"Em cần khảo sát bao nhiêu người?" là một trong những câu hỏi đầu tiên của mọi đề tài định lượng. Trả lời sai có hai hậu quả: mẫu quá nhỏ khiến EFA không ổn định, hệ số hồi quy hoặc SEM không có ý nghĩa dù quan hệ thực sự tồn tại; mẫu quá lớn so với cần thiết thì tốn thời gian và chi phí. Bài viết tổng hợp cách tính cỡ mẫu nghiên cứu cho từng kỹ thuật phổ biến, gồm cỡ mẫu EFA, cỡ mẫu hồi quy, cỡ mẫu cho SEM, kèm các công thức kinh điển như công thức Tabachnick và Fidell, quy tắc 10 lần và cách kiểm tra power.
Vì sao cỡ mẫu quan trọng?
Mọi ước lượng thống kê đều có sai số lấy mẫu. Cỡ mẫu quyết định độ lớn của sai số này, từ đó quyết định hai điều. Thứ nhất là độ ổn định của các chỉ số như Cronbach's Alpha, hệ số tải hay hệ số đường dẫn: mẫu nhỏ cho kết quả dao động mạnh giữa các lần khảo sát. Thứ hai là power (lực kiểm định): xác suất phát hiện được một quan hệ có thật. Power được quy ước tối thiểu 0,8, nghĩa là nếu quan hệ tồn tại, nghiên cứu có ít nhất 80% khả năng phát hiện ra nó.
Cỡ mẫu cho phân tích nhân tố khám phá (EFA)
Với EFA, khuyến nghị phổ biến nhất đến từ Hair và cộng sự (2019): cỡ mẫu tối thiểu 50, tốt hơn là từ 100; tỷ lệ số quan sát trên số biến tối thiểu 5:1, tốt nhất 10:1. Ví dụ, bảng hỏi có 25 biến quan sát đưa vào EFA cần tối thiểu 125 quan sát theo tỷ lệ 5:1 và 250 theo tỷ lệ 10:1. Một số nghiên cứu phương pháp cho thấy yêu cầu thực tế còn phụ thuộc vào hệ số chung của biến và số biến trên mỗi nhân tố: khi các biến có hệ số tải cao và mỗi nhân tố có từ 4 biến trở lên, EFA ổn định ngay cả với mẫu khiêm tốn.
Cỡ mẫu cho hồi quy tuyến tính bội
Công thức được trích dẫn nhiều nhất trong luận văn Việt Nam là của Green (1991), được Tabachnick và Fidell phổ biến trong giáo trình Using Multivariate Statistics:
- n ≥ 50 + 8m để kiểm định mô hình tổng thể (R², kiểm định F), với m là số biến độc lập.
- n ≥ 104 + m để kiểm định từng hệ số hồi quy.
Khi muốn kiểm định cả hai, lấy giá trị lớn hơn. Ví dụ, mô hình có 5 biến độc lập cần n ≥ 50 + 40 = 90 cho mô hình tổng thể và n ≥ 109 cho từng hệ số, vậy tối thiểu là 109 quan sát. Các công thức này giả định hiệu ứng ở mức trung bình; nếu kỳ vọng hiệu ứng nhỏ, cỡ mẫu cần lớn hơn nhiều.
Cỡ mẫu cho SEM: CB-SEM và PLS-SEM
Với CB-SEM, không có công thức duy nhất. Kline (2016) và nhiều tác giả xem 200 là mức tối thiểu điển hình cho mô hình có độ phức tạp vừa phải. Hair và cộng sự (2019) gợi ý mức tối thiểu khoảng 100 - 150 cho mô hình đơn giản có hệ số chung cao, và 300 - 500 cho mô hình có nhiều khái niệm hoặc hệ số chung thấp. Một cách tham khảo khác là tỷ lệ 5 - 10 quan sát cho mỗi tham số ước lượng.
Với PLS-SEM, "quy tắc 10 lần" (Barclay và cộng sự, 1995) từng rất phổ biến: cỡ mẫu tối thiểu bằng 10 lần số mũi tên lớn nhất trỏ vào một khái niệm. Tuy nhiên quy tắc này bị phê phán là đánh giá thấp nhu cầu cỡ mẫu. Phương pháp được khuyến nghị hiện nay là căn bậc hai nghịch đảo (inverse square root) của Kock và Hadaya (2018): nmin > (2,486 / |βmin|)² ở mức ý nghĩa 5% và power 80%, với βmin là hệ số đường dẫn nhỏ nhất kỳ vọng có ý nghĩa. Ví dụ, nếu hệ số nhỏ nhất kỳ vọng là 0,2 thì cần n > 154,5, tức tối thiểu 155 quan sát.
| Kỹ thuật | Khuyến nghị tối thiểu | Nguồn tham khảo |
|---|---|---|
| EFA | ≥ 100; 5 - 10 quan sát/biến | Hair và cộng sự (2019) |
| Hồi quy bội | max(50 + 8m; 104 + m) | Green (1991); Tabachnick và Fidell |
| CB-SEM | ≈ 200; 300+ cho mô hình phức tạp | Kline (2016); Hair và cộng sự (2019) |
| PLS-SEM | (2,486/|βmin|)² | Kock và Hadaya (2018) |
Kiểm tra power trước khi khảo sát
Các quy tắc kinh nghiệm chỉ là điểm xuất phát. Cách thuyết phục hơn là phân tích power dựa trên độ lớn hiệu ứng kỳ vọng, lấy từ nghiên cứu trước hoặc nghiên cứu thử. Hình dưới cho thấy để phát hiện một tương quan thực r = 0,2 với power 0,8, cần khoảng 190 - 200 quan sát; với r = 0,3 chỉ cần khoảng 85. Hiệu ứng càng nhỏ, cỡ mẫu càng phải lớn.
Với mô hình phức tạp, mô phỏng là công cụ mạnh: bạn khai báo mô hình với hệ số kỳ vọng, sinh nhiều bộ dữ liệu ở các cỡ mẫu khác nhau và xem tỷ lệ lần hệ số có ý nghĩa. Chức năng tạo dữ liệu mô phỏng của ResearchSTAT được thiết kế cho đúng mục đích này: thử thiết kế và ước lượng cỡ mẫu trước khi thu thập dữ liệu thật.
Liêm chính học thuật: dữ liệu mô phỏng chỉ dùng để lập kế hoạch và luyện tập. Tuyệt đối không dùng dữ liệu hoặc kết quả mô phỏng thay cho dữ liệu khảo sát thật trong luận văn hay bài báo. Xem Quy định liêm chính học thuật.
Quy trình xác định cỡ mẫu trong 5 bước
- Xác định các phân tích sẽ dùng: EFA, hồi quy, CB-SEM hay PLS-SEM.
- Đếm tham số: số biến quan sát, số biến độc lập, số mũi tên lớn nhất vào một khái niệm.
- Áp dụng các quy tắc tương ứng và lấy mức cao nhất.
- Cộng thêm 15 - 20% để bù phiếu không hợp lệ, trả lời thiếu hoặc cẩu thả.
- Kiểm tra lại bằng power: G*Power hoặc mô phỏng.
Cách viết phần cỡ mẫu trong chương phương pháp
Nghiên cứu sử dụng EFA và hồi quy bội với 5 biến độc lập và 24 biến quan sát. Theo Hair và cộng sự (2019), EFA cần tối thiểu 5 quan sát cho mỗi biến, tương đương 120 quan sát; theo Green (1991), hồi quy với 5 biến độc lập cần tối thiểu 109 quan sát. Dự phòng 20% phiếu không hợp lệ, nghiên cứu phát ra 300 phiếu và thu về 268 phiếu hợp lệ, đáp ứng các yêu cầu trên.
Đoạn trên là ví dụ minh họa cách lập luận; con số cụ thể phải lấy theo đề tài của bạn. Ngoài cỡ mẫu, hãy mô tả phương pháp chọn mẫu (thuận tiện, phân tầng, ném tuyết…) và hạn chế về tính đại diện.
Câu hỏi thường gặp
Mẫu lớn hơn có luôn tốt hơn không?
Mẫu lớn giảm sai số, nhưng với CB-SEM, kiểm định χ² gần như luôn có ý nghĩa khi n rất lớn. Vì vậy cần dựa vào CFI, TLI, RMSEA, SRMR. Ngoài ra, chất lượng mẫu (tính đại diện, trả lời nghiêm túc) quan trọng không kém số lượng.
Không đủ cỡ mẫu thì phải làm gì?
Hãy cân nhắc rút gọn mô hình, dùng phương pháp phù hợp với mẫu nhỏ hơn, hoặc báo cáo trung thực hạn chế về power. Không được bổ sung "phiếu ảo" hoặc dữ liệu mô phỏng vào mẫu thật.
Tài liệu tham khảo
- Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499-510.
- Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
- Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227-261.
- Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
