ERG Alderfer là gì? Mô hình nhu cầu và cách áp dụng vào luận văn
Mô hình ERG Alderfer là gì
ERG Alderfer là mô hình giải thích động lực của con người thông qua ba nhóm nhu cầu: Existence, Relatedness và Growth. Khi đưa vào luận văn định lượng, bạn có thể dùng ba nhóm này để giải thích một kết quả như sự hài lòng công việc, động lực làm việc, ý định gắn bó hoặc hiệu suất của nhân viên.
Tên ERG được tạo từ chữ cái đầu của ba nhóm nhu cầu. Existence là nhu cầu tồn tại, Relatedness là nhu cầu quan hệ và Growth là nhu cầu phát triển. Mô hình thường được trình bày như một cách cô đọng hơn so với tháp nhu cầu Maslow, nhưng hai mô hình không hoàn toàn giống nhau.
Điểm cần nhớ khi viết luận văn là ERG không phải một bảng phân loại để bạn gán nhãn tùy ý cho mọi biến. Bạn phải xác định rõ mỗi khái niệm được đo bằng các biến quan sát nào, vì sao chúng thuộc nhóm Existence, Relatedness hoặc Growth, rồi kiểm định mô hình trên dữ liệu .sav hoặc .csv của mình.
Các thành phần trong mô hình
Ba nhóm nhu cầu có thể xuất hiện đồng thời. Một nhân viên có thể quan tâm đến thu nhập và sự an toàn công việc, đồng thời cần quan hệ tốt với đồng nghiệp và cơ hội học hỏi. Vì vậy, khi một nhóm nhu cầu chưa được đáp ứng, cá nhân có thể tập trung mạnh hơn vào nhóm khác. Đây là điểm thường được dùng để giải thích hiện tượng dữ liệu không đi theo một trật tự cứng nhắc.
| Nhóm nhu cầu | Nội dung cần đo | Ví dụ biến kết quả có thể liên quan |
|---|---|---|
| Existence | Thu nhập, phúc lợi, điều kiện làm việc, sự ổn định và an toàn trong công việc | Sự hài lòng, ý định gắn bó |
| Relatedness | Quan hệ với cấp trên, đồng nghiệp, nhóm làm việc và cảm giác được tôn trọng | Động lực làm việc, cam kết tổ chức |
| Growth | Cơ hội học hỏi, tự chủ, sử dụng năng lực và phát triển nghề nghiệp | Hiệu suất, ý định phát triển |
Existence
Existence tập trung vào những điều kiện giúp cá nhân duy trì cuộc sống và cảm thấy công việc có nền tảng ổn định. Trong đề tài về nhân viên, nhóm này có thể bao gồm mức lương, phúc lợi, môi trường vật chất, giờ làm việc và cảm nhận về sự an toàn của vị trí công việc.
Bạn nên tránh đưa tất cả yếu tố vật chất vào một thang đo chỉ vì chúng đều liên quan đến công việc. Thu nhập và điều kiện làm việc có thể là hai khái niệm khác nhau. Nếu bảng hỏi có đủ số biến quan sát, bạn cần kiểm tra mô hình đo lường để xem chúng có thực sự hội tụ thành cùng một nhân tố hay không.
Relatedness
Relatedness mô tả nhu cầu duy trì quan hệ có ý nghĩa với người khác. Trong tổ chức, nhóm này thường được thể hiện qua sự hỗ trợ của cấp trên, hợp tác với đồng nghiệp, phản hồi trong nhóm và cảm giác được công nhận.
Một câu hỏi về việc được cấp trên hỗ trợ có nội dung khác với câu hỏi về mức độ thân thiện của đồng nghiệp. Bạn có thể đặt cả hai trong cùng nhóm lý thuyết, nhưng cần ghi rõ cấu trúc thang đo và kiểm định bằng dữ liệu thay vì gộp biến theo trực giác.
Growth
Growth liên quan đến việc phát triển năng lực, học hỏi, tự chủ và tiến bộ nghề nghiệp. Các biến quan sát có thể hỏi về cơ hội tham gia đào tạo, khả năng sử dụng năng lực cá nhân, quyền chủ động trong công việc hoặc triển vọng phát triển.
Growth thường được dùng để xây dựng các giả thuyết về động lực và gắn bó. Tuy nhiên, cơ hội thăng tiến, đào tạo và tự chủ có thể là các khái niệm riêng trong một mô hình lớn hơn. Bạn cần giới hạn phạm vi để mô hình không có quá nhiều biến và giả thuyết.
Mô hình gốc và các mở rộng phổ biến
Mô hình ERG thường được dùng để diễn giải ba nhóm nhu cầu có quan hệ linh hoạt. Cách tiếp cận này cho phép nhiều nhu cầu tồn tại cùng lúc. Nó cũng mở ra logic rằng khi một nhu cầu phát triển bị cản trở, cá nhân có thể quay lại chú ý nhiều hơn đến nhu cầu quan hệ hoặc tồn tại.
Khi tìm tài liệu, bạn nên phân biệt mô hình lý thuyết với mô hình nghiên cứu của chính mình. Mô hình lý thuyết cung cấp cách phân loại và logic giải thích. Mô hình nghiên cứu phải chỉ ra biến độc lập, biến phụ thuộc, chiều tác động và thang đo cụ thể.
Bạn có thể so sánh ERG với mô hình Maslow để giải thích lựa chọn lý thuyết. Maslow thường được trình bày theo các tầng nhu cầu, còn ERG gộp thành ba nhóm và cho phép các nhu cầu vận hành đồng thời. Phần so sánh chỉ nên phục vụ lập luận chọn mô hình, không nên biến chương cơ sở lý thuyết thành một danh sách lịch sử.
Một hướng mở rộng là thêm biến trung gian hoặc biến điều tiết. Ví dụ, bạn có thể kiểm tra liệu sự hài lòng công việc có truyền dẫn tác động từ nhu cầu ERG đến ý định gắn bó hay không. Nếu bạn dùng AMOS hoặc CB-SEM, hãy xem thêm nội dung giải thích AMO là gì để phân biệt công cụ và cách đánh giá mô hình. Nếu dùng SmartPLS, bạn nên giữ riêng nhóm chỉ số PLS-SEM, không đưa CFI, TLI hoặc RMSEA vào phần đánh giá SmartPLS.
Một mở rộng khác là đưa bối cảnh tổ chức vào mô hình. Chẳng hạn, cảm nhận về sự công bằng, nguồn lực công việc hoặc môi trường làm việc có thể được giả định là yếu tố ảnh hưởng đến việc nhu cầu được đáp ứng. Nếu đề tài của bạn nghiên cứu áp lực hoặc tổn hại tại nơi làm việc, có thể xem cách diễn đạt biến trong bài bắt nạt nơi làm việc là gì, nhưng không nên bê nguyên thang đo của một chủ đề khác vào bảng hỏi.
Thang đo thường dùng cho từng khái niệm
ERG là khung lý thuyết, không tự động cung cấp một bộ biến quan sát duy nhất cho mọi bối cảnh. Bạn cần tìm nguồn thang đo phù hợp với ngành, đối tượng và ngôn ngữ khảo sát. Nếu một bài nghiên cứu dùng năm biến cho Growth, điều đó không có nghĩa luận văn của bạn phải giữ nguyên năm biến đó.
| Khái niệm | Nội dung thang đo tham khảo | Ví dụ mã biến | Cách sử dụng trong luận văn |
|---|---|---|---|
| Existence | Thu nhập, phúc lợi, điều kiện và sự ổn định công việc | EX1, EX2, EX3, EX4 | Điều chỉnh theo loại hình tổ chức và vị trí nhân viên |
| Relatedness | Hỗ trợ, hợp tác, giao tiếp và được công nhận | RE1, RE2, RE3, RE4 | Kiểm tra cách người trả lời hiểu về quan hệ trong tổ chức |
| Growth | Học hỏi, tự chủ, sử dụng năng lực và phát triển nghề nghiệp | GR1, GR2, GR3, GR4 | Gắn với cơ hội phát triển thực tế trong bối cảnh nghiên cứu |
Các mã EX, RE và GR chỉ là số liệu minh họa cho cách tổ chức bảng hỏi. Bạn cần thay bằng nguồn thang đo đã đọc, dịch và điều chỉnh. Không nên viết rằng bộ biến trên đã được xác nhận cho đề tài của bạn khi chưa chạy thử và kiểm định.
Với mỗi biến quan sát, câu chữ nên chỉ đo một ý. Câu hỏi vừa hỏi về lương, vừa hỏi về phúc lợi có thể khiến người trả lời không biết chọn mức nào. Bạn cũng nên thống nhất thang Likert, hướng điểm và cách xử lý biến đảo chiều trước khi nhập dữ liệu vào SPSS.
Sau khi thu thập dữ liệu, quy trình thường gồm kiểm tra dữ liệu thiếu, xem thống kê mô tả, chạy Cronbach's Alpha, EFA nếu thiết kế nghiên cứu yêu cầu, rồi kiểm định mô hình. Cronbach's Alpha và Corrected Item-Total Correlation không thay thế cho lập luận lý thuyết. Một biến có thể đạt chỉ số nhưng vẫn không phù hợp với nội dung khái niệm.
Áp dụng vào đề tài của bạn
Giả sử đề tài của bạn là: “Các nhóm nhu cầu ERG ảnh hưởng đến ý định gắn bó của nhân viên tại doanh nghiệp dịch vụ”. Bạn có thể đặt ba biến độc lập là Existence, Relatedness và Growth, còn biến phụ thuộc là ý định gắn bó. Nếu muốn giải thích cơ chế, sự hài lòng công việc có thể được đặt làm biến trung gian, nhưng khi đó cỡ mẫu, bảng hỏi và phần kiểm định sẽ phức tạp hơn.
Một mô hình cơ bản có thể viết như sau:
- H1: Nhu cầu Existence được đáp ứng tốt có ảnh hưởng cùng chiều đến ý định gắn bó của nhân viên.
- H2: Nhu cầu Relatedness được đáp ứng tốt có ảnh hưởng cùng chiều đến ý định gắn bó của nhân viên.
- H3: Nhu cầu Growth được đáp ứng tốt có ảnh hưởng cùng chiều đến ý định gắn bó của nhân viên.
- H4: Sự hài lòng công việc có ảnh hưởng cùng chiều đến ý định gắn bó của nhân viên.
H4 chỉ phù hợp nếu sự hài lòng công việc thực sự xuất hiện trong mô hình. Bạn không nên đưa giả thuyết này vào chương 2 rồi bỏ biến khỏi bảng hỏi hoặc khỏi mô hình chạy. Mỗi giả thuyết cần khớp với sơ đồ nghiên cứu, thang đo và bảng kết quả.
Nếu chỉ muốn kiểm tra tác động trực tiếp của ba nhóm nhu cầu, mô hình có thể dùng hồi quy tuyến tính bội. Khi đó, bạn tạo điểm đại diện cho các thang đo sau khi đánh giá độ tin cậy, rồi đưa Existence, Relatedness và Growth vào dự đoán biến phụ thuộc. Nếu nghiên cứu có biến tiềm ẩn nhiều chỉ báo và muốn kiểm định đồng thời mô hình đo lường cùng mô hình cấu trúc, SmartPLS có thể phù hợp hơn.
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau: “Dựa trên mô hình ERG, nghiên cứu đề xuất ba nhóm nhu cầu gồm Existence, Relatedness và Growth. Nghiên cứu kiểm định ảnh hưởng của [tên nhóm nhu cầu] đến [tên biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu]. Các giả thuyết H1 đến H4 được xây dựng dựa trên [nguồn tài liệu của bạn] và được kiểm định bằng [SPSS hoặc SmartPLS].”
Khi viết kết quả, hãy thay placeholder bằng con số trong chính output của bạn. Ví dụ, không ghi “Growth ảnh hưởng mạnh” nếu chưa xem path coefficient, p-value hoặc khoảng tin cậy. Một kết quả không có ý nghĩa thống kê vẫn cần được báo cáo và giải thích thận trọng.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn kiểm định Cronbach's Alpha, EFA, tương quan và hồi quy trên các điểm tổng hợp. Đường dẫn thường dùng để kiểm tra độ tin cậy là Analyze > Scale > Reliability Analysis. Trong hộp thoại, đưa các biến quan sát của cùng một khái niệm vào ô Items, chọn Statistics, rồi đánh dấu Scale if item deleted để xem ảnh hưởng của từng biến.
Sau đó, bạn có thể chạy EFA tại Analyze > Dimension Reduction > Factor. Đọc KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Nếu chạy hồi quy, dùng Analyze > Regression > Linear, đưa biến phụ thuộc vào ô Dependent và các nhóm nhu cầu vào ô Independent(s). Đọc bảng Coefficients, Model Summary và ANOVA, đồng thời kiểm tra VIF và phần dư.
SmartPLS phù hợp khi bạn xây dựng mô hình có biến tiềm ẩn và nhiều biến quan sát. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo biến quan sát vào từng construct, nối các mũi tên theo giả thuyết, rồi chạy Calculate > PLS-SEM Algorithm. Tiếp theo, chạy Calculate > Bootstrapping để đánh giá path coefficient, t-value, p-value và confidence interval.
| Bảng output | Cột hoặc chỉ số cần đọc | Số liệu minh họa | Cách diễn giải |
|---|---|---|---|
| Outer Loadings | EX1 | 0.781 | Biến quan sát minh họa có loading cao hơn các biến yếu hơn trong cùng construct |
| Reliability and Validity | Cronbach's Alpha, CR, AVE | 0.824; 0.881; 0.650 | Đọc cùng nhau, không kết luận chỉ từ một chỉ số |
| Path Coefficients | Growth → Ý định gắn bó | 0.286 | Hệ số dương trong ví dụ minh họa |
| Bootstrapping | P Values | 0.012 | Trong ví dụ, đường dẫn có p-value nhỏ hơn 0.05 |
| R Square | Ý định gắn bó | 0.472 | Mức độ giải thích của các biến dự báo trong ví dụ |
Bảng trên là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Trong PLS-SEM, outer loading từ 0.7 trở lên thường được xem là đạt theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất theo (Henseler và cộng sự, 2015).
Với mô hình cấu trúc, kiểm tra VIF của các biến dự báo. VIF dưới 5 là ngưỡng được báo cáo trong hướng dẫn PLS-SEM của (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể được mô tả là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Đây là các mốc tham khảo, không phải quy tắc để biến một mô hình không phù hợp thành mô hình đạt.
Bạn nên chạy bootstrapping với 5.000 bootstrap subsamples khi báo cáo PLS-SEM theo (Hair và cộng sự, 2022). Nếu khoảng tin cậy của đường dẫn chứa 0, bạn cần thận trọng khi kết luận về ý nghĩa tác động. Không được lấy ngưỡng CFI, TLI hoặc RMSEA của CB-SEM để đánh giá một mô hình SmartPLS.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là xem ba nhóm ERG như ba tầng bắt buộc phải đi từ thấp lên cao. Cách đọc đó làm mất ý tưởng các nhu cầu có thể đồng thời tồn tại. Trong phần cơ sở lý thuyết, bạn nên giải thích logic của mô hình, sau đó nêu rõ cách bạn chuyển logic đó thành giả thuyết trong bối cảnh cụ thể.
Lỗi thứ hai là dùng tên Existence, Relatedness và Growth nhưng thang đo lại đo các khái niệm không đồng nhất. Ví dụ, một nhóm có cả lương, phong cách lãnh đạo và cơ hội đào tạo chỉ vì chúng đều được xem là yếu tố tạo động lực. Hãy kiểm tra nội dung từng biến trước khi kiểm tra chỉ số.
Lỗi thứ ba là sao chép câu hỏi từ một bài nghiên cứu khác mà không điều chỉnh ngữ cảnh Việt Nam. Bạn cần đọc nguyên văn nguồn, dịch có kiểm soát, kiểm tra cách hiểu của đối tượng khảo sát và ghi lại các thay đổi. Nếu loại biến sau EFA, hãy lưu output từng vòng để có thể giải trình với giảng viên.
Lỗi thứ tư là kết luận từ p-value mà bỏ qua hướng và độ lớn tác động. Một đường dẫn có p-value nhỏ vẫn cần được đọc cùng path coefficient, khoảng tin cậy và ý nghĩa thực tiễn. Đồng thời, bạn không nên sửa mô hình nhiều lần chỉ để tìm một kết quả có ý nghĩa.
Nếu muốn đặt ERG trong nhóm các lý thuyết về nguồn lực và áp lực, bạn có thể tham khảo cách trình bày bảo toàn nguồn lực COR là gì. Tuy nhiên, COR và ERG có nền tảng khái niệm khác nhau. Link tham khảo không phải lý do để trộn hai lý thuyết thành một mô hình thiếu căn cứ.
Câu hỏi thường gặp
ERG Alderfer có giống tháp nhu cầu Maslow không
Hai mô hình đều dùng nhu cầu để giải thích động lực, nhưng ERG gộp nhu cầu thành ba nhóm và cho phép các nhóm cùng hoạt động. Maslow thường được trình bày theo các tầng, nên khi so sánh bạn cần nói rõ sự khác nhau về cấu trúc và cách áp dụng, thay vì dùng hai tên như thể chúng là một.
Nên dùng ERG làm biến độc lập hay biến trung gian
Trong nhiều mô hình định lượng, ba nhóm ERG được dùng làm biến độc lập để dự đoán sự hài lòng, động lực hoặc ý định gắn bó. Chúng chỉ là biến trung gian khi mô hình của bạn có lập luận rõ rằng một biến khác ảnh hưởng đến nhu cầu, rồi nhu cầu ảnh hưởng đến kết quả.
Có bắt buộc phải dùng đủ ba nhóm nhu cầu không
Nếu bạn tuyên bố kiểm định mô hình ERG đầy đủ, nên giải thích cả ba nhóm. Trường hợp đề tài chỉ tập trung vào một nhóm, bạn cần nói rõ đây là nghiên cứu giới hạn phạm vi, đồng thời tránh kết luận đại diện cho toàn bộ mô hình.
Dùng SPSS hay SmartPLS để kiểm định ERG
SPSS phù hợp với Cronbach's Alpha, EFA và hồi quy trên điểm tổng hợp. SmartPLS phù hợp khi bạn muốn đánh giá đồng thời construct, biến quan sát và các đường dẫn trong mô hình PLS-SEM. Lựa chọn nên dựa vào câu hỏi nghiên cứu, dữ liệu và cách bạn định nghĩa biến, không chỉ dựa vào việc phần mềm nào đang có sẵn.
Nếu một biến quan sát không đạt thì phải làm sao
Trước tiên kiểm tra mã hóa, dữ liệu thiếu, biến đảo chiều và nội dung câu hỏi. Sau đó xem loading hoặc Corrected Item-Total Correlation cùng với ý nghĩa lý thuyết. Nếu loại biến, ghi lại lý do và chạy lại mô hình, không xóa biến chỉ vì nó làm kết quả kém đẹp.
Mở file dữ liệu của bạn, lập một bảng gồm ba construct EX, RE và GR, ghi rõ từng biến quan sát, nguồn thang đo và giả thuyết liên quan, rồi mới chạy kiểm định trên SPSS hoặc SmartPLS; nếu cần xử lý dữ liệu thật và giữ lại output theo từng bước, bạn có thể xem module M4 phân tích dữ liệu.