Giá trị P, khoảng tin cậy, và sai số nghiên cứu

Tuy có vẻ đơn giản nhưng không phải dễ để hiểu đúng và diễn giải đúng một số kết quả quan trọng như trị số P, khoảng tin cậy 95%CI trong nghiên cứu khoa học... Ví dụ:

1. Khoảng tin cậy 95%

Bản chất: nếu lặp lại nghiên cứu ngày x lần, cho ra x khoảng tin cậy 95%, thì khoảng 95% của các khoảng tin cậy này có chứa giá trị thực của quần thể. Đơn giản hơn:

+ Phát biểu đúng: Khoảng 95% khả năng khoảng tin cậy có chứa giá trị thực của quần thể;

+ Phát biểu không đúng: Khoảng 95% giá trị thực của quần thể nằm trong khoảng tin cậy.

Do đó, công thức ước tính cỡ mẫu để ước lượng một tham số (tỷ lệ, trung bình) được suy luận từ Precision.

2. Giá trị P

Bản chất: nếu giả thuyết H0 là đúng, P là khả năng xuất hiện số liệu quan sát được.

Ví dụ P < 0.05, và giả định H0 đúng, khả năng xuất hiện số liệu của mẫu là dưới 5%. Nhưng thực tế ta đã có số liệu đó rồi, do đó khoảng >=95% bác bỏ giả thuyết H0 là quyết định đúng. 

Chú ý, ta chỉ có thể bác bỏ chứ không thể chấp nhận một giả thuyết.

3. Sai số trong nghiên cứu

Tương tự như các xét nghiệm cận lâm sàng có độ nhạy, độ đặc hiệu và các sai số như dương tính giả, âm tính giả, kết quả của một nghiên cứu (với mục tiêu chứng minh giả thuyết) cũng có các chỉ số đánh giá độ chính xác như vậy. Có thể hình dung:

- Power (= độ nhạy): khả năng bác bỏ H0 khi thực sự có sự khác biệt trong quần thể.

- Sai số loại I (alpha = dương tính giả): bác bỏ H0 nhưng thực tế quần thể lại không có sự khác biệt.

- Sai số loại II (beta = âm tính giả): không bác bỏ H0 khi thực sự có sự khác biệt trong quần thể.

* Để dễ hiểu: bác bỏ H0 chính là giá trị dương tính của một xét nghiệm

Do đó, công thức tính cỡ mẫu để so sánh hai nhóm được xây dựng phụ thuộc vào sai số loại I và sai số loại II.