Khám Phá Biến Số Trong Nghiên Cứu Khoa Học

1. Khái Niệm Cốt Lõi về Biến Số trong Nghiên Cứu Khoa Học

1.1. Biến Số là gì?

1.2. Phân biệt Biến Số và Chỉ Số Nghiên Cứu

2. Phân Loại Biến Số: Nền Tảng cho Thiết Kế Nghiên Cứu

2.1. Phân Loại theo Bản Chất của Biến Số

2.1.1. Biến Định Lượng

• Biến rời rạc: Là biến chỉ có thể nhận các giá trị nguyên, không thể là số thập phân giữa hai giá trị liên tiếp. Ví dụ: số con trong gia đình, số bệnh nhân nhập viện.
• Biến liên tục: Là biến có thể nhận bất kỳ giá trị nào trong một khoảng nào đó, kể cả các giá trị thập phân. Ví dụ: chiều cao, cân nặng, thu nhập, tuổi.

2.1.2. Biến Định Tính

• Biến danh mục (Nominal): Các giá trị của biến chỉ thể hiện sự khác biệt về tên gọi, không có thứ tự hay cấp bậc. Ví dụ: giới tính (nam, nữ), nhóm máu (A, B, AB, O), tình trạng hôn nhân (độc thân, có gia đình).
• Biến thứ hạng (Ordinal): Các giá trị của biến có thứ tự hoặc cấp bậc, nhưng khoảng cách giữa các giá trị có thể không bằng nhau hoặc không có ý nghĩa định lượng. Ví dụ: mức độ hài lòng (rất không hài lòng, không hài lòng, bình thường, hài lòng, rất hài lòng), trình độ học vấn (phổ thông, cao đẳng, đại học, sau đại học).
• Biến nhị phân (Dichotomous/Binary): Là một dạng đặc biệt của biến định tính chỉ có hai giá trị. Ví dụ: có/không, đúng/sai, thành công/thất bại.

2.2. Phân Loại theo Vai trò trong Mô hình Nghiên Cứu

2.2.1. Biến Độc Lập

2.2.2. Biến Phụ Thuộc

2.2.3. Biến Kiểm Soát và Biến Nhiễu

• Biến kiểm soát: Là những biến mà nhà nghiên cứu giữ ổn định hoặc loại bỏ ảnh hưởng của chúng để đảm bảo rằng mối quan hệ giữa biến độc lập và biến phụ thuộc không bị sai lệch bởi các yếu tố bên ngoài. Ví dụ, trong nghiên cứu về thuốc, độ tuổi của bệnh nhân có thể là biến kiểm soát.
• Biến nhiễu: Là biến có liên quan cả với biến độc lập và biến phụ thuộc, nhưng không nằm trong cơ chế tác động trực tiếp mà nhà nghiên cứu đang quan tâm. Nếu không được kiểm soát, biến nhiễu có thể dẫn đến kết luận sai lệch về mối quan hệ giữa biến độc lập và biến phụ thuộc. Ví dụ: trong nghiên cứu về mối liên hệ giữa hút thuốc và ung thư phổi, tuổi tác có thể là biến nhiễu vì người lớn tuổi có khả năng hút thuốc lâu năm hơn và cũng có nguy cơ mắc ung thư phổi cao hơn.

3. Tầm Quan Trọng của Việc Xác Định Chính Xác Biến Số

3.1. Định Hướng Thu Thập Dữ Liệu

3.2. Quyết Định Phương Pháp Thu Thập và Công Cụ

3.3. Hỗ Trợ Tính Toán Chỉ Số Cần Thiết

3.4. Hướng Dẫn Lựa Chọn Phép Kiểm Thống Kê và Diễn Giải Kết Quả

4. Quy Trình Xác Định Biến Số trong Nghiên Cứu

Bước 1: Xác Định Mục Tiêu Nghiên Cứu hoặc Câu Hỏi Nghiên Cứu

Bước 2: Liệt Kê Các Thông Tin Cần Thu Thập

Bước 3: Phân Loại Biến theo Bản Chất và Vai trò

• Ví dụ:
  • Biến độc lập: Thời gian học online (định lượng, liên tục)
  • Biến phụ thuộc: Kết quả học tập (có thể định lượng như điểm trung bình, hoặc định tính thứ hạng như: kém, trung bình, khá, giỏi)
  • Biến kiểm soát: Chuyên ngành học (định tính danh mục), độ tuổi (định lượng rời rạc), giới tính (định tính nhị phân).

Bước 4: Xác Định Thang Đo và Cách Mã Hóa Biến

• Thang đo: Ví dụ, thời gian học online có thể đo bằng giờ/ngày; kết quả học tập có thể đo bằng điểm từ 0-10, hoặc thang đo Likert 5 mức độ.
• Mã hóa: Biến giới tính có thể mã hóa: 1 = Nam, 0 = Nữ. Mức độ hài lòng: 1 = Rất không hài lòng, …, 5 = Rất hài lòng.

Bước 5: Chọn Phương Pháp Phân Tích Thống Kê Phù Hợp

Bước 6: Xây Dựng Bảng Biến

5. Liên Hệ Biến Số với Lựa Chọn Phương Pháp Phân Tích

5.1. Gợi Ý Lựa Chọn Test theo Loại Biến

• Biến Danh Mục: Thường được phân tích bằng kiểm định chi-bình phương (χ²) để kiểm tra mối liên hệ giữa các biến định tính. Nếu kích thước mẫu nhỏ, có thể dùng test chính xác Fisher. Đối với dữ liệu ghép cặp (ví dụ: trước/sau can thiệp trên cùng một nhóm), có thể sử dụng McNemar test.
• Biến Thứ Hạng: Nếu so sánh hai nhóm độc lập, sử dụng Mann-Whitney U test. Nếu so sánh nhiều hơn hai nhóm độc lập, sử dụng Kruskal-Wallis test. Đối với dữ liệu ghép cặp hoặc trong cùng một nhóm, sử dụng Wilcoxon signed-rank test (hai mẫu liên quan) hoặc Friedman test (nhiều mẫu liên quan).
• Biến Định Lượng:
  • So sánh trung bình hai nhóm độc lập: Independent-samples t-test.
  • So sánh trung bình hai nhóm phụ thuộc (ghép cặp): Paired-samples t-test.
  • So sánh trung bình từ ba nhóm độc lập trở lên: ANOVA (Analysis of Variance).
  • Nếu dữ liệu định lượng không thỏa mãn giả định phân phối chuẩn hoặc phương sai đồng nhất, có thể cân nhắc các kiểm định phi tham số tương ứng như trên.

5.2. Nguyên Tắc Thực Hành

• Luôn chọn test dựa trên loại biến, số nhóm so sánh, và kiểu quan sát (độc lập hay ghép cặp).
• Kiểm tra các giả định của test thống kê (ví dụ: phân phối chuẩn, đồng nhất phương sai) trước khi áp dụng. Nếu dữ liệu không thỏa giả định, cân nhắc kiểm định phi tham số hoặc các phương pháp chuyển đổi dữ liệu.
• With các biến định lượng cần xem xét mối quan hệ, các phân tích hồi quy (hồi quy tuyến tính, hồi quy logistic) là lựa chọn phổ biến, tùy thuộc vào bản chất của biến phụ thuộc.

6. Cách Sử Dụng SPSS với Biến Số trong Nghiên Cứu Khoa Học

6.1. Quy Trình Làm Việc trong SPSS

1. Khai báo biến trong Variable View: Đây là bước cực kỳ quan trọng ảnh hưởng đến toàn bộ quá trình phân tích sau này. Bạn cần định nghĩa rõ ràng:
   • Name: Tên biến (không chứa khoảng trắng).
   • Type: Loại biến (Numeric, String, Date, v.v. – thường là Numeric).
   • Labels: Nhãn biến (định nghĩa đầy đủ hơn về biến).
   • Values: Mã hóa giá trị cho biến định tính (ví dụ: 1 = Nam, 2 = Nữ).
   • Missing: Định nghĩa giá trị thiếu.
   • Measure: Thang đo (Scale cho biến định lượng; Ordinal cho biến thứ hạng; Nominal cho biến danh mục).
2. Nhập dữ liệu trong Data View: Nhập các giá trị đã thu thập theo các biến đã khai báo.
3. Chạy thống kê mô tả: Sử dụng Analyze > Descriptive Statistics > Frequencies hoặc Descriptives để hiểu phân bố của từng biến. Kiểm tra giá trị trung bình, độ lệch chuẩn, tần suất, phần trăm, giá trị ngoại lai.
4. Kiểm tra giả định: Trước khi thực hiện các kiểm định suy luận, kiểm tra giả định của chúng (ví dụ: kiểm định Shapiro-Wilk hoặc Kolmogorov-Smirnov cho phân phối chuẩn, Levene’s test cho đồng nhất phương sai).
5. Thực hiện kiểm định phù hợp: Dựa vào bản chất của các biến số trong nghiên cứu khoa học và mục tiêu, chọn kiểm định thích hợp từ menu Analyze.

6.2. Cách Đọc Kết Quả SPSS

• Descriptive Statistics: Đọc giá trị trung bình (Mean), độ lệch chuẩn (Standard Deviation), giá trị lớn nhất (Maximum), nhỏ nhất (Minimum) cho biến định lượng. Đọc tần suất (Frequency), phần trăm (Percent) cho biến định tính để mô tả mẫu.
• Sig. / p-value: Trong hầu hết các kiểm định giả thuyết, nếu p-value < 0.05 (hoặc mức ý nghĩa bạn chọn), kết quả được coi là có ý nghĩa thống kê.
• Levene’s test: Khi chạy t-test hoặc ANOVA, kiểm tra Levene’s Test for Equality of Variances trước. Nếu Sig. < 0.05, giả định phương sai đồng nhất bị vi phạm, và bạn cần đọc hàng kết quả Equal variances not assumed.
• Model Summary / ANOVA / Coefficients (trong hồi quy):
  • Model Summary: R-squared (R²) cho biết phần trăm phương sai của biến phụ thuộc được giải thích bởi biến độc lập.
  • ANOVA: Sig. cho biết mô hình hồi quy tổng thể có ý nghĩa thống kê hay không.
  • Coefficients: Đọc Beta (hệ số hồi quy) để biết chiều và mức độ ảnh hưởng của từng biến độc lập lên biến phụ thuộc, cùng với Sig. (p-value) để đánh giá ý nghĩa thống kê của từng hệ số.

1. Khai báo biến: gioi_tinh (Nominal, 1=Nam, 0=Nữ), muc_do_hai_long (Scale).
2. Chạy phân tích: Analyze > Compare Means > Independent-Samples T-Test. Đưa muc_do_hai_long vào Test Variable(s) và gioi_tinh vào Grouping Variable. Định nghĩa nhóm (Define Groups: 0 và 1).
3. Đọc kết quả: Đầu tiên, nhìn vào Levene’s test. Nếu Sig. > 0.05, bạn đọc dòng “Equal variances assumed”; nếu Sig. < 0.05, đọc dòng “Equal variances not assumed”. Sau đó, bạn nhìn vào Sig. (2-tailed) của T-test. Nếu giá trị này nhỏ hơn 0.05, bạn kết luận có sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa nam và nữ.

7. Biến Số trong AMOS: Mô Hình Đo Lường và Cấu Trúc

7.1. Vai Trò của Biến trong AMOS

• Biến quan sát (Observed Variables/Indicators): Các biến được đo lường trực tiếp từ dữ liệu thu thập (ví dụ: các câu hỏi trong bảng khảo sát). Chúng là “bằng chứng” để đo lường các biến tiềm ẩn.
• Biến tiềm ẩn (Latent Variables/Constructs): Các khái niệm trừu tượng không thể đo lường trực tiếp, mà được suy diễn từ các biến quan sát. Ví dụ: “Sự hài lòng của khách hàng”, “Chất lượng dịch vụ”, “Ý định mua hàng”. Các biến tiềm ẩn này thường được biểu diễn bằng hình bầu dục trong mô hình AMOS.

7.2. Quy Trình Thực Hành AMOS

1. Xây dựng mô hình đo lường (Measurement Model): Xác định mối quan hệ giữa các biến quan sát và các biến tiềm ẩn tương ứng (CFA).
2. Xây dựng mô hình cấu trúc (Structural Model): Xác định mối quan hệ nhân quả (mũi tên một chiều) giữa các biến tiềm ẩn với nhau.
3. Đánh giá độ phù hợp mô hình (Model Fit): Kiểm tra xem mô hình được đề xuất có phù hợp với dữ liệu thực tế hay không.
4. Đánh giá độ tin cậy và giá trị: Kiểm tra tải nhân tố (factor loading), độ tin cậy tổng hợp (composite reliability – CR) và phương sai trích trung bình (Average Variance Extracted – AVE) của các biến tiềm ẩn.

7.3. Cách Đọc Kết Quả AMOS

• Chỉ số phù hợp mô hình:
  • χ² / df (C/df): Thường mong muốn < 3 hoặc < 5.
  • CFI (Comparative Fit Index), TLI (Tucker-Lewis Index): > 0.9 hoặc > 0.95.
  • RMSEA (Root Mean Square Error of Approximation): < 0.08 hoặc < 0.06.
  • GFI (Goodness-of-Fit Index): > 0.9.
• Factor Loading: Giá trị tải nhân tố (Regression Weights) cho biết mức độ mà một biến quan sát phản ánh biến tiềm ẩn của nó. Thông thường mong muốn > 0.5, lý tưởng là > 0.7.
• CR và AVE: Được dùng để đánh giá độ tin cậy và giá trị hội tụ của thang đo. CR nên > 0.7 và AVE nên > 0.5. Sau đó kiểm tra giá trị phân biệt (Discriminant Validity) qua Heterotrait-Monotrait Ratio (HTMT) hoặc bằng cách so sánh căn bậc hai của AVE với tương quan giữa các biến tiềm ẩn.

1. Vẽ mô hình: Trong giao diện AMOS, bạn vẽ các hình bầu dục cho biến tiềm ẩn và các hình vuông cho biến quan sát, sau đó nối chúng lại bằng mũi tên.
2. CFA: Chạy để xác định các biến quan sát nào thật sự thể hiện biến tiềm ẩn tương ứng. Kiểm tra các factor loading và các chỉ số phù hợp mô hình đo lường. Nếu có biến quan sát có loading thấp (<0.5), có thể cân nhắc loại bỏ.
3. SEM: Sau khi mô hình đo lường đạt yêu cầu, bạn thêm các mũi tên tác động từ QL_SP, GIA_CA, HAI_LONG đến YD_MUA_LAI. Chạy phân tích SEM.
4. Đọc kết quả: Kiểm tra lại các chỉ số phù hợp mô hình tổng thể. Sau đó, xem tab Estimates > Standardized Regression Weights để xem các hệ số đường dẫn chuẩn hóa (Standardized Path Coefficients) và p-value của chúng để đánh giá mối quan hệ và ý nghĩa thống kê của các tác động.

8. Biến Số trong SmartPLS: PLS-SEM cho Mô Hình Phức Tạp

8.1. Các Dạng Biến Số Nổi Bật trong SmartPLS

• Biến tiềm ẩn phản xạ (Reflective Latent Variables): Phổ biến nhất. Chỉ báo (biến quan sát) là phản ánh của biến tiềm ẩn. Thay đổi ở biến tiềm ẩn gây ra thay đổi ở các chỉ báo, và các chỉ báo này được giả định có mối tương quan với nhau (ví dụ: “Sự hài lòng” dẫn đến “hài lòng với sản phẩm”, “hài lòng với dịch vụ”).
• Biến tiềm ẩn tạo thành (Formative Latent Variables): Chỉ báo là nguyên nhân hoặc thành phần cấu thành nên biến tiềm ẩn. Thay đổi ở các chỉ báo sẽ gây ra thay đổi ở biến tiềm ẩn, và các chỉ báo này không nhất thiết phải tương quan với nhau (ví dụ: “Tình trạng kinh tế xã hội” được tạo thành bởi “thu nhập”, “trình độ học vấn”, “nghề nghiệp”).
• Biến quan sát (Observed Variables/Indicators): Các mục câu hỏi cụ thể được dùng để đo lường các biến tiềm ẩn.

8.2. Quy Trình Thực Hiện với SmartPLS

1. Xây dựng mô hình đo lường: Vẽ mô hình trong SmartPLS Design, xác định các biến tiềm ẩn và các chỉ báo của chúng (đặc biệt là phân biệt giữa mô hình phản xạ và tạo thành).
2. Đánh giá mô hình đo lường: Tiến hành chạy thuật toán PLS-SEM và kiểm tra các chỉ số cốt lõi. Đối với mô hình phản xạ, kiểm tra Outer Loading (> 0.708), Composite Reliability (CR > 0.7), và Average Variance Extracted (AVE > 0.5) nhằm khẳng định tính hội tụ. Với kiểm tra tính phân biệt, đánh giá qua chỉ số Heterotrait-Monotrait Ratio (HTMT < 0.85 hoặc 0.90).
3. Đánh giá mô hình cấu trúc và kiểm định giả thuyết: Chạy thuật toán Bootstrapping nâng cao để xác định giá trị p-value và t-statistic của các hệ số đường dẫn (Path Coefficients). Nếu p-value < 0.05 (hoặc t-statistic > 1.96), giả thuyết tác động được ủng hộ. Đồng thời, đánh giá giá trị R² để đo lường mức độ giải thích phương sai của biến phụ thuộc.

Kết luận

Làm chủ việc phân loại và thiết lập chính xác các biến số trong nghiên cứu khoa học là nền móng vững chắc nhất giúp bạn làm chủ bộ dữ liệu thực địa của mình. Cho dù bài viết, luận văn hay báo cáo của bạn sử dụng phân tích mô tả cơ bản trên SPSS, kiểm định mô hình xác nhận lý thuyết trên AMOS hay mô hình dự báo cấu trúc trên SmartPLS, việc chọn đúng thang đo và phương pháp chẩn đoán sẽ giúp số liệu đầu ra luôn đạt chuẩn học thuật cao.

Nếu bạn gặp bất kỳ vướng mắc nào trong quá trình khai báo biến, xử lý đa cộng tuyến hay phân tích hệ thống mô hình đa biến nhân quả nâng cao, hãy liên hệ ngay với đội ngũ chuyên gia giàu kinh nghiệm tại xulysolieu.info để được đồng hành và giải đáp số liệu một cách tin cậy nhất hằng ngày.