NCKH là gì? Quy trình nghiên cứu khoa học từ A đến Z
NCKH là gì
NCKH là viết tắt của nghiên cứu khoa học, tức quá trình đặt ra một câu hỏi có thể kiểm chứng, thu thập bằng chứng theo phương pháp phù hợp, phân tích dữ liệu và đưa ra kết luận có căn cứ. Với một luận văn định lượng, bằng chứng thường là dữ liệu từ bảng hỏi, dữ liệu doanh nghiệp hoặc bộ dữ liệu thứ cấp được mã hóa thành các biến trong file .sav hoặc .csv.
Bạn có thể hình dung NCKH như một chuỗi quyết định liên kết với nhau: chọn vấn đề, xác định câu hỏi, xây dựng mô hình, đề xuất giả thuyết, đo lường các khái niệm, thu thập dữ liệu, chạy phân tích và giải thích kết quả. Công thức khái quát có thể viết như sau:
Câu hỏi nghiên cứu → mô hình và giả thuyết → thang đo và dữ liệu → phân tích → kết luận.
Một đề tài chỉ có bảng số liệu chưa đủ để gọi là nghiên cứu khoa học. Bạn còn phải giải thích số liệu đó được lấy từ đâu, biến được đo thế nào, vì sao chọn phương pháp phân tích và kết luận nào thực sự được dữ liệu hỗ trợ. Nếu đang tìm các chủ đề liên quan, bạn có thể xem danh mục Nghiên cứu khoa học để định vị đề tài trước khi mở file dữ liệu.
Ý nghĩa của NCKH trong nghiên cứu định lượng
Trong nghiên cứu định lượng, NCKH giúp bạn biến một nhận định rộng thành các biến có thể đo và các mối quan hệ có thể kiểm định. Chẳng hạn, “sinh viên hài lòng với học trực tuyến” cần được chuyển thành các biến quan sát về sự thuận tiện, chất lượng hệ thống và mức độ hài lòng. Mỗi khái niệm cần có cách đo cụ thể, thường bằng nhiều biến quan sát trên thang Likert. Thang Likert được giới thiệu trong công trình của Likert (Likert, 1932).
NCKH cũng giúp bạn tránh việc chạy quá nhiều kiểm định rồi chọn kết quả có p-value nhỏ. Trình tự đúng là bắt đầu từ câu hỏi và giả thuyết, sau đó mới chọn phân tích. Nếu giả thuyết hỏi “X có ảnh hưởng đến Y không”, hồi quy tuyến tính hoặc mô hình PLS-SEM có thể phù hợp tùy cấu trúc biến và mục tiêu nghiên cứu. Nếu bạn muốn xem phần giải thích riêng về phương pháp này, hãy đọc định lượng là gì.
Một đề tài định lượng thường cần trả lời bốn câu hỏi:
- Bạn đang nghiên cứu hiện tượng hoặc vấn đề nào.
- Những khái niệm nào có thể giải thích hiện tượng đó.
- Bạn đo các khái niệm bằng biến quan sát nào.
- Dữ liệu có ủng hộ các giả thuyết đặt ra hay không.
Câu hỏi thứ tư dẫn bạn đến các bảng output. Cronbach's Alpha dùng để xem các biến quan sát trong cùng một thang đo có nhất quán hay không. EFA giúp kiểm tra cấu trúc nhân tố. Hồi quy hoặc PLS-SEM giúp đánh giá chiều hướng, mức độ và ý nghĩa thống kê của các mối quan hệ trong mô hình.
NCKH bao nhiêu là đạt
NCKH không có một con số duy nhất để quyết định “đạt” hay “không đạt”. Mỗi con số trả lời một câu hỏi khác nhau, và ngưỡng cần được gắn với đúng loại phân tích. Bảng dưới đây là các mốc thường dùng trong luận văn định lượng, kèm nguồn để bạn có thể giải trình khi giảng viên hỏi.
| Nội dung cần đánh giá | Mốc tham khảo | Nguồn | Bạn dùng để quyết định gì |
|---|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) | Độ tin cậy của thang đo |
| Alpha trong nghiên cứu khám phá | Từ 0.6 trở lên | (Hair và cộng sự, 2010) | Có thể cân nhắc chấp nhận thang đo mới |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) | Giữ hoặc xem xét loại biến quan sát |
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) | Dữ liệu có phù hợp để chạy EFA |
| Bartlett's Test | Sig. dưới 0.05 | (Kaiser, 1974) | Các biến có tương quan đủ để phân tích nhân tố |
| Eigenvalue | Lớn hơn 1 | (Kaiser, 1960) | Số nhân tố được giữ lại |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) | Mức phương sai được các nhân tố giải thích |
| Factor loading | Từ 0.5 trở lên | (Hair và cộng sự, 2010) | Biến quan sát đại diện cho nhân tố |
| Cỡ mẫu theo số biến quan sát | 5 đến 10 quan sát cho một biến | (Hair và cộng sự, 2010) | Ước lượng cỡ mẫu ban đầu |
| R² trong PLS-SEM | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | (Hair và cộng sự, 2011) | Mức giải thích của mô hình |
| VIF trong PLS-SEM | Dưới 5 | (Hair và cộng sự, 2019) | Kiểm tra đa cộng tuyến |
| Q² trong PLS-SEM | Lớn hơn 0 | (Stone, 1974) | Khả năng dự báo của mô hình |
Các mốc trên là tiêu chí tham khảo, không phải giấy phép để loại biến một cách máy móc. Ví dụ, Alpha tăng lên sau khi loại một biến chưa chắc có nghĩa là thang đo tốt hơn nếu biến đó có ý nghĩa lý thuyết. Bạn cần xem đồng thời nội dung biến, Corrected Item-Total Correlation, cấu trúc nhân tố và mục tiêu của đề tài.
Nếu mô hình dùng SmartPLS, hãy giữ đúng nhóm chỉ số của PLS-SEM như outer loading, CR, AVE, HTMT, VIF, R² và Q². CFI, TLI và RMSEA thuộc nhóm chỉ số fit của CB-SEM, không nên đưa vào phần đánh giá mô hình SmartPLS. Với PLS-SEM, quy trình hiện hành và việc dùng 5.000 bootstrap subsamples được trình bày trong (Hair và cộng sự, 2022).
Cách đọc NCKH trên output
“NCKH” không phải tên một bảng output riêng trong SPSS. Khi đọc kết quả nghiên cứu, bạn cần nối câu hỏi nghiên cứu với bảng phân tích tương ứng. Một câu hỏi về độ tin cậy sẽ đi với Reliability Statistics và Item-Total Statistics. Một câu hỏi về cấu trúc thang đo sẽ đi với KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Một câu hỏi về ảnh hưởng sẽ đi với Coefficients, Model Summary và các kiểm định giả định.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử bạn đo “ý định sử dụng ứng dụng học tập” bằng bốn biến quan sát và chạy Cronbach's Alpha trong SPSS.
| Bảng SPSS | Cột hoặc chỉ số | Số liệu minh họa | Cách đọc |
|---|---|---|---|
| Reliability Statistics | Cronbach's Alpha | 0.812 | Thang đo có độ tin cậy tốt theo mốc tham khảo (Nunnally, 1978) |
| Reliability Statistics | N of Items | 4 | Có bốn biến quan sát được đưa vào lần chạy này |
| Item-Total Statistics | Corrected Item-Total Correlation, YD1 | 0.566 | YD1 đang vượt mốc 0.3 theo (Nunnally và Bernstein, 1994) |
| Item-Total Statistics | Cronbach's Alpha if Item Deleted, YD1 | 0.784 | Nếu loại YD1, Alpha minh họa giảm xuống |
| KMO and Bartlett's Test | KMO | 0.741 | Dữ liệu đạt mốc KMO từ 0.5 theo (Kaiser, 1974) |
| KMO and Bartlett's Test | Sig. của Bartlett's Test | 0.000 | Có cơ sở xem xét tương quan giữa các biến để chạy EFA |
| Total Variance Explained | Cumulative % | 61.438 | Tổng phương sai trích vượt mốc 50% theo (Hair và cộng sự, 2010) |
| Rotated Component Matrix | Loading của YD1 | 0.764 | YD1 có factor loading vượt mốc 0.5 theo (Hair và cộng sự, 2010) |
Khi đọc output, đừng chỉ chụp lại bảng rồi kết luận “tất cả đều đạt”. Hãy ghi rõ bảng nào trả lời câu hỏi nào. Với hồi quy, bạn có thể đọc Coefficients theo ba lớp: B hoặc Beta cho chiều và mức ảnh hưởng, t cho thống kê kiểm định, còn Sig. cho ý nghĩa thống kê theo mức ý nghĩa bạn đã chọn trong phương pháp nghiên cứu.
Cách đọc này cũng giúp bạn phát hiện sự lệch giữa mô hình và phân tích. Nếu mô hình có biến trung gian, bạn cần đánh giá cả tác động trực tiếp và gián tiếp. Tác động gián tiếp có thể được đánh giá bằng bootstrap, trong đó khoảng tin cậy không chứa số 0 là dấu hiệu có ý nghĩa theo (Preacher và Hayes, 2008). Nếu bạn mới làm quen với các thiết kế nghiên cứu, phần đối tượng nghiên cứu giúp tách rõ đối tượng, đơn vị phân tích và mẫu khảo sát.
Khi NCKH không đạt thì xử lý thế nào
Khi một chỉ số không đạt, hãy xử lý theo thứ tự từ dữ liệu đến mô hình. Đừng xóa biến ngay chỉ vì phần mềm đánh dấu một con số thấp.
Kiểm tra mã hóa và dữ liệu gốc
Mở Variable View và Data View trong SPSS. Kiểm tra kiểu dữ liệu, nhãn giá trị, giá trị thiếu, biến đảo chiều và các ô nhập sai. Một biến đảo chiều chưa được recode có thể làm Alpha hoặc tương quan item-total giảm mạnh. Bạn cũng nên kiểm tra xem các cột có bị lệch dòng khi nhập từ Excel hay không.
Xem từng biến quan sát trước khi loại
Trong Item-Total Statistics, xem Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted. Nếu một biến dưới mốc tham khảo, hãy đọc lại nội dung biến và nguồn thang đo. Chỉ loại khi có lý do về đo lường hoặc lý thuyết, đồng thời ghi lại biến nào bị loại và ở vòng chạy nào.
Chạy lại phân tích sau một thay đổi có lý do
Sau khi loại một biến hợp lý, chạy lại Alpha hoặc EFA. Ghi lại số biến, Alpha, KMO, Bartlett's Test, phương sai trích và factor loading. EFA hiếm khi ra hoàn toàn đẹp ở lần chạy đầu. Việc loại biến và chạy lại có thể chấp nhận được nếu bạn giải thích được lý do, không xóa liên tục cho đến khi bảng số liệu vừa ý.
Quay lại mô hình khi vấn đề mang tính khái niệm
Nếu nhiều biến cùng tải chéo hoặc một nhân tố không có ý nghĩa rõ ràng, vấn đề có thể nằm ở mô hình, bản dịch thang đo hoặc cách người trả lời hiểu câu hỏi. Khi đó, việc sửa file SPSS không đủ. Bạn cần đối chiếu lại định nghĩa khái niệm, giả thuyết và bảng hỏi. Nếu đề tài của bạn dùng dữ liệu số và các biến đo lường, lĩnh vực nghiên cứu có thể giúp bạn thu hẹp bối cảnh để tránh mô hình quá rộng.
Với kết quả giả thuyết không có ý nghĩa, hãy báo cáo kết quả đó thay vì đổi giả thuyết sau khi đã thấy số liệu. Bạn có thể thảo luận các khả năng như cỡ mẫu, bối cảnh khảo sát, chất lượng thang đo hoặc sự khác biệt với các nghiên cứu trước, nhưng không được khẳng định nguyên nhân nếu dữ liệu của bạn không kiểm tra nguyên nhân đó.
Phân biệt NCKH với nghiên cứu định tính và định lượng
NCKH là khái niệm rộng, còn định tính và định lượng là hai hướng tiếp cận. Nghiên cứu định lượng dùng dữ liệu dạng số, biến đo lường, bảng hỏi và kiểm định thống kê. Bạn thường làm việc với SPSS, SmartPLS, AMOS, JASP hoặc R tùy thiết kế và năng lực sử dụng phần mềm.
Nghiên cứu định tính tập trung vào dữ liệu dạng chữ và cách diễn giải ý nghĩa, còn định lượng tập trung vào đo lường và mối quan hệ giữa các biến. Khi viết luận văn định lượng, bạn nên nêu rõ tổng thể, mẫu, cách chọn mẫu, thang đo, quy trình làm sạch dữ liệu và kỹ thuật phân tích. Bài định tính là gì giúp bạn phân biệt hai hướng tiếp cận ở mức khái niệm, còn bài này tập trung vào quy trình xử lý dữ liệu số.
NCKH cũng khác với một báo cáo mô tả đơn thuần. Báo cáo có thể chỉ trình bày doanh thu, số người dùng hoặc tỷ lệ hài lòng. Nghiên cứu khoa học cần có câu hỏi, phương pháp, căn cứ đo lường và cách kết luận có thể kiểm tra. Một bảng thống kê đẹp nhưng không gắn với câu hỏi nghiên cứu vẫn chưa tạo thành một luận văn chặt chẽ.
Lỗi thường gặp
Chọn đề tài quá rộng. “Các yếu tố ảnh hưởng đến hành vi người tiêu dùng” chưa cho biết người tiêu dùng nào, bối cảnh nào, biến phụ thuộc nào và dữ liệu lấy từ đâu. Hãy giới hạn đối tượng, địa bàn, thời gian và biến kết quả.
Nhầm đối tượng nghiên cứu với mẫu khảo sát. Đối tượng nghiên cứu là hiện tượng hoặc mối quan hệ bạn muốn tìm hiểu. Mẫu khảo sát là nhóm người hoặc đơn vị thực tế cung cấp dữ liệu. Hai khái niệm này cần được viết riêng trong chương phương pháp.
Dùng thang đo nhưng không ghi nguồn. Mỗi nhóm biến quan sát nên có định nghĩa, nguồn tham khảo và cách điều chỉnh cho bối cảnh Việt Nam. Nếu tự viết biến, hãy nói rõ đó là biến được xây dựng hoặc điều chỉnh, thay vì trình bày như thang đo đã được kiểm định.
Chọn ngưỡng mà không nêu nguồn. Một con số đứng riêng trong chương 3 rất dễ bị hỏi lại. Gắn mốc với nguồn như (Hair và cộng sự, 2010) hoặc (Kaiser, 1974), sau đó giải thích chỉ số đó phục vụ quyết định nào.
Loại dữ liệu theo cảm tính. Không xóa các câu trả lời chỉ vì chúng làm kết quả kém đẹp. Hãy đặt tiêu chí làm sạch trước, chẳng hạn thiếu quá nhiều câu trả lời, trả lời cùng một giá trị cho toàn bộ bảng hỏi hoặc có mẫu không thuộc đối tượng nghiên cứu. Mỗi trường hợp cần được ghi lại trong quy trình xử lý dữ liệu.
Viết kết luận vượt quá dữ liệu. Nếu nghiên cứu khảo sát tại một nhóm người và một thời điểm, bạn cần giới hạn phạm vi kết luận trong bối cảnh đó. Kết quả có ý nghĩa thống kê cũng không tự động chứng minh quan hệ nhân quả tuyệt đối.
Câu hỏi thường gặp
NCKH là gì và có bắt buộc phải dùng SPSS không?
NCKH là quá trình đặt câu hỏi, thu thập bằng chứng, phân tích và kết luận theo một phương pháp có thể giải thích. SPSS là một công cụ phổ biến cho dữ liệu định lượng, nhưng không phải mọi nghiên cứu đều bắt buộc dùng SPSS. Bạn có thể dùng SmartPLS cho PLS-SEM, AMOS cho CB-SEM, JASP hoặc R cho các phân tích phù hợp.
Điều hội đồng quan tâm là câu hỏi, dữ liệu, phương pháp và cách giải thích có nhất quán hay không. Đổi phần mềm không sửa được một bảng hỏi kém hoặc một mô hình không có căn cứ.
Quy trình thực hiện NCKH gồm những bước nào?
Quy trình thường bắt đầu bằng xác định vấn đề và câu hỏi nghiên cứu, tổng quan tài liệu, xây dựng mô hình và giả thuyết, thiết kế thang đo và bảng hỏi, xác định mẫu, thu thập dữ liệu, làm sạch dữ liệu, phân tích, thảo luận và viết kết luận. Các bước có thể quay lại điều chỉnh khi phát hiện vấn đề về thang đo hoặc dữ liệu.
Với luận văn định lượng, bạn nên hoàn thành mô hình và kế hoạch phân tích trước khi thu thập dữ liệu. Như vậy, bạn biết cần biến nào, số lượng quan sát dự kiến và bảng output nào sẽ trả lời từng giả thuyết.
NCKH định tính và định lượng khác nhau thế nào?
Định lượng biểu diễn khái niệm bằng biến và số liệu, sau đó sử dụng thống kê để mô tả hoặc kiểm định mối quan hệ. Định tính tập trung vào dữ liệu dạng chữ và ý nghĩa được diễn giải từ dữ liệu đó. Hai hướng có mục tiêu và cách đánh giá khác nhau.
Nếu file của bạn là .sav hoặc .csv, bảng hỏi dùng thang Likert và mô hình có các biến độc lập, phụ thuộc, trung gian hoặc điều tiết, bạn đang đi theo hướng định lượng.
Cỡ mẫu NCKH bao nhiêu là đạt?
Không có một cỡ mẫu chung cho mọi đề tài. Với cách ước lượng theo số biến quan sát, một mốc thường được dùng là 5 đến 10 quan sát cho mỗi biến (Hair và cộng sự, 2010). Với hồi quy, công thức tham khảo là n từ 50 cộng 8 lần số biến độc lập trở lên (Tabachnick và Fidell, 2013).
Bạn cần xem thêm số nhóm phân tích, số biến trong mô hình, cách chọn mẫu và mục tiêu kiểm định. Cỡ mẫu đủ theo một công thức không đảm bảo dữ liệu đại diện nếu cách thu thập không phù hợp.
Alpha dưới 0.7 thì có phải loại thang đo ngay không?
Chưa. Alpha từ 0.7 trở lên là mốc thường dùng (Nunnally, 1978), nhưng Alpha từ 0.6 có thể được cân nhắc trong thang đo mới hoặc nghiên cứu khám phá (Hair và cộng sự, 2010). Bạn cần xem Corrected Item-Total Correlation, số lượng biến, nội dung thang đo và bối cảnh nghiên cứu.
Nếu loại biến, hãy nêu lý do và báo cáo kết quả trước, sau khi loại. Đừng loại nhiều biến chỉ để tăng Alpha mà làm mất nội dung quan trọng của khái niệm.
NCKH bị lỗi dữ liệu thì phải làm sao?
Trước tiên, giữ một bản sao file gốc. Sau đó kiểm tra tên biến, kiểu dữ liệu, giá trị thiếu, biến đảo chiều, dòng trùng, câu trả lời ngoài đối tượng và các mẫu trả lời bất thường. Ghi lại từng thay đổi trong một file nhật ký để có thể giải trình.
Nếu lỗi nằm ở cách thiết kế bảng hỏi hoặc mẫu đã thu thập không đúng đối tượng, phần mềm không thể khắc phục hoàn toàn. Khi cần, bạn phải trao đổi với giảng viên về tiêu chí loại dữ liệu hoặc khả năng thu bổ sung, thay vì chỉnh số liệu thủ công.
Mở lại file của bạn và viết một bảng ngắn gồm câu hỏi nghiên cứu, biến cần đo, phương pháp phân tích và bảng output sẽ dùng. Nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể xem module M4 phân tích dữ liệu để thực hiện bước này theo đúng quy trình và ghi lại kết quả cho luận văn.