Trung bình (mean) là tổng chia cho số phần tử; trung vị (median) là giá trị đứng giữa khi xếp dữ liệu từ nhỏ đến lớn. Với dữ liệu phân bố cân đối, hai con số gần như trùng nhau. Với dữ liệu lệch, như thu nhập, giá nhà, quy mô doanh nghiệp, thời gian chờ khám bệnh, chúng có thể cách xa nhau, và trung bình thường bị kéo về phía một số ít giá trị rất lớn.
Câu trả lời ngắn cho việc chọn con số nào: muốn biết "một người điển hình" ở mức nào thì dùng trung vị; muốn biết tổng lượng chia đều ra là bao nhiêu thì dùng trung bình. Ngân sách, tổng sản lượng, tổng tiền lương phải dựa trên trung bình vì chúng cộng được. Mức sống, giá nhà phổ biến, thời gian xử lý hồ sơ "thông thường" nên dựa trên trung vị.
Dưới đây là cơ chế khiến hai con số tách nhau, những tình huống mà mỗi con số đánh lừa người đọc, và một quy trình ngắn để chọn thước đo đại diện cho dữ liệu của bạn.
Định nghĩa chính xác và một ví dụ thấy ngay sự khác biệt
Ba thước đo xu hướng trung tâm thường gặp là trung bình cộng, trung vị và yếu vị (mode, giá trị xuất hiện nhiều nhất). Trung bình dùng toàn bộ thông tin trong dữ liệu, kể cả độ lớn của từng giá trị. Trung vị chỉ dùng thứ tự: nó không quan tâm giá trị lớn nhất lớn đến mức nào, chỉ cần biết nó nằm ở nửa trên. Với số phần tử chẵn, trung vị là trung bình của hai giá trị ở giữa.
Ví dụ giả định: một công ty nhỏ có chín nhân viên lương tháng lần lượt 8, 9, 9, 10, 11, 12, 12, 13 và 14 triệu đồng, cộng giám đốc nhận 120 triệu. Trung bình của mười người là 218 / 10 = 21,8 triệu. Trung vị là trung bình của người thứ năm và thứ sáu, (11 + 12) / 2 = 11,5 triệu. Chín trên mười người nhận ít hơn mức "lương trung bình". Nếu giám đốc tăng lương lên 220 triệu, trung bình nhảy lên 31,8 triệu trong khi trung vị đứng yên.
Tính chất này có tên trong thống kê là độ vững (robustness). Trung vị có điểm gãy 50%: phải làm hỏng tới một nửa dữ liệu mới kéo nó đi xa tùy ý. Trung bình có điểm gãy bằng không: chỉ một giá trị cực đoan, hay một lỗi nhập liệu thêm ba số không, đủ làm nó lệch tùy ý. Đây là lý do khi làm sạch dữ liệu, so trung bình với trung vị là một phép kiểm lỗi rất nhanh.
Vì sao dữ liệu kinh tế thường lệch phải
Nhiều đại lượng có sàn nhưng không có trần. Thu nhập không âm được, nhưng có thể lớn gấp hàng nghìn lần mức phổ biến. Giá nhà, doanh thu doanh nghiệp, số người theo dõi một tài khoản mạng xã hội, quy mô thiệt hại thiên tai đều có cấu trúc này. Kết quả là một cái đuôi dài bên phải, kéo trung bình lên trên trung vị.
Tăng trưởng theo tỷ lệ tạo ra phân phối lệch. Khi một đại lượng lớn lên theo phần trăm qua nhiều kỳ, như vốn đầu tư hay quy mô công ty, những chênh lệch nhỏ về tốc độ tích luỹ thành chênh lệch rất lớn về mức. Phân phối loga chuẩn và phân phối luỹ thừa (Pareto) là các mô hình thường dùng cho loại dữ liệu này. Vilfredo Pareto đã mô tả sự phân bố đất đai và thu nhập lệch mạnh như vậy từ cuối thế kỷ XIX.
Trên phân phối lệch phải, thứ tự thường là yếu vị nhỏ hơn trung vị, trung vị nhỏ hơn trung bình. Đây là quy luật gần đúng chứ không phải định lý; có những phân phối lệch vi phạm nó. Nhưng trong dữ liệu thu nhập và giá cả thực tế, nó đúng đủ thường để dùng làm dấu hiệu: nếu một báo cáo cho trung bình cao hơn trung vị nhiều, dữ liệu gần như chắc có đuôi dài và con số trung bình không mô tả người điển hình.
Lệch trái hiếm hơn nhưng có. Tuổi thọ lúc mất ở các nước có thu nhập cao, điểm của một bài kiểm tra quá dễ, hay thời gian học xong một khoá bắt buộc có đuôi dài bên trái. Khi đó trung bình thấp hơn trung vị, và con số trung bình lại làm tình hình trông kém hơn thực tế của người điển hình.
Chọn thước đo nào cho câu hỏi nào
Không có thước đo "đúng" tuyệt đối; có thước đo đúng cho câu hỏi. Bảng dưới gom các tình huống hay gặp trong công việc.
| Câu hỏi | Thước đo phù hợp | Lý do |
|---|---|---|
| Một hộ gia đình điển hình có thu nhập bao nhiêu? | Trung vị | Không bị vài hộ rất giàu kéo lệch |
| Tổng quỹ lương cần dự trù cho năm sau? | Trung bình × số người | Ngân sách cộng được, cần tổng thực |
| Căn hộ phổ biến ở khu vực này giá bao nhiêu? | Trung vị, kèm khoảng phân vị 25–75 | Vài dự án cao cấp làm trung bình méo |
| Thời gian xử lý hồ sơ mà khách thường gặp? | Trung vị và phân vị 90 | Khách quan tâm cả mức thường và mức chậm nhất hay gặp |
| Cỡ áo nào nên nhập nhiều nhất? | Yếu vị | Câu hỏi là "loại nào phổ biến nhất" |
| Năng suất bình quân của một dây chuyền? | Trung bình | Sản lượng tổng là thứ cần, giá trị nào cũng góp vào |
| Đánh giá sao trung bình của sản phẩm? | Phân bố đầy đủ từng mức sao | Thang thứ bậc 1–5 và phân phối hai đỉnh làm trung bình mất ý nghĩa |
Điểm mấu chốt ở dòng cuối: với thang đo thứ bậc như mức độ hài lòng, trung bình 3,0 có thể đến từ mọi người cùng chấm 3 hoặc từ một nửa chấm 1 và một nửa chấm 5. Hai tình huống này đòi hỏi hai hành động khác nhau, nên với dữ liệu khảo sát nên xem biểu đồ tần suất trước khi tin vào bất kỳ con số tóm tắt nào.
Đọc "thu nhập bình quân" và "lương trung bình" trong tin tức
Phần lớn số liệu thu nhập được công bố rộng rãi ở Việt Nam, như thu nhập bình quân đầu người một tháng từ khảo sát mức sống dân cư của cơ quan thống kê, là trung bình. Đó là lựa chọn hợp lý cho mục đích tính toán vĩ mô, vì nó cộng được với tổng thu nhập toàn quốc, nhưng nó không phải mức thu nhập mà "người Việt điển hình" nhận. Con số đúng hơn cho câu hỏi đó là trung vị, hoặc tốt hơn nữa là thu nhập theo nhóm ngũ phân vị (chia dân số thành năm nhóm bằng nhau từ nghèo nhất đến giàu nhất).
Khi số liệu ngũ phân vị có sẵn, hãy xem tỷ số giữa nhóm giàu nhất và nhóm nghèo nhất cùng với trung bình. Hai địa phương có thể có cùng thu nhập bình quân nhưng mức độ chênh lệch rất khác nhau, và do đó trung vị rất khác nhau. Hệ số Gini là một tóm tắt khác của sự chênh lệch, nhưng nó cũng là một con số đơn lẻ và không cho biết chênh lệch nằm ở đáy hay ở đỉnh phân phối.
Với các tin kiểu "lương trung bình ngành X đạt Y triệu", hãy hỏi: nguồn là khảo sát hay tin tuyển dụng, đối tượng là ai, và đó là trung bình hay trung vị. Mức lương trong tin tuyển dụng thường là mức mời chào, có thể khác mức trả thực. Một khảo sát của công ty tuyển dụng dựa trên người dùng nền tảng của họ có mẫu nghiêng về lao động thành thị và có kỹ năng, nên không đại diện cho toàn bộ lao động của ngành.
Những hiểu lầm phổ biến về trung bình và trung vị
Hiểu lầm: trung vị luôn tốt hơn trung bình. Thực tế: trung vị bỏ qua thông tin về độ lớn. Nếu bạn cần dự báo tổng chi phí bảo hành, các ca hỏng hóc đắt tiền hiếm gặp chính là thứ quyết định tổng, và trung vị sẽ làm bạn đánh giá thấp nghiêm trọng. Ngành bảo hiểm sống bằng trung bình, không phải trung vị, vì họ phải trả tổng các khoản bồi thường.
Hiểu lầm: một nửa số người nằm dưới mức trung bình. Đó là định nghĩa của trung vị, không phải trung bình. Với phân phối lệch phải, tỷ lệ người dưới trung bình có thể là 60%, 70% hoặc hơn. Câu "hầu hết tài xế tự cho mình lái xe giỏi hơn mức trung bình" thường được nêu như bằng chứng của thiên kiến tự đánh giá cao; về mặt logic, nếu "trung bình" hiểu là trung bình cộng và phân phối lệch trái, nhận định đó không hẳn vô lý.
Hiểu lầm: trung bình của các trung bình là trung bình chung. Chỉ đúng khi các nhóm có cùng cỡ. Lớp A có 10 học sinh điểm trung bình 8, lớp B có 40 học sinh điểm trung bình 6. Trung bình của hai lớp không phải 7 mà là (80 + 240) / 50 = 6,4. Lấy trung bình không trọng số của các tỷ lệ là lỗi rất phổ biến trong báo cáo tổng hợp từ nhiều chi nhánh hay nhiều tỉnh.
Hiểu lầm: trung vị không bị ảnh hưởng gì bởi ngoại lai. Nó vững hơn chứ không miễn nhiễm. Nếu dữ liệu có nhiều giá trị lặp ở giữa, hoặc nếu cách thu thập loại bỏ một nhóm (ví dụ không khảo sát người thu nhập rất thấp), trung vị cũng lệch theo. Độ vững chống lại vài giá trị cực đoan, không chống lại thiên lệch có hệ thống trong mẫu.
Quy trình năm bước để tóm tắt một tập dữ liệu cho đúng
Áp dụng khi bạn phải đưa một con số "đại diện" vào báo cáo hay bài trình bày.
- Vẽ biểu đồ tần suất (histogram) hoặc biểu đồ hộp trước khi tính bất kỳ con số nào. Nhìn hình dạng: đối xứng, lệch, hay có hai đỉnh.
- Tính cả trung bình và trung vị. Nếu chúng chênh nhau hơn khoảng 10–20% so với nhau, dữ liệu lệch đáng kể; ghi chú điều này.
- Xác định câu hỏi: người điển hình, hay tổng lượng chia đều? Chọn thước đo theo câu hỏi, không theo con số nào đẹp hơn.
- Báo kèm độ phân tán: khoảng tứ phân vị cho trung vị, độ lệch chuẩn cho trung bình khi dữ liệu gần đối xứng. Một con số trung tâm không kèm độ phân tán là chỉ nói nửa câu chuyện.
- Nếu có ngoại lai, kiểm xem đó là lỗi nhập liệu hay giá trị thật. Lỗi thì sửa; giá trị thật thì giữ và cân nhắc báo thêm trung bình cắt (bỏ 5% hoặc 10% hai đầu) như một thước đo trung gian.
Trung bình cắt không phải mẹo che dữ liệu: nó là thước đo chuẩn trong nhiều lĩnh vực, ví dụ một số ngân hàng trung ương dùng chỉ số giá cắt bỏ các mặt hàng biến động mạnh nhất để đo xu hướng lạm phát nền. Điều quan trọng là ghi rõ đã cắt bao nhiêu và vì sao.
Câu hỏi thường gặp
Khi nào trung bình và trung vị bằng nhau?
Khi phân phối đối xứng quanh tâm, ví dụ phân phối chuẩn, hai thước đo trùng nhau. Trong dữ liệu thực, chúng gần bằng nhau với chiều cao người trưởng thành, sai số đo lường của một thiết bị ổn định, hay điểm thi được thiết kế cân đối. Bằng nhau không chứng minh đối xứng, nhưng chênh lớn thì chắc chắn có lệch.
Trung bình hình học khác trung bình cộng ở đâu và khi nào dùng?
Trung bình hình học là căn bậc n của tích n giá trị. Nó là thước đo đúng cho tốc độ tăng trưởng qua nhiều kỳ và cho các tỷ số, vì các đại lượng này kết hợp theo phép nhân. Trung bình cộng của các tỷ lệ tăng trưởng luôn lớn hơn hoặc bằng trung bình hình học, nên dùng sai sẽ phóng đại tăng trưởng.
Có nên loại ngoại lai trước khi tính trung bình không?
Chỉ loại khi có lý do kiểm chứng được, như lỗi đo, lỗi nhập, đơn vị sai, hoặc đối tượng không thuộc tổng thể nghiên cứu. Loại bỏ chỉ vì giá trị "trông lạ" làm mất thông tin và có thể biến thành chọn lọc dữ liệu theo ý muốn. Nên báo cả kết quả có và không có ngoại lai.
Báo cáo nên trình bày phân vị nào ngoài trung vị?
Phân vị 25 và 75 cho thấy nửa giữa của dữ liệu trải từ đâu tới đâu. Với các chỉ số dịch vụ như thời gian chờ hay thời gian phản hồi hệ thống, phân vị 90 hoặc 95 quan trọng hơn vì nó mô tả trải nghiệm tệ mà khá nhiều khách vẫn gặp. Chọn phân vị theo rủi ro bạn cần quản lý.
Vì sao các thống kê giá nhà hay dùng trung vị?
Vì giao dịch nhà ở mỗi tháng gồm cả căn hộ bình dân lẫn biệt thự, và tỷ trọng các loại thay đổi theo tháng. Chỉ cần tháng đó có nhiều giao dịch cao cấp, trung bình sẽ tăng dù giá từng loại không đổi. Trung vị ít bị cơ cấu giao dịch kéo lệch hơn, dù vẫn không loại bỏ hết hiệu ứng này.
Dữ liệu có hai đỉnh thì tóm tắt bằng con số nào?
Không con số trung tâm đơn lẻ nào mô tả tốt dữ liệu hai đỉnh, vì giá trị ở giữa có khi là chỗ ít quan sát nhất. Cách đúng là tách dữ liệu thành các nhóm có ý nghĩa, ví dụ khách cá nhân và khách doanh nghiệp, rồi tóm tắt riêng từng nhóm, hoặc trình bày trực tiếp biểu đồ phân bố.