Nghiên cứu định lượng là gì? Cách áp dụng và đọc kết quả
Nghiên cứu định lượng là gì
Nghiên cứu định lượng là phương pháp dùng dữ liệu dạng số để mô tả hiện tượng, đo lường các khái niệm và kiểm định mối quan hệ giữa các biến. Bạn thường thu dữ liệu bằng bảng hỏi có các phương án trả lời được mã hóa, sau đó nhập vào file .sav hoặc .csv để xử lý bằng SPSS, SmartPLS, AMOS, JASP hoặc R.
Một nghiên cứu định lượng thường đi theo chuỗi: xác định câu hỏi nghiên cứu, xây dựng mô hình và giả thuyết, thiết kế thang đo, thu thập dữ liệu, làm sạch dữ liệu, chạy phân tích và diễn giải kết quả. Ví dụ, nếu bạn muốn kiểm định “chất lượng dịch vụ ảnh hưởng đến sự hài lòng của khách hàng”, chất lượng dịch vụ là biến độc lập, sự hài lòng là biến phụ thuộc, còn các biến quan sát được đo bằng những phát biểu trong bảng hỏi.
Kết quả định lượng có thể là tần suất, giá trị trung bình, Cronbach's Alpha, KMO, factor loading, hệ số hồi quy, p-value, R² hoặc path coefficient. Mỗi chỉ số trả lời một câu hỏi khác nhau. Bạn có thể xem thêm phần tổng quan tại nghiên cứu khoa học và NCKH là gì nếu đang ở giai đoạn chọn hướng nghiên cứu.
Ý nghĩa của nghiên cứu định lượng trong nghiên cứu định lượng
Nghiên cứu định lượng giúp bạn biến một nhận định nghiên cứu thành các biến có thể quan sát và kiểm tra. Thay vì chỉ nói “sinh viên quan tâm đến học trực tuyến”, bạn có thể đo mức độ đồng ý với các biến quan sát như “nền tảng dễ sử dụng”, “nội dung phù hợp” và “tôi dự định tiếp tục sử dụng”. Các câu trả lời được mã hóa, chẳng hạn thang Likert từ 1 đến 5, để tính toán và so sánh.
Trong luận văn, phương pháp này thường giúp bạn trả lời bốn nhóm câu hỏi. Thứ nhất, mẫu khảo sát có đặc điểm gì. Thứ hai, thang đo có đủ độ tin cậy và giá trị hay không. Thứ ba, các biến độc lập có giải thích được biến phụ thuộc hay không. Thứ tư, giả thuyết nghiên cứu được ủng hộ hay bác bỏ dựa trên hệ số và p-value.
Bạn cần phân biệt phương pháp với công cụ. Bảng hỏi là công cụ thu thập dữ liệu. SPSS là phần mềm thường dùng để thống kê mô tả, kiểm định độ tin cậy, EFA, tương quan và hồi quy. SmartPLS phù hợp với PLS-SEM, trong đó bạn đánh giá cả mô hình đo lường và mô hình cấu trúc. AMOS thường được dùng cho CB-SEM, còn JASP và R có lợi thế về chi phí phần mềm và khả năng tái lập, nhưng đòi hỏi bạn làm quen với giao diện hoặc mã lệnh.
Phương pháp định lượng cũng không tự làm cho kết luận đúng. Nếu bảng hỏi đo sai khái niệm, mẫu không phù hợp hoặc bạn loại biến chỉ để làm đẹp output, con số cuối cùng vẫn có rủi ro. Vì vậy, bạn nên ghi lại phiên bản dữ liệu, lý do loại từng biến và thứ tự các bước phân tích.
Nghiên cứu định lượng bao nhiêu là đạt
Không có một con số duy nhất quyết định toàn bộ nghiên cứu định lượng đạt hay không. Ngưỡng còn phụ thuộc vào loại phân tích, mục tiêu nghiên cứu, bối cảnh thang đo và hướng dẫn của giảng viên. Bảng dưới đây tổng hợp các mốc thường dùng trong luận văn, kèm nguồn để bạn có thể giải trình.
| Nội dung kiểm tra | Mốc thường dùng | Nguồn canonical |
|---|---|---|
| Cronbach's Alpha | Từ 0.70 trở lên | (Nunnally, 1978) |
| Alpha với thang đo mới hoặc khám phá | Có thể từ 0.60 | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.30 trở lên | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.50 trở lên | (Kaiser, 1974) |
| Bartlett's Test | Sig. nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue khi trích nhân tố | Lớn hơn 1 | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading trong EFA | Từ 0.50 trở lên | (Hair và cộng sự, 2010) |
| Outer loading trong PLS-SEM | Từ 0.70 trở lên | (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 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF trong PLS-SEM | Dưới 5 | (Hair và cộng sự, 2019) |
| R² trong PLS-SEM | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
Các mốc trên không nên bị tách khỏi bối cảnh. Chẳng hạn, Alpha quá cao đôi khi cho thấy các biến quan sát trùng lặp nội dung. Factor loading thấp cũng không phải lý do tự động xóa biến nếu biến đó có ý nghĩa lý thuyết và quyết định này chưa được cân nhắc trong mô hình.
Nếu bạn chạy CB-SEM, các chỉ số CFI, TLI, RMSEA và SRMR có thể được sử dụng theo tiêu chí của (Hu và Bentler, 1999). Những chỉ số này thuộc nhóm CB-SEM, không nên đưa vào bài viết hướng dẫn SmartPLS như thể chúng là tiêu chí chính của PLS-SEM.
Cách đọc nghiên cứu định lượng trên output
Giả sử bạn đang chạy hồi quy tuyến tính trong SPSS và muốn kiểm tra tác động của chất lượng dịch vụ đến sự hài lòng. Trong bảng Coefficients, hãy đọc hệ số B hoặc Beta, giá trị t và cột Sig.. Hệ số dương cho biết mối quan hệ cùng chiều trong mô hình. Cột Sig. là p-value phục vụ quyết định thống kê, nhưng bạn vẫn cần xem dấu của hệ số và ý nghĩa lý thuyết.
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo cách SPSS thường hiển thị để bạn đối chiếu với file đang mở.
| Model | Unstandardized Coefficients B | Std. Error | Standardized Coefficients Beta | t | Sig. |
|---|---|---|---|---|---|
| (Constant) | 1.024 | 0.286 | 3.58 | 0.001 | |
| CLDV | 0.548 | 0.071 | 0.612 | 7.72 | 0.000 |
Trong ví dụ này, biến CLDV có Beta bằng 0.612 và Sig. bằng 0.000 theo cách SPSS làm tròn hiển thị. Khi viết, bạn nên ghi p < 0.001 thay vì diễn giải rằng p bằng đúng 0. Hệ số dương cho thấy CLDV có quan hệ cùng chiều với sự hài lòng trong mẫu minh họa. Kết luận cuối cùng vẫn phải dựa trên mô hình, cỡ mẫu, kiểm tra giả định và cách mã hóa biến của bạn.
Nếu bạn chạy EFA, hãy mở lần lượt KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO cho biết mức độ phù hợp chung của dữ liệu với phân tích nhân tố. Rotated Component Matrix cho biết từng biến quan sát tải mạnh vào nhân tố nào. Bạn cần xem cả tải nhân tố, tải chéo và nội dung lý thuyết, thay vì chỉ chọn cột có số lớn nhất.
Nếu bạn chạy Cronbach's Alpha tại Analyze > Scale > Reliability Analysis, bảng Reliability Statistics cho Alpha tổng thể. Bảng Item-Total Statistics cho Corrected Item-Total Correlation và cột Cronbach's Alpha if Item Deleted. Cột sau chỉ là thông tin hỗ trợ, không phải lý do duy nhất để xóa một biến.
Khi nghiên cứu định lượng không đạt thì xử lý thế nào
Bạn nên xử lý theo thứ tự từ dữ liệu gốc đến mô hình. Trước tiên, kiểm tra biến có bị nhập sai mã, đảo chiều chưa xử lý hoặc chứa quá nhiều giá trị thiếu hay không. Một biến Likert bị nhập ngược, chẳng hạn 1 thành 5 và 5 thành 1, có thể làm giảm tương quan với các biến còn lại.
Tiếp theo, xem thống kê mô tả và các trường hợp bất thường. Đừng xóa hàng loạt người trả lời chỉ vì muốn Alpha hoặc R² tăng. Bạn cần có quy tắc rõ ràng, chẳng hạn phiếu thiếu nhiều câu trả lời hoặc một mẫu có biểu hiện trả lời cùng một mức cho toàn bộ bảng hỏi. Quy tắc đó nên được ghi lại trước khi chạy lại.
Nếu Corrected Item-Total Correlation thấp, đọc lại nội dung biến và kiểm tra mã hóa trước khi cân nhắc loại. Nếu một biến thực sự không phù hợp với khái niệm, bạn có thể loại biến và chạy lại, nhưng cần báo cáo số vòng xử lý. Nếu EFA không tạo ra nhóm như mô hình dự kiến, xem factor loading, cross-loading và phương pháp trích, sau đó đối chiếu với cơ sở lý thuyết.
Khi hồi quy không đạt giả định, bạn cần kiểm tra lại biểu đồ phần dư, VIF, Durbin-Watson và các điểm ảnh hưởng. Với hồi quy, quy tắc cỡ mẫu n từ 50 + 8m trở lên thường được trích dẫn theo (Tabachnick và Fidell, 2013), còn Durbin-Watson trong khoảng 1 đến 3 thường được dùng khi đánh giá tự tương quan phần dư theo (Field, 2013). Các mốc này không thay thế cho việc xem dữ liệu thực tế.
Nếu SmartPLS cho VIF cao, hãy kiểm tra các biến dự báo có nội dung quá gần nhau và mô hình có đưa các đường dẫn dư thừa hay không. Trong PLS-SEM, quy trình đánh giá nên đi từ mô hình đo lường sang mô hình cấu trúc, phù hợp với hướng dẫn của (Hair và cộng sự, 2022). Một phần mềm khác có thể cho bảng đẹp hơn, nhưng không thể sửa một mô hình lý thuyết hoặc bảng hỏi được thiết kế sai.
Phân biệt nghiên cứu định lượng với nghiên cứu định tính
Nghiên cứu định lượng ưu tiên dữ liệu dạng số, biến đo lường, mẫu khảo sát và kiểm định giả thuyết. Nghiên cứu định tính thường tập trung vào ý nghĩa, trải nghiệm và cách người tham gia diễn giải một hiện tượng. Bạn có thể đọc thêm định tính là gì để nhận diện sự khác nhau về mục tiêu và loại dữ liệu.
Trong đề tài định lượng, câu hỏi nghiên cứu thường có dạng “X ảnh hưởng đến Y như thế nào” hoặc “mức độ khác biệt giữa các nhóm là bao nhiêu”. Bạn cần biến các khái niệm thành thang đo và dự kiến phép phân tích từ trước. Với hướng định tính, câu hỏi thường mở hơn và quy trình xử lý dữ liệu khác. DoThesis tập trung vào quy trình định lượng với bảng hỏi, file .sav, .csv, SPSS và SmartPLS.
Hai hướng này không nên bị phân biệt chỉ bằng việc có dùng bảng hỏi hay không. Một bảng hỏi gồm câu hỏi mở chưa tạo thành nghiên cứu định lượng đầy đủ. Ngược lại, một nghiên cứu định lượng có thể dùng dữ liệu thứ cấp nếu dữ liệu được mã hóa thành biến số và phù hợp với mô hình phân tích.
Lỗi thường gặp
Lỗi đầu tiên là dùng từ “định lượng” để chỉ mọi nghiên cứu có nhiều người tham gia. Số lượng người trả lời chỉ là một phần. Bạn còn cần biến đo lường rõ ràng, cách chọn mẫu, quy trình làm sạch và phép phân tích phù hợp.
Lỗi thứ hai là chép ngưỡng từ một bài trên mạng mà không kiểm tra nguồn. Khi ghi Alpha từ 0.70 trở lên, bạn có thể dẫn (Nunnally, 1978). Khi nói Corrected Item-Total Correlation từ 0.30 trở lên, nguồn phù hợp là (Nunnally và Bernstein, 1994). Từng mốc cần gắn với đúng chỉ số.
Lỗi thứ ba là chạy nhiều lần nhưng không lưu output. Hãy tạo thư mục gồm dữ liệu gốc, dữ liệu đã làm sạch, syntax hoặc nhật ký thao tác, output từng vòng và bảng tổng hợp biến bị loại. Điều này giúp bạn trả lời khi giảng viên hỏi vì sao một biến xuất hiện ở chương 3 nhưng biến mất ở chương 4.
Lỗi thứ tư là kết luận nhân quả quá mạnh từ một bảng hồi quy. Nếu thiết kế của bạn là khảo sát tại một thời điểm, hãy trình bày theo phạm vi mô hình và dữ liệu đã thu thập. Không nên biến một hệ số có ý nghĩa thống kê thành cam kết rằng X chắc chắn gây ra Y trong mọi bối cảnh.
Đọc thêm: nghiên cứu khoa học, nckh là gì, định tính là gì, lĩnh vực nghiên cứu, đối tượng nghiên cứu.
Câu hỏi thường gặp
Nghiên cứu định lượng là gì và có bắt buộc dùng SPSS không?
Nghiên cứu định lượng là cách dùng dữ liệu số để đo lường biến và kiểm định câu hỏi hoặc giả thuyết nghiên cứu. SPSS là lựa chọn phổ biến, nhưng bạn cũng có thể dùng SmartPLS, AMOS, JASP hoặc R tùy mô hình và yêu cầu của trường.
Nghiên cứu định lượng bao nhiêu mẫu là đủ?
Cỡ mẫu phụ thuộc vào số biến quan sát, số biến dự báo, phương pháp phân tích và cách chọn mẫu. Với biến quan sát, mốc 5 đến 10 quan sát cho một biến thường được trích dẫn theo (Hair và cộng sự, 2010). Với hồi quy, bạn có thể tham khảo quy tắc 50 + 8m theo (Tabachnick và Fidell, 2013), sau đó đối chiếu với thiết kế và yêu cầu của giảng viên.
Nghiên cứu định lượng bị Alpha thấp thì làm sao?
Trước tiên kiểm tra biến đảo chiều, lỗi nhập liệu và nội dung biến quan sát. Sau đó xem Corrected Item-Total Correlation, đọc cột Cronbach's Alpha if Item Deleted và cân nhắc về lý thuyết trước khi loại biến. Alpha từ 0.60 có thể được xem xét với thang đo mới hoặc nghiên cứu khám phá theo (Hair và cộng sự, 2010), nhưng bạn nên giải trình bối cảnh.
Nghiên cứu định lượng có cần chạy EFA không?
EFA thường được dùng khi bạn cần khám phá cấu trúc nhân tố hoặc kiểm tra thang đo trong bối cảnh đã điều chỉnh. Nếu mô hình và thang đo đã có cơ sở rõ ràng, phép kiểm định phù hợp còn tùy thiết kế nghiên cứu và hướng dẫn của giảng viên. Bạn không nên chạy EFA chỉ vì một luận văn mẫu có bước này.
Nghiên cứu định lượng và định tính khác nhau thế nào?
Định lượng dùng dữ liệu số, thang đo và các phép kiểm định để trả lời câu hỏi về mức độ, mối quan hệ hoặc khác biệt. Định tính tập trung vào ý nghĩa và diễn giải của dữ liệu phi số. Bạn có thể xem thêm đối tượng nghiên cứu và lĩnh vực nghiên cứu khi đang xác định phạm vi đề tài.
Bạn hãy mở lại file dữ liệu, ghi rõ biến độc lập, biến phụ thuộc, loại thang đo và phép phân tích dự kiến, sau đó đối chiếu từng bảng output với ngưỡng có nguồn thay vì chỉ nhìn một con số đẹp. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis là module dành cho bước này.