Sai số tương quan và lý do các mô hình toán học thất bại thảm hại

Ảo tưởng về sự chuẩn xác và cú sụp đổ của các mô hình dự báo

Trong kỷ nguyên bùng nổ dữ liệu, công chúng thường dành một niềm tin gần như tuyệt đối cho các con số thống kê chi tiết đến từng số thập phân. Người ta dễ dàng quên rằng đằng sau mỗi phép tính luôn tồn tại những vùng bất định khó lường. Cuộc bầu cử Tổng thống Mỹ năm 2016 chính là một bài học đắt giá về sự phản bội của dữ liệu, khi hàng loạt chuyên gia cùng các viện nghiên cứu danh tiếng đều tự tin tuyên bố xác suất đắc cử của một ứng viên lên đến $99\\%$. Thậm chí mô hình phân tích kỳ cựu của Nate Silver cũng đưa ra ước tính xác suất $71.4\\%$ cho khả năng chiến thắng của bà Hillary Clinton. Đa số người theo dõi đã xem con số này như một bảng điểm định đoạt cuộc đua, để rồi rơi vào ngỡ ngàng tột độ khi thực tế diễn ra hoàn toàn trái ngược. Sự cố lịch sử ấy không bắt nguồn từ những phép toán cộng trừ sai sót, mà bắt rễ sâu xa từ việc các mô hình toán học đã ngủ quên trên cảm giác chính xác giả tạo.

Bản chất sai số tương quan: Khi giả định độc lập bị bẻ gãy

Yếu tố thầm lặng đã đánh sập hàng loạt dự báo chính trị năm 2016 thực chất không hề xa lạ trong giới phân tích: đó chính là “sai số tương quan” (correlated error). Khái niệm này cũng chính là kẻ phản diện từng chôn vùi các ngân hàng cho vay thế chấp dưới chuẩn vào năm 2007, châm ngòi cho cuộc khủng hoảng tài chính toàn cầu. Khi đó, các định chế Phố Wall đã định giá sai nguy cơ vỡ nợ hàng loạt chỉ vì nhầm tưởng rằng rủi ro của từng người đi vay là hoàn toàn độc lập với nhau.

Một nguyên lý căn bản của mô hình hóa là: bạn có thể tạo ra các dự báo vô cùng chuẩn xác từ những điểm dữ liệu vốn dĩ thiếu chính xác, miễn là các điểm dữ liệu đó hoàn toàn độc lập. Trong lĩnh vực thăm dò bầu cử, mỗi cuộc khảo sát riêng lẻ luôn tiềm ẩn sai số lên đến vài điểm phần trăm do kỹ thuật phỏng vấn, phương thức liên lạc hay sai lệch trong lấy mẫu nhân khẩu học. Thông thường, phương pháp gộp thăm dò (poll aggregation) có thể “làm mịn” những gợn sóng này nhờ cơ chế bù trừ: sai số theo hướng này sẽ triệt tiêu sai số theo hướng ngược lại, đem đến một giá trị trung bình rất đáng tin cậy. Phép màu toán học đó từng giúp những chuyên gia như Nate Silver hay Sam Wang dự đoán chính xác tuyệt đối kết quả bầu cử năm 2012. Tuy nhiên, phép màu sẽ biến mất ngay khi các sai số không còn phát sinh ngẫu nhiên mà cùng bị kéo về một hướng do một nguyên nhân hệ thống ẩn giấu.

Cú sốc năm 2016 và những ẩn số tâm lý cử tri

Bi kịch dự báo năm 2016 phát sinh khi hầu hết các cuộc thăm dò tại các bang chiến trường then chốt đều đồng loạt đánh giá quá cao tỷ lệ ủng hộ dành cho bà Clinton từ $2\\%$ đến $6\\%$. Do độ lệch này bao trùm lên toàn bộ hệ thống khảo sát, nó đã vượt ra ngoài biên độ ngẫu nhiên thông thường và trở thành sai số tương quan nguy hiểm, làm vô hiệu hóa các thuật toán tổng hợp.

Để lý giải nguyên nhân khiến các nhà nghiên cứu dư luận bị qua mặt đồng loạt, giới chuyên môn đã chỉ ra hai giả thuyết tâm lý xuất phát từ khoảng cách về mức độ nhiệt huyết giữa các nhóm cử tri:

• Xung đột giữa lý trí và cảm xúc: Việc tham gia trả lời một cuộc thăm dò điện thoại thường chỉ là một bài tập lý trí tẻ nhạt, nơi cử tri có xu hướng lựa chọn phương án an toàn hoặc chuẩn mực xã hội. Ngược lại, hành động bước vào phòng bỏ phiếu kín lại mang tính trao quyền mạnh mẽ và bị chi phối bởi cảm xúc bột phát. Nếu một tỷ lệ cử tri nhỏ nhưng nhất quán ban đầu trả lời ủng hộ Clinton trước người khảo sát, nhưng đến giây phút quyết định lại bấm nút chọn Trump, thì toàn bộ các cuộc thăm dò sẽ cùng mắc phải một sai số hệ thống giống hệt nhau.
• Hiện tượng cử tri chán nản: Đa phần các đơn vị thăm dò đều nỗ lực đánh giá xác suất cử tri thực sự đi bỏ phiếu. Nếu một bộ phận lớn người ủng hộ bà Clinton cam kết sẽ đi bầu khi được phỏng vấn, nhưng đến ngày bầu cử lại không tìm thấy đủ động lực và nhiệt huyết để tới hòm phiếu, sai lệch sẽ lập tức phát sinh. Nhà làm phim Michael Moore từng có nhận xét rất xác đáng rằng nếu cử tri có thể bỏ phiếu ngay từ chiếc ghế sofa thông qua tay cầm máy chơi game hoặc điều khiển từ xa, bà Clinton có lẽ đã thắng áp đảo.

Mô phỏng Michigan: Độ nhạy cực đại của mô hình toán học

Tác động mang tính hủy diệt của sai số tương quan có thể được kiểm chứng rõ nét qua mô phỏng toán học. Giả định tại một bang chiến địa có bối cảnh cử tri tương tự Michigan năm 2016, nơi dữ liệu thăm dò thô cho thấy ưu thế dẫn trước vào khoảng $3.5\\%$ nghiêng về bà Clinton. Khi đưa các mức sai số hệ thống khác nhau vào kiểm nghiệm, xác suất thắng cuộc của hai mô hình dự báo đã thay đổi chóng mặt:

• Khi thiết lập sai số tương quan ở mức $0\\%$:
  • Mô hình 1 ghi nhận $70\\%$ xác suất thắng
  • Mô hình 2 ghi nhận $99\\%$ xác suất thắng
• Khi sai số tương quan dịch chuyển lên $1\\%$:
  • Mô hình 1 đạt mức $65\\%$ xác suất thắng
  • Mô hình 2 đạt mức $95\\%$ xác suất thắng
• Với kịch bản sai số tương quan đạt mốc $2\\%$:
  • Mô hình 1 xác định $59\\%$ xác suất thắng
  • Mô hình 2 xác định $84\\%$ xác suất thắng
• Nếu sai số tương quan gia tăng đến mức $3\\%$:
  • Mô hình 1 tính ra $53\\%$ xác suất thắng
  • Mô hình 2 tính ra $63\\%$ xác suất thắng
• Ở mức sai số tương quan chạm ngưỡng $4\\%$:
  • Mô hình 1 sụt xuống $47\\%$ xác suất thắng
  • Mô hình 2 sụt xuống $37\\%$ xác suất thắng

Trên thực tế tại bang Michigan năm đó, sai số tương quan thực tế ghi nhận được lên tới 4 điểm phần trăm. Nếu Mô hình 1 phát hiện và đưa mức sai lệch này vào công thức, cơ hội thắng của bà Clinton sẽ lập tức rớt từ $70\\%$ xuống chỉ còn $47\\%$. Đáng kinh ngạc hơn, Mô hình 2 sẽ chứng kiến xác suất lao dốc thảm bại từ $99\\%$ xuống vỏn vẹn $37\\%$. Cả hai hệ thống lẽ ra đều phải dự báo phần thắng thuộc về ông Trump nếu tính đến biến số này. Thí nghiệm số học trên cho thấy một bài học đắt giá: xác suất đầu ra có thể biến động dữ dội chỉ sau những dịch chuyển rất nhỏ của sai số tương quan.

Góc nhìn phản biện: Từ dự báo bầu cử tới kỷ nguyên thuật toán AI

Bài học về sự thất bại của các mô hình dự báo bầu cử mang lại giá trị cảnh tỉnh sâu sắc cho thời đại số hóa hiện nay. Khi trí tuệ nhân tạo và các thuật toán học máy đang can thiệp ngày càng sâu vào đời sống — từ xét duyệt tín dụng, chẩn đoán y khoa đến định giá bảo hiểm — chúng ta rất dễ mắc phải căn bệnh chủ quan khi thấy mô hình hoạt động trơn tru trên các tập dữ liệu thử nghiệm. Nếu các kỹ sư dữ liệu không lường trước được việc dữ liệu huấn luyện vốn dĩ chứa đựng những thiên lệch tương quan vô hình, cỗ máy AI tinh vi nhất cũng sẽ đưa ra những quyết định sai lầm thảm khốc mà vẫn khoác lên mình vẻ ngoài chuẩn xác tuyệt đối.

Việc công bố các kết quả dự báo chi tiết đến từng số thập phân không chứng minh được đẳng cấp khoa học, mà thực chất chỉ tạo ra sự ngộ nhận nguy hiểm cho người tiếp nhận thông tin. Thay vì ru ngủ công chúng bằng những con số xác suất hào nhoáng, giới chuyên gia nên chuyển dịch dần sang các thang đo định tính thận trọng hơn. Trong trường hợp bắt buộc phải cung cấp chỉ số phần trăm, mọi báo cáo cần bắt buộc đính kèm các kịch bản kiểm tra độ nhạy với những giả định sai số tương quan như $2\\%$ hoặc $4\\%$ để đóng vai trò như một biên độ sai số cảnh báo rủi ro. Chỉ khi từ bỏ thói quen sùng bái sự chính xác giả tạo, chúng ta mới có thể làm chủ các công cụ thống kê một cách tỉnh táo và hiệu quả.

Bài viết tham khảo Quanta Magazine (quantamagazine.org).