Mô hình TRA là gì và cách áp dụng trong luận văn định lượng

Mô hình TRA là gì

Mô hình TRA, viết đầy đủ là Theory of Reasoned Action, là mô hình giải thích hành vi dự định của một cá nhân dựa trên hai nhóm yếu tố chính: thái độ đối với hành vi và chuẩn chủ quan. Trong mô hình này, hành vi dự định thường được xem là biến trung gian gần nhất dẫn đến hành vi thực tế. Mối quan hệ cốt lõi có thể trình bày theo chuỗi: niềm tin ảnh hưởng đến thái độ và chuẩn chủ quan, thái độ cùng chuẩn chủ quan ảnh hưởng đến hành vi dự định, sau đó hành vi dự định ảnh hưởng đến hành vi thực tế.

TRA được xây dựng bởi Fishbein và Ajzen trong hướng nghiên cứu về thái độ, niềm tin và hành vi. Trong danh mục nguồn được phép trích dẫn của bài này, công trình nền tảng liên quan trực tiếp và thường được dùng để phát triển mô hình hành vi là lý thuyết TPB của Ajzen. Khi viết luận văn, bạn nên kiểm tra tài liệu gốc mà giảng viên yêu cầu trước khi ghi năm xuất bản của TRA. Phần mô hình minh họa dưới đây tập trung vào cấu trúc và cách kiểm định, không tự gán thêm một năm xuất bản chưa được xác minh.

Bạn có thể xem thêm lý thuyết TPB để hiểu mô hình mở rộng từ TRA. TPB bổ sung cảm nhận kiểm soát hành vi nhằm giải thích những trường hợp một người có ý định nhưng vẫn gặp hạn chế khi thực hiện hành vi.

Về mặt định lượng, TRA phù hợp với đề tài có câu hỏi dạng: thái độ của khách hàng có làm tăng ý định mua hay không, ảnh hưởng của người quan trọng có làm tăng ý định sử dụng hay không, hoặc ý định có liên quan đến hành vi thực tế hay không. Mỗi khái niệm cần được đo bằng nhiều biến quan sát trong bảng hỏi, sau đó kiểm định độ tin cậy, giá trị thang đo và các đường tác động trong mô hình.

Các thành phần trong mô hình

Khi mở file dữ liệu, bạn nên phân biệt rõ biến tiềm ẩn và biến quan sát. Ví dụ, Thái độ là một biến tiềm ẩn, còn ATT1, ATT2 và ATT3 là các biến quan sát dùng để đo biến đó. Cách đặt mã nhất quán giúp bạn tránh nhầm khi chạy Cronbach's Alpha, EFA hoặc dựng mô hình trên SmartPLS.

Trong nhiều luận văn, các thành phần niềm tin hành vi và niềm tin chuẩn mực được đo gián tiếp thông qua các biến tổng hợp. Một số nghiên cứu chỉ đưa Thái độ, Chuẩn chủ quan và Hành vi dự định vào mô hình cấu trúc để bảng hỏi gọn hơn. Cách chọn này cần phù hợp với câu hỏi nghiên cứu và nguồn thang đo, không nên thêm biến chỉ vì phần mềm cho phép chạy nhiều đường dẫn.

Thái độ thường thể hiện đánh giá tích cực hoặc tiêu cực của người trả lời. Chuẩn chủ quan phản ánh ảnh hưởng xã hội được cảm nhận, chẳng hạn ý kiến của gia đình, bạn bè hoặc đồng nghiệp. Hành vi dự định thể hiện ý định, kế hoạch hoặc khả năng thực hiện hành vi trong một khoảng thời gian cụ thể.

Nếu đề tài của bạn nghiên cứu quyết định sử dụng công nghệ, có thể so sánh TRA với mô hình TPB, mô hình tự quyết hoặc các mô hình chấp nhận công nghệ. Việc so sánh cần dựa trên biến mà đề tài thực sự đo, không chỉ dựa vào tên mô hình.

Mô hình gốc và các mở rộng phổ biến

Mô hình TRA có logic khá gọn, nhưng hành vi thực tế đôi khi bị giới hạn bởi tiền bạc, thời gian, kỹ năng, quyền truy cập hoặc điều kiện bên ngoài. Một người có thái độ tích cực và ý định mạnh vẫn có thể không thực hiện hành vi nếu họ không có khả năng hoặc cơ hội thực hiện. Đây là lý do nhiều nghiên cứu mở rộng mô hình bằng cách bổ sung biến giải thích khác.

Mở rộng nổi tiếng nhất là TPB của Ajzen. TPB bổ sung Perceived Behavioral Control, thường được trình bày bằng tiếng Việt là cảm nhận kiểm soát hành vi. Theo Ajzen (1991), ý định chịu ảnh hưởng của thái độ, chuẩn chủ quan và cảm nhận kiểm soát hành vi. Cảm nhận kiểm soát hành vi cũng có thể liên quan trực tiếp đến hành vi khi cá nhân có đủ quyền kiểm soát đối với việc thực hiện hành động.

Bạn có thể đọc thêm bài hành vi dự định là gì nếu đang phân vân giữa biến ý định và biến hành vi. Hai biến này không nên dùng thay thế cho nhau trong bảng hỏi. Ý định nói về kế hoạch hoặc sự sẵn sàng, còn hành vi nói về điều người trả lời đã thực hiện.

Một hướng mở rộng khác là đưa các yếu tố bối cảnh vào TRA, chẳng hạn giá trị cảm nhận, rủi ro cảm nhận, sự thuận tiện hoặc niềm tin. Nếu dùng các biến này, bạn cần giải thích vì sao chúng bổ sung cho cơ chế của TRA và tìm thang đo phù hợp. Ví dụ, khái niệm giá trị cảm nhận trong hành vi tiêu dùng có thể được phân biệt với thái độ. Bạn có thể xem giá trị tiêu dùng là gì trước khi quyết định đặt biến này vào mô hình.

Khi mở rộng TRA, hãy giữ mô hình vừa đủ cho cỡ mẫu và thời gian xử lý dữ liệu. Một mô hình có quá nhiều biến tiềm ẩn sẽ làm bảng hỏi dài, tăng nguy cơ người trả lời chọn cùng một mức cho nhiều câu và khiến phần giải thích giả thuyết trở nên rời rạc. Mỗi biến thêm vào cần có định nghĩa, nguồn thang đo, lý do lý thuyết và giả thuyết riêng.

Thang đo thường dùng cho từng khái niệm

Bảng dưới đây là bản đồ tham khảo để bạn tìm và điều chỉnh thang đo. Đây không phải bản dịch đã được kiểm định cho mọi bối cảnh Việt Nam. Bạn cần đối chiếu bài gốc, dịch phù hợp với đối tượng khảo sát, thử nghiệm bảng hỏi và ghi rõ quá trình điều chỉnh trong chương phương pháp.

Với mỗi biến tiềm ẩn, bạn nên dùng các biến quan sát có cùng phạm vi khái niệm. Chẳng hạn, ATT1 hỏi về đánh giá tốt hoặc xấu, còn ATT2 hỏi về mức độ hữu ích của hành vi thì cần xem hai nội dung này có thực sự cùng đo Thái độ hay đã chuyển sang Giá trị cảm nhận.

Thang Likert 5 hoặc 7 mức thường được dùng trong bảng hỏi định lượng. Likert (1932) là nguồn nền tảng cho kỹ thuật đo lường thái độ bằng các mức phản hồi. Trong bảng hỏi tiếng Việt, hãy viết một câu dẫn thống nhất, nêu rõ 1 và 5 hoặc 1 và 7 đại diện cho điều gì, đồng thời tránh câu phủ định kép.

Nếu có biến quan sát đảo chiều, bạn phải mã hóa lại trước khi đánh giá độ tin cậy. Một câu như Tôi thường không có ý định sử dụng sản phẩm này có thể gây nhầm nếu người trả lời đọc nhanh. Khi nhập SPSS, hãy kiểm tra cột mới sau khi đảo chiều, không ghi đè dữ liệu gốc nếu chưa lưu bản sao.

Áp dụng vào đề tài của bạn

Giả sử đề tài là các yếu tố ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên. Bạn có thể xây dựng mô hình minh họa gồm Thái độ, Chuẩn chủ quan, Cảm nhận kiểm soát hành vi và Hành vi dự định. Đây là mô hình minh họa để bạn tập cách viết, không phải kết quả của một nghiên cứu đã chạy dữ liệu.

Mô hình khái niệm có thể trình bày như sau:

Thái độ, Chuẩn chủ quan và Cảm nhận kiểm soát hành vi → Hành vi dự định

Các giả thuyết có thể viết:

• H1: Thái độ đối với việc sử dụng ví điện tử có tác động cùng chiều đến Hành vi dự định sử dụng ví điện tử.
• H2: Chuẩn chủ quan có tác động cùng chiều đến Hành vi dự định sử dụng ví điện tử.
• H3: Cảm nhận kiểm soát hành vi có tác động cùng chiều đến Hành vi dự định sử dụng ví điện tử.
• H4: Hành vi dự định sử dụng ví điện tử có tác động cùng chiều đến Hành vi sử dụng ví điện tử thực tế.

Mỗi giả thuyết cần nối được ba phần: lập luận lý thuyết, kết quả nghiên cứu trước mà bạn đã đọc và quan hệ giữa hai biến trong mô hình. Không nên viết H1 chỉ vì hai biến nghe có vẻ liên quan. Nếu không có lý do cho chiều tác động, hãy trình bày giả thuyết theo hướng phù hợp với cơ sở lý thuyết hoặc nêu rõ đây là quan hệ cần kiểm định.

Trong bảng hỏi, bạn có thể đặt các nhóm biến theo thứ tự ATT, SN, PBC, INT và BEH, nhưng nên trộn thứ tự câu hỏi khi cần hạn chế việc người trả lời đoán mục tiêu nghiên cứu. Dù trộn thứ tự, mã biến trong file dữ liệu vẫn cần rõ ràng. Một dòng dữ liệu tương ứng với một người trả lời, một cột tương ứng với một biến quan sát.

Khi viết chương 3, hãy mô tả định nghĩa thao tác của từng biến. Ví dụ, Hành vi dự định được đo bằng mức độ người trả lời dự định tiếp tục sử dụng ví điện tử trong thời gian tới. Khoảng thời gian phải cụ thể nếu hành vi có thể thay đổi nhanh, chẳng hạn trong một tháng hoặc ba tháng.

Cách viết vào luận văn có thể điều chỉnh như sau: Mô hình nghiên cứu đề xuất gồm [số lượng] biến độc lập là [tên biến], biến phụ thuộc là [tên biến] và [biến trung gian hoặc biến kiểm soát nếu có]. Dựa trên [tên lý thuyết hoặc nguồn], nghiên cứu đề xuất [số lượng] giả thuyết về tác động của các biến trong mô hình.

Khi có dữ liệu, không đi thẳng vào kết luận giả thuyết từ bảng tương quan. Bạn cần kiểm tra thang đo trước, sau đó chạy mô hình phù hợp và báo cáo hệ số tác động, mức ý nghĩa thống kê, khoảng tin cậy nếu có, cùng R² hoặc chỉ số phù hợp liên quan đến phương pháp đã chọn.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn dùng các thang đo tổng hợp, hồi quy tuyến tính, kiểm định trung gian bằng PROCESS hoặc cần kiểm tra dữ liệu trước khi phân tích. Bạn có thể chạy Cronbach's Alpha tại Analyze > Scale > Reliability Analysis, kiểm tra EFA tại Analyze > Dimension Reduction > Factor, sau đó tạo biến đại diện và chạy hồi quy tại Analyze > Regression > Linear.

Trong SPSS, quy trình thường gồm kiểm tra dữ liệu thiếu, biến đảo chiều, outlier và phân phối dữ liệu ở mức cần thiết. Tiếp theo, bạn đánh giá Reliability Statistics và Item-Total Statistics. Corrected Item-Total Correlation từ 0.3 trở lên thường được dùng làm mốc tham khảo theo (Nunnally và Bernstein, 1994). Cronbach's Alpha từ 0.7 trở lên thường được xem là phù hợp theo (Nunnally, 1978), còn thang đo khám phá có thể xem xét mức từ 0.6 theo (Hair và cộng sự, 2010).

Nếu chạy EFA, bạn đọc KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên, Bartlett có ý nghĩa thống kê với p-value nhỏ hơn 0.05 và factor loading từ 0.5 trở lên là các mốc thường được trích dẫn từ (Kaiser, 1974), (Kaiser, 1960) và (Hair và cộng sự, 2010). Total variance explained từ 50% trở lên cũng thường được dùng theo (Hair và cộng sự, 2010). Bạn cần xem cả ý nghĩa lý thuyết, không loại biến chỉ vì muốn bảng đẹp.

SmartPLS phù hợp khi mô hình của bạn gồm nhiều biến tiềm ẩn, dùng PLS-SEM và muốn đánh giá đồng thời mô hình đo lường với mô hình cấu trúc. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo các construct vào canvas, nối indicator với construct, sau đó chạy PLS-SEM Algorithm. Tên biến trong file .csv không nên có ký tự thừa hoặc tiêu đề trùng nhau.

Theo quy trình PLS-SEM, bạn đánh giá measurement model trước rồi mới diễn giải structural model. Cách tiếp cận hai bước này phù hợp với hướng dẫn của (Anderson và Gerbing, 1988). Trong phần đo lường, bạn đọc Outer Loadings, Cronbach's Alpha, Composite Reliability, rho_A, AVE và Discriminant Validity. Outer loading từ 0.7 trở lên có thể tham khảo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên có thể tham khảo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015).

Ở mô hình cấu trúc, bạn chạy Bootstrapping trong SmartPLS 4. Số bootstrap subsamples 5.000 có thể sử dụng theo (Hair và cộng sự, 2022). Sau đó đọc Path Coefficients, T Statistics, p-values và Confidence Intervals. VIF dưới 5 là mốc tham khảo cho kiểm tra đa cộng tuyến theo (Hair và cộng sự, 2019). R² có thể diễn giải theo các mức 0.75, 0.50 và 0.25 với ý nghĩa lần lượt là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011), nhưng bạn vẫn cần đặt kết quả trong bối cảnh ngành.

Nếu mô hình có biến trung gian, hãy đọc indirect effect và khoảng tin cậy bootstrap. Khoảng tin cậy không chứa 0 là điều kiện thường được dùng để kết luận hiệu ứng gián tiếp có ý nghĩa theo (Preacher và Hayes, 2008). Bạn không nên dùng CFI, TLI hoặc RMSEA để đánh giá mô hình SmartPLS, vì các chỉ số này thuộc nhóm CB-SEM và mốc tham khảo của chúng được trình bày trong (Hu và Bentler, 1999).

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi mô hình có biến ý định là TRA. TRA có logic cụ thể về thái độ, chuẩn chủ quan và hành vi dự định. Nếu bạn đưa thêm cảm nhận kiểm soát hành vi, hãy xem xét gọi đó là mô hình TPB hoặc mô hình mở rộng từ TRA, đồng thời giải thích vai trò của biến mới.

Lỗi thứ hai là dùng hành vi dự định và hành vi thực tế như hai tên gọi cho cùng một biến. Nếu bảng hỏi chỉ hỏi Tôi sẽ sử dụng trong thời gian tới, đó là ý định. Nếu hỏi Bạn đã sử dụng bao nhiêu lần trong 30 ngày qua, đó gần với hành vi thực tế hơn.

Lỗi thứ ba là lấy thang đo từ một bài viết nhưng không đọc định nghĩa gốc. Một biến có tên Attitude trong bài trước chưa chắc đo cùng phạm vi với Thái độ trong đề tài của bạn. Hãy ghi nguồn, bối cảnh, số lượng biến quan sát, cách trả lời và những điều chỉnh đã thực hiện.

Lỗi thứ tư là chạy SmartPLS trước khi làm sạch file .csv. Các cột trống, mã chữ trong cột số, dòng tiêu đề phụ hoặc ô chứa ký hiệu lạ có thể khiến phần mềm không nhận đúng indicator. Hãy mở file bằng bảng tính, kiểm tra tên cột, giá trị thiếu và kiểu dữ liệu trước khi nhập.

Lỗi thứ năm là loại biến liên tục cho đến khi mọi chỉ số đạt ngưỡng nhưng không ghi lại lý do. Hội đồng có thể hỏi vì sao ATT3 bị loại, vì sao hai biến quan sát cùng đo một nội dung hoặc vì sao mô hình cuối khác mô hình đề xuất. Bạn nên lưu từng phiên bản dữ liệu và ghi nhật ký xử lý.

Lỗi cuối là trình bày kết quả như bằng chứng chắc chắn về nguyên nhân. Dữ liệu khảo sát cắt ngang thường cho thấy mức độ liên hệ hoặc tác động theo mô hình thống kê, nhưng cách diễn giải vẫn cần bám vào thiết kế nghiên cứu. Hãy báo cáo hệ số, p-value, khoảng tin cậy và giới hạn của mẫu thay vì dùng những câu khẳng định rộng hơn dữ liệu.

Câu hỏi thường gặp

Mô hình TRA là gì và dùng để làm gì?

TRA là mô hình giải thích hành vi dự định thông qua Thái độ và Chuẩn chủ quan. Mô hình phù hợp khi đề tài cần kiểm tra cách đánh giá cá nhân và ảnh hưởng xã hội liên quan đến ý định thực hiện một hành vi.

Mô hình TRA và TPB khác nhau ở đâu?

TPB mở rộng TRA bằng cách bổ sung Cảm nhận kiểm soát hành vi. Nếu đề tài có yếu tố kỹ năng, nguồn lực, cơ hội hoặc mức độ dễ thực hiện, TPB thường cung cấp cấu trúc giải thích phù hợp hơn, nhưng bạn vẫn phải chứng minh lựa chọn đó bằng cơ sở lý thuyết.

Mô hình TRA nên chạy bằng SPSS hay SmartPLS?

SPSS phù hợp với hồi quy và các kiểm định thang đo theo quy trình biến tổng hợp. SmartPLS phù hợp khi bạn muốn đánh giá mô hình đo lường và mô hình cấu trúc bằng PLS-SEM. Lựa chọn nên dựa vào thiết kế nghiên cứu, cỡ mẫu, dạng thang đo và yêu cầu của giảng viên, không chỉ dựa vào phần mềm đang có.

Thang đo TRA bao nhiêu biến quan sát là đủ?

Không có một con số chung áp dụng cho mọi đề tài. Mỗi khái niệm cần đủ biến quan sát để bao quát định nghĩa và phải có nguồn thang đo phù hợp. Cỡ mẫu cũng cần tính theo số biến quan sát và phương pháp phân tích. Mốc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn theo (Hair và cộng sự, 2010), nhưng đây chỉ là căn cứ tham khảo, không thay thế lập luận phương pháp.

Nếu biến Hành vi dự định không đạt Cronbach's Alpha thì làm sao?

Trước hết kiểm tra Item-Total Statistics, câu hỏi đảo chiều, dữ liệu thiếu và việc nhập sai mã. Bạn có thể xem xét loại một biến quan sát nếu có lý do thống kê và lý thuyết rõ ràng, sau đó chạy lại với phiên bản dữ liệu mới. Không nên loại liên tiếp nhiều biến chỉ để đạt một ngưỡng mà làm mất nội dung của khái niệm.

Có thể thêm biến Giá trị cảm nhận vào mô hình TRA không?

Có thể, nếu bạn giải thích được cơ chế mà biến này bổ sung cho Thái độ hoặc Hành vi dự định, tìm được thang đo phù hợp và đặt giả thuyết riêng. Bạn cũng cần kiểm tra nguy cơ trùng nội dung giữa Giá trị cảm nhận và Thái độ, vì hai khái niệm gần nhau có thể làm giảm giá trị phân biệt.

Mở file dữ liệu của bạn và bắt đầu bằng việc vẽ lại các biến, mũi tên và mã biến quan sát trong mô hình TRA, sau đó đối chiếu với bảng hỏi trước khi chạy kiểm định; nếu cần chạy phân tích trên file .sav hoặc .csv của chính bạn, xem M4 phân tích dữ liệu định lượng.