Phụ lục C: Các lỗi sai kinh điển khi dùng hồi quy đa biến

❌ Lỗi 1 — Overfitting (quá khớp):
Thêm quá nhiều biến vào mô hình với cỡ mẫu nhỏ. Mô hình khớp hoàn hảo với dữ liệu hiện tại nhưng thất bại khi dự đoán trên dữ liệu mới. Quy tắc: cần tối thiểu 10-15 sự kiện cho mỗi biến dự báo (trong hồi quy logistic) hoặc 10-15 bệnh nhân cho mỗi biến (trong hồi quy tuyến tính). Với 5 biến và 100 sự kiện, bạn an toàn. Với 20 biến và 80 sự kiện, bạn đang overfit.

❌ Lỗi 2 — Bỏ sót confounder quan trọng:
Nếu không đưa một confounder vào mô hình, β của các biến khác sẽ bị sai lệch (bias). Ví dụ: nghiên cứu về tác động của rượu lên huyết áp mà không hiệu chỉnh hút thuốc — kết quả có thể sai vì người uống rượu cũng thường hút thuốc. Giải pháp: dựa vào causal diagram (DAG — Directed Acyclic Graph) để xác định confounder cần hiệu chỉnh, không chỉ dựa vào p-value hay stepwise selection.

❌ Lỗi 3 — Stepwise selection mù quáng:
Dùng thuật toán tự động (stepwise forward/backward) để chọn biến vào mô hình dựa trên p-value. Phương pháp này bị chỉ trích nặng nề vì: (1) bỏ qua ý nghĩa lâm sàng, (2) tạo ra các mô hình không ổn định (thay đổi mẫu nhỏ → thay đổi biến được chọn), (3) inflate sai lầm loại I. Giải pháp: chọn biến dựa trên lý thuyết và kiến thức lâm sàng, dùng purposeful selection (chọn biến có p < 0.25 trong đơn biến + confounder quan trọng), và luôn kiểm tra bằng chuyên gia lâm sàng.