📍 Hai đầu bếp nấu phở — nghệ thuật so sánh và thử nếm
Hãy tưởng tượng bạn là giám khảo của một cuộc thi nấu phở. Hai đầu bếp — một người Hà Nội, một người Sài Gòn — mỗi người nấu một nồi phở. Để quyết định ai nấu ngon hơn, bạn phải làm gì? Bạn sẽ không chỉ ăn một tô của mỗi người và kết luận — bởi vì mỗi tô có thể khác nhau, và khẩu vị của bạn hôm đó có thể bị ảnh hưởng bởi nhiều yếu tố. Thay vào đó, bạn sẽ ăn nhiều tô từ mỗi nồi, ghi lại điểm số, và so sánh điểm trung bình giữa hai nhóm. Nếu điểm trung bình của đầu bếp A cao hơn đầu bếp B một cách ổn định qua nhiều lần thử — và sự khác biệt đủ lớn so với sự dao động tự nhiên giữa các tô — bạn mới dám kết luận: "Đầu bếp A nấu phở ngon hơn."
Đây chính là bản chất của việc so sánh hai nhóm trong thống kê y học. Bạn có hai nhóm bệnh nhân (ví dụ: nhóm dùng thuốc A và nhóm dùng thuốc B), bạn đo một chỉ số (ví dụ: số ngày nằm viện), và bạn muốn biết: sự khác biệt giữa hai nhóm có thực sự có ý nghĩa, hay chỉ là do ngẫu nhiên? Câu trả lời phụ thuộc vào: (1) độ lớn của khác biệt, (2) độ biến thiên trong mỗi nhóm, và (3) số lượng bệnh nhân trong mỗi nhóm. Và tùy vào loại dữ liệu bạn có — dữ liệu liên tục (số ngày), dữ liệu thứ hạng (điểm đau VAS), hay dữ liệu tỷ lệ (sống/chết) — bạn sẽ chọn một công cụ thống kê khác nhau: t-test, Wilcoxon, hay Chi-square.
🍜 Câu chuyện "Hai nồi phở và chiếc t-test"
Anh Tèo, một đầu bếp trẻ, tuyên bố công thức nấu phở mới của anh ngon hơn công thức của mẹ anh — một người đã nấu phở 30 năm. Để kiểm chứng, 20 thực khách được mời đến, mỗi người ăn hai tô phở (một tô của Tèo, một tô của mẹ) và cho điểm từ 1 đến 10. Kết quả: Tèo được 7,2 ± 1,5 điểm; mẹ được 6,1 ± 1,8 điểm. Sự khác biệt là 1,1 điểm. Nhưng liệu 1,1 điểm có đủ lớn so với độ dao động 1,5–1,8 điểm không? Với 20 người, t-test cho p = 0,04 — "có ý nghĩa thống kê". Anh Tèo thắng! Nhưng nếu chỉ có 5 thực khách, dù chênh lệch vẫn là 1,1 điểm, p có thể là 0,30 — "không đủ bằng chứng". Bài học: cùng một mức khác biệt, cỡ mẫu lớn hơn giúp phát hiện khác biệt đáng tin cậy hơn — một nguyên tắc cốt lõi của thống kê so sánh.
📚 Cửa sổ học thuật — Tại sao không dùng nhiều t-test để so sánh nhiều hơn 2 nhóm? Câu hỏi này dẫn trực tiếp đến Chuyên đề 10 (ANOVA), nhưng đã có thể trả lời ngay: nếu bạn có 3 nhóm và dùng 3 t-test để so sánh từng cặp (A vs B, B vs C, A vs C), xác suất có ít nhất một "dương tính giả" (sai lầm Type I) sẽ là 1 − (0,95)³ ≈ 14% — cao hơn nhiều so với 5%. Với 5 nhóm và 10 t-test, con số này lên đến 40% — gần như bạn chắc chắn sẽ tìm thấy "ý nghĩa thống kê" dù không có khác biệt thật. Đây là lý do tại sao ANOVA — phân tích phương sai — được sinh ra: để so sánh nhiều nhóm trong một kiểm định duy nhất, kiểm soát sai lầm Type I ở mức α mong muốn.
Tại sao phải chọn test dựa trên loại dữ liệu? Mỗi test thống kê đều dựa trên một số giả định. t-test giả định dữ liệu phân phối chuẩn — giống như bạn giả định điểm số của thực khách được phân bố đều đặn quanh giá trị trung bình. Chi-square giả định các ô trong bảng 2×2 có tần số kỳ vọng đủ lớn. Wilcoxon (Mann-Whitney U) không yêu cầu phân phối chuẩn — nó chỉ dựa trên thứ hạng. Chọn sai test dẫn đến kết luận sai lầm: bạn có thể bỏ sót một khác biệt thực sự có ý nghĩa lâm sàng, hoặc tuyên bố một khác biệt không thực sự tồn tại.
