Đây là một trong những bước khó nhất của nghiên cứu: từ một sơ đồ lý thuyết đẹp chuyển sang thứ có thể đo, lưu thành dữ liệu và kiểm bằng mô hình. Nếu làm kém ở bước này, SEM, hồi quy hay PLS-SEM phía sau chỉ làm chính xác hơn một khái niệm đã định nghĩa sai.
Bài này trình bày toàn bộ đường đi: câu hỏi nghiên cứu → khái niệm → cấu trúc lý thuyết → giả thuyết → biến → thang đo → đơn vị quan sát → thiết kế dữ liệu → kiểm định. Đây là cầu nối trực tiếp từ phần định tính sang series định lượng và không gian.
Chuyên đề: Mô hình định tính, hành vi & ra quyết định trong BĐS · Bài 43 · Tổng hợp và chuyển sang định lượng
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Bắt đầu từ câu hỏi, không bắt đầu từ phần mềm
“Tôi muốn dùng SEM” không phải câu hỏi nghiên cứu. Cần bắt đầu bằng hiện tượng: vì sao nhân viên không dùng AI? yếu tố nào làm khách tiếp tục dùng app? chất lượng hệ thống ảnh hưởng lợi ích ra sao? hạ tầng ảnh hưởng giá theo cơ chế nào?
Mô hình được chọn vì nó phù hợp câu hỏi, không phải vì người nghiên cứu quen SPSS/AMOS/SmartPLS.
2. Concept, construct, variable và indicator
| Khái niệm | Ý nghĩa | Ví dụ |
|---|---|---|
| Concept | Ý tưởng trừu tượng rộng | Niềm tin |
| Construct | Khái niệm được định nghĩa nghiên cứu | Trust in AI |
| Latent variable | Biến không quan sát trực tiếp | Perceived Usefulness |
| Indicator/item | Biến quan sát phản ánh construct | PU1, PU2, PU3 |
| Observed variable | Đo trực tiếp | Số lần dùng trong 30 ngày |
Không phải mọi biến đều latent. Tuổi, giá, khoảng cách, số lần sử dụng thường là observed variables. Việc biến mọi thứ thành thang Likert là sai.
3. Viết định nghĩa khái niệm trước khi viết câu hỏi
Mỗi construct cần có conceptual definition và operational definition. Ví dụ Perceived Usefulness: mức người dùng tin rằng sử dụng hệ thống cải thiện hiệu quả công việc. Operationalization: bốn item đo tốc độ, hiệu quả, chất lượng và productivity cảm nhận.
Nếu không có định nghĩa, item dễ trôi sang construct khác.
4. Từ mô hình lý thuyết sang giả thuyết
Một giả thuyết tốt phải chỉ rõ biến, hướng hoặc bản chất quan hệ, đối tượng/bối cảnh và lý do lý thuyết. Ví dụ: H1: Nhận thức về tính hữu ích có tác động dương tới ý định sử dụng hệ thống AVM của thẩm định viên.
Không nên viết giả thuyết kiểu “PU có mối quan hệ với BI” nếu lý thuyết đã dự báo hướng. Ngược lại, nếu chưa có cơ sở hướng, không nên ép dương/âm.
5. Direct effect, mediation, moderation và control
| Loại | Ví dụ |
|---|---|
| Direct | PU → BI |
| Mediation | Information Quality → PU → BI |
| Moderation | Experience × PEOU → BI |
| Control | Age, role, tenure |
| Outcome behavior | BI → Actual Use |
Mediation nói về cơ chế truyền tác động; moderation nói quan hệ thay đổi theo điều kiện. Hai khái niệm không thể dùng thay nhau.
6. Reflective và formative: không nên bỏ qua
Với reflective construct, latent variable được xem là nguyên nhân tạo ra các indicators; các item có xu hướng cùng thay đổi. Với formative construct, indicators tạo nên construct và không nhất thiết tương quan.
Ví dụ Satisfaction thường reflective. Một chỉ số Accessibility tổng hợp từ số việc làm tiếp cận, transit, travel time có thể formative/composite. Nếu chọn sai hướng đo lường, CFA/SEM phía sau có thể sai logic.
7. Viết item: ít nhưng đúng tốt hơn nhiều mà trùng
- Mỗi item đo một ý.
- Không chứa hai câu hỏi trong một câu.
- Tránh phủ định kép.
- Không dùng thuật ngữ mà người trả lời không hiểu.
- Các item trong cùng construct phải cùng cấp độ.
- Không biến outcome thành item của predictor.
Ví dụ PU không nên có item 'Tôi sẽ tiếp tục dùng hệ thống', vì đó là BI/continuance chứ không phải usefulness.
8. Thang Likert và thang đo khác
Likert phù hợp beliefs/attitudes nhưng không phải mặc định cho mọi biến. Có thể dùng semantic differential cho attitude, frequency count cho use, ranking/choice cho preference, continuous value cho price/distance, binary cho adoption.
Một dataset tốt thường chứa nhiều kiểu biến, không phải toàn bộ 1–5.
9. Dịch thang đo sang tiếng Việt
Nếu dùng thang quốc tế, cần giữ nội hàm. Quy trình có thể gồm dịch xuôi, phản biện chuyên gia, dịch ngược, cognitive interview và pilot. Mục tiêu không phải dịch từng chữ mà đảm bảo người Việt hiểu cùng construct.
Với thuật ngữ chuyên môn như perceived usefulness, nên diễn giải tự nhiên trong item thay vì bắt người trả lời hiểu tên khái niệm.
10. Đơn vị phân tích phải rõ
| Câu hỏi | Đơn vị phù hợp |
|---|---|
| Nhân viên có dùng AI? | Cá nhân |
| Doanh nghiệp có áp dụng BIM? | Doanh nghiệp |
| Tài sản nào có giá cao hơn? | Tài sản/giao dịch |
| Khu vực nào accessibility tốt? | Ô lưới/khu vực |
| Người dùng đổi nền tảng khi nào? | Người × thời gian |
Không được khảo sát 5 nhân viên rồi coi đó là 5 doanh nghiệp nếu outcome ở firm-level.
11. Cấu trúc dữ liệu wide và long
Survey SEM thường wide: một dòng/người, nhiều item. Event/longitudinal nên long: một dòng/người/thời điểm. Multi-task TTF có thể person×task×technology. Spatial data cần geometry hoặc spatial key.
| Thiết kế | Khóa chính gợi ý |
|---|---|
| Survey cross-sectional | respondent_id |
| Panel | respondent_id + wave |
| Event log | user_id + timestamp + event_id |
| Firm survey | firm_id |
| Spatial parcel | parcel_id + geometry |
12. Codebook là bắt buộc
Mỗi biến nên có: variable name, label, construct, item wording, scale, coding, missing code, source, reverse-coded?, unit, time reference. Không nên để người sau phải đoán ATT3 nghĩa là gì.
| variable | construct | type | scale | source | note |
|---|---|---|---|---|---|
| PU1 | Perceived Usefulness | Likert | 1–7 | Davis adapted | Không đảo |
| USE30 | Actual Use | Count | 0..n | System log | 30 ngày |
| ROLE | Control | Category | 1..4 | HR | Mã vai trò |
13. Data lineage và traceability
Đối với dữ liệu vận hành, cần biết biến được tạo từ bảng nào, logic tính gì, thời điểm nào. Ví dụ “active_user_30d” phải có định nghĩa: có ít nhất 1 core-task event trong 30 ngày, không phải chỉ login.
Nếu feature engineering thay đổi, version metric phải được lưu.
14. Missing data không phải chỉ là ô trống
Cần phân biệt missing because not applicable, skipped, system error, respondent refused, lost follow-up. Các loại missing có cơ chế khác nhau.
Không nên mã hóa thiếu là 0 nếu 0 có ý nghĩa thật. Nên dùng null/NA và lưu missing_reason khi cần.
15. Common-method bias và thiết kế dữ liệu đa nguồn
Nếu predictor và outcome đều do một người tự báo cáo trong một survey, quan hệ có thể bị phóng đại. Cách tốt hơn là tách nguồn hoặc thời điểm: beliefs từ survey, actual use từ log, performance từ KPI.
Đây là lý do các bài TAM, UTAUT, D&M, ECM trước đó luôn nhấn mạnh hành vi thật.
16. Pilot study để làm gì?
- Kiểm người trả lời có hiểu item không.
- Kiểm thời lượng survey.
- Phát hiện item trùng hoặc khó.
- Kiểm phân bố dữ liệu.
- Kiểm reliability sơ bộ.
- Kiểm logic skip/branch.
- Kiểm codebook và pipeline.
Pilot không chỉ để đạt Cronbach’s Alpha >0,7. Nó là thử toàn bộ instrument và quy trình.
17. Sample size: không có một con số thần kỳ
Cỡ mẫu phụ thuộc số tham số, power, effect size, độ phức tạp mô hình, phân phối và phương pháp ước lượng. Quy tắc “5 mẫu/biến” hay “10 times rule” không nên dùng như định luật.
Tốt hơn là power analysis hoặc simulation khi nghiên cứu nghiêm túc. Với nghiên cứu lớp học, cần giữ mô hình vừa sức dữ liệu.
18. Measurement model trước structural model
Với SEM, trước khi bàn H1–H10, phải kiểm thang đo: loading, reliability, convergent validity, discriminant validity, model fit phù hợp. Nếu measurement model không ổn, hệ số structural đẹp cũng không cứu được.
Đây là nguyên tắc: đo sai thì mô hình quan hệ cũng sai.
19. Từ khung định tính sang biến định lượng: ví dụ TAM–Trust
Câu hỏi: vì sao khách ít dùng nền tảng ký hợp đồng BĐS? Định tính phát hiện usefulness, ease, trust và legal risk. Sau đó định nghĩa 4 constructs, viết hypotheses, chọn thang đo, pilot, survey, lấy log transaction completion. Structural model có thể là PEOU → PU; Trust → Risk; PU/Trust/Risk → BI; BI → Transaction.
Nếu data cho thấy Risk thấp nhưng completion vẫn thấp, cần quay lại qualitative để tìm friction chưa mô hình hóa.
20. Từ Causal Diagram sang mô hình dữ liệu không gian
Ví dụ Accessibility → Demand → Price. Accessibility có thể đo jobs within 30 minutes; Demand bằng transaction volume; Price bằng price/m². Confounders gồm quality, legal, neighborhood. Spatial dependence có thể xuất hiện, nên từ causal logic chuyển sang Hedonic/Spatial model chứ không chỉ OLS đơn giản.
21. Pre-registration và analytical discipline
Nếu nghiên cứu học thuật nghiêm túc, nên khóa trước hypotheses, variables, exclusion rules và analysis plan. Điều này giảm HARKing – viết giả thuyết sau khi thấy kết quả – và p-hacking.
Exploratory analysis vẫn hợp lệ, nhưng phải gắn nhãn exploratory thay vì trình bày như confirmatory.
22. Cấu trúc bộ dữ liệu tối thiểu cho một nghiên cứu hành vi BĐS
| Nhóm bảng | Nội dung |
|---|---|
| respondent | Mã, vai trò, metadata |
| survey_response | Item responses |
| construct_dictionary | Định nghĩa/thang đo |
| behavior_log | Hành vi thật |
| intervention | Nhóm thử nghiệm/can thiệp |
| time_wave | Thời điểm đo |
| data_source | Nguồn và lineage |
Không nhất thiết tách thành bảy bảng nếu nghiên cứu nhỏ, nhưng tư duy dữ liệu nên giữ các lớp này.
23. Sai lầm thường gặp
- Chọn SEM trước câu hỏi.
- Construct không có định nghĩa.
- Item trùng outcome.
- Mọi biến đều Likert.
- Không rõ đơn vị phân tích.
- Một survey đo tất cả.
- Không có codebook.
- Không tách missing khỏi zero.
- Mô hình quá lớn so với mẫu.
- Viết giả thuyết sau khi xem kết quả.
24. Bài tập thực hành lớn
Chọn một mô hình từ Bài 26–39. Tạo đầy đủ: câu hỏi nghiên cứu; conceptual model; 5–8 hypotheses; construct dictionary; 3–5 items/construct; outcome hành vi thật; codebook; cấu trúc bảng dữ liệu; time plan; pilot plan; và sơ đồ từ dữ liệu thô tới dataset phân tích.
Sau đó tự kiểm: nếu bỏ phần mềm thống kê khỏi kế hoạch, mô hình nghiên cứu vẫn có logic không? Nếu không, cần quay lại lý thuyết.
Ghi nhớ trong 30 giây
- Từ lý thuyết tới dữ liệu phải đi qua định nghĩa, giả thuyết và operationalization.
- Không phải mọi biến đều latent hoặc Likert.
- Đơn vị phân tích và cấu trúc dữ liệu quyết định độ đúng của nghiên cứu.
- Measurement model phải ổn trước structural model.
- Survey nên nối với hành vi/log/outcome thực tế khi có thể.
Nguồn tham khảo
- Ajzen, Davis, Venkatesh, DeLone & McLean, Bhattacherjee và các mô hình đã trình bày trong series.
- Hair và cộng sự – tài liệu SEM/PLS-SEM về mô hình đo lường và cấu trúc.
- Kline – Principles and Practice of Structural Equation Modeling.
- Các nguyên tắc thiết kế bảng hỏi, psychometrics và causal inference.
Bài tiếp theo: Capstone định tính: cấu trúc một quyết định BĐS phức tạp trước khi chạy mô hình số