Báo cáo effect size và confidence interval nghĩa là cho thấy kết quả của bạn lớn tới đâu và chính xác tới đâu, chứ không chỉ cho thấy nó có vượt được một ngưỡng p-value hay không. Với nhà nghiên cứu Việt Nam đang chuẩn bị bài nộp Q1 hoặc Q2 đầu tiên, thói quen này thường là thứ tách một bản thảo đọc lên có độ chín về thống kê khỏi một bản thảo nhận về lời phê "hãy sửa lại cách báo cáo".
Effect size và confidence interval là ngôn ngữ mà người phản biện của tạp chí quốc tế hiện chờ đợi. Cẩm nang này trả lời bảy câu hỏi mà nhà nghiên cứu Việt Nam hay hỏi cố vấn công bố của MAAS nhất khi chuyển từ lối viết chỉ dựa vào p-value sang một phần kết quả báo cáo được.
Tác giả: Ban biên tập MAAS · Hiệu đính bởi mentor chuyên môn của MAAS
Cập nhật lần cuối: 2026-07-07
Chuyên mục: research-methods
Báo cáo một effect size và một confidence interval nghĩa là gì?
Trả lời trực tiếp: Effect size là con số diễn đạt độ lớn của kết quả, tức một khác biệt lớn tới đâu hay một liên hệ mạnh tới đâu, trên một thang đã chuẩn hoá hoặc có ý nghĩa. Confidence interval, viết tắt CI, cho khoảng giá trị hợp lý của hiệu ứng đó. Cùng nhau, chúng trả lời bao nhiêu và chắc tới đâu, còn p-value chỉ trả lời liệu hiệu ứng có khó lòng bằng không.
Bằng chứng: Sullivan và Feinn (2012) lập luận rằng một p-value chỉ cho bạn biết một hiệu ứng có tồn tại hay không chứ không cho biết nó lớn bao nhiêu, và rằng effect size chính là "main finding of a quantitative study", tức phát hiện chính của một nghiên cứu định lượng. Nakagawa và Cuthill (2007) cho thấy việc ghép một effect size với confidence interval của nó truyền đạt được cả độ lớn lẫn mức chính xác trong cùng một phát biểu, điều mà một kiểm định ý nghĩa không làm được.
Ví dụ: Một khách hàng ngành điều dưỡng dùng dịch vụ Cố vấn Công bố của MAAS chỉ báo cáo rằng nhóm can thiệp cải thiện có ý nghĩa thống kê với p = 0,02. Cố vấn giúp chị diễn đạt lại thành một khác biệt trung bình 4,1 điểm, 95% CI [0,8 đến 7,4], Cohen's d = 0,52, để người phản biện nhìn thấy hiệu ứng ở mức trung bình và được ước lượng kèm một mức bất định thật.
Vì sao chỉ một p-value là chưa đủ?
Trả lời trực tiếp: Một p-value phụ thuộc nhiều vào cỡ mẫu, nên một hiệu ứng nhỏ nhặt vẫn có thể có ý nghĩa thống kê trong một nghiên cứu lớn, còn một hiệu ứng quan trọng lại không đạt ý nghĩa trong một nghiên cứu nhỏ. Báo cáo effect size cùng CI tách tầm quan trọng thực tiễn ra khỏi cỡ mẫu, đúng điều mà biên tập viên và người phản biện hiện chờ bạn chứng minh.
Bằng chứng: Tuyên bố chính thức của American Statistical Association cảnh báo rằng một p-value không đo độ lớn của một hiệu ứng, và rằng "Scientific conclusions and business or policy decisions should not be based only on whether a p-value passes a specific threshold" (Wasserstein & Lazar, 2016, p. 131), nghĩa là không nên đặt kết luận khoa học hay quyết định chính sách chỉ trên việc một p-value có vượt một ngưỡng cụ thể hay không. Cumming (2014) đưa ra cùng lập luận dưới tên gọi thống kê mới, thúc giục tác giả báo cáo ước lượng và khoảng thay vì dựa vào phán quyết có hay không có ý nghĩa.
Ví dụ: Một nghiên cứu sinh người Việt ngành giáo dục có một bộ dữ liệu khảo sát trong đó gần như mọi tương quan đều có ý nghĩa thống kê. Cố vấn MAAS chỉ cho chị thấy nhiều tương quan có giá trị r quanh 0,08, có ý nghĩa nhưng trên thực tế không đáng kể. Việc báo cáo effect size cho phép chị đẩy lên trước ba mối liên hệ thật sự quan trọng, và người phản biện khen sự tiết chế đó.
Nên báo cáo effect size nào cho kiểm định thống kê của bạn?
Trả lời trực tiếp: Hãy ghép effect size với phép phân tích của bạn, dùng khác biệt trung bình đã chuẩn hoá cho so sánh nhóm, các thước thuộc họ tương quan cho liên hệ, và các thước phần phương sai giải thích được cho mô hình. Hãy báo cáo effect size mà lĩnh vực của tạp chí bạn nhắm tới dùng nhiều nhất, và nói rõ bạn đã chọn thước nào để người đọc diễn giải cho đúng.
Bằng chứng: Lakens (2013) cung cấp một cẩm nang thực hành ánh xạ các kiểm định t và ANOVA sang Cohen's d và eta bình phương, đồng thời nhấn mạnh phải nêu rõ ước lượng cụ thể đã dùng. Khung gốc của Cohen (1988) tới nay vẫn là điểm quy chiếu cho các họ thước đã chuẩn hoá vẫn được trích dẫn khắp các ngành.
Ví dụ: Một nhà nghiên cứu ngành quản trị được MAAS đồng hành chỉ báo cáo các hệ số beta từ một mô hình hồi quy. Cố vấn bổ sung R² cho mô hình và beta đã chuẩn hoá cho từng biến dự báo, để bài truyền đạt được cả sức giải thích tổng thể lẫn trọng số tương đối của từng biến, đúng độ sâu mà tạp chí Q2 chị nhắm tới chờ đợi.
Bảng dưới đây ánh xạ các phép phân tích thường gặp sang effect size mà phần lớn người phản biện chờ đợi.
| Phép phân tích của bạn | Effect size thường dùng | Nó diễn đạt điều gì |
|---|---|---|
| So sánh hai nhóm (kiểm định t) | Cohen's d hoặc Hedges' g | Khác biệt đã chuẩn hoá giữa hai trung bình |
| So sánh từ 3 nhóm trở lên (ANOVA) | Eta bình phương (η²) hoặc omega bình phương (ω²) | Tỷ lệ phương sai do nhân tố đó giải thích |
| Tương quan giữa hai biến | Pearson r hoặc Spearman ρ | Độ mạnh và chiều của một mối liên hệ |
| Mô hình hồi quy | R² và β đã chuẩn hoá | Phần phương sai giải thích được, trọng số từng biến dự báo |
| Kết cục phân loại dạng 2×2 | Tỷ số odds hoặc tỷ số nguy cơ | Khả năng tương đối xảy ra một kết cục |
| So sánh nhóm phi tham số | Rank-biserial r hoặc Cliff's delta | Khác biệt đã chuẩn hoá mà không cần giả định chuẩn |
Báo cáo một confidence interval cho đúng bằng cách nào?
Trả lời trực tiếp: Hãy nêu mức tin cậy, thường là 95%, đưa ước lượng điểm trước rồi tới khoảng trong ngoặc vuông, ví dụ d = 0,52, 95% CI [0,14 đến 0,90]. Hãy đọc độ rộng như mức chính xác, khoảng hẹp nghĩa là hiệu ứng được ước lượng tốt, khoảng rộng nghĩa là nghiên cứu chưa ghim được nó. Đừng bao giờ mô tả một CI là xác suất giá trị thật nằm bên trong.
Bằng chứng: Nakagawa và Cuthill (2007) khuyến nghị báo cáo confidence interval cho mọi hiệu ứng then chốt và đọc độ rộng của chúng như mức chính xác của nghiên cứu. Cumming (2014) cho thấy các khoảng phủ qua giá trị không truyền đạt cùng một thông tin như một kiểm định không có ý nghĩa, nhưng kèm theo nhiều sắc thái hơn hẳn về các độ lớn hiệu ứng còn hợp lý.
Ví dụ: Một cố vấn MAAS đọc lại một bản thảo tâm lý học báo cáo d = 0,6 mà không có khoảng nào. Việc bổ sung 95% CI [−0,05 đến 1,25] làm câu chuyện đổi hẳn, vì khoảng rộng cắt qua giá trị không cho thấy nghiên cứu thiếu lực thống kê, nên tác giả đóng khung lại kết quả như một phát hiện sơ bộ thay vì một phát hiện khẳng định.
Nếu chính phần phân tích đứng sau những con số này mới là chỗ bạn chưa chắc tay, Dịch vụ Dữ liệu và Lập trình đồng hành cùng bạn qua khâu thiết kế phương pháp, phần mềm, và cách diễn giải, để bạn bảo vệ được mọi con số mình báo cáo.
Diễn giải độ lớn của effect size ra sao mà không lạm dụng mốc của Cohen?
Trả lời trực tiếp: Nhãn của Cohen, đại khái 0,2 nhỏ, 0,5 trung bình, 0,8 lớn với d, là điểm khởi đầu, không phải phán quyết. Hãy đọc độ lớn dựa trên hiệu ứng thường thấy trong lĩnh vực của bạn và mức hệ trọng thực tế của kết cục. Một d nhỏ vẫn quan trọng trong can thiệp lâm sàng hay giáo dục, còn d lớn thành tầm thường nếu kết cục ít đáng kể.
Bằng chứng: Chính Cohen (1988) chủ ý coi các ngưỡng ấy là quy ước, chỉ dùng khi chưa có mốc quy chiếu riêng của từng lĩnh vực. Sullivan và Feinn (2012) cảnh báo rằng việc dán nhãn máy móc gây hiểu lầm cho người đọc, và thúc giục tác giả diễn giải hiệu ứng trong bối cảnh các nghiên cứu đi trước cùng mức liên quan tới thực tế.
Ví dụ: Một nhà nghiên cứu y tế công cộng người Việt tìm ra d bằng 0,3 cho một biện pháp nhắc nhở thay đổi hành vi chi phí thấp, và lo rằng nó "quá nhỏ để đăng". Cố vấn MAAS đối chiếu nó với các thử nghiệm tương đương, nơi các hiệu ứng từ 0,2 đến 0,3 là mức thường gặp và được coi trọng vì can thiệp rẻ và dễ nhân rộng. Đóng khung theo cách đó, hiệu ứng khiêm tốn trở thành điểm bán của bài.
Trong một bài Q1, effect size và confidence interval nằm ở đâu?
Trả lời trực tiếp: Hãy đặt effect size chính cùng CI vào phần tóm tắt, nhắc lại chúng cho mọi so sánh then chốt ở phần kết quả, và dẫn lại khi bạn cân tầm quan trọng thực tiễn ở phần thảo luận. Hãy giữ thống kê thô đi kèm, gồm trị số kiểm định, bậc tự do và p chính xác, để người đọc thấy cả mức ý nghĩa lẫn độ lớn thay vì phải chọn một.
Bằng chứng: Bộ hướng dẫn SAMPL yêu cầu tác giả báo cáo độ lớn của các hiệu ứng kèm confidence interval, và đưa giá trị p chính xác thay vì các ngưỡng (Lang & Altman, 2015). Mở đầu phần tóm tắt bằng ước lượng và khoảng làm cho phát hiện chủ đạo của bài trở thành một độ lớn, chứ không phải một phán quyết.
Ví dụ: Phần tóm tắt của một khách hàng dùng dịch vụ Cố vấn Công bố của MAAS ban đầu chỉ nói rằng các khác biệt có ý nghĩa thống kê. Cố vấn viết lại câu then chốt thành chương trình nâng điểm số thêm 4,1 điểm, 95% CI [0,8 đến 7,4], d = 0,52. Được nhân đối xứng sang phần kết quả và phần thảo luận, thay đổi đó khiến một người phản biện gọi cách báo cáo là minh bạch đáng khen.
Người phản biện hay bắt lỗi nào nhất khi báo cáo effect size?
Trả lời trực tiếp: Các lỗi thường gặp là báo cáo mức ý nghĩa mà không có effect size, đưa effect size mà thiếu confidence interval, trộn lẫn những thước không tương thích trong cùng một bài, coi nhãn của Cohen như một phát hiện, và làm tròn khoảng tin cậy mạnh tay tới mức mất nghĩa. Mỗi lỗi đều rẻ để sửa trước khi nộp và đắt để sửa sau khi người phản biện bắt được.
Bằng chứng: Lang và Altman (2015) xếp việc bỏ sót độ lớn hiệu ứng và bỏ sót confidence interval vào nhóm những thất bại phổ biến nhất khi báo cáo thống kê trên các tạp chí y sinh. Wasserstein và Lazar (2016) chỉ đích danh việc lệ thuộc quá mức vào ngưỡng 0,05 thay cho lối ước lượng như một vấn đề lặp đi lặp lại.
Ví dụ: Một cố vấn MAAS đồng hành cùng một học viên cao học người Việt qua một vòng rà thống kê theo mô hình Đề cương, Bản nháp, Bản hoàn thiện, khi bản đề cương cố định effect size nào đi với giả thuyết nào, bản nháp bổ sung mọi confidence interval, và lượt cuối chuẩn hoá định dạng xuyên suốt phần tóm tắt, bảng biểu và thân bài. Học viên vẫn là tác giả suốt quá trình, còn cố vấn tư vấn chứ không chạy phân tích thay.
Câu hỏi thường gặp
Tôi có cần báo cáo effect size cho mọi kiểm định thống kê không?
Hãy báo cáo effect size cho mọi kết quả mà bạn diễn giải như một phát hiện, gồm từng so sánh then chốt, từng tương quan, từng mô hình. Bạn không cần effect size cho các kiểm tra thuần mô tả như kiểm định phân phối chuẩn, nhưng bất kỳ kết quả nào bạn đem ra bàn như bằng chứng đều nên mang theo một độ lớn và, ở đâu có thể, một confidence interval.
Tôi nên dùng mức tin cậy nào, 95% hay 99%?
Hãy dùng 95% trừ khi lĩnh vực hoặc tạp chí của bạn quy định khác, vì đây gần như là mặc định phổ quát và cho phép người phản biện so khoảng của bạn với tài liệu rộng hơn. Một mức cao hơn như 99% sẽ cho khoảng rộng hơn, nên chỉ đổi khi bạn có lý do đã nêu rõ, và lần nào cũng ghi mức tin cậy ra.
Tôi có thể báo cáo confidence interval thay cho p-value không?
Bạn có thể, và nhiều nhà thống kê khuyến khích đặt khoảng lên trước, nhưng phần lớn tạp chí vẫn chờ giá trị p chính xác đi kèm ước lượng. Cách an toàn nhất là báo cáo effect size, confidence interval của nó, và giá trị p chính xác cùng nhau, để mức ý nghĩa và độ lớn cùng nhìn thấy được trên một dòng.
Làm sao lấy effect size và confidence interval ra từ phần mềm của tôi?
SPSS, R, Stata và JASP đều xuất được effect size cùng các khoảng, đôi khi dưới dạng một tuỳ chọn bạn phải bật lên. Trong R, các gói thuộc họ effect size trả về các thước đã chuẩn hoá kèm khoảng, còn các phiên bản SPSS gần đây in chúng ngay trong kết quả. Hãy nêu tên và phiên bản phần mềm trong phần phương pháp.
Một effect size có còn ý nghĩa không nếu kết quả của tôi không có ý nghĩa thống kê?
Có. Một kết quả không có ý nghĩa thống kê vẫn có một effect size ước lượng được và một confidence interval, và báo cáo chúng thì trung thực hơn là nói rằng không có hiệu ứng. Một khoảng rộng cắt qua giá trị không nói với người đọc rằng nghiên cứu của bạn chưa phân giải được hiệu ứng, và đó là thông tin hữu ích cho phân tích gộp về sau.
MAAS có giúp tôi báo cáo effect size và confidence interval cho bài Scopus không?
Có. Cố vấn Công bố của MAAS đồng hành cùng nhà nghiên cứu Việt Nam qua khâu lập kế hoạch phân tích, chọn effect size, báo cáo confidence interval, và viết phần kết quả theo mô hình đi từng chặng, với phản hồi phát triển 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 lên chuẩn Q1?
Effect size và confidence interval được quyết định ngay lúc bạn lập kế hoạch phân tích chứ không phải lắp thêm vào lúc cuối, và làm đúng chúng dễ hơn nhiều khi có một người cố vấn đã từng phán bài 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 khi mạng lưới đã phủ lĩnh vực đó, hoặc khoảng hai tuần nếu MAAS phải mở một đợt tuyển riêng, rồi cùng bạn đặt mục tiêu điểm ba bậc Pass, Merit hoặc Distinction ngay từ đầu cùng 45 ngày hỗ trợ theo dõi sau khi nộp bài. 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
- Chọn đúng kiểm định thống kê cho một bài Q1 bằng cách nào?: chọn phép phân tích trước khi báo cáo effect size của nó
- Nên theo bộ hướng dẫn báo cáo nào cho một bài nghiên cứu?: những bảng kiểm đòi phải có effect size
- Dịch vụ Cố vấn Công bố: các bậc dịch vụ đầy đủ 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
- Trang tài nguyên công bố Scopus: lộ trình đầy đủ từ khâu phân tích tới khi bài được nhận
- Gặp gỡ đội ngũ chuyên gia MAAS: những cố vấn trình độ tiến sĩ đứng sau phần cố vấn công bố
References
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
- Cumming, G. (2014). The new statistics: Why and how. Psychological Science, 25(1), 7–29. https://doi.org/10.1177/0956797613504966
- 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
- Nakagawa, S., & Cuthill, I. C. (2007). Effect size, confidence interval and statistical significance: A practical guide for biologists. Biological Reviews, 82(4), 591–605. https://doi.org/10.1111/j.1469-185X.2007.00027.x
- Sullivan, G. M., & Feinn, R. (2012). Using effect size – or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
- 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 học viên cao học 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 bàn giao đi từng chặng, 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.