Mô hình tự quyết: thành phần, thang đo và cách kiểm định

Mô hình tự quyết là gì

Mô hình tự quyết thường được dùng để giải thích vì sao một người bắt đầu, duy trì hoặc thay đổi một hành vi dựa trên động lực bên trong và bối cảnh xung quanh. Trong đề tài định lượng, bạn có thể dùng mô hình này để nghiên cứu ý định học trực tuyến, sử dụng ứng dụng, mua sản phẩm, duy trì tập luyện hoặc chấp nhận một công nghệ.

Ba khái niệm trung tâm của mô hình là autonomy, competence và relatedness. Autonomy nói về cảm giác mình có quyền lựa chọn và chủ động. Competence nói về cảm giác có khả năng thực hiện hành vi. Relatedness nói về cảm giác được kết nối, được chấp nhận hoặc thuộc về một nhóm. Ba khái niệm này thường được đo bằng nhiều biến quan sát trên thang Likert, chẳng hạn từ 1, hoàn toàn không đồng ý, đến 5, hoàn toàn đồng ý. Thang Likert bắt nguồn từ kỹ thuật đo lường thái độ của Likert (1932).

Bạn nên phân biệt mô hình tự quyết với một mô hình chỉ đo thái độ hoặc ý định. Mô hình tự quyết tập trung vào nguồn gốc của động lực và điều kiện tâm lý khiến động lực đó được duy trì. Khi đưa vào luận văn, bạn cần chỉ rõ biến nào là nguyên nhân, biến nào là kết quả, và liệu động lực có được dùng như mediator hay không.

Nếu bạn đang tìm một mô hình giải thích ý định hành vi bằng thái độ, chuẩn chủ quan và perceived behavioral control, hãy xem thêm mô hình TPB và lý thuyết TPB. Hai hướng này có thể được so sánh với mô hình tự quyết khi bạn chốt mô hình nghiên cứu.

Các thành phần trong mô hình

Bạn có thể bắt đầu bằng ba biến độc lập tương ứng với ba nhu cầu tâm lý cơ bản. Biến phụ thuộc cần bám vào câu hỏi nghiên cứu cụ thể. Ví dụ, nếu nghiên cứu việc sinh viên tiếp tục sử dụng nền tảng học trực tuyến, biến phụ thuộc có thể là continuance intention hoặc actual use.

Bảng trên là khung khái niệm để bạn thiết kế mô hình, chưa phải bộ thang đo đã được dịch và kiểm định cho mọi bối cảnh. Bạn cần kiểm tra nội dung từng biến quan sát, ngữ cảnh nghiên cứu và đối tượng khảo sát trước khi đưa vào bảng hỏi.

Một cách xây mô hình gọn là đặt autonomy, competence và relatedness ảnh hưởng trực tiếp đến intention. Một cách phức tạp hơn là đặt ba nhu cầu này ảnh hưởng đến intrinsic motivation, sau đó intrinsic motivation ảnh hưởng đến intention. Cách thứ hai cần dữ liệu đủ tốt và giả thuyết rõ ràng, vì bạn phải kiểm định thêm tác động gián tiếp.

Bạn cũng cần quyết định biến nào là reflective hay formative nếu chạy SmartPLS. Với reflective measurement, các biến quan sát phản ánh cùng một khái niệm tiềm ẩn. Khi một biến quan sát bị loại, nội dung khái niệm thường vẫn còn tương đối đầy đủ. Với formative measurement, các chỉ báo tạo thành khái niệm, nên loại một chỉ báo có thể làm thay đổi phạm vi khái niệm.

Mô hình gốc và các mở rộng phổ biến

Mô hình tự quyết có thể được đặt cạnh các mô hình hành vi khác, nhưng không nên ghép các biến chỉ vì chúng đều quen thuộc. Mô hình hành động hợp lý, thường gọi là TRA, tập trung vào thái độ, chuẩn chủ quan và ý định. Bạn có thể đọc phần riêng về mô hình TRA để so sánh cấu trúc biến và cách đặt giả thuyết.

Mô hình hành vi dự định, hay TPB, mở rộng hướng tiếp cận đó bằng perceived behavioral control. Vì vậy, TPB phù hợp khi rào cản nguồn lực, cơ hội hoặc khả năng kiểm soát hành vi là trọng tâm. Mô hình tự quyết phù hợp hơn khi câu hỏi nghiên cứu xoay quanh động lực, quyền tự chủ, năng lực cảm nhận và sự gắn kết.

Trong một đề tài về hành vi người tiêu dùng, bạn có thể dùng mô hình tự quyết để giải thích động lực sử dụng sản phẩm, sau đó thêm perceived value hoặc satisfaction nếu có lập luận lý thuyết. Khái niệm giá trị tiêu dùng có cấu trúc riêng, vì vậy hãy xem giá trị tiêu dùng là gì trước khi đưa biến này vào cùng mô hình.

Một số mô hình khác như mô hình niềm tin sức khỏe, mô hình trao đổi xã hội và mô hình giá trị tiêu dùng có thể xuất hiện trong phần tổng quan, nhưng chúng trả lời những câu hỏi khác nhau. Mô hình niềm tin sức khỏe thiên về nhận thức nguy cơ và lợi ích. Mô hình trao đổi xã hội thiên về quan hệ trao đổi và sự đáp lại. Mô hình giá trị tiêu dùng thiên về các loại giá trị mà người tiêu dùng nhận được. Bạn chỉ nên kết hợp khi có đường dẫn lý thuyết cụ thể.

Khi viết phần mở rộng, hãy ghi rõ biến nào lấy từ mô hình nào. Ví dụ, autonomy, competence và relatedness thuộc khung tự quyết, perceived behavioral control thuộc TPB, còn perceived value thuộc mô hình giá trị tiêu dùng. Việc ghi nguồn gốc từng biến giúp hội đồng hiểu mô hình của bạn là một mở rộng có chủ đích, thay vì một sơ đồ ghép biến.

Thang đo thường dùng cho từng khái niệm

Với mô hình tự quyết, khó khăn lớn nhất thường nằm ở việc tìm đúng thang đo và dịch đúng ngữ cảnh. Bạn không nên lấy một câu tiếng Anh, dịch máy, rồi xem đó là thang đo chính thức. Hãy tạo bảng đối chiếu gồm tên khái niệm, mã biến, câu gốc, bản dịch dự kiến và lý do điều chỉnh.

Nguồn phương pháp trong bảng chỉ xác nhận dạng thang Likert, không xác nhận rằng các câu mẫu là bản dịch chuẩn của một công trình đo lường cụ thể. Nếu bạn có bài gốc đã được kiểm tra, hãy ghi tác giả, năm, số biến quan sát và bối cảnh của bài đó trong chương 3. Nếu chưa có nguồn thang đo gốc trong hồ sơ tài liệu, hãy gọi đây là bộ biến quan sát tham khảo và trình bày quy trình điều chỉnh một cách trung thực.

Sau khi thu dữ liệu, bạn có thể kiểm tra Cronbach's Alpha và corrected item-total correlation. Alpha từ 0.7 trở lên thường được chấp nhận theo Nunnally (1978), còn nghiên cứu khám phá có thể cân nhắc alpha từ 0.6 theo Hair và cộng sự (2010). Corrected Item-Total Correlation từ 0.3 trở lên được dùng theo Nunnally và Bernstein (1994). Đây là tiêu chí tham khảo, không phải lý do duy nhất để xóa biến.

Nếu chạy EFA bằng SPSS, bạn cần xem KMO, Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê được nêu theo Kaiser (1974). Eigenvalue lớn hơn 1 là quy tắc trích thường gặp theo Kaiser (1960). Factor loading từ 0.5 trở lên có thể dùng theo Hair và cộng sự (2010), nhưng bạn vẫn phải xem nội dung biến và hiện tượng cross-loading.

Áp dụng vào đề tài của bạn

Giả sử đề tài là: “Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng nền tảng học trực tuyến của sinh viên”. Bạn có thể xây mô hình gồm autonomy, competence, relatedness, intrinsic motivation và continuance intention. Đây là mô hình minh họa, không phải kết quả của một nghiên cứu thật.

Mô hình khái niệm có thể được viết bằng các đường dẫn sau:

• Autonomy ảnh hưởng đến intrinsic motivation.
• Competence ảnh hưởng đến intrinsic motivation.
• Relatedness ảnh hưởng đến intrinsic motivation.
• Intrinsic motivation ảnh hưởng đến continuance intention.

Từ đó, bốn giả thuyết minh họa là:

• H1: Autonomy có ảnh hưởng tích cực đến intrinsic motivation.
• H2: Competence có ảnh hưởng tích cực đến intrinsic motivation.
• H3: Relatedness có ảnh hưởng tích cực đến intrinsic motivation.
• H4: Intrinsic motivation có ảnh hưởng tích cực đến continuance intention.

Bạn có thể thêm các đường dẫn trực tiếp từ ba nhu cầu tâm lý đến continuance intention, nhưng khi đó mô hình sẽ có nhiều giả thuyết hơn. Nếu đặt intrinsic motivation làm mediator, hãy nêu rõ bạn đang kiểm tra cả tác động trực tiếp và tác động gián tiếp. Đừng kết luận có mediation chỉ vì hai đường dẫn riêng lẻ đều có p-value nhỏ.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Dựa trên mục tiêu nghiên cứu, đề tài đề xuất mô hình gồm [tên biến độc lập], [tên biến trung gian nếu có] và [tên biến phụ thuộc]. Cụ thể, nghiên cứu kiểm định ảnh hưởng của [AUTONOMY] đến [INTRINSIC MOTIVATION], ảnh hưởng của [COMPETENCE] đến [INTRINSIC MOTIVATION], ảnh hưởng của [RELATEDNESS] đến [INTRINSIC MOTIVATION] và ảnh hưởng của [INTRINSIC MOTIVATION] đến [CONTINUANCE INTENTION].”

Trong chương 3, bạn nên có một bảng riêng cho mã biến. Ví dụ AUT1 đến AUT3 là các biến quan sát của autonomy, COM1 đến COM3 là competence, REL1 đến REL3 là relatedness. Tên cột trong file .sav hoặc .csv phải trùng với bảng mã, vì sai một ký tự có thể làm bạn chọn nhầm biến khi chạy phân tích.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn muốn kiểm tra dữ liệu, mô tả mẫu, Cronbach's Alpha, EFA và hồi quy. Với mô hình có mediator, bạn có thể dùng hồi quy theo từng phương trình, nhưng cần trình bày rõ cách kiểm tra tác động gián tiếp. AMOS phù hợp với CB-SEM khi bạn cần đánh giá mô hình đo lường và các chỉ số fit. SmartPLS phù hợp với PLS-SEM khi mô hình có nhiều biến tiềm ẩn, quan tâm đến dự báo hoặc có cấu trúc trung gian.

Trong SPSS, bạn mở Analyze > Scale > Reliability Analysis, đưa các biến AUT1, AUT2, AUT3 vào ô Items, chọn Statistics, đánh dấu Scale if item deleted. Sau đó kiểm tra bảng Reliability Statistics và Item-Total Statistics. Với EFA, mở Analyze > Dimension Reduction > Factor, xem KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix.

Nếu chạy hồi quy, mở Analyze > Regression > Linear. Đặt continuance intention làm Dependent và intrinsic motivation làm Independent. Kiểm tra bảng Model Summary, ANOVA và Coefficients. Khi kiểm tra đa cộng tuyến, xem VIF, với ngưỡng dưới 5 được Hair và cộng sự (2019) đề cập trong báo cáo PLS-SEM. Với hồi quy, bạn cũng có thể kiểm tra Durbin-Watson, khoảng từ 1 đến 3 được Field (2013) sử dụng như một quy tắc kiểm tra.

Trong SmartPLS 4, tạo project mới, nhập file .csv, kéo các biến AUT, COM, REL, IM và BI vào mô hình đo lường, rồi nối các mũi tên theo giả thuyết. Chạy Calculate > PLS-SEM Algorithm để xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Path Coefficients. Sau đó chạy Calculate > Bootstrapping, chọn số subsamples phù hợp với quy trình báo cáo. Hair và cộng sự (2022) nêu 5.000 bootstrap subsamples cho quy trình PLS-SEM.

Bảng trên là số liệu minh họa, được trình bày theo tên bảng và cột thường gặp trong SmartPLS. Bạn không được chép các con số này vào chương 4. Khi đọc kết quả thật, outer loading từ 0.7 trở lên có thể tham khảo Chin (1998). CR từ 0.7 và AVE từ 0.5 được nêu theo Fornell và Larcker (1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được nêu theo Henseler và cộng sự (2015).

Với mô hình cấu trúc, R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là đáng kể, trung bình và yếu theo Hair và cộng sự (2011). f² ở mức 0.02, 0.15 và 0.35 tương ứng với tác động nhỏ, vừa và lớn theo Cohen (1988). Q² lớn hơn 0 cho thấy khả năng dự báo có ý nghĩa theo Stone (1974). Bạn cần ghi rõ phần mềm, phiên bản, phương pháp, số bootstrap và tiêu chí sử dụng trong chương phương pháp.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi biến động lực là intrinsic motivation. Nếu một sinh viên học vì điểm số, học bổng hoặc áp lực từ gia đình, đó có thể là động lực bên ngoài. Bạn cần định nghĩa biến theo nội dung câu hỏi và lý thuyết, không đặt tên theo cảm giác.

Lỗi thứ hai là dùng autonomy, competence và relatedness như ba nhãn trang trí trên sơ đồ, nhưng bảng hỏi lại không có biến quan sát phù hợp. Trước khi thu dữ liệu, hãy lập bảng mapping từ khái niệm đến mã biến, câu hỏi, nguồn và cách dịch.

Lỗi thứ ba là ghép mô hình tự quyết với mô hình hành vi dự định mà không giải thích đường dẫn. Thêm attitude, subjective norm và perceived behavioral control có thể làm mô hình dài hơn, nhưng không tự động làm nghiên cứu tốt hơn. Mỗi mũi tên cần gắn với câu hỏi nghiên cứu và lập luận trong tổng quan.

Lỗi thứ tư là xóa biến chỉ vì Alpha tăng. Một biến có corrected item-total correlation thấp có thể là dấu hiệu câu hỏi dịch chưa rõ, khái niệm bị trộn hoặc người trả lời hiểu khác nhau. Bạn cần ghi lại từng vòng chạy, lý do loại biến và ảnh hưởng đến nội dung thang đo.

Lỗi cuối là dùng CFI, TLI hoặc RMSEA trong báo cáo SmartPLS như thể đó là bộ tiêu chí mặc định. Các chỉ số này thuộc CB-SEM theo Hu và Bentler (1999). Với SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q² theo cấu trúc mô hình.

Đọc thêm: hành vi dự định là gì, chủ đề mo hinh nghien cuu.

Câu hỏi thường gặp

Mô hình tự quyết có phải là mô hình hành vi dự định không?

Hai mô hình đều có thể dùng để giải thích ý định, nhưng trọng tâm khác nhau. Mô hình tự quyết tập trung vào động lực và ba nhu cầu tâm lý, còn mô hình hành vi dự định tập trung vào thái độ, chuẩn chủ quan và perceived behavioral control. Bạn có thể so sánh hai mô hình, nhưng cần chọn mô hình phù hợp với câu hỏi nghiên cứu chính.

Có thể dùng mô hình tự quyết cho đề tài hành vi người tiêu dùng không?

Có thể, nếu bạn muốn giải thích vì sao người tiêu dùng tự nguyện bắt đầu hoặc duy trì một hành vi. Hãy chỉ rõ bối cảnh, chẳng hạn sử dụng sản phẩm xanh, ứng dụng mua sắm hoặc nền tảng thành viên, rồi xác định outcome là ý định, hành vi hoặc mức độ gắn bó.

Nên chạy SPSS hay SmartPLS?

Nếu đề tài chủ yếu cần làm sạch dữ liệu, mô tả mẫu, Cronbach's Alpha, EFA và hồi quy, SPSS thường đủ cho quy trình đó. Nếu bạn có nhiều biến tiềm ẩn, mediator, mô hình đo lường và muốn dùng bootstrapping, SmartPLS có thể phù hợp hơn. Quyết định nên dựa vào mô hình và yêu cầu của giảng viên, không chỉ dựa vào phần mềm đang có.

Thang đo tự quyết có cần dịch lại không?

Có. Bạn cần điều chỉnh cách diễn đạt cho đối tượng và bối cảnh Việt Nam, kiểm tra các từ dễ gây hiểu nhầm, thống nhất thang Likert và ghi lại các thay đổi. Một bản dịch được dùng trong bài khác không có nghĩa là nó đã phù hợp nguyên trạng với mẫu của bạn.

Nếu Alpha của một khái niệm thấp thì phải làm sao?

Hãy xem Item-Total Statistics, corrected item-total correlation, nội dung từng biến và câu hỏi có bị đảo chiều hay không. Bạn có thể cân nhắc loại biến khi có lý do phương pháp và lý thuyết, sau đó chạy lại. Đừng xóa liên tiếp nhiều biến chỉ để đạt một con số đẹp mà làm mất nội dung của khái niệm.

Mở file dữ liệu của bạn, kiểm tra lại sơ đồ biến và tạo bảng mapping từ autonomy, competence, relatedness đến từng mã biến trước khi chạy lần tiếp theo. Nếu cần dựng mô hình, giả thuyết và bảng hỏi theo đúng đề tài của bạn, bạn có thể dùng M3 của DoThesis.