Cách kiểm tra giả thuyết nguyên nhân

Bắt đầu từ một giả thuyết có thể kiểm chứng

Giả thuyết nguyên nhân cần mô tả rõ cái gì được cho là nguyên nhân, cái gì là kết quả và quan hệ dự kiến giữa chúng. Một phát biểu như “A ảnh hưởng đến B” chưa đủ để kiểm tra nếu không xác định được ảnh hưởng đó được đo bằng cách nào.

Một giả thuyết có thể kiểm chứng nên trả lời được:

·         Nguyên nhân: Biến nào được thay đổi hoặc quan sát?

·         Kết quả: Biến nào được đo?

·         Hướng tác động: A làm B tăng, giảm hay thay đổi theo một dạng cụ thể?

·         Thời gian: Tác động được kỳ vọng xuất hiện khi nào?

·         Điều kiện: Quan hệ có phụ thuộc vào nhóm đối tượng, mức độ tác động hoặc hoàn cảnh không?

·         Cơ chế: Vì sao A có thể dẫn đến B?

Ví dụ, thay vì giả thuyết “thời gian học nhiều giúp điểm cao”, có thể chuyển thành một giả thuyết cụ thể hơn: “Trong cùng một nhóm học sinh, tăng thời gian luyện tập có cấu trúc từ 3 lên 5 giờ mỗi tuần làm điểm kiểm tra trung bình tăng sau 6 tuần”.

Khi đó, giả thuyết đã tạo ra các yếu tố có thể kiểm tra: thời gian luyện tập là biến tác động, điểm kiểm tra là kết quả, 6 tuần là khoảng thời gian và mức tăng điểm là kết quả cần quan sát.

Phân biệt bằng chứng tương quan với bằng chứng nhân quả

Bước quan trọng khi kiểm tra giả thuyết nguyên nhân là xác định loại bằng chứng đang có. Hai biến cùng thay đổi không đủ để chứng minh một biến gây ra biến kia.

Có ít nhất ba khả năng:

1.    A gây ra B

2.    B gây ra A

3.    Một yếu tố C tác động lên cả A và B

Ví dụ, nếu những người ngủ nhiều hơn có kết quả học tập tốt hơn, dữ liệu đó chưa chứng minh ngủ nhiều là nguyên nhân trực tiếp. Sức khỏe, lịch học, mức độ căng thẳng hoặc nhiều yếu tố khác có thể đồng thời ảnh hưởng đến cả giấc ngủ và kết quả học tập.

Vì vậy, bằng chứng nên được xem xét theo mức độ hỗ trợ:

·         Dữ liệu quan sát: Cho thấy mối liên hệ và giúp phát hiện mẫu hình

·         So sánh có kiểm soát: Giảm bớt ảnh hưởng của các yếu tố khác

·         Thử nghiệm can thiệp: Chủ động thay đổi nguyên nhân và quan sát kết quả

·         Bằng chứng cơ chế: Giải thích quá trình trung gian từ nguyên nhân đến kết quả

·         Lặp lại độc lập: Kiểm tra xem kết quả có ổn định trong các lần thử khác hay không

Điểm mấu chốt là: bằng chứng càng kiểm soát tốt các cách giải thích thay thế thì giá trị nhân quả càng cao.

Dùng thử nghiệm can thiệp để kiểm tra tác động

Nếu có thể can thiệp, thử nghiệm là cách trực tiếp để kiểm tra giả thuyết nguyên nhân.

Thiết kế cơ bản gồm:

Nhóm can thiệp → Thay đổi nguyên nhân → Đo kết quả

Nhóm đối chứng → Không thay đổi nguyên nhân → Đo kết quả

Nếu các yếu tố quan trọng được kiểm soát và nhóm can thiệp thay đổi kết quả theo hướng mà giả thuyết dự đoán, bằng chứng nhân quả sẽ mạnh hơn so với chỉ quan sát tương quan.

Phân bổ ngẫu nhiên giúp giảm khả năng một đặc điểm có sẵn của đối tượng giải thích sự khác biệt giữa các nhóm. Khi không thể phân bổ ngẫu nhiên, có thể dùng các thiết kế bán thực nghiệm hoặc nhóm đối chứng phù hợp để giảm ảnh hưởng của yếu tố gây nhiễu.

Một thử nghiệm tốt cần xác định trước:

·         Biến nào được can thiệp

·         Mức độ can thiệp

·         Nhóm đối chứng

·         Kết quả chính cần đo

·         Khoảng thời gian đo

·         Cách xử lý trường hợp dữ liệu thiếu

·         Tiêu chí đánh giá kết quả

Không nên chỉ kiểm tra xem kết quả “có thay đổi hay không”. Cần xác định thay đổi bao nhiêu, theo hướng nào và mức độ chắc chắn của ước lượng đó.

Kiểm tra cơ chế, điều kiện và các cách giải thích thay thế

Một kết quả phù hợp với giả thuyết vẫn chưa đủ nếu có một cơ chế khác có thể tạo ra cùng kết quả.

Giả sử can thiệp A làm B tăng. Cần tiếp tục hỏi:

Tại sao B tăng?

Nếu giả thuyết cho rằng A tác động lên B thông qua C, có thể kiểm tra xem C có thay đổi theo A hay không và sự thay đổi đó có phù hợp với cơ chế dự kiến không.

Ngoài cơ chế, cần kiểm tra:

·         Điều kiện: Tác động có chỉ xuất hiện trong một nhóm hoặc hoàn cảnh nhất định không?

·         Liều lượng: Tác động có thay đổi khi mức can thiệp thay đổi không?

·         Thời điểm: Kết quả có xuất hiện sau nguyên nhân như dự kiến không?

·         Ngoại lệ: Có trường hợp nào A thay đổi nhưng B không thay đổi không?

·         Yếu tố gây nhiễu: Có biến nào khác thay đổi đồng thời với A không?

·         Sai số đo lường: Kết quả quan sát có thể xuất phát từ cách đo thay vì tác động thực tế không?

Một kiểm tra đặc biệt hữu ích là tìm dự đoán mà giả thuyết có thể sai. Nếu giả thuyết nói A luôn gây B nhưng một điều kiện kiểm soát khiến A thay đổi mà B không thay đổi, giả thuyết cần được xem xét lại thay vì chỉ tìm thêm dữ liệu ủng hộ.

Đánh giá kết quả bằng chỉ số và bằng chứng phù hợp

Kết luận không nên dừng ở “thử nghiệm có hiệu quả” hoặc “có sự khác biệt”. Với kết quả định lượng, cần báo cáo mức độ tác động và độ bất định của nó.

Có thể xem xét:

·         Effect size: Tác động lớn đến mức nào

·         Khoảng tin cậy: Khoảng giá trị phù hợp với dữ liệu và mức độ bất định của ước lượng

·         Cỡ mẫu: Có đủ quan sát để phát hiện tác động đáng quan tâm không

·         Độ biến thiên: Kết quả có ổn định hay bị chi phối bởi một số quan sát

·         Ý nghĩa thống kê: Dữ liệu có đủ bằng chứng chống lại giả thuyết “không có tác động” theo mô hình kiểm định đã chọn hay không

·         Ý nghĩa thực tế: Mức tác động có đủ lớn để có ý nghĩa trong thực tế hay không

Không nên dùng p-value như tiêu chí duy nhất để quyết định giả thuyết đúng hay sai. Một tác động rất nhỏ có thể đạt ý nghĩa thống kê khi cỡ mẫu lớn, trong khi một tác động đáng kể về thực tế có thể cho kết quả chưa chắc chắn khi dữ liệu quá ít.

Nếu kết quả ban đầu phù hợp với giả thuyết, nên lặp lại thử nghiệm hoặc kiểm tra trên dữ liệu độc lập. Nếu kết quả không tái lập, cần xem xét lại cơ chế, điều kiện thử nghiệm, chất lượng đo lường hoặc chính giả thuyết ban đầu.

Khi nào có thể chấp nhận hoặc bác bỏ giả thuyết nguyên nhân?

Kiểm tra giả thuyết nguyên nhân không nhất thiết tạo ra một kết luận nhị phân tuyệt đối là “đúng” hoặc “sai”. Kết quả thường cho biết mức độ bằng chứng ủng hộ một quan hệ nhân quả trong những điều kiện cụ thể.

Có thể sử dụng logic sau:

·         Bằng chứng không phù hợp: Kết quả trái với dự đoán chính → Giả thuyết cần bác bỏ hoặc sửa đổi

·         Bằng chứng yếu: Có dấu hiệu tác động nhưng dữ liệu chưa đủ chắc chắn → Cần thêm dữ liệu hoặc thiết kế kiểm tra tốt hơn

·         Bằng chứng phù hợp: Tác động xuất hiện đúng hướng, đúng điều kiện và có độ lớn phù hợp → Giả thuyết được hỗ trợ

·         Bằng chứng mạnh: Tác động được tái lập, cơ chế phù hợp và các cách giải thích thay thế đã được kiểm soát → Mức độ tin cậy vào quan hệ nhân quả cao hơn

Quan trọng nhất là phải giữ đúng phạm vi của kết luận. Nếu thử nghiệm chỉ kiểm tra một nhóm, một mức can thiệp hoặc một điều kiện, không nên tự động khái quát thành “A luôn gây B” trong mọi hoàn cảnh.

Vì vậy, một quy trình kiểm tra giả thuyết nguyên nhân chặt chẽ thường đi từ giả thuyết có thể đo lường → bằng chứng quan sát → can thiệp có đối chứng khi khả thi → kiểm tra cơ chế và yếu tố gây nhiễu → đánh giá effect size và độ bất định → lặp lại và xác định giới hạn của kết luận.