Giả thuyết Null | Thống kê

Giả thuyết không rất cần thiết cho nghiên cứu khoa học vì nó tạo thành cơ sở cho các nghiên cứu. Ngoài việc cung cấp cho các nhà nghiên cứu một điểm khởi đầu, nó còn cho phép họ phát triển các giả thuyết thay thế có thể được đưa vào thử nghiệm và đánh giá.

Vai trò của Giả thuyết Null

Việc kiểm tra mối quan hệ giữa các biến hoặc tìm ra liệu có sự khác biệt giữa các nhóm hay không thường rất quan trọng trong các nghiên cứu khoa học. Theo giả thuyết không, nhiều khi không có sự khác biệt hoặc mối liên hệ rõ ràng nào giữa các biến đang được nghiên cứu. Nó biểu thị sự vắng mặt của mối quan hệ giữa các thành phần có liên quan hoặc tác động giữa chúng.

Các nhà nghiên cứu tạo ra giả thuyết không để làm điểm tham chiếu khi so sánh các phát hiện của họ. Thường được biểu thị bằng ký hiệu H0, giả thuyết này đóng vai trò là chuẩn mực để xác định ý nghĩa thống kê của các phát hiện trong nghiên cứu.

Ví dụ

Hãy lấy một nghiên cứu về tác động của chương trình can thiệp mới đối với chứng đau cổ không rõ nguyên nhân làm ví dụ để làm rõ hơn ý tưởng này. Theo giả thuyết không trong tình huống này, có thể không có sự khác biệt rõ ràng về tình trạng đau cổ giữa những bệnh nhân được can thiệp và những bệnh nhân không được can thiệp.

Vì vậy, giả thuyết không có thể được viết dưới dạng toán học là H0: 1 – 2 = 0, trong đó 1 là mức độ đau cổ trung bình của những người được can thiệp và 2 là mức độ đau cổ trung bình của những người không được can thiệp.

Sau khi thu thập thông tin, các nhà nghiên cứu tiến hành các thử nghiệm thống kê để xem bằng chứng có xác nhận hay bác bỏ giả thuyết vô hiệu hay không. Các nhà nghiên cứu có thể bác bỏ giả thuyết vô hiệu để ủng hộ giả thuyết thay thế nếu dữ liệu mâu thuẫn với giả thuyết vô hiệu và cho thấy sự khác biệt hoặc liên kết đáng kể.

Đừng làm điều này

Điều quan trọng cần lưu ý là giả thuyết thay thế không được chứng minh bằng việc bác bỏ giả thuyết vô hiệu. Thay vào đó, bài báo cho rằng dữ liệu có thể gợi ý rằng giả thuyết thay thế có thể được coi là lời giải thích hợp lý hơn. Thông thường, giả thuyết thay thế cho rằng có sự phân biệt hoặc mối liên hệ giữa các biến có liên quan.

Trong thực tế, các nhà nghiên cứu phân tích khả năng thu được kết quả được báo cáo theo giả thuyết không bằng cách sử dụng nhiều bài kiểm tra thống kê khác nhau, chẳng hạn như bài kiểm tra t hoặc bài kiểm tra chi bình phương. Các nhà nghiên cứu bác bỏ giả thuyết không và khám phá giả thuyết thay thế nếu xác suất giảm xuống dưới mức ý nghĩa được đặt trước, thường được ký hiệu là alpha (α) , thường là 0,05.

Việc kiểm tra các giả thuyết rất cần thiết đối với nghiên cứu khoa học vì nó cho phép các nhà nghiên cứu đưa ra phán đoán dựa trên dữ liệu thực nghiệm. Các nhà nghiên cứu có thể tăng cường kiến thức và đóng góp vào việc hiểu biết nhiều hiện tượng bằng cách phân tích và đặt câu hỏi một cách có phương pháp về giả thuyết vô hiệu.

Các vấn đề với Kiểm định Giả thuyết Null

Một lời chỉ trích đáng kể là phương pháp này thường bỏ qua quy mô tác động và ý nghĩa lâm sàng mà chỉ tập trung vào ý nghĩa thống kê. Ý nghĩa thống kê không tiết lộ quy mô hoặc ý nghĩa của hiệu ứng được nhìn thấy; nó chỉ cho biết liệu phát hiện đó có khả năng xảy ra ngẫu nhiên hay không. Việc kiểm tra các tập dữ liệu lớn có thể mang lại kết quả đáng kể (bác bỏ H0) đối với những khác biệt nhỏ nhất.

Chúng ta hãy đi sâu hơn vào ví dụ trước. Bạn quan tâm đến thang đo VAS (thang đo trực quan) về mức độ đau sau khi điều trị bằng hai biện pháp can thiệp để điều trị đau cổ. Mỗi nhóm có khoảng 1000 bệnh nhân. Nhóm A có điểm trung bình sau điều trị là 2,2/10, nhóm B là 2,4/10. Do các nhóm rất lớn nên rất có thể sự khác biệt nhỏ này sẽ dẫn đến sự khác biệt đáng kể khi kiểm định giả thuyết vô hiệu. Tuy nhiên, sự khác biệt 0,2/10 thì không đáng kể. Xét về ý nghĩa lâm sàng, hai nhóm này là như nhau.

Một vấn đề khác là giả thuyết không có thể bị bác bỏ hoặc chấp nhận, điều này có thể dẫn đến cách giải thích dữ liệu theo kiểu nhị phân. Cách tiếp cận phân đôi này có thể đơn giản hóa quá mức những sự kiện phức tạp và bỏ qua những chi tiết cụ thể hơn của dữ liệu.

Hơn nữa, cho đến khi bị bác bỏ, việc kiểm định giả thuyết vô hiệu vẫn cho rằng giả thuyết vô hiệu là đúng. Điều này có thể dẫn đến sự thiên vị cho giả thuyết vô hiệu và có thể dẫn đến tình trạng không thấy được những tác động có ý nghĩa quan trọng.

Những người phản đối cho rằng các phương pháp thay thế như báo cáo quy mô hiệu ứng hoặc thống kê Bayes có thể cung cấp cách kiểm tra kết quả nghiên cứu toàn diện và mang tính hướng dẫn hơn, giúp nắm bắt tốt hơn tính phù hợp và hậu quả thực tế của các phát hiện.

Bản tóm tắt

Giả thuyết không, nêu rằng không có sự khác biệt hoặc mối liên hệ đáng kể nào giữa các biến quan tâm, đóng vai trò là giả định mặc định trong một cuộc điều tra nghiên cứu. Để bác bỏ giả thuyết vô hiệu và ủng hộ giả thuyết thay thế, dữ liệu phải không tương thích với giả thuyết vô hiệu, cho thấy sự khác biệt đáng kể. Các nhà khoa học có thể cải thiện các giả thuyết, nghiên cứu các khái niệm mới và làm sâu sắc thêm sự hiểu biết của chúng ta về thế giới thông qua việc kiểm tra giả thuyết. Tuy nhiên, vẫn có một nhóm lớn những người chỉ trích việc kiểm định giả thuyết vô hiệu. Nó không phải là không có khuyết điểm.

Neyman, J. và Pearson, E. S. (1933). Về các vấn đề kiểm tra giả thuyết thống kê hiệu quả nhất. Giao dịch triết học của Hội Hoàng gia London, 231A, 289–338. https://doi.org/10.1098/rsta.1933.0009

GRAVES, SPENCER (1978). Về Lý thuyết kiểm tra Neyman–Pearson. Tạp chí Anh về Triết học Khoa học, 29(1), 1–24.  doi:10.1093/bjps/29.1.1 

Quintana, D.S., Williams, D.R. Các giải pháp thay thế Bayesian cho các bài kiểm tra ý nghĩa giả thuyết vô hiệu phổ biến trong tâm thần học: hướng dẫn phi kỹ thuật sử dụng JASP. Tâm thần học BMC 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm và Anderson, giá trị P chỉ là một chỉ số chứng cứ: 20- so với Khoa học thống kê thế kỷ 21. Sinh thái học (2014), https://doi.org/10.1890/13-1066.1