Trả lời ngắn: Bayesian Thinking, hay tư duy Bayes, là cách cập nhật mức tin ban đầu bằng evidence mới theo một quy tắc rõ. Nó kết hợp prior với likelihood để tạo posterior, đồng thời buộc người nghiên cứu công khai giả định, kiểm độ nhạy và sửa mô hình khi dữ liệu không khớp.

Đọc xong, bạn sẽ hiểu:

  • Prior, likelihood và posterior khác nhau ở đâu.
  • Vì sao P(E|H) không phải P(H|E).
  • Cách tính và kiểm một update Bayes demo trong 15 phút.

Lưu ý giáo dục: Mọi doanh nghiệp, tỷ lệ và evidence trong bài đều là demo. Đây không phải dự báo, tín hiệu giao dịch hay khuyến nghị mua/bán; quyết định tài chính có rủi ro mất vốn.

1. Bayesian Thinking là gì và khác đổi ý tùy hứng ra sao

a. Bốn mảnh của một update

Hypothesis, hay giả thuyết, là mệnh đề đang được đánh giá. Ta dùng H cho câu: “Revenue A-demo tăng trên 10% trước hạn chót.”

Prior probability là probability của H trước evidence mới. Evidence là thông tin quan sát dùng để cập nhật. Likelihood là probability thấy evidence nếu một giả thuyết đúng. Posterior probability là probability của H sau khi kết hợp prior và likelihood.

Nói đời thường: prior là số cân hành lý trước khi bỏ thêm món đồ; posterior là số sau khi bỏ. Số sau kế thừa số trước, chứ chiếc cân không quên toàn bộ vali mỗi lần có món mới.

b. Cập nhật có kỷ luật

Đổi ý tùy hứng thường chỉ nói: “Tin này tốt nên xác suất cao hơn”. Update Bayes hỏi:

  1. H là gì, phân giải khi nào và prior bao nhiêu?
  2. Evidence thường xuất hiện thế nào khi H đúng và khi H sai?
  3. Posterior đổi ra sao, giả định nào làm kết quả yếu?

NIST mô tả công thức Bayes như công cụ kết hợp prior với dữ liệu hiện tại để tạo posterior. NIST/SEMATECH

c. Ranh giới với bài trước

Probabilistic Thinking #7 dạy cách viết event, base rate, probability và nhật ký cập nhật. Bài này trả lời: evidence mới đáng kéo probability lên hoặc xuống bao nhiêu?

Posterior không phải sự thật; nó có điều kiện trên prior, evidence và mô hình. Sai đầu vào hoặc thiếu hypothesis quan trọng thì phép tính đúng vẫn có thể cho kết luận tệ.

Hình 1 — Bayes giữ prior, đo sức nặng evidence rồi tạo posterior có thể kiểm và ghi lại.

2. Bayes hoạt động thế nào: từ 20% tới 36,8%

a. Đếm trên 100 trường hợp trước

Giả sử nhóm tham chiếu có 100 doanh nghiệp demo:

  • 20 trường hợp đạt H: revenue tăng trên 10%.
  • 80 trường hợp không đạt H, ký hiệu ¬H.
  • Evidence E là “mức doanh thu đã có hợp đồng bao phủ vượt ngưỡng demo”.
  • Trong 20 trường hợp đạt H, 70% có E: 20 × 70% = 14.
  • Trong 80 trường hợp không đạt H, 30% vẫn có E: 80 × 30% = 24.

Khi thấy E, ta không chỉ nhìn 14 trường hợp thuận. Tổng số trường hợp có E là 14 + 24 = 38. Trong đó, 14 trường hợp đạt H.

P(H|E) = 14 / 38 = 36,8%

Natural frequency, hay tần suất tự nhiên, đổi phần trăm thành số trường hợp để thấy cả nhánh đúng và sai, giúp phát hiện lỗi bỏ base rate.

Hình 2 — Trong 38 case có evidence, chỉ 14 case đạt giả thuyết; vì vậy posterior là 36,8%, không phải 70%.

b. Viết bằng Bayes formula

Conditional probability là probability của một mệnh đề khi đã biết mệnh đề khác. P(E|H) đọc là “probability thấy E khi H đúng”. Nó không phải P(H|E), tức “probability H đúng khi đã thấy E”.

Với số demo:

P(H) = 20%

P(E|H) = 70%

P(E|¬H) = 30%

P(H|E) = [70% × 20%] / [70% × 20% + 30% × 80%]

P(H|E) = 14% / 38% = 36,8%

70% là likelihood của evidence dưới H, không phải posterior. “Doanh nghiệp đạt mục tiêu thường có hợp đồng tốt” chưa đủ để đảo chiều kết luận.

c. Đọc bằng odds

Odds là p/(1-p). Với prior 20%, prior odds là 20:80 = 0,25.

Likelihood ratio (LR) so evidence dưới hai giả thuyết:

LR = P(E|H) / P(E|¬H) = 70% / 30% = 2,33

Posterior odds = prior odds × LR = 0,25 × 2,33 = 0,583

Đổi odds về probability: 0,583 / (1 + 0,583) = 36,8%. LR trên 1 kéo mức tin lên, dưới 1 kéo xuống, bằng 1 không đổi. Quan hệ prior odds và posterior odds được trình bày bởi Kass & Raftery. Kass & Raftery, 1995

3. Evidence mạnh, evidence yếu và prior sensitivity

a. Evidence mạnh không đồng nghĩa tin tốt

Sức nặng evidence đến từ độ chênh giữa P(E|H) và P(E|¬H), không đến từ giọng điệu tiêu đề tin.

  • Nếu hai tỷ lệ là 70% và 30%, LR 2,33: evidence nghiêng về H.
  • Nếu là 55% và 45%, LR 1,22: evidence khá yếu.
  • Nếu là 30% và 60%, LR 0,50: evidence kéo probability của H xuống.

“Có hợp đồng” chưa tự là evidence mạnh. Nếu hai nhóm đều thường có hợp đồng, thông tin đó phân biệt kém.

b. Prior vẫn còn trong posterior

Giữ cùng likelihood 70%/30%, nhưng thử ba prior hợp lý:

Prior Posterior Cách đọc
10% 20,6% Evidence kéo lên nhưng nền ban đầu thấp
20% 36,8% Case demo chính
30% 50,0% Cùng evidence, điểm xuất phát cao hơn

Prior sensitivity kiểm posterior với nhiều prior có thể bảo vệ. Nếu kết luận đổi hẳn giữa 10% và 30%, phải báo kết quả phụ thuộc mạnh vào prior.

Prior phải được hiểu trong bối cảnh likelihood và toàn bộ mô hình. Gelman et al., 2017

Hình 3 — Cùng một evidence tạo ba posterior khác nhau; update không xóa điểm xuất phát.

c. Không đếm một nguồn ba lần

Giả sử ban lãnh đạo đưa dự báo. Một bài báo chép dự báo, rồi ghi chú phân tích tóm tắt bài báo. Ba văn bản không mặc nhiên là ba evidence độc lập.

Nhân ba LR như ba nhân chứng riêng sẽ đẩy posterior quá xa. Đây là double counting, hay đếm trùng evidence. Trước update tuần tự, phải vẽ nguồn gốc và quan hệ phụ thuộc.

Hình 4 — Ba tài liệu cùng bắt nguồn từ một guidance không tạo thành ba bằng chứng độc lập.

4. Sai lầm, giới hạn và checklist cập nhật

a. Sáu lỗi hay gặp

  1. Base-rate neglect: bỏ prior vì câu chuyện riêng nghe quá thuyết phục.
  2. Inverse fallacy: lấy P(E|H) thay cho P(H|E).
  3. Cherry-picking: chỉ cập nhật tin thuận, bỏ tin nghịch.
  4. Double counting: nhân evidence cùng nguồn như độc lập.
  5. False precision: ghi 36,8421% dù conditional rates chỉ là ước lượng thô.
  6. Prior cố chấp: gọi mọi evidence trái ý là “nhiễu” để không phải đổi số.

Bayes cũng không tự sửa model misspecification, tức mô hình mô tả sai cách dữ liệu phát sinh. Một hypothesis bị bỏ quên, dữ liệu được chọn thiên lệch hoặc tỷ lệ lấy từ nhóm không tương đồng đều có thể làm posterior sai hướng.

b. Checklist tám bước

  1. Viết H, ¬H, hạn chót và quy tắc phân giải.
  2. Ghi prior cùng nhóm tham chiếu và nguồn.
  3. Mô tả E trước khi nhìn kết quả.
  4. Ước lượng cả P(E|H) và P(E|¬H).
  5. Vẽ 100 trường hợp hoặc tính công thức.
  6. Thử ít nhất ba prior hợp lý.
  7. Kiểm evidence có chung nguồn hoặc phụ thuộc nhau không.
  8. Ghi p cũ, p mới, lý do, ngày và điều sẽ làm mô hình đổi.

c. Khi phải đứng ngoài hoặc dừng

Đứng ngoài phép tính nếu không có nhóm tham chiếu và cũng không bảo vệ được hai tỷ lệ có điều kiện. Ghi khoảng hoặc “chưa biết” trung thực hơn bịa 70/30.

Dừng ra quyết định nếu posterior vượt ngưỡng chỉ dưới một prior cực đoan, hoặc mức lỗ đuôi phá ngưỡng sống sót. Posterior là đầu vào, không phải quyết định. Bayesian workflow thực tế còn cần kiểm mô hình và validation. Gelman et al. — Bayesian Workflow

5. Bài tập 15 phút: Bayes Update Sheet

a. Công cụ miễn phí

Dùng Google Sheets hoặc giấy. Chọn A-demo, không đặt lệnh và chưa dùng tiền thật. Viết H: “Revenue tăng trên 10% trước 31/03”, rồi dùng evidence hợp đồng demo.

b. Mẫu đối chiếu đã điền

Prior P(E|H) P(E|¬H) Posterior Kết luận
10% 70% 30% 20,6% Phụ thuộc prior thấp
20% 70% 30% 36,8% Base demo
30% 70% 30% 50,0% Chạm ngưỡng 50%

Trong Sheets, dùng:

=(B2*A2)/(B2*A2+C2*(1-A2))

Thêm cột nguồn tỷ lệ, evidence cùng nguồn?, p cũ, p mới, lý do, ngày. Không xóa cập nhật cũ.

c. Kết quả mong đợi

Sau 15 phút, bạn phải giải thích được vì sao 70% trở thành posterior 36,8%. Nếu không nói được 70% đến từ đâu, đánh dấu tỷ lệ là demo/chưa biết và dừng.

Với mô hình thật, predictive check, hay kiểm tra dự báo, so dữ liệu mô phỏng với dữ liệu quan sát. Stan User’s Guide Bài tập này chỉ luyện nhật ký cập nhật.

6. Tổng kết

a. Năm ý chính

  • Prior là điểm xuất phát phải công khai, không phải con số để giấu.
  • Likelihood hỏi evidence thường gặp thế nào dưới từng hypothesis.
  • Posterior kế thừa prior; P(E|H) không phải P(H|E).
  • Natural frequency và prior sensitivity giúp kiểm phép tính lẫn giả định.
  • Bayes không cứu được dữ liệu chọn lệch, mô hình sai hoặc evidence bị đếm trùng.

b. Câu hỏi tự kiểm tra

  • Vì sao P(E|H)=70% chưa cho biết P(H|E)?
  • Với 38 trường hợp có evidence và 14 trường hợp đạt H, posterior bằng bao nhiêu?
  • LR dưới 1 làm probability của H thay đổi thế nào?
  • Vì sao không được nhân ba tài liệu cùng nguồn như ba evidence?

c. Gợi ý đáp án

Xem gợi ý câu 1Vì còn cần prior và tần suất evidence khi `H` sai. Xem mục 2.
Xem gợi ý câu 2`14/38 = 36,8%`. Xem mục 2.
Xem gợi ý câu 3LR dưới 1 kéo posterior odds của `H` xuống. Xem mục 3.
Xem gợi ý câu 4Ba tài liệu có cùng nguồn gốc nên phụ thuộc nhau; nhân riêng sẽ đếm trùng. Xem mục 3.

d. Thuật ngữ cần nhớ

Thuật ngữ Giải thích ngắn
Hypothesis Mệnh đề đang được đánh giá.
Prior Probability trước evidence mới.
Evidence Thông tin quan sát dùng để cập nhật.
Likelihood Probability thấy evidence nếu hypothesis đúng.
Posterior Probability sau khi update.
Conditional probability Probability của A khi biết B.
Natural frequency Số trường hợp trong một nhóm cố định.
Likelihood ratio Tỷ số sức hợp evidence dưới hai hypothesis.
Prior sensitivity Thử nhiều prior để kiểm độ bền posterior.
Double counting Đếm cùng một nguồn evidence nhiều lần.

e. Nguồn tham khảo

f. Học tiếp gì?

Bài trước: Probabilistic Thinking là gì? #7. Tiếp theo: Sensitivity Analysis nâng cao #9 — kiểm một kết luận đổi ra sao khi driver và giả định thay đổi.

Nhắc lại: Đây là nội dung giáo dục. Prior, likelihood và posterior demo không phải tín hiệu giao dịch, lời khuyên đầu tư hay cam kết lợi nhuận.