Mức ý nghĩa α, giá trị tới hạn, kiểm định một phía, hai phía
Bài 3/7 · Chương 9
Kiểm định giả thuyết: ý tưởng
- 9 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 11
Mức ý nghĩa α là ngưỡng bạn đặt trước khi xem dữ liệu: p-value nhỏ hơn hay bằng α thì bác bỏ H₀. Cách tính quyết định rất ngắn, so p với α, hay so thống kê kiểm định với giá trị tới hạn; phần khó là chọn α và chọn kiểm định một phía hay hai phía cho đúng câu hỏi trước khi có số.
Cần biết trước: p-value, phân phối chuẩn tắc và mô phỏng Monte Carlo.
Mức ý nghĩa là gì
Mức ý nghĩa (significance level), viết α, là tỉ lệ bác bỏ nhầm H₀ mà bạn chấp nhận: nếu H₀ đúng và bạn lặp lại thí nghiệm nhiều lần, quy tắc "bác bỏ khi p ≤ α" sẽ bác bỏ nhầm khoảng α số lần. Con số hay dùng là α = 0,05; ngành cần chắc hơn dùng 0,01.
Ba điều cần giữ:
α chọn trước khi nhìn dữ liệu, cùng lúc viết H₀ và H₁.
α là ngưỡng của quy tắc, p là số của dữ liệu; hai thứ khác nhau.
p = 0,049 và p = 0,051 là bằng chứng gần như ngang nhau; ngưỡng chỉ để ra một quyết định có/không.
Mô phỏng sau kiểm tra câu "bác bỏ nhầm khoảng α số lần". Khi H₀ đúng, thống kê z của nhiều thí nghiệm theo phân phối chuẩn tắc, nên ta rút thẳng 100.000 giá trị z rồi đếm số lần quy tắc hai phía ở α = 0,05 bác bỏ:
import numpy as np
rng = np.random.default_rng(69)
z = rng.normal(0, 1, size=100_000)
bac_bo = np.abs(z) >= 1.96
print("Tỉ lệ bác bỏ khi H₀ đúng:", bac_bo.mean())KẾT QUẢ
Tỉ lệ bác bỏ khi H₀ đúng: 0.05018Lần chạy này bác bỏ nhầm 5,02% số thí nghiệm, sát α = 5%. Đổi 1.96 thành 2.576 rồi chạy lại: dòng cuối in Tỉ lệ bác bỏ khi H₀ đúng: 0.00954, sát α = 0,01.
Giá trị tới hạn và miền bác bỏ
Với kiểm định z hai phía, số 1,96 ở trên là giá trị tới hạn (critical value): điểm cắt sao cho hai đuôi của phân phối chuẩn tắc cộng lại có diện tích α. Các giá trị z rơi vào hai đuôi đó lập thành miền bác bỏ (rejection region):
Trong đó:
z (
z): thống kê kiểm định tính từ dữ liệu.α (
alpha): mức ý nghĩa.z với chỉ số 1 − α/2 (
stats.norm.ppf(1 - alpha / 2)): giá trị tới hạn hai phía, điểm mà phân phối chuẩn tắc có diện tích 1 − α/2 ở bên trái.
Kiểm định một phía dồn cả α vào một đuôi, nên giá trị tới hạn là z với chỉ số 1 − α, và miền bác bỏ chỉ ở một bên: z ≥ z₁₋α cho H₁ "lớn hơn", z ≤ −z₁₋α cho H₁ "nhỏ hơn".
Tính tay ở α = 0,05: hai phía chia 0,05 thành hai đuôi 0,025, nên cần điểm có diện tích 0,975 bên trái; một phía cần điểm có diện tích 0,95. Thư viện chuẩn của Python tra được hai điểm đó, không cần scipy:
from statistics import NormalDist
chuan = NormalDist(0, 1)
print("Hai phía, α = 0.05:", round(chuan.inv_cdf(0.975), 3))
print("Một phía, α = 0.05:", round(chuan.inv_cdf(0.95), 3))KẾT QUẢ
Hai phía, α = 0.05: 1.96
Một phía, α = 0.05: 1.645stats.norm.ppf() của scipy làm cùng việc và nhận cả mảng, nên in được bảng giá trị tới hạn cho ba mức α hay dùng:
import numpy as np
from scipy import stats
alpha = np.array([0.10, 0.05, 0.01])
hai_phia = stats.norm.ppf(1 - alpha / 2)
mot_phia = stats.norm.ppf(1 - alpha)
for a, h, m in zip(alpha, hai_phia, mot_phia):
print(f"α = {a:.2f}: hai phía {h:.3f}, một phía {m:.3f}")KẾT QUẢ
α = 0.10: hai phía 1.645, một phía 1.282
α = 0.05: hai phía 1.960, một phía 1.645
α = 0.01: hai phía 2.576, một phía 2.326Hình dưới tô miền bác bỏ của hai cách ở α = 0,05. Cùng diện tích 5%, nhưng hai phía chia ra hai đuôi, một phía dồn vào một đuôi:
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
x = np.linspace(-4, 4, 400)
y = stats.norm.pdf(x)
fig, axs = plt.subplots(1, 2, figsize=(6.4, 4),
layout="constrained")
hai = (x >= 1.96) | (x <= -1.96)
cach = [(axs[0], hai, "Hai phía"), (axs[1], x >= 1.645, "Một phía")]
for ax, mien, ten in cach:
ax.plot(x, y, color="black")
ax.fill_between(x, y, where=mien, color="tab:red")
ax.set(title=ten, xlabel="Giá trị z", ylabel="Mật độ")
plt.show()Đuôi phải của hình một phía bắt đầu sớm hơn (1,645 so với 1,96). Vì vậy z = 1,80 rơi vào miền bác bỏ một phía nhưng không rơi vào miền bác bỏ hai phía.
Kiểm định một phía hay hai phía: alternative= của scipy
Hướng của H₁ đến từ câu hỏi, không đến từ dữ liệu:
Câu hỏi | H₁ |
|
|---|---|---|
Có khác không? | khác (≠) |
|
Có lớn hơn không? | lớn hơn (>) |
|
Có nhỏ hơn không? | nhỏ hơn (<) |
|
Ví dụ: một cửa hàng cam kết 80% đơn giao đúng hẹn. Bạn nghi tỉ lệ thật thấp hơn, nên trước khi đếm, bạn viết H₀: p = 0,8 và H₁: p < 0,8, α = 0,05. Trong 60 đơn kiểm, 42 đơn đúng hẹn (70%):
from scipy import stats
for phia in ["less", "two-sided"]:
kq = stats.binomtest(42, 60, p=0.8, alternative=phia)
print(f"{phia:>9}: p = {kq.pvalue:.3f}")KẾT QUẢ
less: p = 0.043
two-sided: p = 0.074Câu hỏi đã viết là "thấp hơn", nên đọc dòng less: nếu tỉ lệ thật là 80%, xác suất có 42 đơn đúng hẹn hay ít hơn là 0,043. p ≤ 0,05, nên bác bỏ H₀ ở mức 5%: dữ liệu là bằng chứng tỉ lệ đúng hẹn thấp hơn cam kết, khoảng 70% so với 80%. Dòng two-sided chỉ để so: nếu câu hỏi gốc là "có khác không", cùng dữ liệu đó chưa đủ bằng chứng để bác bỏ H₀.
Kiểm tra nhanh
Sau
from scipy import stats,print(round(stats.norm.ppf(0.995), 3))in ra gì?2.3262.5761.96
Bạn muốn biết pin mới có dùng được lâu hơn 10 giờ không, và viết câu hỏi trước khi đo. Gọi
stats.ttest_1samp()vớialternative=nào?"two-sided", vì đó là mặc định an toàn"greater""less"- Chọn sau khi xem trung bình mẫu lớn hơn hay nhỏ hơn 10
Ở α = 0,05, một phép kiểm định cho p = 0,051. Những câu nào đúng?
- Chưa đủ bằng chứng để bác bỏ H₀ ở mức 5%
- Kết quả gần có ý nghĩa, nên nới α lên 0,06
- Bằng chứng gần như ngang với p = 0,049; ngưỡng chỉ để ra quyết định
- H₀ đúng với xác suất 0,051
Vì sao mô phỏng của bài rút z từ phân phối chuẩn tắc để kiểm tra α?
- Vì mọi dữ liệu thật đều có phân phối chuẩn
- Vì α là tỉ lệ bác bỏ nhầm tính trong thế giới mà H₀ đúng, nơi z theo phân phối chuẩn tắc
- Vì
rng.normal()nhanh hơnrng.integers() - Vì α chỉ có nghĩa khi H₁ đúng
Bài tập
Quyết định bác bỏ theo α và hướng của H₁
Bạn đã tính thống kê z của một kiểm định z và đã chọn trước alpha cùng hướng phia của H₁: "two-sided", "greater" hay "less", đúng như alternative= của scipy. Viết thân hàm bac_bo(z, alpha, phia): trả về True khi bác bỏ H₀ ở mức alpha, nghĩa là p-value của z theo hướng phia nhỏ hơn hay bằng alpha, ngược lại trả về False.
Dùng stats.norm của scipy (sf, cdf hay ppf), không dùng hàm kiểm định có sẵn như ztest.
Trả về: quyết định bác bỏ H₀, một bool.
Ví dụ bac_bo(1.80, 0.05, "greater") cho True, còn bac_bo(1.80, 0.05, "two-sided") cho False.
from scipy import stats
def bac_bo(z, alpha, phia):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Mức ý nghĩa α là tỉ lệ bác bỏ nhầm H₀ mà bạn chấp nhận, đặt trước khi xem dữ liệu; hay dùng 0,05 hay 0,01.
Quy tắc: p ≤ α thì bác bỏ H₀; tương đương thống kê kiểm định rơi vào miền bác bỏ, ngoài giá trị tới hạn.
Giá trị tới hạn z: hai phía
stats.norm.ppf(1 - alpha / 2)(1,96 ở α = 0,05), một phíastats.norm.ppf(1 - alpha)(1,645).Hướng của H₁ đến từ câu hỏi:
alternative="two-sided","greater"hay"less"; mặc định của scipy là hai phía.Chọn phía sau khi thấy dữ liệu làm tỉ lệ bác bỏ nhầm thành 2α.
Câu hỏi thường gặp
Mức ý nghĩa 5% là gì?
Là quy tắc bác bỏ H₀ khi p ≤ 0,05. Nếu H₀ đúng, quy tắc đó bác bỏ nhầm khoảng 5 lần trong 100 thí nghiệm. Đổi nhầm thành bỏ sót là chuyện của bài sai lầm loại 1 và loại 2.
Khi nào dùng kiểm định một phía?
Khi câu hỏi có hướng trước khi thu dữ liệu, và kết quả lệch ngược hướng không làm bạn đổi quyết định, như "gói có thiếu cân không". Không chắc thì dùng hai phía.
Giá trị tới hạn và p-value cho cùng kết luận không?
Có, khi cùng α và cùng hướng: z rơi vào miền bác bỏ đúng khi p ≤ α. Phần mềm thường in p vì nó cho thêm thông tin bằng chứng mạnh hay yếu; giá trị tới hạn hay gặp trong giáo trình có bảng tra.
Có nên dùng α = 0,01 thay cho 0,05?
α nhỏ hơn thì ít bác bỏ nhầm hơn, nhưng dễ bỏ sót khác biệt thật hơn với cùng cỡ mẫu. Chọn theo cái giá của mỗi loại sai lầm, và chọn trước khi xem dữ liệu.
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.