Mô hình là gì trong nghiên cứu định lượng và cách xây dựng

Mô hình nghiên cứu là gì

Bạn có thể hình dung mô hình nghiên cứu như một bản đồ của đề tài. Bản đồ này cho biết những khái niệm nào được đưa vào nghiên cứu, khái niệm nào tác động đến khái niệm nào, tác động theo hướng nào và mối quan hệ đó sẽ được kiểm định bằng dữ liệu nào.

Trong nghiên cứu định lượng, mô hình thường được thể hiện bằng các khung chữ nhật hoặc hình elip nối với nhau bằng mũi tên. Mỗi khung đại diện cho một biến hoặc một khái niệm. Mũi tên thể hiện quan hệ được đề xuất trong mô hình, chẳng hạn chất lượng dịch vụ tác động đến sự hài lòng, hoặc nhận thức hữu ích tác động đến ý định sử dụng.

Bạn cần phân biệt mô hình với lý thuyết. Lý thuyết là hệ thống giải thích rộng hơn về một hiện tượng. Mô hình là cách bạn chọn và sắp xếp một số khái niệm từ lý thuyết để trả lời câu hỏi nghiên cứu cụ thể. Nếu muốn xem phần giải thích riêng về nền tảng lý thuyết, bạn có thể đọc lý thuyết là gì.

Ví dụ, TAM của Davis gồm nhận thức hữu ích, nhận thức dễ sử dụng, thái độ và ý định sử dụng công nghệ. Khi làm đề tài về ứng dụng ngân hàng số, bạn có thể giữ lại các biến cốt lõi của TAM, thêm niềm tin hoặc rủi ro cảm nhận, rồi kiểm tra các mối quan hệ bằng bảng hỏi và dữ liệu khảo sát. TAM được Davis đề xuất năm 1989, với nguồn gốc được trích dẫn là (Davis, 1989).

Một mô hình tốt phải trả lời được bốn câu hỏi: nghiên cứu cái gì, các biến được định nghĩa thế nào, quan hệ giữa chúng ra sao, và mỗi quan hệ sẽ được đo bằng chỉ báo nào. Nếu sơ đồ chỉ có nhiều khái niệm nhưng không nối với câu hỏi nghiên cứu hoặc giả thuyết, đó mới là danh sách biến chứ chưa phải mô hình hoàn chỉnh.

Các thành phần trong mô hình

Một mô hình định lượng thường có biến độc lập, biến phụ thuộc, biến trung gian, biến điều tiết và các biến kiểm soát. Không phải đề tài nào cũng cần tất cả thành phần này. Bạn chỉ đưa một thành phần vào khi có lý do lý thuyết và khả năng đo lường rõ ràng.

Biến độc lập thường nằm ở phía trái sơ đồ, biến phụ thuộc nằm ở phía phải. Đây chỉ là cách trình bày dễ đọc, không phải quy tắc bắt buộc. Quan trọng hơn là mũi tên phải phản ánh đúng lập luận của đề tài và hướng kiểm định.

Một khái niệm như sự hài lòng hoặc niềm tin thường là biến tiềm ẩn. Bạn không quan sát trực tiếp biến này mà đo thông qua nhiều biến quan sát trong bảng hỏi. Chẳng hạn, sự hài lòng có thể được đo bằng các phát biểu về mức độ hài lòng tổng thể, mức độ đáp ứng kỳ vọng và quyết định tiếp tục lựa chọn.

Bạn cũng cần phân biệt biến khái niệm với biến quan sát. “Chất lượng dịch vụ” là khái niệm hoặc biến tiềm ẩn. Các mã như CLDV1, CLDV2 và CLDV3 là biến quan sát dùng để đo khái niệm đó. Việc đặt mã nhất quán ngay từ bảng hỏi sẽ giúp bạn tránh lỗi khi nhập file .sav hoặc .csv.

Nếu muốn xem cách phân biệt các thuật ngữ dễ nhầm, bạn có thể tham khảo bài giả thiết hay giả thuyết. Trong luận văn, giả thuyết là mệnh đề về quan hệ cần kiểm định, còn mô hình là cấu trúc trực quan và logic chứa các quan hệ đó.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc là phiên bản nền tảng được đề xuất trong công trình ban đầu. Mô hình mở rộng giữ lại một phần cấu trúc cũ, đồng thời thêm biến hoặc quan hệ mới để phù hợp với bối cảnh nghiên cứu. Bạn cần chỉ rõ biến nào đến từ mô hình gốc, biến nào được bổ sung và tại sao việc bổ sung đó cần thiết.

Một số mô hình thường gặp trong nghiên cứu kinh doanh và hành vi gồm TAM, TPB, UTAUT, UTAUT2 và SERVQUAL. TPB của Ajzen tập trung vào thái độ, chuẩn chủ quan, nhận thức kiểm soát hành vi và ý định hành vi, với nguồn gốc được trích dẫn là (Ajzen, 1991). UTAUT giải thích sự chấp nhận công nghệ thông qua các yếu tố như kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện thuận lợi, được trích dẫn là (Venkatesh và cộng sự, 2003).

UTAUT2 mở rộng UTAUT trong bối cảnh người tiêu dùng bằng cách bổ sung các yếu tố phù hợp hơn với hành vi sử dụng của cá nhân, được trích dẫn là (Venkatesh và cộng sự, 2012). SERVQUAL được dùng để đánh giá chất lượng dịch vụ thông qua các chiều cạnh thường được nhắc đến trong nghiên cứu dịch vụ, với nguồn gốc là (Parasuraman và cộng sự, 1988).

Khi xây dựng mô hình mở rộng, bạn không nên thêm biến chỉ vì biến đó xuất hiện trong nhiều bài trước. Một biến mới cần đáp ứng ba điều kiện: có cơ sở lý thuyết, có thang đo có thể tìm thấy và phù hợp với bối cảnh nghiên cứu. Nếu thêm quá nhiều biến, bảng hỏi dài hơn, cỡ mẫu cần thiết tăng và việc giải thích kết quả khó hơn.

Chẳng hạn, bạn nghiên cứu ý định sử dụng ví điện tử. Mô hình gốc có thể dựa trên TAM với nhận thức hữu ích và nhận thức dễ sử dụng. Mô hình mở rộng thêm niềm tin và rủi ro cảm nhận. Khi đó, phần cơ sở lý thuyết phải giải thích vì sao niềm tin có thể làm tăng ý định, còn rủi ro cảm nhận có thể làm giảm ý định. Mỗi mũi tên thêm vào cần có một đoạn lập luận tương ứng.

Bạn có thể xem thêm bài mô hình nghiên cứu để đối chiếu cách mô hình được trình bày trong một đề tài cụ thể. Với các mô hình mang tính ngành như phân tích cạnh tranh, Porter's Five Forces có cấu trúc khác với mô hình quan hệ giữa các biến dùng trong khảo sát định lượng.

Thang đo thường dùng cho từng khái niệm

Mỗi khái niệm trong mô hình cần được gắn với một thang đo phù hợp. Bạn nên bắt đầu từ công trình gốc hoặc các nghiên cứu đã sử dụng thang đo trong bối cảnh tương tự. Nguồn thang đo giúp bạn biết khái niệm được định nghĩa thế nào, có bao nhiêu biến quan sát và cách các tác giả đo lường nó.

Bảng trên chỉ là định hướng nguồn, không phải bản dịch đã được thẩm định cho mọi đề tài. Khi sử dụng thang đo, bạn cần điều chỉnh ngôn ngữ theo đối tượng khảo sát, giữ đúng ý nghĩa khái niệm và ghi rõ quá trình tham khảo. Không nên dịch máy từng câu rồi đưa thẳng vào bảng hỏi.

Trong bảng hỏi, mỗi biến quan sát thường được đo bằng thang Likert. Thang Likert được giới thiệu trong công trình của Likert, được trích dẫn là (Likert, 1932). Bạn cần thống nhất cách mã hóa, chẳng hạn 1 là hoàn toàn không đồng ý và 5 là hoàn toàn đồng ý. Các biến đảo chiều phải được đánh dấu ngay từ lúc thiết kế dữ liệu để tránh nhập sai khi chạy Cronbach's Alpha hoặc EFA.

Sau khi thu thập dữ liệu, bạn thường kiểm tra độ tin cậy bằng Cronbach's Alpha và Corrected Item-Total Correlation, sau đó mới xem xét EFA hoặc mô hình đo lường. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên được dùng trong nhiều nghiên cứu theo (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 tự động giữ hoặc loại biến.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là “Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng ứng dụng ngân hàng số của sinh viên”. Bạn có thể xây dựng mô hình minh họa gồm bốn biến độc lập là nhận thức hữu ích, nhận thức dễ sử dụng, niềm tin và rủi ro cảm nhận. Biến phụ thuộc là ý định tiếp tục sử dụng.

Mô hình lúc này có bốn mũi tên hướng vào biến phụ thuộc. Trước khi vẽ sơ đồ, hãy viết câu hỏi nghiên cứu: nhận thức hữu ích có ảnh hưởng đến ý định tiếp tục sử dụng không, nhận thức dễ sử dụng có ảnh hưởng không, niềm tin tác động theo hướng nào, và rủi ro cảm nhận có làm giảm ý định không.

Từ đó, bạn viết giả thuyết H1 đến H4 như sau:

• H1: Nhận thức hữu ích có ảnh hưởng cùng chiều đến ý định tiếp tục sử dụng ứng dụng ngân hàng số.
• H2: Nhận thức dễ sử dụng có ảnh hưởng cùng chiều đến ý định tiếp tục sử dụng ứng dụng ngân hàng số.
• H3: Niềm tin có ảnh hưởng cùng chiều đến ý định tiếp tục sử dụng ứng dụng ngân hàng số.
• H4: Rủi ro cảm nhận có ảnh hưởng ngược chiều đến ý định tiếp tục sử dụng ứng dụng ngân hàng số.

Bạn có thể đọc thêm giả thuyết là gì để kiểm tra cách đặt tên và diễn đạt các mối quan hệ. Mỗi giả thuyết cần xuất phát từ phần lập luận trước đó. Không nên viết bốn giả thuyết ở cuối chương nhưng không có đoạn giải thích cho từng mũi tên.

Cách viết vào luận văn có thể bắt đầu như sau: “Dựa trên TAM và các nghiên cứu trước, đề tài đề xuất mô hình gồm các biến nhận thức hữu ích, nhận thức dễ sử dụng, niềm tin, rủi ro cảm nhận và ý định tiếp tục sử dụng. Mô hình được kiểm định thông qua dữ liệu khảo sát [đối tượng khảo sát] tại [bối cảnh nghiên cứu], với thời gian thu thập từ [thời gian bắt đầu] đến [thời gian kết thúc].”

Khi trình bày, bạn nên đặt tên hình rõ ràng, chẳng hạn “Hình 2.1. Mô hình nghiên cứu đề xuất”. Phần dưới hình cần giải thích ký hiệu, nguồn mô hình và những điểm bạn điều chỉnh. Nếu mô hình do bạn tổng hợp từ nhiều nguồn, hãy nói rõ biến nào được kế thừa từ nguồn nào thay vì ghi chung chung là “tác giả đề xuất”.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn sử dụng các thang đo tổng hợp và hồi quy tuyến tính, chẳng hạn kiểm tra tác động của nhiều biến độc lập lên một biến phụ thuộc. Quy trình thường gồm làm sạch dữ liệu, chạy Cronbach's Alpha, EFA, tạo biến đại diện và chạy hồi quy. Trong SPSS, các đường dẫn thường dùng là Analyze > Scale > Reliability Analysis, Analyze > Dimension Reduction > Factor và Analyze > Regression > Linear.

Nếu bạn dùng SPSS, hãy kiểm tra các bảng Reliability Statistics, Item-Total Statistics, KMO and Bartlett's Test, Total Variance Explained, Rotated Component Matrix và Coefficients. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê dưới 0.05 thường được tham chiếu theo (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên có thể tham chiếu (Hair và cộng sự, 2010). Với hồi quy, cỡ mẫu tối thiểu theo quy tắc 50 + 8m có thể tham chiếu (Tabachnick và Fidell, 2013), trong đó m là số biến độc lập.

SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều biến quan sát, quan hệ trung gian hoặc mô hình cấu trúc phức tạp. Bạn chuẩn bị file .csv, đặt mỗi biến quan sát ở một cột và mỗi người trả lời ở một dòng. Trong SmartPLS 4, bạn tạo project, nhập dữ liệu, kéo các biến quan sát vào construct, nối các construct theo giả thuyết, sau đó chạy PLS Algorithm và Bootstrapping.

Khi đọc kết quả SmartPLS, bạn xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square và VIF. Outer loading từ 0.7 trở lên có thể tham chiếu (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên được tham chiếu (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất trong (Henseler và cộng sự, 2015). VIF dưới 5 có thể tham chiếu (Hair và cộng sự, 2019).

Trong PLS-SEM, bạn không đưa CFI, TLI hoặc RMSEA vào phần đánh giá mô hình như cách làm của CB-SEM. R² bằng 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là mạnh, trung bình và yếu theo (Hair và cộng sự, 2011). Khi chạy bootstrapping, số lượng 5.000 mẫu lặp có thể tham chiếu (Hair và cộng sự, 2022). Một tác động gián tiếp được xem là có ý nghĩa khi khoảng tin cậy bootstrap không chứa 0, theo (Preacher và Hayes, 2008).

Kết quả minh họa dưới đây cho thấy hình dạng bảng bạn có thể gặp trong SmartPLS. Đây chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế.

Khi viết chương kết quả, bạn cần thay toàn bộ số liệu minh họa bằng số liệu trong file của mình. Hãy báo cáo hệ số tác động, t-value hoặc p-value, khoảng tin cậy nếu có, R² và kết luận cho từng giả thuyết. Không nên chỉ ghi “giả thuyết được chấp nhận” mà không cho người đọc biết căn cứ là bảng nào và chỉ số nào.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là đưa quá nhiều biến vào sơ đồ vì muốn đề tài có vẻ đầy đủ. Mỗi biến làm tăng số câu hỏi, thời gian trả lời và công việc kiểm định. Bạn nên bắt đầu từ câu hỏi nghiên cứu, sau đó chọn số biến vừa đủ để trả lời câu hỏi đó.

Lỗi thứ hai là dùng tên lý thuyết nhưng không sử dụng logic của lý thuyết. Ví dụ, đề tài ghi dựa trên TAM nhưng lại thêm hàng loạt biến không được giải thích, hoặc dùng thang đo không liên quan đến định nghĩa gốc. Người đọc cần thấy mối nối giữa lý thuyết, mô hình, giả thuyết và thang đo.

Lỗi thứ ba là nhầm biến trung gian với biến điều tiết. Biến trung gian trả lời câu hỏi “tác động diễn ra thông qua yếu tố nào”. Biến điều tiết trả lời câu hỏi “khi điều kiện nào thay đổi thì tác động mạnh hay yếu hơn”. Hai loại biến này cần cách xây dựng giả thuyết và cách kiểm định khác nhau.

Lỗi thứ tư là vẽ mũi tên theo kết quả sau khi chạy dữ liệu. Mô hình và giả thuyết cần được đề xuất trước khi kiểm định. Nếu dữ liệu không ủng hộ một giả thuyết, bạn báo cáo kết quả đó và thảo luận nguyên nhân, thay vì sửa sơ đồ để khớp với p-value.

Lỗi cuối là trộn tiêu chí của SPSS, SmartPLS và AMOS. SPSS thường dùng hồi quy và EFA, SmartPLS dùng PLS-SEM, còn AMOS thuộc nhóm CB-SEM. Mỗi công cụ có cách đánh giá mô hình riêng. Bạn nên chọn công cụ dựa trên mô hình, loại dữ liệu, cỡ mẫu và yêu cầu của người hướng dẫn.

Câu hỏi thường gặp

Mô hình là gì trong nghiên cứu định lượng?

Mô hình là sơ đồ và cấu trúc lý giải các biến trong đề tài cùng quan hệ giữa chúng. Mô hình giúp bạn chuyển câu hỏi nghiên cứu và lý thuyết thành các giả thuyết có thể kiểm định bằng dữ liệu khảo sát.

Mô hình nghiên cứu có bắt buộc phải dựa trên một lý thuyết không?

Mô hình định lượng nên có nền tảng lý thuyết hoặc lập luận học thuật rõ ràng. Bạn có thể kết hợp nhiều lý thuyết, nhưng cần nói rõ phần nào được kế thừa, phần nào được điều chỉnh và lý do điều chỉnh.

Mô hình nghiên cứu có bao nhiêu biến là phù hợp?

Không có một con số cố định cho mọi đề tài. Số biến nên vừa đủ để trả lời câu hỏi nghiên cứu, có thang đo phù hợp và nằm trong khả năng thu thập dữ liệu của bạn. Thêm biến mà không có cơ sở sẽ làm bảng hỏi dài và mô hình khó giải thích.

Mô hình và giả thuyết khác nhau thế nào?

Mô hình là cấu trúc tổng thể, thường được thể hiện bằng các biến và mũi tên. Giả thuyết là từng mệnh đề cụ thể về một mối quan hệ trong mô hình, chẳng hạn nhận thức hữu ích có ảnh hưởng cùng chiều đến ý định sử dụng.

Nên dùng SPSS hay SmartPLS để kiểm định mô hình?

SPSS phù hợp với quy trình Cronbach's Alpha, EFA và hồi quy trên các biến tổng hợp. SmartPLS phù hợp với mô hình biến tiềm ẩn, nhiều biến quan sát và quan hệ trung gian hoặc cấu trúc phức tạp. Bạn cũng cần xem yêu cầu của khoa và người hướng dẫn trước khi chốt công cụ.

Mở file đề cương và dữ liệu của bạn, lập danh sách biến, nguồn thang đo và từng mũi tên giả thuyết trước khi chạy kiểm định; nếu cần thực hiện trọn bước phân tích trên file .sav hoặc .csv của mình, bạn có thể xem module M4 tại DoThesis.