Kiểm định giả thuyết
Kiểm định giả thuyết (tiếng Anh: Hypothesis Testing) là một phương pháp thống kê suy luận nhằm đánh giá bằng chứng từ dữ liệu mẫu để đưa ra quyết định chấp nhận hay bác bỏ một giả thuyết nào đó về tổng thể (population). Trong ngân hàng và tài chính, phương pháp này được sử dụng rất phổ biến để kiểm tra tính hiệu lực của mô hình dự báo rủi ro tín dụng, mô hình định giá tài sản, mối quan hệ giữa các biến kinh tế vĩ mô và chỉ tiêu hoạt động ngân hàng, cũng như hiệu quả can thiệp của các chính sách tiền tệ.
Quy trình kiểm định giả thuyết về cơ bản gồm các bước: (1) xác định giả thuyết không (H₀ – null hypothesis) và giả thuyết đối (H₁ – alternative hypothesis); (2) lựa chọn kiểm định thống kê phù hợp (z-test, t-test, F-test, Chi-square, kiểm định phi tham số…); (3) xác định mức ý nghĩa α (thường chọn 1%, 5% hoặc 10%); (4) tính giá trị thống kê từ dữ liệu mẫu và so sánh với giá trị tới hạn hoặc tính p-value; (5) đưa ra kết luận bác bỏ hay không bác bỏ H₀.
Các khái niệm trọng tâm cần nắm
- Giả thuyết không (H₀): Tuyên bố mặc định về trạng thái của tổng thể, thường thể hiện "không có sự khác biệt", "không có hiệu ứng", "tham số bằng một giá trị cho trước". Ví dụ: H₀: lãi suất cho vay bình quân của hai chi nhánh ngân hàng là như nhau.
- Giả thuyết đối (H₁ hoặc Hₐ): Tuyên bố trái ngược với H₀, là giả thuyết nghiên cứu muốn chứng minh. Có thể là hai phía (≠) hoặc một phía (< hoặc >).
- Mức ý nghĩa α (significance level): Xác suất sai lầm loại I – xác suất bác bỏ H₀ khi H₀ thực sự đúng. Trong nghiên cứu ngân hàng, α = 5% là lựa chọn phổ biến nhất.
- Sai lầm loại I (Type I error): Bác bỏ H₀ khi H₀ đúng. Xác suất xảy ra bằng α.
- Sai lầm loại II (Type II error): Không bác bỏ H₀ khi H₀ sai. Xác suất xảy ra ký hiệu là β, và lực kiểm định (power of test) = 1 − β.
- p-value: Xác suất quan sát được dữ liệu cực trị ít nhất bằng dữ liệu thu thập được, giả định H₀ đúng. Quy tắc quyết định: nếu p-value < α thì bác bỏ H₀.
- Thống kê kiểm định (test statistic): Giá trị tính từ mẫu dùng để so sánh với phân phối lý thuyết. Ví dụ: z, t, F, χ² tùy theo kiểm định.
Ứng dụng thường gặp trong ngân hàng và tài chính
- Kiểm định sự khác biệt tỷ lệ nợ xấu giữa hai khu vực/kỳ: Sử dụng z-test cho hai tỷ lệ để xác định chênh lệch có ý nghĩa thống kê hay chỉ do ngẫu nhiên mẫu.
- Kiểm định tác động của chương trình ưu đãi lãi suất đến doanh số huy động: So sánh trước–sau bằng paired t-test hoặc difference-in-differences kết hợp kiểm định giả thuyết.
- Kiểm định ý nghĩa của hệ số hồi quy trong mô hình xếp hạng tín dụng: Sử dụng t-test trên từng hệ số, với H₀: β = 0. Nếu p-value < 5%, biến độc lập có ý nghĩa giải thích cho biến phụ thuộc.
- Kiểm định phương sai (F-test): Đánh giá mức độ biến động lợi nhuận giữa hai danh mục đầu tư, hoặc so sánh rủi ro danh mục trước và sau khi đa dạng hóa.
- Kiểm định Chi-square: Kiểm tra tính độc lập giữa phân khúc khách hàng và kênh giao dịch ưa thích, hoặc kiểm định sự phù hợp (goodness-of-fit) giữa phân phối lỗ thực tế và phân phối giả định trong mô hình VaR.
Ví dụ minh họa
Một phòng tín dụng muốn kiểm tra xem tỷ lệ nợ nhóm 2 của chi nhánh A (mẫu 1.200 khoản vay, tỷ lệ nợ nhóm 2 = 4,2%) có thực sự thấp hơn chi nhánh B (mẫu 1.500 khoản vay, tỷ lệ = 5,5%) hay không.
- H₀: p_A ≥ p_B (tỷ lệ nợ nhóm 2 chi nhánh A không thấp hơn chi nhánh B).
- H₁: p_A < p_B (tỷ lệ nợ nhóm 2 chi nhánh A thấp hơn chi nhánh B).
- α = 5%, kiểm định một phía trái.
- Tính z = (p̂_A − p̂_B) / √(p̂_pool × (1 − p̂_pool) × (1/n_A + 1/n_B)).
- Nếu z tính được = −2,31 < z_critical = −1,645 → bác bỏ H₀ → kết luận chi nhánh A có tỷ lệ nợ nhóm 2 thấp hơn có ý nghĩa thống kê ở mức 5%.
Lưu ý quan trọng khi sử dụng
- Kích thước mẫu lớn có thể khiến nhiều khác biệm nhỏ trở nên "có ý nghĩa thống kê" nhưng không có ý nghĩa kinh tế. Cần kết hợp đánh giá ý nghĩa thực tiễn (effect size) bên cạnh p-value.
- Các kiểm định cổ điển phụ thuộc vào giả định phân phối (chuẩn, phương sai đồng nhất). Khi giả định bị vi phạm, cân nhắc kiểm định phi tham số như Mann-Whitney, Wilcoxon, Kruskal-Wallis.
- Không nên hiểu "không bác bỏ H₀" đồng nghĩa với "H₀ đúng". Đây chỉ là chưa đủ bằng chứng để bác bỏ.
- Trong mô hình rủi ro tín dụng (PD, LGD, EAD), kiểm định giả thuyết được sử dụng để đánh giá hiệu lực phân biệt (discriminatory power) và hiệu lực hiệu chuẩn (calibration) theo khuyến nghị của Basel Committee on Banking Supervision, thường thông qua kiểm định Hosmer–Lemeshow, kiểm định Kolmogorov–Smirnov hai mẫu hoặc kiểm định Binomial.
Disclaimer
Nội dung trên mang tính tham khảo chuyên môn, không thay thế tư vấn của chuyên gia thống kê, quant analyst hoặc cố vấn rủi ro trong từng tình huống nghiệp vụ cụ thể tại ngân hàng.