🔮 Khủng hoảng p-value và tương lai của kiểm định giả thuyết
Năm 2019, tạp chí Nature đã đăng một tuyên bố gây chấn động giới khoa học: hơn 800 nhà khoa học kêu gọi bãi bỏ ngưỡng p < 0,05 như một tiêu chuẩn "có ý nghĩa thống kê". Lý do: ngưỡng 0,05 đã bị lạm dụng một cách có hệ thống trong suốt gần 100 năm, dẫn đến một cuộc khủng hoảng về độ tin cậy của nghiên cứu khoa học — cái gọi là "khủng hoảng tái lập" (replication crisis). Một phân tích nổi tiếng của John Ioannidis (2005) với tiêu đề "Why Most Published Research Findings Are False" đã chỉ ra rằng, trong một số lĩnh vực y học, hơn một nửa các kết quả nghiên cứu được công bố có thể là sai — và một trong những nguyên nhân chính là lạm dụng p-value.
Một trong những vấn đề lớn nhất là "p-hacking" — hành vi thao túng dữ liệu hoặc phân tích để đạt được p < 0,05. Điều này có thể diễn ra dưới nhiều hình thức: loại bỏ các ngoại lệ "bất tiện", thử nhiều phương pháp phân tích khác nhau và chỉ báo cáo phương pháp cho kết quả đẹp nhất, thu thập thêm bệnh nhân sau khi đã phân tích sơ bộ và thấy p chưa đẹp, hoặc đơn giản là thử nghiệm vài đầu ra khác nhau và chỉ báo cáo đầu ra có p < 0,05. Tất cả những hành vi này — dù cố ý hay vô ý — đều làm tăng tỷ lệ kết quả "dương tính giả" một cách đáng kể.
Tại sao p < 0,05 không phải là "sự thật" — và tại sao nó vẫn được sử dụng? p-value, như Fisher đã cảnh báo, là một thước đo liên tục — nó nên được báo cáo như một con số (p = 0,04), không phải như một tuyên bố nhị phân (p < 0,05 = "có ý nghĩa"). Nhưng các tạp chí và hệ thống đánh giá học thuật đã biến nó thành một ngưỡng cứng nhắc. Hậu quả: nhà nghiên cứu bị áp lực phải "sản xuất" p < 0,05 để được công bố. Giải pháp được khuyến nghị: (1) báo cáo p-value dưới dạng giá trị chính xác, không chỉ là "p < 0,05"; (2) luôn kèm CI và effect size; (3) đăng ký trước quy trình phân tích (pre-registration) để ngăn p-hacking; (4) khuyến khích công bố cả kết quả âm tính. Một số tạp chí — như Basic and Applied Social Psychology — thậm chí đã cấm sử dụng p-value hoàn toàn. Dù cực đoan, điều này cho thấy mức độ nghiêm trọng của cuộc khủng hoảng.
Tác động lâm sàng: Bác sĩ Hùng, sau khi hiểu về "khủng hoảng p-value", thay đổi thói quen đọc y văn. Ông không còn ngay lập tức tin vào một kết quả chỉ vì p < 0,05. Ông đặt câu hỏi: "Nghiên cứu này có đăng ký trước không?" "Cỡ mẫu có đủ dựa trên power analysis không?" "Kết quả có được tái lập ở các nghiên cứu khác không?" "Effect size có ý nghĩa lâm sàng không?" Khi một đại diện dược phẩm trình bày kết quả p = 0,04 cho thuốc mới, ông hỏi thêm về CI, về power, về số bệnh nhân cần điều trị (NNT). Đại diện dược bối rối — không quen bị hỏi những câu này. Bác sĩ Hùng cười: "Tôi không tin vào p-value nữa. Tôi tin vào bằng chứng tổng thể."
