Giả thiết hay giả thuyết: Phân biệt và cách dùng trong luận văn

Mô hình giả thiết và giả thuyết là gì

Nếu bạn đang viết chương cơ sở lý thuyết, hai từ “giả thiết” và “giả thuyết” rất dễ bị dùng lẫn. Cách phân biệt ngắn gọn là: giả thuyết là một mệnh đề nghiên cứu được đưa ra để kiểm định bằng dữ liệu, còn giả thiết thường chỉ một điều kiện hoặc tiền đề được chấp nhận để việc phân tích có thể thực hiện. Trong luận văn định lượng, các câu H1, H2, H3 thường là giả thuyết nghiên cứu, không phải giả thiết nghiên cứu.

Ví dụ, câu “Chất lượng dịch vụ ảnh hưởng tích cực đến sự hài lòng của khách hàng” là một giả thuyết. Bạn có thể đo chất lượng dịch vụ bằng các biến quan sát, thu thập dữ liệu bằng bảng hỏi, sau đó kiểm định path coefficient hoặc hệ số hồi quy. Ngược lại, câu “Các quan sát được thu thập độc lập” là một giả thiết hoặc điều kiện phân tích. Nó không phải quan hệ giữa các khái niệm trong mô hình.

Bạn có thể xem thêm phần giải thích riêng về giả thuyết là gì, mô hình là gì và lý thuyết là gì trước khi chỉnh chương 2. Ba khái niệm này liên quan với nhau nhưng không thay thế cho nhau.

Trong nghiên cứu định lượng, một giả thuyết tốt phải có các khái niệm đo lường được, hướng quan hệ đủ rõ và có thể kiểm định bằng dữ liệu .sav hoặc .csv. Giả thuyết không phải là một câu hỏi chung như “Khách hàng nghĩ gì về dịch vụ”, cũng không phải kết luận đã biết trước từ dữ liệu.

Các thành phần trong mô hình giả thiết và giả thuyết

Khi đọc một mô hình nghiên cứu, bạn nên tách nó thành các thành phần sau. Việc tách này giúp bạn biết câu nào là khái niệm, câu nào là quan hệ giả thuyết và câu nào chỉ là điều kiện phân tích.

Trong bảng trên, “Chất lượng dịch vụ” và “Sự hài lòng” là các khái niệm hoặc biến tiềm ẩn. Mối quan hệ giữa chúng được phát biểu thành giả thuyết H1. Còn điều kiện như dữ liệu không có vấn đề nghiêm trọng về đa cộng tuyến thuộc phần giả thiết của phương pháp, không phải một giả thuyết về hành vi khách hàng.

Một số tài liệu hoặc giảng viên có thể dùng “giả thiết nghiên cứu” theo cách rộng hơn để chỉ các dự đoán cần kiểm định. Tuy nhiên, khi viết luận văn, bạn nên hỏi quy ước của khoa và dùng nhất quán một thuật ngữ. Nếu chương 2 đã dùng “giả thuyết H1, H2”, hãy giữ cách gọi đó ở chương 3 và chương 4.

Mô hình nghiên cứu có thể được trình bày bằng sơ đồ mũi tên. Mỗi mũi tên cần tương ứng với ít nhất một lập luận lý thuyết và một giả thuyết. Nếu sơ đồ có mũi tên nhưng phần thuyết minh không có H tương ứng, hội đồng có thể hỏi vì sao quan hệ đó xuất hiện và bạn kiểm định nó ở đâu.

Mô hình gốc và các mở rộng phổ biến

Một mô hình thường bắt đầu từ một lý thuyết hoặc mô hình gốc. Chẳng hạn, Technology Acceptance Model, thường gọi là TAM, giải thích sự chấp nhận công nghệ thông qua các khái niệm như Perceived Usefulness và Perceived Ease of Use. Công trình gốc về TAM của Davis (1989) là nguồn có thể dùng để trình bày nền tảng này.

Nếu nghiên cứu hành vi dự định, Theory of Planned Behavior của Ajzen (1991) thường được dùng với các khái niệm thái độ, chuẩn chủ quan, nhận thức kiểm soát hành vi và ý định hành vi. Với bối cảnh chấp nhận công nghệ, UTAUT của Venkatesh và cộng sự (2003) mở rộng cách giải thích bằng nhiều yếu tố ảnh hưởng đến ý định và hành vi sử dụng.

Phần mở rộng phải có lý do, không nên thêm biến chỉ vì tìm thấy một bài có mô hình nhiều biến hơn. Bạn cần trả lời ba câu hỏi: biến mới giải thích khoảng trống nào, lý thuyết nào hỗ trợ quan hệ đó, và dữ liệu của bạn có thể đo biến đó bằng bảng hỏi hay không.

Ví dụ, bạn có thể lấy TAM làm mô hình gốc rồi thêm “niềm tin” trong bối cảnh ngân hàng số. Khi đó, niềm tin phải được định nghĩa, có thang đo tham khảo và được nối với một giả thuyết cụ thể. Nếu niềm tin chỉ xuất hiện trong sơ đồ mà không có lập luận, nó chưa phải một mở rộng có cơ sở.

Bạn cũng cần phân biệt mô hình khái niệm với mô hình thống kê. Sơ đồ khái niệm thể hiện các quan hệ lý thuyết. Mô hình hồi quy hoặc mô hình PLS-SEM là cách dùng dữ liệu để ước lượng các quan hệ đó. Một sơ đồ đẹp không bảo đảm giả thuyết sẽ được ủng hộ.

Để đặt mô hình vào đúng bối cảnh, bạn có thể tham khảo bài mô hình nghiên cứu và chuyên mục Mô hình nghiên cứu. Nếu đề tài thuộc chiến lược cạnh tranh, Porter's Five Forces là một ví dụ về khung phân tích, nhưng khung đó không tự động trở thành mô hình định lượng có H1 đến H4.

Thang đo thường dùng cho từng khái niệm

Giả thuyết chỉ có thể kiểm định nếu các khái niệm trong đó được chuyển thành biến quan sát. Bạn không đo trực tiếp “sự hài lòng” bằng một cảm nhận chung nếu mục tiêu là xây dựng thang đo nhiều biến. Bạn cần xác định khái niệm, chọn nguồn thang đo, điều chỉnh cách diễn đạt cho bối cảnh Việt Nam và kiểm định lại trên dữ liệu của mình.

Các nguồn trong bảng là điểm bắt đầu, không phải bản dịch đã được xác nhận cho mọi đề tài. Bạn cần kiểm tra khái niệm gốc, số lượng biến quan sát, bối cảnh mẫu và cách mã hóa thang đo. Với thang đo Likert, hãy ghi rõ số mức đo và ý nghĩa của từng mức. Likert (1932) là nguồn kinh điển về kỹ thuật đo thái độ.

Sau khi thu dữ liệu, bạn có thể kiểm tra độ tin cậy bằng Cronbach's Alpha. Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978), trong khi nghiên cứu khám phá có thể cân nhắc mức từ 0.6 theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được tham khảo theo (Nunnally và Bernstein, 1994). Các ngưỡng này không cho phép bạn xóa biến máy móc. Bạn cần xem nội dung biến, lý thuyết và thay đổi của kết quả sau khi xóa.

Nếu dùng SmartPLS, hãy đánh giá outer loading, Composite Reliability, AVE và HTMT theo đúng logic PLS-SEM. Outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998), CR từ 0.7 và AVE từ 0.5 trở lên tham khảo (Fornell và Larcker, 1981), còn HTMT dưới 0.85 hoặc 0.90 tùy mức độ gần nhau của khái niệm tham khảo (Henseler và cộng sự, 2015).

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là “Các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng ngân hàng số của sinh viên”. Bạn chọn ba biến độc lập là Perceived Usefulness, Perceived Ease of Use và Trust, cùng biến phụ thuộc là Behavioral Intention. Sơ đồ mô hình có thể gồm ba mũi tên hướng vào Behavioral Intention.

Bốn giả thuyết có thể viết như sau:

• H1: Perceived Usefulness có ảnh hưởng tích cực đến Behavioral Intention sử dụng ứng dụng ngân hàng số.
• H2: Perceived Ease of Use có ảnh hưởng tích cực đến Behavioral Intention sử dụng ứng dụng ngân hàng số.
• H3: Trust có ảnh hưởng tích cực đến Behavioral Intention sử dụng ứng dụng ngân hàng số.
• H4: Perceived Ease of Use có ảnh hưởng tích cực đến Perceived Usefulness.

H4 làm mô hình có thêm một quan hệ giữa hai biến độc lập. Bạn chỉ nên giữ H4 nếu có lập luận từ lý thuyết và nghiên cứu trước. Khi phát biểu “tích cực”, bạn đang nêu hướng kỳ vọng của quan hệ. Khi kiểm định, dấu của hệ số ước lượng và mức ý nghĩa thống kê sẽ cho biết dữ liệu có phù hợp với kỳ vọng đó hay không.

Một giả thuyết cần có ba lớp thông tin. Lớp thứ nhất là hai khái niệm hoặc biến được nối với nhau. Lớp thứ hai là hướng quan hệ, chẳng hạn tích cực hoặc tiêu cực. Lớp thứ ba là bối cảnh và đối tượng, chẳng hạn sinh viên đã từng sử dụng ứng dụng ngân hàng số. Nếu thiếu bối cảnh, giả thuyết dễ trở thành một câu chung chung, khó khớp với bảng hỏi.

Bạn cũng cần phân biệt câu hỏi nghiên cứu với giả thuyết. Câu hỏi “Perceived Usefulness có ảnh hưởng đến Behavioral Intention không” mở ra vấn đề cần tìm hiểu. Giả thuyết chuyển câu hỏi đó thành dự đoán có hướng: “Perceived Usefulness có ảnh hưởng tích cực đến Behavioral Intention”. Câu hỏi nghiên cứu đặt vấn đề, còn giả thuyết tạo mệnh đề để kiểm định.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Dựa trên [tên lý thuyết hoặc mô hình], nghiên cứu đề xuất rằng [biến độc lập] có ảnh hưởng [tích cực/tiêu cực] đến [biến phụ thuộc] trong bối cảnh [đối tượng và phạm vi nghiên cứu]. Vì vậy, giả thuyết H[ số ] được phát biểu như sau: H[ số ]: [biến độc lập] có ảnh hưởng [tích cực/tiêu cực] đến [biến phụ thuộc].”

Ở phần kết quả, bạn không nên viết “H1 đúng” chỉ vì p-value nhỏ. Cách viết chính xác hơn là: “Kết quả ước lượng cho thấy [biến độc lập] có ảnh hưởng [cùng chiều/ngược chiều] đến [biến phụ thuộc], với [hệ số] = [giá trị] và p-value = [giá trị]. Do đó, H[ số ] được ủng hộ/không được ủng hộ trong mẫu nghiên cứu.” Các vị trí trong ngoặc vuông phải được thay bằng số liệu thật từ file của bạn.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Nếu mô hình của bạn chỉ gồm các biến tổng hợp và quan hệ hồi quy, SPSS có thể phù hợp. Quy trình thường gồm làm sạch dữ liệu, kiểm tra Cronbach's Alpha, chạy EFA nếu thiết kế nghiên cứu yêu cầu, tạo biến đại diện và chạy hồi quy. Trong SPSS, bạn sẽ làm việc với các bảng như Reliability Statistics, Item-Total Statistics, KMO and Bartlett's Test, Total Variance Explained, Rotated Component Matrix và Coefficients.

Nếu mô hình có biến tiềm ẩn, nhiều biến quan sát, quan hệ trung gian hoặc điều tiết, SmartPLS có thể thuận tiện hơn cho PLS-SEM. Quy trình cần tách thành đánh giá measurement model và structural model, phù hợp với cách tiếp cận hai bước được trình bày bởi Anderson và Gerbing (1988). Trong SmartPLS, bạn cần xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square, VIF và kết quả Bootstrapping.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Nó cho thấy cách một bảng kết quả giả thuyết có thể được đọc.

Khi dùng bootstrapping trong SmartPLS, số bootstrap subsamples thường được đặt ở mức 5.000 theo (Hair và cộng sự, 2022). Bạn đọc dấu của Path coefficient để biết chiều ảnh hưởng, P values hoặc khoảng tin cậy để đánh giá ý nghĩa, rồi đối chiếu với hướng đã nêu trong giả thuyết. R² mô tả mức độ giải thích của các biến dự báo đối với biến phụ thuộc. Các mức 0.75, 0.50 và 0.25 có thể tham khảo theo (Hair và cộng sự, 2011), nhưng không nên biến chúng thành lời hứa về chất lượng mô hình của bạn.

Trong hồi quy SPSS, bảng Coefficients thường có Unstandardized Coefficients, Standardized Coefficients, t và Sig.. Bạn cần kiểm tra VIF, trong đó VIF dưới 5 có thể tham khảo theo (Hair và cộng sự, 2019). Durbin-Watson trong khoảng 1 đến 3 là một mốc thường được dùng khi xem xét tự tương quan phần dư theo (Field, 2013). Đây là các tiêu chí kiểm tra mô hình, không phải giả thuyết H1 đến H4.

Lỗi thường gặp khi dùng mô hình này

Dùng “giả thiết” cho mọi câu H1, H2. Lỗi này làm người đọc khó biết bạn đang nói về dự đoán lý thuyết hay điều kiện phân tích. Hãy thống nhất “giả thuyết nghiên cứu” cho các mối quan hệ và “giả thiết” cho các điều kiện cần được đáp ứng.

Viết giả thuyết không có biến đo lường. Câu “Công nghệ tốt làm khách hàng hài lòng hơn” nghe hợp lý nhưng chưa đủ để chạy phân tích. Bạn cần định nghĩa “công nghệ tốt” là khái niệm nào, đo bằng những biến quan sát nào và nó xuất hiện ở đâu trong mô hình.

Thêm giả thuyết sau khi nhìn thấy p-value. Bạn không nên thử nhiều mối quan hệ rồi chỉ giữ các quan hệ có ý nghĩa. Giả thuyết cần được lập luận trước khi kiểm định. Nếu có phân tích bổ sung, hãy ghi rõ đó là phân tích khám phá và giải thích lý do.

Đánh đồng không được ủng hộ với mô hình sai hoàn toàn. Một giả thuyết không được ủng hộ có thể xuất phát từ bối cảnh mẫu, cách đo lường, cỡ mẫu hoặc mức độ phù hợp của quan hệ trong nhóm đối tượng cụ thể. Bạn cần báo cáo kết quả đúng như output, không đổi hướng giả thuyết chỉ để làm bảng đẹp hơn.

Trộn tiêu chí của SPSS, SmartPLS và AMOS. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM, với nguồn tham khảo (Hu và Bentler, 1999). Không nên đưa các chỉ số này vào một báo cáo SmartPLS nếu bạn không chạy CB-SEM. Ngược lại, outer loading, HTMT và bootstrapping cần được đọc trong đúng quy trình PLS-SEM.

Không lưu các phiên bản dữ liệu. Khi xóa biến hoặc điều chỉnh mô hình, hãy lưu file theo vòng chạy, chẳng hạn efa_v1.sav, efa_v2.sav và pls_final.csv. Bạn cần biết biến nào bị loại, lý do loại và kết quả thay đổi ra sao khi giảng viên hỏi lại.

Câu hỏi thường gặp

Giả thuyết hay giả thiết, từ nào đúng trong luận văn?

Cả hai từ đều có nghĩa, nhưng dùng cho hai vai trò khác nhau. Với các mệnh đề H1, H2 mô tả quan hệ cần kiểm định, “giả thuyết” là cách gọi phù hợp hơn. Với điều kiện hoặc tiền đề của phương pháp, bạn có thể dùng “giả thiết”.

Nếu khoa hoặc giảng viên đã có mẫu quy định dùng “giả thiết nghiên cứu”, hãy ưu tiên quy định đó và dùng nhất quán toàn luận văn. Đừng dùng xen kẽ hai từ cho cùng một nội dung.

Giả thuyết nghiên cứu là gì và có bắt buộc phải có H1, H2 không?

Giả thuyết nghiên cứu là mệnh đề dự đoán một quan hệ giữa các khái niệm có thể đo lường và kiểm định bằng dữ liệu. Ký hiệu H1, H2 giúp đánh số và đối chiếu giữa mô hình, chương phương pháp và chương kết quả.

Không phải đề tài định lượng nào cũng cần đúng số lượng giả thuyết giống nhau. Số giả thuyết phụ thuộc vào số quan hệ bạn có cơ sở lý thuyết để kiểm định.

Một giả thuyết có thể có hai biến phụ thuộc không?

Một câu giả thuyết nên thể hiện rõ quan hệ giữa một biến dự báo và một biến kết quả để việc kiểm định, diễn giải và trình bày được minh bạch. Nếu có hai biến phụ thuộc, bạn nên tách thành hai giả thuyết hoặc xây dựng hai phương trình phù hợp.

Bạn cũng cần xem hai biến đó có thực sự là hai khái niệm khác nhau hay chỉ là hai chiều của cùng một khái niệm. Nếu chúng thuộc cùng một cấu trúc bậc cao, cách mô hình hóa sẽ khác.

Giả thuyết không được ủng hộ thì có phải sửa dữ liệu không?

Không. Bạn giữ nguyên dữ liệu gốc, kiểm tra lại mã hóa, biến đảo chiều, dữ liệu thiếu, cách chạy và giả định phân tích. Nếu output không có lỗi, hãy báo cáo kết quả không được ủng hộ và giải thích dựa trên bối cảnh cùng tài liệu phù hợp.

Việc xóa quan sát hoặc đổi mô hình chỉ vì muốn p-value đạt là rủi ro lớn khi bảo vệ. Mọi điều chỉnh phải có lý do phương pháp và được ghi lại.

Có thể có giả thuyết trung gian và điều tiết trong cùng mô hình không?

Có thể, nếu bạn có cơ sở lý thuyết và cỡ mẫu, thang đo, thiết kế phân tích đáp ứng yêu cầu. Biến trung gian giải thích cơ chế truyền ảnh hưởng, còn biến điều tiết làm thay đổi mức độ hoặc hướng của quan hệ.

Bạn cần phân biệt rõ hai loại này trong sơ đồ, giả thuyết và cách đọc output. Với hiệu ứng gián tiếp, khoảng tin cậy bootstrap không chứa 0 là một tiêu chí có thể tham khảo theo (Preacher và Hayes, 2008).

Bây giờ hãy mở lại file dữ liệu, đối chiếu từng mũi tên trong mô hình với một giả thuyết, một nhóm biến quan sát và một cách kiểm định cụ thể, sau đó dùng M4 phân tích dữ liệu để chạy trên chính file .sav hoặc .csv của bạn.