Mô hình hồi quy tổng thể là gì và cách áp dụng trong luận văn

Mô hình hồi quy tổng thể là gì

Bạn có thể hiểu mô hình hồi quy tổng thể là mô hình mô tả mối quan hệ giữa một biến phụ thuộc và một hoặc nhiều biến độc lập trong toàn bộ tổng thể nghiên cứu. Trong luận văn, khái niệm này thường xuất hiện khi bạn muốn kiểm tra mức độ tác động của các yếu tố X đến kết quả Y, chẳng hạn tác động của chất lượng dịch vụ, giá trị cảm nhận và sự hài lòng đến ý định mua lại.

Dạng tổng quát của mô hình hồi quy tuyến tính bội thường được viết như sau:

Y = β0 + β1X1 + β2X2 + ... + βkXk + ε

Trong đó, Y là biến phụ thuộc, X1 đến Xk là các biến độc lập, β0 là hằng số, β1 đến βk là các hệ số hồi quy và ε là sai số. Cụm từ “tổng thể” nói đến mối quan hệ thật trong tổng thể nghiên cứu, còn dữ liệu khảo sát của bạn chỉ là một mẫu được dùng để ước lượng mối quan hệ đó.

Bạn nên phân biệt mô hình hồi quy tổng thể với phương trình hồi quy mẫu. Mô hình tổng thể là khung lý thuyết bạn đề xuất trước khi phân tích. Sau khi chạy dữ liệu trên SPSS, bạn nhận được phương trình ước lượng từ mẫu, chẳng hạn Y = 0,42 + 0,31X1 + 0,18X2. Các con số này chưa tự động chứng minh rằng quan hệ tồn tại trong tổng thể. Bạn vẫn phải xem p-value, khoảng tin cậy, mức độ phù hợp của mô hình và các giả định hồi quy.

Nếu bạn đang xây dựng phần khung lý thuyết, có thể đọc thêm mô hình nghiên cứu và lý thuyết là gì để tách rõ ba phần: nền tảng lý thuyết, mô hình đề xuất và các giả thuyết cần kiểm định.

Các thành phần trong mô hình

Một mô hình hồi quy tổng thể trong luận văn thường có các thành phần sau. Bạn cần xác định từng thành phần trước khi nhập dữ liệu vào SPSS hoặc tạo mô hình trên SmartPLS.

Biến phụ thuộc

Biến phụ thuộc là kết quả bạn muốn giải thích. Ví dụ, nếu đề tài nghiên cứu các yếu tố ảnh hưởng đến ý định mua hàng trực tuyến, “ý định mua hàng trực tuyến” có thể là Y. Trong bảng hỏi, Y thường được đo bằng nhiều biến quan sát, sau đó tổng hợp thành một khái niệm trước khi chạy hồi quy.

Bạn không nên chọn Y chỉ vì biến này dễ khảo sát. Y phải gắn với câu hỏi nghiên cứu và mô hình lý thuyết. Nếu Y là một khái niệm tiềm ẩn, hãy kiểm tra độ tin cậy thang đo trước khi đưa điểm trung bình hoặc nhân tố đại diện vào hồi quy.

Biến độc lập

Biến độc lập là các yếu tố được đặt ở phía giải thích. Ví dụ, trong mô hình về ý định mua lại, X1 có thể là chất lượng sản phẩm, X2 là giá cả cảm nhận, X3 là niềm tin và X4 là sự hài lòng.

Mỗi biến độc lập cần có lý do lý thuyết để xuất hiện trong mô hình. Việc đưa thật nhiều biến vào hồi quy chỉ để tìm p-value nhỏ có thể khiến mô hình khó giải thích, phát sinh đa cộng tuyến và bị hội đồng hỏi về cơ sở lựa chọn biến.

Hệ số và sai số

Hệ số β cho biết chiều tác động khi các điều kiện khác giữ nguyên. Hệ số dương cho thấy X và Y biến thiên cùng chiều trong mô hình. Hệ số âm cho thấy quan hệ ngược chiều. Tuy nhiên, dấu của hệ số chỉ là một phần kết luận. Bạn còn phải kiểm tra p-value hoặc khoảng tin cậy để đánh giá bằng chứng thống kê.

Sai số ε nhắc bạn rằng mô hình không giải thích được toàn bộ hành vi của Y. Một nghiên cứu xã hội thường có nhiều yếu tố ngoài mô hình. R² cao hay thấp cần được đọc trong bối cảnh đề tài, số lượng biến và mục tiêu nghiên cứu, không nên xem một con số đơn lẻ là tiêu chuẩn quyết định mô hình tốt hay xấu.

Mô hình gốc và các mở rộng phổ biến

Mô hình hồi quy tổng thể là dạng khung phân tích, còn các mô hình cụ thể cần xuất phát từ lý thuyết phù hợp. Với nghiên cứu chấp nhận công nghệ, Technology Acceptance Model của Davis (1989) thường tập trung vào perceived usefulness và perceived ease of use. Với hành vi dự định, Theory of Planned Behavior của Ajzen (1991) gồm thái độ, chuẩn chủ quan và kiểm soát hành vi cảm nhận.

Nếu đề tài nghiên cứu việc chấp nhận công nghệ trong bối cảnh tổ chức, UTAUT của Venkatesh và cộng sự (2003) là một nền tảng thường được sử dụng. UTAUT2 của Venkatesh và cộng sự (2012) mở rộng bối cảnh sang người tiêu dùng bằng các cấu phần phù hợp hơn với hành vi sử dụng công nghệ của cá nhân.

Điểm cần lưu ý là mô hình gốc không phải danh sách biến bắt buộc phải sao chép nguyên trạng. Khi áp dụng vào đề tài, bạn có thể giữ các biến cốt lõi, bỏ biến không phù hợp hoặc bổ sung biến có cơ sở tài liệu. Mỗi thay đổi phải được giải thích trước khi hình thành giả thuyết.

Ví dụ, mô hình gốc có thể đề xuất perceived usefulness ảnh hưởng đến ý định sử dụng. Trong đề tài của bạn, bối cảnh thanh toán điện tử có thể bổ sung niềm tin và perceived risk. Khi đó, mô hình mở rộng cần nêu rõ vì sao hai biến mới phù hợp với bối cảnh, thang đo lấy từ đâu và quan hệ được kỳ vọng theo hướng nào.

Bạn cũng nên phân biệt “giả thuyết” với “giả thiết” khi viết chương 2. Bài giả thuyết là gì giải thích cách chuyển quan hệ giữa các khái niệm thành phát biểu có thể kiểm định. Nếu bạn đang phân vân cách dùng thuật ngữ, xem thêm giả thiết hay giả thuyết.

Thang đo thường dùng cho từng khái niệm

Mô hình hồi quy chỉ đáng tin khi các khái niệm trong mô hình được đo lường phù hợp. Bạn không nên lấy một câu hỏi đơn lẻ để đại diện cho một khái niệm phức tạp nếu tài liệu nền tảng sử dụng nhiều biến quan sát.

Các nguồn trên là điểm bắt đầu để xây dựng bảng hỏi, không phải bản dịch tiếng Việt đã được xác nhận cho mọi bối cảnh. Bạn cần kiểm tra cách diễn đạt, đối tượng khảo sát và bối cảnh sử dụng. Hai đề tài cùng dùng khái niệm “niềm tin” vẫn có thể cần những biến quan sát khác nhau nếu một đề tài nói về ngân hàng số và đề tài kia nói về sàn thương mại điện tử.

Sau khi thu thập dữ liệu, bạn có thể chạy Cronbach's Alpha để kiểm tra độ tin cậy. Cronbach's Alpha từ 0,7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn Corrected Item-Total Correlation từ 0,3 trở lên được đề cập trong (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 cần giải thích bối cảnh thay vì dùng ngưỡng này để giữ mọi biến.

Nếu chạy EFA, KMO từ 0,5 trở lên và Bartlett có ý nghĩa thống kê là các tiêu chí thường được dùng theo (Kaiser, 1974). Factor loading từ 0,5 trở lên và tổng phương sai trích từ 50% trở lên được tham khảo theo (Hair và cộng sự, 2010). Khi một biến quan sát tải mạnh lên nhiều nhân tố, bạn cần xem nội dung lý thuyết, chênh lệch tải và ảnh hưởng của việc loại biến trước khi quyết định.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu các yếu tố ảnh hưởng đến ý định mua lại của khách hàng trên một sàn thương mại điện tử. Bạn chọn bốn biến độc lập gồm chất lượng thông tin, niềm tin, giá trị cảm nhận và sự hài lòng. Biến phụ thuộc là ý định mua lại.

Mô hình khái niệm có thể trình bày bằng bốn mũi tên hướng về Y:

• X1: Chất lượng thông tin → Y: Ý định mua lại.
• X2: Niềm tin → Y: Ý định mua lại.
• X3: Giá trị cảm nhận → Y: Ý định mua lại.
• X4: Sự hài lòng → Y: Ý định mua lại.

Từ mô hình này, bạn viết các giả thuyết thành câu đầy đủ:

• H1: Chất lượng thông tin có tác động tích cực đến ý định mua lại của khách hàng.
• H2: Niềm tin có tác động tích cực đến ý định mua lại của khách hàng.
• H3: Giá trị cảm nhận có tác động tích cực đến ý định mua lại của khách hàng.
• H4: Sự hài lòng có tác động tích cực đến ý định mua lại của khách hàng.

Sau khi kiểm định thang đo, bạn có thể ước lượng phương trình mẫu có dạng: Y = β0 + β1X1 + β2X2 + β3X3 + β4X4. Nếu β2 dương và có ý nghĩa thống kê, dữ liệu cung cấp bằng chứng ủng hộ H2 trong phạm vi mẫu và thiết kế nghiên cứu của bạn. Cách diễn đạt này thận trọng hơn câu “niềm tin chắc chắn gây ra ý định mua lại”, vì hồi quy khảo sát thường phản ánh quan hệ thống kê chứ chưa tự động chứng minh quan hệ nhân quả tuyệt đối.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau cho chương 2 hoặc chương 4: “Dựa trên [tên lý thuyết] và các nghiên cứu trước, nghiên cứu đề xuất [số lượng] biến độc lập gồm [X1], [X2], [X3] và [X4] để giải thích [Y]. Kết quả hồi quy cho thấy [X] có hệ số [β] = [giá trị], p-value = [giá trị], do đó giả thuyết [H] được [chấp nhận/không được chấp nhận] ở mức ý nghĩa [mức ý nghĩa].”

Trong phần thảo luận, bạn cần nối kết kết quả với mô hình chứ không chỉ xếp hạng β. Hãy giải thích biến nào có tác động mạnh hơn trong điều kiện các biến còn lại cùng có mặt, kết quả có cùng chiều với giả thuyết hay không và có điểm nào khác với nghiên cứu nền tảng. Nếu dữ liệu không ủng hộ một giả thuyết, hãy báo cáo đúng kết quả thay vì sửa mô hình đến khi mọi giả thuyết đều được chấp nhận.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn đã tổng hợp các biến quan sát thành điểm đại diện và muốn chạy hồi quy tuyến tính, kiểm định ANOVA, t-test hoặc PROCESS. Với hồi quy tuyến tính bội trong SPSS, đường dẫn thường dùng là Analyze > Regression > Linear. Đưa Y vào ô Dependent, đưa X1 đến X4 vào ô Independent(s), sau đó mở Statistics để chọn Estimates, Model fit, Collinearity diagnostics và Confidence intervals.

Trong bảng Model Summary, xem R và R Square. Trong bảng ANOVA, xem mức ý nghĩa của kiểm định F để đánh giá mô hình tổng thể có phù hợp với dữ liệu theo cách kiểm định bạn chọn hay không. Trong bảng Coefficients, đọc cột B nếu muốn viết phương trình theo đơn vị gốc, cột Standardized Coefficients Beta nếu muốn so sánh mức độ tương đối giữa các biến, cột t và Sig. để kiểm tra từng hệ số.

Bạn cũng cần kiểm tra VIF và Tolerance trong Coefficients. VIF dưới 5 là ngưỡng tham khảo trong báo cáo PLS-SEM theo (Hair và cộng sự, 2019), nhưng trong SPSS bạn vẫn cần xem xét bối cảnh và mối tương quan giữa các biến. Với phần dư, có thể kiểm tra biểu đồ Histogram, Normal P-P Plot và Scatterplot. Durbin-Watson trong khoảng 1 đến 3 là tiêu chí thường được nhắc đến theo (Field, 2013), nhưng không nên dùng riêng con số này để kết luận toàn bộ giả định hồi quy.

SmartPLS phù hợp khi mô hình của bạn có biến tiềm ẩn được đo bằng nhiều biến quan sát, có quan hệ trung gian hoặc điều tiết, hoặc cần đánh giá đồng thời mô hình đo lường và mô hình cấu trúc. Quy trình PLS-SEM thường tách thành hai phần: đánh giá measurement model trước, sau đó đánh giá structural model theo (Anderson và Gerbing, 1988) và quy trình được trình bày trong (Hair và cộng sự, 2022).

Trong SmartPLS, bạn kiểm tra Outer Loadings, CR, AVE và HTMT trước khi đọc Path Coefficients. Outer loading từ 0,7 trở lên là ngưỡng tham khảo theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0,7 và AVE từ 0,5 trở lên được tham khảo theo (Fornell và Larcker, 1981). HTMT dưới 0,85, hoặc dưới 0,90 với các khái niệm gần nhau, được đề cập trong (Henseler và cộng sự, 2015).

Khi đánh giá mô hình cấu trúc, bạn xem Path Coefficients, Standard Deviation, T Statistics, P Values và Confidence Intervals từ bootstrapping. Quy trình PLS-SEM hiện hành thường dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Với R², các mức 0,75, 0,50 và 0,25 lần lượt được mô tả là đáng kể, trung bình và yếu trong một hướng dẫn PLS-SEM của (Hair và cộng sự, 2011). Đây là mốc diễn giải, không phải quy tắc để loại một mô hình chỉ vì R² thấp.

Nếu mô hình của bạn chỉ là hồi quy quan sát đơn giản, SPSS thường dễ giải trình hơn. Nếu mô hình có biến tiềm ẩn và nhiều quan hệ giữa các cấu phần, SmartPLS có thể phù hợp hơn. AMOS thuộc hướng CB-SEM và có bộ chỉ số fit như CFI, TLI, RMSEA, SRMR theo (Hu và Bentler, 1999). Các chỉ số này không nên đưa vào bài viết về tiêu chí đánh giá riêng của SmartPLS.

Lỗi thường gặp khi dùng mô hình này

Gọi mọi phương trình là mô hình hồi quy tổng thể

Phương trình bạn nhận được từ một file .sav hoặc .csv là ước lượng từ mẫu. Trong bài viết, hãy nói rõ đây là phương trình hồi quy ước lượng và dùng kết quả kiểm định để suy luận thận trọng về tổng thể.

Đưa biến vào mô hình không có cơ sở

Một biến có tương quan với Y trong dữ liệu sơ bộ chưa đủ để biến đó xuất hiện trong mô hình lý thuyết. Bạn cần giải thích nguồn thang đo, quan hệ dự kiến và lý do phù hợp với bối cảnh nghiên cứu.

Chỉ nhìn vào p-value

p-value cho biết bằng chứng thống kê theo kiểm định đã chọn, nhưng không cho biết toàn bộ chất lượng mô hình. Hãy đọc cùng hệ số, khoảng tin cậy, R², VIF và các kiểm tra giả định. Một hệ số có p-value nhỏ nhưng VIF cao vẫn cần được xem xét.

Loại biến liên tục đến khi mô hình đẹp

EFA hoặc hồi quy có thể không đẹp ở lần chạy đầu. Bạn được phép điều chỉnh khi có cơ sở phương pháp, nhưng phải lưu lại từng vòng chạy, lý do loại biến và tác động lên mô hình. Việc xóa biến chỉ vì làm p-value thay đổi sẽ khó giải trình khi bảo vệ.

Nhầm hồi quy với quan hệ nhân quả

Dữ liệu khảo sát cắt ngang có thể cho thấy mức độ liên hệ và khả năng giải thích, nhưng không đủ để bạn khẳng định một biến chắc chắn gây ra biến khác. Cách viết nên bám vào “có tác động theo mô hình kiểm định” hoặc “có mối quan hệ có ý nghĩa thống kê”, tùy thiết kế nghiên cứu.

Câu hỏi thường gặp

Mô hình hồi quy tổng thể có phải là phương trình hồi quy không?

Hai khái niệm liên quan nhưng không hoàn toàn giống nhau. Mô hình hồi quy tổng thể là quan hệ lý thuyết giữa Y, các X và sai số trong tổng thể. Phương trình hồi quy bạn tính được từ dữ liệu khảo sát là ước lượng của quan hệ đó trong mẫu.

Mô hình hồi quy tổng thể có cần viết trong chương 2 không?

Bạn nên trình bày mô hình khái niệm và phương trình tổng quát trong chương 2 hoặc chương phương pháp, tùy quy định của khoa. Chương 4 trình bày phương trình ước lượng, bảng Model Summary, ANOVA và Coefficients từ dữ liệu thực tế.

Bao nhiêu biến độc lập là phù hợp trong mô hình?

Không có một con số cố định cho mọi đề tài. Số biến cần dựa trên lý thuyết, mục tiêu nghiên cứu, số biến quan sát và cỡ mẫu. Nếu dùng hồi quy, một hướng dẫn thường được trích dẫn là cỡ mẫu tối thiểu 50 + 8m, trong đó m là số biến độc lập, theo (Tabachnick và Fidell, 2013). Bạn vẫn cần xem thêm thiết kế bảng hỏi và yêu cầu của giảng viên.

Nên chạy mô hình hồi quy tổng thể bằng SPSS hay SmartPLS?

Chọn SPSS khi bạn đã có các biến tổng hợp và mục tiêu chính là hồi quy tuyến tính, kiểm định sự phù hợp và tác động của các biến. Chọn SmartPLS khi mô hình có biến tiềm ẩn, nhiều biến quan sát, quan hệ trung gian hoặc điều tiết. Công cụ không thay thế cho cơ sở lý thuyết và cách đo lường.

Nếu một giả thuyết không được chấp nhận thì phải làm sao?

Bạn giữ nguyên kết quả, kiểm tra lại mã hóa, biến đảo chiều, dữ liệu thiếu, thang đo và giả định mô hình. Nếu quy trình không có lỗi, hãy báo cáo rằng dữ liệu chưa cung cấp đủ bằng chứng ủng hộ giả thuyết trong bối cảnh và mẫu nghiên cứu này, sau đó thảo luận lý do có thể xảy ra.

Bạn hãy mở lại file dữ liệu, lập danh sách Y, X1 đến Xk, nguồn thang đo và giả thuyết tương ứng trước khi chạy mô hình, rồi đối chiếu từng bảng output với câu hỏi nghiên cứu; nếu cần thực hiện trọn bước phân tích trên chính file .sav hoặc .csv, xem M4 phân tích dữ liệu của DoThesis.