Statistics Framework: Đọc dữ liệu theo sáu câu hỏi #20

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch.

Trả lời ngắn: Statistics Framework, hay khung mô tả dữ liệu, là quy trình đặt sáu câu hỏi trước khi chọn chỉ số. Bạn xác định tập dữ liệu và nhóm tham chiếu, rồi lần lượt xem tâm, độ phân tán, hình dạng, vị trí tương đối; cuối cùng đối chiếu kết quả bằng biểu đồ và ghi rõ giới hạn.

Đọc xong, bạn sẽ hiểu:

• Vì sao một chỉ số riêng lẻ không thể kể hết câu chuyện của dữ liệu.
• Cách ghép Mean đến Z-score thành bốn nhóm công cụ có nhiệm vụ khác nhau.
• Cách làm một báo cáo mô tả ngắn bằng Google Sheets và biết lúc nào phải dừng.

Sau chín bài, bạn có thể nhớ nhiều định nghĩa nhưng vẫn lúng túng trước một cột số mới. Vấn đề nằm ở thứ tự câu hỏi. Bài này gom các công cụ thành một quy trình, đồng thời giữ rõ ranh giới: mô tả dữ liệu đã thấy không đồng nghĩa với dự báo.

1. Statistics Framework là gì? Sáu câu hỏi trước khi tính

Statistics Framework là khung chọn câu hỏi trước khi chọn hàm. Nó không phải công thức thứ mười. Dataset là tập quan sát cùng phạm vi và đơn vị; phân phối là cách các giá trị trải ra trong tập đó.

Khung bắt đầu bằng sáu câu:

1. Dữ liệu nào? Đơn vị là gì, thuộc khoảng thời gian nào, gồm ai hoặc vật gì, dữ liệu thiếu được xử lý ra sao?
2. Tâm ở đâu? Giá trị điển hình nên được mô tả bằng Mean, Median hay Mode?
3. Trải rộng bao nhiêu? Các giá trị nằm sát tâm hay phân tán xa?
4. Hình dạng ra sao? Phân phối cân đối, lệch về một phía hay có đuôi nặng?
5. Giá trị đứng ở đâu? Một quan sát nằm ở thứ hạng nào hoặc cách tâm bao nhiêu độ lệch chuẩn?
6. Biểu đồ và giới hạn có khớp không? Con số có phù hợp hình phân phối, nguồn dữ liệu và mục tiêu sử dụng không?

Hình 1 — Đặt đúng câu hỏi trước, chọn công cụ sau.

Nhóm tham chiếu là nhóm dùng làm nền so sánh. Điểm 80 trong một lớp không mang cùng vị trí với điểm 80 trong lớp khác.

NIST mô tả phân tích dữ liệu khám phá, hay EDA, là một cách tiếp cận nhằm tăng hiểu biết, phát hiện cấu trúc, ngoại lệ và kiểm tra giả định, chứ không chỉ là một túi kỹ thuật (NIST — What is EDA?). Tinh thần đó giải thích vì sao câu hỏi và biểu đồ đứng trước kết luận.

Bốn nhóm trong khung là tâm (location), độ phân tán (spread), hình dạng (shape) và vị trí tương đối. Nếu đơn vị, phạm vi hoặc quy tắc loại dữ liệu chưa rõ, hãy quay lại bước một thay vì bấm thêm hàm.

2. Bốn nhóm công cụ trả lời bốn câu hỏi khác nhau

a. Tâm: Mean, Median và Mode

Mean #11, hay trung bình cộng, lấy tổng chia cho số quan sát. Nó dùng toàn bộ độ lớn của các giá trị nên phản ứng mạnh khi xuất hiện ngoại lệ.

Median #12, hay trung vị, là giá trị giữa sau khi sắp xếp. Nó dựa vào thứ tự nên bền hơn trước một giá trị quá lớn hoặc quá nhỏ. Điều này không làm Median “tốt hơn” Mean trong mọi trường hợp: Mean giữ thông tin về độ lớn của từng quan sát, còn Median giảm ảnh hưởng của ngoại lệ.

Mode #13, hay mốt, là giá trị xuất hiện nhiều nhất. Một tập có thể không có Mode rõ hoặc có nhiều Mode.

Theo NIST về location, Mean, Median và Mode đều mô tả vị trí; với dữ liệu lệch, không có một số trung tâm duy nhất hiển nhiên phù hợp cho mọi mục đích. Vì vậy, hãy hỏi “tâm phục vụ câu hỏi gì?” thay vì tranh luận số nào luôn đúng.

b. Độ phân tán: Variance và Standard Deviation

Variance #14, hay phương sai, tổng hợp độ lệch bình phương quanh Mean theo quy ước tính (convention): toàn bộ tổng thể (population) hoặc một mẫu (sample) lấy từ tổng thể. Đơn vị của nó cũng bị bình phương.

Standard Deviation #15, hay độ lệch chuẩn và viết tắt là SD, là căn bậc hai của Variance. Nó trở về đơn vị gốc. Hai nhóm cùng Mean 5 vẫn có thể khác: nhóm A nằm sát 5, nhóm B trải rộng hơn nên có SD lớn hơn.

Variance và SD trả lời “trải rộng bao nhiêu”, không trả lời “lệch về phía nào”. NIST cũng tách scale khỏi location (NIST — Measures of Scale).

c. Hình dạng: Skewness và Kurtosis

Skewness #16, hay độ lệch, đo mức phân phối mất cân đối. Dấu dương thường đi với đuôi phải dài hơn; dấu âm thường đi với đuôi trái dài hơn. Nó không cho biết nguyên nhân và không phải tín hiệu mua bán.

Kurtosis #17, hay độ nhọn-đuôi, mô tả mức độ đuôi nặng theo quy ước, không chỉ là “đỉnh nhọn”. Phần mềm có thể báo kurtosis thường hoặc excess kurtosis, tức kurtosis đã trừ 3. NIST cũng lưu ý có nhiều định nghĩa.

d. Vị trí: Percentile và Z-score

Percentile #18, hay phân vị phần trăm, là mốc mà một tỷ lệ quan sát nằm ở hoặc dưới. Nó nói về thứ hạng trong phân phối. Điểm 80 có thể ở Percentile 90 trong nhóm A nhưng chỉ Percentile 60 trong nhóm B.

Z-score #19, hay điểm chuẩn hóa, đo khoảng cách từ một giá trị đến Mean bằng số SD. Z-score +2 nghĩa là giá trị cao hơn Mean hai SD trong nhóm đã chọn; nó không tự động có nghĩa “tốt” hay “an toàn”.

Hình 2 — Mỗi nhóm chỉ số trả lời một câu hỏi khác nhau.

Mỗi nhóm bổ sung một vế; cả bốn vẫn phải được đối chiếu với nguồn dữ liệu, biểu đồ và giới hạn.

3. Đi hết framework trên một dãy dữ liệu

Ta dùng đúng một dãy giả lập gồm 10 mức thay đổi theo đơn vị điểm:

-4, -2, -1, 0, 0, 0, 1, 2, 3, 10

Đây là dữ liệu giả để kiểm cơ chế. Các số cùng đơn vị điểm và được xem như toàn bộ tổng thể minh họa, trừ khi ghi rõ khác.

Bước 1: kiểm dữ liệu

Dãy đã sắp tăng dần, có n = 10, không có ô thiếu. Ta giữ điểm 10 để xem từng số đo phản ứng ra sao.

Bước 2: tìm tâm

Tổng dãy là 9, nên:

Mean = 9 ÷ 10 = 0,9

Hai giá trị giữa đều là 0, nên Median bằng 0. Số 0 xuất hiện ba lần, nhiều nhất, nên Mode cũng bằng 0.

Mean 0,9 cao hơn Median và Mode 0 vì điểm 10 kéo nó lên, còn hai số kia vẫn quanh nơi đa số giá trị tập trung. Hãy nói “tâm quanh 0 nhưng Mean bị đuôi phải ảnh hưởng”, không nói “Mean sai”.

Bước 3: đo độ phân tán

Theo quy ước tổng thể:

VAR.P = 12,69 điểm²

STDEV.P = √12,69 ≈ 3,56 điểm

SD 3,56 cho thấy các giá trị không nằm sát hoàn toàn quanh Mean 0,9, nhưng chưa nói đuôi nằm bên trái hay phải.

Bước 4: nhìn hình dạng

Google Sheets cho:

SKEW.P ≈ +1,36

Dấu dương phù hợp với đuôi kéo sang phải bởi điểm 10. Với KURT, Sheets dùng excess kurtosis trên mẫu:

KURT ≈ +3,94

SKEW.P dùng quy ước tổng thể, còn KURT dùng quy ước excess trên mẫu. Hai nhãn phải đi cùng kết quả.

Một histogram, hay biểu đồ tần suất theo khoảng, giúp kiểm lời kể. NIST cho biết histogram thể hiện vị trí, độ phân tán, độ lệch và giá trị xa (NIST — Histogram). Với 10 quan sát, hãy nhìn thêm dãy đã sắp.

Bước 5: xác định vị trí tương đối

Theo PERCENTILE.INC:

• P25 = -0,75
• P75 = +1,75

Nửa giữa của dãy nằm từ -0,75 đến +1,75. Điểm 10 nằm vượt xa khoảng này.

Z-score theo tổng thể của điểm 10 là:

zP(10) = (10 - 0,9) ÷ 3,56 ≈ +2,55

Điểm 10 cao hơn Mean khoảng 2,55 SD trong chính dãy này. Đổi nhóm sẽ đổi Mean, SD và Z-score.

Hình 3 — Ghép bốn góc nhìn mới cho lời mô tả có bối cảnh.

Bước 6: ghép lời kể và ghi giới hạn

Một báo cáo ngắn có thể viết:

Dãy 10 mức thay đổi giả lập tập trung quanh 0: Median và Mode đều bằng 0, còn Mean 0,9 bị điểm 10 kéo lên. Độ lệch chuẩn tổng thể là 3,56 điểm. Phân phối lệch phải với SKEW.P khoảng +1,36; điểm 10 cách Mean khoảng +2,55 SD. Kết quả chỉ mô tả dãy nhỏ và không dự báo quan sát tiếp theo.

Đoạn này đủ tâm, độ phân tán, hình dạng, vị trí và giới hạn mà không gán nguyên nhân hay tạo tín hiệu thị trường.

4. Sáu lỗi phổ biến và giới hạn cần ghi

Lỗi 1: chưa định nghĩa dữ liệu nhưng đã tính. Trộn ngày với tháng, giá với phần trăm hoặc hai nhóm khác nhau sẽ làm kết quả mất nghĩa.

Lỗi 2: chọn một chỉ số duy nhất. Mean không cho biết độ phân tán; SD không cho biết phía lệch; Z-score không nói tốt hay xấu.

Lỗi 3: trộn tổng thể và mẫu. VAR.P khác VAR.S; SKEW.P khác SKEW; KURT của Sheets là excess trên mẫu. Gắn nhãn để người khác tái tạo được.

Lỗi 4: áp ngưỡng cứng. Z-score vượt 2 không luôn là giá trị xa (outlier). Ngưỡng phụ thuộc lĩnh vực, dữ liệu, cỡ mẫu và chi phí sai.

Lỗi 5: bỏ qua biểu đồ. Hai dãy có thể cùng Mean và SD nhưng hình phân phối khác. Histogram, biểu đồ điểm hoặc biểu đồ hộp là phép đối chiếu.

Lỗi 6: đổi mô tả thành dự báo. Dự báo cần mô hình, giả định và thử trên dữ liệu chưa dùng để xây mô hình. “Đuôi phải” không bảo đảm quan sát tiếp theo tăng.

Ngoài sáu lỗi, còn bốn giới hạn đáng ghi:

• Mẫu nhỏ: 10 quan sát khiến Skewness và Kurtosis nhạy với từng điểm.
• Ngoại lệ: một giá trị xa có thể thay đổi Mean, Variance, SD và các số đo hình dạng.
• Phụ thuộc thời gian: các quan sát liên tiếp có thể liên quan nhau; công thức mô tả không tự kiểm điều này.
• Nhóm tham chiếu: Percentile và Z-score thay đổi khi đổi nhóm hoặc cửa sổ thời gian.

Rủi ro thực tế là cảm giác chắc chắn giả. Hãy dừng khi không rõ nguồn, đơn vị, nhóm hoặc quy ước của hàm.

5. Checklist và Practice Bridge Google Sheets 15 phút

Dùng checklist sáu bước:

1. Xác nhận nhóm: phạm vi, đơn vị, kỳ và nhóm tham chiếu.
2. Kiểm dữ liệu: ô thiếu, trùng lặp, lỗi nhập, cách xử lý giá trị xa.
3. Chọn câu hỏi: tâm, độ phân tán, hình dạng hay vị trí.
4. Tính và vẽ: dùng hàm có nhãn quy ước, tạo biểu đồ phù hợp.
5. Đối chiếu: kiểm con số với dãy đã sắp và biểu đồ.
6. Ghi giới hạn: điều kết quả cho biết và điều chưa thể kết luận.

Hình 4 — Dừng nếu đơn vị, nhóm tham chiếu hoặc quy ước chưa rõ.

a. Bắt đầu từ đâu?

Mở Google Sheets. Nhập nhãn Điểm vào A1 và dãy -4, -2, -1, 0, 0, 0, 1, 2, 3, 10 vào A2:A11.

Tạo bảng công thức:

• Mean: =AVERAGE(A2:A11)
• Median: =MEDIAN(A2:A11)
• Mode: =MODE(A2:A11)
• Variance population: =VAR.P(A2:A11)
• SD population: =STDEV.P(A2:A11)
• Skewness population: =SKEW.P(A2:A11)
• Kurtosis sample excess: =KURT(A2:A11)
• P25: =PERCENTILE.INC(A2:A11,25%)
• P75: =PERCENTILE.INC(A2:A11,75%)
• Z-score population của 10: =STANDARDIZE(A11,AVERAGE(A2:A11),STDEV.P(A2:A11))

Danh sách hàm Google Sheets cho phép kiểm tên hàm và cú pháp. Nếu thiết lập khu vực dùng dấu chấm phẩy để ngăn tham số, hãy theo gợi ý trên Sheet; phép tính không đổi.

Chọn A1:A11, chèn histogram. Sau đó viết bốn câu, mỗi câu bắt đầu bằng “Dữ liệu cho thấy…”, rồi thêm một câu cuối bắt đầu bằng “Dữ liệu chưa cho biết…”.

b. Mẫu đối chiếu đã điền

Nếu kết quả không khớp, kiểm lại vùng A2:A11, kiểu dữ liệu, dấu thập phân và quy ước. Đây là dữ liệu giả; không nhập dữ liệu tài khoản.

6. Tổng kết và bài tiếp theo

a. Năm ý chính

• Statistics Framework đặt câu hỏi và phạm vi dữ liệu trước khi chọn hàm.
• Mean, Median và Mode mô tả tâm; Variance và SD mô tả độ phân tán.
• Skewness và Kurtosis mô tả hình dạng; Percentile và Z-score mô tả vị trí tương đối.
• Con số phải có nhãn tổng thể/mẫu, được đối chiếu bằng biểu đồ và đọc trong đúng nhóm tham chiếu.
• Thống kê mô tả tóm tắt dữ liệu đã thấy; nó không tự chứng minh nguyên nhân hoặc dự báo tương lai.

b. Câu hỏi tự kiểm tra

• Vì sao Median và Mean có thể kể hai vế khác nhau về cùng dãy?
• Standard Deviation và Skewness trả lời hai câu hỏi khác nhau thế nào?
• Vì sao KURT +3,94 phải đi kèm nhãn “sample excess”?
• Z-score +2,55 của điểm 10 chưa cho phép kết luận điều gì?

c. Gợi ý đáp án

Xem gợi ý câu 1

Mean dùng toàn bộ độ lớn nên nhạy với điểm xa; Median dựa vào thứ tự nên bền hơn. Xem lại mục 2.

Xem gợi ý câu 2

SD đo mức trải rộng; Skewness đo mức bất đối xứng và phía kéo đuôi. Xem lại mục 2.

Xem gợi ý câu 3

Hàm KURT của Sheets dùng sample excess; thiếu nhãn dễ dẫn đến so sai định nghĩa. Xem lại mục 3.

Xem gợi ý câu 4

Nó chỉ nói khoảng cách trong nhóm này, chưa nói tốt, xấu hay dự báo. Xem lại mục 3.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• NIST — What is Exploratory Data Analysis?
• NIST — Measures of Location
• NIST — Measures of Scale
• NIST — Measures of Skewness and Kurtosis
• NIST — Histogram
• Google Sheets — Danh sách hàm

Bài trước: Z-score #19. Bài tiếp theo: Probability #21, mở Phase 3 với cách định lượng mức độ không chắc chắn.

Nội dung này phục vụ mục đích giáo dục, không phải lời khuyên đầu tư hoặc tín hiệu giao dịch. Mọi thị trường và sản phẩm tài chính đều có rủi ro mất vốn.