Trong bài học trước, chúng ta đã học cách đánh giá “độ phù hợp” của mô hình bằng $R^2$, một thước đo cho biết mô hình giải thích được bao nhiêu phần trăm sự biến động của dữ liệu mẫu. Tuy nhiên, một mô hình phù hợp với mẫu không nhất thiết có nghĩa là các mối quan hệ mà nó tìm thấy là có thật trong tổng thể. Ví dụ, một hệ số ước lượng $\hat{\beta}_1 = 0.5$ có thể chỉ là kết quả của sự may rủi ngẫu nhiên trong mẫu dữ liệu cụ thể mà chúng ta có, trong khi giá trị thực sự của $\beta_1$ trong tổng thể lại bằng không. Làm thế nào để chúng ta có thể phân biệt giữa một kết quả có ý nghĩa thực sự và một sự trùng hợp ngẫu nhiên? Bài học này sẽ giới thiệu bộ công cụ để giải quyết vấn đề đó: khung kiểm định giả thuyết (hypothesis testing framework). Đây là một quy trình logic và chặt chẽ cho phép chúng ta sử dụng bằng …