Phương pháp định lượng là gì và cách áp dụng trong luận văn
Phương pháp định lượng là gì
Phương pháp định lượng là cách nghiên cứu dùng dữ liệu dạng số để đo lường biến, kiểm định giả thuyết và đánh giá mối quan hệ giữa các biến. Bạn thường thu dữ liệu bằng bảng hỏi có cấu trúc, mã hóa câu trả lời thành các giá trị số, sau đó phân tích bằng SPSS, SmartPLS, AMOS, JASP hoặc R.
Ví dụ, đề tài muốn kiểm định ảnh hưởng của chất lượng dịch vụ đến sự hài lòng và ý định quay lại. Bạn xây dựng các biến tiềm ẩn, mỗi biến được đo bằng nhiều biến quan sát. Người trả lời đánh giá từng phát biểu trên thang Likert 5 mức, sau đó dữ liệu được lưu thành file .sav hoặc .csv, trong đó mỗi dòng là một người trả lời và mỗi cột là một biến quan sát.
Quy trình cơ bản là: câu hỏi nghiên cứu, mô hình và giả thuyết, bảng hỏi, dữ liệu số, kiểm định thang đo, kiểm định mô hình và kết luận. Bạn có thể xem thêm nghiên cứu khoa học và NCKH là gì để đặt phương pháp này vào toàn bộ quy trình làm luận văn.
Ý nghĩa của phương pháp định lượng trong nghiên cứu định lượng
Phương pháp định lượng giúp biến một nhận định nghiên cứu thành các phép đo có thể kiểm tra. Thay vì viết chung rằng chất lượng dịch vụ ảnh hưởng đến sự hài lòng, bạn phải xác định từng khái niệm được đo bằng biến quan sát nào và mối quan hệ được kiểm định bằng mô hình nào.
Một giả thuyết định lượng thường nêu hướng tác động giữa các biến, chẳng hạn chất lượng dịch vụ tác động tích cực đến sự hài lòng. Bạn cần xác định biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết nếu có. Đồng thời, phải quy định cách đo, cách mã hóa và cách xử lý dữ liệu trước khi chạy.
Dữ liệu định lượng cho phép bạn mô tả mẫu, đánh giá độ tin cậy thang đo, kiểm định mối quan hệ và xem mô hình giải thích được bao nhiêu phần biến thiên của biến phụ thuộc. Một p-value nhỏ chỉ cho biết kết quả có ý nghĩa thống kê theo tiêu chí đã chọn, chưa tự động chứng minh quan hệ nhân quả trong mọi bối cảnh.
SPSS phù hợp với thống kê mô tả, Cronbach's Alpha, EFA, tương quan, hồi quy và nhiều kiểm định giả thuyết. SmartPLS phù hợp với mô hình PLS-SEM có biến tiềm ẩn, quan hệ giữa các cấu trúc và bootstrapping. AMOS thuộc CB-SEM, còn JASP và R phù hợp khi bạn cần khả năng tái lập hoặc phân tích mở rộng.
Khi chọn công cụ, hãy giải thích lý do dựa trên câu hỏi nghiên cứu, loại biến, mô hình và khả năng đọc output. Công cụ không thể sửa một mô hình sai, bảng hỏi kém hoặc dữ liệu không phù hợp.
Phương pháp định lượng bao nhiêu là đạt
Bản thân phương pháp định lượng không có một con số đạt duy nhất. Bạn phải đánh giá riêng cỡ mẫu, chất lượng dữ liệu, độ tin cậy thang đo, giá trị hội tụ, giá trị phân biệt và kết quả mô hình.
| Hạng mục cần đánh giá | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) |
| Alpha với thang đo mới hoặc khám phá | Có thể từ 0.6 trở lên | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| KMO | Từ 0.5 trở lên | (Kaiser, 1974) |
| Bartlett's Test | p-value nhỏ hơn 0.05 | (Kaiser, 1974) |
| Eigenvalue | Lớn hơn 1 | (Kaiser, 1960) |
| Total Variance Explained | Từ 50% trở lên | (Hair và cộng sự, 2010) |
| Factor loading trong EFA | Từ 0.5 trở lên | (Hair và cộng sự, 2010) |
| Số quan sát trên một biến quan sát | Khoảng 5 đến 10 | (Hair và cộng sự, 2010) |
| Cỡ mẫu hồi quy | Từ 50 + 8m | (Tabachnick và Fidell, 2013) |
| Outer loading trong PLS-SEM | Từ 0.7 trở lên | (Chin, 1998) |
| Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 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 | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
Các ngưỡng chỉ là căn cứ tham khảo, không phải giấy phép để loại biến máy móc. Bạn cần xem nội dung biến quan sát, cơ sở lý thuyết, đặc điểm mẫu và mục tiêu nghiên cứu. Nếu dùng SmartPLS, không đưa CFI, TLI hoặc RMSEA của CB-SEM vào đánh giá PLS-SEM. Các chỉ số đó thuộc CB-SEM theo (Hu và Bentler, 1999).
Cách đọc phương pháp định lượng trên output
Bạn sẽ không thấy một bảng tên là phương pháp định lượng trong SPSS hay SmartPLS. Đây là tên của toàn bộ thiết kế và quy trình, còn output được chia thành các nhóm bảng.
Trong SPSS, bắt đầu bằng Frequencies hoặc Descriptives để kiểm tra số quan sát, giá trị thiếu, nhỏ nhất, lớn nhất và trung bình. Nếu biến Likert 1 đến 5 xuất hiện giá trị 8 hoặc 99, hãy kiểm tra lại mã hóa trước khi phân tích.
Với độ tin cậy, mở Reliability Statistics để xem Cronbach's Alpha và số lượng biến. Trong Item-Total Statistics, chú ý Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted. Không xóa biến chỉ vì Alpha tăng nhẹ. Hãy xem thêm nội dung biến, biến đảo chiều và cơ sở lý thuyết.
Khi chạy EFA, đọc KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. EFA hiếm khi ra đẹp ở lần chạy đầu. Loại biến, chạy lại và ghi lại từng vòng loại là chuyện bình thường, nhưng mỗi lần loại phải có lý do.
Với hồi quy, Model Summary cho R Square và Adjusted R Square, ANOVA cho kiểm định tổng thể, còn Coefficients cho B, Beta, t và Sig. Hãy báo cáo hệ số, hướng tác động và p-value theo giả thuyết, không chỉ chụp ảnh output.
Trong SmartPLS, đọc Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square, Collinearity Statistics và kết quả Bootstrapping. Measurement model cần được đánh giá trước structural model theo cách tiếp cận hai bước của (Anderson và Gerbing, 1988). Số bootstrap subsamples 5,000 được trình bày trong (Hair và cộng sự, 2022).
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật:
| Bảng output | Chỉ số minh họa | Cách đọc |
|---|---|---|
| Reliability Statistics, Cronbach's Alpha | 0.842 | Độ tin cậy nội tại của thang đo |
| KMO and Bartlett's Test, KMO | 0.781 | Có thể xem xét EFA theo ngưỡng tham khảo |
| KMO and Bartlett's Test, Sig. | 0.000 | Bartlett có ý nghĩa thống kê |
| Total Variance Explained, Cumulative % | 63.417 | Tỷ lệ phương sai được giải thích |
| Coefficients, Standardized Beta | 0.276 | Hệ số tác động dương trong minh họa |
| Coefficients, Sig. | 0.012 | p-value minh họa đạt tiêu chí đã chọn |
| Model Summary, Adjusted R Square | 0.418 | Mức giải thích minh họa của mô hình |
Không lấy các số này đưa vào chương 4. Bạn phải thay bằng số liệu trong file .sav hoặc .csv của mình.
Khi phương pháp định lượng không đạt thì xử lý thế nào
Trước tiên, xác định vấn đề nằm ở đâu. Alpha thấp, KMO thấp, factor loading thấp, VIF cao và p-value không có ý nghĩa là các vấn đề khác nhau.
Kiểm tra Variable View trong SPSS để xem kiểu biến, nhãn giá trị và biến đảo chiều. Một biến đảo chiều chưa recode có thể làm tương quan âm và kéo Alpha xuống. Đồng thời, kiểm tra dữ liệu thiếu, giá trị ngoài khoảng, dòng trả lời lặp và mẫu trả lời theo một cột duy nhất.
Nếu Corrected Item-Total Correlation hoặc loading thấp, đọc lại nội dung biến và xem biến có thuộc đúng khái niệm không. Chỉ cân nhắc loại biến khi có cả căn cứ thống kê và lý thuyết. Lưu file mới như data_clean_v2.sav, không ghi đè file gốc.
Thu thêm dữ liệu chỉ phù hợp khi cỡ mẫu chưa đạt kế hoạch, nhóm đối tượng bị thiếu hoặc tỷ lệ dữ liệu hợp lệ quá thấp. Dữ liệu thêm không chữa được một biến quan sát viết sai hoặc mô hình thiếu cơ sở.
Phân biệt phương pháp định lượng với phương pháp định tính
Phương pháp định lượng tập trung vào dữ liệu số, phép đo, giả thuyết và kiểm định thống kê. Phương pháp định tính tập trung vào dữ liệu văn bản hoặc diễn giải để hiểu bối cảnh và ý nghĩa hiện tượng. Bạn có thể đọc thêm bài định tính là gì.
Nếu câu hỏi là yếu tố nào ảnh hưởng đến ý định mua và mức độ ảnh hưởng ra sao, định lượng thường phù hợp. Nếu câu hỏi là người dùng diễn giải trải nghiệm như thế nào, đó là một hướng thiết kế khác với quy trình SPSS hoặc SmartPLS.
Bạn cũng nên xác định rõ đối tượng nghiên cứu và lĩnh vực nghiên cứu trước khi thiết kế bảng hỏi. Đừng gọi một nghiên cứu là định lượng chỉ vì trong bài có vài con số thống kê.
Lỗi thường gặp
Lỗi đầu tiên là chọn phương pháp sau khi đã có file dữ liệu. Quy trình nên đi từ câu hỏi nghiên cứu và mô hình, sau đó mới xác định bảng hỏi, cỡ mẫu và phép phân tích.
Lỗi thứ hai là trộn tiêu chí giữa SPSS và SmartPLS. EFA, Cronbach's Alpha và hồi quy khác với outer loading, AVE, HTMT và path coefficient. Không dùng CFI, TLI, RMSEA để đánh giá một mô hình PLS-SEM.
Lỗi thứ ba là báo cáo p-value mà bỏ qua hướng và độ lớn hệ số. Beta dương và Beta âm dẫn tới kết luận khác nhau. Trong SmartPLS, hãy xem path coefficient cùng t-statistics, p-value hoặc khoảng tin cậy bootstrap.
Lỗi cuối là chụp nguyên output rồi gọi đó là phân tích. Hội đồng cần biết biến nào đạt, giả thuyết nào được ủng hộ và căn cứ nào để xử lý biến không đạt. Hãy giữ file dữ liệu từng phiên bản và bảng theo dõi các lần chạy.
Câu hỏi thường gặp
Phương pháp định lượng là gì và có bắt buộc dùng SPSS không?
Đây là cách thu thập và phân tích dữ liệu dạng số để mô tả hiện tượng hoặc kiểm định giả thuyết. SPSS là lựa chọn phổ biến, nhưng bạn cũng có thể dùng SmartPLS, AMOS, JASP hoặc R.
Phương pháp định lượng bao nhiêu mẫu là đạt?
Không có cỡ mẫu chung cho mọi đề tài. Với hồi quy, một quy tắc thường được trích dẫn là từ 50 + 8m, trong đó m là số biến độc lập, theo (Tabachnick và Fidell, 2013). Với EFA, cần xem thêm số biến quan sát và chất lượng tải nhân tố.
Dữ liệu Likert có dùng được cho phương pháp định lượng không?
Có. Bạn cần quy định rõ số mức, hướng điểm, cách xử lý biến đảo chiều và điều kiện mã hóa trước khi nhập dữ liệu vào SPSS hoặc SmartPLS.
Alpha thấp thì có phải bỏ ngay thang đo không?
Chưa chắc. Hãy kiểm tra biến đảo chiều, dữ liệu thiếu, Corrected Item-Total Correlation và nội dung từng biến. Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng vẫn phải giải trình theo bối cảnh.
Có thể dùng phương pháp định lượng và định tính cùng lúc không?
Có những thiết kế kết hợp nhiều hướng tiếp cận, nhưng nếu đề tài đăng ký là nghiên cứu định lượng, phần phương pháp cần nhất quán với bảng hỏi, dữ liệu số và các phép kiểm định đã cam kết. Hãy hỏi giảng viên trước khi thay đổi thiết kế.
Nên tự chạy SPSS hay thuê dịch vụ chạy SPSS?
Tự chạy giúp bạn hiểu dữ liệu và trả lời câu hỏi khi bảo vệ. Thuê dịch vụ có thể giảm thời gian thao tác nhưng tạo rủi ro nếu bạn không biết dữ liệu đã được xử lý thế nào. Dù chọn cách nào, bạn vẫn chịu trách nhiệm về dữ liệu và kết luận.
Bây giờ bạn mở file dữ liệu, lập danh sách biến và đối chiếu từng bước với câu hỏi nghiên cứu trước khi chạy lại phân tích. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích dữ liệu.