Chọn đúng kiểm định thống kê nghĩa là ghép một phương pháp duy nhất với câu hỏi nghiên cứu, với loại dữ liệu và với thiết kế nghiên cứu của bạn, làm việc đó trước khi chạy bất kỳ phân tích nào.
Chọn đúng kiểm định thống kê nghĩa là ghép một phương pháp duy nhất với câu hỏi nghiên cứu, với loại dữ liệu và với thiết kế nghiên cứu của bạn, làm việc đó trước khi chạy bất kỳ phân tích nào. Chọn kiểm định sau khi đã nhìn thấy kết quả, hoặc bắt chước bất kỳ thứ gì một bài tương tự đã dùng, là một trong những cách nhanh nhất khiến nhà nghiên cứu Việt Nam mất uy tín trước người phản biện Q1, bởi họ đọc phần phương pháp trước tiên.
Cẩm nang này trả lời bảy câu hỏi mà nhà nghiên cứu và học viên Việt Nam hay hỏi cố vấn công bố của MAAS nhất khi tới chặng phân tích của một nghiên cứu nhắm Scopus.
Tác giả: Ban biên tập MAAS · Rà soát bởi một cố vấn trưởng Cố vấn Công bố (Tiến sĩ Thống kê sinh học, tác giả và phản biện Scopus Q1)
Last updated: 2026-08-13
Category: research-methods
"Chọn đúng kiểm định thống kê" thật ra nghĩa là gì?
Trả lời trực tiếp: Nó nghĩa là chọn đúng một kiểm định có các giả định khớp với dữ liệu của bạn và có lô-gic trả lời được câu hỏi nghiên cứu của bạn, và việc chọn đó phải định trước khi thu thập hay phân tích dữ liệu chứ không phải sau. Lựa chọn này chảy ra từ ba thứ, gồm câu hỏi bạn đang đặt, loại biến của bạn, và thiết kế đã sinh ra những con số đó.
Bằng chứng: Hướng dẫn dành cho tác giả ngành y sinh nhấn mạnh rằng kiểm định phải suy ra từ giả thuyết và từ cấu trúc dữ liệu, và cách tiếp cận thống kê nên được nêu trước chứ không phải chọn cho vừa kết quả (Marusteri và Bacarea, 2010). Bộ hướng dẫn SAMPL về báo cáo thống kê trong tạp chí y sinh, do Lang và Altman xây dựng, yêu cầu tác giả nêu rõ mục đích của từng kiểm định cùng các giả định đứng sau nó (Lang và Altman, 2015).
Ví dụ: Một tác giả Việt Nam lần đầu công bố tìm tới cố vấn MAAS với kết quả đã chạy sẵn, rồi hỏi kiểm định nào "trông đẹp nhất". Cố vấn kéo ngược lại về câu hỏi nghiên cứu và thiết kế dữ liệu trước, sau đó ghép đúng một kiểm định phù hợp, qua đó biến một cuộc dò tìm may rủi thành một kế hoạch phân tích bảo vệ được và người phản biện tin được.
Phân loại dữ liệu và thiết kế trước khi chọn kiểm định thế nào?
Trả lời trực tiếp: Trước bất kỳ kiểm định nào, hãy trả lời bốn câu hỏi. Biến của bạn thuộc loại nào, danh nghĩa, thứ bậc hay liên tục? Bạn đang so bao nhiêu nhóm? Các nhóm đó độc lập hay bắt cặp? Và bạn đang so sự khác biệt hay đang đo mối liên hệ? Bốn câu trả lời đó chỉ tới một nhóm nhỏ các kiểm định ứng viên.
Bằng chứng: Các bộ phận tư vấn thống kê của các trường đại học đều đóng khung việc chọn kiểm định quanh loại biến, số nhóm hoặc số mức, và việc mẫu bắt cặp hay độc lập (University of York, không ghi năm; UCLA Statistical Consulting Group, không ghi năm). Chọn kiểm định bắt cặp khi mẫu vốn độc lập, hoặc ngược lại, là một lỗi phổ biến mà lẽ ra tránh được (Marusteri và Bacarea, 2010).
| Bạn đang so cái gì | Loại dữ liệu | Kiểm định tham số thường dùng | Lựa chọn phi tham số |
|---|---|---|---|
| Hai nhóm độc lập | Liên tục | Kiểm định t độc lập | Mann–Whitney U |
| Hai lần đo bắt cặp | Liên tục | Kiểm định t bắt cặp | Wilcoxon signed-rank |
| Từ ba nhóm trở lên | Liên tục | ANOVA một chiều | Kruskal–Wallis |
| Liên hệ giữa hai biến liên tục | Liên tục | Tương quan Pearson | Tương quan Spearman |
| Liên hệ giữa các biến phân loại | Danh nghĩa | — | Chi bình phương hoặc Fisher chính xác |
Ví dụ: Một học viên được MAAS đồng hành nghiên cứu một can thiệp đo trước và sau, và đã định dùng kiểm định t độc lập. Cố vấn chỉ ra rằng vì cùng những người đó được đo hai lần nên kiểm định bắt cặp mới đúng, và chỉ một lần phân loại lại ấy đã đổi cả phân tích lẫn kết quả báo cáo.
Khi nào dùng kiểm định tham số, khi nào dùng phi tham số?
Trả lời trực tiếp: Hãy dùng kiểm định tham số khi dữ liệu liên tục của bạn đáp ứng hợp lý các giả định của nó, chủ yếu là gần chuẩn và phương sai bằng nhau, bởi kiểm định tham số mạnh hơn khi các điều kiện đó thoả. Hãy chuyển sang lựa chọn phi tham số khi dữ liệu thuộc loại thứ bậc, khi phân phối lệch nặng, khi có giá trị ngoại lai cực đoan, hoặc khi mẫu rất nhỏ.
Bằng chứng: Khi các giả định được thoả, kiểm định tham số nhìn chung mạnh hơn và có khả năng phát hiện một hiệu ứng thật cao hơn. Tuy nhiên với mẫu lớn hơn, Định lý giới hạn trung tâm cho phép kiểm định tham số vẫn chạy tốt ngay cả khi dữ liệu nền không chuẩn hoàn hảo, nên cỡ mẫu cũng là một phần của quyết định chứ không chỉ có biểu đồ phân phối (Marusteri và Bacarea, 2010).
Ví dụ: Một nhà nghiên cứu Việt Nam có mẫu thử nghiệm 14 người vẫn khăng khăng dùng kiểm định t vì "ai cũng dùng". Cố vấn MAAS giải thích rằng ở cỡ mẫu đó, lại kèm độ lệch nhìn thấy được, thì kiểm định Mann–Whitney U là lựa chọn an toàn và trung thực hơn, và người phản biện sẽ tôn trọng sự thận trọng ấy chứ không trừ điểm.
Kiểm các giả định mà một kiểm định đòi hỏi bằng cách nào?
Trả lời trực tiếp: Mọi kiểm định tham số đều mang theo những giả định mà bạn phải kiểm và phải báo cáo, gồm tính độc lập của các quan sát, tính gần chuẩn, thường là của phần dư chứ không phải của dữ liệu thô, và tính đồng nhất phương sai giữa các nhóm. Hãy nhìn phân phối bằng mắt, dùng kiểm định hình thức ở nơi phù hợp, và quyết định trước rằng bạn sẽ làm gì nếu một giả định không thoả.
Bằng chứng: Nghiên cứu về việc triển khai SAMPL cho thấy phần phân tích các giả định cần thiết cho một kiểm định, cùng việc cân nhắc ảnh hưởng của giá trị ngoại lai, nằm trong nhóm nội dung hay bị thiếu nhất ở phần thống kê đã công bố, và phần kiểm giả định vắng mặt ở một tỷ lệ lớn các bài được rà soát (Ordak, 2025). Người phản biện ngày càng mong đợi những phần kiểm này được nêu rõ ràng.
Ví dụ: Một khách hàng Cố vấn Công bố của MAAS đã chạy ANOVA mà không nhắc tới bất kỳ phần kiểm giả định nào. Trong lượt rà ở chặng Bản hoàn thiện, cố vấn bổ sung phần kiểm tính chuẩn và phương sai, ghi nhận một vi phạm nhẹ, rồi nêu tính bền vững của kiểm định đã chọn, và một đoạn ngắn như vậy đã chặn trước một câu hỏi hiển nhiên từ người phản biện.
Vì sao chỉ đưa giá trị p thì trượt ở người phản biện Q1, và nên báo cáo thêm gì?
Trả lời trực tiếp: Giá trị p chỉ cho bạn biết dữ liệu tương thích tới đâu với một giả thuyết không, nó không đo độ lớn hay tầm quan trọng của một hiệu ứng. Người phản biện Q1 mong đợi có kích thước hiệu ứng và khoảng tin cậy đi kèm giá trị p, để người đọc phán được ý nghĩa thực tiễn chứ không chỉ ý nghĩa thống kê.
Bằng chứng: Tuyên bố năm 2016 của Hiệp hội Thống kê Hoa Kỳ về giá trị p cảnh báo rằng ý nghĩa thống kê tự thân không nên dẫn dắt kết luận khoa học, và giá trị p đang bị dùng sai rộng rãi (Wasserstein và Lazar, 2016). Việc báo cáo kích thước hiệu ứng kèm khoảng tin cậy truyền đạt được cả độ mạnh của bằng chứng lẫn độ chính xác của ước lượng, hai thứ mà một giá trị p trần trụi không nói được (Lakens, 2013).
Ví dụ: Một tác giả Việt Nam báo cáo một chuỗi kết quả "p < 0,05" mà không có kích thước hiệu ứng nào. Cố vấn MAAS giúp chị bổ sung kích thước hiệu ứng và khoảng tin cậy 95% xuyên suốt, rồi đóng khung lại phần bàn luận quanh việc mỗi hiệu ứng lớn tới đâu và chính xác tới đâu, đúng lăng kính mà một người phản biện Q1 áp vào.
Lỗi thống kê nào làm bài bị từ chối ở Q1?
Trả lời trực tiếp: Những nguyên nhân lặp lại gồm chọn kiểm định sau khi đã nhìn dữ liệu, lẫn lộn giữa thiết kế bắt cặp và độc lập, bỏ qua phần kiểm giả định, chạy nhiều phép so sánh mà không hiệu chỉnh, báo cáo lực thống kê tính sau, và mô tả phương pháp mơ hồ tới mức không lặp lại được. Mỗi lỗi đó đều báo cho người phản biện rằng phân tích có thể không đáng tin.
Bằng chứng: Phép tính lực thống kê sau khi nghiên cứu đã kết thúc không có giá trị, bởi việc biện giải cỡ mẫu phải làm trước (Hickey và cộng sự, 2018). Hướng dẫn SAMPL yêu cầu nêu rõ mục đích của từng kiểm định, các giả định của nó, và kích thước hiệu ứng, mà thiếu sót ở đúng những chỗ này lại là thứ bị nêu nhiều nhất (Ordak, 2025).
| Lỗi | Vì sao người phản biện loại bài | Cách sửa |
|---|---|---|
| Chọn kiểm định sau khi thấy kết quả | Trông như đang dò tìm giá trị p | Nêu trước kế hoạch phân tích |
| Lẫn bắt cặp với độc lập | Sai kiểm định, sai giá trị p | Phân loại thiết kế trước tiên |
| Không báo cáo phần kiểm giả định | Kết quả có thể vô hiệu | Nêu và ghi lại từng phần kiểm |
| So sánh nhiều lần mà không hiệu chỉnh | Thổi phồng tỷ lệ dương tính giả | Hiệu chỉnh, hoặc đăng ký trước kết cục chính |
| Lấy lực thống kê tính sau làm biện giải | Vô nghĩa về mặt thống kê | Dùng phép tính lực thống kê định trước |
Ví dụ: Bản thảo của một khách hàng MAAS chạy mười hai phép so sánh không hiệu chỉnh và biện giải cỡ mẫu bằng lực thống kê tính sau. Cố vấn chỉ ra cả hai trước khi nộp, giúp chị xác định một kết cục chính duy nhất cùng một lý lẽ định trước, và phần phương pháp sau khi sửa đọc lên có kỷ luật hơn hẳn.
Nhà nghiên cứu Việt Nam làm sao để phần thống kê được đúng?
Trả lời trực tiếp: Hãy quyết định cách phân tích trước khi thu thập dữ liệu, viết một bản kế hoạch phân tích thống kê ngắn, và dùng một bảng kiểm báo cáo như SAMPL trong lúc viết phần phương pháp. Sau đó hãy lấy phản hồi phát triển từ một người cố vấn đã từng phản biện các bài định lượng, để vấn đề lộ ra trước khi nộp chứ không phải trong một bản nhận xét của người phản biện.
Bằng chứng: Chiến lược nghiên cứu quốc gia của Việt Nam đặt mục tiêu tăng 15 tới 20% mỗi năm sản lượng công bố thuộc WoS, Scopus và Q1, và phần thống kê được báo cáo tử tế là một cách rẻ để đưa một bản thảo vượt lên trên ngưỡng bị từ chối. Bám theo hướng dẫn báo cáo đã được thiết lập cải thiện rõ rệt cách người phản biện tiếp nhận bài (Lang và Altman, 2015).
Ví dụ: Một cố vấn MAAS đồng hành cùng một học viên sau đại học người Việt qua mô hình Đề cương, Bản nháp, Bản hoàn thiện, gồm một đề cương chốt kế hoạch phân tích và các kiểm định đã chọn, một bản nháp ghi lại các giả định cùng kích thước hiệu ứng, và một lượt hoàn thiện về ngôn ngữ cùng cách báo cáo đối chiếu SAMPL. Học viên vẫn là tác giả xuyên suốt, còn cố vấn tư vấn ở từng chặng chứ không chạy phân tích thay chị.
Câu hỏi thường gặp
Tôi có cần kiểm tính chuẩn trước mọi phân tích không?
Hãy kiểm tính chuẩn mỗi khi bạn định dùng kiểm định tham số, nhưng diễn giải cho hợp lý. Với mẫu nhỏ, các kiểm định tính chuẩn hình thức có lực yếu, còn với mẫu lớn thì chúng lại báo động cả những sai lệch không đáng kể. Hãy kết hợp việc nhìn phân phối bằng mắt với kiểm định hình thức cùng hiểu biết của bạn về dữ liệu, rồi mới quyết định.
Mẫu nhỏ thì nên dùng kiểm định tham số hay phi tham số?
Với mẫu rất nhỏ kèm độ lệch hoặc giá trị ngoại lai, kiểm định phi tham số thường là lựa chọn an toàn hơn vì nó đặt ít giả định hơn. Nếu mẫu nhỏ mà gần chuẩn thì kiểm định tham số vẫn có thể phù hợp, nhưng hãy báo cáo giới hạn đó một cách trung thực thay vì giấu đi.
Nên báo cáo giá trị p chính xác hay chỉ ghi "p < 0,05"?
Hãy báo cáo giá trị p chính xác, chẳng hạn p = 0,03, thay vì chỉ ghi một ngưỡng, và luôn đi kèm kích thước hiệu ứng cùng khoảng tin cậy. Chỉ đưa ngưỡng sẽ giấu mất bằng chứng thật ra mạnh hay yếu tới đâu, và người phản biện ngày càng trừ điểm việc này.
Tôi có thật sự cần tính cỡ mẫu định trước không?
Với phần lớn nghiên cứu định lượng nhắm Q1 thì có. Một phép tính định trước dựa trên kích thước hiệu ứng kỳ vọng, mức ý nghĩa bạn chọn và lực thống kê mục tiêu sẽ biện giải cỡ mẫu của bạn trước khi thu dữ liệu. Lực thống kê tính sau khi nghiên cứu đã xong không có giá trị thống kê.
Nên dùng phần mềm nào cho thống kê Q1?
SPSS, R và Stata đều được chấp nhận ở tạp chí Q1, và điều quan trọng là kiểm định phải đúng, các giả định phải được kiểm, và quy trình phải báo cáo đủ rõ để lặp lại được. Hãy nêu tên phần mềm và phiên bản trong phần phương pháp.
MAAS có giúp tôi chọn và báo cáo đúng kiểm định thống kê không?
Có. Cố vấn Công bố của MAAS đồng hành cùng nhà nghiên cứu Việt Nam qua khâu lập kế hoạch phân tích, chọn kiểm định, kiểm giả định và báo cáo thống kê theo mô hình Đề cương, Bản nháp, Bản hoàn thiện, kèm phản hồi từ các cố vấn trình độ tiến sĩ. Bạn có thể đặt lịch tư vấn qua trang liên hệ của chúng tôi.
Sẵn sàng đưa phần thống kê của bạn đạt chuẩn Q1?
Kiểm định thống kê đúng được quyết định trước khi phân tích chứ không phải sau, và việc làm đúng dễ hơn nhiều khi có một người cố vấn đã từng thẩm định các bài định lượng từ phía người phản biện. Cố vấn Công bố của MAAS ghép bạn với một cố vấn trình độ tiến sĩ, trong đó 23% chuyên gia của chúng tôi có bằng tiến sĩ, cho một buổi tư vấn 20 phút miễn phí, ghép đúng người trong vòng 48 giờ, và bảo chứng mọi lần đồng hành bằng cam kết ba bậc Pass, Merit, Distinction cùng bảo hành 90 ngày sau khi nộp. Chúng tôi đồng hành, còn bạn vẫn là tác giả ở từng bước.
Đặt lịch tư vấn Cố vấn Công bố cùng MAAS →
Bài liên quan
- Nhà nghiên cứu Việt Nam công bố trên tạp chí Scopus Q1 và Q2 bằng cách nào?: hành trình công bố mà phần thống kê này nằm bên trong
- Vì sao mô hình Đề cương, Bản nháp, Bản hoàn thiện hiệu quả với việc công bố Scopus Q1?: chặng Đề cương chốt kế hoạch phân tích
- Làm sao chọn đúng tạp chí Scopus cho bài của bạn?: tìm đúng nơi đăng khi phân tích đã vững
- Trả lời nhận xét của người phản biện cho bài nộp tạp chí Scopus thế nào?: xử lý nhận xét về phần thống kê
- Dịch vụ Cố vấn Công bố: các bậc dịch vụ cho phần hỗ trợ Scopus Q1 và Q2
- Dịch vụ Dữ liệu và Lập trình: hỗ trợ phân tích thống kê trên SPSS, R và Python
References
- Hickey, G. L. Grant, S. W. Dunning, J. & Siepe, M. (2018). Statistical primer: Sample size and power calculations—why, when and how? European Journal of Cardio-Thoracic Surgery, 54(1), 4–9. https://doi.org/10.1093/ejcts/ezy169
- Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, Article 863. https://doi.org/10.3389/fpsyg.2013.00863
- Lang, T. A. & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The "Statistical Analyses and Methods in the Published Literature" or the SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
- Marusteri, M. & Bacarea, V. (2010). Comparing groups for statistical differences: How to choose the right statistical test? Biochemia Medica, 20(1), 15–32. https://doi.org/10.11613/BM.2010.004
- Ordak, M. (2025). Implementation of SAMPL guidelines: Recommendations for improving statistical reporting in biomedical journals. Clinical Medicine, 25(3), Article 100304. https://doi.org/10.1016/j.clinme.2025.100304
- UCLA Statistical Consulting Group. (n.d.). Choosing the correct statistical test. Retrieved June 8, 2026, from https://stats.oarc.ucla.edu/other/mult-pkg/whatstat/
- University of York. (n.d.). Which statistical test? Maths Skills Centre. Retrieved June 8, 2026, from https://subjectguides.york.ac.uk/maths-skills-centre/which-statistical-test
- Wasserstein, R. L. & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Bài viết này thuộc chuỗi MAAS Journal dành cho nghiên cứu sinh và nhà nghiên cứu Việt Nam đang học tập ở nước ngoài. Cố vấn Công bố của MAAS là một đối tác cố vấn, chúng tôi đồng hành cùng tác giả theo mô hình Đề cương, Bản nháp, Bản hoàn thiện với phản hồi phát triển từ các cố vấn trình độ tiến sĩ đã công bố trên Scopus. Chúng tôi không viết, không nộp bài, và không bảo đảm bài được chấp nhận thay cho tác giả.