[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20th%E1%BB%91ng%20k%C3%AA{\"limit\":5}":3,"_public_topic_byId_phân tích thống kê":25},{"code":4,"data":5,"meta":16},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":23,"vietnamLatest":24},[],[8],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":16,"url":20,"doi":21,"summary":22},"40b3781a-75ff-452d-92c8-e820085fd774","Các vấn đề cơ bản liên quan đến phân tích dữ liệu bị kiểm soát","Foundational issues concerning the analysis of censored data",[13,14],"Richard E. Barlow","Peisung Tsai",2,null,false,"1995-03-01",1995,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002FBF00985255","10.1007\u002FBF00985255","\u003Cp>\u003Cb>Nghiên cứu lý thuyết xác suất\u003C\u002Fb> về phương pháp luận xử lý dữ liệu kiểm duyệt trong \u003Cb class=\"publication-topic-keywords\">phân tích thống kê\u003C\u002Fb> rủi ro cạnh tranh. Tác giả phát triển khung tiếp cận \u003Ci>Bayesian\u003C\u002Fi> vận hành dựa trên xác định tham số quan sát và trích xuất thống kê đủ theo nguyên lý lý do không đủ. Công trình đóng góp nền tảng toán học chuẩn hóa nhằm giảm thiểu sai số trong \u003Cb class=\"publication-topic-keywords\">phân tích thống kê\u003C\u002Fb> sinh tồn, dù đòi hỏi giả định tiên nghiệm chặt chẽ.\u003C\u002Fp>",[],[],{"code":4,"data":26,"meta":16},{"id":27,"title":28,"description":29,"content":30,"term":27,"englishTitle":16,"synonyms":16,"definition":16,"discipline":16,"references":16,"faqs":16,"createUser":31,"publishUser":35,"keywords":39,"keywordCount":50,"enrichTopicLink":51,"status":52,"createTime":53,"updateTime":54,"publishTime":55,"linkEnrichedTime":56,"publicationScanTime":57,"contentErrorMessage":16,"viewCount":58,"relateTopics":59},"phân tích thống kê","Phân tích thống kê là gì? Các nghiên cứu khoa học liên quan","Phân tích thống kê là quá trình thu thập, xử lý, mô tả và diễn giải dữ liệu nhằm rút ra kết luận khách quan dựa trên bằng chứng định lượng. Nó kết hợp lý thuyết xác suất và mô hình toán học để mô tả sự biến thiên trong dữ liệu, hỗ trợ dự đoán và ra quyết định trong nhiều lĩnh vực. ","\u003Cdiv>\u003Ch2>Định nghĩa phân tích thống kê\u003C\u002Fh2>\n\u003Cp>Phân tích thống kê là một nhánh của toán học ứng dụng, nghiên cứu các phương pháp thu thập, tổ chức, mô tả, phân tích và diễn giải dữ liệu số. Quá trình này giúp con người phát hiện mô hình, mối quan hệ và xu hướng trong dữ liệu để đưa ra quyết định khách quan dựa trên bằng chứng định lượng. Theo \u003Ca href=\"https:\u002F\u002Fwww.britannica.com\u002Fscience\u002Fstatistics\" target=\"_blank\" rel=\"noopener noreferrer\">Encyclopaedia Britannica\u003C\u002Fa>, phân tích thống kê kết hợp các công cụ xác suất, lý thuyết mẫu và tính toán để làm rõ những hiện tượng có yếu tố biến thiên ngẫu nhiên.\u003C\u002Fp>\n\u003Cp>Phân tích thống kê là cốt lõi trong nhiều lĩnh vực khoa học và ứng dụng như y tế, kỹ thuật, tài chính, kinh tế, xã hội học và {{topic|%7B%22topic%22%3A%22tr%C3%AD%20tu%E1%BB%87%20nh%C3%A2n%20t%E1%BA%A1o%22%7D}}. Dữ liệu không còn đơn thuần là những con số rời rạc mà trở thành nguồn tri thức có giá trị. Mọi nghiên cứu thực nghiệm hoặc quyết định dựa trên dữ liệu đều phải dựa vào phân tích thống kê để kiểm chứng tính chính xác và hợp lý. Trong thời đại dữ liệu lớn, thống kê không chỉ hỗ trợ giải thích hiện tượng mà còn là nền tảng để mô hình hóa và dự đoán.\u003C\u002Fp>\n\n\u003Ch2>Phân biệt mô tả và suy luận thống kê\u003C\u002Fh2>\n\u003Cp>Thống kê mô tả (descriptive statistics) tập trung vào việc tóm tắt và trình bày thông tin từ tập dữ liệu có sẵn mà không cố gắng đưa ra suy luận về tổng thể. Nó sử dụng các chỉ số như trung bình, trung vị, độ lệch chuẩn, phương sai để mô tả đặc điểm chung của dữ liệu. Các biểu đồ như histogram, boxplot, hoặc biểu đồ phân tán giúp {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20quan%20h%C3%B3a%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} và phát hiện xu hướng hoặc bất thường.\u003C\u002Fp>\n\u003Cp>Thống kê suy luận (inferential statistics) lại đi xa hơn bằng cách sử dụng dữ liệu mẫu để đưa ra kết luận hoặc dự đoán cho toàn bộ tổng thể. Các phương pháp như {{topic|%7B%22topic%22%3A%22ki%E1%BB%83m%20%C4%91%E1%BB%8Bnh%20gi%E1%BA%A3%20thuy%E1%BA%BFt%22%7D}}, {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20tham%20s%E1%BB%91%22%7D}}, phân tích phương sai (ANOVA), {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} là các công cụ điển hình trong thống kê suy luận. Mục tiêu là suy ra đặc điểm của tổng thể dựa vào mẫu và đo lường mức độ chắc chắn của kết luận thông qua độ tin cậy và giá trị p.\u003C\u002Fp>\n\u003Cp>Sự khác biệt giữa hai loại thống kê có thể được tóm tắt qua bảng sau:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>Thống kê mô tả\u003C\u002Fth>\n      \u003Cth>Thống kê suy luận\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Mục tiêu\u003C\u002Ftd>\n      \u003Ctd>Mô tả đặc điểm dữ liệu mẫu\u003C\u002Ftd>\n      \u003Ctd>Suy luận từ mẫu ra tổng thể\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Kỹ thuật\u003C\u002Ftd>\n      \u003Ctd>Biểu đồ, trung bình, phương sai\u003C\u002Ftd>\n      \u003Ctd>Ước lượng, kiểm định, mô hình hóa\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Dữ liệu\u003C\u002Ftd>\n      \u003Ctd>Sử dụng toàn bộ dữ liệu quan sát được\u003C\u002Ftd>\n      \u003Ctd>Sử dụng mẫu đại diện cho tổng thể\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Kết luận\u003C\u002Ftd>\n      \u003Ctd>Chỉ áp dụng cho tập dữ liệu hiện tại\u003C\u002Ftd>\n      \u003Ctd>Có thể mở rộng ra ngoài dữ liệu mẫu\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Các bước trong quy trình phân tích thống kê\u003C\u002Fh2>\n\u003Cp>Phân tích thống kê không phải là một hành động đơn lẻ mà là một quy trình gồm nhiều bước logic nhằm đảm bảo tính hợp lệ, khách quan và minh bạch của kết quả. Từ bước đầu {{topic|%7B%22topic%22%3A%22thu%20th%E1%BA%ADp%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} cho đến bước cuối diễn giải kết quả đều cần tuân thủ quy tắc khoa học.\u003C\u002Fp>\n\u003Cp>Quy trình điển hình bao gồm các bước sau:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Xác định mục tiêu và câu hỏi nghiên cứu.\u003C\u002Fli>\n  \u003Cli>Thiết kế nghiên cứu và lựa chọn phương pháp thu thập dữ liệu.\u003C\u002Fli>\n  \u003Cli>Thu thập {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}} hoặc thứ cấp.\u003C\u002Fli>\n  \u003Cli>Tiền xử lý dữ liệu: làm sạch, mã hóa biến, xử lý thiếu dữ liệu.\u003C\u002Fli>\n  \u003Cli>Phân tích mô tả để hiểu cấu trúc và phân phối dữ liệu.\u003C\u002Fli>\n  \u003Cli>Lựa chọn kỹ thuật suy luận phù hợp (kiểm định, mô hình).\u003C\u002Fli>\n  \u003Cli>Diễn giải kết quả theo mục tiêu ban đầu và trình bày bằng báo cáo.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Quá trình này yêu cầu kỹ năng liên ngành, bao gồm thống kê, lập trình, hiểu biết về lĩnh vực ứng dụng và khả năng trình bày khoa học. Sai sót ở bất kỳ bước nào cũng có thể dẫn đến kết luận sai lệch hoặc không có giá trị thực tiễn.\u003C\u002Fp>\n\n\u003Ch2>Các khái niệm thống kê cơ bản\u003C\u002Fh2>\n\u003Cp>Phân tích thống kê dựa trên một số khái niệm nền tảng cần nắm vững để hiểu cách dữ liệu được mô hình hóa và diễn giải. Một số khái niệm cốt lõi bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tổng thể (Population):\u003C\u002Fstrong> Tập hợp tất cả các đối tượng mà ta muốn nghiên cứu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mẫu (Sample):\u003C\u002Fstrong> Một phần đại diện của tổng thể, được chọn để phân tích.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thống kê mẫu (Sample Statistic):\u003C\u002Fstrong> Giá trị được tính từ mẫu dùng để ước lượng tham số của tổng thể.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trung bình (Mean), Trung vị (Median), Mode:\u003C\u002Fstrong> Các chỉ số mô tả trung tâm dữ liệu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ lệch chuẩn (Standard Deviation), Phương sai (Variance):\u003C\u002Fstrong> Đo lường độ phân tán của dữ liệu xung quanh trung bình.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân phối xác suất:\u003C\u002Fstrong> Mô tả xác suất xảy ra của các giá trị ngẫu nhiên, tiêu biểu là phân phối chuẩn (normal distribution).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các khái niệm này là tiền đề để hiểu các kỹ thuật phức tạp hơn như hồi quy, kiểm định giả thuyết hay mô hình dự báo. Ví dụ, phân phối chuẩn có dạng hình chuông và là nền tảng cho nhiều kiểm định thống kê:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">X \\sim \\mathcal{N}(\\mu, \\sigma^2)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Hiểu được sự khác biệt giữa thống kê mô tả và suy luận cũng như các tham số mẫu và tổng thể là điều kiện bắt buộc để diễn giải đúng kết quả phân tích.\u003C\u002Fp>\n\u003Ch2>Vai trò của xác suất trong thống kê\u003C\u002Fh2>\n\u003Cp>Lý thuyết xác suất là nền tảng lý thuyết của thống kê hiện đại. Xác suất mô hình hóa sự bất định, cho phép ước lượng các tham số và đánh giá độ tin cậy của kết luận thống kê. Mỗi phép kiểm định, mỗi mô hình ước lượng đều gắn liền với giả định về {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} và độ ngẫu nhiên.\u003C\u002Fp>\n\u003Cp>Chẳng hạn, trong thống kê suy luận, ta giả định biến ngẫu nhiên \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript> có phân phối chuẩn với kỳ vọng \u003Cscript type=\"math\u002Ftex\"> \\mu \u003C\u002Fscript> và phương sai \u003Cscript type=\"math\u002Ftex\"> \\sigma^2 \u003C\u002Fscript>. Ta ký hiệu:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">X \\sim \\mathcal{N}(\\mu, \\sigma^2)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Dựa trên giả định đó, ta có thể tính xác suất để biến ngẫu nhiên nằm trong một khoảng cụ thể, ví dụ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">P(\\mu - 1.96\\sigma \\leq X \\leq \\mu + 1.96\\sigma) \\approx 0.95\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Công thức trên cho thấy 95% giá trị của biến ngẫu nhiên sẽ nằm trong khoảng hai độ lệch chuẩn quanh giá trị trung bình nếu dữ liệu tuân theo phân phối chuẩn. Đây là cơ sở để xây dựng khoảng tin cậy và xác định ý nghĩa thống kê trong kiểm định giả thuyết.\u003C\u002Fp>\n\n\u003Ch2>Phân tích hồi quy và mô hình dự báo\u003C\u002Fh2>\n\u003Cp>Hồi quy là kỹ thuật phân tích thống kê dùng để mô hình hóa mối quan hệ giữa một biến phụ thuộc và một hay nhiều biến độc lập. Mô hình hồi quy tuyến tính đơn giản có công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">Y = \\beta_0 + \\beta_1 X + \\varepsilon\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\"> Y \u003C\u002Fscript> là biến phụ thuộc, \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript> là biến độc lập, \u003Cscript type=\"math\u002Ftex\"> \\beta_0 \u003C\u002Fscript> là hệ số chặn, \u003Cscript type=\"math\u002Ftex\"> \\beta_1 \u003C\u002Fscript> là hệ số hồi quy, và \u003Cscript type=\"math\u002Ftex\"> \\varepsilon \u003C\u002Fscript> là phần dư (sai số ngẫu nhiên). Mô hình cho phép dự đoán giá trị \u003Cscript type=\"math\u002Ftex\"> Y \u003C\u002Fscript> dựa vào giá trị của \u003Cscript type=\"math\u002Ftex\"> X \u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Các dạng hồi quy phổ biến khác bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Hồi quy tuyến tính bội (nhiều biến độc lập)\u003C\u002Fli>\n  \u003Cli>Hồi quy logistic (biến phụ thuộc nhị phân)\u003C\u002Fli>\n  \u003Cli>Hồi quy phi tuyến, hồi quy Ridge và Lasso\u003C\u002Fli>\n  \u003Cli>Mô hình chuỗi thời gian như ARIMA\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Hồi quy không chỉ là công cụ dự đoán mà còn giúp khám phá cấu trúc nhân quả và đánh giá mức độ ảnh hưởng của từng yếu tố. Trong kinh tế học, xã hội học và {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}, hồi quy là một kỹ thuật không thể thiếu.\u003C\u002Fp>\n\n\u003Ch2>Kiểm định giả thuyết và ý nghĩa thống kê\u003C\u002Fh2>\n\u003Cp>Kiểm định giả thuyết là công cụ để đánh giá các tuyên bố về một tổng thể dựa trên dữ liệu mẫu. Quá trình này giúp đưa ra kết luận có cơ sở xác suất về tính đúng sai của một giả thuyết khoa học.\u003C\u002Fp>\n\u003Cp>Các bước kiểm định cơ bản:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Đặt giả thuyết rỗng \u003Cscript type=\"math\u002Ftex\"> H_0 \u003C\u002Fscript> và giả thuyết đối \u003Cscript type=\"math\u002Ftex\"> H_1 \u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Xác định mức ý nghĩa \u003Cscript type=\"math\u002Ftex\"> \\alpha \u003C\u002Fscript> (thường là 0.05)\u003C\u002Fli>\n  \u003Cli>Tính thống kê kiểm định từ mẫu\u003C\u002Fli>\n  \u003Cli>Tính giá trị p (p-value)\u003C\u002Fli>\n  \u003Cli>So sánh p với \u003Cscript type=\"math\u002Ftex\"> \\alpha \u003C\u002Fscript> để quyết định bác bỏ hoặc không bác bỏ \u003Cscript type=\"math\u002Ftex\"> H_0 \u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Ví dụ về các loại kiểm định:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kiểm định t:\u003C\u002Fstrong> so sánh trung bình giữa hai nhóm\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm định chi bình phương:\u003C\u002Fstrong> kiểm tra mối liên hệ giữa hai biến phân loại\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>ANOVA:\u003C\u002Fstrong> so sánh trung bình giữa nhiều nhóm\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ý nghĩa thống kê không đồng nghĩa với ý nghĩa thực tiễn. Một kết quả có p-value nhỏ có thể không quan trọng nếu độ lớn hiệu ứng thấp. Do đó, các nhà nghiên cứu cần kết hợp giữa thống kê và bối cảnh ứng dụng để diễn giải kết quả đúng đắn.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng của phân tích thống kê\u003C\u002Fh2>\n\u003Cp>Phân tích thống kê có ứng dụng rộng khắp trong nghiên cứu học thuật và thực tiễn kinh doanh. Bất cứ lĩnh vực nào có dữ liệu đều cần đến thống kê để ra quyết định khoa học và hợp lý.\u003C\u002Fp>\n\u003Cp>Ví dụ ứng dụng theo lĩnh vực:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Lĩnh vực\u003C\u002Fth>\n      \u003Cth>Ứng dụng thống kê\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Y tế\u003C\u002Ftd>\n      \u003Ctd>Phân tích hiệu quả thuốc, nghiên cứu dịch tễ\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Kinh tế\u003C\u002Ftd>\n      \u003Ctd>Dự báo GDP, phân tích chính sách tài khóa\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Kỹ thuật\u003C\u002Ftd>\n      \u003Ctd>Kiểm soát chất lượng, phân tích độ tin cậy\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Marketing\u003C\u002Ftd>\n      \u003Ctd>A\u002FB testing, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20kh%C3%BAc%20th%E1%BB%8B%20tr%C6%B0%E1%BB%9Dng%22%7D}}\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Khoa học xã hội\u003C\u002Ftd>\n      \u003Ctd>Khảo sát thái độ, phân tích hành vi\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Phân tích thống kê giúp các nhà quản lý giảm rủi ro, nhà nghiên cứu kiểm chứng lý thuyết, và doanh nghiệp tối ưu hóa hiệu quả hoạt động.\u003C\u002Fp>\n\n\u003Ch2>Phân tích thống kê trong thời đại dữ liệu lớn\u003C\u002Fh2>\n\u003Cp>Sự phát triển của dữ liệu lớn và điện toán đám mây đã nâng cao vai trò của phân tích thống kê trong khoa học dữ liệu. Các công cụ hiện đại như \u003Ca href=\"https:\u002F\u002Fwww.sas.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">SAS\u003C\u002Fa>, \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fproducts\u002Fspss-statistics\" target=\"_blank\" rel=\"noopener noreferrer\">IBM SPSS\u003C\u002Fa> và \u003Ca href=\"https:\u002F\u002Fpowerbi.microsoft.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Microsoft Power BI\u003C\u002Fa> hỗ trợ xử lý lượng dữ liệu khổng lồ, tạo báo cáo tự động, trực quan và tương tác.\u003C\u002Fp>\n\u003Cp>Phân tích thống kê ngày nay không chỉ bao gồm các phương pháp truyền thống mà còn tích hợp với học máy để tạo nên các mô hình thông minh có khả năng học hỏi và thích nghi. Các kỹ thuật như hồi quy Ridge\u002FLasso, cây quyết định, phân cụm K-means, PCA đều bắt nguồn từ lý thuyết thống kê.\u003C\u002Fp>\n\u003Cp>Trong lĩnh vực AI, thống kê cung cấp khung lý thuyết để hiểu và đánh giá mô hình, bao gồm việc kiểm soát overfitting, chọn mô hình tối ưu và xác định mức độ không chắc chắn trong dự đoán.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Montgomery, D. C., & Runger, G. C. (2014). \u003Cem>Applied Statistics and Probability for Engineers\u003C\u002Fem>. Wiley.\u003C\u002Fli>\n  \u003Cli>Agresti, A., & Finlay, B. (2009). \u003Cem>Statistical Methods for the Social Sciences\u003C\u002Fem>. Pearson.\u003C\u002Fli>\n  \u003Cli>Casella, G., & Berger, R. L. (2002). \u003Cem>Statistical Inference\u003C\u002Fem>. Duxbury Press.\u003C\u002Fli>\n  \u003Cli>Moore, D. S., McCabe, G. P., & Craig, B. A. (2016). \u003Cem>Introduction to the Practice of Statistics\u003C\u002Fem>. Freeman.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.britannica.com\u002Fscience\u002Fstatistics\" target=\"_blank\" rel=\"noopener noreferrer\">Encyclopaedia Britannica - Statistics\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Ftowardsdatascience.com\u002Fstatistical-analysis-explained-in-simple-english-3df683132cf4\" target=\"_blank\" rel=\"noopener noreferrer\">Towards Data Science - Statistical Analysis Explained\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sas.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">SAS Official Website\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fproducts\u002Fspss-statistics\" target=\"_blank\" rel=\"noopener noreferrer\">IBM SPSS Statistics\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fpowerbi.microsoft.com\u002F\" target=\"_blank\" rel=\"noopener noreferrer\">Microsoft Power BI\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":32,"researcherId":16,"name":33,"imageUrl":34},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":36,"researcherId":16,"name":37,"imageUrl":38},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[40,41,42,43,44,45,46,47,48,49],"trí tuệ nhân tạo","trực quan hóa dữ liệu","kiểm định giả thuyết","ước lượng tham số","hồi quy tuyến tính","thu thập dữ liệu","dữ liệu thực nghiệm","phân phối xác suất","khoa học dữ liệu","phân khúc thị trường",10,true,"PUBLISHED","2025-09-13T03:07:35.755+00:00","2026-09-08T04:10:13.292+00:00","2025-09-14T09:14:00.976+00:00","2026-09-08T04:10:12.821+00:00","2026-09-06T05:10:53.319+00:00",385,[60,63,66,69,72,75,78,81,84,87],{"id":61,"title":62,"term":61,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":64,"title":65,"term":64,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":67,"title":68,"term":67,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"hình thái","Hình thái là gì? Các công bố khoa học về Hình thái",{"id":70,"title":71,"term":70,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":73,"title":74,"term":73,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"autonomy","Autonomy là gì? Các công bố khoa học về Autonomy",{"id":76,"title":77,"term":76,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":79,"title":80,"term":79,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":82,"title":83,"term":82,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"phương pháp đại số","Phương pháp đại số là gì? Các nghiên cứu khoa học liên quan",{"id":85,"title":86,"term":85,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":88,"title":89,"term":88,"englishTitle":16,"definition":16,"discipline":16,"disciplineCode":16,"disciplineLabel":16,"disciplineColor":16,"disciplineIcon":16},"phương pháp luận","Phương pháp luận là gì? Các nghiên cứu khoa học liên quan"]