CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU TRONG NGHIÊN CỨU KHOA HỌC

CHƯƠNG 4 PHÂN TÍCH DỮ LIỆU TRONG NGHIÊN CỨU KHOA HỌC 4 1 PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU ĐỊNH TÍNH (UYÊN) 4 1 1 Đặc điểm phân tích dữ liệu định tính (Nguyễn Văn Thắng p106) Phân tích dữ liệu định t.

CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU TRONG NGHIÊN CỨU KHOA HỌC 4.1 PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU ĐỊNH TÍNH (UYÊN)

4.1.1 Đặc điểm phân tích dữ liệu định tính (Nguyễn Văn Thắng p106)

Phân tích dữ liệu định tính bao gồm các hoạt động tiến hành liên tục như phân tích, phân loại và giải thích ý nghĩa của dữ liệu Phân tích dữ liệu định tính không có tính chuẩn mực cao như trong nghiên cứu định lượng Nó hoàn toàn là một quy trình mở cho phép nhà nghiên cứu được sáng tạo trong phương pháp nhằm khám phá được các tầng ý nghĩa

ẩn sâu bên trong dữ liệu Phân tích dữ liệu định tính có các đặc điểm như sau:

a Phân tích dữ liệu gắn liền với quá trình thu thập dữ liệu

Nếu như trong nghiên cứu định lượng quá trình thu thập dữ liệu diễn ra trước quá trình

xử lý và phân tích dữ liệu thì trong nghiên cứu định tính hai quá trình này xảy ra đồng thời và tương tác với nhau Các nhà nghiên cứu thảo luận, phỏng vấn với đối tượng nghiên cứu, ngay trong quá trình ấy, nhà nghiên cứu đã thực hiện phân tích sơ bộ và phát hiện ra các khái niệm nghiên cứu Các khái niệm nghiên cứu này là chỉ dẫn để nhà nghiên cứu tiến hành lựa chọn đối tượng nghiên cứu tiếp theo, hoặc hướng nghiên cứu tiếp theo, hoặc các chỉ tiêu nghiên cứu tiếp theo Nó cũng giúp xác định kích thước mẫu nghiên cứu Cho đến khi nhà nghiên cứu không thu được thông tin gì mới từ đối tượng nghiên cứu tiếp thì lúc đó, số lượng phần tử mẫu nghiên cứu được xác định và quá trình thu thập

dữ liệu dừng lại Sau đó nhà nghiên cứu tiếp tục phân tích dữ liệu, trong quá trình này, nếu phát hiện ra các yếu tố mới, tri thức mới mà cần phải đưa nghiên cứu của mình rẽ sang một nhánh mới, thì nhà nghiên cứu lại tiếp tục thu thập dữ liệu trên nhánh mới này

và quá trình lại được tiến hành lặp lại Điểm cần chú ý nhất không nên để cho cảm tính chủ quan của nhà nghiên cứu thâm nhập quá sâu vào việc phân tích dữ liệu và thu thập dữ liệu Muốn vậy, nhà nghiên cứu liên tục phải tìm ra sự liên kết giữa dữ liệu thu thập với khung nghiên cứu tránh hiện tượng lạc đề, lạc lối trong nghiên cứu

b Phân tích dữ liệu định tính liên kết nhưng không giới hạn bởi lý thuyết

Đương nhiên nhà nghiên cứu cần phải dựa vào khung lý thuyết để triển khai thu thập và phân tích dữ liệu nghiên cứu Tuy vậy, nghiên cứu định tính là một quy trình mở và sáng tạo và không bị giới hạn bởi lý thuyết Do đó, nhà nghiên cứu cần biết cách thiết lập sự cân bằng giữa hai yếu tố này Một số kinh nghiệm có thể đưa ra cho tình huống này như sau:

- Phân tích định tính cần có sự nhạy cảm với lý thuyết Nhà nghiên cứu cần phải thiết lập được khung nghiên cứu, trong đó xác định và đánh giá được những lý thuyết nào liên quan đến vấn đề mình nghiên cứu Việc xác định khung nghiên cứu giúp nhà nghiên cứu

phân loại được các nhóm khái niệm để khi thu thập dữ liệu thực tế phát hiện ra “cái lạ” và những tri thức mới so với khung nghiên cứu đã thiết lập Ví dụ, nghiên cứu “Sự phát triển của khu vực nông thôn đối mặt với vấn đề thu hồi đất- Tiếp cận tri thức lãnh thổ” tác giả xác định các lý thuyết nền tảng cho nghiên cứu gồm chương trình phát triển nông thôn, lý thuyết phát triển bền vững, lý thuyết về sinh kế nông thôn, lý thuyết tri thức lãnh thổ Trong đó, khi thu thập dữ liệu thực tế, tác giả thấy lý thuyết về sinh kế nông thôn thực tế

có nhiều điểm khác biệt Người dân ở nông thôn không chỉ quan tâm đến kinh tế, thu nhập, đất đai, nguồn sống mà họ còn quan tâm đến cả văn hóa, giáo dục, sự hạnh phúc (trích luận án Tiến sĩ Phạm Thị Minh Uyên) Những khái niệm này là mới so với lý thuyết nền tảng Và đây là tri thức mới được phát hiện qua nghiên cứu

- Nhà nghiên cứu cần có kỹ năng nghiên cứu tốt, nắm vững loại nghiên cứu của mình và các kỹ thuật triển khai phương pháp nghiên cứu Ngoài ra, nhà nghiên cứu nên có cảm quan “hoài nghi” lý thuyết Nghĩa là thường xuyên đặt câu hỏi xem dữ liệu thực địa có khớp với lý thuyết không? Đâu là các khái niệm mới? Khái niệm mới này có giúp ích gì cho việc phát triển tư tưởng mới, lý thuyết mới không? Từ đó suy nghĩ tới các vấn đề mới nảy sinh từ dữ liệu

4.1.2 Các loại dữ liệu định tính (Saunder, p532-533)

Dữ liệu định tính có thể tìm thấy ở nhiều dạng thức Song về cơ bản, có thể chia ra làm hai loại là dữ liệu định tính bằng văn bản và dữ liệu định tính phi văn bản

a Dữ liệu định tính bằng văn bản

Dữ liệu định tính sơ cấp bằng văn bản bao gồm: hồ sơ, báo cáo, email, báo chí của tổ chức, các mẩu chuyện bằng văn bản, hồi kí, tự chuyện hoặc trong phương pháp sử dụng bảng hỏi để thu thập dữ liệu, các hồi đáp từ các câu hỏi mở cũng là một dạng dữ liệu định tính bằng văn bản

b Dữ liệu định tính phi văn bản

Bên cạnh dữ liệu định tính bằng văn bản còn có các dữ liệu định tính phi văn bản Dạng thức của các dữ liệu này tồn tại dưới dạng ghi hình, ghi âm Ví dụ, khi nhà nghiên cứu sử dụng phương pháp phỏng vấn, thảo luận nhóm, quan sát (bao gồm có cấu trúc và bán cấu trúc, có tham gia ) thì dữ liệu thu được có thể là các video, các đoạn ghi âm, và những

dữ liệu đó được sử dụng làm nguyên liệu để phân tích

4.1.3 Quy trình phân tích dữ liệu định tính (Saunder p547-566)/marshall (341-348)

4.1.3.1 Tổ chức dữ liệu và làm sạch dữ liệu

Khi bắt đầu phân tích, điều rất quan trọng là nhà nghiên cứu nên dành thời gian để tổ chức dữ liệu Nhà nghiên cứu có thể liệt kê trong các thẻ ghi nhớ các dữ liệu đã thu thập được, thể hiện những chỉnh sửa nhỏ cân thiết nhưng vẫn đảm bảo các ghi chép ở hiện trường được tái hiện một cách trung thực Yêu cầu của việc tổ chức dữ liệu là vẫn phải thể hiện được trung thực và khách quan nhất bản chất của dữ liệu Dữ liệu định tính có đặc điểm riêng biệt, đó là ngoài nội dung truyền tải còn bao gồm cả hành vi, thái độ, cảm xúc của đối tượng được quan sát hay nghiên cứu Do đó, khi tổ chức dữ liệu phải chú ý không làm sai lệch đi bối cảnh thu thập dữ liệu lúc đó, đặc biệt cần ghi chú lại chi tiết những hành vi, thái độ, cảm xúc của đối tượng nghiên cứu để khi nhà nghiên cứu cần xem lại có thể hồi cố lại bối cảnh bất kì lúc nào Trong quá trình tổ chức dữ liệu, những lỗi biên soạn cũng cần được chỉnh sửa Quá trình này gọi là làm sạch dữ liệu Sau khi thực hiện điều này, nhà nghiên cứu cần gửi bản sao của bản ghi chép đến những người tham dự để kiểm tra lần cuối để đảm bảo tính trung thực của dữ liệu và vì đôi khi những người tham dự muốn sửa lại thậm chí là ngữ pháp và cách dùng ngôn ngữ riêng của họ

Do đó, nhà nghiên cứu cần hết sức thận trọng văn bản khi gửi lại người tham dự để kiểm tra

4.1.3.2 Mã hoá và hợp nhất dữ liệu

Hoạt động đầu tiên là phân loại dữ liệu thành những “loại” có ý nghĩa Có thể xuất phát

từ những dữ liệu hoặc từ mô hình (khuôn khổ - framework) lý thuyết để đưa ra các khái niệm từ đó kiểm định bằng thực tế

Những “loại” này chính là các mã hoặc các nhãn được dùng để ghép dữ liệu lại Quá

trình phân loại dữ liệu được gọi là quá trình mã hóa dữ liệu Việc xác định các mã dữ liệu

được hướng dẫn bởi mục đích nghiên cứu thể hiện qua những câu hỏi nghiên cứu và mục tiêu nghiên cứu Ví dụ, mỗi một nhà nghiên cứu khác nhau với các mục tiêu khác nhau sẽ tạo ra các mã dữ liệu khác nhau trong cùng một tập dữ liệu (Dey, 1993) Điều này không

có nghĩa là nhà nghiên cứu này đúng và người kia là sai mà chỉ đơn giản là họ đang diễn giải dữ liệu theo các hướng khác nhau Có 3 cách để đặt tên các nhãn này (Straussn & Corbin; 1998):

- Sử dụng thuật ngữ phát sinh từ chính dữ liệu

- Sử dụng các thuật ngữ thực tế được sử dụng bởi người tham gia

- Sử dụng các thuật ngữ trong lý thuyết hoặc mô hình nghiên cứu

Một mã hóa tốt cần đáp ứng các tiêu chí sau: (1) có mã hiệu; (2) thật sự cô đọng, để chúng mang lại một cấu trúc phân tích tốt; (3) liên quan đến chủ đề nghiên cứu; (4) miêu

tả về các thuộc tính đặc trưng của chủ đề; (5) có sự liên kết với các dữ liệu khác (Kawulich, 2004)

Không có một quy trình mã hóa nào là chuẩn mực, bởi nghiên cứu định tính phụ thuộc phần lớn vào sự nhạy cảm và sự sáng tạo, khả năng tổng hợp đúc rút vấn đề của nhà nghiên cứu Tuy nhiên, phần này sẽ trình bày một quy trình mã hóa đơn giản nhất giúp các nhà nghiên cứu có thể phát triển lên thành quy trình riêng cho mình

Bước 1: Tổng hợp các file dữ liệu vào file word

Thông thường dữ liệu của nghiên cứu định tính có thể ở nhiều dạng thức: video, ghi âm, email, báo chí, báo cáo, hồ sơ, phỏng vấn, biên bản thảo luận nhóm… Dữ liệu thô này sau đó phải được biên soạn lại những ghi chép, ghi chú, dưới dạng văn bản

Bước 2: Xác định các chủ đề chính được nói tới trong dữ liệu

- Đọc lại 1 lần toàn bộ dữ liệu

- Đọc lại lần nữa, đọc từng đoạn và gán cho đoạn dữ liệu đó các từ khóa

- Liệt kê danh mục từ khóa và chuẩn chỉ lại danh mục này sao cho các keyword không gần hoặc giống nhau

- Tạo khái niệm, các mã sau khi đối chiếu danh mục các từ khóa với khung lý thuyết để nhận biết đâu là khái niệm và ý tưởng mới

Sau khi mã hóa dữ liệu thành các mã với các cấp độ với các thuộc tính tương ứng Hoạt

động tiếp theo là hợp nhất dữ liệu tức là gắn các đơn vị dữ liệu với các nhãn/ mã đã tạo

ra Một đơn vị dữ liệu có thể là một số từ, một câu, một vài câu, một đoạn văn phù hợp với từng mã dữ liệu Có nhiều công cụ hỗ trợ nhà nghiên cứu mã hóa và hợp nhất dữ liệu như Nvivo, Hyper reseache, Alitas….hoặc có thể sử dụng phương pháp thủ công Nếu sử dụng phương pháp thủ công, bên lề mỗi bản ghi phỏng vấn, nhà nghiên cứu có thể đặt tên

1 đơn vị dữ liệu thuộc 1 hay nhiều mã thích hợp Tên của đơn vị dữ liệu này có thể được cắt, dán vào thẻ dữ liệu hoặc chuyển đổi và lưu lại trong file Kết quả là dữ liệu được hình thành hệ thống mã theo các cấp độ Ví dụ khái niệm A cấp độ 1 thuộc tính 1; trong khái niệm A lại có các khái niệm con A1; A2; A3 với các cấp độ thuộc tính khác nhau…

Hộp 3.1: Đoạn trích phỏng vấn gắn với các loại dữ liệu

Dự án nghiên cứu của Adrian liên quan đến cách thức các nhà quản trị nguồn nhân lực quản lý quá trình cắt giảm biên chế trong cơ quan, tổ chức của họ Trước hết nhà nghiên cứu tạo ra những loại dữ liệu ban đầu từ lý thuyết quản trị nhân lực sau đó gắn chúng vào mỗi đơn vị ghi chép Các loại dữ liệu ban đầu được phân cấp theo thứ bậc, các mã mà nhà nghiên cứu sử dụng được ghi trong ngoặc

Những mã này được gắn vào các bản ghi các cuộc phỏng vấn làm đơn vị dữ liệu

RED-CONS 27MM Giai đoạn đầu tiên là để phát hiện các nhân viên

muốn gì cho bản thân và cách họ muốn điều này

RED-MGT-ROLE

Một nhân viên có thể thích nói chuyện với người bên nhân sự hơn nói chuyện với quản lý trực tiếp – bạn biết

đó, vì các lý do hiển nhiên, ít ra theo như họ thấy- và đây

là điều chấp nhận đối với tổ chức RED-MGT-VOL Cuộc họp này cho họ cơ hội để lựa chọn cắt giảm tự

nguyện

Chúng tôi không phân loại nhân viên thành những người nòng cốt

RED-STR-ISS hay không nòng cốt, mặc dù chúng tôi sẽ phải nói với

một nhóm nhân viên RED-CONS những lời như “có bốn người trong bộ phận này

và chúng tôi chỉ cần có hai người thôi”

Nguồn: Saunders, N.K & Philip Lewis (2015) 4.1.3.3 Nhận biết mối quan hệ và phát triển các mã dữ liệu

Tạo ra các loại dữ liệu và sắp xếp lại dữ liệu theo các mã hoặc thiết kế một ma trận thích hợp và đưa dữ liệu vào các ô của ma trận là các hoạt động cụ thể của phân tích dữ liệu (Dey, 1993; Huberman, 1994) Việc phân tích này sẽ tiếp diễn khi nhà nghiên cứu tìm kiếm những chủ đề, dạng thức và các mối quan hệ then chốt trong bộ dữ liệu đã được sắp

xếp lại Hoạt động này có thể dẫn đến việc điều chỉnh lại các mã dữ liệu và tiếp tục sắp xếp lại dữ liệu cho đến khi nhà nghiên cứu tìm thấy ý nghĩa của các khái niệm trong tập

dữ liệu Có nhiều lý do dẫn đến việc chia tách hay sáp nhập các loại dữ liệu ban đầu Chẳng hạn một số loại dữ liệu có thể thu hút số lượng lớn các đơn vị dữ liệu và sẽ quá rộng để phân tích nếu không được chia nhỏ ra Hoặc có những chủng loại dữ liệu có ý nghĩa tương đồng, nhà nghiên cứu có thể gộp chúng lại với nhau Như vậy việc xác định mối quan hệ giữa các mã dữ liệu là vô cùng quan trọng Nhà nghiên cứu có thể vẽ sơ đồ,

mô hình mô phỏng sự tương tác, sự quan hệ nhiều chiều hay một chiều giữa các mã dữ liệu Từ đó, nhà nghiên cứu có thể phát hiện ra các mã dữ liệu mới so với khung nghiên cứu giúp cho việc phát triển ý tưởng mới, khái niệm mới Trong hoạt động này, nhà nghiên cứu thường xuyên đặt ra câu hỏi mối quan hệ giữa các khái niệm là gì? Sự phát triển các mối quan hệ giữa các mã dữ liệu ấy như thế nào? Đây là bước khó nhất trong nghiên cứu định tính và cần cả sự nhạy cảm, trí tuệ và kinh nghiệm của nhà nghiên cứu

Hộp 3.2: Phân bố dữ liệu và phát triển các loại dữ liệu

“Sau mỗi cuộc phỏng vấn, tôi ghi chép lại nguyên văn nội dung phỏng vấn, lưu nó theo cách phân loại đang sử dụng Nội dung thường ở dạng các đoạn văn được phân loại chéo thành một số loại khác nhau Khi tôi lưu mỗi phát biểu, tôi so sánh nó với những phát biểu trước trong loại đó và ghi chép thường xuyên nội dung của loại này Các loại thay đổi theo thời gian, một số loại biến mất và được sáp nhập vào những tiêu đề khái quát hơn Mỗi loại nổi lên từ những loại trước đây và trở thành quá dị biệt Một số loại trở thành những phần của các cặp đôi hoặc bộ ba trong đó bất kì nhận xét nào sẽ thường được lưu trong mỗi file của phân loại thành phần Ví dụ những nhận xét nhằm mô tả những trường hợp công việc không ổn định hoặc trình độ tay nghề yếu kém thường lưu

ý về việc quản trị tồi.”

Nguồn: Hodson (1991) trích trong Erlandson et al (1993).

4.1.3.4 Phát triển và kiểm định các lý thuyết

Không phải nghiên cứu định tính nào cũng có thể đạt tới bước này, song về cơ bản một nghiên cứu định tính tốt nên vươn tới bước này

Bản chất của bước này là tìm mối quan hệ giữa các nhân tố, giữa các khái niệm mới với nhau hoặc với yếu tố cũ Mối quan hệ này có thể được thể hiện dưới dạng một mô hình (ví dụ A có quan hệ thuận chiều với B) Để làm việc này, nhà nghiên cứu có thể quay lại file dữ liệu để tìm kiếm và so sánh xem liệu trong dữ liệu có tồn tại mối quan hệ có A thì

có B và ngược lại nếu tồn tại B thì phải có A hay không Cách làm như sau:

- Tạo file excel để nhập dữ liệu Cột đầu tiên ghi rõ ID của cuộc phỏng vấn Ví dụ PV1 Các cột tiếp theo ghi rõ đặc điểm của người được phỏng vấn để sau tiện so sánh

- Các đoạn phỏng vấn có cùng nội dung đưa vào 1 ô excel

- Cột mã ghi các nhân tố hoặc khái niệm mới phát hiện ở bước 3 Có thể ghi nhiều hơn 1 cột nếu có nhiều mã khác nhau

- Sort các dữ liệu theo mã, so sánh liệu sự xuất hiện của nhân tố A có kèm theo sự xuất hiện của nhân tố B hay không

Quy trình này được lặp đi lặp lại, hỗ trợ tốt cho việc xây dựng một mô hình hoặc giả thuyết về mối quan hệ giữa các khái niệm, nhân tố

Kết luận lại, phân tích dữ liệu định tính là một quá trình đòi hỏi sự sáng tạo, sự am hiểu

và trình độ cũng như kỹ thuật của nhà nghiên cứu Mỗi nghiên cứu định tính sẽ mang dấu

ấn cá nhân sâu sắc của nhà nghiên cứu

4.1.4 Các công cụ hỗ trợ phân tích dữ liệu định tính

Ngày nay, các nhà nghiên cứu đều khẳng định vai trò của việc sử dụng CAQDAS trong nghiên cứu định tính mặc dù việc sử dụng các loại phần mềm này chưa thực sự phổ biến

ở tất cả các trường đại học Lewins và Silver (2005) đã tóm tắt những ưu việt của CAQDAS trong phân tích dữ liệu định tính như sau:

- Quản lý dự án và tổ chức dữ liệu: đây là biện pháp mạnh mẽ để quản lý toàn bộ dự án

nghiên cứu và tổ chức dữ liệu

- Tính chặt chẽ đối với dữ liệu và sự tương tác: tiếp cận ngay lập tức với mọi dữ liệu một

khi nó đã được đưa vào hệ thống

- Khám phá dữ liệu: công cụ tìm kiếm văn bản và truy xuất từ linh hoạt và khoa học

- Mã hóa và truy xuất: hoàn toàn tự do trong việc sử dụng phương pháp diễn dịch hay quy

nạp hoặc kết hợp

- Tìm kiếm và thẩm định: trên cơ sở ngôn ngữ được sử dụng, bao gồm những dữ liệu được

mã hóa tự động, quan hệ giữa các loại mã, giúp cho việc xây dựng và phát triển giả thuyết

- Viết các bản ghi nhớ: để ghi chép những ý tưởng một cách có hệ thống liên quan với dữ

liệu

- Đầu ra : các báo cáo cho phép xem lại tài liệu ở dạng bản in hoặc kết nối tốt với các

chương trình ứng dụng khác.

Bảng 3.1: Các địa chỉ internet về các chương trình thuộc CAQDAS

ATLAS.Ti http://www.atlasti.de Chỉ có phiên bản windows,

rất linh hoạt

HyperRESEARCHE http://www.researchware.com Có phiên bản windows và

Mac, sử dụng đơn giản

Nvivo http://www.qsrinternational.com Chỉ có phiên bản windows,

phần mềm mạnh khả năng tìm kiếm phạm vi rộng

QSR N6 http://www.qsrinternational.com Chỉ có phiên bản windows,

nhiều công cụ tìm kiếm xuất sắc

Nguồn: Lewins and Silver (2005)

4.2 PHÂN TÍCH DỮ LIỆU ĐỊNH LƯỢNG

4.2.1 Các loại dữ liệu định lượng (THU)

Trong nghiên cứu định lượng, sau bước thu thập dữ liệu bằng nhiều phương pháp khác nhau (như đã đề cập trong chương 3), bước tiếp theo sẽ là phân loại dữ liệu

a Phân loại dữ liệu định lượng (CIRT, n.d.)

https://cirt.gcu.edu/research/developmentresources/research_ready/quantresearch/data

Dữ liệu định lượng là dữ liệu có thể được đếm hoặc thể hiện bằng số Nó thường được sử dụng để hỏi "bao nhiêu” và có thể được sử dụng để nghiên cứu các sự kiện hoặc mức độ xuất hiện Nó cũng cho phép phân tích thống kê và tính toán toán học, do đó thường được minh hoạ trong biểu đồ hoặc đồ thị

Có hai loại dữ liệu định lượng chính: rời rạc và liên tục Dữ liệu rời rạc được mô tả là có

một số hữu hạn các giá trị có thể Ví dụ: nếu giáo viên đưa ra một bài kiểm tra có 10 câu hỏi, điểm thi sẽ phản ánh số câu trả lời đúng trong 10 câu hỏi đó Dữ liệu rời rạc cũng có thể được định nghĩa là dữ liệu có khoảng trống giữa các giá trị trên một dòng số, do đó

các giá trị phải là một số nguyên Ví dụ, nếu một nghiên cứu kiểm tra số lượng xe máy của các hộ gia đình ở Việt Nam, dữ liệu thu thập sẽ là số nguyên

Dữ liệu liên tục được định nghĩa là dữ liệu có các giá trị rơi vào liên tục và có thể là phân

số hoặc số thập phân Dữ liệu liên tục thường là một phép đo vật lý Ví dụ có thể bao gồm các phép đo chiều cao, độ tuổi hoặc khoảng cách

Ưu điểm của việc thu thập dữ liệu định lượng là kết quả số trong dữ liệu có thể được phân tích thống kê, đây có thể được xem là kết quả đáng tin cậy và hữu ích trong việc ra quyết định Tuy nhiên, bất lợi của dữ liệu định lượng là chỉ mang tính bề mặt, do đó hầu như nó không cung cấp cách giải quyết vấn đề

b Đặc điểm chính của dữ liệu định lượng (USClibraries, 2018)

http://libguides.usc.edu/writingguide/quantitative

• Dữ liệu thường được thu thập bằng các công cụ nghiên cứu có cấu trúc

• Các kết quả dựa trên kích thước mẫu lớn

• Tiến hành nghiên cứu có thể được lặp đi lặp lại để nâng cao độ tin cậy

• Nhà nghiên cứu cần đưa ra câu hỏi nghiên cứu được xác định rõ ràng để tìm ra các câu trả lời khách quan

• Tất cả các khía cạnh của nghiên cứu được thiết kế cẩn thận trước khi dữ liệu được thu thập

• Dữ liệu được thể hiện dưới dạng số và số liệu thống kê, thường được sắp xếp theo bảng, biểu đồ, số liệu hoặc các dạng khác không phải là văn bản

• Nhà nghiên cứu sử dụng các công cụ, chẳng hạn như bảng câu hỏi hoặc phần mềm máy tính, để thu thập dữ liệu số

• Mục tiêu tổng quát của một nghiên cứu định lượng là phân loại các tính năng, đếm và xây dựng các mô hình thống kê nhằm giải thích những gì được quan sát thấy

4.2.2 Quy trình phân tích dữ liệu định lượng (NGHĨA)

Phân tích dữ liệu và những kỹ thuật giúp ta hiểu về dữ liệu

a Chuẩn bị dữ liệu

Sau khi được thu thập dữ liệu cần được trình bày theo cách thức phù hợp với phần mềm (ứng dụng) xử lý số liệu mà ta sẽ sử dụng

• Mã hóa dữ liệu

Mã hóa dữ liệu là quá trình chuyển đổi kết quả khảo sát thành dạng mã số để chuẩn bị cho quá trình xử lý Việc mã hóa có thể thực hiện trước (precoding) hoặc sau quá trình phỏng vấn (postcoding)

Đối với câu hỏi mở thường phải mã hóa 2 lần: tạo mã phỏng vấn thông qua dự đoán trước câu trả lời sẽ xuất hiện và điều chỉnh mã nếu có sai lệch sau khi phỏng vấn (Thọ 273)

Mã hóa giúp việc phân tích trở nên đơn giản hơn, đặc biệt hiệu quả với sự hỗ trợ của các phần mềm thống kê Sau khi mã hóa ta có thể thực hiện việc ghép nhóm, tổ hợp, phân tích thống kê cũng như tạo ra các biến mới

- Mã hóa dữ liệu định lượng

- Mã hóa dữ liệu phân loại

• Ma trận dữ liệu

Nếu dữ liệu được sắp xếp theo dạng bảng khi đó ta có ma trận dữ liệu (data matrix) Trong ma trận dữ liệu mỗi cột ứng với các giá trị của một biến số Mỗi hàng chứa tất cả các biến số cho từng tình huống, đó là đơn vị của thu thập dữ liệu Số hàng của ma trận là kích thước mẫu ta thu thập Như vậy mỗi phần tử trong ma trận dữ liệu được xác định bởi hai thông số, thông số cột chỉ biến số, thông số hàng chỉ giá trị

Ví dụ: Ma trận dữ liệu nhân sự của một công ty

ST

•