Kết quả khác với bài báo gốc phải làm sao?
Hiện tượng bạn đang gặp
Bạn mở file SPSS hoặc SmartPLS lên, chạy xong mô hình rồi thấy kết quả khác khá xa bài báo gốc. Cronbach's Alpha thấp hơn, một biến bị loại, hệ số tác động đổi dấu, p-value không còn có ý nghĩa, hoặc R² thấp hơn nhiều so với bảng trong bài báo. Nếu bạn đang ở tình huống này, trước hết hãy giữ lại file output và bản dữ liệu hiện tại. Đừng vội sửa số liệu để đưa kết quả về giống bài báo.
Bài báo gốc cung cấp một kết quả trong một bối cảnh, mẫu nghiên cứu, thời điểm và quy trình xử lý cụ thể. Đề tài của bạn có thể dùng cùng mô hình nhưng khảo sát sinh viên Việt Nam, khách hàng khác, ngành khác hoặc thời điểm khác. Vì vậy, việc kết quả không trùng hoàn toàn là điều có thể xảy ra. Vấn đề cần giải quyết là phân biệt sự khác biệt hợp lý với lỗi nhập liệu, lỗi mã hóa hoặc lỗi chạy mô hình.
Bạn có thể xem thêm các bài trong chuyên mục Nghiên cứu khoa học, đặc biệt nếu bạn vẫn chưa xác định được kết quả nào đang lệch khỏi thiết kế ban đầu.
Nguyên nhân thường gặp
Đừng kiểm tra theo cảm giác. Hãy ghi lại con số của bài báo gốc, con số của bạn, thao tác đã dùng và giả thuyết liên quan. Bảng dưới đây giúp bạn khoanh vùng trước khi chạy lại.
| Dấu hiệu | Nguyên nhân có thể | Cách kiểm tra |
|---|---|---|
| Alpha thấp hơn bài báo | Mã đảo chiều chưa được đổi, biến quan sát khác bối cảnh, dữ liệu trả lời thiếu nhất quán | Xem bảng câu hỏi gốc, kiểm tra Coding và bảng Item-Total Statistics trong SPSS |
| Một biến có outer loading thấp | Tên cột sai, biến bị nhập dạng text, thang đo đã dịch hoặc mẫu khác bài gốc | Mở file .csv, đối chiếu tên indicator và xem Outer Loadings |
| KMO hoặc Bartlett khác | Cỡ mẫu, số biến, cách làm sạch dữ liệu hoặc mẫu khảo sát khác | Kiểm tra Descriptive Statistics, KMO and Bartlett's Test và số quan sát hợp lệ |
| Hệ số hồi quy đổi dấu | Quan hệ giữa các biến trong mẫu mới khác, đa cộng tuyến hoặc mã hóa ngược | Xem Correlations, VIF, Coefficients và cách mã hóa từng biến |
| p-value khác bài báo | Cỡ mẫu, độ phân tán dữ liệu và sai số chuẩn khác | Kiểm tra N, Standard Error, t-value hoặc Sig. |
| R² thấp hơn | Biến giải thích trong bối cảnh mới yếu hơn, mô hình thiếu biến hoặc mẫu không đồng nhất | Xem Model Summary hoặc R Square và đặc điểm mẫu |
| Kết quả SmartPLS không hội tụ | Dữ liệu thiếu, indicator trùng tên, biến hằng số hoặc mô hình vẽ sai hướng | Kiểm tra Data, Construct, indicator và đường dẫn giữa các biến |
Một nguyên nhân thường bị bỏ qua là bài báo gốc đã loại biến trước khi báo cáo mô hình cuối cùng. Nếu bạn nhập toàn bộ biến ban đầu rồi so sánh ngay với bảng kết quả cuối của họ, hai quy trình chưa cùng điểm xuất phát. Hãy đọc phần phương pháp và phụ lục của bài báo, không chỉ đọc bảng kết quả.
Nếu bạn lo người khác nghi ngờ dữ liệu, hãy tách câu hỏi về tính trung thực của dữ liệu khỏi câu hỏi về sự khác biệt kết quả. Bài bị nghi ngờ số liệu không thật phải làm sao sẽ phù hợp hơn khi vấn đề là dữ liệu có dấu hiệu bất thường, chẳng hạn nhiều dòng giống hệt nhau hoặc thời gian trả lời không hợp lý.
Cách xử lý theo thứ tự ưu tiên
Kiểm tra lại dữ liệu gốc và mã hóa
Mở Data View và Variable View trong SPSS. Đối chiếu tên biến, Value Labels, Missing Values, Measure và giá trị nhỏ nhất, lớn nhất của từng biến. Với thang Likert từ 1 đến 5, một cột xuất hiện giá trị 55 hoặc 0 thường là dấu hiệu nhập sai, còn cột chỉ có một giá trị cho mọi dòng có thể là biến chưa được ghi nhận đúng.
Nếu bảng hỏi có biến đảo chiều, bạn phải tạo biến mới hoặc recode theo đúng hướng trước khi chạy Cronbach's Alpha và EFA. Không xóa biến chỉ vì Alpha thấp khi chưa biết biến đó có đang bị đảo mã hay không. Lưu một bản dữ liệu gốc, một bản đã làm sạch và một file syntax hoặc nhật ký thao tác để có thể giải trình từng thay đổi.
Đối chiếu mẫu và số quan sát hợp lệ
So sánh số mẫu của bạn với bài báo gốc, nhưng đừng chỉ nhìn tổng số phiếu thu được. SPSS có thể loại các dòng thiếu dữ liệu khi chạy từng thủ tục, khiến số quan sát ở bảng phân tích khác số mẫu mô tả. Hãy ghi lại N trong Descriptive Statistics, Case Processing Summary, Model Summary hoặc bảng kết quả SmartPLS.
Nếu đề tài dùng hồi quy, quy tắc cỡ mẫu thường được nhắc đến là n từ 50 + 8m trở lên, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013). Đây là căn cứ kiểm tra khả năng chạy mô hình, không phải lời hứa rằng kết quả sẽ giống bài báo. Với phân tích nhân tố, quy tắc 5 đến 10 quan sát cho mỗi biến quan sát được trích dẫn từ (Hair và cộng sự, 2010), nhưng bạn vẫn phải xem xét chất lượng mẫu và số biến thực tế.
Chạy lại độ tin cậy và EFA theo đúng quy trình
Trong SPSS, vào Analyze > Scale > Reliability Analysis. Đưa các biến cùng một khái niệm vào ô Items, chọn Model là Alpha, sau đó vào Statistics và đánh dấu Scale if item deleted, Item và Scale. Đọc cả Cronbach's Alpha và Corrected Item-Total Correlation, không chỉ nhìn một con số Alpha tổng.
Nếu cần chạy EFA, vào Analyze > Dimension Reduction > Factor. Trong Descriptives chọn KMO and Bartlett's test, trong Extraction ghi lại phương pháp và tiêu chí eigenvalue, trong Rotation chọn đúng kiểu xoay đã nêu trong phương pháp. Sau mỗi lần loại biến, lưu output mới và ghi rõ lý do. EFA hiếm khi ra đẹp ở lần chạy đầu. Loại biến, chạy lại và ghi lại từng vòng loại là quy trình cần kiểm soát, không phải cách làm cho số liệu giống bài báo.
Kiểm tra mô hình đo lường và mô hình cấu trúc
Nếu dùng SmartPLS 4, hãy kiểm tra measurement model trước rồi mới diễn giải structural model. Đối với reflective construct, xem Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và Discriminant Validity. Sau đó mới xem Path Coefficients, t-value, p-value, R², f² và Q².
Khi chạy bootstrapping, ghi lại số bootstrap subsamples và các lựa chọn liên quan. Quy trình PLS-SEM thường dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Nếu bài báo dùng thiết lập khác, con số p-value và confidence interval có thể không trùng dù dữ liệu và mô hình có vẻ giống nhau.
Đối chiếu cách diễn giải, không chỉ đối chiếu con số
Một bài báo có thể báo cáo hệ số chuẩn hóa, còn bạn đọc nhầm hệ số chưa chuẩn hóa. Họ cũng có thể dùng mẫu sau khi loại outlier, trong khi bạn dùng toàn bộ mẫu. Với SmartPLS, cần phân biệt Path Coefficients với Total Effects nếu mô hình có mediator. Với SPSS, cần phân biệt Coefficients, Correlations và Model Summary.
Hãy tạo một bảng đối chiếu gồm tên biến, giả thuyết, hệ số, p-value, kết luận trong bài gốc và kết quả của bạn. Mục tiêu là biết quan hệ nào thay đổi, không phải ép mọi ô số phải giống nhau.
số liệu minh họa: đối chiếu output
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ gần với cách SPSS và SmartPLS hiển thị để bạn biết cần tìm ở đâu.
| Chỉ số | Bài báo gốc minh họa | Kết quả của bạn minh họa | Vị trí cần kiểm tra | Cách đọc |
|---|---|---|---|---|
| Cronbach's Alpha | 0.842 | 0.768 | Reliability Statistics | Độ nhất quán nội tại của thang đo |
| Corrected Item-Total Correlation thấp nhất | 0.451 | 0.327 | Item-Total Statistics | Kiểm tra biến có tương quan thấp với tổng thang đo |
| KMO | 0.801 | 0.694 | KMO and Bartlett's Test | Mức độ phù hợp cho EFA |
| Total Variance Explained | 62.4% | 54.8% | Total Variance Explained | Phần phương sai được các nhân tố giải thích |
| Path coefficient X → Y | 0.316 | 0.184 | Path Coefficients hoặc Coefficients | Chiều và mức độ tác động ước lượng |
| p-value của X → Y | 0.002 | 0.118 | Bootstrapping hoặc Coefficients | Căn cứ kết luận giả thuyết theo mức ý nghĩa đã chọn |
| R² của Y | 0.497 | 0.286 | R Square hoặc Model Summary | Mức độ giải thích biến phụ thuộc |
Ở ví dụ này, Alpha 0.768 vẫn có thể được xem xét trong bối cảnh nghiên cứu, nhưng bạn cần báo cáo đầy đủ từng biến và lý do giữ hoặc loại. KMO 0.694 không cần bị sửa để thành 0.801. Với PLS-SEM, R² 0.286 có thể được diễn giải theo bối cảnh và tiêu chí đã chọn, thay vì kết luận mô hình sai chỉ vì thấp hơn bài gốc.
Khi nào phải quay lại thu thêm dữ liệu
Bạn nên cân nhắc thu thêm dữ liệu khi số quan sát hợp lệ thấp hơn thiết kế, một nhóm đối tượng quan trọng gần như không có người trả lời, tỷ lệ thiếu dữ liệu cao hoặc mẫu thực tế lệch nghiêm trọng so với quần thể mục tiêu. Thu thêm dữ liệu có thể cải thiện độ ổn định của ước lượng, nhưng không bảo đảm hệ số sẽ tiến gần bài báo gốc.
Trước khi mở lại bảng hỏi, hãy xác định lỗi nằm ở thiếu số lượng hay sai đối tượng. Nếu bạn khảo sát 300 người nhưng gần như tất cả thuộc một nhóm tuổi trong khi bài báo gốc có mẫu đa dạng, thêm 100 người cùng nhóm chưa chắc giải quyết được vấn đề. Cần xem lại tiêu chí chọn mẫu, kênh phát bảng hỏi và tỷ lệ phản hồi.
Hội đồng thường hỏi cỡ mẫu vì muốn biết kết quả có cơ sở hay không, chứ không yêu cầu bạn phải đạt đúng con số của một bài báo. Bạn có thể tham khảo thêm cách chuẩn bị khi hội đồng hỏi về cỡ mẫu phải làm sao và phân biệt với các lỗi kỹ thuật trong lỗi hội đồng hỏi về cỡ mẫu SPSS.
Cách giải trình với giảng viên hướng dẫn
Hãy trình bày theo bốn phần: bài báo gốc dùng mẫu nào, bạn dùng mẫu nào, quy trình phân tích của hai nghiên cứu khác nhau ở đâu, và kết quả khác biệt ảnh hưởng thế nào đến giả thuyết. Đưa output gốc, output sau khi xử lý và bảng đối chiếu vào cùng một thư mục. Một câu nói chung chung như “do dữ liệu Việt Nam khác” chưa đủ để bảo vệ kết quả.
Cách viết vào luận văn: “Trong nghiên cứu của [TÁC GIẢ, NĂM], mối quan hệ giữa [BIẾN ĐỘC LẬP] và [BIẾN PHỤ THUỘC] có hệ số [HỆ SỐ GỐC] và [CÓ/KHÔNG CÓ] ý nghĩa thống kê. Kết quả của nghiên cứu hiện tại cho thấy hệ số [HỆ SỐ CỦA BẠN], p-value = [P-VALUE], vì vậy giả thuyết [H1] được [CHẤP NHẬN/BÁC BỎ]. Sự khác biệt có thể liên quan đến [BỐI CẢNH, MẪU, THỜI ĐIỂM HOẶC CÁCH ĐO LƯỜNG], và cần được diễn giải trong giới hạn của mẫu nghiên cứu.”
Nếu nói về độ tin cậy và EFA, có thể viết: “Thang đo [TÊN KHÁI NIỆM] trong nghiên cứu này đạt Cronbach's Alpha = [ALPHA] và Corrected Item-Total Correlation của các biến dao động từ [MIN] đến [MAX]. Kết quả khác với [TÁC GIẢ, NĂM] được xem xét cùng với sự khác biệt về bối cảnh và mẫu khảo sát.” Đừng ghi “kết quả được điều chỉnh cho phù hợp với bài báo” nếu bạn đã thay đổi dữ liệu hoặc xóa quan sát mà không có căn cứ.
Cách phòng từ bước thiết kế
Trước khi thu thập dữ liệu, lập một bảng đặc tả cho từng construct: định nghĩa, nguồn thang đo, mã biến, chiều đo, số mức Likert và cách xử lý biến đảo. Ghi rõ bài báo gốc dùng SPSS, AMOS, SmartPLS hay một phần mềm khác. AMOS và CB-SEM có thể báo cáo CFI, TLI, RMSEA, còn SmartPLS thuộc nhóm PLS-SEM, vì vậy không nên lấy một bộ chỉ số fit của CB-SEM để ép vào output PLS.
Bạn cũng nên viết trước tiêu chí xử lý dữ liệu. Chẳng hạn, dòng nào bị loại vì thiếu bao nhiêu phần trăm, cách nhận diện trả lời một kiểu, cách xử lý outlier và biến nào được phép loại sau EFA. Khi tiêu chí được đặt trước, quyết định của bạn dễ giải trình hơn khi kết quả không giống bài báo.
Cuối cùng, hãy lưu ba phiên bản: dữ liệu thô, dữ liệu đã làm sạch và dữ liệu phân tích. Đặt tên output theo vòng chạy, chẳng hạn EFA_v1, EFA_v2, Regression_final. Cách này giúp bạn quay lại kiểm tra thay vì chạy lại nhiều lần rồi quên biến nào đã bị loại.
Lỗi thường gặp khi sửa
Lỗi nghiêm trọng nhất là sửa dữ liệu để p-value đạt mức mong muốn. Việc này làm mất khả năng truy nguyên và có thể khiến bạn không giải thích được khi hội đồng hỏi từng dòng dữ liệu. Bạn cũng không nên xóa hàng loạt biến chỉ vì chúng làm kết quả xấu, hoặc chọn một phiên bản output thuận lợi mà không báo cáo các bước trước đó.
Một lỗi khác là trộn tiêu chí của các phương pháp. Với EFA, KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê thường được dẫn theo (Kaiser, 1974), eigenvalue trên 1 theo (Kaiser, 1960), factor loading từ 0.5 và total variance explained từ 50% theo (Hair và cộng sự, 2010). Đây là các căn cứ để đánh giá, không phải công thức tạo ra kết quả giống bài báo.
| Tiêu chí cần kiểm tra | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | p-value nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | (Kaiser, 1960) |
| Factor loading | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Total variance explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Outer loading trong PLS-SEM | Từ 0.7 trở lên | (Chin, 1998) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF trong PLS-SEM | Dưới 5 | (Hair và cộng sự, 2019) |
| R² trong PLS-SEM | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
Các ngưỡng trên cần được dùng cùng thiết kế nghiên cứu và đặc điểm mẫu. Nếu bạn dùng hồi quy SPSS, hãy báo cáo đúng bảng Coefficients, Model Summary và kiểm tra giả định phù hợp. Nếu dùng SmartPLS, hãy giữ bộ chỉ số PLS-SEM nhất quán và nêu rõ cách bootstrapping.
Đọc thêm: bị nghi ngờ số liệu không thật phải làm sao, hội đồng hỏi về cỡ mẫu phải làm sao, lỗi hội đồng hỏi về cỡ mẫu spss, nghiên cứu khoa học, chủ đề nghien cuu khoa hoc.
Câu hỏi thường gặp
Kết quả khác bài báo gốc có phải là làm sai không?
Chưa thể kết luận như vậy. Kết quả phụ thuộc vào mẫu, bối cảnh, thời điểm, cách dịch thang đo, số quan sát hợp lệ, quy trình làm sạch và phần mềm. Bạn chỉ có thể xác định sai khi tìm thấy lỗi cụ thể như mã đảo chiều chưa xử lý, nhập sai giá trị, chọn sai biến hoặc đọc nhầm cột output.
Có nên sửa số liệu để kết quả giống bài báo không?
Không. Bạn có thể sửa lỗi nhập liệu nếu có bằng chứng từ bảng hỏi hoặc file gốc, nhưng phải giữ lại bản dữ liệu trước khi sửa và ghi nhật ký thao tác. Việc xóa dòng, đổi giá trị hoặc loại biến chỉ để p-value đẹp là không thể giải trình về mặt phương pháp.
Alpha thấp hơn bài báo thì có cần loại biến ngay không?
Không nên loại ngay. Hãy kiểm tra biến đảo chiều, Corrected Item-Total Correlation, nội dung biến quan sát và ý nghĩa lý thuyết. Nếu loại biến, chạy lại thang đo, ghi nhận Alpha trước và sau, đồng thời nêu lý do loại trong luận văn.
Hệ số tác động không có ý nghĩa thống kê thì có được giữ giả thuyết không?
Nếu p-value không đạt mức ý nghĩa bạn đã chọn hoặc khoảng tin cậy bootstrap chứa số 0, bạn cần kết luận giả thuyết không được ủng hộ theo dữ liệu của mình. Không được đổi dấu hoặc đổi mô hình chỉ để giữ giả thuyết. Hãy thảo luận khả năng bối cảnh, mẫu hoặc mối quan hệ thực tế khác với bài báo gốc.
Khi nào nên hỏi giảng viên thay vì tự chạy lại?
Bạn nên hỏi khi không xác định được bài báo dùng phương pháp nào, không biết biến nào đã bị loại, mô hình của bạn có đường dẫn khác thiết kế, hoặc kết quả thay đổi mạnh sau mỗi lần chạy. Khi hỏi, gửi kèm câu hỏi cụ thể, file syntax hoặc nhật ký thao tác và các bảng output liên quan. Giảng viên sẽ dễ kiểm tra hơn một tin nhắn chỉ nói rằng “kết quả của em bị sai”.
Hãy mở lại file dữ liệu, lập bảng đối chiếu giữa bài báo gốc và output của bạn, rồi kiểm tra theo thứ tự mã hóa, mẫu, thang đo, mô hình và cách đọc kết quả. Nếu bạn muốn chạy phân tích trên chính file .sav hoặc .csv và giữ lại quy trình có thể giải trình, xem module M4 phân tích dữ liệu của DoThesis.