 1,58
    • 5
    • 0,16
  2. Những bộ số nào là dữ liệu cặp, hợp với ttest_rel()?

    • Cân nặng của 30 người trước và sau tám tuần ăn kiêng
    • Điểm thi của 40 em lớp 10A1 và 40 em lớp 10A2
    • Nhiệt độ trung bình từng ngày ở Hà Nội và ở Đà Nẵng trong cùng một năm
    • Doanh thu tháng 5 và tháng 6 của cùng 12 chi nhánh
  3. Trong khung bẫy sắp xếp từng cột, vì sao thống kê t lên tới −13,27?

    • Vì np.sort() đổi đơn vị từ giây sang phút
    • Vì sau khi sắp, mỗi số trước bị ghép với số sau của một em khác, các hiệu gần như bằng nhau nên s của hiệu rất nhỏ
    • Vì ttest_rel() tự sắp xếp dữ liệu trước khi trừ
  4. Một kiểm định t cặp hai phía cho p = 0,21 với α = 0,05. Câu kết luận nào đúng?

    • Khóa học không có tác dụng: trước và sau bằng nhau
    • Xác suất khóa học không có tác dụng là 21%
    • Chấp nhận H₀ ở mức 5%
    • Ở mức ý nghĩa 5%, chưa đủ bằng chứng để bác bỏ H₀; có thể khác biệt có thật mà nhỏ hơn mức mẫu này phát hiện được
Đúng hết lần đầu +15 XP

Bài tập

Tính p-value của kiểm định t cặp

truoc và sau là hai list cùng độ dài (ít nhất hai cặp), phần tử thứ i của hai list là hai lần đo của cùng một người, và các hiệu không bằng nhau hết. Viết thân hàm t_cap(truoc, sau): lấy hiệu sau − trước, tính t theo công thức của bài, rồi lấy p-value hai phía từ phân phối t bằng stats.t.sf().

Không dùng ttest_rel() hay ttest_1samp(). Hàm không sửa list của nơi gọi.

Trả về: p-value hai phía, một float.

Ví dụ t_cap([38, 45, 41, 52, 36, 48], [42, 47, 46, 53, 42, 48]) cho khoảng 0.0267.

python
import numpy as np
from scipy import stats


def t_cap(truoc, sau):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Kiểm định t cặp tính trên hiệu d = sau − trước của từng người: t = d̄ / (s / √n), bậc tự do n − 1.

  • stats.ttest_rel(sau, truoc) cho cùng t và p với stats.ttest_1samp(d, 0); T.TEST(…, 2, 1) của Excel cũng vậy.

  • Dùng nhầm ttest_ind() trên dữ liệu cặp cho p lớn hơn hẳn: trên 45 em, p = 0,12 thay cho p < 0,001.

  • Sắp xếp riêng từng cột làm vỡ các cặp và thổi phồng |t|.

  • Báo t, bậc tự do, p và hiệu trung bình kèm khoảng tin cậy và đơn vị.

Câu hỏi thường gặp

Paired t test là gì, khác t-test hai mẫu ở đâu?

Paired t-test so hai lần đo trên cùng một đơn vị, nên nó tính trên hiệu của từng cặp. T-test hai mẫu so hai nhóm khác người, nên phải chịu cả độ phân tán giữa người với người. Bài kiểm định t hai mẫu độc lập dạy trường hợp đó.

Kiểm định trước sau khi hiệu lệch mạnh hay có ngoại lai thì dùng gì?

Dùng kiểm định Wilcoxon cho dữ liệu cặp, stats.wilcoxon(sau, truoc), dựa vào thứ hạng của các hiệu. Bài kiểm định phi tham số so nó với ttest_rel() trên cùng bộ số chạy 1 km.

Hai cột có số dòng khác nhau thì sao?

ttest_rel() báo lỗi ValueError, vì mỗi số phải có đúng một số ghép. Người chỉ có một lần đo thì bỏ khỏi cả hai cột trước khi kiểm.

Kiểm định một phía cho câu hỏi "có nhanh hơn không" viết thế nào?

Thêm alternative=: với hiệu sau − trước và câu hỏi thời gian giảm, stats.ttest_rel(sau, truoc, alternative="less"). Chọn phía trước khi nhìn dữ liệu; bài mức ý nghĩa nói vì sao.

Chủ đề

paired t test

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập