Giá trị tiêu dùng là gì? Cách xây dựng mô hình và thang đo

Mô hình giá trị tiêu dùng là gì

Bạn đang mở file dữ liệu và thấy một khái niệm được đặt tên là giá trị tiêu dùng, nhưng chưa biết nó đo điều gì, khác gì với sự hài lòng và nên nối với biến nào trong mô hình. Hiểu ngắn gọn, giá trị tiêu dùng là đánh giá của người tiêu dùng về mức lợi ích nhận được so với chi phí hoặc sự hy sinh bỏ ra khi sử dụng một sản phẩm, dịch vụ hay công nghệ. Chi phí ở đây có thể là tiền, thời gian, công sức, rủi ro cảm nhận và sự bất tiện.

Trong nghiên cứu định lượng, bạn không đo trực tiếp khái niệm trừu tượng này. Bạn dùng nhiều biến quan sát trong bảng hỏi, sau đó kiểm tra chúng có cùng phản ánh một khái niệm hay không. Khái niệm này thường xuất hiện trong các mô hình chấp nhận công nghệ dưới tên price value hoặc được mở rộng thành giá trị cảm nhận của người tiêu dùng. Trong UTAUT2, price value phản ánh sự cân đối giữa lợi ích cảm nhận và chi phí tiền tệ, được trình bày trong bối cảnh chấp nhận công nghệ tiêu dùng (Venkatesh và cộng sự, 2012).

Vì vậy, khi viết đề tài tiếng Việt, bạn cần ghi rõ mình đang nghiên cứu giá trị nào. Giá trị tiêu dùng có thể là đánh giá tổng thể về lợi ích và chi phí, còn giá trị giá cả có thể chỉ tập trung vào việc mức giá có hợp lý so với lợi ích hay không. Hai cách đặt tên này không nên được dùng lẫn nhau trong giả thuyết, bảng hỏi và phần phân tích.

Nếu đề tài của bạn liên quan đến ý định sử dụng, hãy xem thêm mô hình TPB, lý thuyết TPB hoặc bài giải thích hành vi dự định là gì để phân biệt biến tiền đề với biến kết quả.

Các thành phần trong mô hình

Một mô hình có giá trị tiêu dùng thường gồm biến độc lập, biến trung gian hoặc biến kết quả. Bạn không cần đưa tất cả thành phần vào cùng một mô hình. Việc chọn biến phải xuất phát từ câu hỏi nghiên cứu, bối cảnh sản phẩm và nguồn thang đo bạn có thể giải trình.

Bảng trên là khung tư duy, không phải bộ biến quan sát đã được kiểm định cho mọi đề tài. Bạn cần điều chỉnh câu chữ theo sản phẩm và kiểm tra lại bằng Cronbach's Alpha, EFA hoặc mô hình đo lường PLS-SEM. Nếu đưa lợi ích cảm nhận và chi phí cảm nhận vào cùng mô hình với giá trị tiêu dùng, hãy kiểm tra khả năng trùng lắp nội dung giữa các thang đo.

Điểm cần chú ý là giá trị tiêu dùng thường có tính đánh giá tổng hợp. Người trả lời có thể chấp nhận mức giá cao nếu lợi ích rõ ràng, nhưng cũng có thể đánh giá thấp một dịch vụ rẻ nếu tốn quá nhiều thời gian hoặc khó sử dụng. Vì vậy, câu hỏi chỉ hỏi “giá có rẻ không” sẽ chưa phản ánh đầy đủ khái niệm.

Mô hình gốc và các mở rộng phổ biến

Trong bối cảnh nghiên cứu công nghệ tiêu dùng, UTAUT2 mở rộng UTAUT bằng cách bổ sung các yếu tố phù hợp với người tiêu dùng, trong đó có price value, hedonic motivation và habit (Venkatesh và cộng sự, 2012). Nếu đề tài của bạn nghiên cứu ví điện tử, ứng dụng mua sắm, nền tảng học trực tuyến hoặc dịch vụ số, đây là hướng tham khảo có thể giải thích được về mặt lý thuyết.

Bạn cũng có thể đặt giá trị tiêu dùng trong mô hình hành vi dự định. Chẳng hạn, giá trị tiêu dùng ảnh hưởng đến thái độ, thái độ ảnh hưởng đến ý định sử dụng, hoặc giá trị tiêu dùng ảnh hưởng trực tiếp đến ý định. Trong trường hợp này, cần đọc kỹ định nghĩa từng biến để tránh mô hình có nhiều khái niệm cùng hỏi về “đáng tiền”, “hữu ích” và “phù hợp”.

Một mở rộng phổ biến là tách giá trị tổng thể thành các khía cạnh cụ thể. Với dịch vụ số, bạn có thể xem xét giá trị chức năng, giá trị cảm xúc và giá trị xã hội. Tuy nhiên, việc tách thành phần chỉ hợp lý khi mô hình lý thuyết và thang đo gốc hỗ trợ cách cấu trúc đó. Nếu tự tách chỉ vì bảng hỏi có nhiều câu, bạn sẽ khó giải trình khi hội đồng hỏi vì sao các thành phần ấy tồn tại.

Thang mục Mô hình nghiên cứu có thể giúp bạn đặt khái niệm này vào đúng vị trí trong mô hình tổng thể. Nếu đề tài tập trung vào động lực nội tại và sự tự chủ, mô hình tự quyết có thể phù hợp hơn một mô hình chỉ dựa vào giá trị kinh tế.

Thang đo thường dùng cho từng khái niệm

Không có một bộ câu hỏi duy nhất đúng cho mọi đề tài về giá trị tiêu dùng. Bạn cần xác định bối cảnh, đối tượng trả lời, sản phẩm và cách định nghĩa biến trước khi dịch hoặc viết lại biến quan sát. Trong UTAUT2, price value thường được đặt cạnh các yếu tố ảnh hưởng đến ý định và hành vi sử dụng công nghệ tiêu dùng (Venkatesh và cộng sự, 2012).

Khi xây dựng bảng hỏi, bạn có thể dùng thang Likert 5 hoặc 7 mức, nhưng phải ghi rõ các cực trả lời. Ví dụ, từ 1 là “hoàn toàn không đồng ý” đến 5 là “hoàn toàn đồng ý”. Các biến quan sát nên nói về cùng một đối tượng và cùng một khoảng thời gian. Tránh một câu vừa hỏi về giá, chất lượng, tốc độ và sự tiện lợi, vì người trả lời sẽ không biết họ đang đánh giá phần nào.

Nếu dịch thang đo từ tiếng Anh, hãy giữ bản gốc, bản dịch dự kiến và phiên bản sau khi điều chỉnh trong hồ sơ nghiên cứu. Bản dịch tiếng Việt ở bài tham khảo chỉ là điểm bắt đầu, không phải bằng chứng rằng thang đo đã có giá trị trong bối cảnh của bạn.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu “Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng ví điện tử của sinh viên tại Thành phố Hồ Chí Minh”. Bạn có thể đặt giá trị tiêu dùng là biến độc lập, ý định tiếp tục sử dụng là biến phụ thuộc, cùng với cảm nhận dễ sử dụng và thói quen. Mô hình này chỉ là ví dụ minh họa, không phải kết luận cho dữ liệu của bạn.

Một mô hình gọn có thể được viết như sau:

• H1: Giá trị tiêu dùng ảnh hưởng tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H2: Cảm nhận dễ sử dụng ảnh hưởng tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H3: Thói quen ảnh hưởng tích cực đến ý định tiếp tục sử dụng ví điện tử.
• H4: Giá trị tiêu dùng và cảm nhận dễ sử dụng có mối liên hệ đáng kể với ý định tiếp tục sử dụng ví điện tử.

H1 là giả thuyết định hướng. H4 chỉ nên dùng khi bạn muốn phát biểu về mối liên hệ tổng quát, còn khi chạy hồi quy hoặc PLS-SEM, từng đường dẫn cụ thể cần được xác định trước. Đừng thêm H4 chỉ để mô hình có đủ bốn giả thuyết, vì nội dung có thể trùng với H1 và H2.

Bạn cần lập bảng ánh xạ giữa giả thuyết, biến và biến quan sát. Ví dụ, GTTD1 đến GTTD4 đo giá trị tiêu dùng, còn YD1 đến YD3 đo ý định. Trong file .sav hoặc .csv, tên biến nên ngắn, không dấu và nhất quán với bảng mã. Bảng hỏi vẫn dùng câu đầy đủ bằng tiếng Việt, còn file dữ liệu dùng mã để tránh lỗi khi nhập phần mềm.

Cách viết vào luận văn: “Dựa trên [mô hình hoặc lý thuyết được chọn], nghiên cứu đề xuất giá trị tiêu dùng có ảnh hưởng [cùng chiều/ngược chiều] đến [tên biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu]. Giả thuyết H1 được phát biểu như sau: Giá trị tiêu dùng ảnh hưởng [tích cực/tiêu cực] đến [tên biến phụ thuộc].”

Khi kết quả chưa đạt, bạn không sửa giả thuyết để khớp với p-value. Hãy báo cáo giả thuyết được ủng hộ hay không được ủng hộ dựa trên hệ số, p-value hoặc khoảng tin cậy của mô hình đã chọn.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn dùng các biến tổng hợp để chạy hồi quy tuyến tính, kiểm định trung gian bằng PROCESS hoặc phân tích độ tin cậy và EFA. Quy trình thường đi từ làm sạch dữ liệu, chạy Cronbach's Alpha, chạy EFA, tính điểm đại diện cho từng nhân tố rồi chạy hồi quy. Khi chạy EFA, bạn có thể kiểm tra KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê theo (Kaiser, 1974), eigenvalue lớn hơn 1 theo (Kaiser, 1960), factor loading từ 0.5 trở lên theo (Hair và cộng sự, 2010).

SmartPLS phù hợp khi mô hình của bạn có biến tiềm ẩn, nhiều biến quan sát, đường dẫn trực tiếp hoặc trung gian. Bạn đánh giá measurement model trước, sau đó đánh giá structural model theo cách tiếp cận hai giai đoạn (Anderson và Gerbing, 1988). Với PLS-SEM, outer loading từ 0.7 trở lên có thể được tham khảo theo (Chin, 1998), CR từ 0.7 và AVE từ 0.5 theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc 0.90 theo (Henseler và cộng sự, 2015), VIF dưới 5 theo (Hair và cộng sự, 2019).

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm output thường gặp trong SmartPLS 4 để bạn biết cần đọc số nào.

Trong SmartPLS 4, bạn tạo project, nhập file .csv, vẽ construct và kéo các indicator vào đúng construct. Sau đó chạy PLS-SEM Algorithm để đọc Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Collinearity Statistics. Tiếp theo chạy Bootstrapping, có thể đặt 5.000 bootstrap subsamples theo khuyến nghị trong (Hair và cộng sự, 2022), rồi đọc Path Coefficients, T Statistics và P Values.

Nếu dùng SPSS, output sẽ khác. Bạn mở Analyze > Scale > Reliability Analysis, đưa các biến GTTD1 đến GTTD4 vào ô Items, chọn Statistics, đánh dấu Scale if item deleted, rồi đọc Reliability Statistics và Item-Total Statistics. Sau đó vào Analyze > Dimension Reduction > Factor, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Cuối cùng, vào Analyze > Regression > Linear để đọc bảng Model Summary, ANOVA và Coefficients.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng giá trị tiêu dùng, giá trị cảm nhận, price value và sự hài lòng như các tên gọi thay thế cho nhau. Bạn cần chốt một định nghĩa làm việc ngay trong chương 2, sau đó dùng đúng một tên xuyên suốt bảng giả thuyết, bảng thang đo và chương kết quả.

Lỗi thứ hai là sao chép các biến quan sát từ nhiều nguồn rồi gộp thành một thang đo mà không kiểm tra nội dung. Một câu hỏi về giá cả, một câu về lợi ích và một câu về ý định mua lại có thể không cùng đo một construct. Cronbach's Alpha cao cũng không tự động chứng minh giá trị phân biệt.

Lỗi thứ ba là loại biến chỉ vì nó làm Alpha tăng. Bạn cần xem nội dung câu hỏi, corrected item-total correlation, factor loading và lý do lý thuyết. Corrected Item-Total Correlation từ 0.3 trở lên thường được tham khảo theo (Nunnally và Bernstein, 1994), nhưng quyết định cuối cùng phải dựa trên cả nội dung và cấu trúc mô hình.

Lỗi thứ tư là đưa CFI, TLI hoặc RMSEA vào báo cáo SmartPLS. Các chỉ số này thuộc nhóm đánh giá fit của CB-SEM, với ngưỡng thường được trình bày theo (Hu và Bentler, 1999). Trong SmartPLS, bạn nên tập trung vào measurement model, path coefficients, R², f², Q², HTMT và VIF theo đúng logic PLS-SEM.

Nếu mô hình không đạt, hãy kiểm tra dữ liệu thiếu, biến đảo chiều, mã hóa sai, các dòng trả lời một kiểu, outlier và tên cột trước khi xóa biến. Việc chạy lại nhiều lần mà không lưu từng phiên bản khiến bạn không thể giải trình vì sao một biến biến mất khỏi mô hình.

Câu hỏi thường gặp

Giá trị tiêu dùng có giống sự hài lòng không

Hai khái niệm có liên quan nhưng khác thời điểm đánh giá. Giá trị tiêu dùng thường tập trung vào sự cân đối giữa lợi ích và chi phí, có thể được hình thành trước hoặc trong quá trình sử dụng. Sự hài lòng thường phản ánh đánh giá sau trải nghiệm cụ thể.

Bạn có thể đưa cả hai vào mô hình nếu định nghĩa, biến quan sát và giả thuyết tách biệt. Nếu hai bộ câu hỏi đều hỏi “dịch vụ có đáng tiền và đáp ứng mong đợi không”, mô hình có nguy cơ trùng lắp.

Giá trị tiêu dùng nên là biến độc lập hay biến trung gian

Vai trò của biến phụ thuộc vào câu hỏi nghiên cứu và mô hình lý thuyết. Trong một mô hình chấp nhận công nghệ, giá trị tiêu dùng có thể là biến độc lập giải thích ý định sử dụng. Trong mô hình khác, nó có thể trung gian giữa chất lượng cảm nhận và ý định.

Bạn cần viết đường dẫn cụ thể trước khi chạy dữ liệu. Phần mềm không quyết định vai trò lý thuyết của biến thay cho bạn.

Có thể dùng bốn biến quan sát cho giá trị tiêu dùng không

Có thể, nếu bốn biến quan sát được xây dựng từ định nghĩa rõ ràng và phù hợp bối cảnh. Số lượng biến không tự quyết định thang đo tốt hay xấu. Bạn vẫn phải kiểm tra độ tin cậy, giá trị hội tụ và giá trị phân biệt.

Nếu thang đo mới được phát triển cho đề tài của bạn, hãy trình bày quy trình dịch, điều chỉnh, khảo sát thử và lý do giữ hoặc loại từng biến. Đừng khẳng định thang đo đạt chỉ vì có nhiều biến quan sát.

Nên chạy SPSS hay SmartPLS cho mô hình giá trị tiêu dùng

SPSS phù hợp khi bạn muốn chạy EFA và hồi quy trên các biến tổng hợp. SmartPLS phù hợp khi bạn muốn giữ mô hình biến tiềm ẩn, đánh giá đồng thời measurement model và structural model, hoặc kiểm tra các đường dẫn trung gian.

Nếu giảng viên yêu cầu AMOS hoặc CB-SEM, bạn cần theo tiêu chí của chương trình và mô hình. Mỗi phần mềm có cách đánh giá và cách báo cáo khác nhau, nên không nên trộn bảng output của SPSS, AMOS và SmartPLS trong cùng một quy trình mà không giải thích.

Nếu giá trị tiêu dùng không có ý nghĩa thống kê thì phải làm sao

Bạn báo cáo hệ số, p-value hoặc khoảng tin cậy theo output và kết luận giả thuyết được ủng hộ hay không được ủng hộ. Không đổi dữ liệu, không xóa giả thuyết sau khi thấy kết quả và không thêm biến chỉ để tìm một p-value nhỏ.

Sau đó kiểm tra lại định nghĩa, chất lượng thang đo, cỡ mẫu, bối cảnh khảo sát và khả năng đa cộng tuyến. Một kết quả không có ý nghĩa vẫn là kết quả cần được giải thích bằng giới hạn của nghiên cứu.

Bạn hãy mở lại codebook và file dữ liệu, chốt định nghĩa giá trị tiêu dùng, đối chiếu từng biến quan sát với nguồn thang đo, rồi chạy kiểm tra measurement model trước khi viết chương kết quả. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích dữ liệu của DoThesis là module phù hợp cho bước này.