EKB là gì? Cách áp dụng mô hình EKB trong luận văn định lượng

Mô hình EKB là gì

EKB là mô hình mô tả quá trình ra quyết định của người tiêu dùng, thường được gọi theo tên các tác giả Engel, Kollat và Black. Trong một đề tài định lượng, bạn có thể dùng EKB để giải thích cách một người đi từ lúc nhận ra nhu cầu đến khi tìm thông tin, đánh giá lựa chọn, thực hiện mua và phản ứng sau mua.

Điểm cần hiểu ngay là EKB mô tả một quá trình hành vi, không phải một thang đo duy nhất có sẵn để bạn bê nguyên vào bảng hỏi. Khi đưa mô hình vào luận văn, bạn phải chuyển từng giai đoạn hoặc yếu tố liên quan thành biến nghiên cứu, sau đó chọn biến quan sát phù hợp với ngành, sản phẩm và nhóm người trả lời.

EKB phù hợp với các đề tài như ý định mua mỹ phẩm, quyết định đặt phòng khách sạn, hành vi mua hàng trên sàn thương mại điện tử hoặc ý định sử dụng một dịch vụ. Nếu đề tài của bạn tập trung vào chấp nhận công nghệ, bạn nên so sánh thêm với mô hình AIDA, TAM hoặc UTAUT trước khi chốt mô hình.

Trong bài toán định lượng, mô hình EKB thường được dùng theo hai cách. Cách thứ nhất là giữ logic tuần tự của quá trình mua. Cách thứ hai là chọn một số yếu tố trong quá trình đó, chẳng hạn nhận biết nhu cầu, tìm kiếm thông tin và đánh giá phương án, rồi kiểm định tác động của chúng lên quyết định mua.

Các thành phần trong mô hình

Bạn có thể hình dung EKB như một chuỗi gồm đầu vào, quá trình xử lý thông tin, quyết định và kết quả sau quyết định. Tùy đề tài, các thành phần có thể được gộp hoặc tách thành các biến riêng. Bảng dưới đây là khung khái niệm để bạn bắt đầu, chưa phải bộ thang đo đã được kiểm định cho mọi bối cảnh.

Bạn không nhất thiết phải biến mọi hàng trong bảng thành một construct. Nếu đưa toàn bộ thành phần vào cùng một mô hình, bảng hỏi sẽ dài, các biến có thể chồng lấn và cỡ mẫu cần thiết cũng tăng. Hãy bắt đầu từ câu hỏi nghiên cứu: bạn muốn giải thích quyết định mua, ý định mua lại hay sự hài lòng sau mua.

Ví dụ, với đề tài “Các yếu tố ảnh hưởng đến quyết định mua mỹ phẩm của sinh viên tại Thành phố Hồ Chí Minh”, bạn có thể chọn chất lượng cảm nhận, giá cảm nhận, thông tin trực tuyến và niềm tin làm biến độc lập. Quyết định mua là biến phụ thuộc. Logic EKB lúc này được dùng để giải thích vì sao người tiêu dùng tiếp nhận và đánh giá các thông tin trước khi lựa chọn.

Bạn có thể xem thêm các ví dụ về cấu trúc mô hình trong chuyên mục Mô hình nghiên cứu, hoặc đối chiếu với mô hình 4P Marketing Mix nếu đề tài của bạn nghiên cứu tác động của sản phẩm, giá, phân phối và xúc tiến.

Mô hình gốc và các mở rộng phổ biến

Mô hình EKB ban đầu nhấn mạnh rằng quyết định của người tiêu dùng hình thành qua sự tương tác giữa thông tin bên ngoài, quá trình xử lý bên trong và hành vi quan sát được. Người tiêu dùng tiếp nhận kích thích, ghi nhận và diễn giải thông tin, hình thành tiêu chí lựa chọn, rồi đi đến quyết định. Sau đó, trải nghiệm thực tế tạo ra phản hồi cho những lần mua tiếp theo.

Khi nghiên cứu thị trường hiện đại, bạn thường phải mở rộng EKB để phù hợp với môi trường số. Các nguồn thông tin có thể bao gồm đánh giá trực tuyến, nội dung do người dùng tạo, livestream, người ảnh hưởng và đề xuất của sàn thương mại điện tử. Những yếu tố này có thể được đặt ở phần đầu vào hoặc được mô hình hóa thành các biến độc lập tác động đến niềm tin và ý định mua.

Một hướng mở rộng khác là kết hợp EKB với mô hình marketing hoặc mô hình hành vi. Chẳng hạn, bạn có thể dùng nhóm biến của mô hình 7P Marketing Mix làm các kích thích đầu vào, còn quyết định mua là kết quả của quá trình đánh giá. Với đề tài truyền thông, mô hình AIDA có thể giúp bạn giải thích các trạng thái chú ý, quan tâm, mong muốn và hành động.

Khi ghép hai mô hình, bạn cần giữ một mạch lý thuyết rõ ràng. Đừng đưa mọi biến tìm được vào sơ đồ chỉ vì chúng có liên quan đến hành vi mua. Mỗi biến phải trả lời được ba câu hỏi: nó thuộc giai đoạn nào của EKB, tại sao có thể tác động đến biến tiếp theo, và thang đo nào có thể đo nó trong bối cảnh cụ thể.

Bạn cũng cần phân biệt mô hình khái niệm với mô hình đo lường. Mô hình khái niệm thể hiện quan hệ giữa các construct và giả thuyết. Mô hình đo lường thể hiện các biến quan sát dùng để đo từng construct. Hai phần này liên quan nhưng không thay thế cho nhau.

Thang đo thường dùng cho từng khái niệm

EKB không cung cấp một bộ biến quan sát duy nhất áp dụng cho mọi ngành. Vì vậy, bạn cần tìm thang đo theo từng khái niệm như niềm tin, chất lượng cảm nhận, giá trị cảm nhận, ý định mua hoặc sự hài lòng. Khi dịch và điều chỉnh biến quan sát, hãy xem đó là bản tham khảo, sau đó kiểm tra lại ngữ nghĩa với bối cảnh Việt Nam.

Bạn nên mã hóa biến theo nhóm, chẳng hạn NIEMTIN1, NIEMTIN2, GIATRI1 và YDINHMUA1. Một biến quan sát chỉ nên diễn đạt một ý. Câu “Sản phẩm có chất lượng tốt và giá hợp lý” đang chứa hai ý, nên tách ra nếu cả chất lượng và giá đều là biến nghiên cứu.

Sau khi thu thập dữ liệu, bạn có thể chạy Cronbach's Alpha để kiểm tra độ tin cậy, rồi chạy EFA nếu thiết kế nghiên cứu cần khám phá cấu trúc. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), còn Corrected Item-Total Correlation từ 0.3 trở lên là một tiêu chí thường dùng (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010).

Áp dụng vào đề tài của bạn

Hãy bắt đầu bằng một biến phụ thuộc duy nhất trong phiên bản đầu tiên. Ví dụ, đề tài của bạn là “Các yếu tố ảnh hưởng đến ý định mua mỹ phẩm thuần chay của sinh viên”. Bạn có thể xây mô hình gồm bốn biến độc lập: nhận thức về giá trị, niềm tin thương hiệu, thông tin trực tuyến và giá cảm nhận. Ý định mua là biến phụ thuộc.

Mô hình khái niệm có thể được diễn đạt như sau:

• H1: Nhận thức về giá trị tác động tích cực đến ý định mua mỹ phẩm thuần chay.
• H2: Niềm tin thương hiệu tác động tích cực đến ý định mua mỹ phẩm thuần chay.
• H3: Chất lượng thông tin trực tuyến tác động tích cực đến ý định mua mỹ phẩm thuần chay.
• H4: Giá cảm nhận phù hợp tác động tích cực đến ý định mua mỹ phẩm thuần chay.

Đây là mô hình minh họa để bạn thấy cách chuyển EKB thành giả thuyết, không phải kết quả của một nghiên cứu đã thực hiện. Trong mô hình này, EKB giải thích quá trình người tiêu dùng tiếp nhận thông tin, đánh giá giá trị và rủi ro, sau đó hình thành ý định mua. Bạn vẫn phải tìm nguồn thang đo và lập luận riêng cho từng mối quan hệ.

Tiếp theo, hãy xác định hướng tác động trước khi viết bảng hỏi. Nếu giả thuyết nói “tác động tích cực”, câu hỏi phải đo cùng chiều, điểm càng cao thì mức độ đồng ý càng lớn. Nếu có biến đảo chiều, đánh dấu rõ trong file dữ liệu và recode trước khi chạy Cronbach's Alpha.

Cỡ mẫu cũng cần được tính từ số biến quan sát và số biến độc lập. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát được trích dẫn từ (Hair và cộng sự, 2010). Với hồi quy, một mốc khác thường được tham khảo là n từ 50 + 8m trở lên, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013). Đây là căn cứ thiết kế, không phải lời đảm bảo rằng mô hình của bạn sẽ đạt mọi tiêu chí.

Cách viết vào luận văn: “Dựa trên logic của mô hình EKB, nghiên cứu đề xuất rằng [tên biến độc lập] có ảnh hưởng [tích cực/tiêu cực] đến [tên biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu]. Từ đó, giả thuyết H[ số ] được phát biểu: [tên biến độc lập] ảnh hưởng [tích cực/tiêu cực] đến [tên biến phụ thuộc].”

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Nếu mô hình của bạn chỉ gồm các biến tổng hợp và muốn kiểm tra tác động tuyến tính, SPSS là lựa chọn dễ theo dõi. Bạn có thể chạy Cronbach's Alpha, EFA, tương quan Pearson và hồi quy tuyến tính. Trong SPSS, đường dẫn thường dùng là Analyze > Scale > Reliability Analysis cho độ tin cậy, Analyze > Dimension Reduction > Factor cho EFA và Analyze > Regression > Linear cho hồi quy.

Nếu mỗi khái niệm là một biến tiềm ẩn với nhiều outer loading, hoặc mô hình có mediator, moderator và nhiều quan hệ đồng thời, SmartPLS phù hợp hơn. Quy trình nên tách thành đánh giá measurement model và structural model theo cách tiếp cận hai bước (Anderson và Gerbing, 1988). Khi dùng PLS-SEM, đừng đưa CFI, TLI hoặc RMSEA vào phần đánh giá SmartPLS, vì các chỉ số đó thuộc CB-SEM.

Bảng dưới đây là số liệu minh họa, không phải kết quả từ dữ liệu của bạn. Tên cột được trình bày theo nhóm kết quả thường gặp trong SmartPLS 4 để bạn biết cần đọc gì.

Trong ví dụ này, outer loading từ 0.7 trở lên là mốc thường được sử dụng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các tiêu chí thường được tham khảo cho độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). Bạn cần xem cả ý nghĩa nội dung của biến trước khi loại một indicator, vì loại biến chỉ để làm đẹp chỉ số có thể làm thay đổi khái niệm ban đầu.

Sau đó, hãy đọc Path Coefficients và kết quả Bootstrapping. Một đường dẫn thường được xem là có bằng chứng thống kê khi khoảng tin cậy bootstrap của hệ số không chứa 0 (Preacher và Hayes, 2008). Với PLS-SEM, có thể dùng 5.000 bootstrap subsamples theo hướng dẫn (Hair và cộng sự, 2022). R² cho biết mức độ giải thích của các biến độc lập đối với biến phụ thuộc; các mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu trong PLS-SEM (Hair và cộng sự, 2011).

Nếu chạy SPSS, hãy kiểm tra VIF, phần dư và Durbin-Watson trước khi kết luận hồi quy. VIF dưới 5 là mốc thường được báo cáo trong PLS-SEM (Hair và cộng sự, 2019), còn khoảng Durbin-Watson từ 1 đến 3 thường được tham khảo trong kiểm tra hồi quy SPSS (Field, 2013). Đừng chỉ chụp bảng Coefficients rồi kết luận toàn bộ mô hình đạt.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là xem EKB như một thang đo cố định. Bạn tìm trên mạng một sơ đồ có sáu ô rồi biến mỗi ô thành một biến độc lập, nhưng không giải thích quan hệ giữa chúng. Cách sửa là viết rõ vai trò của từng thành phần trong đề tài, sau đó xác định biến nào là đầu vào, biến trung gian và biến kết quả.

Lỗi thứ hai là dùng quá nhiều biến có nội dung gần nhau. “Thông tin trực tuyến”, “chất lượng thông tin” và “đánh giá trực tuyến” có thể bị người trả lời hiểu gần như một khái niệm. Khi đó, HTMT hoặc tương quan giữa các construct có thể cho thấy vấn đề về giá trị phân biệt. HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, là mốc thường được tham khảo (Henseler và cộng sự, 2015).

Lỗi thứ ba là viết giả thuyết theo kết quả đã chạy. Bạn không nên thấy p-value nhỏ rồi mới quay lại đặt H1. Giả thuyết phải được lập từ câu hỏi nghiên cứu và lập luận lý thuyết trước khi kiểm định. Kết quả không có ý nghĩa thống kê vẫn là một kết quả cần báo cáo trung thực.

Lỗi thứ tư là trộn kết quả giữa SPSS và SmartPLS mà không nói rõ công cụ. EFA và hồi quy trong SPSS không thay thế cho đánh giá measurement model trong PLS-SEM. Ngược lại, nếu bạn dùng SmartPLS, cần báo cáo rõ outer loading, CR, AVE, HTMT, VIF, R² và kết quả bootstrapping phù hợp với mô hình.

Câu hỏi thường gặp

EKB là gì trong nghiên cứu marketing

EKB là mô hình giải thích quá trình người tiêu dùng đi từ nhận biết nhu cầu, tiếp nhận và xử lý thông tin, đánh giá các lựa chọn đến quyết định mua và phản hồi sau mua. Trong nghiên cứu marketing, mô hình giúp bạn sắp xếp logic hành vi thay vì chỉ liệt kê các yếu tố có thể ảnh hưởng đến khách hàng.

Mô hình EKB có bắt buộc phải dùng toàn bộ thành phần không

Bạn không bắt buộc phải đưa toàn bộ thành phần vào mô hình định lượng. Hãy chọn các construct phù hợp với câu hỏi nghiên cứu, khả năng thu thập dữ liệu và cỡ mẫu. Nếu bỏ một giai đoạn, bạn cần giải thích vì sao giai đoạn đó nằm ngoài phạm vi nghiên cứu.

EKB có dùng được cho đề tài mua hàng online không

Có. Bạn có thể đưa đánh giá trực tuyến, thông tin từ sàn, niềm tin vào người bán, giá cảm nhận hoặc sự tiện lợi vào phần đầu vào và quá trình đánh giá. Tuy nhiên, cần xác định rõ bạn đang đo ý định mua, quyết định mua thực tế, sự hài lòng hay ý định mua lại.

Nên chạy EKB bằng SPSS hay SmartPLS

SPSS phù hợp khi bạn muốn kiểm tra độ tin cậy, EFA, tương quan và hồi quy với các biến tổng hợp. SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều quan hệ đồng thời hoặc cần đánh giá outer loading, AVE, HTMT và bootstrapping. Công cụ không quyết định thay cho lý thuyết, nên hãy chốt mô hình trước rồi mới chọn phần mềm.

Nếu kết quả EKB không đạt thì có nên xóa cả mô hình không

Chưa cần xóa ngay. Trước tiên kiểm tra mã hóa biến đảo chiều, dữ liệu thiếu, biến quan sát có nội dung lệch và cách bạn gộp construct. Sau đó xem lại bảng hỏi và lập luận lý thuyết. Bạn chỉ nên loại biến hoặc điều chỉnh mô hình khi có lý do phương pháp và lý thuyết, đồng thời ghi lại từng thay đổi trong luận văn.

Hãy mở lại sơ đồ nghiên cứu của bạn, ghi rõ từng construct, nguồn thang đo, biến quan sát và giả thuyết H1 đến H4 trước khi chạy lần tiếp theo. Khi cần chạy phân tích trên chính file .sav hoặc .csv của bạn, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.