Định lượng là gì? Phân biệt định lượng và định tính
Định lượng là gì
Nghiên cứu định lượng là cách nghiên cứu dùng dữ liệu có thể biểu diễn bằng số để đo lường biến, kiểm định giả thuyết và đánh giá mối quan hệ giữa các biến. Bạn thường thu dữ liệu bằng bảng hỏi có các phương án trả lời cố định, mã hóa câu trả lời thành số, sau đó phân tích bằng SPSS, SmartPLS, AMOS, JASP hoặc R.
Ví dụ, đề tài của bạn muốn kiểm định “chất lượng dịch vụ ảnh hưởng đến sự hài lòng của khách hàng”. Chất lượng dịch vụ và sự hài lòng là các khái niệm cần được đo bằng nhiều biến quan sát. Người trả lời có thể đánh giá từng biến trên thang Likert 5 mức, từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý, theo cách đo thái độ được giới thiệu bởi (Likert, 1932).
Một quy trình định lượng thường có dạng:
Câu hỏi nghiên cứu → mô hình và giả thuyết → bảng hỏi → dữ liệu số → kiểm định thang đo → kiểm định mô hình → kết luận.
Điểm cần nhớ là phương pháp định lượng không chỉ có việc nhập dữ liệu vào SPSS rồi đọc p-value. Bạn phải xác định khái niệm cần đo, chọn hoặc điều chỉnh thang đo, thu đủ quan sát, làm sạch file .sav hoặc .csv, chọn phép phân tích phù hợp và giải thích kết quả theo giả thuyết. Nếu bạn mới bắt đầu, có thể xem thêm nghiên cứu khoa học là gì để đặt phần định lượng vào toàn bộ quy trình nghiên cứu.
Ý nghĩa của định lượng trong nghiên cứu định lượng
Trong một luận văn, nghiên cứu định lượng giúp bạn trả lời các câu hỏi có thể chuyển thành biến và con số. Chẳng hạn, bạn có thể hỏi mức độ ảnh hưởng của các yếu tố đến ý định mua, sự khác biệt về điểm trung bình giữa hai nhóm, hoặc tỷ lệ người sử dụng một dịch vụ. Câu hỏi càng rõ thì việc chọn dữ liệu và phép kiểm định càng ít bị lệch hướng.
Định lượng thường phù hợp khi mô hình của bạn đã có các khái niệm tương đối rõ, có thể xây dựng biến quan sát và cần kiểm định các quan hệ như “X ảnh hưởng đến Y”. Với mô hình có biến tiềm ẩn, bạn có thể kiểm tra độ tin cậy và giá trị của thang đo trước, rồi đánh giá quan hệ giữa các biến trong mô hình. Cách tiếp cận kiểm định phần đo lường trước phần cấu trúc cũng phù hợp với logic hai bước được trình bày bởi (Anderson và Gerbing, 1988).
Các quyết định chính mà dữ liệu định lượng có thể hỗ trợ gồm:
- Mô tả mẫu: người trả lời thuộc nhóm tuổi, giới tính, nghề nghiệp hoặc tần suất sử dụng nào.
- Đánh giá thang đo: các biến quan sát có cùng đo một khái niệm hay không.
- Kiểm định quan hệ: biến độc lập có liên hệ hoặc ảnh hưởng đến biến phụ thuộc theo giả thuyết hay không.
- Đánh giá mức giải thích: mô hình giải thích được bao nhiêu biến thiên của biến phụ thuộc.
- So sánh nhóm: các nhóm có khác nhau về điểm trung bình hay không, nếu thiết kế nghiên cứu có câu hỏi như vậy.
Bạn nên phân biệt “định lượng” với “dữ liệu nhiều”. Một khảo sát vài trăm dòng vẫn có thể không trả lời được câu hỏi nghiên cứu nếu biến đo sai hoặc mẫu không phù hợp. Ngược lại, một bộ dữ liệu nhỏ nhưng được thiết kế đúng vẫn có thể hữu ích cho một phân tích thăm dò, miễn là bạn nói rõ giới hạn của kết quả.
Bạn có thể đọc thêm định tính là gì để thấy sự khác nhau về loại dữ liệu, mục tiêu và cách lập luận. Nếu đang xác định phạm vi đề tài, trang lĩnh vực nghiên cứu và đối tượng nghiên cứu cũng giúp bạn kiểm tra đề tài đang nghiên cứu ai và trong bối cảnh nào.
Định lượng bao nhiêu là đạt
“Đạt” trong nghiên cứu định lượng không có một con số duy nhất. Cỡ mẫu, độ tin cậy thang đo, EFA, hồi quy và PLS-SEM có các tiêu chí khác nhau. Bạn cũng cần xem mục tiêu nghiên cứu, loại thang đo và quy mô mô hình trước khi kết luận. Bảng dưới đây tổng hợp các ngưỡng thường gặp, kèm nguồn để bạn có thể giải trình trong luận văn.
| Nội dung kiểm tra | Ngưỡng thường dùng | Nguồn trong tài liệu phương pháp |
|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) |
| Cronbach's Alpha cho thang đo mới hoặc nghiên cứu khám phá | Có thể từ 0.6 | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | p-value nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue trong EFA | Lớn hơn 1 | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading trong EFA | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Số quan sát trên mỗi biến quan sát | Khoảng 5 đến 10 | (Hair và cộng sự, 2010) |
| VIF trong mô hình PLS-SEM | Nhỏ hơn 5 | (Hair và cộng sự, 2019) |
| R² trong PLS-SEM | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
Các ngưỡng này là điểm tham chiếu, không phải lý do để xóa biến ngay lập tức. Ví dụ, Alpha cao có thể đi cùng các biến quan sát trùng nội dung. Factor loading thấp cần được xem cùng ý nghĩa lý thuyết, cross-loading và tác động của việc loại biến. Khi dùng SmartPLS, bạn cần giữ đúng nhóm chỉ số PLS-SEM như outer loading, CR, AVE, HTMT, VIF, R² và Q². CFI, TLI, RMSEA là nhóm chỉ số của CB-SEM, được nêu cho bối cảnh CB-SEM bởi (Hu và Bentler, 1999), nên không đưa chúng vào phần đánh giá SmartPLS.
Cách đọc định lượng trên output
Bạn không đọc một con số riêng lẻ rồi kết luận toàn bộ đề tài. Hãy đi từ thống kê mô tả, độ tin cậy và giá trị thang đo đến mô hình và giả thuyết. Tên bảng phụ thuộc phần mềm bạn dùng. Với SPSS, các bảng thường gặp là Reliability Statistics, Item-Total Statistics, KMO and Bartlett's Test, Total Variance Explained, Rotated Component Matrix và Coefficients. Với SmartPLS, bạn sẽ gặp Outer Loadings, Discriminant Validity, Path Coefficients và R Square.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Nó mô phỏng một phần output SPSS cho mô hình có biến độc lập CLDV và biến phụ thuộc HL.
| Bảng output SPSS | Chỉ số hoặc dòng | Số liệu minh họa | Cách đọc |
|---|---|---|---|
| Reliability Statistics | Cronbach's Alpha, CLDV | 0.842 | Độ nhất quán nội bộ của thang đo CLDV đạt mức tham chiếu |
| Item-Total Statistics | Corrected Item-Total Correlation, CLDV3 | 0.517 | Biến CLDV3 vượt ngưỡng tham chiếu |
| KMO and Bartlett's Test | KMO | 0.781 | Dữ liệu phù hợp để xem xét EFA theo ngưỡng đã chọn |
| KMO and Bartlett's Test | Sig. của Bartlett's Test | 0.000 | Có thể bác bỏ giả thuyết các tương quan quan sát bằng 0 ở mức 5% |
| Total Variance Explained | Cumulative % | 61.438 | Các nhân tố giữ lại giải thích phần phương sai được báo cáo |
| Rotated Component Matrix | Factor loading, CLDV2 | 0.736 | Biến CLDV2 có loading trên nhân tố tương ứng |
| Coefficients | Standardized Beta, CLDV | 0.428 | Hệ số tác động chuẩn hóa trong mô hình minh họa |
| Coefficients | Sig., CLDV | 0.003 | p-value nhỏ hơn 0.05 trong ví dụ, cần đối chiếu với giả thuyết |
Khi đọc bảng Coefficients, trước hết xác định biến đang xét ở cột Model hoặc tên biến trong hàng. Sau đó xem dấu của Standardized Coefficients Beta để biết quan hệ cùng chiều hay ngược chiều, xem Sig. để đánh giá bằng chứng thống kê và ghi nhận VIF để kiểm tra đa cộng tuyến. Kết luận “giả thuyết được ủng hộ” chỉ hợp lý khi dấu, p-value, mô hình và hướng giả thuyết đều thống nhất.
Nếu dùng SmartPLS, quy trình đọc cũng cần tách hai phần. Outer Loadings, CR, AVE và HTMT thuộc phần đo lường. Path Coefficients, p-value, confidence interval, R², f² và Q² thuộc phần cấu trúc. Trong PLS-SEM, bootstrapping thường được thực hiện với 5.000 bootstrap subsamples theo hướng dẫn của (Hair và cộng sự, 2022). Con số trong output của bạn mới là kết quả nghiên cứu, còn bảng trên chỉ để luyện cách đọc cột.
Khi định lượng không đạt thì xử lý thế nào
Nếu một chỉ số không đạt, hãy xử lý theo thứ tự có thể giải trình, thay vì xóa hàng loạt biến cho đến khi bảng đẹp. Bước đầu tiên là kiểm tra dữ liệu gốc: biến có nhập sai mã không, giá trị thiếu được khai báo thế nào, biến đảo chiều đã recode chưa, và các cột có bị lệch tên khi nhập từ Excel hay không.
Tiếp theo, xem từng biến quan sát trong Item-Total Statistics, Rotated Component Matrix hoặc Outer Loadings. Một biến có tương quan biến tổng thấp hoặc loading thấp có thể là vấn đề, nhưng bạn cần đọc nội dung biến và cơ sở lý thuyết trước khi loại. Nếu loại biến, hãy lưu một file dữ liệu và một file output riêng cho từng vòng chạy, ghi rõ biến nào bị loại và lý do.
Nếu EFA không ra số nhân tố như mô hình, kiểm tra lại cách đưa biến vào phân tích, phương pháp extraction, phép rotation và khả năng các khái niệm có nội dung quá gần nhau. Nếu bảng hỏi có biến đảo chiều, kiểm tra lại mã hóa trước khi kết luận thang đo kém. Khi mẫu không đủ hoặc câu trả lời quá đồng nhất, phần mềm không thể sửa được vấn đề thiết kế.
Có những trường hợp nên dừng việc “chỉnh output”. Ví dụ, bạn loại một biến chỉ vì muốn Alpha tăng, trong khi biến đó là thành phần quan trọng của khái niệm. Hội đồng có thể hỏi vì sao thang đo ban đầu có biến đó nhưng chương kết quả lại không còn. Cách an toàn hơn là trình bày tiêu chí, số vòng kiểm tra, biến bị loại và ảnh hưởng đến mô hình.
Phân biệt định lượng với định tính
Định lượng và định tính khác nhau trước hết ở mục tiêu và dạng dữ liệu. Định lượng dùng dữ liệu số để đo lường, mô tả, kiểm định hoặc ước lượng quan hệ. Định tính thường tập trung vào ý nghĩa, trải nghiệm và cách người tham gia diễn giải một hiện tượng. Bạn có thể xem bài nghiên cứu khoa học để đặt hai hướng này trong bối cảnh rộng hơn.
| Tiêu chí | Định lượng | Định tính |
|---|---|---|
| Câu hỏi thường gặp | Bao nhiêu, mức độ nào, X ảnh hưởng Y ra sao | Vì sao, bằng cách nào, trải nghiệm được hiểu thế nào |
| Dữ liệu | Điểm số, tần suất, tỷ lệ, biến mã hóa | Nội dung diễn đạt và ý nghĩa của người tham gia |
| Công cụ phổ biến | Bảng hỏi, SPSS, SmartPLS, AMOS, JASP, R | Phỏng vấn, quan sát, tài liệu và phần mềm xử lý văn bản |
| Kết quả | Hệ số, p-value, khoảng tin cậy, R², bảng phân phối | Chủ đề, diễn giải và mô tả bối cảnh |
| Logic kết luận | Đối chiếu giả thuyết với bằng chứng số | Làm rõ cách hiện tượng được mô tả hoặc lý giải |
Một đề tài có thể bắt đầu từ câu hỏi định lượng nếu bạn đã có mô hình và thang đo đủ rõ. Nếu câu hỏi còn quá rộng, chẳng hạn chỉ muốn biết một hiện tượng “diễn ra như thế nào”, bạn cần thu hẹp thành các biến, đối tượng, bối cảnh và giả thuyết trước khi mở SPSS. Định lượng cũng không đồng nghĩa với việc mọi kết quả đều có thể khái quát cho toàn bộ dân số. Khả năng khái quát còn phụ thuộc cách chọn mẫu, cỡ mẫu, chất lượng bảng hỏi và phạm vi nghiên cứu.
Lỗi thường gặp
Gọi mọi khảo sát là nghiên cứu định lượng. Một bảng hỏi có câu trả lời mở hoặc dữ liệu chưa được thiết kế để đo biến không tự động tạo thành một nghiên cứu định lượng hoàn chỉnh. Bạn cần chỉ ra biến, cách mã hóa và phép phân tích sẽ dùng.
Chọn phép kiểm định theo tên đề tài. Tên đề tài có từ “ảnh hưởng” chưa đủ để quyết định dùng hồi quy hay PLS-SEM. Hãy xem số biến, biến quan sát, dạng thang đo, kích thước mẫu và mô hình giả thuyết.
Lấy ngưỡng từ một bài đăng không có nguồn. Khi viết chương 3 hoặc chương 4, hãy ghi cả tiêu chí và nguồn. Alpha, KMO, factor loading, HTMT và R² không dùng chung một ngưỡng.
Xem p-value là toàn bộ kết quả. p-value giúp bạn đánh giá bằng chứng thống kê theo quy ước đã chọn, nhưng không thay thế hệ số tác động, khoảng tin cậy, cỡ ảnh hưởng hoặc ý nghĩa thực tiễn.
Xóa biến cho đến khi output đẹp. Mỗi lần loại biến làm thay đổi thang đo và có thể làm thay đổi giả thuyết hoặc ý nghĩa khái niệm. Lưu lịch sử xử lý để có thể giải thích với giảng viên.
Trộn chỉ số SPSS và SmartPLS. EFA và hồi quy tuyến tính trong SPSS có cách đọc khác với mô hình đo lường và mô hình cấu trúc trong SmartPLS. Ghi rõ phần mềm, phiên bản, cách chạy và bảng output tương ứng.
Câu hỏi thường gặp
Định lượng là gì trong nghiên cứu khoa học?
Định lượng là cách dùng dữ liệu số để đo lường biến và kiểm định câu hỏi hoặc giả thuyết nghiên cứu. Dữ liệu thường đến từ bảng hỏi có phương án trả lời được mã hóa, sau đó phân tích bằng SPSS, SmartPLS hoặc phần mềm thống kê khác.
Nghiên cứu định lượng có bắt buộc phải dùng SPSS không?
Không. SPSS là lựa chọn phổ biến cho thống kê mô tả, Cronbach's Alpha, EFA, hồi quy và nhiều kiểm định khác. SmartPLS phù hợp với PLS-SEM, còn AMOS, JASP và R có các thế mạnh riêng. Bạn nên chọn theo mô hình, loại dữ liệu, yêu cầu của giảng viên và khả năng giải trình khi bảo vệ.
Cỡ mẫu nghiên cứu định lượng bao nhiêu là đạt?
Không có một con số áp dụng cho mọi đề tài. Với thang đo, một hướng dẫn thường được trích dẫn là khoảng 5 đến 10 quan sát trên mỗi biến quan sát (Hair và cộng sự, 2010). Với hồi quy, công thức tham chiếu là n ≥ 50 + 8m, trong đó m là số biến độc lập, theo (Tabachnick và Fidell, 2013). Bạn vẫn cần đối chiếu với số biến, phương pháp phân tích và cách chọn mẫu.
Định lượng và định tính khác nhau như thế nào?
Định lượng trả lời các câu hỏi về mức độ, tỷ lệ, quan hệ hoặc ảnh hưởng bằng dữ liệu số. Định tính tập trung vào ý nghĩa và cách một hiện tượng được diễn giải. Khi đề tài của bạn đã có biến, thang đo và giả thuyết cần kiểm định, hướng định lượng thường phù hợp hơn.
Dữ liệu định lượng bị lỗi thì làm sao?
Bạn nên kiểm tra file gốc, mã hóa biến, giá trị thiếu, biến đảo chiều, outlier và các câu trả lời thiếu nhất quán trước khi chạy lại. Sau đó kiểm tra từng bảng output, lưu từng phiên bản xử lý và ghi rõ lý do loại hoặc giữ biến. Nếu lỗi xuất phát từ bảng hỏi hoặc cách thu mẫu, phần mềm không thể khắc phục hoàn toàn.
Bạn hãy mở file dữ liệu của mình, viết ra biến phụ thuộc, các biến độc lập, số biến quan sát và phép phân tích dự kiến, rồi đối chiếu từng bảng output với tiêu chí có nguồn. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi các vòng xử lý, bạn có thể xem module M4 phân tích dữ liệu định lượng của DoThesis.