Các phương pháp thống kê mới sẽ cho phép các nhà nghiên cứu xử lý dữ liệu một cách tốt hơn, chính xác hơn

<br /> <br /> Các phương pháp thống kê mới sẽ<br /> cho phép các nhà nghiên cứu xử lý dữ liệu<br /> một cách tốt hơn, chính xác hơn<br /> Rand Wilcox, Giáo sư Thống kê, Đại học Nam California, Mỹ<br /> <br /> <br /> Tóm tắt:<br /> Các nhà nghiên cứu trong các ngành, lĩnh vực đều cố gắng làm sao để suy luận được<br /> tổng thể dựa trên một mẫu tương đối nhỏ. Tuy nhiên nhiều phương pháp thống kê cũ có khả<br /> năng làm cho kết quả sai lệch. Bài viết này đưa ra các ví dụ và phương pháp thống kê mới<br /> giúp các nhà nghiên cứu xử lý dữ liệu một cách tốt hơn, chính xác hơn.<br /> <br /> Ở bất kỳ lĩnh vực nào, nếu một nhà này tạo cơ hội để hiểu biết chính xác hơn và<br /> nghiên cứu đang thu thập dữ liệu dưới bất kỳ mang sắc thái hơn về dữ liệu. Vấn đề là hiện<br /> hình thức nào, tại một thời điểm nào đó sẽ những kỹ thuật tốt hơn này được áp dụng<br /> phải phân tích nó. Và chắc chắn là người đó rộng rãi trong phạm vi cộng đồng khoa học<br /> sẽ chuyển sang số liệu thống kê để biết dữ với một tiến độ rất chậm.<br /> liệu đó nói lên điều gì.<br /> Khi các phƣơng pháp cổ điển<br /> Một loạt các lĩnh vực - chẳng hạn như không hiệu quả<br /> khoa học xã hội, tiếp thị, sản xuất, ngành Ví dụ, hãy tưởng tượng rằng các nhà<br /> dược phẩm và vật lý - cố gắng để làm sao nghiên cứu thu thập một nhóm 40 người có<br /> suy luận được tổng thể dựa trên một mẫu cholesterol cao. Một nửa uống thuốc A, một<br /> tương đối nhỏ. Tuy nhiên, nhiều nhà nghiên nửa khác uống một giả dược. Các nhà nghiên<br /> cứu đang sử dụng các kỹ thuật thống kê cũ<br /> có khả năng làm cho kết quả sai lệch. Và đó là<br /> một vấn đề nếu như chúng ta hiểu sai về một<br /> loại thuốc mới có tiềm năng hay một số tác<br /> động của việc cung cấp nước cho thành phố.<br /> <br /> Là một nhà thống kê đã theo đuổi<br /> những tiến bộ trong lĩnh vực này, tôi biết có<br /> rất nhiều phương pháp được cải tiến để so<br /> sánh các nhóm cá thể hoặc sự vật, cũng như<br /> Điều gì sẽ xảy ra nếu những con chuột này<br /> hiểu biết về sự liên kết giữa hai hay nhiều không thực sự đại diện cho tất cả những con chuột<br /> biến. Những phương pháp mạnh mẽ hiện đại khác ngoài chúng<br /> <br /> <br /> <br /> 25<br /> <br /> cứu phát hiện ra rằng những người trong trong số hàng triệu người dùng thuốc. Các kỹ<br /> nhóm uống thuốc A có mức giảm cholesterol thuật cổ điển cho rằng số lượng thay đổi<br /> trung bình lớn hơn. Tuy nhiên, kết quả của trong số những người nhận thuốc tiềm năng<br /> 20 người chưa phản ánh hết những gì sẽ xảy là chính xác như số lượng thay đổi trong<br /> ra nếu hàng ngàn người uống thuốc A?. nhóm giả dược.<br /> <br /> Hoặc trên một quy mô vũ trụ, hãy xem Hình 1: Các đường cong dựa trên phương<br /> xét nhà thiên văn học Edwin Hubble, người trình mô tả các bộ dữ liệu đối xứng khác nhau<br /> đã đo được 24 thiên hà từ trái đất và tốc độ<br /> chúng di chuyển so với trái đất như thế nào.<br /> Dữ liệu từ nhóm nhỏ này cho phép ông vẽ ra<br /> một phương trình dự đoán vận tốc hồi quy<br /> được gọi là tốc độ suy thoái cho khoảng cách<br /> của nó. Nhưng kết quả của Hubble có phản<br /> ánh được mối liên hệ giữa hàng triệu thiên<br /> hà trong vũ trụ nếu chúng được đo lường?<br /> <br /> Trong những tình huống này và nhiều<br /> tình huống khác, các nhà nghiên cứu sử<br /> dụng các mẫu nhỏ đơn giản do chi phí hạn<br /> hẹp và khó khăn khi thu thập dữ liệu. Các<br /> phương pháp cổ điển, thường được giảng Một giả định tương tự cũng được thực<br /> dạy và sử dụng, cố gắng giải quyết những hiện khi nghiên cứu các mối liên hệ. Ví dụ,<br /> vấn đề này bằng cách đưa ra hai giả thuyết hãy xem xét một nghiên cứu kiểm tra mối<br /> chính. liên hệ giữa độ tuổi và mức độ trầm cảm.<br /> Trong số hàng triệu người ở độ tuổi 20, sẽ có<br /> Thứ nhất, các nhà khoa học cho rằng<br /> sự khác biệt về tỷ lệ trầm cảm. Điều này<br /> có một phương trình cụ thể cho từng tình<br /> cũng đúng ở tuổi 30, 80 hoặc ở bất kỳ độ<br /> huống riêng lẻ sẽ mô hình chính xác các xác<br /> tuổi nào. Các phương pháp cổ điển cho rằng<br /> suất liên quan đến các kết quả có thể xảy ra.<br /> số lượng thay đổi là giống nhau đối với bất<br /> Phương trình phổ biến nhất được sử dụng<br /> kỳ hai lứa tuổi mà chúng ta có thể chọn.<br /> tương ứng với cái gọi là phân phối chuẩn.<br /> Các biểu đồ kết quả của dữ liệu có hình Tất cả những giả định này cho phép<br /> chuông và đối xứng xung quanh một số giá các nhà nghiên cứu sử dụng các phương<br /> trị trung tâm. pháp lý thuyết và tính toán thuận tiện. Thật<br /> không may, họ có thể không mang lại kết<br /> Thứ hai, các nhà nghiên cứu giả định<br /> quả chính xác hợp lý.<br /> số lượng biến thể là như nhau đối với cả hai<br /> nhóm họ đang so sánh. Ví dụ, trong nghiên Trong khi viết cuốn sách “Giới thiệu về<br /> cứu về thuốc, mức cholesterol sẽ thay đổi Ước lượng chính xác và Kiểm định giả<br /> <br /> <br /> 26<br />  <br /> thuyết”, tôi đã phân tích hàng trăm bài báo Các phương pháp thông thường cung<br /> và nhận thấy rằng những phương pháp này cấp các giải pháp chính xác khi tất cả các giả<br /> có thể không đáng tin cậy. Thật vậy, mối định đã đề cập trước đó được đáp ứng.<br /> quan tâm về các kết quả lý thuyết và thực Nhưng ngay cả những vi phạm nhỏ của những<br /> nghiệm xảy ra trong hai thế kỷ qua. giả định này có thể là hủy hoại kết quả.<br /> <br /> Khi các nhóm mà các nhà nghiên cứu Mặt khác, các phương pháp mạnh mẽ<br /> đang so sánh không khác nhau dưới bất kỳ mới cung cấp các giải pháp gần đúng khi<br /> hình thức nào, hoặc không có mối liên hệ, những giả định này là đúng, làm cho chúng<br /> các phương pháp cổ điển sẽ thực hiện tốt. gần như chính xác như các phương pháp<br /> Nhưng nếu các nhóm khác nhau hoặc có mối thông thường. Nhưng khi tình hình thay đổi<br /> liên hệ - điều đó chắc chắn không phải là và các giả định không đúng thì các phương<br /> hiếm - các phương pháp cổ điển có thể chùn pháp mạnh mẽ mới sẽ tỏa sáng: Chúng tiếp<br /> bước. Sự khác biệt và các mối liên hệ quan tục cung cấp các giải pháp hợp lý chính xác<br /> trọng có thể bị bỏ sót và kết luận có thể gây cho một phạm vi rộng các tình huống mà<br /> ra sai lệch rất lớn. theo phương pháp truyền thống sẽ không<br /> cho kết quả chính xác.<br /> Ngay cả khi nhận ra những vấn đề này<br /> có thể làm cho mọi thứ tồi tệ hơn, nếu các Một mối quan tâm cụ thể là tình huống<br /> nhà nghiên cứu cố gắng làm việc xung quanh thường xảy ra khi các mô hình dữ liệu không<br /> những hạn chế của các phương pháp thống đối xứng. Ví dụ, trong một nghiên cứu về<br /> kê cổ điển bằng cách sử dụng phương pháp trầm cảm ở người lớn tuổi, một mô hình của<br /> không hiệu quả hoặc kỹ thuật không hợp lệ. dữ liệu không đối xứng - vì hầu hết người lớn<br /> Chuyển đổi dữ liệu hoặc loại trừ các điểm không bị trầm cảm quá mức.<br /> ngoại lai - bất kỳ điểm dữ liệu cực đoan nào<br /> Hình 2: Mô hình trầm cảm ở người lớn tuổi<br /> khác xa các giá trị dữ liệu khác - những chiến<br /> lược này không nhất thiết phải cố định ở các<br /> vấn đề cơ bản.<br /> <br /> Phƣơng pháp mới<br /> <br /> Những tiến bộ đáng kể gần đây trong<br /> thống kê cung cấp các phương pháp tốt hơn<br /> để đối phó với những thiếu sót này. Trong 30<br /> năm qua, các nhà thống kê đã tạo ra nền<br /> tảng toán học cho những phương pháp mới<br /> này. Chúng tôi gọi những kết quả kỹ thuật<br /> này là mạnh mẽ, bởi vì chúng tiếp tục hoạt Giá trị ngoại lai là một thách thức phổ<br /> động tốt trong các tình huống mà các biến. Các phương pháp thông thường giả<br /> phương pháp thông thường không đáp ứng. định rằng các giá trị ngoại lai không có tầm<br /> <br /> <br /> 27<br /> <br /> quan trọng thực tiễn. Nhưng tất nhiên điều rằng những cách thức cũ vẫn hoạt động tốt<br /> đó không phải lúc nào cũng đúng, do đó, các ngay cả khi các giả định cơ bản là sai - mặc<br /> giá trị ngoại lai có thể là tai hại khi sử dụng dù điều đó không phải vậy. Và hầu hết các<br /> các phương pháp thông thường. Các phương nhà nghiên cứu ngoài lĩnh vực thống kê<br /> pháp mạnh mẽ mang lại cảnh báo kỹ thuật - không cập nhật các tài liệu thống kê mới<br /> mặc dù không rõ ràng, dựa trên cách đào tạo nhất.<br /> tiêu chuẩn - để giải quyết vấn đề này, sẽ<br /> Có một trở ngại cuối cùng cần phải<br /> cung cấp một cách diễn giải dữ liệu chính xác<br /> được giải quyết nếu công nghệ hiện đại có<br /> hơn nhiều.<br /> ảnh hưởng lớn đến dữ liệu hiểu biết của<br /> Một bước tiến quan trọng khác là tạo chúng ta đó là đào tạo cơ bản.<br /> ra các phương pháp Bootstrap, những kỹ<br /> Hầu hết sách giáo khoa giới thiệu<br /> thuật suy luận linh hoạt hơn. Kết hợp phương<br /> thống kê không thảo luận nhiều về tiến bộ và<br /> pháp Bootstrap và phương pháp mạnh mẽ đã<br /> hiểu biết đã xảy ra trong vài thập kỷ qua.<br /> mang lại một loạt các kỹ thuật mới và cải tiến<br /> Điều này làm cho quan điểm sai lầm về các<br /> để hiểu dữ liệu hơn.<br /> nguyên tắc cơ bản đã không có sự tiến bộ<br /> Những kỹ thuật hiện đại này không chỉ quan trọng nào kể từ năm 1955. Tuy các<br /> tăng khả năng phát hiện sự khác biệt quan sách hướng dẫn nhằm khắc phục vấn đề này<br /> trọng và mối quan hệ mà còn cung cấp có sẵn và bao gồm các minh họa về cách áp<br /> những quan điểm mới có thể làm cho chúng dụng các phương pháp hiện đại với các phần<br /> ta hiểu biết sâu sắc hơn về những gì dữ liệu mềm hiện có.<br /> đang cố gắng nói cho chúng ta biết. Không<br /> Với hàng triệu đô la và khoảng thời<br /> có quan điểm duy nhất mà luôn luôn cung<br /> gian dành cho việc thu thập dữ liệu, việc<br /> cấp một bản tóm tắt chính xác của dữ liệu.<br /> hiện đại hóa đào tạo cơ bản là hoàn toàn<br /> Nhiều quan điểm có thể là rất quan trọng.<br /> cần thiết - đặc biệt đối với các nhà khoa học<br /> Trong một số trường hợp, các phương pháp không chuyên về thống kê. Nếu không,<br /> hiện đại cung cấp ít hoặc không cải tiến khám phá quan trọng sẽ bị mất và trong<br /> nhiều kỹ thuật cổ điển. Nhưng có rất nhiều nhiều trường hợp, sẽ không thể hiểu biết<br /> bằng chứng cho thấy rằng chúng có thể làm sâu sắc về dữ liệu.<br /> thay đổi đáng kể sự hiểu biết của chúng ta<br /> Anh Tuấn (dịch)<br /> về dữ liệu.<br /> Nguồn:<br /> Thiếu sót của giáo dục<br /> http://theconversation.com/new-statistical-<br /> Vậy tại sao những phương pháp hiện methods-would-let-researchers-deal-with-<br /> đại này lại không thay thế các phương pháp data-in-better-more-robust-ways-67981<br /> cổ điển? Sự khôn ngoan thông thường cho<br /> <br /> <br /> <br /> 28<br />