Kỳ vọng Vroom là gì? Mô hình và cách áp dụng vào luận văn

Mô hình kỳ vọng Vroom là gì

Kỳ vọng Vroom là cách giải thích động lực của một người thông qua mối liên hệ giữa nỗ lực, kết quả thực hiện và phần thưởng nhận được. Trong luận văn định lượng, bạn có thể dùng mô hình này để lý giải vì sao nhân viên sẵn sàng bỏ công sức cho một nhiệm vụ, vì sao họ tin rằng nỗ lực sẽ tạo ra kết quả, và vì sao kết quả đó có giá trị với họ.

Vroom công bố lý thuyết kỳ vọng trong công trình năm 1964. Mô hình thường được trình bày qua ba khái niệm: Expectancy, Instrumentality và Valence. Công thức khái quát thường được viết là:

Motivation = Expectancy × Instrumentality × Valence

Cách viết này cho thấy động lực bị ảnh hưởng bởi cả ba thành phần. Nếu một thành phần gần bằng 0, động lực tổng thể có thể rất thấp dù hai thành phần còn lại được đánh giá cao. Chẳng hạn, nhân viên có thể rất muốn nhận thưởng nhưng không tin rằng cố gắng thêm sẽ cải thiện kết quả. Khi đó, phần thưởng hấp dẫn vẫn chưa đủ để tạo động lực.

Mô hình này phù hợp với các đề tài về động lực làm việc, hiệu suất, ý định gắn bó, hành vi học tập, chấp nhận công nghệ hoặc nỗ lực hoàn thành nhiệm vụ. Bạn có thể xem thêm nhóm chủ đề Mô hình nghiên cứu để đặt mô hình Vroom cạnh các khung lý thuyết khác.

Cần phân biệt mô hình Vroom với các mô hình mô tả nhu cầu. Tháp nhu cầu Maslow tập trung vào các nhóm nhu cầu của con người, còn Vroom tập trung vào quá trình nhận thức trước khi một người quyết định nỗ lực. Hai hướng tiếp cận có thể xuất hiện trong cùng phần cơ sở lý thuyết, nhưng không nên trộn các thành phần của chúng thành một thang đo duy nhất.

Các thành phần trong mô hình

Ba thành phần dưới đây nên được đo riêng trong bảng hỏi. Khi nhập dữ liệu vào SPSS hoặc SmartPLS, mỗi thành phần là một biến tiềm ẩn, được đo bằng nhiều biến quan sát.

Expectancy trả lời câu hỏi: “Nếu tôi cố gắng, tôi có thực hiện tốt hơn không?”. Thành phần này liên quan đến năng lực cảm nhận, nguồn lực, hướng dẫn và mức độ kiểm soát của người trả lời. Một nhân viên có thể muốn làm tốt nhưng đánh giá Expectancy thấp nếu thiếu công cụ, thời gian hoặc kỹ năng.

Instrumentality trả lời câu hỏi: “Nếu tôi thực hiện tốt, tôi có nhận được kết quả tiếp theo không?”. Người lao động có thể tin rằng mình làm tốt nhưng vẫn không nỗ lực nếu họ cho rằng tổ chức phân bổ thưởng thiếu minh bạch, kết quả đánh giá không được sử dụng, hoặc thành tích không liên quan đến cơ hội phát triển.

Valence trả lời câu hỏi: “Kết quả hoặc phần thưởng đó có đáng để tôi theo đuổi không?”. Một phần thưởng có giá trị với người này chưa chắc có giá trị với người khác. Vì vậy, bảng hỏi nên hỏi trực tiếp mức độ hấp dẫn hoặc ý nghĩa của kết quả, thay vì mặc định rằng tiền thưởng là động lực chính.

Bạn cũng nên giữ ranh giới giữa Vroom và các khái niệm kết quả. Ví dụ, cam kết tổ chức có thể là biến phụ thuộc hoặc biến trung gian trong một mô hình mở rộng, nhưng không phải là một trong ba thành phần gốc của Vroom.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc của Vroom mô tả động lực như một quá trình nhận thức có tính liên kết. Người trả lời đánh giá khả năng nỗ lực tạo ra kết quả, khả năng kết quả dẫn đến phần thưởng, rồi đánh giá giá trị của phần thưởng. Khi chuyển mô hình này thành nghiên cứu khảo sát, bạn cần xác định rõ mình đang đo Motivation tổng hợp hay kiểm định tác động riêng của từng thành phần.

Có hai hướng sử dụng phổ biến trong luận văn. Hướng thứ nhất đo Expectancy, Instrumentality và Valence như ba biến độc lập để giải thích Motivation, hiệu suất hoặc ý định hành vi. Hướng thứ hai xem ba thành phần như các mắt xích tạo nên động lực, sau đó dùng Motivation làm biến trung gian dẫn đến kết quả cuối cùng.

Bạn không nên tự động khẳng định rằng ba thành phần có cùng trọng số hoặc tác động giống nhau. Công thức nhân của lý thuyết có ý nghĩa khái niệm, còn mô hình hồi quy hoặc PLS-SEM của bạn cần được xác định dựa trên câu hỏi nghiên cứu, thang đo và lập luận lý thuyết.

Một mở rộng thường gặp là thêm các yếu tố bối cảnh như hỗ trợ của tổ chức, khả năng tiếp cận nguồn lực, công bằng phần thưởng hoặc đặc điểm công việc. Những yếu tố này có thể tác động đến Expectancy và Instrumentality. Chẳng hạn, chính sách đánh giá minh bạch có thể làm tăng niềm tin rằng hiệu suất tốt sẽ được ghi nhận.

Bạn có thể đặt Vroom cạnh mô hình Maslow khi phần tổng quan cần so sánh các lý thuyết động lực. Tuy nhiên, bảng so sánh phải chỉ ra mỗi mô hình trả lời câu hỏi nào. Maslow giúp phân loại nhu cầu, còn Vroom giúp phân tích chuỗi nhận thức dẫn đến quyết định nỗ lực.

Trong các đề tài về công việc, một biến bối cảnh khác có thể là cân bằng công việc cuộc sống hoặc căng thẳng công việc. Hai biến này không thuộc Vroom, nhưng có thể được đưa vào mô hình mở rộng nếu bạn giải thích được cơ chế và có thang đo phù hợp.

Thang đo thường dùng cho từng khái niệm

Không nên lấy một câu hỏi duy nhất cho mỗi thành phần chỉ vì mô hình có ba khái niệm. Với nghiên cứu định lượng, mỗi biến tiềm ẩn thường cần một nhóm biến quan sát để phản ánh các khía cạnh của khái niệm. Nguồn thang đo cụ thể phải được bạn tìm, kiểm tra bối cảnh và trích dẫn trong chương 3. Bảng dưới đây là khung tham khảo để thiết kế, không phải bộ câu hỏi đã được xác nhận cho mọi ngành.

Vì citation allowlist không có tài liệu gốc của Vroom, bạn không nên tự ghi năm hoặc tên tài liệu vào luận văn nếu chưa kiểm tra nguồn thư viện. Trong bài blog này, phần bảng chỉ cho bạn biết cấu trúc khái niệm cần tìm, không biến một nguồn chưa xác minh thành tài liệu tham khảo.

Khi soạn bảng hỏi tiếng Việt, mỗi biến quan sát nên có một ý chính. Tránh câu như “Tôi cố gắng và làm việc hiệu quả và được thưởng xứng đáng”, vì người trả lời không biết họ đang đánh giá nỗ lực, hiệu suất hay phần thưởng. Bạn cũng nên dùng cùng một thang Likert trong toàn bộ nhóm biến, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Thang Likert được giới thiệu trong (Likert, 1932).

Sau khảo sát thử, bạn kiểm tra độ tin cậy của từng nhóm biến bằng Cronbach's Alpha. Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên là một tiêu chí thường dùng (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng bạn phải giải thích bối cảnh thay vì loại biến máy móc.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là “Các yếu tố ảnh hưởng đến động lực làm việc của nhân viên tại doanh nghiệp dịch vụ”. Bạn có thể xây dựng mô hình gồm ba biến độc lập là Expectancy, Instrumentality và Valence, biến phụ thuộc là Motivation. Đây là ví dụ minh họa để bạn hình dung cách chuyển lý thuyết thành mô hình, không phải kết quả của một nghiên cứu thật.

Mô hình khái niệm có thể viết như sau:

Expectancy, Instrumentality, Valence → Motivation

Từ mô hình đó, bạn cần viết giả thuyết thành câu có chủ thể, chiều tác động và biến kết quả:

• H1: Expectancy có tác động tích cực đến Motivation của nhân viên.
• H2: Instrumentality có tác động tích cực đến Motivation của nhân viên.
• H3: Valence có tác động tích cực đến Motivation của nhân viên.
• H4: Motivation có tác động tích cực đến ý định gắn bó của nhân viên, nếu đề tài của bạn có thêm biến kết quả này.

H4 là giả thuyết mở rộng, không phải thành phần bắt buộc của mô hình Vroom. Nếu bạn chỉ nghiên cứu Motivation, hãy bỏ H4 thay vì thêm một biến phụ thuộc cho đủ số lượng giả thuyết. Mỗi giả thuyết phải có lý do lý thuyết và thang đo tương ứng.

Bạn cũng cần xác định đơn vị phân tích. Nếu người trả lời là nhân viên, câu hỏi nên nói về công việc và tổ chức mà họ đang làm. Nếu người trả lời là sinh viên, bạn phải điều chỉnh “kết quả công việc” thành “kết quả học tập” và kiểm tra lại tính phù hợp của phần thưởng. Một thang đo giữ nguyên từ bối cảnh nhân viên nhưng thay vài từ có thể tạo ra câu hỏi khó hiểu.

Trước khi phát bảng hỏi chính thức, hãy kiểm tra nội dung, mã hóa biến và chiều của các câu hỏi. Nếu có biến đảo chiều, bạn phải ghi chú rõ để recode trước khi chạy Cronbach's Alpha. Việc đổi tên mã từ EX1, EX2 sang IN1, IN2 giữa các vòng chạy cũng dễ làm bạn nhầm khi viết chương 4.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Dựa trên mô hình kỳ vọng, nghiên cứu đề xuất rằng [Expectancy/Instrumentality/Valence] có tác động [tích cực/tiêu cực] đến [Motivation/biến phụ thuộc] của [đối tượng nghiên cứu]. Giả thuyết [H1/H2/H3] được xây dựng để kiểm định mối quan hệ này trong bối cảnh [ngành, địa bàn hoặc tổ chức].” Hãy thay toàn bộ phần trong ngoặc vuông bằng nội dung thật của đề tài và bổ sung nguồn thang đo bạn đã kiểm tra.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn dùng hồi quy tuyến tính để kiểm định tác động của các biến tổng hợp. Quy trình thường gồm kiểm tra dữ liệu, chạy Cronbach's Alpha, EFA nếu thiết kế nghiên cứu có bước này, tính điểm đại diện cho từng nhân tố và chạy hồi quy. Trong SPSS, bạn có thể vào Analyze > Scale > Reliability Analysis để kiểm tra từng nhóm biến, sau đó dùng Analyze > Regression > Linear cho mô hình hồi quy.

Với EFA, đường dẫn thường dùng là Analyze > Dimension Reduction > Factor. Bạn kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê được tham khảo theo (Kaiser, 1974). Factor loading từ 0.5 trở lên và total variance explained từ 50% trở lên có thể tham khảo (Hair và cộng sự, 2010).

SmartPLS phù hợp khi mô hình có nhiều biến tiềm ẩn, nhiều quan hệ hoặc có biến trung gian. Trong SmartPLS 4, bạn nhập file .csv, tạo construct, kéo mũi tên giữa các construct rồi chạy PLS-SEM Algorithm. Sau đó chạy Bootstrapping để kiểm tra path coefficient, standard deviation, t-value và p-value. Thiết lập 5.000 bootstrap subsamples có thể tham khảo (Hair và cộng sự, 2022).

Bạn đánh giá measurement model trước rồi mới kết luận structural model. Với measurement model, xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998) hoặc (Hair và cộng sự, 2022), CR từ 0.7 và AVE từ 0.5 trở lên theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc 0.90 tùy mức độ gần nhau của khái niệm theo (Henseler và cộng sự, 2015).

Với structural model, xem VIF, path coefficient, p-value, R², f² và Q². VIF dưới 5 được báo cáo theo (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể diễn giải là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy khả năng dự báo có liên quan theo (Stone, 1974).

Bảng dưới đây là số liệu minh họa, được dựng theo tên bảng và cột thường gặp trong SmartPLS. Đây không phải kết quả của đề tài nào và bạn không được chép các con số này vào luận văn.

Nếu chạy SPSS, bảng tương ứng thường là Coefficients. Bạn đọc cột B hoặc Standardized Coefficients Beta, t và Sig.. Đừng gọi một hệ số là “ảnh hưởng mạnh nhất” chỉ vì Beta lớn hơn nếu các biến được đo khác thang hoặc mô hình chưa được kiểm tra đầy đủ. Khi báo cáo, ghi rõ đây là hệ số chưa chuẩn hóa hay chuẩn hóa.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là viết Vroom như một công thức phần thưởng đơn giản. Mô hình không nói rằng cứ tăng tiền thưởng là động lực tăng. Bạn phải kiểm tra cả niềm tin về khả năng đạt kết quả và niềm tin rằng kết quả sẽ được chuyển thành phần thưởng.

Lỗi thứ hai là dùng các biến quan sát lẫn lộn. Câu hỏi về “tôi có đủ năng lực” thuộc Expectancy, câu hỏi về “làm tốt được ghi nhận” thuộc Instrumentality, còn câu hỏi về “phần thưởng có ý nghĩa” thuộc Valence. Nếu trộn ba nội dung trong một nhóm, EFA có thể tạo ra ma trận xoay khó giải thích.

Lỗi thứ ba là lấy thang đo từ một bài trên mạng mà không xác minh nguồn gốc. Bạn cần biết thang đo được dùng cho đối tượng nào, bằng ngôn ngữ nào, số biến quan sát bao nhiêu và có được điều chỉnh cho bối cảnh hiện tại hay không. Bản dịch tiếng Việt trên mạng chỉ là điểm bắt đầu để tham khảo.

Lỗi thứ tư là chạy SmartPLS rồi dùng các chỉ số của CB-SEM như CFI, TLI hoặc RMSEA để kết luận mô hình PLS-SEM. Các chỉ số đó thuộc logic đánh giá CB-SEM và không nên được đưa vào bài hướng dẫn PLS-SEM. Với SmartPLS, hãy tập trung vào nhóm chỉ số phù hợp như outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q².

Lỗi cuối là loại biến chỉ để làm bảng kết quả đẹp hơn. Nếu biến bị loại, bạn cần ghi lại tiêu chí, vòng chạy và lý do. Một biến có loading thấp có thể phản ánh vấn đề dịch thuật hoặc nội dung, chứ không chỉ là một con số cần xóa.

Đọc thêm: tháp nhu cầu maslow, mô hình maslow, cam kết tổ chức là gì, cân bằng công việc cuộc sống là gì, căng thẳng công việc là gì, chủ đề mo hinh nghien cuu.

Câu hỏi thường gặp

Kỳ vọng Vroom có phải là lý thuyết động lực không?

Đúng. Đây là lý thuyết giải thích động lực dựa trên nhận thức của cá nhân về mối liên hệ giữa nỗ lực, kết quả thực hiện và phần thưởng. Trong nghiên cứu định lượng, bạn thường chuyển ba thành phần Expectancy, Instrumentality và Valence thành các biến tiềm ẩn để kiểm định.

Mô hình Vroom có bắt buộc phải dùng cả ba thành phần không?

Nếu bạn tuyên bố kiểm định mô hình Vroom đầy đủ, nên trình bày cả ba thành phần và giải thích vai trò của từng thành phần. Nếu đề tài chỉ dùng một phần, hãy nói rõ đó là mô hình điều chỉnh hoặc mô hình dựa trên một khía cạnh của lý thuyết, thay vì gọi đó là toàn bộ mô hình Vroom.

Nên chạy SPSS hay SmartPLS cho mô hình kỳ vọng Vroom?

SPSS phù hợp với mô hình gọn, các thang đo đã được tổng hợp thành điểm đại diện và mục tiêu chính là hồi quy. SmartPLS phù hợp khi bạn muốn giữ các biến tiềm ẩn, có nhiều quan hệ giữa các construct hoặc có biến trung gian. Công cụ không thay thế cho việc xác định khái niệm, giả thuyết và nguồn thang đo.

Có thể dùng Maslow và Vroom trong cùng một đề tài không?

Có thể, nhưng bạn phải phân biệt cơ chế của hai mô hình. Maslow thường được dùng để mô tả nhu cầu, còn Vroom mô tả nhận thức về nỗ lực, kết quả và phần thưởng. Nếu ghép hai mô hình, hãy vẽ mũi tên cụ thể, xác định biến nào thuộc mô hình nào và tránh dùng chung một nhóm biến quan sát cho cả hai.

Khi Cronbach's Alpha của một thành phần thấp thì phải làm sao?

Kiểm tra corrected item-total correlation, nội dung câu hỏi, biến đảo chiều và dữ liệu thiếu trước khi xóa biến. Alpha từ 0.7 trở lên là ngưỡng thường được tham khảo (Nunnally, 1978), nhưng thang đo khám phá có thể được cân nhắc ở mức thấp hơn theo (Hair và cộng sự, 2010). Bạn cần ghi lại lý do loại biến và chạy lại có kiểm soát, không xóa liên tục cho đến khi có con số đẹp.

Mở file dữ liệu của bạn ngay bây giờ, lập bốn cột cho Expectancy, Instrumentality, Valence và biến kết quả, rồi đối chiếu từng biến quan sát với giả thuyết trước khi chạy phân tích; nếu cần chạy mô hình trên chính file .sav hoặc .csv, bạn có thể dùng module M4 phân tích của DoThesis.