Thống kê 4 — Ước lượng & khoảng tin cậy

Từ "một con số" đến "một khoảng có độ tin cậy"

Bài Thống kê 3 — Lấy mẫu & CLT cho ta một sự thật giải phóng: trung bình mẫu dao động quanh trung bình tổng thể theo phân phối chuẩn (nhờ định lý giới hạn trung tâm). Nhưng biết mẫu dao động mới là nửa câu chuyện. Câu hỏi thực chiến là: tôi đo được tỷ lệ nợ xấu 3,1% trên một mẫu — con số thật của cả danh mục nằm ở đâu, tin chắc tới mức nào?

Trả lời câu hỏi đó là công việc của ước lượng (estimation). Đây là cây cầu nối giữa mô tả dữ liệu (stat-01) và ra quyết định bằng kiểm định giả thuyết (stat-05). Nắm vững khoảng tin cậy còn giúp bạn đọc đúng kết quả A/B testing (stat-07) và tránh những cạm bẫy diễn giải phổ biến (stat-08).

1. Ước lượng điểm vs ước lượng khoảng

Có hai cách trả lời "tham số tổng thể bằng bao nhiêu".

• Ước lượng điểm (point estimate): đưa ra một con số duy nhất. Trung bình mẫu x̄ ước lượng cho trung bình tổng thể μ; tỷ lệ mẫu p̂ ước lượng cho tỷ lệ tổng thể p. Gọn gàng, nhưng gần như chắc chắn sai ở chữ số lẻ, và tệ hơn: nó không nói gì về độ tin cậy.
• Ước lượng khoảng (interval estimate): đưa ra một dải giá trị hợp lý kèm mức tin cậy. Ví dụ "tỷ lệ nợ xấu là 3,1%, khoảng tin cậy 95% là [2,7%; 3,5%]". Khoảng này trung thực về mức độ bất định.

Nguyên tắc vàng khi báo cáo cho lãnh đạo hoặc cơ quan quản lý: một con số điểm mà không kèm khoảng là một con số nguy hiểm — người đọc sẽ tưởng nó chính xác tuyệt đối.

2. Sai số chuẩn (standard error) — viên gạch nền

Trước khi xây khoảng, phải hiểu sai số chuẩn (standard error, SE). Đây là độ lệch chuẩn của thống kê mẫu — nó đo trung bình mẫu (hay tỷ lệ mẫu) dao động bao nhiêu quanh giá trị thật nếu ta lặp lại việc lấy mẫu.

Đừng nhầm SE với độ lệch chuẩn của dữ liệu (σ hoặc s):

• σ / s: dữ liệu cá thể trải rộng bao nhiêu (khách này khác khách kia).
• SE: trung bình mẫu trải rộng bao nhiêu qua các lần lấy mẫu.

Công thức nền tảng, trực tiếp từ CLT:

SE của trung bình = s / √n

SE của tỷ lệ = √( p̂·(1 − p̂) / n )

Điểm mấu chốt là chữ √n ở mẫu số: tăng cỡ mẫu làm SE co lại, nhưng chỉ theo căn bậc hai. Muốn giảm sai số một nửa phải tăng mẫu gấp bốn lần. Đây là quy luật lợi ích giảm dần chi phối mọi bài toán "cần bao nhiêu dữ liệu".

3. Cấu trúc của khoảng tin cậy

Mọi khoảng tin cậy đối xứng đều có cùng một khung xương:

CI = ước lượng điểm ± margin of error (biên sai số, MoE)

MoE = giá trị tới hạn × SE = z*·SE (hoặc t*·SE)

Ba thành phần, mỗi cái trả lời một câu hỏi:

1. Ước lượng điểm — "tâm" của khoảng, câu trả lời tốt nhất từ dữ liệu.
2. SE — dữ liệu ồn tới đâu và mẫu lớn cỡ nào (mục 2).
3. Giá trị tới hạn (critical value) z* hoặc t* — ta muốn tin cậy đến mức nào (mục 4).

Nhân giá trị tới hạn với SE ra biên sai số; cộng/trừ vào điểm ra hai đầu khoảng.

4. Mức tin cậy 90 / 95 / 99% và sự đánh đổi độ rộng

Mức tin cậy (confidence level) quyết định giá trị tới hạn z*. Với phân phối chuẩn:

Có một đánh đổi (trade-off) không thể tránh: muốn chắc chắn hơn thì phải chấp nhận khoảng rộng hơn. Đẩy từ 95% lên 99% với cùng dữ liệu sẽ nới khoảng ra khoảng 31% (tỷ lệ 2,576/1,960). Khoảng 99% "an toàn" hơn nhưng cũng mơ hồ hơn — nếu rộng quá thì vô dụng cho quyết định.

Một khoảng cực rộng như "tỷ lệ nợ xấu nằm trong [0%; 50%] với độ tin cậy 99,99%" gần như chắc chắn đúng nhưng hoàn toàn vô giá trị. Giá trị của một khoảng nằm ở chỗ nó vừa đáng tin vừa đủ hẹp để hữu ích.

95% là điểm cân bằng được cả ngành chọn làm mặc định. Chỉ nâng lên 99% khi cái giá của sai lầm rất cao (báo cáo an toàn vốn, quyết định trích lập lớn).

5. DIỄN GIẢI ĐÚNG khoảng tin cậy — hiểu lầm phổ biến nhất trong thống kê

Đây là mục quan trọng nhất bài. Gần như ai cũng hiểu sai, kể cả người dùng thống kê lâu năm.

Câu hiểu SAI (rất phổ biến):

❌ "95% CI = [2,7%; 3,5%] nghĩa là có 95% xác suất tỷ lệ nợ xấu thật nằm trong khoảng này."

Sai ở đâu? Trong thống kê tần suất (frequentist), tham số thật (μ, p) là một hằng số cố định — nó đã có một giá trị, chỉ là ta không biết. Một hằng số hoặc nằm trong khoảng, hoặc không — xác suất là 0 hay 1, chứ không phải 95%. Cái ngẫu nhiên ở đây không phải tham số, mà là cái khoảng (nó thay đổi mỗi lần bạn lấy mẫu khác).

Câu hiểu ĐÚNG:

✅ "Nếu tôi lặp lại quy trình lấy mẫu này rất nhiều lần và mỗi lần dựng một khoảng 95% CI, thì khoảng 95% số khoảng đó sẽ chứa tham số thật."

Nói cách khác, 95% là tính chất của quy trình, không phải của một khoảng cụ thể. Với khoảng bạn đang cầm trên tay, bạn không biết nó có thuộc nhóm 95% may mắn hay nhóm 5% "trượt" hay không.

Vài hệ quả thực tế của việc hiểu đúng:

• Không nói "có 95% khả năng giá trị thật là 3,1%". Điểm ước lượng không có "xác suất".
• Không nói một khoảng rộng hơn thì "chắc đúng hơn cho lần này". Mọi khoảng cùng mức 95% đều có cùng tỷ lệ phủ dài hạn.
• Nếu bạn thật sự muốn phát biểu "xác suất tham số nằm trong khoảng", đó là địa hạt của khoảng khả tín (credible interval) trong thống kê Bayes — một khung khác, cần prior. Đừng nhập nhằng hai thứ.

6. CI cho trung bình — khi nào dùng t thay cho z?

Với trung bình, có một tinh tế: ta hầu như không bao giờ biết σ thật của tổng thể, phải ước lượng bằng độ lệch chuẩn mẫu s. Việc "ước lượng thêm một tham số" đưa vào bất định, nên ta chuyển từ phân phối chuẩn z sang phân phối t (Student's t).

• Phân phối t giống hình chuông nhưng đuôi dày hơn — phản ánh sự bất định thêm khi dùng s thay σ. Đuôi dày → t* lớn hơn z* → khoảng rộng hơn một chút (thận trọng hơn), đúng như nên vậy khi biết ít hơn.
• t phụ thuộc bậc tự do (degrees of freedom) = n − 1. Khi n nhỏ, t rộng rõ rệt. Khi n lớn (thường n ≥ 30), t hội tụ về z — nên với mẫu lớn hai cách gần như trùng nhau.

Quy tắc thực dụng:

Công thức CI cho trung bình khi không biết σ:

CI = x̄ ± t*(df = n−1) × (s / √n)

Ví dụ: lấy mẫu n = 25 hồ sơ, số dư trung bình x̄ = 50 triệu, s = 20 triệu. SE = 20/√25 = 4 triệu. Với 95% và df = 24, t* ≈ 2,064. MoE = 2,064 × 4 ≈ 8,26 triệu → CI ≈ [41,7; 58,3] triệu. Nếu vội dùng z = 1,96, MoE chỉ ≈ 7,84 → khoảng hẹp giả tạo, đánh giá thấp bất định.

7. CI cho tỷ lệ (proportion)

Rất nhiều chỉ số ngân hàng là tỷ lệ: tỷ lệ nợ xấu, tỷ lệ khách rời bỏ, tỷ lệ chấp thuận hồ sơ, tỷ lệ chuyển đổi chiến dịch. Tỷ lệ mẫu p̂ = (số "thành công") / n.

SE(p̂) = √( p̂·(1 − p̂) / n )

CI = p̂ ± z* × √( p̂·(1 − p̂) / n )

Vài lưu ý quan trọng:

• Điều kiện xấp xỉ chuẩn: công thức này chỉ tốt khi mẫu đủ lớn — quy tắc thường dùng là n·p̂ ≥ 10 và n·(1−p̂) ≥ 10. Với biến cố hiếm như gian lận hay nợ xấu (p̂ rất nhỏ), điều kiện này khó thoả, khoảng có thể lệch hoặc tràn xuống dưới 0. Khi đó nên dùng phương pháp hiệu chỉnh (Wilson score interval) thay vì công thức chuẩn thô này.
• Biến thiên lớn nhất ở p̂ = 0,5: tích p̂·(1−p̂) đạt cực đại tại 0,5, nên khoảng cho một tỷ lệ ~50% là rộng nhất với cùng n. Đây là lý do các cuộc thăm dò "50-50" luôn có biên sai số lớn.

Ví dụ nợ xấu: mẫu n = 1.000 khoản vay, thấy 31 khoản nợ xấu → p̂ = 0,031. Kiểm tra điều kiện: n·p̂ = 31 ≥ 10 ✔, n·(1−p̂) = 969 ≥ 10 ✔. SE = √(0,031×0,969/1000) ≈ 0,00548. Với 95%, MoE = 1,96 × 0,00548 ≈ 0,0107 → CI ≈ [2,03%; 4,17%]. Báo cáo: "tỷ lệ nợ xấu ước tính 3,1%, 95% CI [2,0%; 4,2%]".

8. Cỡ mẫu và độ biến thiên ảnh hưởng thế nào tới độ rộng?

Độ rộng khoảng = 2 × MoE = 2 × z* × SE. Ba đòn bẩy:

Bài học cho việc lập kế hoạch dữ liệu: nếu sếp yêu cầu "biên sai số dưới ±1% cho tỷ lệ nợ xấu", bạn giải ngược từ công thức MoE ra cỡ mẫu tối thiểu cần lấy — đây chính là bài toán sample size planning dùng khi thiết kế khảo sát và A/B test (stat-07).

9. Quan hệ giữa CI và kiểm định giả thuyết

CI và kiểm định giả thuyết (stat-05) là hai mặt của cùng một đồng xu:

• Nếu 95% CI cho hiệu số giữa hai nhóm không chứa 0, thì kiểm định hai phía tương ứng sẽ bác bỏ giả thuyết "không khác nhau" ở mức ý nghĩa 5% (p < 0,05).
• Nếu khoảng chứa 0, ta không đủ bằng chứng để nói hai nhóm khác nhau.

Tổng quát: một giá trị nằm ngoài CI 95% cho tham số tương đương với việc bị bác bỏ ở mức 5% khi kiểm định giá trị đó. Ưu điểm của CI so với chỉ đọc p-value: nó cho biết cả hướng lẫn độ lớn (effect size) của hiệu ứng, không chỉ "có ý nghĩa hay không". Vì thế nhiều tạp chí và chuẩn báo cáo hiện đại ưu tiên trình bày CI kèm p-value.

Use case thực tế

Bài toán: báo cáo tỷ lệ nợ xấu và số dư trung bình danh mục cho ban quản trị rủi ro

Đội rủi ro cần trình chỉ số quý, và ban quản trị luôn hỏi "con số này chắc tới đâu?".

1. Lấy mẫu và tính ước lượng điểm. Trên một mẫu đại diện 5.000 khoản vay: 155 khoản nợ xấu → p̂ = 3,1%; số dư trung bình dư nợ x̄ = 82 triệu, s = 145 triệu (lệch phải mạnh, đúng đặc tính tiền tệ — xem stat-01).

2. CI cho tỷ lệ nợ xấu. Kiểm tra điều kiện: n·p̂ = 155 ≥ 10 ✔. SE = √(0,031×0,969/5000) ≈ 0,00245. MoE (95%) = 1,96 × 0,00245 ≈ 0,0048 → CI ≈ [2,6%; 3,6%]. Trình bày: "nợ xấu 3,1%, 95% CI [2,6%; 3,6%]" — trung thực hơn nhiều so với chỉ nói "3,1%".

3. CI cho số dư trung bình. SE = 145/√5000 ≈ 2,05 triệu. n rất lớn nên t ≈ z. MoE = 1,96 × 2,05 ≈ 4,02 triệu → CI ≈ [78,0; 86,0] triệu. (Lưu ý: đây là CI cho trung bình, hợp lệ nhờ CLT dù dữ liệu gốc lệch phải — không phải khoảng cho từng khoản vay.)

4. Quyết định cỡ mẫu quý sau. Ban quản trị muốn biên sai số nợ xấu ≤ ±0,3%. Giải MoE = 1,96·√(p̂(1−p̂)/n) ≤ 0,003 với p̂ ≈ 0,031 → cần n ≈ 12.800. Con số này định hướng ngân sách trích xuất dữ liệu.

5. Diễn giải đúng cho ban lãnh đạo. Nói rõ: "95% CI nghĩa là quy trình này bắt đúng giá trị thật 95% số lần nếu lặp lại — KHÔNG phải 95% khả năng con số thật là 3,1%." Tránh để lãnh đạo hiểu sai thành xác suất về một con số cụ thể.

Có thể tính thô SE/CI ngay trên sandbox trong một câu SELECT (cận CI dùng z = 1,96 cho 95%; đây là minh hoạ tính toán, giả định xấp xỉ chuẩn hợp lệ):

-- ▶ Chạy được
SELECT
  COUNT(*)                                   AS n,
  ROUND(AVG(balance), 0)                     AS trung_binh,
  ROUND(STDDEV_SAMP(balance)::numeric, 0)             AS do_lech_chuan_mau,
  ROUND((STDDEV_SAMP(balance) / SQRT(COUNT(*)))::numeric, 0) AS se,
  ROUND((AVG(balance) - 1.96 * STDDEV_SAMP(balance) / SQRT(COUNT(*)))::numeric, 0) AS ci_can_duoi_95,
  ROUND((AVG(balance) + 1.96 * STDDEV_SAMP(balance) / SQRT(COUNT(*)))::numeric, 0) AS ci_can_tren_95
FROM accounts;

Tương tự, CI 95% cho tỷ lệ tài khoản có số dư âm (thấu chi) — SE tỷ lệ tính ngay trong một SELECT (minh hoạ, giả định điều kiện xấp xỉ chuẩn):

-- ▶ Chạy được
WITH agg AS (
  SELECT
    COUNT(*)                                                    AS n,
    AVG(CASE WHEN balance < 0 THEN 1.0 ELSE 0.0 END)            AS p_hat
  FROM accounts
)
SELECT
  n,
  ROUND(p_hat, 4)                                                        AS ty_le,
  ROUND(SQRT(p_hat * (1 - p_hat) / n), 5)                                AS se,
  ROUND(p_hat - 1.96 * SQRT(p_hat * (1 - p_hat) / n), 4)                 AS ci_can_duoi_95,
  ROUND(p_hat + 1.96 * SQRT(p_hat * (1 - p_hat) / n), 4)                 AS ci_can_tren_95
FROM agg;

Ghi nhớ

• Ước lượng điểm cho một con số (x̄, p̂); ước lượng khoảng (CI) cho một dải kèm mức tin cậy. Báo cáo con số điểm mà không kèm khoảng là tạo ảo giác chính xác.
• CI = điểm ± MoE, với MoE = z·SE* (hoặc t·SE*). SE là độ lệch chuẩn của thống kê mẫu, không phải của dữ liệu cá thể. SE giảm theo √n — muốn giảm sai số một nửa phải tăng mẫu gấp 4.
• Diễn giải đúng: 95% CI KHÔNG phải "95% xác suất tham số nằm trong khoảng này". Tham số là hằng số cố định; cái ngẫu nhiên là khoảng. 95% là tính chất của quy trình lặp lại: ~95% các khoảng dựng theo cách này sẽ phủ tham số thật.
• Mức tin cậy cao hơn → khoảng rộng hơn (đánh đổi). 95% là mặc định ngành; chỉ lên 99% khi cái giá sai lầm rất cao. Khoảng quá rộng thì đúng nhưng vô dụng.
• CI cho trung bình: dùng t (df = n−1) khi không biết σ; t đuôi dày hơn z, n ≥ 30 thì t ≈ z. CI cho tỷ lệ: SE = √(p̂(1−p̂)/n), cần n·p̂ ≥ 10 và n·(1−p̂) ≥ 10; biến cố hiếm (nợ xấu, gian lận) nên dùng Wilson.
• Độ rộng CI rộng ra khi dữ liệu ồn hơn hoặc mức tin cậy cao hơn; hẹp lại khi n lớn hơn. Giải ngược MoE ra cỡ mẫu tối thiểu cần thu thập.
• CI và kiểm định là hai mặt một đồng xu: CI cho hiệu số không chứa 0 ⇔ bác bỏ ở mức 5%. CI còn cho biết cả hướng và độ lớn hiệu ứng, không chỉ "có ý nghĩa hay không".