AMO là gì? Cách áp dụng mô hình Ability, Motivation, Opportunity
Mô hình AMO là gì
AMO là khung lý thuyết giải thích kết quả làm việc của một cá nhân hoặc nhóm thông qua ba nhóm điều kiện: Ability, Motivation và Opportunity. Có thể hiểu lần lượt là năng lực để làm việc, động lực để muốn làm việc và cơ hội hoặc điều kiện để được thể hiện năng lực đó. Trong nhiều đề tài quản trị nhân sự, kết quả đầu ra có thể là hiệu suất, hành vi chủ động, mức độ gắn kết hoặc ý định ở lại.
Điểm cần nhớ khi bạn dùng AMO là đây là một khung để xây mô hình nghiên cứu, không phải một thang đo duy nhất có sẵn cho mọi đề tài. Bạn vẫn phải xác định mỗi thành phần được hiểu thế nào trong bối cảnh của mình, chọn biến quan sát, tìm nguồn thang đo và kiểm định dữ liệu thu được. Vì vậy, cụm “mô hình AMO” trong luận văn có thể được triển khai theo các biến độc lập riêng biệt, hoặc dùng ba thành phần để giải thích một biến phụ thuộc chung.
AMO phù hợp với đề tài về nhân viên, quản trị nguồn nhân lực, hiệu suất công việc, đổi mới, hành vi chủ động và môi trường làm việc. Nếu đề tài của bạn tập trung vào công nghệ, chấp nhận hệ thống hoặc hành vi người tiêu dùng, bạn nên so sánh AMO với mô hình nghiên cứu khác trước khi chốt khung lý thuyết.
Các thành phần trong mô hình
Ba thành phần của AMO trả lời ba câu hỏi khác nhau. Nhân viên có đủ khả năng thực hiện nhiệm vụ không, họ có muốn đầu tư nỗ lực không, và tổ chức có tạo điều kiện để họ biến khả năng thành hành động không. Cách tách này giúp bạn tránh gom mọi yếu tố tích cực của nơi làm việc vào một biến quá rộng.
| Thành phần | Tên đầy đủ | Nội dung cần đo | Ví dụ biến phụ thuộc có thể giải thích |
|---|---|---|---|
| A | Ability | Kiến thức, kỹ năng, kinh nghiệm hoặc năng lực cần cho nhiệm vụ | Hiệu suất, chất lượng công việc |
| M | Motivation | Mức sẵn sàng nỗ lực, mục tiêu, phần thưởng hoặc sự tự tin thúc đẩy hành vi | Gắn kết, nỗ lực làm việc |
| O | Opportunity | Quyền tự chủ, nguồn lực, thông tin, sự hỗ trợ và cơ hội tham gia | Hành vi chủ động, đổi mới |
Ability không nhất thiết chỉ là bằng cấp. Với một khảo sát nhân viên, Ability có thể được đo qua nhận thức của người trả lời về khả năng thực hiện nhiệm vụ, mức độ thành thạo kỹ năng hoặc khả năng xử lý vấn đề. Bạn cần viết rõ đó là năng lực tự đánh giá hay năng lực được cấp quản lý đánh giá.
Motivation cũng không đồng nghĩa hoàn toàn với lương thưởng. Tùy đề tài, bạn có thể tập trung vào động lực nội tại, động lực bên ngoài, sự công nhận, mục tiêu công việc hoặc cảm nhận rằng nỗ lực sẽ tạo ra kết quả. Nếu đưa quá nhiều khía cạnh vào một biến, bảng hỏi sẽ dài và khó xác định mô hình thực sự đang kiểm định điều gì.
Opportunity là phần thường bị bỏ quên. Một nhân viên có kỹ năng và có động lực vẫn khó đạt kết quả nếu thiếu quyền quyết định, thông tin, thời gian, công cụ hoặc sự hỗ trợ từ cấp trên. Các chủ đề như bầu không khí an toàn lao động có thể liên quan đến Opportunity, nhưng bạn phải giải thích bằng giả thuyết cụ thể thay vì gắn nhãn mọi yếu tố môi trường là O.
Mô hình gốc và các mở rộng phổ biến
Trong bài nghiên cứu, AMO thường được dùng như một khung tích hợp giữa năng lực, động lực và điều kiện tổ chức. Ba thành phần có thể được xem là các yếu tố song song tác động đến kết quả. Một hướng khác là kiểm tra tác động kết hợp, chẳng hạn kết quả chỉ cao khi nhân viên vừa có năng lực, vừa có động lực và cơ hội.
Bạn không nên tự viết rằng AMO luôn yêu cầu một công thức nhân ba giữa A, M và O. Cách đo lường phụ thuộc vào câu hỏi nghiên cứu, loại dữ liệu và mô hình mà bạn xây dựng. Nếu muốn kiểm tra tác động tương tác, bạn cần nêu rõ biến điều tiết, tạo biến tương tác và có cách kiểm tra phù hợp. Nếu chỉ muốn kiểm tra ba ảnh hưởng riêng, mô hình hồi quy hoặc PLS-SEM có thể được trình bày trực tiếp hơn.
Một số nghiên cứu mở rộng AMO bằng cách bổ sung yếu tố thuộc cá nhân, công việc hoặc tổ chức. Ví dụ, nguồn lực cá nhân có thể liên hệ với Ability, còn hỗ trợ lãnh đạo và quyền tự chủ có thể liên hệ với Opportunity. Tuy nhiên, một biến chỉ được đưa vào mô hình khi nó có vai trò lý thuyết và có thang đo phù hợp. Bảo toàn nguồn lực COR là gì là một hướng lý thuyết riêng, bạn không nên trộn các khái niệm của COR vào AMO mà không giải thích quan hệ giữa hai khung.
Bạn cũng có thể dùng AMO làm nền để giải thích các kết quả khác nhau giữa nhóm nhân viên. Chẳng hạn, chính sách đào tạo có thể nâng Ability, hệ thống ghi nhận có thể ảnh hưởng Motivation, còn quyền tự chủ có thể tạo Opportunity. Khi đó, phần tổng quan tài liệu phải chỉ ra vì sao từng yếu tố liên quan đến biến phụ thuộc, thay vì chỉ mô tả ba chữ A, M, O.
Thang đo thường dùng cho từng khái niệm
AMO không cung cấp một bộ biến quan sát duy nhất để bạn sao chép vào bảng hỏi. Bạn nên tìm thang đo đã được sử dụng trong bối cảnh gần với đề tài, kiểm tra định nghĩa, số lượng biến quan sát và cách dịch. [Nguyễn Đình Thọ, 2011] thường được dùng để trình bày quy trình xây dựng và đánh giá thang đo trong nghiên cứu kinh doanh.
| Khái niệm | Nội dung thang đo tham khảo | Ví dụ mã biến | Cách điều chỉnh trước khảo sát |
|---|---|---|---|
| Ability | Kỹ năng, kiến thức, khả năng hoàn thành nhiệm vụ | AB1, AB2, AB3 | Đổi “nhiệm vụ” thành công việc cụ thể của mẫu nghiên cứu |
| Motivation | Mức nỗ lực, sự sẵn sàng, mục tiêu và khuyến khích | MO1, MO2, MO3 | Tách động lực nội tại và bên ngoài nếu câu hỏi nghiên cứu yêu cầu |
| Opportunity | Quyền tự chủ, nguồn lực, thông tin và cơ hội tham gia | OP1, OP2, OP3 | Nêu rõ cơ hội trong công việc, trong nhóm hay trong tổ chức |
| Kết quả công việc | Hiệu suất, gắn kết, hành vi chủ động hoặc đổi mới | PE1, PE2, PE3 | Chọn một kết quả chính, tránh dùng nhiều biến phụ thuộc không cần thiết |
Các mã AB1, MO1 và OP1 trong bảng chỉ là mã minh họa, không phải bản dịch đã được xác nhận. Bạn cần ghi nguồn thang đo thực tế trong chương 3 và cho biết biến quan sát đã được điều chỉnh theo bối cảnh Việt Nam. Với thang Likert, bạn có thể chọn số mức phù hợp với thiết kế bảng hỏi; thang Likert bắt nguồn từ cách đo thái độ được trình bày bởi (Likert, 1932).
Sau khi thu thập dữ liệu, hãy kiểm tra độ tin cậy và giá trị của thang đo theo đúng trình tự. Cronbach's Alpha phản ánh độ nhất quán nội tại của thang đo, còn EFA hoặc mô hình đo lường giúp xem các biến quan sát có hội tụ vào cấu trúc dự kiến không. Cronbach's Alpha là hệ số được trình bày trong (Cronbach, 1951), trong khi ngưỡng Alpha từ 0.7 thường được chấp nhận theo (Nunnally, 1978).
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu hiệu suất làm việc của nhân viên tại doanh nghiệp dịch vụ. Bạn có thể xây mô hình gồm Ability, Motivation và Opportunity là ba biến độc lập, còn hiệu suất làm việc là biến phụ thuộc. Cách này dễ giải thích, dễ thiết kế bảng hỏi và phù hợp với hồi quy tuyến tính hoặc PLS-SEM nếu các khái niệm được đo bằng biến tiềm ẩn.
Bốn giả thuyết có thể viết như sau:
- H1: Ability tác động cùng chiều đến hiệu suất làm việc của nhân viên.
- H2: Motivation tác động cùng chiều đến hiệu suất làm việc của nhân viên.
- H3: Opportunity tác động cùng chiều đến hiệu suất làm việc của nhân viên.
- H4: Hiệu suất làm việc khác nhau theo mức độ kết hợp của Ability, Motivation và Opportunity.
H4 cần được làm rõ trước khi chạy dữ liệu. Nếu bạn chỉ chạy ba biến độc lập trong hồi quy, bạn đang kiểm tra H1 đến H3. Muốn kiểm tra H4 theo nghĩa tương tác, bạn phải xác định các biến tương tác, chuẩn hóa hoặc xử lý biến phù hợp và kiểm tra ý nghĩa của hệ số tương tác. Không nên giữ H4 trong chương giả thuyết nếu phần phương pháp không có phép kiểm định tương ứng.
Nếu nghiên cứu của bạn về nguồn nhân lực và an toàn, Opportunity có thể liên quan đến quyền báo cáo vấn đề, khả năng tiếp cận thông tin hoặc sự hỗ trợ của tổ chức. Nếu chủ đề là bắt nạt nơi làm việc, bạn cần quyết định đây là biến độc lập, biến kết quả hay yếu tố bối cảnh. Việc đặt tên biến trong AMO không thay thế cho lập luận nhân quả.
Một mô hình khái niệm tốt nên thể hiện rõ mũi tên từ A, M và O đến kết quả. Bên cạnh sơ đồ, bạn cần lập bảng định nghĩa thao tác, mã biến, nguồn thang đo và giả thuyết tương ứng. Nếu không thể giải thích một biến quan sát đang đo khía cạnh nào, hãy sửa bảng hỏi trước khi thu dữ liệu.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn dùng biến tổng hợp để chạy Cronbach's Alpha, EFA, tương quan và hồi quy. Bạn có thể bắt đầu bằng Analyze > Scale > Reliability Analysis, đưa các biến AB vào mục Items và chọn Scale if item deleted trong nút Statistics. Sau đó, chạy EFA tại Analyze > Dimension Reduction > Factor, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix.
SmartPLS phù hợp khi Ability, Motivation, Opportunity và hiệu suất được xem là các biến tiềm ẩn có nhiều outer loading. Bạn nhập file .csv, vẽ measurement model, nối các construct theo giả thuyết rồi chạy PLS Algorithm và Bootstrapping. Khi dùng SmartPLS 4, hãy kiểm tra Outer Loadings, Reliability and Validity, Discriminant Validity, Path Coefficients, R², f² và Q². Quy trình đánh giá measurement model trước structural model được trình bày trong hướng dẫn PLS-SEM của (Hair và cộng sự, 2022).
Số liệu minh họa
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các cột được đặt theo dạng thường gặp trong bảng Path Coefficients của SmartPLS. Bạn không được thay các con số này vào chương 4 của mình.
| Quan hệ | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|
| Ability -> Performance | 0.284 | 0.281 | 0.081 | 3.506 | 0.001 |
| Motivation -> Performance | 0.361 | 0.365 | 0.076 | 4.750 | 0.000 |
| Opportunity -> Performance | 0.197 | 0.201 | 0.089 | 2.213 | 0.027 |
Cách đọc là nhìn dấu của hệ số, T Statistics và P Values cùng lúc. Trong bảng minh họa, cả ba hệ số đều dương và P Values nhỏ hơn 0.05, nên có thể nói các quan hệ minh họa được ủng hộ ở mức ý nghĩa 5%. Với dữ liệu thật, bạn phải báo cáo kích thước mẫu, cách lấy mẫu, kết quả measurement model và khoảng tin cậy bootstrapping, thay vì chỉ đưa một bảng path coefficient.
| Tiêu chí | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.70 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0.30 trở lên | (Nunnally và Bernstein, 1994) |
| Factor loading trong EFA | Từ 0.50 trở lên | (Hair và cộng sự, 2010) |
| KMO | Từ 0.50 trở lên | (Kaiser, 1974) |
| Tổng phương sai trích | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Outer loading trong PLS-SEM | Từ 0.70 trở lên | (Chin, 1998) |
| Composite Reliability | Từ 0.70 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.50 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
Bảng ngưỡng giúp bạn định hướng đọc output, không cho phép tự động loại biến. Nếu một outer loading thấp, hãy xem nội dung biến quan sát, CR, AVE và giá trị phân biệt trước khi quyết định loại. Nếu chạy EFA bằng SPSS, hãy lưu từng vòng chạy để có thể giải thích vì sao một biến bị loại. Nếu dùng SmartPLS, đừng đưa CFI, TLI hoặc RMSEA vào đánh giá PLS-SEM. Các chỉ số đó thuộc CB-SEM, với ngưỡng được thảo luận trong (Hu và Bentler, 1999).
Cách viết vào luận văn: “Kết quả phân tích cho thấy Ability tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc] với hệ số đường dẫn β = [giá trị], T = [giá trị] và p = [giá trị]. Do đó, giả thuyết H1 được [chấp nhận/ủng hộ/bác bỏ] ở mức ý nghĩa [mức ý nghĩa].” Bạn thay từng placeholder bằng số liệu từ chính output của mình.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là xem AMO như tên của một thang đo rồi tìm một bảng hỏi có sẵn gồm đúng ba nhóm câu. Cách làm an toàn hơn là bắt đầu từ biến phụ thuộc, định nghĩa từng thành phần trong bối cảnh nghiên cứu và tìm nguồn thang đo phù hợp cho từng construct.
Lỗi thứ hai là dùng Ability, Motivation và Opportunity như ba nhãn đẹp nhưng giả thuyết lại không có cơ chế. Một chính sách đào tạo có thể liên quan đến Ability, nhưng bạn phải nói rõ nó nâng kỹ năng nào và vì sao kỹ năng đó ảnh hưởng đến kết quả. Một yếu tố hỗ trợ chỉ được xếp vào Opportunity khi nó tạo ra điều kiện thực hiện hành vi mà mô hình quan tâm.
Lỗi thứ ba là trộn kết quả của SPSS và SmartPLS. Cronbach's Alpha, EFA và hồi quy dùng cách đọc khác với outer loading, AVE, HTMT và path coefficient. Bạn có thể dùng cả hai phần mềm, nhưng cần ghi rõ mỗi phần mềm trả lời câu hỏi nào và không lặp lại cùng một kết luận bằng hai bảng khác nhau.
Cuối cùng, nhiều sinh viên giữ lại giả thuyết chỉ vì kết quả có p-value lớn hơn 0.05. Kết quả không ủng hộ giả thuyết vẫn phải được báo cáo trung thực, kèm cách giải thích dựa trên bối cảnh và giới hạn dữ liệu. Không tự sửa dữ liệu, đổi thang đo sau khi xem kết quả hoặc loại mẫu chỉ vì muốn mô hình đẹp.
Đọc thêm: tháp nhu cầu maslow, mô hình maslow, bảo toàn nguồn lực cor là gì, bắt nạt nơi làm việc là gì, bầu không khí an toàn lao động là gì, chủ đề mo hinh nghien cuu.
Câu hỏi thường gặp
AMO có phải là một lý thuyết độc lập không?
AMO thường được dùng như một khung để liên kết năng lực, động lực và cơ hội với kết quả hành vi hoặc công việc. Khi viết luận văn, bạn nên trình bày rõ cách bạn vận dụng khung này, nguồn định nghĩa và các nghiên cứu dùng làm căn cứ cho từng quan hệ giả thuyết.
AMO có bắt buộc phải có đúng ba biến độc lập không?
Không. Bạn có thể dùng ba thành phần như ba biến độc lập, tách thành các khía cạnh nhỏ hơn hoặc kiểm tra tác động tương tác. Tuy nhiên, mỗi cách triển khai cần có mô hình, thang đo và phép kiểm định tương ứng.
Dùng AMO thì nên chạy SPSS hay SmartPLS?
Nếu bạn dùng các biến tổng hợp và muốn chạy hồi quy, SPSS là lựa chọn dễ theo dõi. Nếu mô hình có nhiều biến tiềm ẩn, nhiều biến quan sát và bạn muốn đánh giá outer loading, AVE, HTMT cùng path coefficient, SmartPLS phù hợp hơn. Phần mềm không quyết định thay cho thiết kế nghiên cứu.
AMO có dùng được cho đề tài ngoài quản trị nhân sự không?
Có thể, nếu bạn giải thích được Ability, Motivation và Opportunity trong bối cảnh mới. Bạn cần kiểm tra lại định nghĩa, nguồn thang đo và quan hệ với biến phụ thuộc, thay vì chỉ đổi tên đối tượng khảo sát rồi giữ nguyên bảng hỏi.
Nếu một thành phần AMO không có ý nghĩa thống kê thì phải làm sao?
Bạn giữ kết quả theo dữ liệu thật và báo cáo rằng giả thuyết tương ứng chưa được ủng hộ ở mức ý nghĩa đã chọn. Sau đó, kiểm tra chất lượng thang đo, cỡ mẫu, đa cộng tuyến và cách diễn giải bối cảnh. Không nên xóa thành phần chỉ vì p-value không đạt nếu nó đã được xác lập trong mô hình lý thuyết.
Bạn hãy mở lại đề cương và file dữ liệu, lập bảng gồm ba thành phần AMO, mã biến, nguồn thang đo và giả thuyết trước khi chạy vòng phân tích tiếp theo; nếu cần hỗ trợ xây mô hình và bảng hỏi, xem module M3 của DoThesis.