Cỡ mẫu là gì? Công thức tính cỡ mẫu nghiên cứu chi tiết nhất

Cỡ mẫu là yếu tố quyết định độ tin cậy của mọi kết quả nghiên cứu. Chọn quá ít, dữ liệu thiếu sức thuyết phục. Chọn quá nhiều, bạn tốn thêm thời gian và chi phí mà không cần thiết. Vậy làm thế nào để tính đúng số mẫu mình cần? Trong bài viết này, Luận Văn 1080 sẽ giải thích rõ khái niệm, các yếu tố ảnh hưởng và hướng dẫn chi tiết công thức tính mẫu phổ biến kèm ví dụ minh họa, để bạn có thể áp dụng ngay vào đề tài của mình.

1. Cỡ mẫu là gì?

Cỡ mẫu (còn gọi là kích thước mẫu, tiếng Anh: sample size, ký hiệu n) là số lượng quan sát hoặc người tham gia được chọn từ tổng thể để thu thập dữ liệu trong một nghiên cứu hay khảo sát. Thay vì khảo sát toàn bộ tổng thể, nhà nghiên cứu chọn ra một nhóm đại diện. Từ dữ liệu của nhóm này, họ suy luận về đặc điểm, hành vi hoặc quan điểm của cả tổng thể.

Trong giai đoạn lập kế hoạch, việc tính cỡ mẫu chính là trả lời câu hỏi: nghiên cứu cần bao nhiêu người tham gia hoặc bao nhiêu quan sát? Đây là một trong những quyết định nền tảng, vì nó ảnh hưởng trực tiếp đến chất lượng của toàn bộ kết quả phía sau. 

Ví dụ: Một trường đại học có 10.000 sinh viên muốn đánh giá mức độ hài lòng với dịch vụ thư viện. Nhà trường không cần phỏng vấn cả 10.000 người. Thay vào đó, họ chọn ngẫu nhiên khoảng 370 sinh viên. Con số 370 này chính là cỡ mẫu.

Cỡ mẫu là gì?

2. Vì sao cần tính cỡ mẫu trước khi nghiên cứu?

Tính cỡ mẫu là bước bắt buộc ở giai đoạn thiết kế, trước khi thu thập dữ liệu. Nếu chỉ chọn số lượng người tham gia theo cảm tính, bạn có thể phải làm lại toàn bộ khảo sát, hoặc nhận về những kết luận thiếu cơ sở. Nếu điều chỉnh cỡ mẫu sau khi đã có dữ liệu, kết quả còn có nguy cơ bị sai lệch. Một cỡ mẫu được tính toán kỹ từ đầu giúp nghiên cứu tránh được hai rủi ro: thiếu chính xác và lãng phí nguồn lực.

• Tránh kết luận sai lệch do mẫu quá nhỏ: Khi chỉ khảo sát một nhóm rất nhỏ, kết quả dễ bị chi phối bởi các trường hợp ngoại lệ và không đại diện cho tổng thể. Nghiên cứu khi đó có thể bỏ sót một hiệu ứng có thật, hoặc ngược lại, đưa ra kết luận mà những nghiên cứu sau không lặp lại được.
• Tránh lãng phí do mẫu quá lớn: Mẫu lớn hơn không đồng nghĩa với kết quả tốt hơn tương ứng. Do quy luật lợi ích giảm dần, sau một ngưỡng nhất định, việc tăng thêm người tham gia chỉ cải thiện độ chính xác rất ít, trong khi chi phí và thời gian vẫn tăng đều.

Vì sao cần tính cỡ mẫu trước khi nghiên cứu?

Tìm hiểu thêm: Nhân tố trong phân tích dữ liệu

3. Công thức tính cỡ mẫu phổ biến hiện nay

Có nhiều cách để xác định cỡ mẫu, trong đó tính bằng công thức là cách linh hoạt và có cơ sở khoa học nhất, vì bạn có thể tự điều chỉnh độ tin cậy, sai số và mức độ biến thiên cho phù hợp với nghiên cứu của mình.

Dưới đây là hai công thức tính cỡ mẫu được dùng phổ biến nhất trong khảo sát định lượng: 

3.1. Công thức Slovin (Yamane) tính cỡ mẫu

Công thức Slovin, được Taro Yamane phổ biến năm 1967, là cách tính cỡ mẫu đơn giản nhất khi bạn đã biết quy mô tổng thể (N):

n = N / (1 + N × e²)

Trong đó:

• n: cỡ mẫu cần tính
• N: quy mô tổng thể
• e: sai số cho phép (thường là 0,05, 0,07 hoặc 0,1)

Ví dụ: Một trường có N = 2.000 sinh viên. Với sai số 5%, ta có:

n = 2.000 / (1 + 2.000 × 0,05²) = 2.000 / 6 ≈ 333 sinh viên

Công thức này phù hợp khi nghiên cứu nhằm ước lượng một tỷ lệ, dùng chọn mẫu ngẫu nhiên đơn giản, và bạn chấp nhận mặc định độ tin cậy khoảng 95% với p = 0,5. Trong đúng điều kiện này, kết quả của Slovin trùng với kết quả của Cochran.

3.2. Công thức tính cỡ mẫu theo tỷ lệ, độ tin cậy, sai số cho phép

Công thức Cochran được dùng khi tổng thể lớn hoặc chưa xác định được quy mô. Công thức này cho phép bạn chủ động chọn cả ba thông số: độ tin cậy, tỷ lệ ước lượng và sai số.

n₀ = Z² × p × (1 − p) / e²

Trong đó:

• n₀: cỡ mẫu cần tính
• Z: giá trị tương ứng với độ tin cậy, gồm 1,645 (90%), 1,96 (95%) và 2,576 (99%)
• p: tỷ lệ ước lượng của đặc điểm cần nghiên cứu
• e: sai số cho phép

Nếu chưa có dữ liệu từ nghiên cứu trước, hãy chọn p = 0,5. Tỷ lệ 50% thể hiện mức biến thiên lớn nhất, nên cho ra cỡ mẫu “an toàn” nhất, tức là lớn nhất có thể cần.

Công thức tính cỡ mẫu theo tỷ lệ, độ tin cậy, sai số cho phép

Ví dụ: Với độ tin cậy 95%, p = 0,5 và e = 5%:

n₀ = 1,96² × 0,5 × 0,5 / 0,05² = 384,16 ≈ 385

Nếu nghiên cứu trước cho thấy p = 0,2, cỡ mẫu giảm còn khoảng 246.

Khi đã biết N và tổng thể không quá lớn, bạn có thể giảm cỡ mẫu bằng hệ số hiệu chỉnh tổng thể hữu hạn:

n = n₀ / [1 + (n₀ − 1) / N]

Lý do là cùng một cỡ mẫu sẽ cung cấp nhiều thông tin hơn khi tổng thể nhỏ. Ví dụ: Với N = 2.000, ta có n = 384,16 / [1 + 383,16 / 2.000] ≈ 323.

Trên thực tế, không phải ai cũng trả lời khảo sát. Vì vậy, bạn nên cộng thêm khoảng 10–30% vào cỡ mẫu đã tính. Chẳng hạn, nếu dự kiến tỷ lệ phản hồi là 80%, bạn cần phát ra khoảng 385 / 0,8 ≈ 482 phiếu.

4. Các yếu tố ảnh hưởng đến việc lựa chọn cỡ mẫu

Không có một con số cỡ mẫu chung cho mọi nghiên cứu. Cỡ mẫu phù hợp phụ thuộc vào các yếu tố sau:

• Mục tiêu và thiết kế nghiên cứu: Đây là yếu tố quyết định nên dùng công thức nào. Nghiên cứu mô tả tính theo độ chính xác của ước lượng. Nghiên cứu so sánh hoặc can thiệp tính theo lực thống kê (power) và cỡ hiệu ứng (effect size).
• Độ tin cậy: Độ tin cậy càng cao, mẫu càng lớn. Với sai số 5% và p = 0,5, cỡ mẫu là khoảng 271 ở mức 90%, khoảng 385 ở mức 95% (mức phổ biến nhất) và khoảng 664 ở mức 99%.
• Sai số cho phép: Sai số càng nhỏ thì cần càng nhiều quan sát. Muốn giảm sai số đi một nửa, cỡ mẫu phải tăng khoảng 4 lần.
• Độ biến thiên của tổng thể: Tổng thể càng đa dạng thì càng cần mẫu lớn. Với biến tỷ lệ, p = 0,5 là mức biến thiên cao nhất (khoảng 385), trong khi p = 0,2 chỉ cần khoảng 246. Với biến định lượng, độ lệch chuẩn càng lớn thì mẫu càng lớn.
• Quy mô tổng thể: Yếu tố này chỉ ảnh hưởng đáng kể khi tổng thể nhỏ. Với độ tin cậy 95% và sai số 5%, tổng thể 1.000 người cần khoảng 278 mẫu. Tổng thể 10.000 người cần khoảng 370, còn tổng thể 1.000.000 người cũng chỉ cần khoảng 385.
• Phương pháp phân tích: Mỗi kỹ thuật có yêu cầu tối thiểu riêng. Với EFA, tỷ lệ quan sát trên mỗi biến đo lường nên đạt ít nhất 5:1 (Hair và cộng sự). Với hồi quy bội, cần n ≥ 50 + 8m, trong đó m là số biến độc lập (Tabachnick và Fidell). Khi kết quả từ các cách tính khác nhau, hãy chọn con số lớn hơn.
• Cách chọn mẫu và tỷ lệ phản hồi: Nếu chọn mẫu theo cụm, cần nhân thêm hệ số thiết kế (DE). Ngoài ra, nên cộng thêm 10–30% để bù cho phiếu không phản hồi hoặc không hợp lệ.
• Nguồn lực và đạo đức: Ngân sách, thời gian và khả năng tiếp cận đối tượng là những giới hạn thực tế. Về đạo đức, không nên huy động người tham gia nhiều hơn mức cần thiết.

Các yếu tố ảnh hưởng đến việc lựa chọn cỡ mẫu

Tìm hiểu thêm: Anova

5. Ví dụ minh họa cách tính cỡ mẫu nghiên cứu, kèm lời giải

Dưới đây là những ví dụ cách tính cỡ mẫu nghiên cứu theo nhiều trường hợp. Bạn có thể dùng chúng làm mẫu để tính cỡ mẫu cho đề tài của mình.

Ví dụ 1: Tính cỡ mẫu theo công thức Slovin (Yamane)

Đề bài: Một công ty có 3.500 nhân viên và muốn khảo sát mức độ gắn kết với tổ chức, với sai số 5%.

Lời giải: n = N / (1 + N × e²) = 3.500 / (1 + 3.500 × 0,05²) = 3.500 / 9,75 ≈ 358,97

→ Cần khảo sát 359 nhân viên.

Ví dụ 2: Ước lượng tỷ lệ khi đã có dữ liệu từ nghiên cứu trước

Đề bài: Một nghiên cứu trước cho thấy 30% người tiêu dùng tại TP.HCM thường xuyên mua sắm trực tuyến. Hãy tính cỡ mẫu với độ tin cậy 95% và sai số 5%.

Lời giải: n = Z² × p × (1 − p) / e² = 1,96² × 0,3 × 0,7 / 0,05² ≈ 322,7

→ Cần khảo sát 323 người. Nếu chưa có dữ liệu trước và phải dùng p = 0,5, cỡ mẫu sẽ tăng lên 385.

Ví dụ 3: Hiệu chỉnh cho tổng thể nhỏ và bù tỷ lệ không phản hồi

Đề bài: Một khoa có 1.500 sinh viên. Chưa có thông tin về tỷ lệ cần ước lượng, nên chọn p = 0,5. Độ tin cậy 95%, sai số 5%, dự kiến 15% phiếu không phản hồi.

Lời giải:

• Bước 1 – Tính theo Cochran: n₀ = 1,96² × 0,5 × 0,5 / 0,05² = 384,16
• Bước 2 – Hiệu chỉnh tổng thể hữu hạn: n = 384,16 / [1 + (384,16 − 1) / 1.500] ≈ 306
• Bước 3 – Bù không phản hồi: 306 / (1 − 0,15) = 360

→ Cần phát ra 360 phiếu để thu về khoảng 306 phiếu hợp lệ.

Ví dụ minh họa cách tính cỡ mẫu nghiên cứu, kèm lời giải

6. Những sai lầm thường gặp khi xác định cỡ mẫu

Tính sai cỡ mẫu là lỗi phổ biến trong khóa luận, luận văn và cả các bài báo khoa học. Dưới đây là những sai lầm hay gặp nhất khi tính cỡ mẫu:

• Dùng công thức Slovin cho mọi nghiên cứu: Nhiều nghiên cứu dùng Slovin cho bất kỳ bài toán chọn mẫu nào, trong khi công thức này chỉ phù hợp khi ước lượng tỷ lệ, với độ tin cậy khoảng 95% và p = 0,5.
• Nghĩ rằng mẫu càng lớn càng tốt: Cỡ mẫu quá lớn làm tốn chi phí. Ngoài ra, những khác biệt rất nhỏ, không có ý nghĩa thực tiễn, vẫn có thể trở nên “có ý nghĩa thống kê” khi cỡ mẫu đủ lớn.
• Chọn tỷ lệ p hoặc độ lệch chuẩn σ theo cảm tính: Lấy p hay σ mà không có căn cứ khiến cỡ mẫu tính ra thiếu cơ sở.
• Chọn sai số không phù hợp với tỷ lệ cần ước lượng: Ví dụ, ước lượng một tỷ lệ khoảng 10% với sai số ±5% nghĩa là kết quả thật có thể dao động từ 5% đến 15%. Khoảng này quá rộng để rút ra kết luận.
• Quên tính phần dự phòng: Nhiều nghiên cứu bỏ qua tỷ lệ không phản hồi và hệ số thiết kế khi chọn cỡ mẫu theo cụm. Kết quả là số phiếu hợp lệ thu về thấp hơn mức yêu cầu.
• Không đối chiếu với yêu cầu của phương pháp phân tích: Cỡ mẫu tính theo công thức có thể vẫn nhỏ hơn mức tối thiểu mà EFA, hồi quy hay SEM yêu cầu.
• Đánh đồng mẫu lớn với mẫu đại diện: Các công thức tính cỡ mẫu đều giả định mẫu được chọn ngẫu nhiên. Một mẫu thuận tiện dù rất lớn vẫn có thể bị thiên lệch.
• Tính cỡ mẫu sau khi đã thu thập dữ liệu, hoặc không giải trình: Cỡ mẫu cần được tính ngay từ giai đoạn lập kế hoạch. Cách tính cũng phải được trình bày rõ trong phần phương pháp để đảm bảo tính minh bạch.
• Làm tròn xuống: Làm tròn 384,16 thành 384 khiến cỡ mẫu thấp hơn mức cần thiết, dù chỉ một chút.

Tìm hiểu thêm: PCA

Những sai lầm thường gặp khi xác định cỡ mẫu

Hy vọng bài viết trên đã giúp bạn hiểu rõ cỡ mẫu là gì, vì sao cần tính và cách áp dụng các công thức phổ biến vào từng thiết kế nghiên cứu. Mẫu được tính đúng sẽ giúp kết quả nghiên cứu của bạn chính xác, đáng tin cậy và đủ sức thuyết phục trước hội đồng. Nếu bạn còn băn khoăn khi xác định mẫu, xử lý số liệu hay hoàn thiện đề tài, hãy liên hệ dịch vụ viết thuê luận văn tại Luận Văn 1080 ngay hôm nay nhé. 

Nguồn tài liệu:

1. Ahmed, S. K. et al. (2023). Sample size determination: A practical guide for health researchers. Journal of General and Family Medicine: https://pmc.ncbi.nlm.nih.gov/articles/PMC10000262
2. Tejada, J. J., & Punzalan, J. R. B. (2012). On the misuse of Slovin’s formula. The Philippine Statistician, 61(1), 129–136: https://mail.psai.ph/docs/publications/tps/tps_2012_61_1_9.pdf
3. Serdar, C. C. et al. (2021). Sample size, power and effect size revisited. Biochemia Medica: https://pmc.ncbi.nlm.nih.gov/articles/PMC7745163/