Mô hình nghiên cứu là gì và cách xây dựng cho luận văn định lượng

Mô hình nghiên cứu là gì

Bạn có thể hình dung mô hình nghiên cứu như bản đồ của một đề tài định lượng. Nó cho biết đề tài đang nghiên cứu những khái niệm nào, mối quan hệ giữa chúng ra sao và mối quan hệ nào sẽ được kiểm định bằng dữ liệu bảng hỏi. Một mô hình thường có biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết, kèm theo các mũi tên thể hiện hướng tác động dự kiến.

Khi tìm hiểu mô hình nghiên cứu là gì, bạn cần phân biệt ba lớp thường bị trộn lẫn. Lý thuyết giải thích vì sao một mối quan hệ có thể tồn tại. Mô hình nghiên cứu chuyển phần giải thích đó thành các biến và quan hệ cụ thể trong đề tài. Giả thuyết là phát biểu có thể kiểm định về từng mối quan hệ trong mô hình. Bạn có thể đọc thêm về lý thuyết là gì, mô hình là gì và giả thuyết là gì để tách rõ ba khái niệm này.

Một mô hình tốt phải gắn được với câu hỏi nghiên cứu, thang đo và phương pháp phân tích. Nếu bạn vẽ nhiều biến chỉ vì thấy chúng xuất hiện trong các bài trước, mô hình sẽ khó giải thích khi bảo vệ. Ngược lại, một mô hình có ít biến nhưng mỗi mối quan hệ đều có cơ sở lý thuyết và dữ liệu để đo lường thường dễ kiểm định hơn.

Các thành phần trong mô hình

Trước khi vẽ mô hình bằng Word, PowerPoint hoặc Visio, hãy lập danh sách biến trong một bảng riêng. Tên viết tắt cần nhất quán từ đề cương, bảng hỏi đến file .sav hoặc .csv. Trong mô hình định lượng, các thành phần thường gặp gồm:

Biến phụ thuộc nên trả lời trực tiếp cho mục tiêu nghiên cứu. Nếu đề tài hỏi điều gì ảnh hưởng đến ý định mua, “ý định mua” thường là biến phụ thuộc. Các yếu tố như giá cảm nhận, niềm tin hoặc chất lượng thông tin có thể là biến độc lập, tùy vào lập luận của bạn.

Biến trung gian cần được dùng khi bạn có lý do để giải thích cơ chế. Ví dụ, chất lượng thông tin có thể làm tăng niềm tin, sau đó niềm tin làm tăng ý định mua. Khi đó, chỉ vẽ mũi tên trực tiếp từ chất lượng thông tin đến ý định mua là chưa đủ nếu câu hỏi nghiên cứu còn muốn biết vai trò của niềm tin.

Biến điều tiết có cách đọc khác. Tuổi, kinh nghiệm hoặc mức độ quan tâm có thể làm mối quan hệ mạnh hơn ở một nhóm và yếu hơn ở nhóm khác. Bạn không nên gọi một biến là “điều tiết” chỉ vì biến đó được đưa vào mô hình. Vai trò này cần được kiểm định bằng tương tác hoặc thủ tục phù hợp trong SPSS hay SmartPLS.

Mô hình gốc và các mở rộng phổ biến

Mô hình nghiên cứu thường bắt đầu từ một lý thuyết hoặc mô hình gốc đã được sử dụng trong lĩnh vực. Chẳng hạn, Technology Acceptance Model của Davis tập trung vào nhận thức hữu ích, nhận thức dễ sử dụng và sự chấp nhận công nghệ (Davis, 1989). Theory of Planned Behavior của Ajzen xem xét thái độ, chuẩn chủ quan, kiểm soát hành vi cảm nhận và ý định (Ajzen, 1991). UTAUT mở rộng cách giải thích hành vi chấp nhận công nghệ qua các yếu tố như kỳ vọng hiệu quả, kỳ vọng nỗ lực và ảnh hưởng xã hội (Venkatesh và cộng sự, 2003).

Khi áp dụng mô hình gốc, bạn cần xác định phần nào được giữ lại và phần nào được điều chỉnh. Giữ lại nghĩa là vẫn sử dụng các khái niệm cốt lõi và logic quan hệ chính. Điều chỉnh có thể là thêm biến phù hợp với bối cảnh, bỏ biến không có dữ liệu hoặc thay đổi biến phụ thuộc theo câu hỏi nghiên cứu.

Ví dụ, một đề tài về ứng dụng ngân hàng có thể bắt đầu từ UTAUT, sau đó thêm niềm tin vì bối cảnh liên quan đến giao dịch tài chính. Tuy nhiên, thêm biến phải đi kèm lập luận và nguồn thang đo. Một sơ đồ có thêm năm biến nhưng không giải thích được lý do thường khiến hội đồng hỏi ngay: “Biến này xuất hiện từ đâu và vì sao lại có mũi tên như vậy?”.

Bạn có thể xem chủ đề Mô hình nghiên cứu để đối chiếu các hướng mô hình khác nhau, nhưng khi chốt đề tài vẫn phải quay về đối tượng, bối cảnh và dữ liệu thực tế của mình.

Một nguyên tắc an toàn là chỉ mở rộng mô hình khi biến mới đáp ứng ba điều kiện: có ý nghĩa với câu hỏi nghiên cứu, có cơ sở từ tài liệu được kiểm tra và có thang đo phù hợp. Nếu không đáp ứng điều kiện thứ ba, mô hình có thể đẹp trên sơ đồ nhưng không thể thu thập dữ liệu đáng tin cậy.

Thang đo thường dùng cho từng khái niệm

Mô hình chỉ cho bạn biết cần đo khái niệm nào. Thang đo cho biết bạn sẽ đo khái niệm đó bằng những biến quan sát nào. Không nên lấy một vài câu hỏi trên Internet rồi gắn nhãn cho một biến tiềm ẩn. Bạn cần tìm nguồn thang đo gốc, đọc bối cảnh ban đầu và điều chỉnh cách diễn đạt cho người trả lời tại Việt Nam.

Bảng trên chỉ là điểm bắt đầu, không phải bộ câu hỏi đã được xác nhận cho mọi bối cảnh. Khi chuyển ngữ, bạn cần giữ nghĩa của khái niệm, tránh dùng từ quá chuyên môn và kiểm tra xem người trả lời có hiểu cùng một cách hay không. Các biến quan sát nên viết thành phát biểu đơn nghĩa, mỗi phát biểu tập trung vào một nội dung.

Sau khi có bảng hỏi, quy trình định lượng thường đi từ kiểm tra dữ liệu, Cronbach's Alpha, EFA nếu nghiên cứu sử dụng EFA, rồi đến hồi quy hoặc PLS-SEM. 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 ngưỡng thường dùng (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được xem xét theo bối cảnh (Hair và cộng sự, 2010).

Nếu bạn dùng SmartPLS, hãy tách rõ mô hình đo lường và mô hình cấu trúc. Mô hình đo lường kiểm tra outer loading, độ tin cậy và giá trị hội tụ, còn mô hình cấu trúc kiểm tra path coefficient, ý nghĩa thống kê và mức độ giải thích. Không nên đưa các chỉ số CFI, TLI hoặc RMSEA của CB-SEM vào phần đánh giá PLS-SEM.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu “các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng học trực tuyến của sinh viên”. Bạn có thể xây dựng mô hình minh họa gồm ba biến độc lập, một biến trung gian và một biến phụ thuộc:

Nhận thức hữu ích  ─┐
Nhận thức dễ sử dụng ─┼──> Niềm tin ───> Ý định sử dụng
Chất lượng thông tin ─┘          └──────> Ý định sử dụng

Đây là sơ đồ minh họa, không phải kết quả của một nghiên cứu thực tế. Trước khi đưa vào luận văn, bạn cần thay tên biến, tìm nguồn thang đo và xác định quan hệ nào thật sự phù hợp với đề tài của mình.

Từ sơ đồ này, bạn có thể viết các giả thuyết như sau:

• H1: Nhận thức hữu ích có tác động tích cực đến niềm tin của sinh viên đối với ứng dụng học trực tuyến.
• H2: Nhận thức dễ sử dụng có tác động tích cực đến niềm tin của sinh viên đối với ứng dụng học trực tuyến.
• H3: Chất lượng thông tin có tác động tích cực đến niềm tin của sinh viên đối với ứng dụng học trực tuyến.
• H4: Niềm tin có tác động tích cực đến ý định sử dụng ứng dụng học trực tuyến.

Nếu muốn kiểm tra tác động trực tiếp, bạn có thể thêm giả thuyết về đường dẫn từ nhận thức hữu ích đến ý định sử dụng. Nếu muốn kiểm tra vai trò trung gian, cần đánh giá tác động gián tiếp của từng biến độc lập thông qua niềm tin. Việc này phải được xác định trước khi chạy mô hình, không nên thêm giả thuyết sau khi đã nhìn thấy p-value.

Trong file dữ liệu, bạn có thể đặt mã như PU1, PU2, PU3 cho nhận thức hữu ích, PEOU1, PEOU2, PEOU3 cho nhận thức dễ sử dụng, TR1, TR2, TR3 cho niềm tin và BI1, BI2, BI3 cho ý định sử dụng. Mỗi cột nên đại diện cho một biến quan sát, mỗi dòng là một người trả lời. Các câu hỏi nhân khẩu học cần được mã hóa riêng và ghi chú rõ giá trị trong file.

Khi viết vào chương 3, bạn có thể dùng đoạn sau và thay phần trong ngoặc vuông: “Dựa trên [tên lý thuyết hoặc mô hình gốc], nghiên cứu đề xuất mô hình gồm [số lượng] biến độc lập, [số lượng] biến trung gian và [tên biến phụ thuộc]. Các giả thuyết được xây dựng để kiểm định tác động của [biến X] đến [biến Y] trong bối cảnh [đối tượng và địa bàn nghiên cứu].”

Khi viết vào chương 4, hãy chỉ kết luận theo kết quả thực tế. Câu mẫu có thể là: “Kết quả phân tích cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có hệ số [β] và p-value bằng [giá trị]. Do đó, giả thuyết [H1] được [chấp nhận hoặc không được chấp nhận] ở mức ý nghĩa [mức ý nghĩa].” Không điền số minh họa vào chương kết quả của bạn.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn dùng các biến tổng hợp để chạy hồi quy, kiểm định trung gian bằng PROCESS hoặc phân tích EFA. Bạn cần kiểm tra dữ liệu thiếu, mã hóa biến đảo chiều, thống kê mô tả và độ tin cậy trước khi tạo biến đại diện. Với hồi quy, nên kiểm tra đa cộng tuyến, phần dư và các điều kiện liên quan trước khi diễn giải hệ số.

SmartPLS phù hợp khi đề tài có nhiều biến tiềm ẩn, mô hình trung gian hoặc mô hình cấu trúc phức tạp. File .csv cần có hàng đầu là tên biến, các hàng sau là quan sát và tên cột không bị trùng. Trong SmartPLS 4, bạn tạo project, nhập dữ liệu, kéo biến tiềm ẩn vào canvas, nối các construct theo giả thuyết rồi chạy PLS Algorithm.

Ở bước đánh giá mô hình đo lường, 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 dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, là ngưỡng tham khảo cho giá trị phân biệt (Henseler và cộng sự, 2015).

Ở bước đánh giá mô hình cấu trúc, hãy đọc VIF, path coefficient, t-value, p-value, R², f² và Q² theo thiết kế nghiên cứu. VIF dưới 5 là ngưỡng được báo cáo phổ biến trong PLS-SEM (Hair và cộng sự, 2019). R² bằng 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là đáng kể, trung bình và yếu theo hướng dẫn của (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có khả năng dự báo theo tiêu chí này (Stone, 1974).

Khi chạy bootstrapping, bạn cần ghi rõ số subsamples và khoảng tin cậy. Hướng dẫn hiện hành thường sử dụng 5.000 bootstrap subsamples (Hair và cộng sự, 2022). Nếu kiểm tra tác động gián tiếp, khoảng tin cậy bootstrap không chứa 0 là điều kiện quan trọng để kết luận tác động có ý nghĩa (Preacher và Hayes, 2008).

SPSS, SmartPLS, AMOS, JASP và R có ưu điểm khác nhau. AMOS phù hợp hơn với CB-SEM và các chỉ số độ phù hợp mô hình, còn JASP và R hữu ích khi bạn muốn kiểm soát quy trình bằng giao diện hoặc mã lệnh. Thuê dịch vụ chạy SPSS có thể tiết kiệm thời gian thao tác nhưng làm tăng rủi ro khi bạn không giải thích được file output lúc bảo vệ. Tự chạy bằng SPSS hoặc SmartPLS giúp bạn hiểu từng bước, nhưng cần lưu lại phiên bản dữ liệu, bảng kết quả và nhật ký loại biến.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là vẽ mô hình trước khi xác định câu hỏi nghiên cứu. Bạn nên bắt đầu từ vấn đề cần giải thích, sau đó chọn lý thuyết và biến. Nếu làm ngược, bạn dễ tạo một sơ đồ có nhiều mũi tên nhưng không biết mối quan hệ nào là trọng tâm.

Lỗi thứ hai là dùng tên biến không nhất quán. Trong chương 2 bạn viết “chất lượng cảm nhận”, chương 3 đổi thành “chất lượng dịch vụ”, còn file SPSS lại ghi “QUAL”. Người đọc sẽ khó biết đây là một khái niệm hay ba khái niệm khác nhau. Hãy lập danh mục mã biến trước khi thiết kế bảng hỏi.

Lỗi thứ ba là thêm biến sau khi xem kết quả. Nếu một biến có p-value lớn, bạn không nên tùy tiện đổi hướng giả thuyết hoặc xóa biến chỉ để mô hình đẹp hơn. Bạn có thể thảo luận kết quả không được ủng hộ, kiểm tra lỗi dữ liệu và báo cáo rõ giới hạn của nghiên cứu.

Lỗi thứ tư là lấy thang đo từ nguồn không rõ ràng. Một bảng hỏi sao chép từ bài mẫu có thể không phù hợp với đối tượng của bạn. Hãy ghi nguồn, số biến quan sát, cách dịch và các điều chỉnh trong chương phương pháp.

Lỗi thứ năm là trộn tiêu chí giữa SPSS và SmartPLS. Cronbach's Alpha, EFA và hồi quy có cách đọc khác với outer loading, HTMT, R² và bootstrapping. Bạn cần xác định công cụ và họ phương pháp trước khi chọn ngưỡng đánh giá.

Câu hỏi thường gặp

Mô hình nghiên cứu là gì và có bắt buộc phải vẽ không?

Mô hình nghiên cứu là sơ đồ hoặc cấu trúc mô tả các biến và mối quan hệ cần kiểm định. Với luận văn định lượng, bạn nên trình bày mô hình bằng sơ đồ vì nó giúp người đọc nhìn thấy phạm vi nghiên cứu, hướng tác động và vị trí của từng giả thuyết.

Bạn có thể vẽ bằng Word, PowerPoint, Visio hoặc công cụ sơ đồ khác. Công cụ không quyết định chất lượng mô hình. Logic lý thuyết, cách đo lường và khả năng kiểm định mới là phần hội đồng thường hỏi.

Mô hình nghiên cứu và lý thuyết khác nhau thế nào?

Lý thuyết là hệ thống giải thích rộng hơn về một hiện tượng. Mô hình nghiên cứu là cách bạn chọn một phần lý thuyết để áp dụng vào đối tượng, bối cảnh và biến cụ thể của đề tài. Một lý thuyết có thể dẫn đến nhiều mô hình khác nhau tùy câu hỏi nghiên cứu.

Có nên thêm thật nhiều biến vào mô hình không?

Bạn chỉ nên thêm biến khi có cơ sở lý thuyết, thang đo phù hợp và dữ liệu có thể thu thập. Mô hình càng nhiều biến càng cần cỡ mẫu, thời gian thiết kế bảng hỏi và công sức giải thích lớn hơn. Một mô hình gọn, có lập luận rõ thường dễ bảo vệ hơn mô hình phức tạp nhưng thiếu căn cứ.

Vẽ mô hình nghiên cứu bằng Visio có cần thiết không?

Visio chỉ là công cụ trình bày. Bạn có thể dùng Word hoặc PowerPoint nếu sơ đồ rõ, tên biến dễ đọc và mũi tên không bị chồng lên nhau. Hãy lưu một bản chỉnh sửa được để sau này thay đổi biến hoặc hướng mũi tên mà không phải vẽ lại toàn bộ.

Mô hình nghiên cứu có cần giống hoàn toàn mô hình gốc không?

Không nhất thiết. Bạn có thể giữ các thành phần cốt lõi và điều chỉnh theo bối cảnh, nhưng mọi thay đổi cần được giải thích bằng tài liệu, câu hỏi nghiên cứu và khả năng đo lường. Nếu bỏ hoặc thêm biến, hãy nói rõ phần kế thừa và phần mở rộng trong chương cơ sở lý thuyết.

Bạn hãy mở file đề cương và file dữ liệu, lập danh sách biến gồm mã biến, nguồn thang đo, vai trò trong mô hình và giả thuyết tương ứng, sau đó đối chiếu lại với sơ đồ trước khi chạy phân tích. Nếu cần xây dựng mô hình, thang đo và bảng hỏi theo đúng đề tài của mình, bạn có thể xem M3 về mô hình, thang đo và bảng hỏi.