Kỳ vọng xác nhận ECM là gì? Mô hình và cách kiểm định

Mô hình kỳ vọng xác nhận ECM là gì

Kỳ vọng xác nhận ECM, viết tắt của Expectation-Confirmation Model, là mô hình giải thích vì sao một người tiếp tục sử dụng sản phẩm, dịch vụ hoặc hệ thống sau trải nghiệm ban đầu. Trọng tâm của mô hình nằm ở việc người dùng so sánh kết quả thực tế với kỳ vọng trước khi sử dụng. Nếu trải nghiệm đáp ứng hoặc vượt kỳ vọng, mức độ xác nhận tăng, người dùng thường hài lòng hơn và có xu hướng tiếp tục sử dụng.

Bạn có thể hình dung ECM qua chuỗi quan hệ: kỳ vọng ban đầu ảnh hưởng đến mức độ xác nhận và cảm nhận lợi ích; xác nhận ảnh hưởng đến lợi ích cảm nhận và sự hài lòng; lợi ích cảm nhận và sự hài lòng ảnh hưởng đến ý định tiếp tục sử dụng. Tùy đề tài, bạn có thể thêm biến như niềm tin, chi phí chuyển đổi, thói quen hoặc chất lượng dịch vụ, nhưng mô hình mở rộng phải có lý do lý thuyết rõ ràng.

ECM phù hợp với các đề tài đo hành vi sau trải nghiệm, chẳng hạn ý định tiếp tục dùng ví điện tử, ứng dụng học trực tuyến, ngân hàng số, nền tảng thương mại điện tử, hệ thống quản trị học tập hoặc dịch vụ đăng ký định kỳ. Mô hình này khác với một mô hình chỉ đo ý định chấp nhận ban đầu. Người trả lời ECM phải có trải nghiệm sử dụng đủ để đánh giá kết quả thực tế.

Nếu bạn đang xây dựng phần mô hình nghiên cứu, có thể xem thêm chuyên mục Mô hình nghiên cứu để đối chiếu ECM với TAM, TPB và các mô hình hành vi khác.

Các thành phần trong mô hình

Bốn thành phần thường xuất hiện trong ECM là kỳ vọng, xác nhận, lợi ích cảm nhận và sự hài lòng. Ý định tiếp tục sử dụng thường là biến phụ thuộc. Một số nghiên cứu dùng biến xác nhận như biến giải thích cho sự hài lòng, một số mô hình còn cho phép kỳ vọng ảnh hưởng trực tiếp đến lợi ích cảm nhận.

Kỳ vọng là đánh giá được hình thành trước hoặc ở giai đoạn đầu sử dụng. Bạn cần phân biệt kỳ vọng với lợi ích cảm nhận. Kỳ vọng trả lời câu hỏi người dùng nghĩ gì trước khi dùng, còn lợi ích cảm nhận trả lời câu hỏi họ nhận được gì sau khi dùng.

Xác nhận cũng cần được viết cẩn thận trong bảng hỏi. Một biến quan sát tốt nên nói về mức độ phù hợp giữa trải nghiệm thực tế và kỳ vọng ban đầu, thay vì chỉ hỏi người dùng có hài lòng hay không. Sự hài lòng là kết quả đánh giá, còn xác nhận là nhận định về khoảng cách giữa kỳ vọng và kết quả.

Ý định tiếp tục sử dụng không đồng nghĩa với hành vi sử dụng thực tế. Nếu bạn chỉ thu thập bảng hỏi tại một thời điểm, cách an toàn là đo ý định, dự định hoặc khả năng tiếp tục sử dụng. Bạn không nên viết rằng dữ liệu cắt ngang đã chứng minh hành vi tương lai chắc chắn xảy ra.

Mô hình gốc và các mở rộng phổ biến

Khi đọc tài liệu, bạn sẽ gặp nhiều sơ đồ ECM khác nhau. Khung cơ bản thường bắt đầu từ kỳ vọng, sau đó là xác nhận, lợi ích cảm nhận, sự hài lòng và ý định tiếp tục sử dụng. Các mũi tên cần được giải thích bằng lập luận, không nên thêm chỉ vì một bài mẫu có biến đó.

Mô hình có thể mở rộng theo ba hướng. Hướng thứ nhất là thêm đặc điểm hệ thống hoặc dịch vụ, chẳng hạn chất lượng thông tin, chất lượng dịch vụ và độ tin cậy. Hướng thứ hai là thêm yếu tố cá nhân như thói quen, nhận thức rủi ro hoặc chi phí chuyển đổi. Hướng thứ ba là kết hợp ECM với mô hình chấp nhận công nghệ để giải thích cả giai đoạn chấp nhận lẫn giai đoạn tiếp tục sử dụng.

Nếu đề tài của bạn nghiên cứu công nghệ, hãy đọc mô hình TAM và mô hình chấp nhận công nghệ TAM. TAM thường tập trung vào lợi ích cảm nhận, tính dễ sử dụng và ý định sử dụng. ECM phù hợp hơn khi người trả lời đã dùng hệ thống và bạn muốn giải thích quyết định tiếp tục.

Bạn cũng có thể tham khảo bài chấp nhận công nghệ TAM là gì để tránh trộn lẫn hai giai đoạn. Một mô hình có thể kết hợp TAM và ECM, nhưng phần giả thuyết phải nói rõ biến nào giải thích chấp nhận ban đầu, biến nào giải thích duy trì sử dụng.

Một hướng mở rộng khác là gắn ECM với chất lượng và sự thành công của hệ thống. Khi đó, các biến như chất lượng hệ thống, chất lượng thông tin hoặc chất lượng dịch vụ có thể được đưa vào trước sự hài lòng. Nếu bạn đang nghiên cứu hệ thống thông tin, mô hình IS Success của DeLone và McLean là một điểm đối chiếu hữu ích.

Đừng dùng các chỉ số CFI, TLI, RMSEA hoặc SRMR của CB-SEM để kết luận một mô hình SmartPLS tốt hay xấu. Các chỉ số đó thuộc nhóm đánh giá phù hợp mô hình của CB-SEM, với nguồn (Hu và Bentler, 1999). Trong SmartPLS, bạn cần đánh giá measurement model và structural model bằng nhóm chỉ số phù hợp với PLS-SEM.

Thang đo thường dùng cho từng khái niệm

Bạn nên tìm thang đo đã được sử dụng trong bối cảnh gần với đề tài, sau đó dịch, điều chỉnh từ ngữ và thử nghiệm bảng hỏi. Không nên chép nguyên câu tiếng Anh vào luận văn rồi gọi đó là thang đo đã được kiểm định tại Việt Nam. Bảng dưới đây là bản đồ khái niệm để bạn bắt đầu thiết kế, không phải bộ biến quan sát bắt buộc.

Với các khái niệm nhận thức như lợi ích cảm nhận, bạn có thể tham khảo nền tảng đo lường của TAM, trong đó nguồn gốc của perceived usefulness là (Davis, 1989). Nếu nghiên cứu dịch vụ, bạn có thể xem cách tiếp cận chất lượng dịch vụ trong SERVQUAL của (Parasuraman và cộng sự, 1988), nhưng chỉ thêm cấu trúc này khi nó phù hợp với câu hỏi nghiên cứu.

Bảng hỏi thường dùng thang Likert 5 hoặc 7 mức. Thang Likert có nguồn gốc từ (Likert, 1932). Bạn cần ghi rõ hai đầu mút, chẳng hạn 1 là hoàn toàn không đồng ý và 5 là hoàn toàn đồng ý, đồng thời dùng cùng hướng điểm cho các biến quan sát.

Sau khi thu dữ liệu, bạn có thể kiểm tra Cronbach's Alpha, Corrected Item-Total Correlation, EFA hoặc đánh giá measurement model trong SmartPLS. Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978). Với thang đo 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 tự động giữ mọi thang đo thấp.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu ý định tiếp tục sử dụng nền tảng học trực tuyến của sinh viên. Mô hình có thể gồm EXP là kỳ vọng, CON là xác nhận, PU là lợi ích cảm nhận, SAT là sự hài lòng và CI là ý định tiếp tục sử dụng. Người trả lời cần đã dùng nền tảng trong một khoảng thời gian đủ để đánh giá trải nghiệm, chẳng hạn đã học hoặc nộp bài trên nền tảng.

Một mô hình gọn có thể đặt bốn giả thuyết sau:

• H1: Kỳ vọng trước sử dụng có ảnh hưởng tích cực đến lợi ích cảm nhận sau sử dụng.
• H2: Xác nhận kỳ vọng có ảnh hưởng tích cực đến lợi ích cảm nhận.
• H3: Xác nhận kỳ vọng có ảnh hưởng tích cực đến sự hài lòng.
• H4: Sự hài lòng có ảnh hưởng tích cực đến ý định tiếp tục sử dụng.

Bạn có thể thêm đường dẫn từ lợi ích cảm nhận đến sự hài lòng hoặc từ lợi ích cảm nhận đến ý định tiếp tục, nhưng cần nêu lý do trong phần cơ sở lý thuyết. Mỗi giả thuyết nên có một đoạn lập luận riêng, định nghĩa rõ biến độc lập, biến phụ thuộc và chiều tác động dự kiến.

Trong chương phương pháp, hãy mô tả tiêu chí chọn mẫu. Ví dụ, điều kiện sàng lọc có thể là người trả lời đã sử dụng nền tảng trong thời gian nghiên cứu và có thể nhớ trải nghiệm gần đây. Nếu một người chưa từng dùng hệ thống, họ không thể đánh giá xác nhận kỳ vọng hoặc ý định tiếp tục một cách phù hợp.

Cách viết vào luận văn: “Kết quả phân tích cho thấy [tên biến độc lập] tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc] với hệ số [β] và p-value [p]. Vì p-value [nhỏ hơn/lớn hơn] 0.05, giả thuyết H[ ] được [chấp nhận/không được ủng hộ].” Bạn thay toàn bộ phần trong ngoặc vuông bằng kết quả thật từ file của mình.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn cần làm sạch dữ liệu, thống kê mô tả, kiểm tra độ tin cậy, EFA và hồi quy. Bạn có thể bắt đầu với Analyze > Scale > Reliability Analysis, đưa các biến quan sát của từng khái niệm vào ô Items, rồi chọn Statistics và đánh dấu Scale if item deleted.

Sau đó, EFA được chạy tại Analyze > Dimension Reduction > Factor. Kiểm tra bảng 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 là tiêu chí thường dùng theo (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên có thể tham khảo (Hair và cộng sự, 2010).

Nếu kiểm định quan hệ giữa các biến tổng hợp bằng hồi quy, vào Analyze > Regression > Linear. Bảng Coefficients cho biết hệ số, t và Sig. Bạn nên xem thêm VIF, kiểm tra phần dư và các giả định cần thiết. Durbin-Watson trong khoảng 1 đến 3 là quy tắc thực hành được dẫn theo (Field, 2013), nhưng đừng biến một chỉ số thành bằng chứng duy nhất cho chất lượng mô hình.

SmartPLS phù hợp khi ECM của bạn gồm nhiều biến tiềm ẩn đo bằng nhiều biến quan sát và bạn muốn đánh giá đồng thời measurement model với structural model. Trong SmartPLS 4, nhập file .csv, kéo các construct vào canvas, nối các đường dẫn theo giả thuyết, gán indicator rồi chạy PLS-SEM Algorithm. Sau đó chạy Bootstrapping để kiểm tra ý nghĩa của path coefficient. Quy trình PLS-SEM và 5.000 bootstrap subsamples có thể tham khảo (Hair và cộng sự, 2022).

Trong measurement model, đọc các bảng Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được dẫn theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015).

Trong structural model, kiểm tra Path Coefficients, Total Effects, R Square, f Square, Collinearity Statistics và kết quả bootstrapping. VIF dưới 5 được nêu trong (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). Bạn cần ghi rõ đây là quy tắc diễn giải, không phải phán quyết tuyệt đối cho mọi bối cảnh.

Bảng kết quả minh họa

Bảng dưới đây là số liệu minh họa, được trình bày theo dạng output SmartPLS, không phải kết quả của một nghiên cứu thật. Bạn không được chép các con số này vào chương 4.

Trong output thật, bạn cần xem cả dấu của hệ số và khoảng tin cậy bootstrap. Một p-value nhỏ không tự động chứng minh quan hệ có ý nghĩa thực tiễn lớn. Hãy báo cáo hệ số, mức ý nghĩa, R² của biến phụ thuộc và cách bạn diễn giải cường độ tác động.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi một nghiên cứu người dùng chưa từng trải nghiệm là ECM. Nếu bảng hỏi chỉ hỏi ý định dùng một ứng dụng mới, bạn đang đo chấp nhận ban đầu và nên cân nhắc TAM, UTAUT hoặc TPB. ECM cần phần trải nghiệm trước đó làm cơ sở cho đánh giá xác nhận.

Lỗi thứ hai là dùng kỳ vọng, xác nhận và hài lòng như các từ đồng nghĩa. Ba khái niệm này có vị trí khác nhau trong mô hình. Khi thiết kế biến quan sát, hãy đọc từng câu và hỏi: câu này đo dự đoán trước trải nghiệm, so sánh sau trải nghiệm hay đánh giá tổng thể.

Lỗi thứ ba là thêm quá nhiều biến nhưng không sửa mô hình lý thuyết. Một sơ đồ có mười biến và hàng chục giả thuyết sẽ làm bảng hỏi dài, cỡ mẫu khó đáp ứng và phần giải thích rời rạc. Bạn nên ưu tiên mô hình có thể thu thập dữ liệu và bảo vệ được trước hội đồng.

Lỗi thứ tư là loại biến chỉ vì muốn Alpha tăng. Trước khi loại, xem nội dung biến quan sát, Corrected Item-Total Correlation, tải nhân tố và ý nghĩa lý thuyết. Ghi lại từng vòng phân tích để khi được hỏi, bạn giải thích được biến nào bị loại và vì sao.

Lỗi cuối là kết luận nhân quả quá mạnh từ dữ liệu khảo sát một thời điểm. Bạn nên dùng các cụm như “có ảnh hưởng theo mô hình kiểm định” hoặc “có mối quan hệ cùng chiều trong mẫu nghiên cứu”, thay vì khẳng định ECM đã chứng minh chắc chắn hành vi tương lai.

Câu hỏi thường gặp

ECM có phải là mô hình TAM không?

ECM và TAM có thể liên quan nhưng không giống nhau. TAM thường giải thích ý định chấp nhận hoặc sử dụng công nghệ dựa trên lợi ích cảm nhận và tính dễ sử dụng, còn ECM tập trung vào việc tiếp tục sử dụng sau khi người dùng đã có trải nghiệm.

Bạn có thể kết hợp hai mô hình nếu đề tài cần giải thích cả giai đoạn trước và sau sử dụng. Khi đó, hãy phân định rõ biến nào thuộc TAM và biến nào thuộc ECM.

Người chưa từng dùng dịch vụ có trả lời bảng hỏi ECM được không?

Thông thường không nên. Người chưa có trải nghiệm sẽ khó đánh giá xác nhận kỳ vọng, lợi ích thực tế và sự hài lòng sau sử dụng.

Bạn có thể đặt câu hỏi sàng lọc ở đầu bảng hỏi. Những người chưa từng sử dụng nên được đưa ra khỏi mẫu ECM, hoặc được nghiên cứu bằng một mô hình phù hợp với ý định chấp nhận ban đầu.

ECM nên chạy SPSS hay SmartPLS?

SPSS phù hợp nếu mô hình gọn, bạn cần Cronbach's Alpha, EFA và hồi quy với các biến tổng hợp. SmartPLS phù hợp khi bạn có nhiều biến tiềm ẩn, nhiều indicator và muốn đánh giá đồng thời measurement model với structural model.

Công cụ không thay thế cho mô hình lý thuyết. Chọn SmartPLS không làm một giả thuyết thiếu cơ sở trở nên hợp lý, cũng như chạy SPSS không tự sửa được thang đo chưa phù hợp.

Có cần đưa biến kỳ vọng vào mô hình không?

Bạn cần đưa biến kỳ vọng nếu câu hỏi nghiên cứu muốn giải thích vai trò của nhận thức trước khi sử dụng. Một số mô hình tập trung vào xác nhận, lợi ích cảm nhận, sự hài lòng và ý định tiếp tục, vì vậy kỳ vọng có thể được dùng để định nghĩa xác nhận thay vì đặt một đường dẫn riêng.

Hãy chọn cấu trúc dựa trên tài liệu và bối cảnh nghiên cứu, sau đó viết rõ lý do giữ hoặc bỏ biến. Đừng thêm biến chỉ để sơ đồ có nhiều mũi tên hơn.

Kết quả p-value lớn thì có nên sửa dữ liệu không?

Không. p-value lớn cho biết giả thuyết chưa được ủng hộ trong mẫu và mô hình hiện tại. Bạn có thể kiểm tra lỗi nhập liệu, biến đảo chiều, dữ liệu thiếu, outlier và cách mã hóa trước khi chạy lại.

Nếu dữ liệu đã được xử lý đúng, hãy báo cáo kết quả thật và giải thích dựa trên bối cảnh. Sửa dữ liệu để ép giả thuyết đạt sẽ tạo rủi ro lớn khi bị hỏi về file gốc.

Bạn hãy mở file dữ liệu, lập bảng mã cho EXP, CON, PU, SAT và CI, sau đó kiểm tra điều kiện người trả lời trước khi chạy vòng phân tích đầu tiên. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và muốn xem từng bước trong M4, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.