Giảng viên yêu cầu đổi mô hình thì làm gì?

Bạn mở file đề cương ra và thấy giảng viên ghi: “Đổi mô hình”, “bỏ biến này”, hoặc “mô hình chưa có cơ sở”. Phản ứng đầu tiên thường là hoảng vì bảng hỏi có thể đã phát, dữ liệu có thể đã thu xong, còn ngày nộp thì đang đến gần.

Giảng viên yêu cầu đổi mô hình thì làm gì? Trước hết, bạn cần phân biệt giữa việc chỉnh lại mô hình trên giấy và việc thay đổi mô hình đã dùng để thu dữ liệu. Hai việc này có chi phí rất khác nhau. Nếu chỉ đổi cách trình bày quan hệ giữa các biến, bạn có thể xử lý trong đề cương, giả thuyết và phần phương pháp. Nếu thêm một biến chưa có trong bảng hỏi, dữ liệu hiện tại có thể không đủ để kiểm định.

Bài viết này tập trung vào cách xử lý định lượng với bảng hỏi, file .sav hoặc .csv, SPSS và SmartPLS. Bạn nên mở mô hình nghiên cứu, danh sách biến quan sát và bảng dữ liệu của mình cùng lúc để đối chiếu từng bước.

Hiện tượng bạn đang gặp

Có bốn kiểu góp ý thường bị gọi chung là “đổi mô hình”. Kiểu thứ nhất, giảng viên cho rằng hướng mũi tên chưa hợp lý, chẳng hạn biến “chất lượng dịch vụ” đang được đặt làm biến trung gian nhưng theo lập luận của bạn nó phải là biến độc lập. Kiểu thứ hai, giảng viên yêu cầu bỏ một biến vì biến đó không phù hợp với bối cảnh hoặc không được giải thích trong tổng quan tài liệu.

Kiểu thứ ba là yêu cầu bổ sung biến, biến trung gian hoặc biến điều tiết. Đây là trường hợp cần kiểm tra dữ liệu kỹ nhất. Nếu bảng hỏi chưa có các biến quan sát cho khái niệm mới, bạn không thể tạo ra dữ liệu hợp lệ chỉ bằng cách đổi tên một cột trong SPSS.

Kiểu thứ tư xảy ra sau khi bạn đã chạy thử mô hình. Kết quả có thể có VIF cao, outer loading thấp, HTMT không đạt, hoặc đường dẫn không có ý nghĩa thống kê. Kết quả trái với giả thuyết không tự động có nghĩa mô hình phải đổi. Bạn có thể xem thêm hướng xử lý tại bài kết quả trái với giả thuyết thì làm gì.

Hãy ghi nguyên văn góp ý của giảng viên, thời điểm góp ý và phần nào bị yêu cầu sửa. Một câu “mô hình chưa ổn” cần được chuyển thành câu hỏi cụ thể: cần bỏ biến nào, thêm quan hệ nào, đổi vai trò biến nào, hay cần bổ sung cơ sở lý thuyết.

Nguyên nhân thường gặp

Bạn không nên sửa ngay trên hình vẽ trước khi biết nguyên nhân. Bảng dưới đây giúp bạn nối dấu hiệu với việc cần kiểm tra. Đây là bảng chẩn đoán quy trình, không phải bằng chứng rằng mô hình của bạn chắc chắn sai.

VIF dưới 5 là ngưỡng thường được báo cáo theo (Hair và cộng sự, 2019). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất trong (Henseler và cộng sự, 2015). Những mốc này giúp bạn kiểm tra output, nhưng không tự quyết định việc bỏ hay thêm biến.

Việc giảng viên hỏi vì sao chọn PLS-SEM cũng chưa đồng nghĩa bạn phải đổi toàn bộ mô hình. Bạn cần chuẩn bị phần giải thích riêng về mục tiêu nghiên cứu, cấu trúc mô hình và loại dữ liệu. Nếu gặp đúng tình huống này, hãy xem bị hỏi vì sao chọn PLS-SEM thì làm gì.

Cách xử lý theo thứ tự ưu tiên

Bước 1: Chốt nội dung cần đổi bằng văn bản

Sau buổi gặp, bạn gửi lại một tin nhắn hoặc email ngắn để xác nhận: “Em hiểu góp ý là bỏ quan hệ A đến B và bổ sung quan hệ C đến D, đúng không ạ?”. Việc này giúp tránh tình trạng bạn hiểu “bỏ biến A” trong khi giảng viên chỉ muốn bỏ một mũi tên.

Tạo một bảng thay đổi gồm bốn cột: nội dung cũ, góp ý, phương án mới và ảnh hưởng đến dữ liệu. Đừng chỉ lưu ảnh mô hình mới. Khi phải giải trình, bạn cần cho thấy quyết định được thay đổi ở đâu và vì sao.

Bước 2: Đối chiếu mô hình với bảng hỏi và dữ liệu

Mở bảng câu hỏi, codebook và file dữ liệu. Với mỗi biến trong mô hình, đánh dấu biến có đủ các item hay không, số lượng quan sát hợp lệ là bao nhiêu, và item đó đã được hỏi đúng bối cảnh chưa.

Nếu mô hình mới chỉ thay đổi mũi tên giữa những biến đã có, dữ liệu có khả năng vẫn dùng được. Nếu mô hình thêm biến mới, dữ liệu cũ không thể tự cung cấp thông tin cho biến đó. Bạn có thể phải sửa bảng hỏi và thu bổ sung, hoặc trao đổi để giữ mô hình cũ có lập luận tốt hơn.

Bước 3: Viết lại lập luận và giả thuyết trước khi chạy lại

Mỗi mũi tên cần có một đoạn giải thích: biến độc lập là gì, biến phụ thuộc là gì, quan hệ được kỳ vọng theo hướng nào, và vì sao bối cảnh nghiên cứu của bạn phù hợp. Nếu có mediator hoặc moderator, bạn phải nói rõ vai trò của nó thay vì chỉ đặt vào sơ đồ.

Cách tiếp cận hai bước, đánh giá measurement model trước rồi structural model, phù hợp với thực hành SEM được trình bày trong (Anderson và Gerbing, 1988). Vì vậy, bạn không nên chạy lại hàng loạt mô hình chỉ để tìm một kết quả có p-value đẹp.

Bước 4: Kiểm tra lại thang đo

Nếu chỉ đổi mô hình, chưa chắc bạn phải đổi toàn bộ thang đo. Tuy nhiên, khi bỏ một khái niệm hoặc chuyển vai trò của khái niệm, bạn cần kiểm tra phần định nghĩa, nguồn thang đo và cách diễn giải trong chương 3.

Với SmartPLS, kiểm tra Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và HTMT theo thứ tự hợp lý. Outer loading từ 0.7 trở lên là một mốc thường được sử dụng trong PLS-SEM theo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được trình bày trong (Fornell và Larcker, 1981). Các mốc này hỗ trợ quyết định, nhưng không thay thế việc đọc nội dung biến quan sát.

Bảng dưới đây là các mốc tham khảo khi mô hình mới vẫn dùng PLS-SEM. Mỗi dòng cần được đọc cùng định nghĩa khái niệm và thiết kế thang đo.

Bước 5: Chạy lại theo một phiên bản được ghi nhận

Lưu file thành phiên bản mới, chẳng hạn du_lieu_mo_hinh_v2.sav, thay vì ghi đè file gốc. Ghi lại biến nào bị loại, lý do loại, mô hình nào được chạy và kết quả chính. Với SPSS, lưu cả file Output. Với SmartPLS, lưu project và xuất các bảng kết quả cần dùng.

Nếu bạn dùng SmartPLS 4, hãy chạy Calculate > PLS-SEM Algorithm để kiểm tra measurement model và structural model, sau đó dùng Calculate > Bootstrapping khi cần kiểm định ý nghĩa đường dẫn. Khi báo cáo bootstrapping, số subsamples 5.000 là quy trình được nêu trong (Hair và cộng sự, 2022).

Khi nào phải quay lại thu thêm dữ liệu

Bạn cần trao đổi về việc thu thêm dữ liệu khi mô hình mới có biến mà bảng hỏi cũ chưa đo, khi item bị sửa đáng kể sau khi đã thu, hoặc khi giảng viên yêu cầu một nhóm đối tượng mà mẫu hiện tại không có. Thu thêm dữ liệu không có nghĩa là ghép bất kỳ câu trả lời nào vào file. Hai đợt dữ liệu phải dùng cùng nội dung bảng hỏi, cách mã hóa và tiêu chí sàng lọc, trừ khi bạn ghi rõ điểm khác biệt.

Nếu chỉ có một vài câu trả lời thiếu, hãy xử lý theo quy tắc dữ liệu đã xác định trước. Nếu thiếu cả một khái niệm, phần mềm không thể khắc phục giới hạn thiết kế đó. Bạn cũng cần tính lại cỡ mẫu cần thiết theo mô hình mới. Với hồi quy, quy tắc n từ 50 + 8m trở lên, trong đó m là số biến dự báo, được nêu trong (Tabachnick và Fidell, 2013). Với số item, mốc 5 đến 10 quan sát cho một biến quan sát được trích dẫn từ (Hair và cộng sự, 2010).

Đừng tự ý nhân bản dòng dữ liệu, tạo giá trị ngẫu nhiên hoặc đổi tên một item cũ thành biến mới. Những cách này có thể làm bảng output trông đầy đủ nhưng không tạo ra phép đo hợp lệ. Nếu không thể thu thêm, hãy trình bày giới hạn và hỏi giảng viên có chấp nhận giữ mô hình phù hợp với dữ liệu hiện có hay không.

Cách giải trình với giảng viên hướng dẫn

Bạn nên mang đến buổi trao đổi ba thứ: mô hình cũ và mới, bảng đối chiếu biến, cùng một đoạn giải thích ngắn cho từng thay đổi. Đừng chỉ đưa hình vẽ vì hình không cho thấy biến nào có dữ liệu và biến nào được đo bằng item nào.

Bạn có thể viết theo mẫu sau và thay phần trong ngoặc vuông:

Cách viết vào luận văn: “Dựa trên góp ý về [vấn đề cụ thể] và đối chiếu với [cơ sở lý thuyết hoặc nghiên cứu trước], nghiên cứu điều chỉnh mô hình bằng cách [bỏ/bổ sung/thay đổi quan hệ] giữa [biến A] và [biến B]. Việc điều chỉnh được thực hiện trước khi kiểm định mô hình, đồng thời các biến quan sát và tiêu chí phân tích được rà soát để bảo đảm phù hợp với mô hình mới.”

Nếu đã thu dữ liệu trước khi đổi, cần viết rõ thời điểm. Chẳng hạn: “Sau khi xem xét ý kiến phản biện, mô hình được điều chỉnh ở cấp độ giả thuyết. Các biến quan sát dùng để đo [khái niệm] vẫn được giữ nguyên vì đã xuất hiện trong bảng hỏi ban đầu.” Chỉ dùng câu này khi đúng với dữ liệu thực tế của bạn.

Cách phòng từ bước thiết kế

Trước khi phát bảng hỏi, hãy lập ma trận gồm: khái niệm, vai trò trong mô hình, mã biến, nguồn thang đo, giả thuyết liên quan và câu hỏi tương ứng. Ma trận này giúp bạn phát hiện một biến có trong sơ đồ nhưng không có item, hoặc một item chưa rõ đang đo khái niệm nào.

Bạn cũng nên gửi giảng viên bản mô hình kèm danh sách giả thuyết, không chỉ gửi ảnh sơ đồ. Với mỗi giả thuyết, viết một đoạn từ ba đến năm câu, trong đó nêu hướng quan hệ và lý do áp dụng vào bối cảnh nghiên cứu. Nếu đề tài có nguy cơ trùng với công trình khác, hãy xử lý sớm theo hướng dẫn tại đề tài bị trùng thì làm gì.

Cỡ mẫu cũng nên được chốt theo mô hình dự kiến, không chờ đến lúc output có vấn đề mới hỏi. Nếu đang bị chất vấn về con số mẫu, bạn có thể đối chiếu hội đồng hỏi về cỡ mẫu phải làm sao và lỗi hội đồng hỏi về cỡ mẫu SPSS.

Bạn có thể xem thêm các hướng dẫn thuộc nhóm Nghiên cứu khoa học khi cần rà lại đề tài, phương pháp và quy trình phân tích trước khi gửi bản sửa.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là đổi mô hình chỉ vì một p-value lớn hơn 0.05. Một quan hệ không được ủng hộ là kết quả cần báo cáo, không phải lý do đủ để thử nhiều sơ đồ cho đến khi có ý nghĩa.

Lỗi thứ hai là xóa biến quan sát mà không xem nội dung item. Khi xóa item, bạn phải xem ảnh hưởng đến độ tin cậy, giá trị hội tụ, giá trị phân biệt và ý nghĩa khái niệm. Với SPSS, có thể xem Corrected Item-Total Correlation trong Item-Total Statistics. Mốc 0.3 thường được dẫn theo (Nunnally và Bernstein, 1994), nhưng quyết định cuối cùng vẫn cần kết hợp lý thuyết.

Lỗi thứ ba là trộn tiêu chí giữa SPSS, SmartPLS và AMOS. CFI, TLI, RMSEA là nhóm chỉ số fit của CB-SEM, không nên đưa vào bài giải thích kết quả SmartPLS. Nếu bạn đang dùng PLS-SEM, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient phù hợp với mô hình.

Lỗi thứ tư là không báo cho giảng viên rằng dữ liệu đã thu xong. Tình trạng dữ liệu quyết định bạn có thể đổi gì. Một mô hình đẹp trên giấy nhưng không thể đo bằng bảng hỏi hiện tại sẽ tạo thêm rủi ro ở phần bảo vệ.

Câu hỏi thường gặp

Giảng viên yêu cầu đổi mô hình nhưng tôi đã thu xong dữ liệu thì làm sao?

Bạn hãy phân loại thay đổi trước. Nếu chỉ đổi mũi tên giữa những biến đã có đủ item, bạn có thể cập nhật giả thuyết và chạy lại mô hình. Nếu thêm khái niệm chưa có trong bảng hỏi, hãy báo ngay rằng dữ liệu hiện tại chưa đo biến đó và hỏi phương án giữ mô hình, thu bổ sung hoặc điều chỉnh phạm vi nghiên cứu.

Có nên đổi mô hình vì một giả thuyết không có ý nghĩa không?

Chưa nên. Trước tiên kiểm tra chất lượng thang đo, VIF, dữ liệu thiếu, outlier và cách mã hóa biến. Nếu mô hình đã được xây dựng có cơ sở, kết quả không có ý nghĩa vẫn có thể được báo cáo như một phát hiện không ủng hộ giả thuyết.

Tôi có được tự thêm biến bằng cách tính trung bình các cột cũ không?

Bạn chỉ được tính điểm cho một khái niệm khi các cột đó thực sự là các biến quan sát của cùng khái niệm theo thiết kế bảng hỏi. Gộp những item khác khái niệm để tạo biến mới là thay đổi phép đo, không phải xử lý dữ liệu thông thường.

Đổi mô hình có phải thu lại toàn bộ bảng hỏi không?

Không phải lúc nào cũng vậy. Nếu nội dung bảng hỏi, đối tượng khảo sát và các khái niệm chính không đổi, có thể bạn chỉ cần cập nhật mô hình và phân tích. Nếu có item mới, thay đổi cách hỏi hoặc thay đổi tiêu chí chọn mẫu, bạn cần trao đổi về việc thu bổ sung hoặc thu lại.

Tôi nên dùng SPSS hay SmartPLS khi mô hình bị đổi?

SPSS phù hợp với các phân tích như Cronbach's Alpha, EFA, hồi quy và kiểm định giả định. SmartPLS phù hợp khi bạn xây dựng mô hình PLS-SEM với biến tiềm ẩn và cần đánh giá đồng thời measurement model cùng structural model. Công cụ không quyết định thay cho lập luận mô hình, dữ liệu và yêu cầu của giảng viên.

Trước mắt, bạn hãy lưu một bản sao dữ liệu, lập bảng “mô hình cũ, góp ý, mô hình mới, ảnh hưởng đến dữ liệu”, rồi gửi giảng viên xác nhận trước khi chạy lại. Nếu cần kiểm tra dữ liệu thật và cập nhật các phân tích theo mô hình đã chốt, bạn có thể dùng module M4 phân tích của DoThesis.