Tính cỡ mẫu cho một nghiên cứu nghĩa là xác định bạn cần bao nhiêu người tham gia để phát hiện được một hiệu ứng có thật, và làm việc đó trước khi thu dữ liệu. Bạn cố định mức power mong muốn, mức ý nghĩa và effect size dự kiến, rồi con số cần thiết sẽ tự hiện ra.
Làm sai thì cái giá phải trả rất đắt. Quá ít người tham gia thì một hiệu ứng có thật vẫn nằm ngoài tầm phát hiện và nhiều tháng làm việc thành công cốc, còn quá nhiều thì bạn tiêu tốn nguồn lực không cần thiết và làm nảy sinh câu hỏi đạo đức về việc tuyển dư. Với nhà nghiên cứu Việt Nam nhắm tới tạp chí Scopus Q1 hoặc Q2, một lập luận rõ ràng cho cỡ mẫu là thứ người bình duyệt phương pháp kiểm tra sớm nhất. Bài viết này trả lời bảy câu hỏi mà nhà nghiên cứu Việt Nam hỏi cố vấn công bố của MAAS nhiều nhất khi bước vào giai đoạn thiết kế.
Tác giả: Ban Biên tập Phương pháp Nghiên cứu và Công bố của MAAS · Hiệu đính bởi mentor chuyên môn của MAAS
Cập nhật lần cuối: 2026-06-10
Chuyên mục: research-methods
Cỡ mẫu là gì và vì sao nó quyết định bài báo của bạn có được đăng?
Trả lời trực tiếp: Cỡ mẫu là số quan sát bạn thu được, từ bệnh nhân, sinh viên tới người trả lời khảo sát. Nó quan trọng vì statistical power phụ thuộc vào nó, và một nghiên cứu thiếu power có thể bỏ sót một hiệu ứng có thật. Người bình duyệt xem lập luận cỡ mẫu là dấu hiệu của thiết kế nghiêm túc, nên phép tính này thuộc về đề cương chứ không phải phần thảo luận.
Bằng chứng: Hickey và cộng sự (2018), viết từ trang 4 tới trang 9 trên European Journal of Cardio-Thoracic Surgery, mô tả phép tính cỡ mẫu là một phần cốt lõi của thiết kế thử nghiệm và cảnh báo rằng các nghiên cứu nhỏ "may possess insufficient power to detect a clinically significant difference, if such a difference exists". Serdar và cộng sự (2021) bổ sung rằng một nghiên cứu thiếu cỡ mẫu có nguy cơ mắc lỗi Type II, còn một nghiên cứu lớn quá mức cần thiết thì lãng phí nguồn lực và làm nảy sinh vấn đề đạo đức. Cả hai đều là lỗi thiết kế mà người bình duyệt nhìn ra được.
Ví dụ: Một khách hàng của MAAS Publishing Advisory dự định làm một nghiên cứu bán thực nghiệm hai nhóm với 24 người mỗi nhánh, vì đó là số người chị tuyển được. Một buổi rà soát thiết kế 20 phút cho thấy hiệu ứng chị nhắm tới cần khoảng 64 người mỗi nhánh để đạt power 80%. Chị thiết kế lại cửa sổ tuyển người trước khi thu một điểm dữ liệu nào, rẻ hơn nhiều so với việc phát hiện vấn đề lúc bình duyệt.
Bạn cần ba con số nào trước khi tính được cỡ mẫu?
Trả lời trực tiếp: Một phép tính a priori, tức tính trước khi có dữ liệu, cần ba đầu vào, và phần mềm sẽ giải ra đại lượng thứ tư là cỡ mẫu. Bạn đặt mức ý nghĩa alpha, thường là 0,05, tương đương 5% khả năng có kết quả dương tính giả, đặt statistical power, thường là 0,80, và đặt effect size dự kiến. Cố định ba giá trị thì N cần thiết hiện ra.
Bằng chứng: Kang (2021) nêu đúng bốn đại lượng liên kết với nhau: "the sample size calculation and power analysis are determined by the following factors: effect size, power (1-β), significance level (α), and type of statistical analysis" (Kang, 2021). Cố định ba đại lượng thì đại lượng còn lại được xác định, với 0,05 và 0,80 là hai giá trị quy ước trong nghiên cứu ngành sức khoẻ. Bài "power primer" của Cohen (1992), dài 5 trang trên Psychological Bulletin từ trang 155 tới 159, là nguồn gốc của quy ước power 0,80 được dùng rộng rãi, đặt trên lập luận chấp nhận tỷ lệ lỗi Type II gấp bốn lần tỷ lệ lỗi Type I.
Ví dụ: Một tác giả Việt Nam lần đầu công bố nói với mentor MAAS rằng anh "chỉ muốn một mẫu đủ lớn". Mentor đặt lại vấn đề thành ba quyết định: bạn muốn chắc đến mức nào rằng mình không báo động nhầm (alpha), chắc đến mức nào rằng mình sẽ bắt được một hiệu ứng có thật (power), và hiệu ứng lớn tới đâu thì đáng bắt. Với ba giá trị đặt ở 0,05, 0,80 và một hiệu ứng trung bình, N cần thiết hiện ra trong hai phút.
Chọn effect size thế nào khi bạn chưa có dữ liệu thử nghiệm?
Trả lời trực tiếp: Effect size là đầu vào khó nhất và cũng là thứ làm N thay đổi nhiều nhất, vì hiệu ứng bạn muốn phát hiện càng nhỏ thì càng cần nhiều người tham gia. Hãy ước lượng theo ba cách, xếp theo thứ tự ưu tiên: lấy từ một nghiên cứu đã công bố tương tự, lấy từ một pilot nhỏ, hoặc lấy từ mốc quy ước của Cohen. Luôn viết ra lý do bạn chọn.
Bằng chứng: Serdar và cộng sự (2021) khuyên rút hiệu ứng dự kiến từ tài liệu đã có hoặc từ một pilot bất cứ khi nào có thể, và chỉ dùng mốc chuẩn hoá khi không có ước lượng nào tốt hơn. Cohen (1992) đưa ra các ngưỡng quy ước mà nhà nghiên cứu quay về khi bí, tóm tắt bên dưới.
| Phép kiểm định | Thước đo effect size | Nhỏ | Trung bình | Lớn |
|---|---|---|---|---|
| So sánh hai trung bình | d của Cohen | 0,20 | 0,50 | 0,80 |
| Tương quan | r | 0,10 | 0,30 | 0,50 |
| Chênh lệch tỷ lệ | h | 0,20 | 0,50 | 0,80 |
| ANOVA (khác biệt giữa nhóm) | f | 0,10 | 0,25 | 0,40 |
| Chi-square / liên hệ | w | 0,10 | 0,30 | 0,50 |
Ví dụ: Một sinh viên ngành khoa học sức khoẻ do MAAS đồng hành không có pilot và cũng không tìm được nghiên cứu nào thật sát. Thay vì mặc định chọn hiệu ứng "lớn" cho dễ thở, vốn sẽ biện minh cho một mẫu tí hon khoảng 26 người và thiếu power, mentor giúp bạn tìm ra hai bài báo tương đương báo cáo d của Cohen quanh 0,45. Tính power cho hiệu ứng trung thực hơn đó đưa mục tiêu của bạn lên 158 người tham gia, đủ sức bảo vệ trước bất kỳ người bình duyệt nào.
Chạy phép tính trong G*Power ra sao?
Trả lời trực tiếp: G*Power miễn phí, được chấp nhận rộng rãi và xử lý được phần lớn thiết kế thông dụng. Quy trình gồm chọn phép kiểm định khớp với phân tích của bạn, đặt test family, nhập alpha, power và effect size, rồi bấm Calculate để ra N cần thiết. Lỗi hay gặp nhất là chọn một phép kiểm định không khớp với phân tích bạn thực sự sẽ chạy.
Bằng chứng: Kang (2021) và Faul cùng cộng sự (2007), với bài viết về phần mềm này trên Behavior Research Methods chạy từ trang 175 tới 191, đều nhấn mạnh rằng phép kiểm định chọn trong G*Power phải phản chiếu đúng phân tích đã lên kế hoạch, dù là t-test, ANOVA, hồi quy hay chi-square, bởi mỗi phép kiểm định có hàm power và thước đo effect size riêng. Chọn nhầm test family sẽ cho ra con số sai mà không báo lỗi gì.
Ví dụ: Một học viên thạc sĩ người Việt chạy power analysis theo dạng independent-samples t-test nhưng lại định phân tích dữ liệu bằng repeated-measures ANOVA. Một mentor MAAS bắt được chỗ lệch này trong một buổi review, và việc sửa lại test family trong G*Power làm cỡ mẫu cần thiết đổi gần 30%. Bạn ấy sửa trước khi tuyển người, thay vì phải sửa trong thư phản hồi bình duyệt.
Điều chỉnh con số cho tỷ lệ bỏ cuộc và không phản hồi thế nào?
Trả lời trực tiếp: N mà G*Power trả về là số người bạn cần phân tích, không phải số người cần tuyển. Hãy cộng thêm phần hao hụt dự kiến bằng cách chia mục tiêu cho (1 trừ tỷ lệ bỏ cuộc). Nếu bạn cần 100 người hoàn thành và dự kiến 20% bỏ cuộc, hãy tuyển 100 ÷ 0,80 = 125. Nghiên cứu khảo sát làm tương tự với tỷ lệ không phản hồi dự kiến.
Bằng chứng: Hickey và cộng sự (2018) lưu ý rằng nghiên cứu thực tế luôn mất người tham gia vì rút lui, mất dấu theo dõi và dữ liệu khuyết, nên mẫu tuyển vào phải lớn hơn mẫu phân tích đã tính. Serdar và cộng sự (2021) cũng khuyên đưa phần dự phòng hao hụt vào ngay mục tiêu tuyển người, thay vì phát hiện thiếu hụt khi nghiên cứu đã chạy được nửa đường.
Ví dụ: Một khách hàng của MAAS Publishing Advisory chạy một can thiệp kéo dài 12 tuần tính ra 88 người hoàn thành để đạt power 80%. Dữ liệu từ một nhóm người Việt do đồng nghiệp chia sẻ gợi ý khoảng 15% bỏ cuộc trong cửa sổ đó, nên chị tuyển 104 người. Số người rút lui nhiều hơn dự kiến hai người, nhưng chị vẫn đạt mục tiêu phân tích và báo cáo rõ bước cộng thêm này, điều mà một người bình duyệt Q2 đã khen.
Tạp chí trông đợi bạn báo cáo những gì về cỡ mẫu?
Trả lời trực tiếp: Hãy báo cáo đủ để người đọc tái lập được phép tính, gồm biến kết cục chính và mức chênh lệch bạn coi là có ý nghĩa, mức alpha, power mục tiêu, effect size giả định kèm nguồn của nó, phép kiểm định đã dùng, và N cuối cùng đã tính cả phần dự phòng hao hụt. Ghi những thông tin này trong phần Methods giờ là mức tối thiểu, không còn là điểm cộng.
Bằng chứng: Tuyên bố CONSORT 2010 (Schulz và cộng sự, 2010) yêu cầu các thử nghiệm ngẫu nhiên báo cáo cỡ mẫu được xác định ra sao. Tuy vậy, Kang (2021) và Serdar cùng cộng sự (2021) đều dẫn các tổng quan cho thấy chỉ khoảng một phần ba số phép tính cỡ mẫu trên tạp chí có chỉ số ảnh hưởng cao được mô tả đủ chi tiết để tái lập, nên làm tốt phần này là một tín hiệu chất lượng thật sự.
Ví dụ: Một mentor MAAS đưa cho một tác giả Việt Nam mẫu câu một dòng: "Một mẫu N là cần thiết để phát hiện hiệu ứng [độ lớn, nguồn] với power [mức power] ở mức alpha hai phía 0,05. Tính thêm [%] hao hụt, chúng tôi đặt mục tiêu tuyển [số người]." Tác giả dán câu đó vào phần Methods, điền các chỗ trống, và gỡ được một câu hỏi bình duyệt đoán trước được trước khi nó kịp xuất hiện.
Nếu nghiên cứu của bạn nhỏ, hoặc bạn đã thu xong dữ liệu thì sao?
Trả lời trực tiếp: Nếu không đạt được N lý tưởng, đừng bịa ra một con số "post-hoc power" để bào chữa, vì người bình duyệt nhìn ra ngay. Hãy thiết kế trung thực trong giới hạn của mình: đăng ký trước một pilot, báo cáo khoảng tin cậy thay vì chạy theo mức ý nghĩa, và nói thẳng giới hạn ra. Một nghiên cứu nhỏ minh bạch dễ đăng hơn nhiều so với một nghiên cứu nói quá.
Bằng chứng: Hickey và cộng sự (2018) cảnh báo rõ ràng về phép tính post-hoc power, vốn mang tính vòng vo một khi dữ liệu đã có. Cohen (1992) và Serdar cùng cộng sự (2021) hướng nhà nghiên cứu tới việc báo cáo effect size kèm khoảng tin cậy, thứ vẫn giữ được giá trị thông tin ngay cả khi mẫu khiêm tốn. Đây cũng là con đường mà nhiều nhà nghiên cứu Việt Nam giai đoạn đầu sự nghiệp đi vào kỷ yếu hội thảo và tạp chí Q2.
Ví dụ: Một sinh viên đại học do MAAS đồng hành chỉ thực sự tuyển được 40 người tham gia. Thay vì tô vẽ cho đẹp, mentor giúp bạn đặt lại bài báo thành một pilot có nhãn rõ ràng, báo cáo effect size kèm khoảng tin cậy, nêu cỡ mẫu như một giới hạn và đề xuất một nghiên cứu tiếp nối có đủ power. Bài được nhận đăng dưới dạng nghiên cứu pilot, đáng tin chính vì nó không nói quá.
Câu hỏi thường gặp
Tôi nên nhắm power bao nhiêu?
Quy ước là 0,80, nghĩa là 80% khả năng phát hiện được một hiệu ứng có thật. Một số nghiên cứu khẳng định hoặc có tính rủi ro cao dùng mức 0,90. Power cao hơn đòi mẫu lớn hơn, nên đây là một đánh đổi bạn phải cân với tính khả thi.
Cứ 30 người tham gia là đủ phải không?
Không. Luật "30 là đủ" chỉ là chuyện hoang đường, vì con số cần thiết phụ thuộc hoàn toàn vào effect size, power và phép kiểm định của bạn. Một hiệu ứng dự kiến nhỏ có thể cần tới hàng trăm người, và không có con số kỳ diệu nào áp dụng cho mọi nghiên cứu.
Tôi tính cỡ mẫu sau khi thu dữ liệu được không?
Bạn vẫn chạy được phép tính theo cả hai chiều, nhưng post-hoc power bị phê phán rộng rãi vì nó vòng vo. Hãy lên kế hoạch cỡ mẫu trước khi thu dữ liệu, còn sau đó thì báo cáo effect size và khoảng tin cậy.
Tôi dùng phần mềm miễn phí nào được?
G*Power là công cụ miễn phí được dùng rộng rãi nhất và phủ được t-test, ANOVA, hồi quy, tương quan và chi-square. Nhiều tạp chí chấp nhận nó, và bạn nên ghi rõ phiên bản đã dùng trong phần Methods.
Nghiên cứu định tính có cần tính cỡ mẫu không?
Không, vì power analysis áp dụng cho kiểm định giả thuyết định lượng. Nghiên cứu định tính biện minh cho mẫu của mình bằng cách đạt tới điểm bão hoà dữ liệu, một lô gích khác nhưng chính đáng ngang bằng.
MAAS có giúp tôi lập luận cho cỡ mẫu không?
Có. Dịch vụ Publishing Advisory của MAAS đồng hành cùng nhà nghiên cứu Việt Nam qua thiết kế nghiên cứu, chọn phép kiểm định, đặt power và effect size, chạy phép tính và viết phần lập luận, theo mô hình từng giai đoạn. Đặt lịch tư vấn qua trang liên hệ.
Sẵn sàng thiết kế một nghiên cứu mà người bình duyệt tin được?
Một phép tính cỡ mẫu làm xong trước khi tuyển người là khoản bảo hiểm rẻ nhất trong nghiên cứu, vì nó biến câu "chúng tôi dùng những ai tìm được" đầy sơ hở thành một lựa chọn phương pháp có thể bảo vệ. Với một mentor từng bình duyệt cho tạp chí Scopus, quyết định này chỉ tốn một cuộc trò chuyện ngắn thay vì một vòng chỉnh sửa nhọc nhằn.
MAAS Academic Mentoring đặt cùng bạn một mục tiêu điểm ba bậc (Pass, Merit hoặc Distinction) và 45 ngày hỗ trợ theo dõi sau khi nộp bài, đồng thời ghép bạn với một mentor trình độ PhD trong 48 giờ khi mạng lưới đã phủ đúng chuyên ngành, hoặc khoảng hai tuần nếu MAAS phải tuyển riêng cho hồ sơ của bạn. 23% chuyên gia của chúng tôi có học vị tiến sĩ. Hãy bắt đầu bằng buổi tư vấn miễn phí 20 phút.
Đặt lịch tư vấn Publishing Advisory với MAAS Academic Mentoring →
Tài nguyên liên quan
- Chọn phép kiểm định thống kê phù hợp cho bài báo Q1 thế nào?: chọn phép kiểm định trước rồi mới tính power
- Chạy một phân tích tổng hợp khi lần đầu làm nghiên cứu thế nào?: gộp bằng chứng khi một mẫu là quá nhỏ
- Dịch vụ Publishing Advisory: các gói hỗ trợ đầy đủ cho công bố Scopus Q1 và Q2
- Dịch vụ Data & Coding Projects: hỗ trợ power analysis và thống kê trên SPSS, R và Python
- Gặp đội ngũ chuyên gia MAAS: những mentor trình độ PhD đứng sau mảng cố vấn công bố
Tài liệu tham khảo
- Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
- Faul, F., Erdfelder, E., Lang, A.-G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175–191. https://doi.org/10.3758/BF03193146
- Hickey, G. L., Grant, S. W., Dunning, J., & Siepe, M. (2018). Statistical primer: Sample size and power calculations—why, when and how? European Journal of Cardio-Thoracic Surgery, 54(1), 4–9. https://doi.org/10.1093/ejcts/ezy169
- Kang, H. (2021). Sample size determination and power analysis using the G*Power software. Journal of Educational Evaluation for Health Professions, 18, 17. https://doi.org/10.3352/jeehp.2021.18.17
- Schulz, K. F., Altman, D. G., & Moher, D. (2010). CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials. BMJ, 340, c332. https://doi.org/10.1136/bmj.c332
- Serdar, C. C., Cihan, M., Yücel, D., & Serdar, M. A. (2021). Sample size, power and effect size revisited: Simplified and practical approaches in pre-clinical, clinical and laboratory studies. Biochemia Medica, 31(1), Article 010502. https://doi.org/10.11613/BM.2021.010502
Công cụ và tài nguyên
- G*Power (Heinrich Heine University Düsseldorf): phần mềm miễn phí tính power a priori và cỡ mẫu
- Hub tài nguyên Scopus Publishing: mẫu đề cương và mẫu báo cáo cho nhà nghiên cứu Việt Nam
Bài viết này thuộc series MAAS Journal dành cho du học sinh sau đại học và nhà nghiên cứu người Việt. MAAS Publishing Advisory là đối tác cố vấn, chúng tôi đồng hành cùng tác giả theo mô hình từng giai đoạn với phản hồi phát triển từ các mentor trình độ PhD đã công bố Scopus. Chúng tôi không viết, không nộp và không cam kết bài được nhận đăng thay cho tác giả.