Kết quả trái với giả thuyết thì làm gì để xử lý đúng

Hiện tượng bạn đang gặp

Bạn mở bảng Coefficients trong SPSS hoặc Path Coefficients trong SmartPLS và thấy hệ số đi ngược với giả thuyết. Chẳng hạn, H1 dự đoán X tác động dương đến Y, nhưng hệ số lại âm. Cũng có trường hợp dấu của hệ số đúng như dự đoán nhưng p-value lớn hơn 0.05, nên mối quan hệ chưa có ý nghĩa thống kê.

Đây là lúc nhiều bạn nghĩ ngay đến việc xóa biến, đổi giả thuyết hoặc chạy lại cho đến khi có kết quả đẹp. Cách đó tạo ra rủi ro lớn khi bị hỏi ở buổi bảo vệ. Kết quả trái với giả thuyết là một kết quả nghiên cứu cần được kiểm tra và báo cáo trung thực, không phải một lỗi bắt buộc phải sửa bằng phần mềm.

Trước hết, hãy ghi lại đúng ba thông tin: dấu của hệ số, độ lớn của hệ số và p-value hoặc khoảng tin cậy. Nếu bạn đang rà lại toàn bộ logic đề tài, có thể xem thêm nhóm chủ đề Nghiên cứu khoa học để đối chiếu mô hình, biến và phương pháp trước khi chỉnh sửa.

Nguyên nhân thường gặp

Một kết quả trái với giả thuyết có thể xuất phát từ dữ liệu, cách đo lường, mô hình hoặc chính giả định lý thuyết. Bạn cần phân biệt giữa quan hệ trái dấu và quan hệ không có ý nghĩa thống kê. Hai tình huống này dẫn đến cách giải thích khác nhau.

Nếu bạn chưa chắc mô hình có phù hợp với PLS-SEM hay không, hãy đọc bài bị hỏi vì sao chọn PLS-SEM thì làm gì. Việc chọn công cụ không nên được quyết định chỉ vì một kết quả trái với giả thuyết.

Cách xử lý theo thứ tự ưu tiên

1. Khóa lại file dữ liệu và kết quả ban đầu

Lưu một bản sao .sav hoặc .csv, file output và bảng ghi các lần chạy. Đừng sửa trực tiếp dữ liệu gốc rồi chạy lại mà không có dấu vết. Bạn cần biết kết quả trái giả thuyết xuất hiện ở vòng nào, sau khi loại biến hay sau khi thêm biến nào.

Nếu dùng SPSS, đặt tên rõ cho các file như EFA_v1, Regression_full và Regression_remove_X3. Nếu dùng SmartPLS, lưu từng phiên bản model hoặc ghi lại indicator đã xóa. Việc này giúp bạn trả lời được câu hỏi: kết quả hiện tại có phải kết quả của mô hình đã đăng ký trong chương 3 hay không.

2. Kiểm tra mã hóa và cách tính biến

Xem lại bảng mã Likert. Một biến quan sát mang ý nghĩa phủ định có thể cần reverse coding trước khi tính điểm trung bình. Nếu item có thang điểm từ 1 đến 5, giá trị sau khi đảo thường được tính theo công thức 6 - giá trị ban đầu. Tuy nhiên, chỉ đảo khi nội dung item và thiết kế bảng hỏi thực sự yêu cầu, không đảo vì hệ số đang có dấu không như mong muốn.

Kiểm tra cả lỗi nhập liệu, cột bị dịch khi xuất Excel, giá trị trống và những dòng bị nhập ngoài phạm vi thang đo. Nếu một biến độc lập được tính theo hướng điểm cao nghĩa là chất lượng thấp, dấu âm có thể hoàn toàn hợp lý về mặt nội dung.

3. Kiểm tra thang đo trước khi nhìn vào giả thuyết

Với SPSS, xem Reliability Statistics, Item-Total Statistics, KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix nếu bạn đã chạy Cronbach's Alpha và EFA. Corrected Item-Total Correlation từ 0.3 trở lên thường được dùng làm mốc tham khảo (Nunnally và Bernstein, 1994). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên có thể được tham khảo theo (Hair và cộng sự, 2010).

Với SmartPLS, kiểm tra Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và Discriminant Validity. Outer loading từ 0.7 trở lên là mốc thường được sử dụng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các ngưỡng được trình bày trong (Fornell và Larcker, 1981). Nếu thang đo không đạt, hệ số đường dẫn phía sau có thể không còn dễ diễn giải.

4. Kiểm tra mô hình và biến kiểm soát

Nếu bạn chạy hồi quy, mở bảng Model Summary, ANOVA và Coefficients. Đọc Unstandardized B, Standardized Beta, t, Sig. và VIF. Nếu bạn chạy SmartPLS, xem Path Coefficients, Standard Deviation, T Statistics và P Values sau Bootstrapping.

VIF dưới 5 là mốc có thể dùng để xem xét đa cộng tuyến trong PLS-SEM (Hair và cộng sự, 2019). Khi các biến độc lập tương quan mạnh, dấu của một hệ số có thể thay đổi sau khi các biến khác được đưa vào cùng mô hình. Đây là lý do bạn không nên chỉ nhìn vào ma trận tương quan đơn giản rồi kết luận giả thuyết chắc chắn đúng.

5. Kiểm tra bootstrap và khoảng tin cậy

Trong SmartPLS, chạy Bootstrapping với 5.000 bootstrap subsamples theo hướng dẫn được nêu trong (Hair và cộng sự, 2022). Quan sát dấu của Original Sample, T Statistics, P Values và khoảng tin cậy. Với tác động gián tiếp, khoảng tin cậy bootstrap không chứa 0 là điều kiện thường được dùng để kết luận tác động có ý nghĩa (Preacher và Hayes, 2008).

Nếu dấu hệ số âm nhưng khoảng tin cậy không chứa 0, dữ liệu đang ủng hộ một tác động ngược chiều có ý nghĩa. Nếu khoảng tin cậy chứa 0, bạn chưa có đủ bằng chứng để kết luận tác động khác 0, dù hệ số mẫu có thể mang dấu dương hoặc âm.

6. Đối chiếu lại giả thuyết, không viết lại dữ liệu

Đọc nguyên văn giả thuyết trong chương 2 và chương 3. H1 có thể chỉ nói rằng X tác động đến Y, hoặc có thể dự đoán rõ tác động dương. Nếu giả thuyết có hướng, hệ số âm có ý nghĩa thống kê thường được báo cáo là không được ủng hộ. Nếu giả thuyết không định hướng, việc đánh giá sẽ dựa thêm vào ý nghĩa thống kê và lập luận lý thuyết.

Bạn có thể tham khảo bài giảng viên yêu cầu đổi mô hình thì làm gì nếu mô hình hiện tại khác đáng kể so với mô hình ban đầu. Tuy vậy, thay mô hình sau khi nhìn thấy kết quả cần được giải trình rõ, không nên làm chỉ để biến các giả thuyết thành có ý nghĩa.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể biến một quan hệ yếu thành quan hệ có ý nghĩa. Thu thêm dữ liệu chỉ hợp lý khi bạn có lý do phương pháp, chẳng hạn số quan sát thực tế thấp hơn thiết kế, mẫu bị thiếu một nhóm quan trọng, hoặc có lỗi trong quy trình thu thập khiến dữ liệu không đại diện cho đối tượng đã xác định.

Nếu giả thuyết không được ủng hộ nhưng dữ liệu đạt chất lượng, bạn không cần thu thêm chỉ vì muốn đổi p-value. Cỡ mẫu cần được xem xét cùng số biến độc lập, mô hình và mục tiêu phân tích. Với hồi quy, mốc tham khảo n từ 50 + 8m trở lên được nêu trong (Tabachnick và Fidell, 2013), nhưng đây không phải giấy phép để thu thêm tùy ý sau khi xem kết quả.

Hãy lập một bảng kiểm tra trước khi quyết định:

Nếu vấn đề nằm ở cách biện minh cỡ mẫu, hãy xem hội đồng hỏi về cỡ mẫu phải làm sao và lỗi hội đồng hỏi về cỡ mẫu SPSS. Hai câu hỏi này thường xuất hiện cùng với câu hỏi vì sao giả thuyết không được ủng hộ.

Cách giải trình với giảng viên hướng dẫn

Khi gửi kết quả, đừng nhắn rằng “em chạy không ra” hoặc “kết quả bị sai”. Hãy gửi tên giả thuyết, hệ số, p-value, các kiểm tra đã thực hiện và câu hỏi cụ thể bạn cần xác nhận. Giảng viên sẽ dễ đánh giá hơn khi thấy bạn đã tách lỗi dữ liệu khỏi kết quả không ủng hộ giả thuyết.

Cách viết vào luận văn: “Kết quả phân tích cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có hệ số [dương/âm] bằng [β], với p-value bằng [giá trị]. Do [khoảng tin cậy có chứa/không chứa] 0, giả thuyết H[ ] được [ủng hộ/không được ủng hộ]. Kết quả này [phù hợp/khác] với [nghiên cứu hoặc lập luận lý thuyết] và có thể được giải thích bởi [bối cảnh, đặc điểm mẫu hoặc cách đo lường].”

Bạn có thể đặt đoạn này sau bảng kiểm định giả thuyết. Trước đó, hãy trình bày bảng kết quả gốc để người đọc thấy kết luận được suy ra từ số liệu nào.

Số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột mô phỏng bảng Path Coefficients sau khi chạy Bootstrapping trong SmartPLS.

Không được lấy các số trong bảng này đưa vào luận văn. Khi viết bảng thật, bạn chép đúng số từ output của mình, ghi rõ phương pháp bootstrap và quy tắc quyết định đã đăng ký trong phương pháp nghiên cứu.

Cách phòng từ bước thiết kế

Ngay khi xây dựng mô hình, ghi rõ biến nào được kỳ vọng tác động dương, biến nào có thể tác động âm và lý do. Hãy phân biệt khái niệm với cách đo. Một thang đo dịch chưa sát nghĩa có thể khiến người trả lời hiểu ngược item, dù tên biến vẫn giống bài báo gốc.

Trước khi thu chính thức, kiểm tra bảng hỏi trên một nhóm nhỏ phù hợp với kế hoạch nghiên cứu định lượng của bạn. Rà lại hướng điểm, nhãn giá trị, mã thiếu và điều kiện sàng lọc. Khi nhập dữ liệu, giữ một file dữ liệu thô và một file đã làm sạch.

Bạn cũng nên viết trước bảng quyết định cho từng giả thuyết: hệ số cùng hướng và có ý nghĩa, cùng hướng nhưng không có ý nghĩa, ngược hướng và có ý nghĩa, hoặc ngược hướng nhưng không có ý nghĩa. Cách chuẩn bị này giúp bạn không đổi tiêu chí sau khi nhìn thấy kết quả.

Lỗi thường gặp khi sửa

Lỗi phổ biến nhất là xóa biến quan sát chỉ vì nó làm giả thuyết không đạt. Việc loại biến chỉ có thể được cân nhắc khi có lý do về độ tin cậy, giá trị đo lường, nội dung hoặc lỗi dữ liệu, đồng thời cần ghi lại các vòng phân tích.

Lỗi thứ hai là đổi dấu câu hỏi hoặc đổi cách tính biến sau khi chạy mô hình. Nếu thay đổi là cần thiết về mặt mã hóa, hãy thực hiện theo bảng hỏi gốc và giải thích. Nếu chỉ đổi để hệ số đẹp hơn, kết quả sẽ khó bảo vệ.

Lỗi thứ ba là viết “giả thuyết bị sai” mà không nêu mức ý nghĩa, hệ số và bối cảnh. Một giả thuyết không được ủng hộ trong mẫu nghiên cứu không chứng minh rằng lý thuyết luôn sai. Kết luận của bạn nên giới hạn trong đối tượng, thời gian và mô hình đã nghiên cứu.

Lỗi cuối là trích dẫn bài báo gốc như một mệnh lệnh buộc dữ liệu phải lặp lại. Kết quả khác với bài báo gốc có thể đến từ mẫu, quốc gia, ngành, thời điểm, cách dịch thang đo hoặc biến kiểm soát. Hãy báo cáo sự khác biệt đó thay vì che đi.

Câu hỏi thường gặp

Kết quả trái với giả thuyết phải làm sao trước tiên?

Bạn hãy sao lưu dữ liệu và output, sau đó kiểm tra mã hóa, biến reverse coded, thang đo, outlier, đa cộng tuyến và thông số mô hình. Đừng sửa giả thuyết hoặc xóa biến ngay ở bước đầu.

Kết quả trái với giả thuyết có làm luận văn thất bại không?

Không. Luận văn được đánh giá ở câu hỏi nghiên cứu, thiết kế, chất lượng dữ liệu, phương pháp phân tích và cách giải thích. Một giả thuyết không được ủng hộ vẫn là một kết quả cần báo cáo nếu quy trình được thực hiện hợp lệ.

Kết quả khác với bài báo gốc phải làm sao?

Đối chiếu bối cảnh, đối tượng khảo sát, cách đo lường, cỡ mẫu, biến kiểm soát và công cụ phân tích. Sau đó nêu rõ điểm khác trong phần thảo luận. Bài báo gốc là cơ sở hình thành giả thuyết, không phải kết quả bắt buộc phải được sao chép.

Có nên chạy lại đến khi giả thuyết được chấp nhận không?

Bạn có thể chạy lại khi phát hiện lỗi dữ liệu hoặc lỗi cài đặt mô hình. Bạn không nên chạy nhiều phiên bản rồi chỉ chọn phiên bản có p-value đẹp mà không báo cáo quá trình. Cách làm đó tạo ra thiên lệch báo cáo và dễ bị hỏi khi hội đồng yêu cầu đối chiếu file dữ liệu.

Có nên thu thêm mẫu khi p-value lớn hơn 0.05 không?

Chỉ thu thêm khi có căn cứ về thiết kế mẫu, độ bao phủ đối tượng hoặc lỗi thu thập. p-value lớn hơn 0.05 tự nó chưa chứng minh rằng bạn phải thu thêm dữ liệu. Hãy trao đổi với giảng viên dựa trên cỡ mẫu mục tiêu và kế hoạch nghiên cứu đã nêu trong chương phương pháp.

Bạn hãy mở lại file dữ liệu, tạo một bản sao, ghi riêng hệ số và p-value của giả thuyết đang trái dự đoán, rồi kiểm tra theo đúng thứ tự trong bài trước khi sửa bất kỳ biến nào; nếu cần chạy phân tích trên chính file .sav hoặc .csv và rà lại toàn bộ kết quả, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.