Nguyên Tắc Thống Kê Trong Thiết Kế Thí Nghiệm

Nguyên tắc thống kê đóng vai trò quan trọng trong thiết kế thí nghiệm, giúp đảm bảo rằng các kết quả thu được là chính xác và… 687 trang · Purdue University.

• Tác giả: Winer
• Trường học: Purdue University
• Chuyên ngành: Psychology and Statistics
• Đề tài: Statistical Principles in Experimental Design
• Loại tài liệu: Book
• Năm xuất bản: 1962
• Địa điểm: New York

Mục lục chi tiết

• Preface
• Introduction
• 1. Chapter 1: Basic Concepts in Statistical Inference
• 1.1. Basic terminology in sampling
• 1.2. Basic terminology in statistical estimation
• 1.3. Basic terminology in testing statistical hypotheses
• 2. Testing Hypotheses about Means and Variances
• 2.1. Testing hypotheses on means—a assumed known
• 2.2. Tests of hypotheses on means—a estimated from sample data
• 2.3. Testing hypotheses about the difference between two means—assuming homogeneity of variance
• 2.4. Computational formulas for the t statistic
• 2.5. Test for homogeneity of variance
• 2.6. Testing hypotheses about the difference between two means—assuming that population variances are not equal
• 2.7. Testing hypotheses about the difference between two means—
• 2.8. Combining several independent tests on the same hypothesis
• 3. Design and Analysis of Single-factor Experiments
• 3.1. Definitions and numerical example
• 3.2. Structural model for single-factor experiment—model I
• 3.3. Structural model for single-factor experiment—model I I (variance component model)
• 3.4. Methods for deriving estimates and their expected values
• 3.5. Comparisons among treatment means
• 3.6. Use of orthogonal components in tests for trend
• 3.7. Use of the studentized range statistic
• 3.8. Alternative procedures for making a posteriori tests
• 3.9. Comparing all means with a control
• 3.10. Tests for homogeneity of variance
• 3.11. Unequal sample sizes
• 3.12. Determination of sample size
• 4. Chapter 4. Single-factor Experiments Having Repeated Measures on the Same Elements
• 4.1. Notation and computational procedures
• 4.2. Statistical basis for the analysis
• 4.3. Use of analysis of variance to estimate reliability of measurements
• 4.4. Tests for trend
• 4.5. Analysis of variance for ranked data
• 5. Design and Analysis of Factorial Experiments
• 5.1. Terminology and notation
• 5.2. Experimental error and its estimation
• 5.3. Estimation of mean squares due to main effects and interaction effects
• 5.4. Principles for constructing Fratios
• 5.5. Higher-order factorial experiments
• 5.6. Estimation and tests of significance for three-factor experiments
• 5.7. Simple effects and their tests
• 5.8. Geometric interpretation of higher-order interactions
• 5.9. Split-plot designs
• 5.10. Rules for deriving the expected values of mean squares
• 5.11. Preliminary tests on the model and pooling procedures
• 5.12. Partition of main effects and interaction into trend components
• 5.13. The case n = 1 and a test for nonadditivity
• 5.14. The choice of a scale of measurement and transformations
• 5.15. Unequal cell frequencies
• 5.16. Unequal cell frequencies—least-squares solution
• 6. Factorial Experiments—Computational Procedures and Numerical Examples
• 6.1. p • a factorial experiment having n observations per cell
• 6.2. p x q factorial experiment—unequal cell frequencies
• 6.3. Effect of scale of measurement on interaction
• 6.4. •; <• factorial experiment having n observations per cell
• 6.5. Computational procedures for nested factors
• 6.6. Factorial experiment with a single control group
• 6.7. Test for nonadditivity
• 6.8. Computation of trend components
• 6.9. General computational formulas for main effects and interactions
• 6.10. Special computational procedures when all factors have two levels
• 6.11. Unequal cell frequencies—least-squares solution
• 7. Multifactor Experiments Having Repeated Measures on the Same Elements
• 7.1. Two-factor experiment with repeated measures on one factor
• 7.2. Three-factor experiment with repeated measures (case I)
• 7.3. Three-factor experiment with repeated measures (case II)
• 7.4. Other multifactor repeated-measure plans
• 7.5. Tests on trends
• 7.6. Testing equality and symmetry of covariance matrices
• 7.7. Unequal group size
• 8. Factorial Experiments in Which Some of the Interactions Are Confounded
• 8.1. Revised notation for factorial experiments
• 8.2. Method for obtaining the components of interactions
• 8.3. Designs for 2 x 2 x 2 factorial experiments in blocks of size 4
• 8.4. Simplified computational procedures for 2k factorial experiments
• 8.5. Numerical example of 2 x 2 x 2 factorial experiment in blocks of size 4
• 8.6. Numerical example of 2 x 2 x 2 factorial experiment in blocks of size 4 (repeated measures)
• 8.7. Designs for 3 x 3 factorial experiments
• 8.8. Numerical example of 3 x 3 factorial experiment in blocks of size 3
• 8.9. Designs for 3 x 3 x 3 factorial experiments
• 8.10. Balanced 3 x 2 x 2 factorial experiment in blocks of size 6
• 8.11. Numerical example of 3 x 2 x 2 factorial experiment in blocks of size 6
• 8.12. 3 x 3 x 3 x 2 factorial experiment in blocks of size 6
• 9. Balanced Lattice Designs and Other Balanced Incomplete-block Designs
• 9.1. Balanced simple lattice
• 9.2. Numerical example of balanced simple lattice
• 9.3. Balanced lattice-square designs
• 9.4. Balanced incomplete-block designs
• 9.5. Numerical example of balanced incomplete-block design
• 9.6. Numerical example of Youden square
• 9.7. Partially balanced designs
• 9.8. Numerical example of partially balanced design
• 9.9. Linked paired-comparison designs
• 10. Latin Squares and Related Designs
• 10.1. Definition of Latin square
• 10.2. Enumeration of Latin squares
• 10.3. Structural relation between Latin squares and three-factor factorial experiments
• 10.4. Uses of Latin squares
• 10.5. Analysis of Latin-square designs—no repeated measures
• 10.6. Analysis of Greco-Latin squares
• 10.7. Analysis of Latin squares—repeated measures
• 11. Analysis of Covariance
• 11.1. Single-factor experiments
• 11.2. Numerical example of single-factor experiment
• 11.3. Computational procedures for factorial experiment
• 11.4. Factorial experiment—repeated measures
• 11.5. Multiple covariates
• Appendix A. Topics Closely Related to the Analysis of Variance
• A.1. Kruskal-Wallis H test
• A.2. Contingency table with repeated measures
• A.3. Comparing treatment effects with a control
• A.4. General partition of degrees of freedom in a contingency table
• A.5. Hotelling's T2 test for the equality of k means
• A.6. Least-squares estimators—general principles
• Appendix B.
• B.1. Unit normal distribution
• B.2. Distribution of the studentized range statistic
• B.3. Distribution of t statistic in comparing treatment means with a control
• B.4. Distribution of FmiiK statistic
• B.5. Critical values for Cochran's test for homogeneity of variance
• B.6. Chi-square distribution
• B.7. Coefficients of orthogonal polynomials
• B.8. Curves of constant power for the test on main effects
• B.9. Random permutations of 16 numbers
• References to Experiments

Tóm tắt

I. Tổng Quan Về Nguyên Tắc Thống Kê Trong Thiết Kế Thí Nghiệm

Nguyên tắc thống kê đóng vai trò quan trọng trong thiết kế thí nghiệm, giúp đảm bảo rằng các kết quả thu được là chính xác và có thể tổng quát hóa. Việc áp dụng các nguyên tắc này không chỉ giúp tối ưu hóa quy trình thí nghiệm mà còn nâng cao độ tin cậy của các kết quả nghiên cứu. Các nguyên tắc này bao gồm việc xác định mẫu, phân tích dữ liệu và kiểm định giả thuyết. Đặc biệt, việc hiểu rõ về thống kê mô tả và thống kê suy diễn là rất cần thiết để thiết kế một thí nghiệm hiệu quả.

1.1. Khái Niệm Cơ Bản Về Thống Kê Trong Thí Nghiệm

Thống kê trong thiết kế thí nghiệm bao gồm các khái niệm như biến số độc lập, biến số phụ thuộc, và mẫu ngẫu nhiên. Những khái niệm này giúp xác định cách thức thu thập và phân tích dữ liệu. Việc hiểu rõ các khái niệm này là bước đầu tiên để xây dựng một thiết kế thí nghiệm vững chắc.

1.2. Tầm Quan Trọng Của Nguyên Tắc Thống Kê

Nguyên tắc thống kê giúp xác định cách thức thu thập dữ liệu và phân tích kết quả. Điều này không chỉ giúp giảm thiểu sai sót mà còn đảm bảo rằng các kết quả có thể được tổng quát hóa cho các tình huống khác. Việc áp dụng đúng các nguyên tắc này là rất quan trọng trong nghiên cứu khoa học.

II. Các Thách Thức Trong Việc Áp Dụng Nguyên Tắc Thống Kê

Mặc dù nguyên tắc thống kê rất quan trọng, nhưng việc áp dụng chúng trong thực tế không phải lúc nào cũng dễ dàng. Các thách thức bao gồm việc xác định kích thước mẫu phù hợp, lựa chọn phương pháp phân tích thích hợp và đảm bảo rằng dữ liệu thu thập được là chính xác. Những vấn đề này có thể dẫn đến những sai lệch trong kết quả nghiên cứu.

2.1. Xác Định Kích Thước Mẫu

Kích thước mẫu là yếu tố quyết định đến độ chính xác của kết quả. Một mẫu quá nhỏ có thể dẫn đến sai số lớn, trong khi một mẫu quá lớn có thể tốn kém và không cần thiết. Việc tính toán kích thước mẫu cần dựa trên các yếu tố như độ tin cậy và độ chính xác mong muốn.

2.2. Lựa Chọn Phương Pháp Phân Tích

Có nhiều phương pháp phân tích khác nhau, từ phân tích phương sai đến kiểm định t. Việc lựa chọn phương pháp phù hợp phụ thuộc vào loại dữ liệu và mục tiêu nghiên cứu. Sự không phù hợp trong lựa chọn phương pháp có thể dẫn đến những kết luận sai lệch.

III. Phương Pháp Thiết Kế Thí Nghiệm Hiệu Quả

Để thiết kế một thí nghiệm hiệu quả, cần áp dụng các phương pháp thống kê phù hợp. Các phương pháp này bao gồm thiết kế ngẫu nhiên, thiết kế phân tầng và thiết kế lặp lại. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp nào phụ thuộc vào mục tiêu nghiên cứu.

3.1. Thiết Kế Ngẫu Nhiên

Thiết kế ngẫu nhiên giúp loại bỏ các yếu tố gây nhiễu và đảm bảo rằng mọi yếu tố đều có cơ hội như nhau để được chọn. Điều này giúp tăng tính chính xác của kết quả và giảm thiểu sai số do thiên lệch.

3.2. Thiết Kế Phân Tầng

Thiết kế phân tầng cho phép phân chia mẫu thành các nhóm nhỏ hơn dựa trên các đặc điểm cụ thể. Điều này giúp tăng cường độ chính xác của các ước lượng và cho phép phân tích sâu hơn về các nhóm khác nhau trong mẫu.

IV. Ứng Dụng Thực Tiễn Của Nguyên Tắc Thống Kê Trong Nghiên Cứu

Nguyên tắc thống kê không chỉ có giá trị trong lý thuyết mà còn có ứng dụng thực tiễn rộng rãi trong nhiều lĩnh vực như tâm lý học, giáo dục và kinh tế. Việc áp dụng đúng các nguyên tắc này có thể giúp các nhà nghiên cứu đưa ra những kết luận chính xác và có giá trị.

4.1. Ứng Dụng Trong Tâm Lý Học

Trong tâm lý học, các nguyên tắc thống kê được sử dụng để phân tích hành vi và tâm lý con người. Việc áp dụng các phương pháp thống kê giúp các nhà nghiên cứu hiểu rõ hơn về các yếu tố ảnh hưởng đến hành vi và cảm xúc.

4.2. Ứng Dụng Trong Giáo Dục

Trong giáo dục, các nguyên tắc thống kê giúp đánh giá hiệu quả của các phương pháp giảng dạy khác nhau. Việc phân tích dữ liệu từ các thí nghiệm giáo dục có thể cung cấp thông tin quý giá để cải thiện chất lượng giảng dạy.

V. Kết Luận Về Nguyên Tắc Thống Kê Trong Thiết Kế Thí Nghiệm

Nguyên tắc thống kê là nền tảng cho việc thiết kế thí nghiệm hiệu quả. Việc hiểu và áp dụng đúng các nguyên tắc này không chỉ giúp nâng cao độ chính xác của kết quả mà còn giúp các nhà nghiên cứu đưa ra những kết luận có giá trị. Tương lai của nghiên cứu trong lĩnh vực này sẽ tiếp tục phát triển với sự tiến bộ của công nghệ và phương pháp thống kê mới.

5.1. Tương Lai Của Nghiên Cứu Thống Kê

Với sự phát triển của công nghệ, các phương pháp thống kê ngày càng trở nên tinh vi hơn. Điều này mở ra nhiều cơ hội mới cho các nhà nghiên cứu trong việc thiết kế thí nghiệm và phân tích dữ liệu.

5.2. Tầm Quan Trọng Của Đào Tạo Thống Kê

Đào tạo về thống kê là rất cần thiết để đảm bảo rằng các nhà nghiên cứu có thể áp dụng đúng các nguyên tắc thống kê trong công việc của họ. Việc nâng cao kiến thức về thống kê sẽ giúp cải thiện chất lượng nghiên cứu trong tương lai.

Nội dung chính

Tổng quan về giáo trình

Giáo trình Statistical Principles in Experimental Design (tạm dịch: Nguyên Tắc Thống Kê Trong Thiết Kế Thí Nghiệm) do Giáo sư B. J. Winer (Đại học Purdue) biên soạn, được Nhà xuất bản McGraw-Hill phát hành năm 1962. Trong chương trình đào tạo bậc đại học và sau đại học, tài liệu này giữ vị trí giáo trình chuyên môn phục vụ các học phần về thiết kế thí nghiệm, phân tích phương sai và phương pháp nghiên cứu định lượng, đặc biệt trong các ngành khoa học hành vi (tâm lý học, giáo dục học, xã hội học), kinh tế học và kỹ thuật công nghiệp.

Mục tiêu học tập của giáo trình bao gồm:

• Trang bị hệ thống nguyên lý logic làm nền tảng cho việc lập kế hoạch và triển khai các mô hình thí nghiệm khoa học.
• Giúp người học hiểu rõ bản chất của ước lượng tham số, khoảng tin cậy, kiểm định giả thuyết thống kê, sự tương quan giữa sai số loại 1 ($\alpha$), sai số loại 2 ($\beta$) và lực kiểm định (power).
• Phát triển năng lực tính toán, phân tích và diễn giải kết quả từ các mô hình thí nghiệm đơn yếu tố, đa yếu tố, đo lường lặp lại, thiết kế khối ngẫu nhiên và phân tích hiệp phương sai.

Về cấu trúc và cách tiếp cận, tác giả xây dựng giáo trình theo hướng ưu tiên cơ sở logic của phương pháp luận khoa học hơn là việc chứng minh toán học thuần túy về các phân phối mẫu. Giáo trình liên kết chặt chẽ giữa mô hình cấu trúc lý thuyết (structural models), công thức tính toán số học nhằm hạn chế sai số làm tròn và hệ thống bảng tra phân phối thống kê chuyên dụng.

Điểm đặc thù của tài liệu là tính linh hoạt trong đào tạo: nội dung được chia thành các phân đoạn phục vụ cho khóa học cơ sở một học kỳ (one-semester course) hoặc khóa học chuyên sâu thứ hai (second course), đồng thời cấu trúc các chương từ 8 đến 11 tương đối độc lập nhằm tạo điều kiện tra cứu cho các nhà nghiên cứu.

---

Nội dung kiến thức cốt lõi

Các chương và chủ đề chính

Cấu trúc giáo trình gồm 11 chương chính và 2 phần phụ lục, phát triển theo tiến trình từ cơ bản đến phức tạp:

• Chương 1 – Khái niệm cơ bản trong suy luận thống kê (Basic Concepts in Statistical Inference): Định nghĩa tổng thể, mẫu ngẫu nhiên, phân phối mẫu của trung bình và phương sai; định lý giới hạn trung tâm; tiêu chuẩn đánh giá ước lượng (không chệch, hiệu quả, nhất quán, tiệm cận); phương pháp ước lượng hợp lý cực đại (maximum likelihood); bản chất của kiểm định giả thuyết $H_1$, giả thuyết đối $H_2$, sai số loại 1, sai số loại 2 và đường cong lực kiểm định.
• Chương 2 – Kiểm định giả thuyết về trung bình và phương sai (Testing Hypotheses about Means and Variances): Kiểm định một phía và hai phía khi biết hoặc chưa biết $\sigma$; thống kê Student's $t$; kiểm định tính đồng nhất phương sai qua thống kê $F$; xử lý bài toán phương sai không đồng nhất (Behrens-Fisher, xấp xỉ Satterthwaite, xấp xỉ Welch); kiểm định mẫu phụ thuộc trong thiết kế đo lường lặp lại (correlated observations).
• Chương 3 & 4 – Thiết kế và phân tích thí nghiệm đơn yếu tố (Single-factor Experiments): Mô hình cấu trúc I (yếu tố cố định - fixed effects) và Mô hình II (thành phần phương sai - variance components); so sánh bội giữa các trung bình điều trị (kiểm định hậu định, phân tích thành phần xu hướng trực giao, kiểm định khoảng Studentized, so sánh với nhóm đối chứng theo phương pháp Dunnett); mở rộng sang thí nghiệm đo lường lặp lại trên cùng phần tử (repeated measures), đánh giá độ tin cậy của phép đo và phân tích phương sai cho dữ liệu xếp hạng.
• Chương 5 & 6 – Thiết kế và phân tích thí nghiệm đa yếu tố (Factorial Experiments): Định nghĩa hiệu ứng chính (main effects) và hiệu ứng tương tác (interaction effects); nguyên tắc lập tỉ số $F$ và tính giá trị kỳ vọng của bình phương trung bình (expected mean squares); thiết kế ô chia (split-plot designs); kiểm định tính phi cộng tính (nonadditivity); kỹ thuật biến đổi thang đo; quy trình bình phương tối thiểu khi tần số ô không bằng nhau (unequal cell frequencies); thiết kế đa yếu tố $2^k$.
• Chương 7 & 8 – Thí nghiệm đa yếu tố lặp lại và thiết kế kiểm soát tương tác lồng ghép (Multifactor Repeated Measures & Confounded Factorials): Phân tích thí nghiệm hai và ba yếu tố có đo lường lặp lại; kiểm định tính đối xứng và bằng nhau của ma trận hiệp phương sai; kỹ thuật làm lẫn/lồng ghép tương tác (confounding) trong các khối kích thước nhỏ cho thiết kế $2 \times 2 \times 2$, $3 \times 3$, $3 \times 2 \times 2$.
• Chương 9, 10 & 11 – Các mô hình khối cân bằng, ô vuông Latin và phân tích hiệp phương sai: Phân tích thiết kế mạng lưới cân bằng (Balanced Lattice), khối không hoàn toàn cân bằng (BIBD), ô vuông Youden; thiết kế ô vuông Latin, Greco-Latin; kỹ thuật phân tích hiệp phương sai (ANCOVA) cho mô hình đơn yếu tố, đa yếu tố và đa biến đồng biến (multiple covariates).

Kiến thức nền tảng được xây dựng

• Hệ thống mô hình cấu trúc toán học: Biểu diễn giá trị quan sát dưới dạng tổng các thành phần hiệu ứng thực nghiệm và sai số ngẫu nhiên:
  • Mô hình hai mẫu độc lập: $X_{ij} = \tau_j + \epsilon_{ij}$
  • Mô hình đo lường lặp lại: $X_{ia} = \tau_a + \pi_i + \epsilon_{ia}$ (trong đó $\pi_i$ là hiệu ứng đặc thù của cá thể $i$, được tách biệt khỏi sai số thực nghiệm $\epsilon_{ia}$).
• Lý thuyết kiểm định và ước lượng: Khái niệm hàm hợp lý cực đại theo R. A. Fisher; xác lập khoảng tin cậy một phía và hai phía tương ứng với miền bác bỏ của giả thuyết kiểm định.
• Tính vững của kiểm định thống kê (Robustness): Dựa trên các nghiên cứu của G. E. P. Box (1954), giáo trình xây dựng luận điểm về mức độ ảnh hưởng của việc vi phạm giả định chuẩn và tính đồng nhất phương sai đối với độ chính xác của kiểm định $t$ và $F$.

Kỹ năng phát triển

• Kỹ năng kỹ thuật (Technical skills): Lập công thức tính toán tổng bình phương, ma trận hiệp phương sai, tính giá trị thống kê $t, F, \chi^2$, xử lý bảng số liệu ANOVA và ANCOVA nhiều chiều.
• Kỹ năng phân tích (Analytical skills): Phân tích tương tác bậc cao bằng hình học; phân tách hiệu ứng chính thành các thành phần xu hướng đa thức trực giao (orthogonal polynomials); nhận diện tác động của thứ tự thực hiện thí nghiệm (treatment by order interaction).
• Năng lực thực hành thực nghiệm (Practical competencies): Đánh giá tương quan giữa chi phí thí nghiệm và độ chính xác (precision); xác định kích thước mẫu cần thiết trước khi thu thập dữ liệu; lựa chọn cấu trúc thí nghiệm phù hợp với điều kiện nghiên cứu cụ thể.

---

Phương pháp giảng dạy và học tập

Phương pháp tiếp cận sư phạm (Pedagogical Approach)

Giáo trình kết hợp đồng thời ba cấu phần trong từng chủ đề:

1. Trình bày cơ sở logic và mô hình toán học của thiết kế.
2. Diễn giải các ví dụ thực nghiệm cụ thể.
3. Hướng dẫn quy trình tính toán số học chi tiết.

Để phục vụ mục đích tra cứu và giảng dạy, các chương lý thuyết phức tạp được tách biệt với chương tính toán ứng dụng (chẳng hạn, Chương 5 trình bày lý thuyết thí nghiệm đa yếu tố, trong khi Chương 6 tập trung toàn bộ vào quy trình tính toán và ví dụ số liệu).

Bài tập, bài toán thực hành và phương pháp tự học

Tài liệu cung cấp chuỗi dữ liệu thực nghiệm mẫu hoàn chỉnh với các bước tính toán trung gian:

• Bảng tính toán kiểm định $t$ cho hai mẫu độc lập và hai mẫu phụ thuộc, thể hiện rõ cách gộp phương sai ($s_p^2$) và xử lý sai số làm tròn qua các ký hiệu tổng bình phương ($L_a, L_b$).
• Bài toán xử lý phương sai không đồng nhất bằng phương pháp tính bậc tự do điều chỉnh theo Welch ($f$) và Cochran-Cox.
• Ví dụ số liệu chi tiết cho các thiết kế khối $2 \times 2 \times 2$, $3 \times 3$, thiết kế ô vuông Latin và phân tích hiệp phương sai có biến kiểm soát.

Về phương pháp tự học và đánh giá, người học có thể tự kiểm tra kết quả tính toán thông qua hệ thống bảng tra phân phối mẫu đầy đủ tại Phụ lục B:

• Bảng phân phối chuẩn tắc $N(0,1)$ và phân phối Khi bình phương ($\chi^2$).
• Phân phối Studentized range ($q$) và phân phối $t$ so sánh với đối chứng theo Dunnett.
• Bảng giá trị tới hạn cho kiểm định tính đồng nhất phương sai của Cochran và thống kê $F_{max}$.
• Bảng hệ số đa thức trực giao và các đường cong lực kiểm định chuẩn hóa (curves of constant power).

---

Điểm nổi bật và tài liệu đối chiếu

Sự kế thừa và tích hợp các nghiên cứu nền tảng

Giáo trình kế thừa trực tiếp các nguyên lý thiết kế thí nghiệm kinh điển từ tác phẩm The Design of Experiments của R. A. Fisher và Experimental Designs của W. G. Cochran & G. M. Cox. Tác giả đã chuyển hóa các phương pháp vốn được áp dụng chủ yếu trong nông nghiệp sang bối cảnh nghiên cứu của các ngành khoa học xã hội và hành vi.

Tích hợp các giải pháp đối chuẩn thống kê

Tài liệu cập nhật và đối chiếu các công trình nghiên cứu chuyên sâu về mặt lý thuyết và thực nghiệm:

• Vấn đề Behrens-Fisher: So sánh các cách tiếp cận khác nhau trong việc xử lý hai mẫu có phương sai không bằng nhau, bao gồm bảng phân phối Behrens-Fisher (Fisher & Yates, 1953), phương pháp xấp xỉ của Cochran & Cox (1957), công thức xấp xỉ của F. E. Satterthwaite (1946) và nghiệm giải tích chính xác của B. L. Welch (1947) cùng bảng số liệu của A. A. Aspin (1949).
• Kiểm định tính vững: Trích dẫn các kết luận thực nghiệm của G. E. P. Box (1954) để chứng minh rằng kiểm định $t$ và $F$ ít bị sai lệch mức ý nghĩa khi phân phối dữ liệu thực tế có độ lệch vừa phải so với phân phối chuẩn.
• Hệ thống bảng biểu tiêu chuẩn: Tích hợp dữ liệu bảng tra từ các nguồn học thuật uy tín đương thời như bảng phân phối của E. Pearson (Biometrika Tables for Statisticians), bảng kiểm định Dunnett (Journal of the American Statistical Association), bảng thống kê của C. Wallis (Techniques of Statistical Analysis, 1947), báo cáo kỹ thuật WADC của H. Guthrie (1958) và bảng số liệu của L. Mahmoud (Psychometrika).

---

Đối tượng sử dụng giáo trình

Phân loại người học và điều kiện tiên quyết

• Sinh viên đại học năm cuối và học viên cao học: Thuộc các ngành Tâm lý học, Khoa học Giáo dục, Xã hội học, Kinh tế học, Thống kê ứng dụng và Kỹ thuật Công nghiệp.
• Kiến thức nền tảng yêu cầu (Prerequisites):
  • Trình độ toán học tương đương đại số đại học năm nhất (freshman college algebra).
  • Đã hoàn thành học phần cơ sở về suy luận thống kê (basic course in statistical inference), bao gồm ước lượng điểm, khoảng tin cậy và kiểm định tham số cơ bản.

Ứng dụng trong giảng dạy và nghiên cứu

• Đối với giảng viên:
  • Cung cấp khung chương trình cho khóa học một học kỳ tập trung vào các thiết kế cơ bản: Chương 1, 2, 3, 4, cùng các phần chọn lọc từ Chương 5, 6, 7, 10 và 11.
  • Xây dựng khóa học chuyên sâu thứ hai về thiết kế thí nghiệm nâng cao dựa trên các chủ đề chọn lọc từ Chương 7 đến Chương 11.
• Đối với nhà nghiên cứu: Đóng vai trò là tài liệu tham khảo độc lập. Các chương về thiết kế lồng ghép (Chương 8), khối không hoàn toàn cân bằng (Chương 9), ô vuông Latin (Chương 10) và phân tích hiệp phương sai (Chương 11) được biên soạn độc lập, cho phép tra cứu trực tiếp từng mô hình mà không bắt buộc phải đọc tuần tự toàn bộ văn bản.

---

Câu hỏi thường gặp

1. Giáo trình này phù hợp với đối tượng nào?

Tài liệu được biên soạn phục vụ sinh viên đại học, học viên sau đại học và các nhà nghiên cứu trong lĩnh vực khoa học hành vi (tâm lý học, giáo dục học, xã hội học), kinh tế học và kỹ thuật công nghiệp cần thiết kế và xử lý dữ liệu thí nghiệm.

2. Cần kiến thức nền tảng nào trước khi học giáo trình này?

Người học cần có trình độ đại số đại học năm nhất và đã hoàn thành học phần cơ sở về suy luận thống kê. Chương 1 và Chương 2 của sách chỉ tóm tắt lại thuật ngữ và ký hiệu chứ không thay thế cho học phần suy luận thống kê nhập môn.

3. Giáo trình này có điểm gì khác biệt so với các sách toán thống kê lý thuyết?

Khác với các tài liệu thuần toán học tập trung vào việc chứng minh các định lý phân phối mẫu, giáo trình của B. J. Winer tập trung vào cấu trúc logic của các mô hình thí nghiệm, cách thiết lập giả thuyết khoa học, kiểm soát sai số thực nghiệm và quy trình tính toán số học trên dữ liệu thực tế.

4. Làm thế nào để tự học và tra cứu hiệu quả các chương nâng cao?

Các chương từ 8 đến 11 được thiết kế có tính độc lập cao. Người học sau khi nắm vững nguyên lý phân tích phương sai ở Chương 3 và Chương 5 có thể đọc trực tiếp vào các mô hình thiết kế khối cân bằng, ô vuông Latin hoặc phân tích hiệp phương sai tùy theo nhu cầu nghiên cứu cụ thể.

5. Giáo trình có cung cấp các bảng tra số liệu bổ trợ không?

Phụ lục B của sách cung cấp hệ thống bảng phân phối mẫu đầy đủ, bao gồm phân phối chuẩn, Studentized range, bảng Dunnett so sánh với đối chứng, bảng Cochran kiểm định phương sai, bảng đa thức trực giao và các họ đường cong xác định lực kiểm định.

---

Kết luận

Giáo trình Statistical Principles in Experimental Design của B. J. Winer xác lập hệ thống phương pháp luận hoàn chỉnh về thiết kế thí nghiệm và phân tích phương sai cho khối ngành khoa học hành vi và kỹ thuật ứng dụng.

Lộ trình học tập đề xuất:

1. Hoàn thành việc củng cố thuật ngữ và nguyên lý kiểm định tại Chương 1 và Chương 2.
2. Nắm vững kỹ thuật phân tích đơn yếu tố và đo lường lặp lại ở Chương 3 và Chương 4.
3. Chuyển tiếp sang các mô hình đa yếu tố (Chương 5, 6, 7) và các thiết kế khối chuyên biệt (Chương 8, 9, 10, 11).

Trong quá trình học tập và xử lý số liệu, người học kết hợp sử dụng các chủ đề nâng cao tại Phụ lục A cùng hệ thống bảng phân phối xác suất tại Phụ lục B để hoàn thiện các quy trình kiểm định thống kê.

Trích đoạn nội dung tài liệu

WINER Professor of Psychology and Statistics Purdue University McGRAW-HILL BOOK COMPANY 1962 New York San Francisco Toronto London STATISTICAL PRINCIPLES IN EXPERIMENTAL DESIGN Copyright © 1962 by McGraw-Hill, Inc. Printed in the United States of America. All rights reserved. This book, or parts thereof, may not be reproduced in any form without permission of the publishers.

Library of Congress Catalog Card Number 61-13174 70980 10111213 HDMM 7654321069 Preface Written primarily for students and research workers in the area of the behavioral sciences, this book is meant to provide a text and comprehensive reference source on statistical principles underlying experimental design. Particular emphasis is given to those designs that are likely to prove useful in research in the behavioral sciences. The book primarily emphasizes the logical basis of principles underlying designs for experiments rather than mathematical derivations associated with relevant sampling distributions. The topics selected for inclusion are those covered in courses taught by the author during the past several years.

Students in these courses have widely varying backgrounds in mathe- matics and come primarily from the fields of psychology, education, economics, sociology, and industrial engineering. It has been the intention of the author to keep the book at a readability level appropriate for students having a mathematical background equivalent to freshman college algebra. From experience with those sections of the book which have been used as text material in dittoed form, there is evidence to indicate that, in large measure, the desired readability level has been attained. Admittedly, however, there are some sections in the book where this readability goal has not been achieved.

The first course in design, as taught by the author, has as a prerequisite a basic course in statistical inference. The contents of Chaps. 1 and 2 review the highlights of what is included in the prerequisite material. These chapters are not meant to provide the reader with a first exposure to these topics.

They are intended to provide a review of terminology and notation for the concepts which are more fully developed in later chapters. By no means is all the material included in the book covered in a one- semester course. In a course of this length, the author has included Chaps. 3, 4, parts of 5, 6, parts of 7, parts of 10, and parts of 11.

Chapters 8 through 11 were written to be somewhat independent of each other. VI PREFACE Hence one may read, with understanding, in these chapters without undue reference to material in the others. In general, the discussion of principles, interpretations of illustrative examples, and computational procedures are included in successive sections within the same chapter. However, to facilitate the use of the book as a reference source, this procedure is not followed in Chaps.

Basic principles associated with a large class of designs for factorial experiments are discussed in Chap. Detailed illustrative examples of these designs are presented in Chap. For teaching purposes, the author includes relevant material from Chap. 6 with the corresponding material in Chap.

Selected topics from Chaps. 7 through 11 have formed the basis for a second course in experimental design. Relatively complete tables for sampling distributions of statistics used in the analysis of experimental designs are included in the Appendix. Ample references to source materials having mathematical proofs for the principles stated in the text are provided.

The author is indebted to E. Pearson and the trustees of Biometrika for permission to reproduce parts of Tables B.9 from Biometrika Tables for Statisticians, vol. The author is indebted to H. Guthrie for permission to reproduce Table B.4, which was taken from WADC Technical Report 58-484, vol.

The author is indebted to C. Dunnett and the editor of the Journal of the American Statistical Association for permission to reprint Table B. The author is also indebted to C. Wallis for permission to reprint Table B.8, which appears in Techniques of Statistical Analysis, 1947.

The author is also indebted to L. Mahmoud as well as the editor of Psychometrika for permission to reprint Table B. Special thanks are due to Mrs. Lehman and Mrs.

Smith for excellent secretarial assistance in preparing the manuscript. The author is particularly grateful to Dr.