Thiết kế nghiên cứu · Cỡ mẫu

Cách tính cỡ mẫu nghiên cứu định lượng: cần khảo sát bao nhiêu người là đủ?

Hội đồng hỏi “cỡ mẫu này dựa vào đâu?” mà bạn chưa trả lời được? Đây là các công thức được trích dẫn nhiều nhất, khi nào dùng công thức nào và cách viết vào luận văn.

⏱ ~9 phút đọcNguồn: Hair et al. · Tabachnick & Fidell · YamaneCập nhật:

Bạn đã có mô hình, đã có bảng hỏi — nhưng phát bao nhiêu phiếu là đủ? Ít quá thì EFA không đạt, hệ số không ổn định và giả thuyết “trượt” vì thiếu lực kiểm định; nhiều quá thì tốn thời gian, chi phí. Và gần như chắc chắn hội đồng sẽ hỏi: “Cỡ mẫu này em tính theo căn cứ nào?” Bài viết tổng hợp các công thức tính cỡ mẫu được trích dẫn nhiều nhất, khi nào dùng công thức nào, kèm ví dụ tính sẵn và đoạn văn mẫu để đưa vào luận văn.

Bảng các công thức tính cỡ mẫu cho EFA, hồi quy, SEM, PLS-SEM, Yamane và Cochran kèm ví dụ
Công thức tính cỡ mẫu theo từng phương pháp, kèm ví dụ tính sẵn.

1Vì sao cỡ mẫu quyết định kết quả nghiên cứu?

Cỡ mẫu không chỉ là thủ tục để “điền vào chương 3”. Nó ảnh hưởng trực tiếp đến việc các phép kiểm định có phát hiện được mối quan hệ thật trong dữ liệu hay không (lực kiểm định — statistical power). Khi mẫu quá nhỏ, ba vấn đề thường xuất hiện cùng lúc:

  • EFA không “ra” được cấu trúc: KMO thấp, biến tải lung tung giữa các nhân tố.
  • Hệ số không ổn định: chạy lại với vài phiếu khác là β đổi dấu, đổi độ lớn.
  • Giả thuyết không có ý nghĩa thống kê dù mối quan hệ có thật, chỉ vì sai số chuẩn quá lớn.
🎯 Nguyên tắc vàng

Cỡ mẫu được xác định theo phương pháp phân tích bạn dùng. Một đề tài dùng cả EFA và hồi quy phải thỏa yêu cầu của cả hai — và lấy con số lớn hơn.

2Chọn công thức tính cỡ mẫu nào cho đề tài của bạn?

Trả lời hai câu hỏi: bạn có biết quy mô tổng thể không, và phương pháp phân tích chính là gì.

Tình huốngCông thức nên dùng
Có chạy EFA (SPSS)Hair et al.: n ≥ 5 × số biến quan sát
Hồi quy tuyến tính bộiTabachnick & Fidell: n ≥ 50 + 8m
CFA / SEM bằng AMOSTheo độ phức tạp mô hình (Hair et al., 2019)
PLS-SEM bằng SmartPLSCăn bậc hai nghịch đảo (Kock & Hadaya, 2018)
Biết tổng thể N (VD: 2.000 sinh viên của khoa)Yamane / Slovin
Tổng thể rất lớn hoặc không xác địnhCochran

3Cỡ mẫu cho phân tích nhân tố khám phá EFA

Theo Hair, Black, Babin & Anderson (2019), mẫu cho phân tích nhân tố cần tối thiểu 50 quan sát, tốt hơn là từ 100 trở lên, và tỷ lệ quan sát trên mỗi biến đo lường tối thiểu là 5:1, tốt hơn là 10:1.

Ví dụ

Mô hình có 6 nhân tố, mỗi nhân tố 4 biến quan sát → 24 biến.

  • Tỷ lệ 5:1 → n ≥ 24 × 5 = 120
  • Tỷ lệ 10:1 → n ≥ 24 × 10 = 240
✦ Mẹo

Đếm tất cả biến quan sát đưa vào EFA, kể cả biến phụ thuộc nếu bạn chạy chung. Câu hỏi nhân khẩu học không tính.

📊
Đọc thêm
Phân tích EFA trong SPSS từ A–Z
KMO, Bartlett, phương sai trích và cách xử lý ma trận xoay.
→

4Cỡ mẫu cho hồi quy tuyến tính bội

Tabachnick & Fidell (2013) đưa ra hai công thức, với m là số biến độc lập:

  • n ≥ 50 + 8m — để kiểm định mô hình hồi quy tổng thể (R²).
  • n ≥ 104 + m — để kiểm định từng hệ số hồi quy riêng lẻ.
Ví dụ

Mô hình có 5 biến độc lập: 50 + 8 × 5 = 90 và 104 + 5 = 109 → chọn tối thiểu 109 quan sát.

5Cỡ mẫu cho CFA và SEM bằng AMOS

CB-SEM (AMOS) “đói mẫu” hơn hồi quy vì ước lượng đồng thời nhiều tham số. Hair et al. (2019) đề xuất cỡ mẫu tối thiểu theo độ phức tạp của mô hình:

Đặc điểm mô hìnhCỡ mẫu tối thiểu
≤ 5 nhân tố, mỗi nhân tố trên 3 biến, communality cao (≥ 0,6)100
≤ 7 nhân tố, communality vừa phải (≈ 0,5)150
≤ 7 nhân tố, communality thấp (< 0,45) hoặc có nhân tố ít hơn 3 biến300
Nhiều nhân tố, communality thấp500

Trên thực tế, các nghiên cứu dùng SEM thường hướng tới từ 200 quan sát trở lên để chỉ số Model Fit ổn định.

6Cỡ mẫu cho PLS-SEM / SmartPLS

PLS-SEM linh hoạt hơn với mẫu nhỏ — nhưng “linh hoạt” không có nghĩa là “bao nhiêu cũng được”.

Quy tắc 10 lần (10-times rule)

Cỡ mẫu ≥ 10 × số mũi tên lớn nhất trỏ vào một biến tiềm ẩn bất kỳ (Barclay et al., 1995). Dễ tính nhưng Hair et al. (2022) cảnh báo quy tắc này thường đánh giá thấp cỡ mẫu cần thiết.

Phương pháp căn bậc hai nghịch đảo (khuyến nghị)

Kock & Hadaya (2018), được Hair et al. (2022) khuyến nghị, ở mức ý nghĩa 5%:

📐 Công thức

nmin > (2,486 / |βmin|)² — trong đó βmin là hệ số đường dẫn nhỏ nhất bạn kỳ vọng có ý nghĩa (lấy từ các nghiên cứu trước).

Ví dụ
  • βmin = 0,2 → (2,486 / 0,2)² = 154,5 → 155 quan sát
  • βmin = 0,15 → (2,486 / 0,15)² = 274,7 → 275 quan sát

Ngoài ra có thể dùng G*Power (phân tích lực kiểm định cho hồi quy bội) với số biến dự báo lớn nhất trỏ vào một biến, power 0,80 và effect size f² = 0,15.

7Biết quy mô tổng thể: công thức Yamane (Slovin)

Khi tổng thể xác định được (VD: toàn bộ sinh viên một khoa, nhân viên một công ty), dùng công thức Yamane (1967) — một số tài liệu gọi là công thức Slovin:

📐 Công thức

n = N / (1 + N × e²) — N là quy mô tổng thể, e là sai số cho phép (thường 0,05).

Ví dụ

Tổng thể 2.000 sinh viên, e = 0,05: n = 2.000 / (1 + 2.000 × 0,0025) = 2.000 / 6 = 333,3 → 334 sinh viên.

8Không biết quy mô tổng thể: công thức Cochran

Với tổng thể rất lớn hoặc không xác định (VD: “người tiêu dùng mua sắm online tại TP.HCM”), dùng công thức Cochran (1977):

📐 Công thức

n = Z² × p × (1 − p) / e² — Z = 1,96 (độ tin cậy 95%), p = 0,5 (giả định an toàn nhất), e = 0,05.

Ví dụ

n = 1,96² × 0,5 × 0,5 / 0,05² = 384,16 → 385 quan sát.

9Chốt con số cuối cùng và viết vào luận văn

Quy trình 3 bước:

  1. Tính theo từng phương pháp bạn sẽ dùng.
  2. Lấy con số lớn nhất làm cỡ mẫu tối thiểu.
  3. Cộng dự phòng 10–20% cho phiếu bị loại khi làm sạch (thiếu câu, không đạt gạn lọc, trả lời một chiều).
Ví dụ tổng hợp

Mô hình 5 nhân tố độc lập + 1 phụ thuộc, tổng 22 biến quan sát, chạy EFA và hồi quy:

  • EFA (10:1): 22 × 10 = 220
  • Hồi quy: max(50 + 8 × 5; 104 + 5) = 109
  • → Cỡ mẫu tối thiểu 220, dự phòng 15% → phát khoảng 255 phiếu.
Biểu đồ thanh: EFA cần 220, hồi quy cần 109, chọn tối thiểu 220 và phát khoảng 255 phiếu
Lấy con số lớn nhất rồi cộng 10–20% dự phòng cho phiếu bị loại.
✍️ Đoạn văn mẫu cho chương 3

“Theo Hair et al. (2019), cỡ mẫu cho phân tích nhân tố khám phá nên đạt tỷ lệ tối thiểu 5 quan sát trên một biến đo lường, tốt hơn là 10:1. Nghiên cứu có 22 biến quan sát nên cỡ mẫu tối thiểu là 220. Đồng thời, theo Tabachnick và Fidell (2013), cỡ mẫu cho hồi quy bội với 5 biến độc lập tối thiểu là 109. Để dự phòng phiếu không hợp lệ, tác giả phát ra 255 phiếu khảo sát.”

⚠️ Đủ phiếu bằng dữ liệu thật

Thiếu mẫu thì hãy mở rộng kênh khảo sát hoặc kéo dài thời gian thu thập. Dữ liệu tự tạo hay “điền cho đủ” là vi phạm liêm chính học thuật và có thể khiến luận văn bị hủy kết quả.

Chuẩn bị nhanh hơn với công cụ

🎯 Tóm lại
  • EFA: n ≥ 5–10 × số biến quan sát · Hồi quy: n ≥ 50 + 8m và 104 + m.
  • AMOS: theo độ phức tạp mô hình, thường ≥ 200 · SmartPLS: (2,486 / βmin)².
  • Biết tổng thể → Yamane; không biết → Cochran (≈ 385).
  • Lấy con số lớn nhất, cộng 10–20% dự phòng và ghi rõ căn cứ trong luận văn.

Câu hỏi thường gặp

Cỡ mẫu tối thiểu cho luận văn là bao nhiêu?

Không có một con số chung cho mọi đề tài. Hãy tính theo từng phương pháp phân tích bạn dùng (EFA, hồi quy, SEM hoặc PLS-SEM), lấy con số lớn nhất rồi cộng thêm phần dự phòng cho phiếu bị loại.

Công thức Slovin và Yamane có khác nhau không?

Là cùng một công thức n = N / (1 + N·e²). Tài liệu trong nước thường gọi là công thức Yamane (1967), một số tài liệu gọi là Slovin. Chỉ dùng khi bạn biết quy mô tổng thể N.

Không biết quy mô tổng thể thì tính cỡ mẫu thế nào?

Dùng công thức Cochran với p = 0,5, độ tin cậy 95% và sai số 5%, cho ra khoảng 385 quan sát; hoặc tính theo số biến quan sát mà phương pháp phân tích yêu cầu.

Có nên phát nhiều phiếu hơn cỡ mẫu tính được không?

Nên. Phiếu trả lời thiếu, không đạt câu gạn lọc hoặc trả lời một chiều sẽ bị loại khi làm sạch, nên thường phát dư khoảng 10–20% để vẫn đủ cỡ mẫu sau khi lọc.

Cỡ mẫu cho SmartPLS tính theo cách nào?

Quy tắc 10 lần dễ dùng nhưng bị đánh giá là thiếu chặt chẽ. Hair et al. (2022) khuyến nghị phương pháp căn bậc hai nghịch đảo của Kock & Hadaya (2018) hoặc phân tích lực kiểm định bằng G*Power.