Giới thiệu về phân tích hiệu năng và độ ảnh hưởng trong kiểm định t

An Introduction to Power Analysis and Effect Size in The T-test for Means

Tóm tắt nội dung chuỗi bài viết

Trong hành trình nghiên cứu kinh tế lượng, sinh viên thường tập trung vào câu hỏi “Liệu có mối quan hệ nào không?” và câu trả lời thường được tìm kiếm qua giá trị p (p-value). Tuy nhiên, một nhà nghiên cứu thực thụ sẽ luôn đặt ra những câu hỏi sâu sắc hơn: “Nếu có mối quan hệ, thì nó mạnh đến mức nào?” và “Liệu nghiên cứu của tôi có đủ ‘sức mạnh’ để phát hiện ra mối quan hệ đó không?”. Đây chính là hai câu hỏi cốt lõi mà chuỗi bài viết này sẽ giúp các bạn trả lời một cách tự tin và chính xác.

Chúng ta sẽ cùng nhau khám phá hai khái niệm cực kỳ quan trọng trong thống kê hiện đại: độ ảnh hưởng (Effect Size) và hiệu năng thống kê (Statistical Power). độ ảnh hưởng giúp chúng ta định lượng “tầm quan trọng thực tiễn” của một kết quả, vượt ra ngoài giới hạn của “ý nghĩa thống kê”. Thay vì chỉ nói rằng một chương trình đào tạo “có hiệu quả”, chúng ta có thể nói nó “mang lại hiệu quả ở mức độ lớn, trung bình hay nhỏ”. Trong khi đó, phân tích hiệu năng giống như việc kiểm tra “sức khỏe” của một thiết kế nghiên cứu. Nó cho chúng ta biết xác suất để nghiên cứu có thể tìm thấy một hiệu ứng thực sự tồn tại, giúp tránh lãng phí nguồn lực vào những nghiên cứu quá yếu hoặc thiết kế những nghiên cứu quá lớn một cách không cần thiết.

Chuỗi bài học này được thiết kế theo một lộ trình từ lý thuyết nền tảng đến kỹ năng thực hành chuyên sâu, sử dụng phần mềm Stata làm công cụ chính. Các bạn sẽ không chỉ học định nghĩa, mà còn học cách diễn giải, tính toán và áp dụng những khái niệm này vào việc lập kế hoạch nghiên cứu và phân tích dữ liệu. Mục tiêu cuối cùng là trang bị cho các bạn tư duy của một nhà kinh tế lượng hiện đại, người không chỉ tìm kiếm các giá trị p nhỏ hơn 0.05, mà còn thực sự hiểu và diễn giải được độ lớn và ý nghĩa của những khám phá của mình.

Cấu trúc chuỗi bài học

Kiến thức tiên quyết

Mục tiêu học tập

Sau khi hoàn thành chuỗi bài viết này, các bạn sẽ có khả năng:

Tài liệu tham khảo

Phụ lục: Dữ liệu mô phỏng cho chuỗi bài viết

Để giúp các bạn dễ dàng theo dõi và thực hành, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng xuyên suốt chuỗi bài viết. Bộ dữ liệu này mô tả một kịch bản nghiên cứu phổ biến: đánh giá hiệu quả của một chương trình đào tạo mới đối với năng suất của nhân viên.

Bối cảnh: Một công ty có 100 nhân viên, 50 người được chọn ngẫu nhiên vào nhóm đối chứng (control group) theo phương pháp đào tạo cũ, và 50 người được chọn vào nhóm can thiệp (treatment group) tham gia chương trình đào tạo mới. Năng suất được đo bằng một bài kiểm tra (score) sau khóa học. Chúng ta muốn biết liệu chương trình mới có thực sự hiệu quả hơn không.

Các bạn hãy chạy đoạn code Stata dưới đây để tạo ra bộ dữ liệu training_data.dta. Hãy lưu nó vào thư mục làm việc của bạn để sử dụng cho các bài học tiếp theo.

* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng về hiệu quả đào tạo
* TÊN FILE: training_data.dta
* SỐ QUAN SÁT: 100 nhân viên
* ==================================================

* Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 100
set seed 12345 // Đảm bảo kết quả có thể tái lập

* Tạo biến ID cho mỗi nhân viên
gen id = _n

* Tạo biến nhóm: 1 = can thiệp (đào tạo mới), 0 = đối chứng (đào tạo cũ)
gen group = mod(_n, 2)
label define group_label 0 "Đối chứng" 1 "Can thiệp"
label values group group_label

* Tạo biến năng suất (score)
* Giả định nhóm đối chứng có năng suất trung bình là 70, độ lệch chuẩn 10
* Giả định nhóm can thiệp có năng suất trung bình là 75, độ lệch chuẩn 10
* Điều này tạo ra một "hiệu ứng" có thật trong tổng thể để chúng ta khám phá
gen score = 70 + 5*group + rnormal(0, 10)

* Mô tả dữ liệu
describe
summarize score, detail
ttest score, by(group) // Xem trước kết quả kiểm định t

* Lưu dữ liệu để sử dụng cho các bài sau
save "training_data.dta", replace

* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu mô phỏng về hiệu quả đào tạo
* TÊN FILE: training_data.dta
* SỐ QUAN SÁT: 100 nhân viên
* ==================================================

* Xóa bộ nhớ và thiết lập số quan sát
clear
set obs 100
set seed 12345 // Đảm bảo kết quả có thể tái lập

* Tạo biến ID cho mỗi nhân viên
gen id = _n

* Tạo biến nhóm: 1 = can thiệp (đào tạo mới), 0 = đối chứng (đào tạo cũ)
gen group = mod(_n, 2)
label define group_label 0 "Đối chứng" 1 "Can thiệp"
label values group group_label

* Tạo biến năng suất (score)
* Giả định nhóm đối chứng có năng suất trung bình là 70, độ lệch chuẩn 10
* Giả định nhóm can thiệp có năng suất trung bình là 75, độ lệch chuẩn 10
* Điều này tạo ra một "hiệu ứng" có thật trong tổng thể để chúng ta khám phá
gen score = 70 + 5*group + rnormal(0, 10)

* Mô tả dữ liệu
describe
summarize score, detail
ttest score, by(group) // Xem trước kết quả kiểm định t

* Lưu dữ liệu để sử dụng cho các bài sau
save "training_data.dta", replace

Bằng cách tự tay tạo ra dữ liệu, bạn sẽ hiểu rõ hơn về cấu trúc và các giả định ngầm. Trong bộ dữ liệu này, chúng ta đã “cài đặt” một khác biệt trung bình là 5 điểm giữa hai nhóm. Các bài học tiếp theo sẽ hướng dẫn bạn cách sử dụng phân tích hiệu năng để xem liệu một thiết kế nghiên cứu có khả năng phát hiện ra sự khác biệt này hay không.