10 Tháng mười một, 2026
Khi mọi biến đều được đo bằng cùng một bảng hỏi và cùng một người trả lời, kết quả nghiên cứu rất dễ bị sai lệch mà bạn không nhận ra. Hiện tượng này gọi là Common Method Bias (CMB). Cùng Luận Văn 1080 tìm hiểu CMB là gì, vì sao nó quan trọng, cách phát hiện và hạn chế của nó trong bài viết dưới đây nhé.
1. Common Method Bias là gì?
Common Method Bias (CMB), hay sai lệch do phương pháp chung, là hiện tượng kết quả nghiên cứu bị méo đi vì cách thu thập dữ liệu, chứ không phải vì bản chất thật của các biến.
Hiện tượng này thường xuất hiện khi mọi biến được đo bằng cùng một bảng hỏi, do cùng một người trả lời, tại cùng một thời điểm. Khi đó, dữ liệu không chỉ phản ánh điều bạn muốn đo mà còn bị “nhiễm” bởi chính phương pháp đo. Podsakoff và cộng sự gọi phần nhiễu này là phương sai gắn với phương pháp đo lường thay vì với các khái niệm mà thang đo đại diện, tức Common Method Variance (CMV). Common Method Bias là hậu quả khi phần nhiễu đó làm sai lệch kết quả phân tích.
Nói đơn giản, sự tương quan giữa các biến trong dữ liệu khảo sát có thể đến từ hai nguồn:
- Mối quan hệ thật giữa các biến: đây là điều nhà nghiên cứu muốn tìm.
- Ảnh hưởng của phương pháp đo chung: đây là phần sai lệch, tức Common Method Bias, cần phát hiện và kiểm soát.
Ví dụ: Bạn khảo sát nhân viên về mức độ hài lòng với công việc và hiệu suất làm việc trong cùng một bảng hỏi. Người đang vui sẽ có xu hướng chấm điểm cao cho cả hai câu hỏi. Kết quả là hai biến trông có liên quan chặt chẽ hơn so với thực tế.
Common Method Bias là gì?
Bài viết liên quan: OLS
2. Nguyên nhân gây ra Common Method Bias trong nghiên cứu
Common Method Bias thường không đến từ mô hình hay giả thuyết, mà từ cách thu thập dữ liệu và cách người tham gia trả lời khảo sát. MacKenzie và Podsakoff cho rằng CMB xuất hiện khi các yếu tố trong quá trình khảo sát làm suy giảm khả năng của người trả lời, khiến việc trả lời chính xác khó hơn, hoặc làm giảm động lực trả lời chính xác. Có 4 nhóm nguyên nhân chính gây ra Common Method Bias:
Dữ liệu đến từ cùng một nguồn
Khi một người trả lời toàn bộ câu hỏi về biến độc lập, biến trung gian và biến phụ thuộc, mọi câu trả lời dễ bị chi phối bởi cùng một cảm xúc hoặc ấn tượng. Người trả lời cũng có xu hướng chọn đáp án “hợp lý”, được xã hội đánh giá cao hoặc giống với số đông. Kết quả là các biến trông có liên quan chặt chẽ hơn thực tế.
Người trả lời và đặc điểm mẫu
Nhiều người trả lời qua loa cho xong, hoặc đồng ý với hầu hết các phát biểu mà không đọc kỹ. Bên cạnh đó, nếu mẫu quá đồng nhất (ví dụ cùng làm việc trong một tổ chức), trải nghiệm giống nhau của họ sẽ khiến dữ liệu tương đồng một cách bất thường.
Thiết kế bảng hỏi
Câu hỏi có từ ngữ, cấu trúc giống nhau, hoặc mọi biến đều dùng cùng một thang đo (như Likert 5 điểm), dễ khiến người tham gia trả lời theo “quán tính” thay vì cân nhắc nội dung từng câu.
Thời điểm đo lường
Khi mọi biến được đo cùng lúc, người trả lời có thể nhớ lại câu trả lời trước để điều chỉnh các câu sau cho “khớp”, hoặc bị ảnh hưởng bởi các sự kiện vừa xảy ra.
Nguyên nhân gây ra Common Method Bias trong nghiên cứu
3. Hậu quả của Common Method Bias đến kết quả nghiên cứu
Common Method Bias không chỉ là một “lỗi kỹ thuật” nhỏ. Khi không được kiểm soát, CMB có thể làm sai lệch từ hệ số tác động đến kết luận cuối cùng của cả nghiên cứu. Dưới đây là những hậu quả chính của Common Method Bias:
Làm sai lệch hệ số tác động giữa các biến
Đây là hậu quả trực tiếp nhất. CMB có thể làm tăng hoặc làm giảm ước lượng mối quan hệ giữa hai nhân tố trong mô hình. Trong khảo sát, trường hợp phổ biến nhất là hệ số bị thổi phồng: hai biến có liên hệ yếu nhưng kết quả lại cho thấy tác động mạnh và có ý nghĩa thống kê.
Dẫn đến kết luận sai khi kiểm định giả thuyết
Khi hệ số tác động bị méo, kết luận chấp nhận hay bác bỏ giả thuyết cũng có thể sai theo:
- Sai lầm loại I: chấp nhận một giả thuyết mà thực tế không đúng, do mối quan hệ bị phóng đại.
- Sai lầm loại II: bác bỏ một giả thuyết đúng, do mối quan hệ bị thu hẹp.
Nhiều nhà nghiên cứu cho rằng CMB chỉ thực sự tồn tại khi phương sai phương pháp đủ lớn để dẫn đến kết luận sai, tức sai lầm loại I hoặc loại II.
Phóng đại hoặc thu hẹp khả năng giải thích của mô hình
Theo Podsakoff và cộng sự (2012), CMB có thể khiến nhà nghiên cứu đánh giá sai lượng phương sai của biến phụ thuộc được giải thích bởi các biến độc lập. Nói cách khác, chỉ số R² có thể trông “đẹp” hơn thực tế, khiến mô hình có vẻ mạnh hơn khả năng giải thích thật của nó.
Ảnh hưởng đến độ tin cậy và giá trị của thang đo
CMB không chỉ tác động đến mối quan hệ giữa các biến, mà còn tác động đến chính thang đo. Phương sai phương pháp có thể làm sai lệch ước lượng độ tin cậy và giá trị của biến tiềm ẩn. Hệ quả dễ thấy là các nhân tố trở nên “na ná” nhau, làm giảm tính phân biệt giữa các khái niệm trong mô hình
Vai trò của biến điều tiết khó được phát hiện
Không phải lúc nào Common Method Bias cũng làm kết quả “đẹp” hơn. Theo Siemsen và cộng sự (2010), các hiệu ứng bậc hai và hiệu ứng tương tác có thể bị CMV làm suy giảm nghiêm trọng, khiến chúng khó được phát hiện bằng thống kê. Nghĩa là một tác động điều tiết có thật vẫn có thể bị bỏ sót.
Hậu quả của Common Method Bias đến kết quả nghiên cứu
Bài viết liên quan: Skewness là gì
4. Cách kiểm tra Common Method Bias bằng Harman’s Single-Factor Test
Harman’s Single-Factor Test là cách kiểm tra Common Method Bias đơn giản và phổ biến nhất trong các nghiên cứu dùng dữ liệu khảo sát.
4.1. Thực hiện Harman’s Test trong SPSS
Bước 1: Mở hộp thoại phân tích nhân tố
Vào Analyze > Dimension Reduction > Factor… Đưa toàn bộ biến quan sát của tất cả các nhân tố (gồm biến độc lập, trung gian và phụ thuộc) vào ô Variables.
Bước 2: Tùy chọn Descriptives
Có thể chọn hoặc bỏ qua mục KMO and Bartlett’s test of sphericity, vì kiểm định CMB không cần đọc bảng này.
Bước 3: Tùy chọn Extraction
- Mục Method: chọn Principal components.
- Mục Extract: chọn Fixed number of factors, nhập 1 vào ô Factors to extract.
Bước 4: Tùy chọn Rotation
Mục Method: chọn None (không xoay nhân tố).
Bước 5: Chạy phân tích
Nhấn Continue, rồi OK để xuất kết quả.
4.2. Cách đọc kết quả kiểm định CMB
Trong kết quả SPSS, bạn chỉ cần xem bảng Total Variance Explained. Tại cột Extraction Sums of Squared Loadings, đọc giá trị % of Variance (hoặc Cumulative %, hai giá trị này bằng nhau khi chỉ trích 1 nhân tố). Đây là tỷ lệ phương sai mà nhân tố chung duy nhất giải thích được.
Ngưỡng thường được dùng là 50%:
- < 50%: Không có dấu hiệu CMB đáng kể (dữ liệu tốt)
- > 50%: Có dấu hiệu CMB (cần xem xét và xử lý)
Ví dụ: Nếu bảng Total Variance Explained cho thấy phương sai trích là 26,572%, nhỏ hơn 50%, ta kết luận dữ liệu không bị ảnh hưởng đáng kể bởi CMB.
Cách đọc kết quả kiểm định CMB
Lưu ý: Harman’s Test chỉ là bước sàng lọc ban đầu. Podsakoff và cộng sự (2003) cho rằng phương pháp này khá là “kém nhạy”, nên phương sai trích dưới 50% chưa đủ để khẳng định chắc chắn dữ liệu không có CMB. Nếu cần bằng chứng mạnh hơn, bạn có thể kết hợp thêm các phương pháp khác như kỹ thuật biến đánh dấu (marker variable) của Lindell và Whitney (2001) hoặc nhân tố phương pháp tiềm ẩn trong CFA.
5. Cách kiểm soát và hạn chế Common Method Bias khi thiết kế nghiên cứu
Với Common Method Bias, phòng ngừa luôn tốt hơn xử lý. Khi dữ liệu đã thu xong, các kỹ thuật thống kê chỉ giúp phát hiện hoặc điều chỉnh một phần sai lệch. Vì vậy, Podsakoff và cộng sự khuyến nghị kết hợp hai nhóm biện pháp:
- Biện pháp thủ tục (procedural remedies): áp dụng ngay từ khâu thiết kế nghiên cứu và bảng hỏi.
- Biện pháp thống kê (statistical remedies): áp dụng khi phân tích dữ liệu.
Dưới đây là 5 cách hạn chế CMB hiệu quả:
Thu thập dữ liệu từ những nguồn khác nhau
Đây là cách hiệu quả nhất, vì nó cắt bỏ trực tiếp nguyên nhân chính của CMB là dữ liệu đến từ cùng một nguồn. Thay vì để một người trả lời tất cả các câu hỏi, bạn có thể lấy dữ liệu của mỗi nhóm biến từ một nguồn khác nhau.
Ví dụ: Nhân viên tự đánh giá phong cách lãnh đạo của quản lý, còn hiệu suất làm việc của nhân viên do quản lý chấm điểm hoặc lấy từ hồ sơ đánh giá của công ty.
Tách thời điểm thu thập dữ liệu
Nếu bắt buộc phải lấy dữ liệu từ cùng một người, bạn có thể khảo sát biến độc lập và biến phụ thuộc ở hai thời điểm khác nhau, ví dụ cách nhau 2–4 tuần. Khoảng cách này giúp người trả lời khó nhớ lại câu trả lời trước để cố “khớp” với câu sau, đồng thời giảm ảnh hưởng của cảm xúc nhất thời.
Đảm bảo ẩn danh và giảm áp lực cho người trả lời
Khi biết câu trả lời được giữ bí mật, người tham gia sẽ trả lời thật hơn. Theo Podsakoff và cộng sự, bảo vệ tính ẩn danh giúp giảm xu hướng trả lời theo kỳ vọng xã hội, dễ dãi hoặc luôn đồng ý. Bạn có thể áp dụng như sau:
- Ghi rõ trong phần mở đầu bảng hỏi rằng thông tin chỉ dùng cho mục đích nghiên cứu.
- Không yêu cầu điền tên hoặc thông tin định danh nếu không thật sự cần.
- Nhấn mạnh rằng không có câu trả lời đúng hay sai.
Thiết kế bảng hỏi thông minh
Những điều chỉnh nhỏ trong bảng hỏi có thể giảm đáng kể nguy cơ Common Method Bias:
- Xáo trộn thứ tự câu hỏi: Đặt xen kẽ câu hỏi của các nhân tố khác nhau, hoặc tách biến độc lập và biến phụ thuộc ra hai phần riêng của bảng hỏi. Cách này giúp người trả lời khó đoán mối liên hệ giữa các biến.
- Đa dạng hóa thang đo: Không dùng cùng một thang Likert 5 điểm cho mọi biến. Có thể kết hợp thang 5 điểm, 7 điểm, câu hỏi đóng hoặc câu hỏi mở.
- Viết câu hỏi rõ ràng, ngắn gọn: Tránh từ ngữ mơ hồ, câu ghép phức tạp hoặc thuật ngữ khó hiểu, vì những câu như vậy khiến người trả lời đoán đại hoặc chọn theo cảm nhận chung.
- Kiểm soát độ dài bảng hỏi: Bảng hỏi quá dài dễ khiến người tham gia mệt mỏi và trả lời qua loa ở những câu cuối.
Cách kiểm soát và hạn chế Common Method Bias khi thiết kế nghiên cứu
Kết hợp thêm phương pháp đo lường và kiểm định thống kê
Nếu bối cảnh cho phép, bạn có thể kết hợp bảng hỏi với phỏng vấn, quan sát hoặc dữ liệu thứ cấp (báo cáo tài chính, dữ liệu doanh số, hồ sơ nhân sự…).
Sau khi thu dữ liệu, bạn vẫn nên kiểm tra CMB bằng thống kê. Có thể bắt đầu với Harman’s Single-Factor Test, rồi bổ sung các kỹ thuật mạnh hơn như biến đánh dấu (marker variable) của Lindell và Whitney (2001) hoặc nhân tố phương pháp tiềm ẩn trong CFA.
Bài viết liên quan: Kurtosis
6. Phân biệt Common Method Bias (CMB) và Common Method Variance (CMV)
Trong nhiều tài liệu, CMB và CMV thường được dùng thay thế cho nhau. Thực ra, hai khái niệm này có quan hệ chặt chẽ nhưng không hoàn toàn giống nhau. Cùng Luận Văn 1080 phân biệt 2 khái niệm này qua bảng so sánh dưới đây:
| Tiêu chí | Common Method Variance (CMV) | Common Method Bias (CMB) |
| Tên tiếng Việt | Phương sai do phương pháp chung | Sai lệch do phương pháp chung |
| Bản chất | Phần biến thiên trong dữ liệu sinh ra từ cách đo lường | Sai lệch trong kết quả nghiên cứu do CMV gây ra |
| Vai trò | Nguyên nhân | Hậu quả |
| Câu hỏi trả lời | Biến thiên trong dữ liệu đến từ đâu? | Kết quả nghiên cứu có bị sai không? |
| Mức độ phổ biến | Có ở hầu hết dữ liệu khảo sát | Chỉ xảy ra khi CMV đủ lớn |
| Biểu hiện | Một phần dữ liệu phản ánh cách đo, không phản ánh khái niệm | Hệ số tác động, R² bị thổi phồng hoặc thu nhỏ; kết luận giả thuyết sai |
| Ví dụ | Tiếng ồn trong bản ghi âm | Nghe nhầm nội dung vì tiếng ồn quá lớn |
| Cách tiếp cận | Đo lường, ước tính mức độ hiện diện | Kiểm tra xem có làm sai kết quả không, rồi kiểm soát hoặc điều chỉnh |
Lưu ý: Có CMV chưa chắc đã có CMB. Ngoài ra, CMB không đồng nghĩa với đa cộng tuyến hay vi phạm giá trị phân biệt. Hai hiện tượng này có thể đi kèm CMB, nhưng cũng có thể do nguyên nhân khác.
Phân biệt Common Method Bias (CMB) và Common Method Variance (CMV)
Hy vọng bài viết trên đã giúp bạn hiểu rõ Common Method Bias là gì, vì sao nó xuất hiện, gây ra những hậu quả gì và cách kiểm tra, kiểm soát hiện tượng này trong nghiên cứu khoa học. Nếu bạn đang gặp khó khăn với việc thiết kế bảng hỏi, xử lý dữ liệu hay hoàn thiện đề tài, đừng ngần ngại liên hệ dịch vụ viết thuê luận văn tại Luận Văn 1080. Đội ngũ của chúng tôi sẵn sàng đồng hành cùng bạn để hoàn thành luận văn chất lượng, đúng tiến độ.
Nguồn tài liệu:
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903: https://eli.johogo.com/Class/p21.pdf
Share
