Mô hình TPB là gì? Cách áp dụng và kiểm định trong luận văn
Mô hình TPB là gì
Bạn có thể gặp mô hình TPB khi nghiên cứu ý định mua hàng, ý định sử dụng ứng dụng, ý định khởi nghiệp, hành vi tiêu dùng xanh hoặc một hành vi có thể đo bằng bảng hỏi. TPB là viết tắt của Theory of Planned Behavior, thường được gọi là Theory of Planned Behaviour trong tài liệu tiếng Anh. Mô hình giải thích hành vi thông qua hai mắt xích chính: ý định thực hiện hành vi và khả năng kiểm soát hành vi được cảm nhận.
Ajzen phát triển TPB từ Theory of Reasoned Action bằng cách bổ sung biến Perceived Behavioral Control. Công trình nền tảng thường được trích dẫn là Ajzen (1991). Bạn có thể xem phần giải thích mở rộng tại bài lý thuyết TPB, nhưng khi viết luận văn vẫn cần điều chỉnh mô hình theo bối cảnh, đối tượng và hành vi cụ thể của đề tài.
Về logic, Attitude toward the Behavior, Subjective Norm và Perceived Behavioral Control ảnh hưởng đến Behavioral Intention. Behavioral Intention có thể ảnh hưởng đến Actual Behavior. Perceived Behavioral Control cũng có thể liên quan trực tiếp đến Actual Behavior khi người trả lời thật sự có điều kiện hoặc nguồn lực để thực hiện hành vi.
Bạn cần phân biệt TPB với việc chỉ hỏi người tham gia có thích một sản phẩm hay không. TPB yêu cầu bạn xác định rõ hành vi, đối tượng, bối cảnh và khoảng thời gian. Ví dụ, “ý định mua mỹ phẩm” còn rộng, trong khi “ý định mua mỹ phẩm hữu cơ trực tuyến trong ba tháng tới” tạo ra một hành vi cụ thể hơn để xây dựng biến quan sát.
Các thành phần trong mô hình
TPB có các cấu trúc cốt lõi dưới đây. Tên tiếng Anh nên được giữ trong bảng biến và output để bạn đối chiếu khi chạy SPSS hoặc SmartPLS.
| Thành phần | Ký hiệu thường dùng | Ý nghĩa trong nghiên cứu |
|---|---|---|
| Thái độ đối với hành vi | ATT | Mức độ người trả lời đánh giá hành vi là tích cực, có lợi hoặc đáng thực hiện |
| Chuẩn chủ quan | SN | Áp lực hoặc sự ủng hộ mà cá nhân cảm nhận từ gia đình, bạn bè, đồng nghiệp hay nhóm tham chiếu |
| Nhận thức kiểm soát hành vi | PBC | Mức độ cá nhân cảm thấy mình có khả năng, nguồn lực và điều kiện để thực hiện hành vi |
| Ý định hành vi | BI | Mức độ sẵn sàng hoặc kế hoạch thực hiện hành vi trong tương lai |
| Hành vi thực tế | AB | Hành động đã thực sự xảy ra, chẳng hạn đã mua, đã sử dụng hoặc đã đăng ký |
ATT thường được đo bằng các nhận định như hành vi này hữu ích, hợp lý hoặc đáng thực hiện. SN tập trung vào người khác và chuẩn mực xã hội. PBC đề cập đến khả năng kiểm soát, mức độ dễ thực hiện, thời gian, tiền bạc hoặc điều kiện tiếp cận. BI thể hiện xu hướng hành động, còn AB cần được đo bằng tần suất, lần thực hiện hoặc trạng thái đã thực hiện.
Nếu đề tài chỉ nghiên cứu ý định, mô hình có thể dừng ở BI. Nếu đề tài có dữ liệu về hành vi thực tế, bạn có thể đưa AB vào mô hình. Khi đó, cần giải thích vì sao ý định chưa chắc chuyển thành hành vi, đặc biệt khi người trả lời gặp hạn chế về ngân sách, thời gian hoặc khả năng tiếp cận.
Trong đề tài về công nghệ, bạn có thể tham khảo mô hình TAM để so sánh cách đo Perceived Usefulness và Perceived Ease of Use. Trong đề tài về tiêu dùng, giá trị tiêu dùng là gì có thể là biến bổ sung, nhưng không nên đưa thêm biến chỉ vì thấy nó xuất hiện trong một bài nghiên cứu khác.
Mô hình gốc và các mở rộng phổ biến
Mô hình TPB gốc gồm ba yếu tố dự báo ý định: ATT, SN và PBC. BI dự báo AB, trong khi PBC có thể tác động trực tiếp đến AB. Đây là cấu trúc phù hợp khi câu hỏi nghiên cứu của bạn tập trung vào ý định và hành vi có chủ đích.
Khi mở rộng TPB, bạn có thể bổ sung các biến như Perceived Risk, Trust, Environmental Concern, Perceived Value hoặc Past Behavior. Tuy nhiên, biến mới phải có cơ sở lý thuyết, thang đo phù hợp và vai trò rõ ràng trong mô hình. Một mô hình có quá nhiều biến sẽ làm bảng hỏi dài, tăng nguy cơ người trả lời chọn cùng một mức cho nhiều biến quan sát và khiến phần giải thích giả thuyết trở nên yếu.
Ví dụ, đề tài nghiên cứu ý định sử dụng ví điện tử có thể thêm Trust để giải thích rủi ro giao dịch. Đề tài nghiên cứu hành vi mua sản phẩm xanh có thể thêm Environmental Concern. Đề tài nghiên cứu hành vi học trực tuyến có thể xem xét Perceived Usefulness, nhưng nên kiểm tra sự giao thoa với các biến trong mô hình tự quyết hoặc mô hình công nghệ trước khi quyết định.
Bạn cũng cần phân biệt biến trung gian và biến điều tiết. Nếu ATT ảnh hưởng đến BI, còn BI ảnh hưởng đến AB, BI có thể được kiểm tra như một mediator. Nếu tuổi hoặc kinh nghiệm sử dụng làm thay đổi cường độ tác động giữa hai biến, đó là hướng moderator. Logic về mediator và moderator được trình bày trong Baron và Kenny (1986), còn kiểm định indirect effect bằng bootstrap được thảo luận trong Preacher và Hayes (2008).
Mô hình mở rộng không tự động tốt hơn mô hình gốc. Hội đồng thường hỏi ba điểm: vì sao biến mới có mặt, biến đó đo bằng thang đo nào, và giả thuyết có phù hợp với bối cảnh nghiên cứu không. Bạn nên trả lời được cả ba trước khi đưa biến vào bảng hỏi.
Thang đo thường dùng cho từng khái niệm
TPB không cung cấp một bộ biến quan sát duy nhất áp dụng cho mọi đề tài. Bạn cần tìm thang đo phù hợp với hành vi, đối tượng và bối cảnh. Bảng dưới đây là bản đồ nguồn tham khảo, không phải bộ câu hỏi đã được dịch và kiểm định sẵn cho đề tài của bạn.
| Khái niệm | Nội dung cần đo | Nguồn tham khảo phù hợp |
|---|---|---|
| Attitude toward the Behavior | Đánh giá tích cực, hữu ích, đáng làm hoặc phù hợp của hành vi | (Ajzen, 1991) |
| Subjective Norm | Ảnh hưởng và kỳ vọng từ người quan trọng đối với người trả lời | (Ajzen, 1991) |
| Perceived Behavioral Control | Khả năng, nguồn lực và mức độ kiểm soát khi thực hiện hành vi | (Ajzen, 1991) |
| Behavioral Intention | Sẵn sàng, dự định hoặc kế hoạch thực hiện hành vi | (Ajzen, 1991) |
| Actual Behavior | Hành vi đã xảy ra, tần suất hoặc mức độ sử dụng thực tế | (Ajzen, 1991) |
| Perceived Usefulness | Mức độ người dùng tin rằng công nghệ cải thiện kết quả công việc | (Davis, 1989) |
| Social influence trong bối cảnh công nghệ | Ảnh hưởng của người khác đến quyết định sử dụng | (Venkatesh và cộng sự, 2003) |
Bạn nên dùng thang Likert có hướng dẫn rõ, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Likert giới thiệu kỹ thuật đo lường thái độ trong Likert (1932). Nếu dùng thang 7 mức, hãy giữ cùng một số mức trong toàn bộ bảng hỏi và giải thích lựa chọn đó trong chương phương pháp.
Khi dịch biến quan sát, hãy giữ đúng đối tượng và hành vi. Một biến gốc đo “sử dụng ngân hàng di động” không nên dịch thành “sử dụng dịch vụ tài chính” nếu phạm vi nghiên cứu của bạn hẹp hơn. Bạn cũng cần kiểm tra các biến đảo chiều. Nếu có biến đảo chiều, mã hóa lại trước khi chạy Cronbach's Alpha và ghi rõ thao tác trong nhật ký xử lý dữ liệu.
Trong bảng hỏi, dùng “biến quan sát” khi nói về item của một khái niệm. “Câu hỏi” là cách nói thuận tiện trong quá trình thu thập dữ liệu, còn trong chương phương pháp, bạn nên ghi rõ mỗi khái niệm được đo bằng bao nhiêu biến quan sát và các biến đó lấy từ nguồn nào.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu “các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng thanh toán di động của sinh viên tại Thành phố Hồ Chí Minh”. Mô hình minh họa gồm ATT, SN, PBC và BI. Ví dụ này chỉ dùng để trình bày cách xây dựng mô hình, không phải kết quả của một nghiên cứu thật.
Mô hình khái niệm có thể viết như sau: ATT, SN và PBC là các biến độc lập; BI là biến phụ thuộc. Nếu bạn có dữ liệu về số lần sử dụng ứng dụng trong ba tháng gần nhất, có thể thêm AB làm biến phụ thuộc tiếp theo. Khi đó, cần thiết kế câu hỏi sàng lọc để phân biệt người đã sử dụng với người chỉ có ý định sử dụng.
Các giả thuyết minh họa:
- H1: Thái độ đối với việc sử dụng ứng dụng thanh toán di động có ảnh hưởng tích cực đến ý định sử dụng ứng dụng.
- H2: Chuẩn chủ quan có ảnh hưởng tích cực đến ý định sử dụng ứng dụng thanh toán di động.
- H3: Nhận thức kiểm soát hành vi có ảnh hưởng tích cực đến ý định sử dụng ứng dụng thanh toán di động.
- H4: Ý định sử dụng ứng dụng thanh toán di động có ảnh hưởng tích cực đến hành vi sử dụng thực tế.
Với đề tài khác, bạn thay hành vi và đối tượng trong từng giả thuyết. Chẳng hạn, nếu nghiên cứu hành vi dự định là gì, hãy xác định rõ “dự định” đang chỉ ý định mua, ý định tiếp tục sử dụng hay ý định giới thiệu. Các khái niệm gần nhau không nên dùng lẫn trong tên biến.
Cách viết vào luận văn có thể điều chỉnh như sau: “Dựa trên TPB của Ajzen (1991), nghiên cứu đề xuất ATT, SN và PBC có ảnh hưởng đến BI của [đối tượng nghiên cứu] đối với [hành vi nghiên cứu]. Đồng thời, BI được giả định có ảnh hưởng đến [hành vi thực tế nếu có dữ liệu].”
Sau khi chốt mô hình, bạn lập bảng mã biến, ví dụ ATT1 đến ATT4, SN1 đến SN3, PBC1 đến PBC4 và BI1 đến BI3. Tên biến trong bảng hỏi, file Excel, file .sav và mô hình SmartPLS nên thống nhất. Việc đổi tên tùy tiện giữa các bước làm bạn khó truy vết khi bị yêu cầu giải thích một biến đã bị loại.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn muốn kiểm tra dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA và hồi quy tuyến tính. Trong SPSS, bạn có thể vào Analyze > Scale > Reliability Analysis để kiểm tra độ tin cậy, sau đó dùng Analyze > Dimension Reduction > Factor để chạy EFA. Nếu mô hình TPB của bạn dùng các biến tổng hợp sau EFA, hồi quy có thể chạy tại Analyze > Regression > Linear.
SmartPLS phù hợp khi các khái niệm được đo bằng nhiều biến quan sát và bạn muốn đánh giá đồng thời measurement model và structural model. File .csv cần có hàng đầu là tên biến, mỗi hàng tiếp theo là một người trả lời. Trong SmartPLS 4, bạn tạo project, nhập dữ liệu, vẽ các construct ATT, SN, PBC, BI và AB, sau đó nối các mũi tên theo giả thuyết.
Quy trình nên đi theo hai giai đoạn. Giai đoạn đầu kiểm tra measurement model, gồm Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE và HTMT. Giai đoạn sau kiểm tra structural model, gồm VIF, Path Coefficients, R², f², Q² và kết quả bootstrapping. Cách tiếp cận đánh giá measurement model trước structural model phù hợp với Anderson và Gerbing (1988).
Các ngưỡng dưới đây là mốc tham khảo, không phải lý do để xóa biến máy móc. Bạn cần xem nội dung biến, độ phù hợp lý thuyết và thay đổi của mô hình sau mỗi lần loại biến.
| Chỉ số | Mốc thường dùng | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.70 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0.30 trở lên | (Nunnally và Bernstein, 1994) |
| Outer Loading | Từ 0.70 trở lên trong PLS-SEM | (Chin, 1998) |
| Composite Reliability | Từ 0.70 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.50 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrap trong PLS-SEM | 5.000 subsamples | (Hair và cộng sự, 2022) |
Khi chạy SmartPLS, đừng đưa CFI, TLI hoặc RMSEA vào phần đánh giá PLS-SEM. Các chỉ số này thuộc nhóm CB-SEM, với các mốc được thảo luận trong Hu và Bentler (1999). Nếu dùng AMOS cho CB-SEM, bạn cần mô tả quy trình khác với SmartPLS và không trộn hai hệ tiêu chí trong cùng một bảng kết quả.
Với SPSS, bạn có thể chạy EFA trước khi hồi quy. KMO từ 0.50 trở lên và Bartlett's Test có ý nghĩa thống kê dưới 0.05 thường được dùng để xem dữ liệu có phù hợp cho phân tích nhân tố hay không, theo Kaiser (1974). Eigenvalue lớn hơn 1 là một quy tắc trích nhân tố thường được trích dẫn từ Kaiser (1960), còn tổng phương sai trích từ 50% trở lên được tham khảo theo Hair và cộng sự (2010).
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là dùng chữ “hành vi” cho một biến chỉ đo ý định. Nếu bảng hỏi hỏi “tôi sẽ mua” hoặc “tôi dự định sử dụng”, biến đó đang đo BI. Muốn đo AB, bạn cần hỏi về hành động đã xảy ra, tần suất hoặc mức sử dụng trong một khoảng thời gian cụ thể.
Lỗi thứ hai là đưa quá nhiều biến bổ sung vào mô hình mà không có giả thuyết rõ. Mỗi mũi tên cần trả lời được câu hỏi biến nào ảnh hưởng đến biến nào, theo cơ chế nào và dựa trên nguồn nào. Một mô hình có nhiều biến nhưng phần lập luận sơ sài thường khó bảo vệ hơn mô hình gọn.
Lỗi thứ ba là lấy nguyên bộ thang đo từ một bài nghiên cứu nước ngoài rồi dịch từng chữ. Ngữ cảnh, nhóm tuổi, sản phẩm và hành vi có thể khác nhau. Bạn cần đọc lại từng biến quan sát, thử trên một nhóm nhỏ phù hợp với đối tượng nghiên cứu và ghi nhận các điều chỉnh trước khi thu thập chính thức.
Lỗi thứ tư là loại biến chỉ vì làm Alpha tăng. Alpha từ 0.70 trở lên thường được chấp nhận theo Nunnally (1978), còn nghiên cứu khám phá có thể tham khảo mức từ 0.60 theo Hair và cộng sự (2010). Tuy vậy, quyết định giữ hay loại biến phải xem thêm Corrected Item-Total Correlation, nội dung lý thuyết và cấu trúc nhân tố.
Lỗi cuối là nhìn p-value rồi kết luận toàn bộ TPB đúng hoặc sai. Bạn cần báo cáo hệ số tác động, sai số, khoảng tin cậy nếu có, mức giải thích R² và ý nghĩa thực tiễn. Một giả thuyết có ý nghĩa thống kê nhưng hệ số nhỏ vẫn cần được diễn giải thận trọng.
Câu hỏi thường gặp
Mô hình TPB có bao nhiêu biến?
TPB cốt lõi gồm ATT, SN, PBC, BI và có thể có AB. Ba biến đầu thường dự báo BI, còn BI dự báo AB. Đề tài chỉ nghiên cứu ý định có thể không cần đưa AB vào mô hình nếu bạn không có dữ liệu hành vi thực tế.
Mô hình TPB và mô hình TRA khác nhau thế nào?
TRA tập trung vào Attitude, Subjective Norm và Behavioral Intention. TPB bổ sung Perceived Behavioral Control để giải thích những trường hợp cá nhân có ý định nhưng bị giới hạn bởi nguồn lực hoặc điều kiện thực hiện.
Nên chạy mô hình TPB bằng SPSS hay SmartPLS?
SPSS phù hợp khi bạn muốn kiểm tra độ tin cậy, EFA và hồi quy trên các biến tổng hợp. SmartPLS phù hợp khi bạn muốn đánh giá đồng thời biến tiềm ẩn, outer loading, AVE, HTMT, path coefficient và bootstrapping. Lựa chọn nên dựa vào thiết kế nghiên cứu, loại mô hình và yêu cầu của giảng viên.
Có bắt buộc phải đưa hành vi thực tế vào mô hình TPB không?
Không bắt buộc. Nếu mục tiêu nghiên cứu là ý định, bạn có thể xây dựng mô hình kết thúc ở BI. Nếu đưa AB vào, bảng hỏi cần có câu đo hành vi đã xảy ra, tránh dùng các câu dự định trong tương lai rồi gọi đó là hành vi thực tế.
Mô hình TPB bị lỗi khi chạy EFA thì phải làm sao?
Bạn kiểm tra lại mã hóa biến đảo chiều, dữ liệu thiếu, cách nhập giá trị và nội dung các biến quan sát. Sau đó xem KMO, Bartlett's Test, communalities và Rotated Component Matrix. Nếu cần loại biến, hãy ghi lại lý do từng vòng và bảo đảm quyết định vẫn phù hợp với lý thuyết, thay vì xóa hàng loạt để đạt một output đẹp.
Bạn mở file dữ liệu của mình, lập bảng mã ATT, SN, PBC, BI và AB nếu có, rồi đối chiếu từng biến quan sát với giả thuyết trước khi chạy kiểm định. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi từng bước xử lý, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.