Giả thuyết là gì? Cách xây dựng và viết giả thuyết nghiên cứu
Giả thuyết nghiên cứu là gì
Giả thuyết nghiên cứu là một nhận định có thể kiểm định bằng dữ liệu về mối quan hệ giữa hai hoặc nhiều biến. Trong luận văn định lượng, giả thuyết thường dự đoán một biến độc lập có tác động đến biến phụ thuộc, hoặc một biến trung gian, biến điều tiết sẽ thay đổi mối quan hệ đó như thế nào.
Ví dụ, câu “Chất lượng dịch vụ ảnh hưởng đến sự hài lòng của khách hàng” mới mô tả một quan hệ nghiên cứu. Khi viết thành giả thuyết, bạn cần nêu rõ hướng tác động: “H1: Chất lượng dịch vụ tác động tích cực đến sự hài lòng của khách hàng”. Sau đó, mối quan hệ này sẽ được kiểm định bằng dữ liệu bảng hỏi và một mô hình phù hợp.
Bạn nên phân biệt giả thuyết với câu hỏi nghiên cứu. Câu hỏi đặt ra điều cần tìm hiểu, còn giả thuyết là câu trả lời dự kiến để dữ liệu xác nhận hoặc bác bỏ. Nếu đang lẫn giữa “giả thiết” và “giả thuyết”, bạn có thể xem bài Giả thiết hay giả thuyết. Phần này thường khiến sinh viên dùng sai thuật ngữ ngay từ chương 1.
Một giả thuyết định lượng tốt thường có bốn thành phần: tên biến tác động, tên biến nhận tác động, hướng quan hệ và bối cảnh nghiên cứu. Chẳng hạn, “Sự hữu ích cảm nhận tác động tích cực đến ý định sử dụng ứng dụng ngân hàng số của sinh viên tại Thành phố Hồ Chí Minh”.
Các thành phần trong mô hình giả thuyết
Trước khi viết H1, H2 hoặc H3, bạn cần nhìn được các biến trong mô hình nghiên cứu. Một mô hình không chỉ là hình các mũi tên. Mỗi khái niệm phải có vai trò, định nghĩa và cách đo lường phù hợp.
| Thành phần | Ý nghĩa khi xây dựng giả thuyết | Ví dụ |
|---|---|---|
| Biến độc lập | Yếu tố được dự đoán là nguyên nhân hoặc yếu tố tác động | Chất lượng dịch vụ |
| Biến phụ thuộc | Kết quả cần giải thích hoặc dự báo | Sự hài lòng |
| Biến trung gian | Giải thích cơ chế tác động từ biến độc lập đến biến phụ thuộc | Giá trị cảm nhận |
| Biến điều tiết | Làm thay đổi mức độ hoặc hướng của một mối quan hệ | Kinh nghiệm sử dụng |
| Biến kiểm soát | Được đưa vào để giảm ảnh hưởng của yếu tố nền | Tuổi, giới tính, thu nhập |
Biến độc lập thường nằm ở phía trái của sơ đồ và có mũi tên hướng đến biến phụ thuộc. Một biến có thể là biến độc lập trong giả thuyết này nhưng lại là biến phụ thuộc trong quan hệ khác. Ví dụ, “giá trị cảm nhận” có thể chịu tác động của “chất lượng dịch vụ”, sau đó tác động đến “ý định mua lại”.
Biến trung gian trả lời câu hỏi “tác động xảy ra thông qua cơ chế nào”. Nếu chất lượng dịch vụ làm tăng sự hài lòng, rồi sự hài lòng làm tăng ý định quay lại, sự hài lòng có thể được đề xuất là mediator. Logic phân biệt mediator và moderator được trình bày trong nghiên cứu của (Baron và Kenny, 1986), còn kiểm định indirect effect bằng bootstrapping có thể tham khảo (Preacher và Hayes, 2008).
Bạn nên xem Mô hình nghiên cứu là gì trước khi vẽ sơ đồ. Nếu chưa xác định được biến nào là nguyên nhân, kết quả hoặc cơ chế trung gian, việc đặt tên H1 đến H4 sẽ chỉ là sắp xếp câu chữ, chưa phải xây dựng mô hình.
Mô hình gốc và các mở rộng phổ biến
Giả thuyết phải xuất phát từ lý thuyết, mô hình gốc hoặc kết quả nghiên cứu trước đó có liên quan đến đề tài. Bạn không cần bê nguyên một mô hình có sẵn. Việc cần làm là xác định mô hình nào giải thích được hành vi hoặc kết quả bạn đang nghiên cứu, sau đó điều chỉnh biến cho đúng bối cảnh.
Ví dụ, đề tài về chấp nhận công nghệ có thể bắt đầu từ TAM. Trong TAM, perceived usefulness và perceived ease of use được dùng để giải thích acceptance hoặc behavioral intention. Nền tảng ban đầu của mô hình này thường được dẫn từ Davis (1989). Nếu đề tài nghiên cứu hành vi sử dụng một công nghệ trong bối cảnh rộng hơn, bạn có thể xem TPB của (Ajzen, 1991), UTAUT của (Venkatesh và cộng sự, 2003), hoặc UTAUT2 của (Venkatesh và cộng sự, 2012).
Mô hình gốc giúp bạn trả lời ba câu hỏi. Thứ nhất, vì sao biến này có thể tác động đến biến kia. Thứ hai, quan hệ đó đã được giải thích bằng lý thuyết nào. Thứ ba, thang đo nào có thể được điều chỉnh cho bảng hỏi của bạn. Mỗi biến đưa thêm vào cần có lý do, không nên thêm chỉ vì sơ đồ có quá ít mũi tên.
Một mở rộng hợp lý thường xảy ra theo ba cách. Bạn thêm biến mới để phản ánh bối cảnh Việt Nam, thêm biến trung gian để giải thích cơ chế, hoặc thêm biến điều tiết để kiểm tra sự khác biệt giữa các nhóm. Chẳng hạn, mô hình TAM có thể mở rộng bằng niềm tin, rủi ro cảm nhận hoặc ảnh hưởng xã hội nếu các biến này phù hợp với câu hỏi nghiên cứu.
Khi tham khảo Lý thuyết là gì, bạn cần ghi lại tác giả, năm công bố, biến chính và quan hệ được đề xuất. Không nên viết “theo nhiều nghiên cứu trước đây” rồi bỏ trống nguồn. Hội đồng có thể hỏi ngay nghiên cứu nào, trong bối cảnh nào và bạn kế thừa phần nào.
Thang đo thường dùng cho từng khái niệm
Giả thuyết cho biết các biến có quan hệ ra sao, còn thang đo cho biết bạn đo các biến đó bằng những biến quan sát nào. Hai phần này phải khớp nhau. Nếu giả thuyết nói về chất lượng dịch vụ nhưng bảng hỏi chỉ đo giá cả, bạn sẽ không thể bảo vệ được mối quan hệ đã đề xuất.
| Khái niệm | Nguồn thang đo hoặc mô hình tham khảo | Cách dùng trong đề tài |
|---|---|---|
| Chất lượng dịch vụ | SERVQUAL của (Parasuraman và cộng sự, 1988) | Điều chỉnh các thành phần theo loại dịch vụ cụ thể |
| Sự hữu ích cảm nhận | TAM của (Davis, 1989) | Đo mức người dùng cảm nhận công nghệ giúp họ đạt mục tiêu |
| Ý định hành vi | UTAUT của (Venkatesh và cộng sự, 2003) | Điều chỉnh theo hành vi sử dụng hoặc tiếp tục sử dụng |
| Ý định mua | Có thể xây dựng từ lý thuyết hành vi của (Ajzen, 1991) | Kiểm tra ý định trong bối cảnh sản phẩm hoặc dịch vụ |
| Thái độ | Thang đo gắn với TPB của (Ajzen, 1991) | Đo đánh giá tích cực hoặc tiêu cực đối với hành vi |
Các nguồn trên là điểm bắt đầu, không phải bản dịch cuối cùng cho bảng hỏi. Bạn cần đọc định nghĩa gốc, xem số lượng biến quan sát, bối cảnh mẫu và cách tác giả đo khái niệm. Sau đó, dịch và điều chỉnh từ ngữ để người trả lời Việt Nam hiểu đúng.
Nếu một biến có nhiều nguồn thang đo, hãy lập bảng đối chiếu gồm mã biến, nội dung gốc, bản dịch dự kiến và lý do giữ hoặc bỏ. Đừng đổi tên biến quan sát chỉ để làm cho Cronbach's Alpha đẹp hơn. Việc loại biến cần dựa trên cả ý nghĩa nội dung và kết quả kiểm định.
Trong nghiên cứu định lượng, thang đo thường được kiểm tra theo trình tự: Cronbach's Alpha, EFA nếu mô hình dùng SPSS, sau đó là hồi quy hoặc mô hình cấu trúc. Với PLS-SEM, bạn sẽ xem outer loading, CR, AVE và HTMT. Các tiêu chí này thuộc bước đánh giá thang đo, còn giả thuyết thuộc bước kiểm định quan hệ giữa các biến.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu “ý định tiếp tục sử dụng ứng dụng học trực tuyến của sinh viên”. Sau khi đọc tài liệu, bạn chọn bốn biến độc lập là sự hữu ích cảm nhận, sự dễ sử dụng cảm nhận, chất lượng nội dung và ảnh hưởng xã hội. Biến phụ thuộc là ý định tiếp tục sử dụng.
Mô hình khái niệm có thể viết bằng văn bản như sau: sự hữu ích cảm nhận, sự dễ sử dụng cảm nhận, chất lượng nội dung và ảnh hưởng xã hội cùng tác động đến ý định tiếp tục sử dụng. Nếu muốn kiểm tra cơ chế, sự hài lòng có thể được đặt giữa các biến độc lập và ý định tiếp tục sử dụng, nhưng khi đó bảng hỏi, mô hình và phần phân tích sẽ dài hơn.
Các giả thuyết minh họa:
- H1: Sự hữu ích cảm nhận tác động tích cực đến ý định tiếp tục sử dụng ứng dụng học trực tuyến.
- H2: Sự dễ sử dụng cảm nhận tác động tích cực đến ý định tiếp tục sử dụng ứng dụng học trực tuyến.
- H3: Chất lượng nội dung tác động tích cực đến ý định tiếp tục sử dụng ứng dụng học trực tuyến.
- H4: Ảnh hưởng xã hội tác động tích cực đến ý định tiếp tục sử dụng ứng dụng học trực tuyến.
Đây là số liệu minh họa, không phải kết quả của một nghiên cứu có thật:
| Giả thuyết | Path coefficient | t-value | p-value | Kết luận minh họa |
|---|---|---|---|---|
| H1 | 0.284 | 3.912 | 0.000 | Chấp nhận H1 |
| H2 | 0.117 | 1.846 | 0.065 | Chưa có bằng chứng chấp nhận H2 |
| H3 | 0.356 | 4.728 | 0.000 | Chấp nhận H3 |
| H4 | 0.201 | 2.679 | 0.008 | Chấp nhận H4 |
Bảng này cho thấy cách nối giả thuyết với output, chứ không dự đoán số liệu của bạn. Khi chạy dữ liệu thật, bạn phải dùng đúng hệ số, t-value, p-value hoặc khoảng tin cậy bootstrap từ file của mình. Một giả thuyết bị bác bỏ vẫn là kết quả có giá trị, miễn là bạn giải thích đúng và không sửa số liệu để giữ giả thuyết.
Cách viết vào luận văn
Bạn có thể điều chỉnh câu sau cho đề tài của mình: “Dựa trên [tên lý thuyết] và các nghiên cứu trước, nghiên cứu đề xuất H1: [biến độc lập] tác động [tích cực/tiêu cực] đến [biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu].” Ở phần kết quả, viết: “Kết quả kiểm định cho thấy [biến độc lập] có tác động [cùng chiều/ngược chiều] đến [biến phụ thuộc] với hệ số [β = ...] và p-value [= ...], vì vậy H[ ] được [chấp nhận/không được ủng hộ].”
Tránh viết “H1 đúng” chỉ vì hệ số có dấu dương. Bạn cần xem ý nghĩa thống kê, độ lớn hệ số và hướng tác động có phù hợp với giả thuyết hay không. Nếu dùng PLS-SEM, có thể báo cáo thêm khoảng tin cậy bootstrap và R² của biến phụ thuộc.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi mô hình của bạn dùng hồi quy tuyến tính, kiểm định t-test, ANOVA hoặc PROCESS. Bạn nhập dữ liệu từ bảng hỏi vào file .sav, kiểm tra dữ liệu thiếu, mã hóa biến đảo chiều, tính điểm đại diện cho thang đo rồi chạy phân tích. Với hồi quy, đường dẫn thường là Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, các biến độc lập vào ô Independent(s), sau đó xem bảng Coefficients.
Trong bảng Coefficients, hệ số B hoặc Beta cho biết hướng và mức thay đổi của quan hệ, còn Sig. là p-value theo cách SPSS hiển thị. Nếu giả thuyết dự đoán tác động dương, hệ số phải có dấu dương. Nếu p-value không đạt mức bạn đã quy định trong phương pháp, bạn không nên kết luận giả thuyết được ủng hộ chỉ vì hệ số có dấu đúng.
SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều biến quan sát, quan hệ trung gian hoặc điều tiết, và bạn chọn PLS-SEM. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo các biến quan sát vào construct, vẽ mũi tên giữa các construct rồi chạy PLS-SEM Algorithm. Tiếp theo dùng Calculate > Bootstrapping để kiểm tra ý nghĩa của path coefficient. Quy trình đánh giá measurement model trước structural model phù hợp với cách tiếp cận hai bước được nêu trong (Anderson và Gerbing, 1988).
Với SmartPLS, bạn đọc các bảng Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R-Square, f-Square và Collinearity Statistics. Các tiêu chí thường dùng gồm outer loading từ 0.7, CR từ 0.7, AVE từ 0.5, HTMT dưới 0.85 hoặc 0.90 tùy mức độ gần nhau của khái niệm, và VIF dưới 5. Các ngưỡng này lần lượt được dẫn từ (Chin, 1998), (Fornell và Larcker, 1981), (Henseler và cộng sự, 2015) và (Hair và cộng sự, 2019).
Khi chạy bootstrapping, số subsamples thường được đặt ở mức 5.000 theo khuyến nghị của (Hair và cộng sự, 2022). R² cho biết mức độ giải thích của các biến trong mô hình đối với biến phụ thuộc, còn f² cho biết đóng góp của từng biến độc lập. R² không phải là tỷ lệ giả thuyết được chấp nhận, vì vậy không dùng R² để kết luận riêng cho H1, H2 hoặc H3.
Lỗi thường gặp khi xây dựng giả thuyết
Lỗi đầu tiên là viết giả thuyết không có hướng. Câu “Chất lượng dịch vụ có mối quan hệ với sự hài lòng” chưa cho biết quan hệ cùng chiều hay ngược chiều. Nếu tài liệu chưa đủ cơ sở để dự đoán hướng, bạn cần giải thích rõ lý do và chọn cách kiểm định phù hợp, thay vì tự thêm chữ “tích cực”.
Lỗi thứ hai là đặt giả thuyết trước rồi mới tìm lý thuyết để hợp thức hóa. Trình tự chắc chắn hơn là xác định vấn đề, đọc mô hình liên quan, chọn khái niệm, định nghĩa quan hệ, rồi viết giả thuyết. Một sơ đồ có mười giả thuyết nhưng không có nền tảng lý thuyết sẽ khó bảo vệ hơn một mô hình ngắn và có lập luận rõ.
Lỗi thứ ba là trộn cấp độ phân tích. Ví dụ, biến độc lập đo nhận thức cá nhân nhưng biến phụ thuộc lại là doanh thu của cả doanh nghiệp. Hai biến có thể liên quan về mặt ý tưởng, nhưng dữ liệu cá nhân không đủ để kết luận về kết quả cấp tổ chức.
Lỗi thứ tư là nhầm giả thuyết với mục tiêu nghiên cứu. “Đo lường mức độ hài lòng của khách hàng” là mục tiêu. “Sự hài lòng tác động tích cực đến ý định mua lại” mới là một giả thuyết có thể kiểm định.
Lỗi cuối là đổi mô hình sau khi xem p-value. Nếu H2 không được ủng hộ, bạn ghi nhận kết quả đó và thảo luận. Việc xóa H2, đổi hướng mũi tên hoặc loại biến chỉ vì output không đẹp sẽ làm mất tính minh bạch của nghiên cứu.
Câu hỏi thường gặp
Giả thuyết là gì trong nghiên cứu khoa học?
Đó là nhận định có thể kiểm định bằng dữ liệu về quan hệ giữa các biến. Trong luận văn định lượng, giả thuyết thường mô tả hướng tác động giữa biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết.
Một đề tài nên có bao nhiêu giả thuyết?
Không có một con số cố định cho mọi đề tài. Số giả thuyết phụ thuộc vào số quan hệ cần kiểm định và phạm vi mô hình. Bạn nên ưu tiên các quan hệ có cơ sở lý thuyết và dữ liệu đo được, thay vì thêm nhiều giả thuyết để làm mô hình trông phức tạp.
Giả thuyết H1, H2, H3 viết như thế nào?
Mỗi giả thuyết nên có tên biến tác động, tên biến nhận tác động và hướng quan hệ. Mẫu cơ bản là: “H1: [Biến X] tác động tích cực hoặc tiêu cực đến [biến Y] trong bối cảnh [đối tượng nghiên cứu].”
Giả thuyết không được ủng hộ thì phải làm sao?
Bạn giữ nguyên kết quả, báo cáo hệ số và p-value, sau đó thảo luận các khả năng như bối cảnh, mẫu nghiên cứu, cách đo lường hoặc đặc điểm đối tượng. Không nên sửa dữ liệu hoặc xóa giả thuyết chỉ để tất cả các mối quan hệ đều có ý nghĩa thống kê.
Có thể xây dựng giả thuyết chỉ bằng SPSS không?
SPSS dùng để xử lý dữ liệu và kiểm định quan hệ, nhưng không tự tạo cơ sở lý thuyết cho giả thuyết. Bạn cần xây dựng mô hình từ câu hỏi nghiên cứu và tài liệu trước, sau đó dùng SPSS để chạy hồi quy hoặc các kiểm định phù hợp. SmartPLS là lựa chọn khác khi mô hình có biến tiềm ẩn và nhiều quan hệ cấu trúc.
Mở file đề cương và dữ liệu của bạn, lập một bảng gồm biến độc lập, biến phụ thuộc, nguồn lý thuyết, hướng tác động và mã H1 đến H4 trước khi chạy kiểm định. Nếu cần chạy mô hình trên chính file .sav hoặc .csv và chuyển output thành kết quả luận văn, bạn có thể xem module M4 phân tích dữ liệu.