Nate Silver

Tổng quan

Nate Silver đã dự đoán đúng kết quả bỏ phiếu của 49/50 bang trong cuộc bầu cử Mỹ năm 2008 và dự đoán chính xác kết quả của tất cả 50 bang vào năm 2012. Kể từ khi công khai xuất hiện trước công chúng, danh tiếng của Silver cùng với trang blog do ông sáng lập FiveThirtyEight đã thực sự bùng nổ. Kênh truyền hình thể thao ESPN sau đó đã mua lại FiveThirtyEight và bổ nhiệm Nate Silver làm tổng biên tập.
Tín Hiệu Và Độ Nhiễu của Nate Silver cũng đã lọt vào danh sách bán chạy nhất của New York Times. Trong cuốn sách này, ông giải thích lý do tại sao rất nhiều dự đoán lại không trở thành sự thật và cách chúng ta có thể sử dụng một số công cụ cũng như nguyên tắc để đưa ra những dự báo tốt hơn về tương lai.
Mời bạn cùng Fonos điểm qua 3 nội dung chính trong sách Tín Hiệu Và Độ Nhiễu.

Nội dung thứ 3: Dùng định lý Bayes để đưa ra dự đoán chính xác hơn!

Định lý Bayes (đặt theo tên nhà toán học Thomas Bayes) là một công cụ thú vị có thể giúp bạn đưa ra quyết định tốt hơn. Đây là một định lý toán học để tính xác suất xảy ra của một sự kiện ngẫu nhiên A khi biết sự kiện liên quan B đã xảy ra.
Một ví dụ phổ biến để giải thích định lý Bayes là tính toán khả năng bị ung thư vú thực sự của một người nếu kết quả chụp nhũ ảnh của người đó là dương tính.
Cụ thể, được biết kết quả chụp nhũ ảnh có tỷ lệ chính xác là 90%. Điều đó có nghĩa kết quả chụp nhũ ảnh sẽ luôn cho ra 10% trường hợp bị dương tính giả. Tỷ lệ này khiến bạn nghĩ rằng, nếu bạn đi xét nghiệm ung thư vú và có kết quả nhũ ảnh dương tính, thì có 90% bạn bị ung thư vú thật. Tuy nhiên, bài toán xác suất không đơn giản như thế. Và tin vui là kể cả khi kết quả chụp nhũ ảnh của bạn là dương tính, khả năng bạn bị ung thư vú thật sẽ còn thấp hơn con số 90% nêu trên.
Sự khác biệt này diễn ra khi bạn phải xét tới những thông số khác nữa, ví dụ tỷ lệ về số người bị ung thư trên toàn bộ dân số ngoài thực tế, và tỷ lệ một người bị ung thư vú được phát hiện sau một xét nghiệm.
Lấy ví dụ, toàn bộ dân cư có 1% số người bị ung thư vú. Và khi những người này đi xét nghiệm, tỉ lệ “bắt trúng bệnh” của họ chỉ là 75%, nghĩa là máy móc hay bệnh viện khi ấy chỉ xác định được 75% trong số 1% bệnh nhân này là “dương tính”.
Có thể thấy, khi đó, ngoài việc cân nhắc bạn có lọt vào nhóm 10% bị dương tính giả nêu trên hay không, bạn sẽ xét thêm khả năng mình có thuộc nhóm 1% dân số bị ung thư thật sự hay không, cũng như nếu một người bị ung thư thật thì đi xét nghiệm lại, liệu họ có nằm trong số 75% số ca bị “bắt trúng bệnh” hay không.
Với những điều kiện như thế, câu hỏi đặt ra là “nếu một người đi xét nghiệm ung thư vú và nhận kết quả dương tính, khả năng người đó bị ung thư vú thật là bao nhiêu?”.
Để trả lời câu hỏi này, định lý Bayes cung cấp một công thức tính xác suất dựa trên mối liên quan giữa việc cầm một tờ giấy chụp nhũ ảnh dương tính với các tỷ lệ sai lệch khác trong thực tế.
Theo ví dụ trên, bạn sẽ thấy xác suất một người vừa bị ung thư, vừa bị phát hiện dương tính là 1% x 75%. Bạn sẽ lấy con số này chia cho tổng số các trường hợp sai lệch được tính tới, bao gồm người vừa bị ung thư, vừa bị phát hiện dương tính (1% x 75%), người không ung thư nhưng bị xét nghiệm dương tính giả (10% x 99%), bằng 0,0075 chia cho 0,1065, bằng 7,04%. 
(1% x 75%) / [(1% x 75%) + (10% x 99%)] = (0,0075) / (0,1065) = 7,04%
Như vậy, nếu bạn đi chụp nhũ ảnh và nhận kết quả dương tính với ung thư vú, khả năng bạn bị ung thư vú thật chỉ hơn… 7%.

Lời kết từ Fonos

Bạn vừa nghe xong tóm tắt sách Tín Hiệu Và Độ Nhiễu. Phần lớn mọi người đã quá dựa vào số liệu thống kê để đưa ra quyết định nhưng thực tế, số liệu chỉ đáng tin cậy khi nghiên cứu được thực hiện đúng cách bởi những người thực sự hiểu về số liệu. Sử dụng định lý Bayes để đánh giá sự chính xác của các dự đoán, cẩn thận với những con số cụ thể được đưa ra và bạn sẽ phân biệt được những dự đoán đúng - sai để đưa ra quyết định tốt nhất.
Bạn có thể nghe trọn vẹn cuốn sách này trên ứng dụng Fonos để tìm hiểu tường tận thêm nhiều dẫn chứng, lập luận cũng như gợi ý, đề xuất của tác giả, từ đó rút ra những kinh nghiệm hữu ích cho riêng mình.
Cảm ơn bạn đã lắng nghe tóm tắt sách trên ứng dụng Fonos. Hãy thường xuyên truy cập vào Fonos để đón nghe những nội dung âm thanh độc quyền được cập nhật liên tục bạn nhé.

Nội dung thứ 2: Sự hoài nghi cần thiết cho mọi dự đoán tốt.

Làm thế nào để chúng ta tự tin đưa ra dự đoán bất chấp mọi thứ? Nhiều người chỉ dựa vào thống kê và quên rằng số liệu cũng có thể sai lệch. Kể từ buổi bình minh của kỷ nguyên Internet, chúng ta có nhiều thông tin hơn bao giờ hết: có hơn 4.000.000 chỉ số kinh tế được theo dõi liên tục. Do đó, việc dựa vào dữ liệu thống kê để đưa ra dự đoán hoàn toàn tự nhiên và dễ hiểu. 
Tuy nhiên, đứng trước một khối lượng dữ liệu khổng lồ như vậy, tư duy phản biện, suy nghĩ và lý luận càng trở nên quan trọng hơn. Với rất nhiều yếu tố tương quan cần xem xét, những sự trùng hợp sẽ nảy sinh, thì việc chỉ dựa vào các con số thống kê chắc chắn sẽ phản tác dụng sau một thời gian.
Ví dụ, trong 30 năm, tất cả dữ liệu đều cho thấy thị trường chứng khoán sẽ tăng đột biến đến hết năm nếu đội chiến thắng trận tranh chức vô địch bóng bầu dục Super Bowl đến từ NFL (National Football League). Ngược lại, nếu một đội của AFL (American Football League) thắng, thị trường chứng khoán sẽ thua lỗ. 
Giả thuyết này đã đúng trong 28/30 năm kể từ năm 1967 đến 1997, và chỉ có 1/4.700.000 tỷ lệ ý kiến cho rằng đó là một sự trùng hợp ngẫu nhiên. Thế nhưng đó thực sự là một sự trùng hợp vì chứng khoán và bóng bầu dục không hề liên quan đến nhau. Kể từ năm 1998, giả thuyết này đã đảo ngược. 
Bất kể chúng ta sử dụng bao nhiêu công nghệ để có được nguồn dữ liệu phong phú, điều tối quan trọng là luôn có một người ngồi vào bàn, phân tích các dữ liệu đó với một cái nhìn hoài nghi và đánh giá tính hợp lý của kết quả trước khi công bố chúng.

Nội dung thứ nhất: Có nên tin tưởng nhà kinh tế học và… thầy bói?

Nhiều người kiếm sống nhờ vào những dự đoán: bình luận viên thể thao, nhà phân tích chứng khoán, người dự báo thời tiết, người thăm dò ý kiến, các tay chơi poker, nhà kinh tế học, người làm tiếp thị, và thầy bói. Dù là nghề gì đi nữa, thật không may là các dự đoán của họ thường sai. 
Và chính vì luôn có nhiều sai sót, thật khó để tin tưởng những người làm công việc dự đoán. Nhưng tại sao họ vẫn đưa ra dự đoán mặc dù ngay từ đầu đã biết rằng chúng không hề chính xác? 
Lấy ví dụ từ các nhà kinh tế học, họ thường nói những điều như “Chúng tôi kỳ vọng GDP trong năm tới sẽ tăng 2,9%”. Tuy nhiên, kết quả phân tích trên thực tế của họ là: “Có 90% khả năng tăng trưởng GDP trong năm tới nằm trong khoảng từ 2,1% đến 3,7%”. 
Thứ nhất, thay vì chọn giá trị trung bình và chỉ ra một con số, các nhà kinh tế học nên thừa nhận rằng kết quả tốt nhất họ có thể cung cấp là một khoảng từ bao nhiêu đến bao nhiêu. 
Thứ hai, độ chính xác của dự đoán đó thường được đánh giá quá cao. Quên con số 90% đó đi. 50% sẽ là một ước tính tốt hơn. Kể từ năm 1968, tỷ lệ phần trăm GDP tăng trưởng thực tế trong phần lớn trường hợp đã giảm một nửa so với khoảng dự đoán.

Cuốn sách Tín Hiệu Và Độ Nhiễu giải thích lý do vì sao rất nhiều dự đoán cuối cùng lại sai và cách các nhà thống kê, chính trị gia và nhà khí tượng học trở thành nạn nhân của khối lượng dữ liệu khổng lồ.
Tác giả Nate Silver sinh năm 1978, là nhà thống kê và nhà văn người Mỹ, chuyên phân tích bóng chày và bầu cử. Ông hiện là phóng viên đặc biệt của ABC News và là tổng biên tập của blog FiveThirtyEight. Silver được công chúng đón nhận lần đầu khi phát triển thành công PECOTA, một hệ thống dự báo hiệu suất và phát triển sự nghiệp của các vận động viên bóng chày.

Tín Hiệu Và Độ Nhiễu

Nội dung cho Hội viên

Giới Thiệu