[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20th%E1%BB%91ng%20k%C3%AA{\"limit\":5}":3,"_public_topic_byId_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20th%E1%BB%91ng%20k%C3%AA":38},{"code":4,"data":5,"meta":17},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":23,"vietnamLatest":37},[],[8],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":17,"publishYear":17,"totalCitation":19,"url":20,"doi":21,"summary":22},"3ca2c4b3-fa6d-4e06-bf03-4d8463d5bf72","Các phương pháp thống kê cho hệ thống hỗ trợ ra quyết định trong tài chính: định luật Benford dự đoán rủi ro tài chính như thế nào","Statistical methods for decision support systems in finance: how Benford’s law predicts financial risk",[13,14,15],"Roy Cerqueti","Mario Maggi","Jessica Riccioni",3,null,false,1,"https:\u002F\u002Flink.springer.com\u002F10.1007\u002Fs10479-022-04742-z","10.1007\u002Fs10479-022-04742-z","\u003Cp>Nghiên cứu kinh tế lượng ứng dụng quy luật số \u003Ci>Benford\u003C\u002Fi> để hỗ trợ hệ thống ra quyết định và kiểm soát rủi ro tài chính của nhà đầu tư. Các tác giả đã chuẩn hóa \u003Cb class=\"publication-topic-keywords\">phương pháp thống kê\u003C\u002Fb> dựa trên độ lệch phân phối chữ số đầu tiên nhằm phát hiện sớm gian lận kế toán và biến động bất thường. Kết quả kiểm định \u003Cb>chứng minh\u003C\u002Fb> tính hiệu quả của mô hình trong việc sàng lọc dữ liệu báo cáo tài chính quy mô lớn.\u003C\u002Fp>",[24],{"publicationId":25,"title":26,"originalTitle":17,"authorNames":27,"authorCount":16,"journalName":31,"vietnamJournal":32,"publishDate":17,"publishYear":33,"totalCitation":34,"url":35,"doi":17,"summary":36},"ea7394e0-3e32-4115-a2d7-6daee0bebefb","NGHIÊN CỨU ẢNH HƯỞNG CHUYỂN DỊCH CƠ CẤU NGÀNH KINH TẾ ĐẾN TĂNG TRƯỞNG KINH TẾ CỦA VÙNG VEN BIỂN BẮC BỘ BẰNG PHƯƠNG PHÁP CHỈ SỐ THỐNG KÊ",[28,29,30],"THỊTHUH PHẠM","THỊHNGA PHẠM","THỊHN LÊ","Tạp chí Khoa học Công nghệ Hàng hải",true,2023,0,"https:\u002F\u002Fjmst.vimaru.edu.vn\u002Findex.php\u002Fjmst\u002Farticle\u002Fview\u002F406","\u003Cp>Khảo sát kinh tế vĩ mô áp dụng mô hình phân tích chỉ số nhằm đánh giá tác động của dịch chuyển cơ cấu ngành đến tăng trưởng tổng sản phẩm vùng ven biển Bắc Bộ. Bằng việc kết hợp \u003Cb class=\"publication-topic-keywords\">phương pháp thống kê\u003C\u002Fb> mô tả với kỹ thuật phân rã tốc độ tăng trưởng GDP giai đoạn 2010–2020, nghiên cứu \u003Cb>khẳng định\u003C\u002Fb> nhóm ngành công nghiệp chế biến và dịch vụ logistics đóng vai trò động lực chính cho năng suất lao động toàn vùng.\u003C\u002Fp>",[],{"code":4,"data":39,"meta":17},{"id":40,"title":41,"description":42,"content":43,"term":40,"englishTitle":44,"synonyms":17,"definition":45,"discipline":46,"references":47,"faqs":67,"createUser":77,"publishUser":81,"keywords":82,"keywordCount":93,"enrichTopicLink":32,"status":94,"createTime":95,"updateTime":96,"publishTime":97,"linkEnrichedTime":98,"publicationScanTime":99,"contentErrorMessage":17,"viewCount":100,"wikidataId":17,"relateTopics":101},"phương pháp thống kê","Phương pháp thống kê là gì? Khái niệm, cơ chế và ứng dụng","Phương pháp thống kê là hệ thống các kỹ thuật toán học được sử dụng để thu thập, tóm tắt, phân tích và suy diễn thông tin từ dữ liệu nhằm hỗ trợ ra quyế...","\u003Cp>\u003Cstrong>Phương pháp thống kê\u003C\u002Fstrong> (\u003Cem>Statistical methods\u003C\u002Fem>) là hệ thống các kỹ thuật toán học được sử dụng để thu thập, tóm tắt, phân tích và suy diễn thông tin từ dữ liệu nhằm hỗ trợ ra quyết định khoa học.\u003C\u002Fp>\n\u003Ch2>Định nghĩa phương pháp thống kê\u003C\u002Fh2>\u003Cp>Phương pháp thống kê là tập hợp các kỹ thuật toán học và quy trình được sử dụng để thu thập, tổ chức, phân tích, diễn giải và trình bày dữ liệu. Chúng giúp biến dữ liệu thô thành thông tin có ý nghĩa, hỗ trợ việc {{topic|%7B%22topic%22%3A%22ra%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%22%7D}} trong các lĩnh vực như khoa học, kinh tế, y tế và kỹ thuật.\u003C\u002Fp>\u003Cp>Theo định nghĩa từ Cambridge Dictionary, \"statistical method\" là \"a way of studying information in the form of numbers and producing statistics\" (Cambridge Dictionary).\u003C\u002Fp>\u003Ch2>Phân loại phương pháp thống kê\u003C\u002Fh2>\u003Cp>Các phương pháp thống kê được chia thành hai nhóm chính:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Thống kê mô tả:\u003C\u002Fstrong> Dùng để tóm tắt và mô tả đặc điểm của một tập dữ liệu, như trung bình, độ lệch chuẩn, biểu đồ.\u003C\u002Fli>\u003Cli>\u003Cstrong>Thống kê suy luận:\u003C\u002Fstrong> Dùng để đưa ra kết luận hoặc dự đoán về một tổng thể dựa trên dữ liệu mẫu, thông qua {{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}}, phân tích hồi quy và {{topic|%7B%22topic%22%3A%22kho%E1%BA%A3ng%20tin%20c%E1%BA%ADy%22%7D}}.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ví dụ, thống kê mô tả có thể cho biết điểm trung bình của một lớp học, trong khi thống kê suy luận có thể dự đoán điểm trung bình của toàn bộ trường dựa trên mẫu từ lớp đó.\u003C\u002Fp>\u003Ch2>Thu thập dữ liệu và thiết kế nghiên cứu\u003C\u002Fh2>\u003Cp>Chất lượng của phân tích thống kê phụ thuộc vào cách dữ liệu được thu thập. Các phương pháp {{topic|%7B%22topic%22%3A%22thu%20th%E1%BA%ADp%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Khảo sát:\u003C\u002Fstrong> Thu thập dữ liệu thông qua bảng câu hỏi.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phỏng vấn:\u003C\u002Fstrong> Thu thập dữ liệu qua trò chuyện trực tiếp.\u003C\u002Fli>\u003Cli>\u003Cstrong>Quan sát:\u003C\u002Fstrong> Ghi nhận hành vi hoặc hiện tượng trong môi trường tự nhiên.\u003C\u002Fli>\u003Cli>\u003Cstrong>Thí nghiệm:\u003C\u002Fstrong> Kiểm tra giả thuyết trong môi trường kiểm soát.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Việc thiết kế nghiên cứu cần xác định rõ mục tiêu, phương pháp chọn mẫu và cách đo lường biến số để đảm bảo dữ liệu thu thập được là chính xác và có thể sử dụng cho phân tích thống kê.\u003C\u002Fp>\u003Ch2>Thống kê mô tả và công cụ trình bày dữ liệu\u003C\u002Fh2>\u003Cp>Thống kê mô tả giúp tóm tắt và trình bày dữ liệu một cách dễ hiểu. Các công cụ phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Giá trị trung bình (\u003C\u002Fstrong>\u003Cscript type=\"math\u002Ftex\">\\bar{x}\u003C\u002Fscript>\u003Cstrong>):\u003C\u002Fstrong> Trung bình cộng của tập dữ liệu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phương sai (\u003C\u002Fstrong>\u003Cscript type=\"math\u002Ftex\">\\sigma^2\u003C\u002Fscript>\u003Cstrong>):\u003C\u002Fstrong> Đo lường mức độ phân tán của dữ liệu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Độ lệch chuẩn (\u003C\u002Fstrong>\u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript>\u003Cstrong>):\u003C\u002Fstrong> Căn bậc hai của phương sai, cho biết mức độ biến động của dữ liệu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Biểu đồ:\u003C\u002Fstrong> Bao gồm biểu đồ cột, biểu đồ tròn, biểu đồ hộp để {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20quan%20h%C3%B3a%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các công cụ phần mềm như Excel, R, SPSS và Python thường được sử dụng để thực hiện thống kê mô tả và tạo các biểu đồ minh họa.\u003C\u002Fp>\u003Ch2>Thống kê suy luận và kiểm định giả thuyết\u003C\u002Fh2>\u003Cp>Thống kê suy luận (inferential statistics) cho phép rút ra kết luận hoặc dự đoán về một tổng thể lớn từ một mẫu nhỏ, với điều kiện mẫu được chọn ngẫu nhiên và đại diện. Cốt lõi của thống kê suy luận là kiểm định giả thuyết – một phương pháp khoa học để đánh giá một tuyên bố về tổng thể dựa trên dữ liệu mẫu.\u003C\u002Fp>\u003Cp>Một quy trình kiểm định giả thuyết cơ bản gồm các bước:\u003C\u002Fp>\u003Col>\u003Cli>Đặt giả thuyết gốc (H₀) và giả thuyết đối (H₁)\u003C\u002Fli>\u003Cli>Chọn mức ý nghĩa \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript> (thường là 0.05)\u003C\u002Fli>\u003Cli>Tính thống kê kiểm định từ dữ liệu mẫu\u003C\u002Fli>\u003Cli>So sánh với giá trị tới hạn hoặc tính p-value\u003C\u002Fli>\u003Cli>Kết luận bác bỏ hoặc không bác bỏ H₀\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Ví dụ, trong kiểm định trung bình với t-test, thống kê kiểm định được tính bằng:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">t = \\frac{\\bar{x} - \\mu_0}{s \u002F \\sqrt{n}}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">\\bar{x}\u003C\u002Fscript> là trung bình mẫu, \u003Cscript type=\"math\u002Ftex\">\\mu_0\u003C\u002Fscript> là giá trị kỳ vọng, \u003Cscript type=\"math\u002Ftex\">s\u003C\u002Fscript> là độ lệch chuẩn mẫu, \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> là cỡ mẫu.\u003C\u002Fp>\u003Ch2>Ước lượng tham số và khoảng tin cậy\u003C\u002Fh2>\u003Cp>Ước lượng tham số (parameter estimation) là quá trình sử dụng dữ liệu mẫu để ước lượng giá trị chưa biết của tham số trong tổng thể. Có hai loại chính:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Ước lượng điểm:\u003C\u002Fstrong> Một giá trị đơn lẻ, ví dụ trung bình mẫu \u003Cscript type=\"math\u002Ftex\">\\bar{x}\u003C\u002Fscript> dùng để ước lượng trung bình tổng thể.\u003C\u002Fli>\u003Cli>\u003Cstrong>Ước lượng khoảng:\u003C\u002Fstrong> Một khoảng có khả năng chứa tham số thực, thường thể hiện qua khoảng tin cậy.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Công thức khoảng tin cậy 95% cho trung bình tổng thể (khi biết \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript>):\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\bar{x} \\pm z_{\\alpha\u002F2} \\cdot \\frac{\\sigma}{\\sqrt{n}}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Khoảng tin cậy cung cấp phạm vi hợp lý thay vì giá trị duy nhất, giúp ra quyết định chính xác hơn trong nghiên cứu thực nghiệm.\u003C\u002Fp>\u003Ch2>Phân tích tương quan và hồi quy\u003C\u002Fh2>\u003Cp>Phân tích tương quan đo lường mối liên hệ tuyến tính giữa hai biến định lượng. Hệ số tương quan Pearson được tính như sau:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">r = \\frac{\\sum (x_i - \\bar{x})(y_i - \\bar{y})}{\\sqrt{\\sum (x_i - \\bar{x})^2 \\sum (y_i - \\bar{y})^2}}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Giá trị của \u003Cscript type=\"math\u002Ftex\">r\u003C\u002Fscript> nằm trong khoảng từ -1 đến 1, cho biết mức độ và chiều hướng của quan hệ: dương, âm hoặc không có mối liên hệ.\u003C\u002Fp>\u003Cp>Phân tích hồi quy, đặc biệt là {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} đơn, mô hình hóa mối quan hệ nhân quả giữa biến độc lập và biến phụ thuộc. Mô hình cơ bản:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">y = \\beta_0 + \\beta_1 x + \\varepsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript> là hệ số chặn, \u003Cscript type=\"math\u002Ftex\">\\beta_1\u003C\u002Fscript> là độ dốc, \u003Cscript type=\"math\u002Ftex\">\\varepsilon\u003C\u002Fscript> là sai số. Các phần mềm thống kê có thể ước lượng các hệ số này để xây dựng mô hình dự đoán.\u003C\u002Fp>\u003Ch2>Kiểm định phi tham số và khi nào sử dụng\u003C\u002Fh2>\u003Cp>Kiểm định phi tham số (non-parametric tests) được sử dụng khi dữ liệu không tuân theo phân phối chuẩn hoặc có thang đo thứ tự (ordinal scale). Đây là công cụ thay thế mạnh mẽ cho kiểm định tham số khi các giả định không được thỏa mãn.\u003C\u002Fp>\u003Cp>Một số kiểm định phi tham số phổ biến:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Mann–Whitney U test:\u003C\u002Fstrong> So sánh hai nhóm độc lập (thay cho t-test)\u003C\u002Fli>\u003Cli>\u003Cstrong>Wilcoxon signed-rank test:\u003C\u002Fstrong> So sánh hai nhóm liên quan\u003C\u002Fli>\u003Cli>\u003Cstrong>Kruskal–Wallis test:\u003C\u002Fstrong> So sánh nhiều hơn hai nhóm độc lập\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ưu điểm của phương pháp phi tham số là tính linh hoạt và độ bền vững với các điều kiện dữ liệu bất lợi, như ngoại lệ hoặc phân phối lệch.\u003C\u002Fp>\u003Ch2>Phân tích đa biến và mô hình hóa nâng cao\u003C\u002Fh2>\u003Cp>Phân tích đa biến (multivariate analysis) xử lý đồng thời nhiều biến để phát hiện mối quan hệ phức tạp, cấu trúc ẩn hoặc nhóm đối tượng. Một số kỹ thuật nổi bật gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Phân tích thành phần chính (PCA):\u003C\u002Fstrong> Giảm số chiều của dữ liệu\u003C\u002Fli>\u003Cli>\u003Cstrong>Phân tích cụm (clustering):\u003C\u002Fstrong> Phân nhóm các quan sát dựa trên độ tương đồng\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy logistic:\u003C\u002Fstrong> Dự đoán biến nhị phân (ví dụ có\u002Fkhông bệnh)\u003C\u002Fli>\u003Cli>\u003Cstrong>Hồi quy Cox:\u003C\u002Fstrong> Phân tích sống sót và thời gian đến sự kiện\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Những phương pháp này thường được áp dụng trong nghiên cứu y sinh, phân tích thị trường và {{topic|%7B%22topic%22%3A%22h%E1%BB%8Dc%20m%C3%A1y%22%7D}}, đặc biệt khi dữ liệu có độ phức tạp cao.\u003C\u002Fp>\u003Ch2>Ứng dụng của thống kê trong nghiên cứu khoa học\u003C\u002Fh2>\u003Cp>Thống kê là nền tảng không thể thiếu trong thiết kế, phân tích và diễn giải kết quả nghiên cứu khoa học. Trong y học, thống kê giúp đánh giá hiệu quả điều trị, xác định yếu tố nguy cơ và kiểm chứng độ tin cậy của chẩn đoán. Trong {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20x%C3%A3%20h%E1%BB%99i%22%7D}}, nó được dùng để phân tích khảo sát, đánh giá chính sách công và hiểu hành vi cộng đồng.\u003C\u002Fp>\u003Cp>Trong kỷ nguyên {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20l%E1%BB%9Bn%22%7D}} (big data), thống kê truyền thống đang kết hợp chặt chẽ với các kỹ thuật học máy (machine learning), {{topic|%7B%22topic%22%3A%22khai%20ph%C3%A1%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} (data mining) và trí tuệ nhân tạo (AI), mở ra khả năng phân tích dữ liệu phi cấu trúc và dự đoán xu hướng ở quy mô lớn.\u003C\u002Fp>\u003Cp>Tham khảo các ứng dụng tại NCBI – Statistical Applications in Scientific Research.\u003C\u002Fp>\u003Ch2>Tóm tắt\u003C\u002Fh2>\u003Cp>Phương pháp thống kê bao gồm các công cụ toán học để phân tích và suy luận từ dữ liệu, giúp rút ra kết luận khoa học, đánh giá giả thuyết và hỗ trợ ra quyết định. Việc nắm vững thống kê là điều kiện cần thiết cho mọi nghiên cứu định lượng nghiêm túc trong khoa học, y tế và công nghiệp hiện đại.\u003C\u002Fp>\n\n\n\u003Ch2>Thống kê Bayes và các phương pháp học thống kê nhiều chiều hiện đại\u003C\u002Fh2>\n\u003Cp>Bên cạnh trường phái thống kê Tần suất kinh điển dựa trên giá trị p-value và khoảng tin cậy, thống kê Bayes (Bayesian Statistics) ngày càng đóng vai trò chủ đạo trong phân tích dữ liệu khoa học phức tạp. Nguyên lý Bayes cho phép tích hợp kiến thức chuyên môn có sẵn trước đó (phân phối tiên nghiệm - prior distribution) với dữ liệu quan sát thực nghiệm thông qua hàm hợp lý (likelihood) để tạo ra phân phối hậu nghiệm (posterior distribution) của các tham số chưa biết:\u003C\u002Fp>\n\u003Cp>Nhờ sự bùng nổ của năng lực tính toán phần cứng và các thuật toán mô phỏng số như Markov Chain Monte Carlo (MCMC) và Gibbs sampling, các mô hình thống kê phân cấp Bayes (Hierarchical Bayesian models) có thể giải quyết các bài toán dữ liệu lớn có cấu trúc lồng ghép phức tạp mà phương pháp cổ điển không thể tiếp cận.\u003C\u002Fp>\n\n\u003Cp>Trong thời đại khoa học dữ liệu và y sinh học hệ gen, các phương pháp thống kê nhiều chiều (multivariate statistics) và hồi quy điều chuẩn (regularized regression) là công cụ bắt buộc:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hồi quy LASSO (L1 regularization) và Ridge (L2 regularization):\u003C\u002Fstrong> Giúp kiểm soát hiện tượng quá khớp (overfitting) và tự động lựa chọn biến số quan trọng trong các bài toán số chiều biến số lớn hơn rất nhiều so với kích thước mẫu (p >> n), phổ biến trong nghiên cứu tương quan toàn hệ gen (GWAS).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phương pháp tái lấy mẫu Bootstrap và Jackknife:\u003C\u002Fstrong> Cho phép ước lượng độ lệch, phương sai và xây dựng khoảng tin cậy thực nghiệm cho bất kỳ hàm thống kê phức tạp nào mà không cần phụ thuộc vào giả định phân phối chuẩn lý thuyết.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm soát tỷ lệ khám phá sai (False Discovery Rate - FDR):\u003C\u002Fstrong> Phương pháp hiệu chỉnh Benjamini-Hochberg được áp dụng phổ biến để xử lý bài toán so sánh bội hàng nghìn kiểm định giả thuyết đồng thời, hạn chế tối đa các kết quả dương tính giả trong nghiên cứu y sinh học.\u003C\u002Fli>\n\u003C\u002Ful>\n","Statistical methods","Phương pháp thống kê là hệ thống các kỹ thuật toán học được sử dụng để thu thập, tóm tắt, phân tích và suy diễn thông tin từ dữ liệu nhằm hỗ trợ ra quyết định khoa học.","NATURAL_SCIENCES",[48,55,62],{"citationText":49,"title":50,"authors":51,"source":52,"year":53,"doi":54,"url":17},"Ramli, Budiantara, Ratnasari (2024). Statistical Inference on Nonparametric Regression Model with Approximation of Fourier Series Function: Estimation and Hypothesis Testing. Elsevier BV. doi:10.2139\u002Fssrn.4883784","Statistical Inference on Nonparametric Regression Model with Approximation of Fourier Series Function: Estimation and Hypothesis Testing","Ramli, Budiantara, Ratnasari","Elsevier BV",2024,"10.2139\u002Fssrn.4883784",{"citationText":56,"title":57,"authors":58,"source":59,"year":60,"doi":61,"url":17},"Rodríguez-Campos, González-Manteiga, Cao (1998). Testing the hypothesis of a generalized linear regression model using nonparametric regression estimation. Journal of Statistical Planning and Inference. doi:10.1016\u002Fs0378-3758(97)00098-0","Testing the hypothesis of a generalized linear regression model using nonparametric regression estimation","Rodríguez-Campos, González-Manteiga, Cao","Journal of Statistical Planning and Inference",1998,"10.1016\u002Fs0378-3758(97)00098-0",{"citationText":63,"title":64,"authors":51,"source":65,"year":53,"doi":66,"url":17},"Ramli, Budiantara, Ratnasari (2024). Statistical inference on nonparametric regression model with approximation of Fourier series function: Estimation and hypothesis testing. MethodsX. doi:10.1016\u002Fj.mex.2024.102922","Statistical inference on nonparametric regression model with approximation of Fourier series function: Estimation and hypothesis testing","MethodsX","10.1016\u002Fj.mex.2024.102922",[68,71,74],{"question":69,"answer":70},"Thống kê mô tả và thống kê suy diễn khác nhau như thế nào?","Thống kê mô tả tóm tắt và trình bày các đặc trưng của tập mẫu quan sát (trung bình, phương sai), còn thống kê suy diễn sử dụng lý thuyết xác suất để ước lượng và kiểm định giả thuyết về toàn bộ quần thể.",{"question":72,"answer":73},"Giá trị p-value trong kiểm định giả thuyết thống kê có ý nghĩa gì?","P-value là xác suất quan sát được kết quả mẫu cực đoan như vậy hoặc hơn nữa giả định rằng giả thuyết không (H0) là đúng; nếu p-value nhỏ hơn mức ý nghĩa alpha (thường 0.05), ta bác bỏ H0.",{"question":75,"answer":76},"Sự khác biệt căn bản giữa trường phái thống kê Tần suất (Frequentist) và Bayes là gì?","Trường phái Tần suất xem tham số là một hằng số cố định chưa biết, trong khi trường phái Bayes xem tham số là một biến ngẫu nhiên có phân phối xác suất tiên nghiệm được cập nhật qua dữ liệu thực tế.",{"id":78,"researcherId":17,"name":79,"imageUrl":80},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":78,"researcherId":17,"name":79,"imageUrl":80},[83,84,85,86,87,88,89,90,91,92],"ra quyết định","kiểm định giả thuyết","khoảng tin cậy","thu thập dữ liệu","trực quan hóa dữ liệu","hồi quy tuyến tính","học máy","khoa học xã hội","dữ liệu lớn","khai phá dữ liệu",10,"PUBLISHED","2025-06-04T09:16:57.095+00:00","2026-09-08T04:08:22.266+00:00","2025-06-05T02:13:08.434+00:00","2026-09-08T04:08:21.861+00:00","2026-09-06T12:15:43.887+00:00",371,[102,105,108,111,114,117,120,123,126,129],{"id":103,"title":104,"term":103,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":106,"title":107,"term":106,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":109,"title":110,"term":109,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":112,"title":113,"term":112,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":115,"title":116,"term":115,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":118,"title":119,"term":118,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":121,"title":122,"term":121,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"đối chiếu","Đối chiếu là gì? Các công bố khoa học về Đối chiếu",{"id":124,"title":125,"term":124,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"giáo dục khởi nghiệp","Giáo dục khởi nghiệp là gì? Nghiên cứu khoa học liên quan",{"id":127,"title":128,"term":127,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":130,"title":131,"term":130,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan"]