Thiết kế nghiên cứu: Cách xây dựng mô hình và kế hoạch luận văn

Thiết kế nghiên cứu trong luận văn là gì

Bạn mở file đề cương và thấy mình có một chủ đề khá rộng, chẳng hạn như ý định mua hàng trực tuyến, sự hài lòng với ngân hàng số hoặc ý định sử dụng công nghệ. Vấn đề lúc này chưa phải là chạy SPSS. Bạn cần quyết định sẽ đo khái niệm nào, đo bằng biến quan sát nào, kiểm định mối quan hệ nào và thu dữ liệu từ ai. Toàn bộ chuỗi quyết định đó tạo thành thiết kế nghiên cứu.

Trong luận văn định lượng, thiết kế nghiên cứu là bản thiết kế nối câu hỏi nghiên cứu với dữ liệu và phép phân tích. Một thiết kế chặt thường có năm phần: vấn đề và mục tiêu nghiên cứu, mô hình khái niệm, giả thuyết, phương pháp thu thập dữ liệu và kế hoạch kiểm định. Nếu thiếu một mắt xích, bạn dễ rơi vào tình trạng có bảng hỏi nhưng không biết mỗi nhóm biến dùng để trả lời giả thuyết nào.

Bạn có thể xem phần khái quát về phương pháp nghiên cứu khoa học trước khi viết đề cương. Bài này tập trung vào cách biến phần khái quát đó thành một thiết kế định lượng có thể triển khai bằng bảng hỏi, file .sav hoặc .csv, SPSS và SmartPLS.

Thiết kế nghiên cứu thường nằm chủ yếu ở chương 3, nhưng phải nhất quán với chương 1 và chương 2. Mục tiêu ở chương 1 phải dẫn đến câu hỏi nghiên cứu. Cơ sở lý thuyết ở chương 2 phải dẫn đến mô hình và giả thuyết. Chương 3 phải nói rõ bạn sẽ đo và kiểm định các giả thuyết đó như thế nào.

Cấu trúc chuẩn của thiết kế nghiên cứu

Không có độ dài cố định cho mọi trường, nhưng một chương phương pháp thường dài khoảng 10 đến 20 trang, tùy quy định của khoa và độ phức tạp của mô hình. Bạn có thể dùng bảng dưới đây để chia dung lượng ban đầu. Đây là khung viết, không phải quy định bắt buộc thay cho hướng dẫn của giảng viên.

Bảng này giúp bạn tránh lỗi viết phần phân tích trước khi xác định dữ liệu. Nếu mô hình chỉ có các biến quan sát và mục tiêu là kiểm định tác động, hồi quy có thể phù hợp. Nếu mô hình có nhiều biến tiềm ẩn, mediator hoặc moderator, bạn cần cân nhắc PLS-SEM và chuẩn bị dữ liệu theo cấu trúc phù hợp.

Bạn cũng nên phân biệt thiết kế nghiên cứu với quy trình nghiên cứu. Thiết kế trả lời câu hỏi “nghiên cứu được tổ chức như thế nào”, còn quy trình mô tả thứ tự công việc. Khi cần kiểm tra thứ tự này, bạn có thể tham khảo quy trình nghiên cứu khoa học và đối chiếu với biểu mẫu của trường.

Một thiết kế tốt phải trả lời được bốn câu hỏi khi hội đồng hỏi: Vì sao chọn các biến này, vì sao dùng thang đo này, vì sao chọn cỡ mẫu này, và vì sao phép phân tích này trả lời được giả thuyết. Nếu mỗi câu đều có vị trí rõ trong đề cương, chương 3 sẽ dễ viết và dễ giải trình hơn.

Các bước viết thiết kế nghiên cứu

Bước 1: Chốt vấn đề, mục tiêu và đối tượng nghiên cứu

Hãy viết vấn đề nghiên cứu thành một khoảng trống cụ thể. Thay vì ghi “nghiên cứu hành vi mua sắm trực tuyến”, bạn có thể giới hạn thành “đo lường các yếu tố ảnh hưởng đến ý định mua mỹ phẩm trực tuyến của sinh viên tại Thành phố Hồ Chí Minh”. Câu này đã cho thấy đối tượng, hành vi và bối cảnh cần thu dữ liệu.

Tiếp theo, viết một mục tiêu tổng quát và ba đến bốn mục tiêu cụ thể. Mục tiêu cụ thể nên dùng các động từ có thể kiểm định như xác định, đo lường, đánh giá, kiểm định và so sánh. Tránh ghi “tìm hiểu cảm nhận” nếu bạn dự định dùng bảng hỏi Likert và kiểm định thống kê, vì cách diễn đạt đó chưa cho thấy biến nào sẽ được đo.

Bước 2: Xác định khái niệm và biến trong mô hình

Từ mục tiêu, lập danh sách các khái niệm chính. Mỗi khái niệm cần có định nghĩa làm việc, vai trò trong mô hình và cách đo. Biến độc lập giải thích biến phụ thuộc. Biến trung gian mô tả cơ chế truyền tác động. Biến điều tiết làm thay đổi mức độ hoặc chiều của mối quan hệ.

Bạn nên đặt mã ngắn ngay từ đầu, chẳng hạn PU cho Perceived Usefulness, TR cho Trust và BI cho Behavioral Intention. Mã này phải được dùng thống nhất trong bảng hỏi, tên cột dữ liệu, output SPSS và bảng kết quả. Đổi mã giữa chương 3 và file dữ liệu là lỗi nhỏ nhưng khiến việc đối chiếu trở nên mất thời gian.

Nếu mô hình kế thừa TAM, TPB hoặc UTAUT, hãy ghi rõ phần nào giữ nguyên và phần nào điều chỉnh. Không nên đưa một biến vào chỉ vì nó xuất hiện trong nhiều bài trước. Bạn cần giải thích vì sao biến đó phù hợp với bối cảnh, đối tượng và câu hỏi nghiên cứu của mình.

Bước 3: Vẽ mô hình nghiên cứu và viết giả thuyết

Vẽ các khái niệm bằng hình chữ nhật hoặc hình elip, sau đó dùng mũi tên để thể hiện hướng tác động. Mỗi mũi tên trong mô hình phải có một giả thuyết tương ứng. Nếu có mũi tên từ Trust đến Behavioral Intention, bạn cần có H1 nói rõ Trust tác động đến Behavioral Intention trong bối cảnh nghiên cứu.

Một giả thuyết định lượng nên nêu được biến tác động, biến nhận tác động, chiều dự kiến và bối cảnh. Ví dụ: “H1: Perceived Usefulness tác động cùng chiều đến ý định sử dụng ứng dụng ngân hàng số của sinh viên tại Thành phố Hồ Chí Minh.” Phần lập luận trước giả thuyết cần dựa trên lý thuyết và nghiên cứu trước, không chỉ dựa vào cảm nhận của người viết.

Sau khi viết, hãy lập bảng đối chiếu giả thuyết với biến và phép kiểm định. Nếu có giả thuyết nhưng không có biến đo, bạn chưa thể kiểm định. Nếu có biến trong bảng hỏi nhưng không xuất hiện trong mô hình, giảng viên có thể hỏi lý do đưa biến đó vào.

Bước 4: Chọn thang đo và thiết kế bảng hỏi

Mỗi khái niệm nên được đo bằng một nhóm biến quan sát. Bạn cần ghi nguồn thang đo, số lượng biến ban đầu, cách dịch hoặc điều chỉnh, thang đo Likert và kết quả đánh giá sau khi thu dữ liệu. Thang Likert được dùng để đo thái độ theo kỹ thuật do Likert đề xuất (Likert, 1932).

Bảng hỏi nên có phần giới thiệu, câu hỏi sàng lọc, thông tin nhân khẩu học và các nhóm biến quan sát. Câu hỏi sàng lọc phải giúp bạn xác định người trả lời đúng đối tượng, chẳng hạn đã sử dụng dịch vụ trong sáu tháng gần đây. Không nên thu thập thông tin nhận diện cá nhân nếu nó không phục vụ mục tiêu nghiên cứu.

Trước khi phát hành, hãy kiểm tra mỗi biến quan sát có một ý nghĩa rõ, câu chữ không dẫn dắt và người trả lời có thể hiểu trong vài giây. Nếu dịch thang đo từ tiếng Anh, bạn cần đọc lại theo bối cảnh Việt Nam và ghi rõ quá trình điều chỉnh trong chương 3. Thang đo tham khảo chưa đồng nghĩa với thang đo đã được xác nhận cho mẫu của bạn.

Bước 5: Xác định mẫu và kế hoạch thu dữ liệu

Bạn cần mô tả tổng thể nghiên cứu, tiêu chí chọn người trả lời, cách tiếp cận mẫu, thời gian thu thập và số phản hồi hợp lệ dự kiến. Với nghiên cứu có nhiều biến quan sát, quy tắc 5 đến 10 quan sát cho mỗi biến thường được sử dụng như một mốc tham khảo (Hair và cộng sự, 2010). Với hồi quy, một mốc khác là cỡ mẫu từ 50 + 8m, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013).

Đừng chọn cỡ mẫu chỉ vì một con số quen thuộc trên mạng. Hãy tính theo mô hình thực tế, số biến quan sát, số nhóm cần so sánh nếu có và khả năng thu dữ liệu trong thời gian còn lại. Sau khi thu, bạn cần loại phản hồi thiếu nhiều thông tin, trả lời theo một mẫu lặp lại bất thường hoặc không qua câu hỏi sàng lọc. Ghi lại số phiếu ban đầu, số bị loại và số dùng để phân tích.

Bước 6: Chọn kế hoạch phân tích và tiêu chí báo cáo

Một kế hoạch thường đi theo thứ tự: thống kê mô tả, kiểm tra độ tin cậy, đánh giá giá trị thang đo, sau đó kiểm định mô hình và giả thuyết. Với SPSS, bạn có thể chạy Cronbach's Alpha, EFA, tương quan và hồi quy. Với SmartPLS, bạn đánh giá measurement model trước rồi mới đánh giá structural model, phù hợp với logic hai bước được trình bày trong (Anderson và Gerbing, 1988).

Bạn cần ghi trước bảng output nào sẽ được dùng. Cronbach's Alpha đọc từ Reliability Statistics, corrected item-total correlation đọc từ Item-Total Statistics, còn EFA thường xem KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix.

Khi đánh giá EFA, KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê được xem là điều kiện phù hợp theo (Kaiser, 1974). Eigenvalue trên 1 là một quy tắc trích nhân tố được nêu trong (Kaiser, 1960). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên là các mốc thường dùng theo (Hair và cộng sự, 2010).

Nếu dùng PLS-SEM, hãy ghi rõ outer loading, CR, AVE, HTMT, VIF, R², f² và Q² nào sẽ được báo cáo. CR từ 0.7 và AVE từ 0.5 trở lên được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). HTMT thường được xem dưới 0.85 hoặc 0.90 tùy mức độ gần nhau về khái niệm (Henseler và cộng sự, 2015). Không đưa CFI, TLI hoặc RMSEA vào phần đánh giá SmartPLS, vì các chỉ số đó thuộc logic CB-SEM theo (Hu và Bentler, 1999).

Cách viết vào luận văn

Bạn có thể thay phần trong ngoặc vuông bằng thông tin thật của đề tài. Đây là câu mẫu để điều chỉnh, không phải kết quả đã được kiểm chứng cho nghiên cứu của bạn.

Câu về kết quả chỉ được điền sau khi bạn có output. Không tự đặt hệ số, p-value hoặc khoảng tin cậy để làm đầy chương 4. Khi viết, hãy chép đúng tên biến và giá trị từ output, sau đó giải thích theo giả thuyết tương ứng.

Ví dụ thiết kế nghiên cứu rút gọn

Giả sử bạn chọn đề tài “Các yếu tố ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên tại Hà Nội”. Sau khi đọc cơ sở lý thuyết, bạn đề xuất ba biến độc lập là Perceived Usefulness, Perceived Ease of Use và Trust, cùng biến phụ thuộc là Behavioral Intention.

Mục tiêu tổng quát là đánh giá tác động của ba yếu tố đến ý định sử dụng ví điện tử. Ba giả thuyết tương ứng là H1, Perceived Usefulness tác động cùng chiều đến Behavioral Intention; H2, Perceived Ease of Use tác động cùng chiều đến Behavioral Intention; H3, Trust tác động cùng chiều đến Behavioral Intention.

Bảng hỏi dùng thang Likert năm mức, từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Người trả lời phải là sinh viên đã biết hoặc từng sử dụng ví điện tử. Dữ liệu được làm sạch, mã hóa và lưu thành .sav trước khi chạy SPSS.

Kế hoạch phân tích gồm bốn lớp. Đầu tiên, thống kê mô tả cho đặc điểm mẫu. Tiếp theo, Cronbach's Alpha và corrected item-total correlation để kiểm tra độ tin cậy. Sau đó, EFA để xem cấu trúc nhân tố. Cuối cùng, hồi quy bội để kiểm định H1 đến H3. Nếu Trust có hệ số dương và p-value nhỏ hơn mức ý nghĩa đã chọn, bạn có cơ sở thống kê để kết luận mối quan hệ theo hướng giả thuyết, trong phạm vi mẫu nghiên cứu.

Mọi phần trong ví dụ đều nối với nhau. Câu hỏi sàng lọc tạo ra đúng đối tượng. Biến trong mô hình xuất hiện trong bảng hỏi. Mỗi nhóm biến có mã rõ ràng. Phép phân tích cuối cùng trả lời trực tiếp cho các mũi tên trong mô hình. Nếu bạn chỉ thêm nhiều biến để mô hình trông đầy đủ hơn, thiết kế sẽ khó giải thích hơn chứ không mạnh hơn.

Bạn có thể đối chiếu thêm cách trình bày phương pháp trong phương pháp nghiên cứu hoặc xem giáo trình phương pháp nghiên cứu khoa học PDF để thống nhất thuật ngữ với yêu cầu của khoa. Nếu đang ở giai đoạn chọn đề tài, danh sách chủ đề Khóa luận tốt nghiệp có thể giúp bạn kiểm tra xem dữ liệu dự kiến có khả thi hay không.

Lỗi thường gặp khiến hội đồng hỏi lại

Lỗi đầu tiên là mô hình không xuất phát từ câu hỏi nghiên cứu. Người viết đưa nhiều biến vào vì thấy các bài trước thường dùng, nhưng không giải thích vai trò của chúng. Khi bị hỏi “Vì sao chọn biến này?”, câu trả lời “vì nhiều nghiên cứu đã dùng” chưa đủ nếu bạn chưa chỉ ra sự phù hợp với bối cảnh.

Lỗi thứ hai là giả thuyết dùng từ quá rộng. Câu “các yếu tố ảnh hưởng đến hành vi” không cho biết yếu tố nào, hành vi nào và chiều tác động ra sao. Hãy tách thành từng giả thuyết có một mối quan hệ cụ thể.

Lỗi thứ ba là trộn measurement model và structural model. Cronbach's Alpha, outer loading, CR và AVE nói về thang đo. Path coefficient, p-value, R² và f² nói về quan hệ trong mô hình. Bạn cần đánh giá thang đo trước khi diễn giải tác động giữa các biến.

Lỗi thứ tư là chọn phép phân tích sau khi đã xem kết quả. Việc loại biến chỉ vì nó làm giả thuyết không có ý nghĩa sẽ bị hỏi về cơ sở phương pháp. Nếu phải loại biến, bạn cần ghi lý do, tiêu chí, vòng phân tích và ảnh hưởng đến mô hình.

Lỗi thứ năm là viết cỡ mẫu nhưng không mô tả mẫu thực tế. Chương 3 nói dự kiến 300 phiếu, chương 4 chỉ có 217 phiếu hợp lệ nhưng không giải thích số còn lại biến mất ở đâu. Hãy lập bảng theo dõi số phiếu phát ra, nhận về, bị loại và được phân tích.

Lỗi cuối là nhầm giữa kết quả mẫu và kết luận cho toàn bộ dân số. Dữ liệu khảo sát phản ánh mẫu đã thu thập. Khi viết kết luận, hãy giới hạn trong đối tượng, địa bàn và thời gian nghiên cứu, đặc biệt nếu bạn dùng phương pháp chọn mẫu thuận tiện.

Câu hỏi thường gặp

Thiết kế nghiên cứu có giống phương pháp nghiên cứu không?

Hai khái niệm liên quan nhưng không hoàn toàn giống nhau. Phương pháp nghiên cứu là cách bạn thu thập và phân tích dữ liệu, chẳng hạn khảo sát bằng bảng hỏi, hồi quy bằng SPSS hoặc PLS-SEM bằng SmartPLS. Thiết kế nghiên cứu rộng hơn, vì nó bao gồm câu hỏi, mô hình, giả thuyết, mẫu, thang đo và kế hoạch phân tích.

Trong chương 3, bạn có thể trình bày thiết kế trước, sau đó mô tả cụ thể phương pháp và quy trình triển khai. Cách này giúp người đọc hiểu vì sao bạn chọn một phương pháp thay vì chỉ thấy danh sách thao tác phần mềm.

Có cần xây dựng mô hình nghiên cứu trước khi làm bảng hỏi không?

Có. Mô hình giúp bạn biết cần đo khái niệm nào và mỗi nhóm biến quan sát phục vụ giả thuyết nào. Nếu làm bảng hỏi trước, bạn dễ thu thập nhiều biến không dùng đến hoặc bỏ sót biến cần thiết.

Bạn vẫn có thể điều chỉnh mô hình sau khi đọc tài liệu và kiểm tra tính phù hợp với bối cảnh. Tuy nhiên, việc điều chỉnh phải được giải thích trước khi phân tích chính thức, không nên sửa chỉ để làm kết quả đẹp hơn.

Thiết kế nghiên cứu định lượng nên dùng SPSS hay SmartPLS?

SPSS phù hợp với thống kê mô tả, Cronbach's Alpha, EFA, tương quan, hồi quy và một số kiểm định nhóm. SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều quan hệ đồng thời, mediator hoặc moderator và bạn muốn đánh giá measurement model cùng structural model.

Hãy chọn dựa trên mô hình, loại thang đo, mục tiêu nghiên cứu và yêu cầu của giảng viên. Phần mềm không thay thế cho thiết kế. Một mô hình chưa rõ sẽ vẫn khó giải thích dù bạn chạy bằng SPSS hay SmartPLS.

Cỡ mẫu bao nhiêu là đủ cho thiết kế nghiên cứu?

Không có một con số đúng cho mọi đề tài. Bạn cần xem số biến quan sát, số biến độc lập, cấu trúc mô hình, nhóm cần so sánh và cách chọn mẫu. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát (Hair và cộng sự, 2010) và công thức hồi quy 50 + 8m (Tabachnick và Fidell, 2013) chỉ nên được dùng cùng với lập luận về mẫu thực tế.

Trong luận văn, hãy nêu cách tính, số phản hồi thu được, tiêu chí loại phiếu và số quan sát cuối cùng. Giảng viên thường quan tâm đến tính nhất quán giữa các con số này hơn một con số lớn nhưng không có nguồn gốc.

Nếu kết quả không ủng hộ giả thuyết thì có phải thiết kế sai không?

Chưa chắc. Một giả thuyết không được ủng hộ có thể xuất hiện vì mối quan hệ thực sự yếu trong bối cảnh nghiên cứu, mẫu chưa đại diện, thang đo chưa phù hợp hoặc dữ liệu có giới hạn. Bạn cần kiểm tra lại quy trình làm sạch, độ tin cậy, giá trị thang đo và giả định của phép phân tích trước khi diễn giải.

Không nên tự ý đổi chiều giả thuyết hoặc loại dữ liệu chỉ vì p-value không đạt. Hãy báo cáo kết quả đúng với output, nêu khả năng giải thích dựa trên bối cảnh và ghi rõ giới hạn của nghiên cứu.

Khi file đề cương còn trống, hãy mở một bảng gồm mục tiêu, biến, giả thuyết, biến quan sát, nguồn thang đo và phép phân tích, rồi điền từng dòng bằng thông tin thật của đề tài. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và nối output với chương kết quả, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.