Giả thuyết không được ủng hộ (p > 0,05) là một kết quả hợp lệ, không phải lỗi của khoá luận. Bạn báo cáo trung thực ở chương 4, rồi ở chương 5 giải thích bằng ba hướng: bối cảnh khác nghiên cứu trước, tác động bị biến khác "hấp thụ" (có thể là gián tiếp), hoặc mẫu không đủ độ mạnh để phát hiện tác động nhỏ. Không được đổi dữ liệu, bỏ quan sát hay đổi giả thuyết sau khi xem kết quả để "cứu" giả thuyết.
Câu hỏi "giả thuyết bị bác bỏ thì sao" xuất hiện ở hầu hết các buổi bảo vệ. Bài này đi qua một ví dụ thật, có số liệu tự chạy lại được, để bạn thấy cách kiểm tra và cách viết. Nếu bạn còn ở bước đặt giả thuyết, xem bài cách đặt giả thuyết nghiên cứu.
"Bác bỏ giả thuyết" nghĩa chính xác là gì?
Có hai loại giả thuyết dễ nhầm. Giả thuyết thống kê H0 nói "hệ số bằng 0". Giả thuyết nghiên cứu H1, H2 của bạn nói "X tác động cùng chiều đến Y". Khi p > 0,05, bạn không bác bỏ được H0, nên viết đúng là "dữ liệu không ủng hộ giả thuyết H2", không phải "H2 sai" hay "X không ảnh hưởng đến Y".
Lý do: không có ý nghĩa thống kê không có nghĩa là tác động bằng 0. Hiệp hội Thống kê Hoa Kỳ nhấn mạnh p-value không đo độ lớn tác động và một kết quả p > 0,05 không chứng minh H0 (Wasserstein & Lazar, 2016). Amrhein et al. (2019) gọi việc đọc "không có ý nghĩa" thành "không có tác động" là lỗi phổ biến nhất trong các bài báo khoa học. Bài p-value là gì giải thích kỹ hơn.
Ví dụ thật: kỳ vọng không tác động đến sự hài lòng
Dữ liệu mobi (gói R seminr): 250 khách hàng điện thoại di động, thang 1–10, theo mô hình chỉ số hài lòng châu Âu ECSI (Tenenhaus et al., 2005). File mobi.csv tải ở trang kiểm chứng. Lấy trung bình các câu của từng khái niệm và hồi quy sự hài lòng (CUSA) theo bốn biến:
| Giả thuyết | Biến | B | Beta | p | KTC 95% của B | Kết luận |
|---|---|---|---|---|---|---|
| H1 | Hình ảnh (IMAG) | 0,172 | 0,159 | 0,004 | 0,055 đến 0,289 | Ủng hộ |
| H2 | Kỳ vọng (CUEX) | 0,064 | 0,062 | 0,169 | −0,028 đến 0,156 | Không ủng hộ |
| H3 | Chất lượng cảm nhận (PERQ) | 0,553 | 0,529 | < 0,001 | 0,431 đến 0,675 | Ủng hộ |
| H4 | Giá trị cảm nhận (PERV) | 0,138 | 0,194 | < 0,001 | 0,075 đến 0,202 | Ủng hộ |
R² = 0,669; F(4, 245) = 124,04; p < 0,001; VIF lớn nhất 2,60. Kết luận vẫn giữ nguyên khi dùng sai số chuẩn vững HC3 (H2: p = 0,236), nên không phải do phương sai sai số thay đổi.
Điều thú vị: tương quan Pearson giữa kỳ vọng và hài lòng là r = 0,500, và hồi quy đơn CUSA theo riêng CUEX cho B = 0,523, p < 0,001, R² = 0,250. Kỳ vọng rõ ràng liên quan đến hài lòng. Nó chỉ mất ý nghĩa khi đặt cạnh ba biến kia. Đây là tình huống hay gặp nhất, và năm bước dưới đây giúp bạn giải thích nó.
Năm bước kiểm tra khi giả thuyết không được ủng hộ
1. Kiểm tra lỗi kỹ thuật trước
- Câu hỏi đảo chiều đã được mã hoá ngược chưa? Quên đảo là nguyên nhân số một khiến hệ số mang dấu lạ hoặc mất ý nghĩa. Xem bài bảng mã hoá thang đo.
- Biến tổng hợp có tính đúng các câu đã giữ lại sau Cronbach và EFA không?
- Dữ liệu đã lọc phiếu trả lời thẳng hàng, phiếu quá nhanh chưa? Dùng công cụ làm sạch dữ liệu và bài cách lọc phiếu không hợp lệ.
Việc sửa lỗi kỹ thuật thật là bắt buộc. Nhưng quy tắc lọc phải giống nhau cho mọi phiếu và được quyết định độc lập với việc giả thuyết nào đạt.
2. Nhìn độ lớn và khoảng tin cậy, không chỉ p
Khoảng tin cậy của H2 là −0,028 đến 0,156: tác động có thể bằng 0, nhưng cũng có thể dương nhỏ. Dữ liệu không loại trừ được một tác động nhỏ. Còn tác động mạnh (cỡ B = 0,5 như PERQ) thì gần như chắc chắn bị loại trừ. Viết như vậy trung thực hơn "kỳ vọng không ảnh hưởng".
3. Tác động có bị biến khác hấp thụ không?
Kỳ vọng tương quan r = 0,547 với chất lượng cảm nhận và r = 0,500 với hình ảnh. Phần kỳ vọng "giải thích" được hài lòng phần lớn trùng với phần chất lượng cảm nhận đã giải thích. Trong lý thuyết ECSI, kỳ vọng tác động đến chất lượng cảm nhận, rồi chất lượng cảm nhận tác động đến hài lòng (Tenenhaus et al., 2005). Nếu mô hình của bạn có cơ sở lý thuyết cho đường gián tiếp như vậy, kiểm định trung gian là bước hợp lý; theo Zhao et al. (2010), tác động trực tiếp không có ý nghĩa vẫn có thể đi kèm tác động gián tiếp có ý nghĩa ("chỉ trung gian gián tiếp"). Dùng công cụ phân tích trung gian, điều tiết và đọc bài biến trung gian và biến điều tiết.
Lưu ý quan trọng: chỉ thêm đường trung gian khi nó có trong lý thuyết hoặc bạn trình bày rõ là phân tích bổ sung (post hoc). Viết lại giả thuyết như thể đã dự đoán từ đầu là HARKing, đặt giả thuyết sau khi biết kết quả (Kerr, 1998).
4. Mẫu có đủ độ mạnh không?
Độ mạnh (power) là xác suất phát hiện một tác động nếu nó thật sự tồn tại. Với n = 250, bốn biến độc lập và α = 0,05, xác suất phát hiện tác động riêng của một biến có cỡ hiệu ứng nhỏ f² = 0,02 (Cohen, 1992) chỉ khoảng 0,61. Muốn đạt 0,80 cần khoảng 395 quan sát. Cỡ hiệu ứng thực tế của kỳ vọng trong mẫu là f² ≈ 0,008, còn nhỏ hơn mức "nhỏ" của Cohen. Bạn tự tính được bằng máy tính cỡ mẫu ở chế độ hồi quy.
Đừng tính "post hoc power" từ chính cỡ hiệu ứng quan sát được rồi kết luận "mẫu yếu"; con số đó chỉ là cách viết khác của p-value. Hãy tính độ mạnh cho một cỡ hiệu ứng có ý nghĩa thực tiễn, chọn trước, như trên.
5. Muốn khẳng định "không có tác động" thì cần kiểm định tương đương
Nếu luận điểm của bạn thật sự là "X không đáng kể", dùng kiểm định tương đương (equivalence test, TOST): chọn trước một ngưỡng tác động nhỏ nhất có ý nghĩa và kiểm tra khoảng tin cậy có nằm gọn trong ngưỡng không (Lakens, 2017). Hiếm khoá luận cần bước này, nhưng biết nó giúp bạn trả lời hội đồng khi bị hỏi "vậy em có chứng minh được X không ảnh hưởng không?".
Những việc tuyệt đối không làm
- Xoá dần quan sát "ngoại lai" cho tới khi p < 0,05.
- Thử nhiều cách tính biến, nhiều tổ hợp biến kiểm soát, rồi chỉ báo cáo cách đạt. Simmons et al. (2011) cho thấy vài lựa chọn linh hoạt như vậy đủ đẩy tỷ lệ dương tính giả từ 5% lên hơn 60%.
- Thu thêm phiếu từng đợt và dừng ngay khi đạt ý nghĩa.
- Bịa hoặc sửa câu trả lời khảo sát. Đây là gian lận học thuật, và hội đồng có thể phát hiện qua các mẫu trả lời bất thường.
- Âm thầm xoá giả thuyết không đạt khỏi chương 2.
Viết vào chương 4 như thế nào?
Bảng tổng hợp giả thuyết ghi rõ cột "Ủng hộ / Không ủng hộ", kèm B, p và khoảng tin cậy. Câu mẫu:
Kết quả hồi quy cho thấy kỳ vọng của khách hàng không có tác động có ý nghĩa thống kê đến sự hài lòng khi kiểm soát hình ảnh thương hiệu, chất lượng cảm nhận và giá trị cảm nhận (B = 0,064; p = 0,169; KTC 95%: −0,028 đến 0,156). Do đó, giả thuyết H2 không được dữ liệu ủng hộ. Khoảng tin cậy cho thấy dữ liệu không loại trừ một tác động cùng chiều ở mức nhỏ.
Viết vào chương 5 như thế nào?
Một đoạn thảo luận tốt cho giả thuyết không đạt có bốn ý: (1) nhắc lại kết quả, (2) so sánh với nghiên cứu trước, nêu cả nghiên cứu có kết quả giống bạn nếu có, (3) đưa ra lời giải thích có cơ sở, (4) gợi ý hướng kiểm chứng. Ví dụ:
Khác với kỳ vọng ban đầu, kỳ vọng của khách hàng không tác động trực tiếp đến sự hài lòng. Một lời giải thích là kỳ vọng tương quan khá chặt với chất lượng cảm nhận (r = 0,547), nên ảnh hưởng của kỳ vọng có thể truyền qua cảm nhận về chất lượng thay vì tác động trực tiếp, đúng như cấu trúc gốc của mô hình ECSI (Tenenhaus et al., 2005). Ngoài ra, với cỡ mẫu 250, nghiên cứu chỉ có độ mạnh khoảng 61% để phát hiện một tác động nhỏ. Các nghiên cứu sau nên kiểm định vai trò trung gian của chất lượng cảm nhận trên mẫu lớn hơn.
Giả thuyết không đạt không có hàm ý quản trị dạng "cần tăng X". Thay vào đó, hàm ý là "nguồn lực nên ưu tiên cho các yếu tố có tác động rõ hơn". Xem bài hàm ý quản trị, cách viết chương 5. Đưa giả thuyết vào phần hạn chế nếu nguyên nhân có thể là mẫu hay đo lường.
Câu hỏi thường gặp
Giả thuyết bị bác bỏ có bị trừ điểm không?
Kết quả không đạt tự nó không phải lý do trừ điểm. Hội đồng đánh giá cách bạn kiểm tra và giải thích. Một khoá luận báo cáo trung thực hai giả thuyết không đạt và thảo luận có cơ sở thường được đánh giá cao hơn khoá luận "đạt hết" nhưng không giải thích được.
p = 0,06 có được viết là "gần có ý nghĩa" không?
Nên tránh. Báo cáo đúng p = 0,06, kết luận theo mức α bạn đã chọn ở chương 3, và có thể nói tác động cùng chiều nhưng chưa đủ bằng chứng ở mức 5%. Đổi α sang 10% sau khi thấy kết quả là không hợp lệ.
Hệ số mang dấu ngược với giả thuyết thì sao?
Kiểm tra mã hoá đảo chiều và đa cộng tuyến trước (VIF cao có thể làm dấu đảo). Nếu dấu ngược và có ý nghĩa thật, giả thuyết cùng chiều không được ủng hộ; thảo luận vì sao, đây có thể là phát hiện đáng giá nhất của bạn. Xem bài hệ số VIF.
Có nên bỏ biến không có ý nghĩa rồi chạy lại hồi quy?
Không, nếu biến đó thuộc mô hình lý thuyết bạn đề xuất. Báo cáo mô hình đầy đủ như đã đặt ra. Mô hình rút gọn chỉ nên là phân tích bổ sung, ghi rõ.
Làm sao biết kết quả của tôi còn vấn đề gì khác?
Dán bảng kết quả vào Bác sĩ kết quả để được chỉ ra chỉ số chưa đạt, và đối chiếu ngưỡng ở trang ngưỡng chấp nhận.
Tài liệu tham khảo
- Amrhein, V., Greenland, S., & McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305–307. https://doi.org/10.1038/d41586-019-00857-9
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- Kerr, N. L. (1998). HARKing: Hypothesizing after the results are known. Personality and Social Psychology Review, 2(3), 196–217. https://doi.org/10.1207/s15327957pspr0203_4
- Lakens, D. (2017). Equivalence tests: A practical primer for t tests, correlations, and meta-analyses. Social Psychological and Personality Science, 8(4), 355–362. https://doi.org/10.1177/1948550617697177
- Simmons, J. P., Nelson, L. D., & Simonsohn, U. (2011). False-positive psychology: Undisclosed flexibility in data collection and analysis allows presenting anything as significant. Psychological Science, 22(11), 1359–1366. https://doi.org/10.1177/0956797611417632
- Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257