Bảy sai lầm chết người khi hiểu sai về thống kê và cách tránh chúng

Bảy sai lầm chết người khi hiểu sai về thống kê và cách tránh chúng

(Nguồn: http://vienthongke.vn)

Thống kê là một công cụ hữu ích để tìm hiểu về các mô hình trong thế giới xung quanh chúng ta. Nhưng sự hiểu biết bằng trực giác thường khiến chúng ta dễ dãi hơn khi giải thích những mô hình đó. Trong bài viết này, chúng tôi sẽ chỉ ra một số sai lầm phổ biến thường mắc phải và cách tránh chúng khi đề cập đến số liệu thống kê, xác suất và rủi ro.

1. Giả sử những khác biệt nhỏ là có ý nghĩa

Các biến động hàng ngày trên thị trường chứng khoán biểu thị cho cơ hội, may rủi hơn là một điều gì đó có ý nghĩa. Sự khác biệt trong các cuộc thăm dò ý kiến khi một bên (mã cổ phiếu) vượt lên một hoặc hai điểm thường chỉ là thông tin nhiễu trong thống kê.

Bạn có thể tránh đưa ra các kết luận sai lầm về nguyên nhân của các biến động, bằng cách yêu cầu được xem “phạm vi sai số” liên quan đến các số liệu.

Nếu những khác biệt nhỏ hơn phạm vi sai số, đó là sự khác biệt không có ý nghĩa, và sự biến thiên có thể chỉ là các biến động ngẫu nhiên.

2. Ý nghĩa thống kê tương đương với ý nghĩa thực tế

Chúng ta thường khái quát hóa về sự khác biệt giữa hai nhóm như thế nào, chẳng hạn như thể lực phụ nữ thường yếu hơn so với nam giới.

Những khác biệt này thường dựa trên những định kiến và kinh nghiệm dân gian, nhưng lại bỏ qua sự tương đồng của những người giữa hai nhóm, và những khác biệt của những người trong cùng một nhóm.

Nếu bạn chọn ngẫu nhiên hai người đàn ông, có thể có khá nhiều khác sự biệt giữa họ về mặt thể lực. Nếu bạn chọn một người đàn ông và một phụ nữ, có thể hai người được nuôi dưỡng tương tự nhau, hoặc có thể người đàn ông được nuôi dưỡng tốt hơn người phụ nữ.

Hình 1: Các biểu đồ sai số minh họa mức độ không chắc chắn trong một điểm. Khi phạm vi sai số trùng nhau, sự khác biệt có thể là do thông tin nhiễu trong thống kê.

Bạn có thể tránh được lỗi này bằng cách hỏi về “hệ số ảnh hưởng” của những sự khác biệt giữa các nhóm. Đây là công cụ đo lường sự khác nhau về mức độ trung bình giữa hai nhóm.

Nếu hệ số ảnh hưởng nhỏ, thì có thể đưa ra kết luận là hai nhóm khá tương đồng. Ngay cả khi hệ số ảnh hưởng lớn, vẫn có nhiều cá thể tương đồng giữa hai nhóm, không phải tất cả thành viên của nhóm này đều sẽ khác biệt với tất cả thành viên của nhóm khác.

3. Không chú ý đến các điểm cực trị

Mặt khác, hệ số ảnh hưởng có liên quan khi bạn tập trung vào “phân phối chuẩn” (còn được gọi là “đường cong hình chuông”). Đây là vùng mà hầu hết mọi giá trị đều ở gần điểm trung bình và chỉ có một nhóm nhỏ nằm ở trên hoặc dưới mức trung bình.

Khi điều này xảy ra, một thay đổi nhỏ trong hoạt động của nhóm tạo ra sự bất thường, không có ảnh hưởng đến nhóm người ở mức trung bình (xem hình 2) nhưng lại tác động đến các giá trị ở những điểm cực trị rất lớn.

Chúng ta có thể tránh lỗi này bằng cách nhìn lại việc chúng ta có xem xét các điểm cực trị hay không. Khi bạn chỉ quan tâm đến nhóm người ở mức trung bình, sự khác biệt nhóm nhỏ thường không thành vấn đề. Khi bạn quan tâm đến các điểm cực trị, sự khác biệt nhóm nhỏ có thể trở nên rất quan trọng.

Hình 2: Trong hai tổng thể phân phối chuẩn, sự khác biệt giữa chúng sẽ rõ ràng hơn ở những điểm cực trị so với điểm trung bình.

4. Tin vào sự trùng hợp ngẫu nhiên

Bạn có biết rằng có sự tương quan giữa số người bị chết đuối mỗi năm tại Hoa Kỳ do ngã vào bể bơi và số lượng phim mà Nicholas Cage xuất hiện?

Nếu bạn đủ kiến thức bạn có thể tìm ra sự thú vị của mô hình về mối tương quan này, thực ra chỉ đơn thuần là do sự trùng hợp ngẫu nhiên.

Điều này xảy ra khi hai hiện tượng diễn ra cùng thời điểm, hoặc trong cùng một mô hình tương đồng nhau, không có nghĩa là chúng có liên quan đến nhau.

Tránh lỗi này bằng cách tìm hiểu mức độ liên kết quan sát được giữa các vấn đề có đáng tin cậy hay không. Nó chỉ xảy ra một lần hay diễn ra nhiều lần? Các mối liên hệ có thể dự đoán được trong tương lai không? Nếu bạn nhận thấy nó chỉ xảy ra một lần duy nhất, thì đó là sự tình cờ ngẫu nhiên.

Hình 3: Có tồn tại mối liên hệ nhân quả?

5. Xem xét ngược lại các nguyên nhân

Khi hai sự việc tương quan với nhau – ví dụ, các vấn đề về tình trạng thất nghiệp và bệnh tâm thần – có thể khiến chúng ta liên tưởng đến lối suy nghĩ nhân quả “hiển nhiên” là – hậu quả của bệnh tâm thần chính là tình trạng thất nghiệp.

Nhưng đôi khi mối quan hệ nhân quả xảy ra theo một cách khác, chẳng hạn như tình trạng thất nghiệp mới dẫn đến các vấn đề về sức khoẻ tâm thần.

Bạn có thể tránh được lỗi này bằng cách nhớ suy nghĩ về hướng ngược lại trong mối quan hệ nhân quả, khi bạn thấy một mối liên hệ xảy ra. Liệu ảnh hưởng có đi theo hướng khác không? Hoặc chúng có tác động lẫn nhau, tạo ra một vòng lặp thông tin phản hồi?

6. Bỏ quên việc đánh giá các nguyên nhân bên ngoài

Mọi người thường bỏ qua không đánh giá “các yếu tố thứ ba” hoặc các nguyên nhân bên ngoài có thể xảy ra tạo ra mối liên hệ giữa hai vấn đề mặc dù thực chất cả hai đều là kết quả của yếu tố thứ ba.

Ví dụ, có thể tồn tại mối liên hệ giữa việc ăn ở nhà hàng và sức khỏe tim mạch tốt hơn. Điều đó sẽ khiến bạn tin rằng có một sự liên hệ giữa hai sự việc này.

Tuy nhiên, có thể nghĩ ngay rằng những người có khả năng ăn ở nhà hàng đều đặn là những người nằm trong nhóm có điều kiện kinh tế cao, và họ cũng có điều kiện để chăm sóc sức khoẻ tốt hơn, trong đó bao gồm cả việc chú ý đến sức khỏe tim mạch nhiều hơn.

Bạn có thể tránh được lỗi này bằng cách nhớ hãy suy nghĩ về tác động của các yếu tố thứ ba khi nhìn nhận về một mối tương quan nào đấy. Nếu bạn quan tâm đến một vấn đề như là một nguyên nhân có thể xảy ra, hãy tự hỏi mình “cái gì, trong hoàn cảnh nào, gây ra điều đó? Có phải yếu tố thứ ba có thể cùng gây ra cả hai kết quả quan sát được không?”.

7. Biểu đồ dễ gây ra sự nhầm lẫn

Rất nhiều mối nguy hại xảy ra trong việc chia giá trị/tỷ lệ và ghi nhãn ở trục tung đồ thị. Việc ghi nhãn chỉ ra phạm vi đầy đủ ý nghĩa của bất cứ điều gì bạn đang nghiên cứu.

Nhưng đôi khi người tạo ra đồ thị lựa chọn một phạm vi hẹp hơn, nhằm tạo sự khác biệt nhỏ hoặc làm rõ sự liên hệ hiệu quả hơn. Trên thang đo từ 0 đến 100, hai cột có thể có cùng chiều cao. Nhưng nếu bạn sử dụng đồ thị có nguồn dữ liệu tương tự nhưng vùng chỉ hiển thị từ 52.5 đến 56.5, chúng có thể trông hoàn toàn khác biệt.

Hình 4: Các đồ thị cho thấy sự khác nhau nhiều hay ít phụ thuộc vào việc chia tỷ lệ

Bạn có thể tránh được lỗi này bằng cách chú ý phần nhãn ghi dọc theo các trục của biểu đồ. Hãy hoài nghi về bất cứ đồ thị nào không ghi nhãn.

Nhung Phạm (dịch)

Nguồn: https://phys.org/news/2017-03-deadly-statistical-misinterpretation.html

———————-&&&———————-

Ứng dụng của 7 công cụ thống kê trong vấn đề sản xuất

Ứng dụng của 7 công cụ thống kê trong vấn đề sản xuất

(Nguồn: http://pms.edu.vn)

Một trong các nguyên tắc của quản lý hiện đại là các quyết định phải dựa trên dựa trên sự kiện, dữ liệu, không được quyết định dựa trên cảm tính. Muốn vậy cần phải thu thập, thống kê, phân tích các dữ liệu riêng lẻ thành những thông tin, sự kiện thể hiện bản chất của vấn đề, từ đó sẽ có cách giải quyết nó.
7 công cụ thống kê (seven tools) đã được người Nhật lựa chọn và ứng dụng rất thành công từ sau chiến tranh thế giới lần thứ II. Từ đó việc áp dụng chúng càng rộng rãi và phổ biến trên toàn thế giới từ cải tiến công nghệ, thay thế nguyên liệu đến kiểm soát chất lượng.

1

Tại các doanh nghiệp vừa và nhỏ ở Việt Nam, việc áp dụng các công cụ thống kê trong kiểm soát chất lượng rất hạn chế hoặc không biết áp dụng. Sử dụng một hoặc nhiều trong số 7 công cụ, mỗi doanh nghiệp có thể phân tích các yếu tố trong quá trình để xác định vấn đề. Giá trị của các công cụ thống kê ở chỗ, nó đem lại những công cụ đơn giản nhưng hữu hiệu. Chúng có thể được sử dụng một cách độc lập hoặc kết hợp để xác định chính xác những điểm bất thường, các điểm thiếu kiểm soát và giảm thiểu những tác động của chúng trong quá trình sản xuất, kinh doanh.

Tóm lại, việc sử dụng các công cụ thống kê trong kiểm soát chất lượng đảm bảo cho việc quản lý chất lượng có căn cứ thực tế và khoa học khi ra quyết định. Sử dụng các công cụ thống kế giúp giải thích được tình hình quản lý chất lượng một cách đúng đắn, phát hiện kịp thời các nguyên nhân gây lỗi để có biện pháp điều chỉnh thích hợp.

13(39)
Chính nhờ những hiệu quả của chúng nên việc sử dụng 7 công cụ thống kê trong kiểm soát chất lượng trở thành một nội dung không thể thiếu trong quản lý chất lượng của mỗi doanh nghiệp, 7 công cụ đề cập ở đây bao gồm:

  1. Phiếu kiểm tra (Check sheet): được sử dụng cho việc thu thập dữ liệu. Dữ liệu thu được từ phiếu kiểm tra là đầu vào cho các công cụ phân tích dữ liệu khác, do đó đây bước quan trọng quyết định hiệu quả sử dụng của các công cụ khác.
  2. Biểu đồ Pareto (Pareto chart): sử dụng các cột để minh họa các hiện tượng và nguyên nhân ảnh hưởng có tính đến tầm quan trọng của chúng đối với sản phẩm. Sử dụng biểu đồ này giúp cho quản lý biết được những nguyên nhân cần phải tập trung xử lý.
  3. Biểu đồ nhân quả (Cause-effect diagram): giúp liệt kê những nguyên nhân có thể có dẫn đến kết quả, từ đó giúp ra nguyên nhân của một vấn đề.
  4. Biểu đồ phân bố (Histogram): là một dạng của đồ thị cột trong đó các yếu tố biến động hay các dữ liệu đặc thù được chia thành các lớp hoặc thành các phần và được diễn tả như các cột với khoảng cách lớp được biểu thị qua đường đáy và tần suất biểu thị qua chiều cao. Biểu đồ dạng này được sử dụng để theo dõi sự phân bố thô của sản phẩm/quá trình, từ đó đánh giá được năng lực của quá trình đó, giúp phòng ngừa trước khi các vấn đề đó sảy ra.
  5. Biểu đồ kiểm soát (Control chart): là biểu đồ với các đường giới hạn đã được tính toán bằng phương pháp thống kê được sử dụng nhằm mục đích theo dõi sự biến động của các thông số về đặc tính chất lượng của sản phẩm, theo dõi những thay đổi của quy trình để kiểm soát tất cả các dấu hiệu bất thường xảy ra khi có dấu hiệu đi lên hoặc đi xuống của biểu đồ.
  6. Biểu đồ phân tán (Scatter diagram): Biểu đồ phân tán chỉ ra mối quan hệ giữa 2 biến trong phân tích bằng số, để giải quyết các vấn đề và xác định điều kiện tối ưu bằng cách phân tícḥ lượng mối quan hệ nhân quả giữa các biến số.
  7. Phương pháp phân vùng (Stratified diagram): Phân vùng thông thường để tìm ra nguyên nhân của khuyết tật.

Trong bối cảnh môi trường kinh tế cạnh tranh gay gắt hiện nay, bên cạnh việc đổi mới công nghệ, các doanh nghiệp, đặc biệt là các doanh nghiệp vừa và nhỏ cần chú trọng ứng dụng các công cụ quản lý để cải tiến, nâng cao năng suất chất lượng trong hoạt động sản xuất, kinh doanh. Vì đây là những công cụ hữu hiệu, đã được các doanh nghiệp của các nước phát triển như Nhật Bản Hàn Quốc, Mỹ … áp dụng và gặt hái được những thành công vượt trội về năng suất chất lượng.

——————-&&&——————-

Tuyên bố của ASA về ý nghĩa thống kê và trị số P

Tuyên bố của ASA về ý nghĩa thống kê và trị số P

(Nguồn: http://ibsgacademic.com)

Giới thiệu

Gia tăng định lượng trong nghiên cứu khoa học và phát triển các tập hợp dữ liệu lớn, phức tạp trong những năm gần đây đã mở rộng phạm vi ứng dụng của các phương pháp thống kê. Điều này đã tạo ra những hướng mới cho tiến bộ khoa học, nhưng nó cũng mang lại những lo ngại về kết luận rút ra từ dữ liệu nghiên cứu. Giá trị (validity) của kết luận khoa học, bao gồm cả khả năng tái lặp (reproducibility) của chúng, phụ thuộc nhiều hơn so với tự thân phương pháp thống kê. Các kỹ thuật thích hợp được lựa chọn, phân tích thực hiện đúng và giải thích chính xác của kết quả thống kê cũng đóng một vai trò quan trọng trong việc đảm bảo rằng kết luận là có cơ sở và sự không chắc chắn xung quanh chúng được trình bày một cách đúng đắn.

Làm cơ sở cho nhiều kết luận khoa học được công bố là khái niệm về “có ý nghĩa thống kê,” thường được đánh giá bằng một chỉ số được gọi là trị số p. Trong khi trị số p có thể là một phương pháp thống kê hữu ích, nó thường được sử dụng sai và hiểu sai. Điều này đã dẫn đến một số tạp chí khoa học không tán thành việc sử dụng trị số p, và một vài nhà khoa học và nhà thống kê đề nghị việc từ bỏ, với vài lập luận rằng không có thay đổi cơ bản nào kể từ khi trị số p lần đầu tiên được giới thiệu.

Trong văn bản này, Hiệp hội thống kê Mỹ (American Statistical Association, ASA) tin rằng cộng đồng khoa học có thể được hưởng lợi từ một tuyên bố chính thức làm sáng tỏ những nguyên tắc cơ bản được đồng thuận rộng rãi trong việc sử dụng thích hợp và giải thích trị số p. Các vấn đề được đưa ra ở đây không chỉ ảnh hưởng đến nghiên cứu, mà còn là kinh phí nghiên cứu, thực hành viết lách, phát triển nghề nghiệp, giáo dục khoa học, chính sách công, báo chí, và pháp luật. Tuyên bố này không tìm cách giải quyết tất cả các vấn đề liên quan đến thực hành thống kê cũng như những tranh cãi nền tảng. Thay vào đó, tuyên bố nêu rõ về một vài lựa chọn nguyên tắc phi kỹ thuật mà có thể cải thiện việc thực hiện hoặc diễn giải khoa học định lượng, theo sự đồng thuận rộng rãi trong cộng đồng thống kê.

Trị số p (P-value) là gì?

Một cách không chính thức, trị số p là xác suất theo một mô hình thống kê xác định và là một dữ liệu thống kê tóm tắt (ví dụ, sự khác biệt có ý nghĩa của mẫu giữa hai nhóm được so sánh) sẽ bằng hoặc cực đoan (extreme) hơn so với giá trị quan sát của nó.

Các nguyên tắc

  1. Trị số p có thể chỉ ra sự không tương thích các dữ liệu với một mô hình thống kê xác định ra sao.

Trị số p cung cấp một cách tiếp cận tổng hợp sự không tương thích giữa một tập hợp các dữ liệu và một mô hình đề xuất cho dữ liệu. Hình thức phổ biến nhất là một mô hình, được xây dựng theo một tập hợp các giả định, cùng với cái gọi là “giả thuyết không” (null hypothesis). Thường thì “giả thuyết không” mặc nhiên công nhận sự vắng mặt của một ảnh hưởng, chẳng hạn như không có sự khác biệt giữa hai nhóm, hoặc sự vắng mặt của mối quan hệ giữa các yếu tố và một kết quả. Trị số p càng nhỏ, sự không tương thích thống kê của các dữ liệu với các giả thuyết càng lớn, nếu các giả định cơ bản được sử dụng để tính toán trị số p nắm chắc. Sự không tương thích này có thể được hiểu như là sự kiểm định hoặc cung cấp bằng chứng chống lại “giả thuyết không” hoặc các giả định cơ bản.

  1. Trị số p không đo lường xác suất mà từ đó giả thuyết nghiên cứu là đúng, hoặc xác suất mà các dữ liệu đã được tạo ra bởi một sự xuất ngẫu nhiên một cách riêng lẻ.

Các nhà nghiên cứu thường muốn đưa trị số p vào tuyên bố về tính đúng đắn của một giả thuyết không, hoặc về xác suất mà sự xuất hiện ngẫu nhiên tạo ra các dữ liệu quan sát được. Trị số p không phải như vậy. Đó là một tuyên bố về dữ liệu liên quan với một sự diễn giải giả thuyết xác định, và không phải là một tuyên bố về sự diễn giải chính nó [giả thuyết].

  1. Các kết luận khoa học và quyết sách kinh tế hoặc chính sách không nên chỉ dựa vào trị số p vượt qua một ngưỡng cụ thể.

Những thực hành giảm bớt phân tích dữ liệu hoặc suy luận khoa học với các quy tắc “sáng tỏ” (Bright-line Rules) một cách máy móc (chẳng hạn như “p < 0.05”) để biện minh cho các tuyên bố hoặc kết luận khoa học có thể dẫn đến niềm tin sai lầm và việc đưa ra quyết định vô giá trị. Một kết luận không ngay lập tức trở thành “đúng” trên một mặt của sự phân chia và “sai” về mặt khác. Các nhà nghiên cứu nên mang nhiều yếu tố bối cảnh (contextual factor) vào nghiên cứu để truy tìm những kết luận khoa học, bao gồm các thiết kế nghiên cứu, chất lượng của các thang đo, các bằng chứng bên ngoài cho các hiện tượng được nghiên cứu, và tính hợp lệ của các giả định làm cơ sở cho việc phân tích dữ liệu. Những xem xét thực tế thường đòi hỏi tính nhị phân, quyết định “yes-no”, nhưng điều này không có nghĩa là trị số p riêng lẻ có thể đảm bảo rằng một quyết định là đúng hay sai. Việc sử dụng rộng rãi “ý nghĩa thống kê” (thường được hiểu là “p ≤ 0,05”) như một chứng thực để làm tuyên bố của một phát hiện khoa học (hay sự đúng đắn được ngầm hiểu) dẫn đến biến dạng đáng kể tiến trình khoa học.

  1. Suy luận hợp lý đòi hỏi tường trình đầy đủ và minh bạch

Trị số p và phân tích có liên quan không nên được báo cáo có chọn lọc. Tiến hành nhiều phân tích các dữ liệu và báo cáo chỉ với trị số p duy nhất (thường là vượt qua một ngưỡng quan trọng) ám chỉ rằng trị số p được báo cáo về cơ bản không thể sáng tỏ. Những kết quả đầy hứa hẹn do “lỗi suy luận” (Cherry-picking), còn được gọi bằng thuật ngữ như vét dữ liệu (data dreging), đuổi bắt ý nghĩa (significance chasing), truy vấn ý nghĩa (significance questing), suy luận có chọn lọc (selective inference) và “p-hacking” [tất cả các thuật ngữ này ám chỉ việc tìm mọi cách để đạt được p < 0.05], dẫn đến dư thừa giả tạo các kết quả có ý nghĩa về mặt thống kê trong các tài liệu được công bố và nên tránh một cách mạnh mẽ. Một nhu cầu không chính thức tiến hành nhiều kiểm định thống kê cho vấn đề này phát sinh: Bất cứ khi nào một nhà nghiên cứu chọn những gì để trình bày dựa trên kết quả thống kê, giải thích giá trị của những kết quả là bị tổn hại nghiêm trọng nếu người đọc không được thông báo về sự lựa chọn và cơ sở của nó. Các nhà nghiên cứu nên tiết lộ số lượng giả thuyết khám phá trong quá trình nghiên cứu, tất cả các quyết định thu thập dữ liệu, tất cả các phân tích thống kê được thực hiện và tất cả các trị số p được tính toán. Kết luận khoa học có giá trị dựa trên các trị số p và thống kê liên quan không thể được rút ra mà không biết ít nhất bao nhiêu phân tích được tiến hành, và làm thế nào những phân tích (bao gồm cả trị số p) đã được lựa chọn để báo cáo.

  1. Trị số p, hay ý nghĩa thống kê, không đo lường kích thước của một ảnh hưởng hoặc tầm quan trọng của kết quả.

Ý nghĩa thống kê không tương đương với ý nghĩa khoa học, con người, hoặc kinh tế. trị số p nhỏ hơn không nhất thiết phải bao hàm sự hiện diện của các ảnh hưởng lớn hơn hoặc quan trọng hơn, và trị số p lớn hơn không ám chỉ thiếu tầm quan trọng hoặc thậm chí không có ảnh hưởng. Bất kỳ tác động, dù nhỏ thế nào, có thể tạo ra một trị số p nhỏ nếu kích thước mẫu hoặc thang đo chính xác là đủ cao, và các ảnh hưởng lớn có thể tạo ra trị số p không mấy ấn tượng nếu kích thước mẫu nhỏ hoặc các thang đo là không chính xác. Tương tự như vậy, những tác động ước lượng giống hệt nhau sẽ có trị số p khác nhau nếu độ chính xác của các ước lượng khác nhau.

  1. Tự thân, trị số p không cung cấp một phép đo bằng chứng tốt về một mô hình hay giả thuyết.

Các nhà nghiên cứu nên nhận thấy rằng trị số p không kèm bối cảnh hoặc các bằng chứng khác thì cung cấp thông tin hạn chế. Ví dụ, một trị số p gần 0,05 đơn giản chỉ cung cấp bằng chứng yếu ớt bác bỏ giả thuyết không. Tương tự như vậy, một trị số p tương đối lớn không bao hàm bằng chứng ủng hộ giả thuyết không; nhiều giả thuyết khác có thể tương đương hoặc phù hợp hơn với các dữ liệu quan sát. Với những lý do này, phân tích dữ liệu không nên kết thúc với việc tính toán trị số p khi cách tiếp cận khác là phù hợp và khả thi.

Các phương pháp tiếp cận khác (Other approaches)

Theo quan điểm về sự lạm dụng thường xuyên và quan niệm sai lầm về trị số p, một số nhà thống kê có khuynh hướng bổ sung hoặc thậm chí thay thế trị số p với các cách tiếp cận khác. Chúng bao gồm các phương pháp nhấn mạnh tính toán qua thử nghiệm, chẳng hạn như khoảng tin cậy (confidence interval & credibility interval đều là khoảng tin cậy nhưng thuộc 2 trường phái thống kê khác nhau) hoặc khoảng dự báo (prediction interval); phương pháp Bayesian; các phép đo thay thế của bằng chứng, chẳng hạn như tỷ số  khả dĩ (likelihood ratio) hoặc các yếu tố Bayes; và các phương pháp khác như mô hình ra quyết định lý thuyết (decision-theoretic modeling) và tỷ lệ phát hiện sai (false discovery rate). Tất cả những phép đo và cách tiếp cận này dựa trên nhiều giả định hơn, nhưng chúng có thể tiếp cận trực tiếp hơn trong việc xác định kích thước của một ảnh hưởng (và sự không chắc chắn liên quan của nó) cho dù giả thuyết là đúng.

Kết luận

Thực hành thống kê tốt, như là một phần thiết yếu của thực hành khoa học tốt, nhấn mạnh nguyên tắc của thiết kế nghiên cứu và tiến hành tốt, một loạt các tóm tắt các dữ liệu dạng số và đồ họa, sự hiểu biết về các hiện tượng được nghiên cứu, giải thích kết quả trong bối cảnh, tường trình đầy đủ, hợp logic và hiểu biết định lượng của những gì tóm tắt dữ liệu có ý nghĩa. Không nên có chỉ số duy nhất nào thay thế cho lý luận khoa học.

Ghi nhận: Ban Điều hành ASA cảm ơn những người sau đây vì việc chia sẻ kinh nghiệm và quan điểm của mình trong sự phát triển bản tuyên bố. Tuyên bố không nhất thiết phản ánh quan điểm của tất cả những người này, và trong thực tế có một số quan điểm là đối lập với tất cả hoặc một phần của tuyên bố. Tuy nhiên, chúng tôi tri ân sâu sắc đối với những đóng góp của họ. Naomi Altman, Jim Berger, Yoav Benjamini, Don Berry, Brad Carlin, John Carlin, George Cobb, Marie Davidian, Steve Fienberg, Andrew Gelman, Steve Goodman, Sander Greenland, Guido Imbens, John Ioannidis, Valen Johnson, Michael Lavine, Michael Lew, Rod Little, Deborah Mayo, Chuck McCulloch, Michele Millar, Sally Morton, Regina Nuzzo, Hilary Parker, Kenneth Rothman, Don Rubin, Stephen Senn, Uri Simonsohn, Dalene Stangl, Philip Stark, Steve Ziliak.

Chuyển Ngữ: Vương Tuấn

Nguồn: ASA


Xem thêm: 10 hiểu lầm về trị số P trong khoa học

 

————————-&&&————————–

 

Giao dịch chứng khoán phái sinh có gì giống và khác giao dịch cổ phiếu?

Giao dịch chứng khoán phái sinh có gì giống và khác giao dịch cổ phiếu?

(Nguồn: https://derivatives.hnx.vn)

Để giúp nhà đầu tư hiểu về thị trường chứng khoán phái sinh (CKPS) một cách đơn giản nhất, dưới đây chúng tôi sẽ so sánh những điểm giống và khác nhau khi giao dịch hợp đồng tương lai chỉ số VN30 trên TTCKPS và giao dịch cổ phiếu trên thị trường cổ phiếu niêm yết HNX.

  Giao dịch cổ phiếu niêm yết HNX Giao dịch hợp đồng tương lai VN30
Mở tài khoản Nhà đầu tư mở một tài khoản tại các công ty chứng khoán (CTCK) là thành viên giao dịch cổ phiếu của HNX. Nhà đầu tư mở tài khoản giao dịch tại các CTCK là thành viên giao dịch CKPS và mở tài khoản ký quỹ tại các CTCK là thành viên bù trừ CKPS.

Nhà đầu tư có thể sử dụng tài khoản giao dịch cổ phiếu để giao dịch CKPS trong trường hợp CTCK nơi nhà đầu tư mở tài khoản đồng thời là thành viên giao dịch CKPS. Khi đó, nhà đầu tư chỉ cần mở thêm 1 tài khoản ký quỹ tại CTCK là thành viên bù trừ được chỉ định.

Nhà đầu tư vẫn có thể giao dịch chứng khoán phái sinh tại các CTCK không phải là thành viên giao dịch CKPS thông qua ủy thác đầu tư cho CTCK thực hiện các giao dịch tại thành viên giao dịch CKPS.

Ký quỹ (Margin) Nhà đầu tư phải có đủ 100% tiền và cổ phiếu trong tài khoản trước khi giao dịch.

Nhà đầu tư có thể vay ký quỹ (margin) để mua cổ phiếu. Chỉ các cổ phiếu đủ tiêu chuẩn mới được thực hiện các giao dịch ký quỹ.

Nhà đầu tư chỉ cần ký quỹ một tỷ lệ nhất định so với giá trị các hợp đồng giao dịch. Hiện tại tỷ lệ ký quỹ theo quy định của  VSD là 10% nhưng để phòng ngừa rủi ro, các CTCK thường  yêu cầu mức ký quỹ cao hơn, từ 13,5-15%.

Ký quỹ trong giao dịch chứng khoán phái sinh là việc nhà đầu tư đặt cọc 1 khoản tiền để đảm bảo cho các giao dịch của mình.

Thời gian giao dịch 9h00-14h45 8h45-14h45
Kết cấu phiên giao dịch Gồm 2 phiên: khớp lệnh liên tục và định kỳ đóng cửa. Gồm 3 phiên: khớp lệnh định kỳ mở cửa, khớp lệnh liên tục, và khớp lệnh định kỳ đóng cửa.
Thời hạn sở hữu của nhà đầu tư Không giới hạn thời gian sở hữu. Nhà đầu tư sở hữu hợp đồng cho đến ngày đáo hạn. Ngày giao dịch cuối cùng được quy định trong mẫu hợp đồng và thông báo trên lịch giao dịch, hiện tại là ngày thứ Năm thứ ba trong tháng.
Khối lượng  phát hành Theo quy mô vốn của các doanh nghiệp Không giới hạn
Khối lượng giao dịch tối thiểu 100 cổ phiếu 1 hợp đồng
Khối lượng giao dịch tối đa/lệnh Không giới hạn 500 hợp đồng/lệnh
Khối lượng nắm giữ tối đa Không giới hạn, trừ một số trường hợp đặc biệt hạn chế tỷ lệ nắm giữ của nhà đầu tư nước ngoài. Giới hạn vị thế nắm giữ tối đa với nhà đầu tư cá nhân là 5.000 hợp đồng, tổ chức là 10.000 hợp đồng, nhà đầu tư chuyên nghiệp là 20.000 hợp đồng.
Đơn vị yết giá/bước giá 1.000 đồng Tính theo điểm chỉ số cơ sở của hợp đồng. Bước giá tối thiểu của hợp đồng tương lai chỉ số VN30 là 0,1 điểm chỉ số.
Biên độ dao động giá 10%.

Ngày giao dịch đầu tiên của cổ phiếu niêm yết: 30%

7%
Phương thức giao dịch Khớp lệnh và thỏa thuận Khớp lệnh và thỏa thuận
Các loại lệnh giao dịch ATO, ATC, LO, MAK, MOK, MTL ATO, ATC, LO, MAK, MOK, MTL
Nguyên tắc khớp lệnh Ưu tiên về giá và thời gian Ưu tiên về giá và thời gian
Giá tham chiếu Là giá đóng cửa của cổ phiếu trong phiên giao dịch liền trước.

Ngày giao dịch đầu tiên: mức giá do doanh nghiệp đăng ký và HNX phê duyệt.

Là giá thanh toán cuối ngày của hợp đồng tương lai trong ngày giao dịch liền trước.

Ngày giao dịch đầu tiên: là giá lý thuyết (do VSD tính toán và công bố).

Thời gian thanh toán T+2 tiền về tài khoản.

T+3 chứng khoán về tài khoản.

Nhà đầu tư thanh toán tiền và cổ phiếu cho người bán qua hệ thống thanh toán bù trừ với giá trị đúng bằng giá trị khớp lệnh.

T+0 ghi nhận sở hữu vị thế  (ngay trong ngày và theo thời gian thực).

T+1 tiền về tài khoản.

Việc thanh toán được thực hiện vào cuối giờ giao dịch hàng ngày. Nếu tài khoản phái sinh của nhà tư lỗ ròng khiến cho số dư ký quỹ dưới mức quy định, trung tâm bù trừ sẽ gọi ký quỹ và nhà đầu tư sẽ phải thanh toán đầy đủ toàn bộ số tiền bổ sung ký quỹ vào sáng ngày giao dịch hôm sau, nếu không CTCK sẽ tiến hành đóng một phần vị thế hợp đồng của nhà đầu tư. Nếu tài khoản phái sinh của nhà đầu tư lãi ròng, tài khoản ký quỹ có số dư, nhà đầu tư sẽ được nhận toàn bộ số lãi phát sinh đó vào sáng ngày hôm sau.

Chốt lãi/lỗ Nhà đầu tư bán cổ phiếu để thu tiền về. Sau khi mua hoặc bán hợp đồng tương lai thì nhà đầu tư phải giao dịch đóng vị thế để chốt lãi/lỗ, nghĩa là thực hiện lệnh giao dịch ngược với giao dịch trước đó. Ví dụ: nếu trước đó nhà đầu tư bán hợp đồng tương lai chỉ số VN30 thì để đóng vị thế, nhà đầu tư sẽ phải mua lại hợp đồng tương lai cùng kỳ hạn với số lượng đúng bằng số lượng đã bán trước đó.

Xem thêm: Vị thế một chứng khoán phái sinh như thế nào?

——————–&&&—————–

“Cái chết” của 1 khái niệm kinh tế đang là kim chỉ nam cho chính sách tiền tệ

“Cái chết” của 1 khái niệm kinh tế đang là kim chỉ nam cho chính sách tiền tệ

(Nguồn: http://cafef.vn)

Ở thời điểm hiện tại, dường như mối quan hệ giữa thất nghiệp và lạm phát đang biến mất vì các NHTW đã sử dụng nhiều cách để bơm tiền vào nền kinh tế. Nhiều chuyên gia cảnh báo rằng đây là điều nguy hiểm đe dọa kinh tế toàn cầu.

Những ngày này, các thống đốc NHTW trên toàn thế giới đang tụ họp tại 1 khu nghỉ dưỡng ở Jackson Hole để tham dự cuộc họp của các NHTW trên toàn thế giới. Trong bối cảnh đó, các chuyên gia phân tích cho rằng 1 khái niệm kinh tế học quan trọng sẽ trở thành chủ đề được bàn tán nhiều nhất ở Jackson Hole: đường cong Philiips.

Năm 1958, nhà kinh tế học người Anh Alban William Phillips đã tiến hành nghiên cứu thực nghiệm dựa trên dữ liệu của nước Anh từ năm 1861 đến năm 1957 và phát hiện ra tương quan âm giữa tỷ lệ thất nghiệpvà lạm phát, tức là khi thất nghiệp ở mức cao thì lạm phát ở mức thấp và ngược lại.

Tuy nhiên, ở thời điểm hiện tại, dường như mối quan hệ này đang biến mất vì các NHTW đã sử dụng nhiều cách để bơm tiền vào nền kinh tế. Nhiều chuyên gia cảnh báo rằng đây là điều nguy hiểm đe dọa kinh tế toàn cầu.

“Mối quan hệ nghịch đảo giữa tỷ lệ thất nghiệp và lạm phát đã “chết”. Chuyện lương thấp và công việc không ổn định đồng nghĩa với sức chi tiêu đã không còn đúng nữa”, Edward Smythe, chuyên gia kinh tế tại Positive Money nói với CNBC.

Smythe bổ sung thêm rằng đó là tin tức rất xấu đối với những nhà hoạch định chính sách mong muốn tăng lãi suất trở lại mức trước khủng hoảng và xóa bỏ số tài sản khổng lồ trên bảng cân đối kế toán mà các NHTW đã mua vào trong các gói nới lỏng định lượng.

Hai mỏ neo của chính sách tiền tệ

Kể từ sau khủng hoảng tài chính đến nay, các NHTW lớn trên thế giới đã neo chính sách tiền tệ vào 2 yếu tố tỷ lệ thất nghiệp và tốc độ lạm phát. Cục dự trữ liên bang Mỹ (Fed), NHTW châu Âu (ECB) và NHTW Anh (BoE) đã hi vọng rằng tỷ lệ thất nghiệp sẽ giảm xuống trong khi lạm phát sẽ sớm đạt mức mục tiêu 2%.

Tuy nhiên, các số liệu kinh tế mới đây cho thấy dù thất nghiệp giảm, lạm phát vẫn gần như dậm chân tại chỗ.

“Đầu năm nay, lạm phát của Mỹ đã có xu hướng tăng lên do nền kinh tế tăng trưởng ổn định và thị trường lao động có nhiều diễn biến tích cực. Chỉ số lạm phát lõi (không bao gồm thực phẩm và năng lượng) đã lên tới 2,3% hồi tháng 2. Tuy nhiên trong mấy tháng gần đây xu hướng đã đảo ngược với chỉ số giảm xuống dưới mức 2%. Một số tính toán cũng cho thấy tiền lương tăng trưởng rất ì ạch”, Micheal Hood, chuyên gia tại JPMorgan Asset Management, nói.

ECB chật vật với đường cong Phillips?

Tháng 6 vừa qua, ECB cũng đã phải hạ triển vọng lạm phát. Chủ tịch Mario Draghi nói rằng ECB dự báo lạm phát năm 2017 chỉ đạt 1,5%, giảm xuống 1,3% trong năm 2018 và đến năm 2019 vẫn chỉ ở mức 1,6%. 3 tháng trước đó các con số dự báo lần lượt là 1,7%, 1,6% và 1,7%.

Biên bản cuộc họp chính sách tháng 7 của ECB cho thấy các quan chức của ECB đã dành ra rất nhiều thời gian để bàn luận về sự rời rạc giữa lạm phát và thất nghiệp. Theo ECB, có một số nguyên nhân thuộc về cấu trúc nền kinh tế gây ra tình trạng này.

“Đó là sự thay đổi của thị trường lao động, trong quy trình xây dựng hợp đồng lao động và khung lương tại các doanh nghiệp. Những thay đổi này là kết quả của các cải cách được đưa ra từ mấy năm trước”, báo cáo có đoạn.

Về lạm phát, một số chuyên gia phân tích cũng cho rằng những yếu tố căn bản đang khiến lạm phát không thể tăng. Theo Alberto Gallo, trưởng bộ phận chiến lược vĩ mô và là ông chủ của quỹ Algebris Macro, đó là những “vết sẹo” trong nền kinh tế cũng như thị trường lao động do thời kỳ suy thoái để lại, là sai sót trong phân bổ nguồn lực do lãi suất thấp, những công nghệ mới giúp tối đa hóa việc chia sẻ nguồn lực và cuối cùng là tình trạng dân số già.

Thoát khỏi QE là câu trả lời?

Gallo cho rằng các NHTW nên chú trọng đến việc xóa bỏ những chính sách kích thích khiến nền kinh tế bị bóp méo.

“Trước tiên thì hiệu quả của chúng đã giảm đi rõ rệt. Lãi suất được giữ ở mức thấp trong thời gian quá dài có thể tạo ra giảm phát. Dân số già đồng nghĩa với tiết kiệm nhiều hơn, trong khi giới doanh nghiệp tập trung vào các biện pháp cắt giảm chi phí. Thứ hai, QE tạo nên những tác dụng phụ, trong đó có bong bóng tài sản đe dọa hệ thống tài chính. Thứ ba, các NHTW cần phải xây dựng những tấm đệm chính sách chắc chắn để đối mặt với bất kỳ rủi ro nào trong tương lai”.

Dẫu vậy, chuyên gia này cảnh báo xóa sổ QE là công việc không hề dễ dàng, đòi hỏi sự đồng thuận giữa các NHTW trong điều kiện mỗi nước theo đuổi 1 chính sách tài khóa khác nhau (và bản thân các chính sách tài khóa cũng không ổn định).

Sẽ có rất nhiều món ăn được dọn ra trên các bàn tiệc cũng như rất nhiều vấn đề cần bàn luận ở Wyoming cuối tuần này. Và thị trường tài chính luôn dõi theo từng động thái của sự kiện để nắm bắt những gợi ý về tương lai của chính sách tiền tệ.

Thu Hương

Theo Trí thức trẻ/CNBC

—————–&&&—————-

Điều gì xảy ra nếu ngân sách quốc gia giống với tài chính của doanh nghiệp, in thêm tiền giống với phát hành cổ phiếu?

Điều gì xảy ra nếu ngân sách quốc gia giống với tài chính của doanh nghiệp, in thêm tiền giống với phát hành cổ phiếu?

(Nguồn: http://cafef.vn)

Trong 1 nghiên cứu mới được tổ chức phi lợi nhuận National Bureau of Economic Research (Mỹ) công bố, hai chuyên gia Patrick Bolton và Haizhou Huang đã làm 1 phép so sánh khác: giữa ngân sách Chính phủ với ngân sách của một công ty.

Cách dễ dàng nhất để khiến 1 nhà kinh tế học nở nụ cười mỉa mai là hãy đem so sánh tình hình tài chính của 1 quốc gia với 1 hộ gia đình. Theo các nhà kinh tế học, đó là phép so sánh khập khiễng và các chính trị gia đã sai bét khi nói rằng một quốc gia “phải chi tiêu đúng với khả năng cho phép”.

Tuy nhiên, trong 1 nghiên cứu mới được tổ chức phi lợi nhuận National Bureau of Economic Research (Mỹ) công bố, hai chuyên gia Patrick Bolton và Haizhou Huang đã làm 1 phép so sánh khác: giữa ngân sáchChính phủ với ngân sách của một công ty.

1 doanh nghiệp có thể tự tài trợ cho bản thân bằng 3 cách: thông qua các nguồn nội lực (chính là doanh thu), qua vay mượn và thông qua vốn cổ phần (phát hành cổ phiếu mới). Trong 2 trường hợp đầu tiên, có thể dễ dàng liên tưởng đến động thái của một quốc gia: Chính phủ có thể huy động tiền từ thuế hoặc vay mượn dưới dạng trái phiếu.

Luận điểm gây bất ngờ nhất trong nghiên cứu này là coi cổ phiếu do 1 công ty phát hành giống như đồng tiền pháp định (fiat money, tức những tờ tiền giấy hoặc tiền xu được Chính phủ công nhận giá trị). Các Chính phủ có thể phát hành tiền pháp định – thứ được sử dụng để giàn xếp nợ và trả thuế. Trong khi vốn cổ phần xác thực quyền sở hữu của cổ đông với một phần tài sản và lợi nhuận của công ty, tiền pháp định xác nhận các công dân có quyền sở hữu đối với hàng hóa và dịch vụ mà quốc gia đó sản xuất ra.

Lạm phát cũng được diễn giải bằng 1 phép so sánh khác. Nếu 1 công ty phát hành cổ phiếu cho nhà đầu tư mới với giá thấp hơn giá trị thực, số cổ phiếu trong tay những cổ đông hiện hữu sẽ bị pha loãng. Tương tự, khi 1 quốc gia phát hành nhiều tiền hơn mà không thể tạo ra tăng trưởng sản lượng thực ngang bằng với sức mua của đồng tiền, số tiền đang lưu hành cũng sẽ bị giảm giá trị.

Khái niệm nổi tiếng trong lĩnh vực tài chính doanh nghiệp – lý thuyết MM – cũng được áp dụng. Theo 2 nhà kinh tế học Franco Modigliani và Merton Miller, nếu như bỏ qua những yếu tố phức tạp như chi phí thuế và chi phí giao dịch, giá trị của 1 công ty sẽ không bị ảnh hưởng dù nó chọn phương thức huy động vốn như thế nào đi chăng nữa, bằng nợ hay bằng vốn cổ phần.

Nói cách khác, giá trị của 1 doanh nghiệp biểu trưng cho tổng giá trị của cổ phiếu và trái phiếu mà nó phát hành. Trái chủ sẽ có quyền ưu tiên so với cổ đông. Nếu công ty phát hành một lượng lớn trái phiếu, giá trị của công ty vẫn sẽ không thay đổi vì khi đó giá trị của cổ phiếu bị giảm xuống.

Đối với 1 quốc gia cũng tương tự như vậy. Giả định rằng 1 quốc gia muốn đầu tư để tăng năng suất. Nó có thể tài trợ cho các khoản đầu tư này bằng cách đi vay bằng ngoại tệ hoặc phát hành thêm tiền pháp định. Trong 1 nền kinh tế đơn giản nhất, 2 lựa chọn này sẽ cho ra kết quả giống nhau nếu áp dụng lý thuyết MM.

Tất nhiên trên thực tế thì câu chuyện phức tạp hơn mà một trong những nguyên nhân là tác dụng phụ của lạm phát. Giả sử trong trường hợp chia tách cổ phiếu, 1 công ty đang có 10 triệu cổ phiếu giao dịch ở mức 500 USD có thể phát hành thêm 10 triệu cổ, giá giảm xuống còn 250 USD/cổ và tổng giá trị của công ty không đổi. Không có ai thiệt hại.

Nếu các Chính phủ phát hành thêm tiền có thể đảm bảo quyền lợi công bằng cho mọi công dân, có thể áp dụng lập luận tương tự. Tuy nhiên, Chính phủ thường sử dụng tiền mới để mua các tài sản tài chính hoặc hàng hóa và dịch vụ, do đó không thể phân phối đồng đều.

Vay nợ cũng mang lại nhiều rủi ro. Một quốc gia có tỷ lệ nợ quá cao có thể phá sản, kéo theo đó là lãi suất phải trả tăng mạnh hoặc thậm chí là không thể tiếp cận thị trường tín dụng, gây ra những hậu quả thảm khốc cho nền kinh tế. Do đó, các Chính phủ phải lựa chọn giữa nguy cơ lạm phát và vỡ nợ.

Những phép so sánh của Patrick Bolton và Haizhou Huang là khá hấp dẫn trong bối cảnh các NHTW trên toàn thế giới đã lạm dụng biện pháp nới lỏng định lượng để bơm lượng tiền khổng lồ vào nền kinh tế kể từ khi khủng hoảng tài chính nổ ra năm 2008. Lạm phát đã không tăng quá mạnh như nhiều người lo sợ, do đó một số chuyên gia kinh tế cho rằng các nước phát triển sẽ gặp phải ít rào cản hơn khi tìm nguồn tài trợ cho các khoản chi tiêu, miễn là NHTW sẵn sàng phát hành tiền pháp định theo yêu cầu.

Dẫu vậy, niềm tin mới là nhân tố quan trọng. Các nước vẫn có thể tìm thấy những khách hàng tiềm năng muốn mua trái phiếu do họ phát hành hay coi trọng giá trị của đồng nội tệ. Tuy nhiên, đến một điểm nào đó, điều này không xảy ra nữa. Và dự đoán thời điểm đó là bao giờ luôn là công việc khó khăn cả đối với các chuyên gia kinh tế cũng như những người ngoại đạo.

Thu Hương

Theo Trí thức trẻ/Economist

——————-&&&——————

Các bất bình đẳng

Các bất bình đẳng

(Nguồn: http://www.phantichkinhte123.com)

I. SỰ BẤT BÌNH ĐẲNG VÀ SỨC KHỎE

II. BẤT BÌNH ĐẲNG VỀ THU NHẬP

III. BẤT BÌNH ĐẲNG VỀ TÀI SẢN

IV. BẤT BÌNH ĐẲNG TRÊN TOÀN CẦU

Tiếp tục đọc