Cỡ hiệu ứng là con số cho biết một khác biệt hay một mối liên hệ lớn đến mức nào, độc lập với việc nó có vượt qua ngưỡng ý nghĩa thống kê hay không. Giá trị p trả lời câu "kết quả này có dễ do may rủi không", còn cỡ hiệu ứng trả lời câu "kết quả này lớn chừng nào". Một kết quả có thể rất chắc chắn về mặt thống kê mà vẫn nhỏ đến mức không ai trong đời thực nhận ra.
Khi đọc tin "phương pháp X cải thiện điểm số một cách có ý nghĩa", câu cần hỏi tiếp là cải thiện bao nhiêu. Bài này giải thích các loại cỡ hiệu ứng hay gặp nhất trong bài báo, cách đọc chúng mà không cần tính toán phức tạp, những cái bẫy khi so sánh giữa các nghiên cứu, và cách nhờ AI quy đổi con số chuẩn hoá về đơn vị dễ hiểu. Mọi số liệu trong bài là ví dụ giả định.
Vì sao "có ý nghĩa thống kê" chưa nói gì về độ lớn
Giá trị p phụ thuộc vào hai thứ cùng lúc: độ lớn của khác biệt và cỡ mẫu. Khi cỡ mẫu tăng, sai số của ước lượng giảm, nên ngay cả những khác biệt rất nhỏ cũng trở nên "khó giải thích bằng may rủi". Ví dụ giả định: một khảo sát trên 50.000 học sinh thấy nhóm ngủ đủ tám tiếng có điểm trung bình môn Toán cao hơn nhóm còn lại 0,05 điểm trên thang 10, với p nhỏ hơn 0,001. Về mặt thống kê, kết quả rất chắc chắn. Về mặt thực tế, 0,05 điểm là mức chênh không giáo viên hay phụ huynh nào nhận ra.
Chiều ngược lại cũng xảy ra. Một dự án nhỏ của học sinh với 12 cây đậu mỗi nhóm có thể thấy nhóm được bón phân hữu cơ cao hơn trung bình 4 cm, nhưng vì mẫu nhỏ và các cây dao động nhiều, p bằng 0,15. Khác biệt có vẻ đáng kể, chỉ là chưa đủ dữ liệu để chắc chắn. Nếu chỉ nhìn p, bạn sẽ kết luận nhầm ở cả hai trường hợp: tin vào kết quả thứ nhất như một phát hiện quan trọng, và gạt bỏ kết quả thứ hai như thể không có gì.
Cỡ hiệu ứng tách được hai yếu tố này ra. Nó không thay đổi chỉ vì bạn thu thêm dữ liệu; cái thay đổi là độ chắc chắn của ước lượng, thể hiện qua khoảng tin cậy. Vì lý do đó, nhiều hướng dẫn trình bày nghiên cứu, chẳng hạn hướng dẫn của Hiệp hội Tâm lý học Hoa Kỳ, yêu cầu tác giả báo cáo cỡ hiệu ứng kèm khoảng tin cậy chứ không chỉ giá trị p.
Các loại cỡ hiệu ứng hay gặp trong bài báo
Không có một con số cỡ hiệu ứng duy nhất. Loại được dùng phụ thuộc vào kiểu câu hỏi và kiểu dữ liệu. Bảng dưới gom những loại người mới hay gặp nhất khi đọc bài báo ở các ngành giáo dục, tâm lý, y sinh và xã hội.
| Loại cỡ hiệu ứng | Dùng khi | Đọc thế nào | Ví dụ giả định |
|---|---|---|---|
| Hiệu số thô | So trung bình hai nhóm, đơn vị dễ hiểu | Chênh bao nhiêu đơn vị gốc | Nhóm A cao hơn 0,8 điểm trên thang 10 |
| Cohen d (chênh lệch chuẩn hoá) | So trung bình hai nhóm, muốn so giữa các thang đo khác nhau | Chênh lệch tính theo số độ lệch chuẩn | d bằng 0,4: chênh khoảng 0,4 độ lệch chuẩn |
| Hệ số tương quan r | Đo mức liên hệ giữa hai biến số | Từ âm 1 đến 1, càng xa 0 càng mạnh | r bằng 0,3 giữa giờ đọc sách và điểm Văn |
| Tỷ số nguy cơ, tỷ số chênh | So tỷ lệ một sự kiện giữa hai nhóm | 1 là không khác biệt, xa 1 là khác nhiều | Tỷ số nguy cơ 0,7 |
| Hiệu số tỷ lệ | So tỷ lệ, muốn biết số người thay đổi | Chênh bao nhiêu điểm phần trăm | Tỷ lệ đạt tăng 6 điểm phần trăm |
Khi đơn vị gốc dễ hiểu, chẳng hạn điểm thi, centimet, kilôgam, số ngày nghỉ học, thì hiệu số thô thường là cỡ hiệu ứng tốt nhất để đọc, vì ai cũng hình dung được. Con số chuẩn hoá như Cohen d hữu ích khi nghiên cứu dùng thang đo riêng, chẳng hạn một bảng hỏi về mức độ lo âu với thang điểm tự đặt, mà người đọc không biết một điểm trên thang đó nghĩa là gì.
Cohen d: đọc chênh lệch theo đơn vị độ lệch chuẩn
Cohen d lấy hiệu số giữa hai trung bình chia cho độ lệch chuẩn gộp của hai nhóm. Nói cách khác, nó hỏi: khoảng cách giữa hai nhóm bằng bao nhiêu lần mức dao động thông thường giữa các cá nhân? Ví dụ giả định: nhóm học sinh dùng phương pháp ôn tập mới có điểm trung bình 7,2, nhóm đối chứng 6,8, độ lệch chuẩn gộp là 1,0. Cohen d bằng 0,4 chia 1,0, tức 0,4. Hai nhóm chênh nhau bằng 0,4 lần độ lệch chuẩn.
Nhà thống kê Jacob Cohen đã đề xuất mốc tham khảo: khoảng 0,2 là nhỏ, 0,5 là trung bình, 0,8 là lớn. Mốc này được trích dẫn rất rộng rãi, nhưng chính Cohen cũng dặn chỉ dùng khi không có cơ sở nào tốt hơn. Một d bằng 0,2 có thể rất đáng giá nếu can thiệp gần như không tốn gì và áp dụng cho hàng triệu người; một d bằng 0,8 có thể không đáng nếu can thiệp đắt đỏ và khó duy trì. Trong giáo dục, nhiều người làm nghiên cứu cho rằng mốc của Cohen là quá khắt khe với các can thiệp kéo dài cả năm học, và khuyên so với các nghiên cứu cùng loại thay vì so với con số chung.
Một cách hình dung khác: với hai phân phối có dạng hình chuông giống nhau, d bằng 0,5 có nghĩa là người ở mức trung bình của nhóm cao hơn sẽ cao hơn khoảng 69% số người trong nhóm thấp hơn. Với d bằng 0,2, con số này khoảng 58%, tức chỉ hơn hẳn một chút so với tung đồng xu. Cách đọc này giúp bạn thấy một hiệu ứng "nhỏ" trên giấy trông như thế nào trong lớp học thật.
Năm cái bẫy khi so cỡ hiệu ứng giữa các nghiên cứu
Thang đo khác nhau, nhóm người khác nhau. Cohen d phụ thuộc vào độ lệch chuẩn. Một nghiên cứu làm trên học sinh một trường chuyên, nơi điểm số đồng đều, có độ lệch chuẩn nhỏ nên cùng một chênh lệch thô sẽ cho d lớn hơn so với nghiên cứu trên học sinh cả tỉnh. So d giữa hai bối cảnh khác hẳn nhau dễ dẫn đến kết luận sai.
Kết quả đo ngay sau can thiệp so với đo về lâu dài. Hiệu ứng đo một tuần sau buổi học thường lớn hơn hiệu ứng đo sau sáu tháng. Khi một bài tổng hợp gộp chung hai loại, con số trung bình có thể đẹp hơn thực tế.
Bài kiểm tra do chính người làm nghiên cứu soạn. Bài kiểm tra bám sát nội dung can thiệp thường cho cỡ hiệu ứng lớn hơn bài kiểm tra chuẩn hoá rộng. Đây không phải gian lận, nhưng là lý do không nên so trực tiếp.
Nghiên cứu nhỏ hay cho hiệu ứng lớn. Trong các tổng hợp nghiên cứu, những nghiên cứu nhỏ thường báo cáo cỡ hiệu ứng lớn hơn nghiên cứu lớn, một phần vì nghiên cứu nhỏ có kết quả kém ấn tượng dễ không được công bố. Khi thấy một d rất lớn từ mẫu vài chục người, nên dè dặt.
Không có khoảng tin cậy. Một d bằng 0,5 với khoảng tin cậy từ 0,05 đến 0,95 nói rất ít về độ lớn thật. Luôn tìm khoảng tin cậy đi kèm cỡ hiệu ứng trước khi trích dẫn.
Đọc cỡ hiệu ứng trong một bài báo: quy trình bốn bước
Khi gặp một kết quả trong phần tóm tắt hoặc phần kết quả, bạn có thể đi theo bốn bước sau để biết hiệu ứng lớn hay nhỏ, mà không cần làm lại phân tích.
- Tìm hiệu số thô trước: chênh bao nhiêu điểm, bao nhiêu centimet, bao nhiêu ngày. Nếu bài chỉ có trung bình từng nhóm, tự trừ.
- Tìm con số chuẩn hoá nếu có (Cohen d, Hedges g, r, tỷ số) và khoảng tin cậy của nó. Hedges g là phiên bản hiệu chỉnh của d cho mẫu nhỏ, đọc tương tự.
- Đặt con số vào bối cảnh: so với dao động thông thường giữa các cá nhân, với các can thiệp khác cùng loại, với chi phí và công sức cần bỏ ra.
- Viết lại bằng một câu đời thường, ví dụ: "Trung bình, học sinh dùng phương pháp mới được thêm khoảng 0,4 điểm trên thang 10, tương đương một phần nhỏ của mức chênh lệch giữa các bạn trong cùng lớp."
Nếu bài báo không cung cấp đủ số để làm bước 1 và bước 2, đó là một thông tin đáng ghi lại khi bạn đánh giá chất lượng bài. Nhiều bài trên báo chí phổ thông bỏ hẳn phần độ lớn và chỉ giữ lại câu "có tác dụng rõ rệt"; khi gặp, hãy tìm bài báo gốc trước khi chia sẻ.
Nhờ AI quy đổi cỡ hiệu ứng về ngôn ngữ đời thường
Cỡ hiệu ứng chuẩn hoá là chỗ AI giúp được nhiều, vì việc chuyển d sang các cách diễn đạt trực quan có công thức rõ ràng. Câu lệnh mẫu: "Một nghiên cứu báo cáo Cohen d bằng 0,4, khoảng tin cậy 95% từ 0,1 đến 0,7, so sánh điểm Toán của hai nhóm học sinh với độ lệch chuẩn khoảng 1,2 điểm. Hãy quy đổi d về số điểm chênh lệch, giải thích theo cách học sinh lớp 11 hiểu được, nêu rõ công thức dùng ở mỗi bước, và nhắc giới hạn của cách quy đổi này."
Sau khi AI trả lời, tự kiểm phép quy đổi đơn giản nhất: lấy d nhân độ lệch chuẩn. Với ví dụ trên, 0,4 nhân 1,2 bằng 0,48 điểm. Nếu AI đưa ra con số khác, hỏi lại từng bước. Với các phép quy đổi phức tạp hơn như tỷ lệ phần trăm chồng lấn giữa hai phân phối, yêu cầu AI nêu giả định đi kèm (thường là phân phối chuẩn, độ lệch chuẩn bằng nhau) để bạn biết con số đó đúng trong điều kiện nào.
Đừng nhờ AI "đánh giá hiệu ứng này lớn hay nhỏ" rồi chép nguyên câu trả lời. Đánh giá đó phụ thuộc lĩnh vực và bối cảnh, và AI thường chỉ lặp lại mốc 0,2 – 0,5 – 0,8 mà không xét chi phí hay so với các can thiệp cùng loại. Phần nhận định nên là của bạn, có thể nhờ giáo viên hướng dẫn góp ý.
Câu hỏi thường gặp
Cohen d có thể âm không?
Có. Dấu của d chỉ cho biết nhóm nào có trung bình cao hơn, tuỳ cách tác giả đặt thứ tự trừ. d bằng âm 0,4 và d bằng 0,4 có cùng độ lớn, chỉ ngược chiều. Khi đọc, xem kỹ tác giả lấy nhóm nào trừ nhóm nào để không hiểu ngược kết quả.
Hệ số r bao nhiêu là liên hệ mạnh?
Mốc tham khảo thường dùng là khoảng 0,1 nhỏ, 0,3 trung bình, 0,5 lớn, nhưng cũng như với d, mốc này thay đổi theo lĩnh vực. Bình phương r cho biết tỷ lệ biến thiên được giải thích: r bằng 0,3 tương ứng khoảng 9%, nghĩa là phần lớn khác biệt giữa các cá nhân vẫn đến từ những yếu tố khác.
Cỡ hiệu ứng nhỏ có nghĩa là nghiên cứu vô ích không?
Không. Hiệu ứng nhỏ trên một quy mô lớn, hoặc hiệu ứng nhỏ của một can thiệp rẻ và dễ áp dụng, vẫn có thể rất đáng giá. Một nghiên cứu cho thấy hiệu ứng nhỏ một cách đáng tin cậy cũng có giá trị khoa học vì nó giúp loại trừ những kỳ vọng phóng đại.
Dự án học sinh có cần tính Cohen d không?
Không bắt buộc. Với đa số dự án, báo cáo trung bình, độ lệch chuẩn của từng nhóm và hiệu số thô đã đủ để người đọc hình dung độ lớn. Nếu muốn tính d, nhờ giáo viên kiểm công thức độ lệch chuẩn gộp và ghi rõ cách tính trong báo cáo.
Vì sao báo chí ít khi đưa cỡ hiệu ứng?
Cỡ hiệu ứng thường làm câu chuyện bớt hấp dẫn, và con số chuẩn hoá khó giải thích trong vài dòng. Thông cáo báo chí của các cơ quan nghiên cứu cũng hay nhấn vào chữ "có ý nghĩa". Người đọc cẩn thận nên tìm bài gốc hoặc phần tóm tắt để lấy con số độ lớn.
Hedges g khác Cohen d thế nào?
Hedges g là Cohen d được nhân thêm một hệ số hiệu chỉnh để giảm sai lệch khi mẫu nhỏ. Với mẫu từ vài chục người trở lên, hai con số gần như bằng nhau. Trong các bài tổng hợp nhiều nghiên cứu, g được dùng phổ biến hơn; cách đọc giống hệt d.