Lý thuyết là gì trong nghiên cứu định lượng?

Mô hình lý thuyết là gì

Bạn đang mở file luận văn và gặp yêu cầu “xây dựng cơ sở lý thuyết” hoặc “trình bày khung lý thuyết”, nhưng chưa biết phải bắt đầu từ đâu. Trong nghiên cứu định lượng, lý thuyết là một hệ thống khái niệm và các mối quan hệ được đề xuất để giải thích một hiện tượng. Lý thuyết giúp bạn trả lời câu hỏi: vì sao biến X có thể ảnh hưởng đến biến Y, ảnh hưởng theo hướng nào và mối quan hệ đó được kiểm định bằng dữ liệu ra sao.

Ví dụ, Technology Acceptance Model, thường gọi là TAM, giải thích sự chấp nhận công nghệ thông qua các khái niệm như Perceived Usefulness và Perceived Ease of Use. TAM được gắn với công trình của Davis (1989). Theory of Planned Behavior, hay TPB, giải thích hành vi thông qua thái độ, chuẩn chủ quan và nhận thức kiểm soát hành vi (Ajzen, 1991). UTAUT mở rộng cách giải thích về hành vi chấp nhận công nghệ với nhiều yếu tố hơn (Venkatesh và cộng sự, 2003).

Khi đọc một lý thuyết, bạn cần tách ba lớp thông tin. Lớp thứ nhất là các khái niệm, chẳng hạn “nhận thức tính hữu ích” hoặc “ý định sử dụng”. Lớp thứ hai là định nghĩa của từng khái niệm. Lớp thứ ba là các mối quan hệ được lý thuyết đề xuất giữa các khái niệm. Ba lớp này sau đó được chuyển thành mô hình nghiên cứu, giả thuyết và thang đo.

Bạn có thể xem thêm bài mô hình là gì để phân biệt một hệ thống khái niệm với mô hình dùng trong một đề tài cụ thể. Hai thuật ngữ này liên quan chặt chẽ, nhưng không nên dùng thay thế cho nhau trong toàn bộ luận văn.

Các thành phần trong mô hình

Một khung lý thuyết trong luận văn thường không chỉ là một đoạn tóm tắt lý thuyết. Bạn cần chỉ ra các biến, vai trò của chúng và quan hệ dự kiến. Bảng dưới đây là cách đọc một mô hình định lượng cơ bản.

Biến độc lập và biến phụ thuộc được xác định theo câu hỏi nghiên cứu, không chỉ theo tên của lý thuyết. Một khái niệm có thể là biến độc lập trong nghiên cứu này nhưng là biến trung gian trong nghiên cứu khác. Vì vậy, khi vẽ mô hình, bạn nên ghi rõ vai trò của từng biến trong chính đề tài của mình.

Biến trung gian trả lời câu hỏi “tác động xảy ra thông qua cơ chế nào”. Chẳng hạn, chất lượng dịch vụ có thể làm tăng sự hài lòng, sau đó sự hài lòng làm tăng ý định quay lại. Biến điều tiết trả lời câu hỏi “khi nào hoặc với nhóm nào tác động mạnh hơn”. Đây là lý do bạn nên phân biệt giả thuyết là gì trước khi viết phần mô hình.

Trong bảng khái niệm, mỗi biến nên có một định nghĩa thao tác. Định nghĩa này cho biết bạn sẽ đo biến bằng những biểu hiện nào. Ví dụ, “niềm tin” có thể được đo qua mức độ người trả lời tin rằng nền tảng bảo vệ thông tin, thực hiện đúng cam kết và xử lý giao dịch đáng tin cậy. Nếu định nghĩa quá rộng, việc chọn biến quan sát và diễn giải kết quả sẽ trở nên thiếu nhất quán.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc là phiên bản ban đầu được tác giả đề xuất để giải thích một hiện tượng. Bạn cần trình bày mô hình gốc trước khi nói đến phần điều chỉnh cho bối cảnh Việt Nam hoặc ngành cụ thể. Cách làm này giúp người đọc biết biến nào thuộc nền tảng ban đầu và biến nào do bạn kế thừa từ nghiên cứu sau.

TAM của Davis (1989) tập trung vào Perceived Usefulness, Perceived Ease of Use, thái độ và ý định sử dụng. Khi áp dụng TAM cho thanh toán điện tử, bạn có thể bổ sung Perceived Security hoặc Trust nếu đề tài có căn cứ lý thuyết và thang đo phù hợp. Việc thêm biến cần gắn với một khoảng trống nghiên cứu cụ thể, chẳng hạn bối cảnh khác, nhóm người dùng khác hoặc loại công nghệ khác.

TPB của Ajzen (1991) gồm thái độ đối với hành vi, chuẩn chủ quan, nhận thức kiểm soát hành vi và ý định hành vi. Một đề tài về ý định mua sản phẩm xanh có thể dùng TPB làm nền tảng, sau đó bổ sung Environmental Concern. Phần bổ sung này cần được giải thích bằng tài liệu đã kiểm chứng, thay vì chỉ thêm biến vì biến đó đang xuất hiện trong nhiều bài khác.

UTAUT của Venkatesh và cộng sự (2003) giải thích ý định và hành vi sử dụng công nghệ thông qua các yếu tố như Performance Expectancy, Effort Expectancy, Social Influence và Facilitating Conditions. UTAUT2 mở rộng bối cảnh sang người tiêu dùng và bổ sung các yếu tố liên quan đến động lực hưởng thụ, giá trị giá cả và thói quen (Venkatesh và cộng sự, 2012).

Điểm cần nhớ là mở rộng mô hình không đồng nghĩa với việc đưa càng nhiều biến càng tốt. Mỗi biến mới làm tăng số giả thuyết, số biến quan sát, yêu cầu cỡ mẫu và khối lượng giải thích trong chương 4. Nếu bạn đang phân vân giữa nhiều nền tảng, trang Mô hình nghiên cứu có thể giúp bạn nhìn rõ hơn sự khác nhau giữa lý thuyết nền và mô hình đề xuất.

Với các mô hình về ngành hoặc môi trường cạnh tranh, Porter’s Five Forces là một khung phân tích thường được dùng để xem xét áp lực từ đối thủ, nhà cung cấp, khách hàng, sản phẩm thay thế và đối thủ tiềm ẩn. Bạn có thể đọc thêm về Porter’s Five Forces, nhưng cần kiểm tra sự phù hợp trước khi biến các yếu tố trong khung thành thang đo khảo sát.

Thang đo thường dùng cho từng khái niệm

Lý thuyết chỉ cho bạn biết cần đo khái niệm nào. Thang đo cho biết bạn đo khái niệm đó bằng các biến quan sát cụ thể ra sao. Khi chọn thang đo, hãy ưu tiên nguồn gốc, bối cảnh sử dụng, số lượng biến quan sát và mức độ phù hợp với đối tượng khảo sát.

Các tên nguồn trong bảng là điểm bắt đầu, chưa phải bản dịch tiếng Việt được xác nhận cho mọi ngành. Bạn cần đọc biến quan sát gốc, dịch theo ngữ cảnh, nhờ kiểm tra ngôn ngữ và thử nghiệm bảng hỏi trước khi thu thập chính thức. Một câu dịch sát từng chữ nhưng không tự nhiên với người trả lời vẫn có thể tạo ra dữ liệu kém chất lượng.

Sau khi có dữ liệu, quy trình thường gồm kiểm tra độ tin cậy, EFA hoặc đánh giá measurement model trong SmartPLS, tùy thiết kế nghiên cứu. Cronbach’s Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên là một tiêu chí thường dùng để xem xét biến quan sát (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo bối cảnh (Hair và cộng sự, 2010).

Nếu dùng PLS-SEM, bạn thường xem Outer Loadings, Composite Reliability, AVE và HTMT. Outer loading từ 0.7 trở lên là ngưỡng thường được tham khảo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được dùng để đánh giá độ tin cậy và giá trị hội tụ (Fornell và Larcker, 1981). HTMT nên dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau về mặt lý thuyết (Henseler và cộng sự, 2015).

Áp dụng vào đề tài của bạn

Bạn có thể chuyển lý thuyết thành mô hình theo năm bước. Trước tiên, viết câu hỏi nghiên cứu bằng ngôn ngữ của đề tài. Ví dụ: “Những yếu tố nào ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên tại Thành phố Hồ Chí Minh”. Sau đó, chọn một lý thuyết nền có khả năng giải thích ý định sử dụng công nghệ.

Tiếp theo, lập danh sách khái niệm từ lý thuyết. Với ví dụ này, bạn có thể chọn Perceived Usefulness, Perceived Ease of Use, Trust và Intention to Use. Đừng đưa một biến vào mô hình chỉ vì bạn tìm thấy nó trong một bài tham khảo. Hãy ghi ngay bên cạnh biến đó lý do nó phù hợp với bối cảnh và cách bạn dự kiến đo.

Bước thứ ba là vẽ mũi tên giữa các biến. Mũi tên cần phản ánh một lập luận, không chỉ tạo thành hình vẽ đẹp. Chẳng hạn, người dùng cảm thấy ví điện tử hữu ích thì có thể hình thành ý định sử dụng cao hơn. Đây là mối quan hệ có thể chuyển thành một giả thuyết định lượng.

Bước thứ tư là viết các giả thuyết thành câu hoàn chỉnh. Với mô hình minh họa gồm bốn giả thuyết, bạn có thể trình bày như sau:

• H1: Perceived Usefulness tác động tích cực đến Intention to Use ví điện tử của sinh viên.
• H2: Perceived Ease of Use tác động tích cực đến Perceived Usefulness.
• H3: Perceived Ease of Use tác động tích cực đến Intention to Use ví điện tử của sinh viên.
• H4: Trust tác động tích cực đến Intention to Use ví điện tử của sinh viên.

Đây là mô hình và giả thuyết minh họa, không phải kết quả của một nghiên cứu cụ thể. Khi viết đề tài thật, bạn cần thay nhóm đối tượng, bối cảnh và khái niệm bằng nội dung có trong mô hình của mình. Bạn cũng cần chỉ ra nguồn lý thuyết hoặc nghiên cứu nền cho từng quan hệ, thay vì chỉ ghi “có tác động” mà không giải thích cơ chế.

Bước cuối cùng là lập bảng nối từ lý thuyết đến dữ liệu. Ví dụ, Perceived Usefulness là biến tiềm ẩn, PU1 đến PU4 là các biến quan sát, thang đo Likert 5 mức là cách ghi nhận câu trả lời, còn Intention to Use là biến kết quả. Mỗi dòng trong bảng hỏi cần có mã biến ổn định để khi nhập file .sav hoặc .csv, bạn vẫn biết biến nào thuộc khái niệm nào.

Trong luận văn, bạn có thể viết theo mẫu sau: “Dựa trên [tên lý thuyết] của [tác giả, năm], nghiên cứu đề xuất rằng [biến độc lập] có tác động [cùng chiều/ngược chiều] đến [biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn]. Do đó, giả thuyết H[ số ] được đề xuất: [nội dung giả thuyết].” Hãy thay toàn bộ phần trong ngoặc vuông bằng thông tin thật và kiểm tra lại với sơ đồ mô hình.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn dùng hồi quy tuyến tính, kiểm định trung bình, EFA hoặc các phân tích trên biến tổng hợp. Bạn có thể tính điểm trung bình cho từng khái niệm sau khi kiểm tra thang đo, rồi chạy hồi quy trong Analyze > Regression > Linear. Bảng Coefficients cho biết hệ số, t và Sig., còn Model Summary cho biết R Square.

Nếu dùng SPSS để kiểm tra thang đo, đường dẫn thường gặp là Analyze > Scale > Reliability Analysis. Chọn các biến quan sát của cùng một khái niệm, bấm Statistics, đánh dấu Scale if item deleted để xem Alpha nếu loại từng biến. Với EFA, dùng Analyze > Dimension Reduction > Factor, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix.

SmartPLS phù hợp khi mô hình có biến tiềm ẩn và nhiều quan hệ path, đặc biệt khi bạn muốn đánh giá measurement model và structural model trong cùng quy trình. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo các biến quan sát vào construct, nối các construct theo giả thuyết rồi chạy PLS-SEM Algorithm. Sau đó, chạy Bootstrapping để xem ý nghĩa của path coefficient.

Khi báo cáo PLS-SEM, nên đánh giá measurement model trước rồi mới diễn giải structural model, theo cách tiếp cận hai bước (Anderson và Gerbing, 1988). Bạn có thể kiểm tra Outer Loadings, CR, AVE, HTMT, VIF, R², f² và Q². VIF dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM (Hair và cộng sự, 2019). Q² lớn hơn 0 cho thấy mô hình có khả năng dự báo đối với cấu trúc được đánh giá (Stone, 1974).

Với bootstrapping, hãy ghi rõ số subsamples và khoảng tin cậy. Số 5.000 bootstrap subsamples là lựa chọn được hướng dẫn trong tài liệu PLS-SEM hiện hành (Hair và cộng sự, 2022). Khi khoảng tin cậy của indirect effect không chứa 0, tác động gián tiếp được xem là có ý nghĩa theo cách tiếp cận bootstrapping (Preacher và Hayes, 2008).

Bạn không nên đưa CFI, TLI hoặc RMSEA vào bảng đánh giá SmartPLS chỉ vì thấy chúng trong tài liệu SEM. Các fit indices này thuộc bối cảnh CB-SEM, với các ngưỡng thường được trích dẫn từ Hu và Bentler (1999). Nếu bạn chạy AMOS, đó là một quy trình khác và cần trình bày đúng logic CB-SEM.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là nhầm lý thuyết với đề tài. “Nghiên cứu các yếu tố ảnh hưởng đến ý định mua” là một hướng đề tài, chưa phải lý thuyết. Lý thuyết phải cho bạn hệ thống khái niệm và lập luận để giải thích các yếu tố đó.

Lỗi thứ hai là dùng nhiều lý thuyết nhưng không chỉ ra lý thuyết nào là nền tảng. Bạn có thể kết hợp TAM với TPB, nhưng cần nói rõ mỗi lý thuyết đóng góp khái niệm hoặc quan hệ nào. Nếu chỉ liệt kê tên mô hình trong chương 2, hội đồng có thể hỏi vì sao mô hình của bạn không bị trùng lặp hoặc thiếu nhất quán.

Lỗi thứ ba là thêm biến sau khi đã có dữ liệu. Khi mô hình, bảng hỏi và giả thuyết đã được duyệt, việc thêm biến chỉ vì một p-value không đạt sẽ làm thay đổi thiết kế ban đầu. Nếu cần điều chỉnh, hãy ghi lại lý do, trao đổi với giảng viên và phân biệt rõ phân tích khám phá với kiểm định giả thuyết đã đăng ký.

Lỗi thứ tư là dùng thang đo không cùng nghĩa với khái niệm. “Chất lượng dịch vụ”, “sự hài lòng” và “giá trị cảm nhận” có thể liên quan nhưng không phải một biến. Hãy đọc định nghĩa gốc, kiểm tra từng biến quan sát và tránh gộp các khái niệm chỉ vì chúng cùng có tương quan.

Lỗi thứ năm là viết giả thuyết sau khi xem kết quả. Dữ liệu có thể cho thấy một quan hệ ngược chiều hoặc không có ý nghĩa, nhưng bạn vẫn cần báo cáo kết quả đúng với mô hình đã đề xuất. Không chỉnh mũi tên hoặc đổi nội dung H1 để làm kết quả “đẹp” hơn.

Bạn cũng nên phân biệt “giả thiết” và “giả thuyết”. Giả thiết hay giả thuyết là cách giải thích ngắn gọn cho lỗi dùng từ này trong luận văn. Trong nghiên cứu định lượng, giả thuyết là mệnh đề về mối quan hệ có thể kiểm định bằng dữ liệu.

Câu hỏi thường gặp

Lý thuyết là gì trong nghiên cứu khoa học?

Lý thuyết là hệ thống khái niệm, định nghĩa và mối quan hệ dùng để giải thích một hiện tượng. Trong luận văn định lượng, lý thuyết giúp bạn chọn biến, xây mô hình, viết giả thuyết và tìm thang đo phù hợp.

Khung lý thuyết nghiên cứu là gì?

Khung lý thuyết là phần trình bày có cấu trúc về lý thuyết nền và các khái niệm liên quan đến đề tài. Khung này thường dẫn đến mô hình nghiên cứu, trong đó các biến và mũi tên thể hiện những quan hệ bạn sẽ kiểm định.

Một đề tài nên dùng bao nhiêu lý thuyết?

Không có một con số cố định cho mọi đề tài. Một lý thuyết phù hợp và được giải thích rõ thường có giá trị hơn nhiều lý thuyết chỉ được liệt kê. Nếu kết hợp, bạn cần chỉ ra vai trò riêng của từng lý thuyết và lý do các khái niệm có thể đứng chung trong một mô hình.

Lý thuyết và mô hình nghiên cứu khác nhau thế nào?

Lý thuyết là nền tảng giải thích rộng hơn, thường được phát triển cho một nhóm hiện tượng. Mô hình nghiên cứu là phiên bản cụ thể hóa cho đề tài của bạn, gồm những biến được chọn, các mối quan hệ và giả thuyết sẽ kiểm định.

Có thể tự thêm biến vào mô hình lý thuyết không?

Bạn có thể mở rộng mô hình nếu có lập luận và nguồn tài liệu phù hợp. Biến thêm vào cần có định nghĩa rõ, thang đo phù hợp, quan hệ được giải thích và cỡ mẫu đủ để kiểm định. Đừng thêm biến chỉ vì muốn tăng số lượng giả thuyết hoặc vì kết quả ban đầu chưa đạt.

Dùng SPSS hay SmartPLS để kiểm định mô hình?

SPSS phù hợp với EFA, hồi quy và các kiểm định trên biến quan sát hoặc điểm tổng hợp. SmartPLS phù hợp với mô hình có biến tiềm ẩn, measurement model và structural model. Bạn nên chọn công cụ theo mô hình, loại thang đo và yêu cầu phương pháp của khoa, không chọn chỉ vì phần mềm cho ra nhiều bảng kết quả hơn.

Trước hết, hãy mở file tài liệu và dữ liệu của mình, lập bảng gồm lý thuyết nền, khái niệm, biến quan sát, nguồn thang đo và giả thuyết H1 đến H4, sau đó đối chiếu từng dòng với mô hình trên giấy; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ bước này.