Phân tích, đánh giá mô hình đo lường trên SMARTPLS 4

Mô hình đo lường của một thang đo được chia làm hai loại là nguyên nhân (formative) và kết quả (reflective). Vì sự khác nhau về bản chất quan hệ giữa biến tiềm ẩn với biến quan sát và giữa các biến quan sát với nhau giữa hai loại đo lường này mà cách thức biểu diễn, xử lý, đánh giá kết quả cũng hoàn toàn khác nhau. Khi xây dựng thang đo cho một nhân tố, chúng ta cần phải xác định chính xác đó là dạng kết quả hay nguyên nhân. Đa phần, các thang đo thường ở dạng kết quả.

VIDEO HƯỚNG DẪN PHẦN 1:

VIDEO HƯỚNG DẪN PHẦN 2:

Để đánh giá mô hình đo lường trên SMARTPLS 4, chúng ta đánh giá các yếu tố:

Sử dụng ví dụ bên dưới với mô hình nghiên cứu gồm 6 nhân tố, KM là thang đo nguyên nhân formative, các nhân tố còn lại là thang đo kết quả reflective.

Biểu diễn mô hình nghiên cứu lên diagram SMARTPLS, lưu ý cần khai báo thang đo KM là formative. Để chọn dạng thang đo reflective hay formative, chúng ta nhấp đôi vào biến tiềm ẩn và chọn tại mục Measurement model. Sau khi chọn xong nhấp vào nút Apply.

Trên diagram, lúc này biến tiềm ẩn KM sẽ nhận mũi tên hướng vào từ các biến quan sát. Các nhân tố khác ở dạng kết quả nên mũi tên sẽ hướng từ biến tiềm ẩn lên biến quan sát.

Để đánh giá mô hình đo lường trên SMARTPLS 4, chúng ta cần triển khai 2 phân tích là PLS-SEM algorithm và Bootstrapping. Bạn xem chi tiết cách thực hiện tại bài viết này.

1. Đánh giá chất lượng biến quan sát (Indicator Reliability)

Mục đích: Kiểm tra xem các biến quan sát được xây dựng có giải thích tốt cho nhân tố tiềm ẩn mẹ hay không. Nếu xuất hiện các biến quan sát kém chất lượng, không thể hiện được tính chất nhân tố mẹ, tiến hành loại bỏ các biến quan sát này khỏi thang đo nhân tố.

Khi đánh giá chất lượng biến quan sát, cần xem xét loại thang đo của các nhân tố trong mô hình. Hair và cộng sự (2017) trong cuốn A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) đưa ra cách đánh giá cho 2 loại thang đo đo lường như sau:

– Thang đo kết quả (reflective): Sử dụng kết quả phân tích PLS-SEM algorithm, tìm tới mục hệ số tải ngoài outer loading. Hair và cộng sự cho rằng một biến quan sát kết quả có ý nghĩa tốt nếu nó có outer loading từ 0.7 trở lên. Nhóm tác giả này cho rằng, nếu biến quan sát có outer loading dưới 0.4, biến này nên được loại bỏ khỏi mô hình. Nếu outer loading nằm ở đoạn 0.4 đến dưới 0.7 quyết định loại hay giữ sẽ phụ thuộc nhà nghiên cứu khi đánh giá cùng với các chỉ số như độ tin cậy tổng hợp (CR) và tính hội tụ (convergent validity, ví dụ hệ số AVE) của nhân tố đó.

• Trường hợp CR hoặc AVE đang dưới ngưỡng đề nghị và việc loại biến quan sát có outer loading nhỏ hơn 0.7 giúp tăng CR hoặc AVE đạt ngưỡng phù hợp thì chúng ta sẽ loại biến quan sát đó.
• Trường hợp CR và AVE đều đã đạt ngưỡng đề nghị, biến quan sát có outer loading từ 0.4 đến dưới 0.7 và biến quan sát này bạn đánh giá là có ý nghĩa quan trọng trong nghiên cứu, bạn có thể giữ nó lại.

– Thang đo nguyên nhân (formative): Sử dụng kết quả phân tích Bootstrapping, tìm tới mục trọng số ngoài outer weight. Chúng ta thực hiện kiểm định ý nghĩa của hệ số outer weight thông qua kỹ thuật bootstrapping.

• Trường hợp kết quả kiểm định cho thấy giá trị p-value < 0.05 (sử dụng mức ý nghĩa 5%), kết luận biến quan sát đó có ý nghĩa.
• Trường hợp kết quả kiểm định cho thấy giá trị p-value > 0.05, chúng ta khoan kết luận biến quan sát không có ý nghĩa mà cần xét tiếp hệ số tải ngoài (outer loading) của biến quan sát đó. Nếu hệ số outer loading trên 0.5, biến quan sát có ý nghĩa, nếu hệ số tải ngoài nhỏ hơn 0.5, biến quan sát không có ý nghĩa cần được loại bỏ.

1.1 Chất lượng biến quan sát thang đo kết quả

Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Outer loadings để xem kết quả hệ số tải ngoài.

Chúng ta chỉ đọc kết quả outer loading cho các nhân tố sử dụng thang đo kết quả, riêng KM là thang đo nguyên nhân, chúng ta sẽ không xét ở bảng này. Nghiên cứu này mình muốn loại bỏ hẳn các biến quan sát có outer loading dưới 0.7, chỉ giữ lại các biến quan sát có outer loading từ 0.7 trở lên. Hai biến quan sát BH6, QH1 đều có outer loading dưới 0.7 nên hai biến này sẽ được loại bỏ khỏi diagram và đánh giá lại chất lượng biến quan sát lần 2.

Kết quả đánh giá lần hai, toàn bộ các biến quan sát kết quả đều có ý nghĩa tốt.

1.2 Chất lượng biến quan sát thang đo nguyên nhân

Phân tích bootstrapping với subsamples = 1000, từ phần kết quả nhấp vào mục trọng số ngoài Outer weights.

Kết quả kiểm định cho thấy ba biến quan sát KM1, KM2, KM3 có ý nghĩa thống kê do p-value nhỏ hơn 0.05, biến KM4 không có ý nghĩa thống kê do p-value = 0.234 > 0.05, chúng ta cần xét tiếp hệ số outer loading của KM4. Quay lại kết quả bảng outer loading ở mục trước, biến KM4 có hệ số tải ngoài bằng 0.693 > 0.5 nên biến quan sát này được chấp nhận.

Qua phần đánh giá chất lượng biến quan sát của mô hình, tổng kết lại có hai biến quan sát BH6, QH1 kém chất lượng cần được loại bỏ. Xóa hai biến này khỏi diagram, và phân tích lại lần 2.

Lưu ý, khi loại biến quan sát, chúng ta cần nhân đôi diagram cũ lên rồi xóa biến trên diagram mới, vẫn giữ nguyên diagram cũ. Khi trình bày kết quả phân tích vào bài nghiên cứu, sẽ cần minh chứng kết quả loại biến theo từng lần chạy.

2. Độ tin cậy thang đo (Construct Reliability)

SMARTPLS 4 đưa ra 3 chỉ số chính trong đánh giá độ tin cậy thang đo là Cronbach’s alpha, Composite reliability rho_a, Composite reliability rho_c (CR). Hair và cộng sự (2017) khuyến nghị sử dụng chủ yếu 2 chỉ số: Cronbach’s alpha và Composite reliability rho_c.

Kiểm định Cronbach’s Alpha chúng ta đã biết đến nhiều khi xử lý dữ liệu trên SPSS. Hair và cộng sự (2017) cho rằng hệ số Cronbach’s alpha có xu hướng đánh giá quá thấp độ tin cậy vốn có của thang đo, thay vào đó, chúng ta có thể đánh giá độ tin cậy bằng hệ số tin cậy tổng hợp Composite reliability rho_c sẽ phù hợp hơn.

Ngưỡng chấp nhận của Composite reliability tương tự như Cronbach’s alpha. Hệ số này dao động từ 0 đến 1 (những trường hợp âm là dữ liệu lỗi), tiến gần về 0 độ tin cậy càng thấp, tiến gần về 1 độ tin cậy càng cao. Composite reliability từ 0.6 – 0.7 là mức chấp nhận với các nghiên cứu khám phá, mức tối ưu là từ 0.7 – 0.9 (Nunally & Bernstein, 1994). Nếu Composite reliability lớn hơn 0.95, cần xem xét lại các biến quan sát của thang đo bởi có thể xuất hiện trùng lặp biến quan sát.

Tại kết quả phân tích PLS-SEM algorithm, nhấp vào mục Construct reliability and validity.

Kết quả cho thấy toàn bộ các cấu trúc đều đạt độ tin cậy thang đo tốt khi Cronbach’s alpha, Composite reliability (rho_c) đều lớn hơn 0.7. Thang đo KM là dạng nguyên nhân nên sẽ không đánh giá độ tin cậy.

Khi xuất hiện nhân tố có độ tin cậy vi phạm ngưỡng tối thiểu, chúng ta sẽ loại lần lượt các biến quan sát có hệ số tải ngoài outer loading thấp nhất trong nhóm (với thang đo kết quả) rồi phân tích lại. Thực hiện lặp đi lặp lại tới khi nhân tố đạt được độ tin cậy thì dừng. Trường hợp loại biến quan sát mà nhân tố vẫn còn tối thiểu 2 biến quan sát và đạt ngưỡng độ tin cậy thì kết luận thang đo đạt độ tin cậy. Trường hợp loại biến quan sát mà tới khi nhân tố còn 2 biến quan sát nhưng vẫn chưa đạt ngưỡng độ tin cậy thì kết luận thang đo không đạt độ tin cậy và loại bỏ cả nhân tố khỏi diagram.

2.1 Độ tin cậy thang đo nguyên nhân

Không đánh giá độ tin cậy cho thang đo nguyên nhân.

3. Giá trị hội tụ thang đo (Convergent Validity)

3.1 Giá trị hội tụ thang đo kết quả

Để đánh giá tính hội tụ của thang đo kết quả trong SMARTPLS, nghiên cứu thường dựa vào chỉ số phương sai trích trung bình AVE (Average Variance Extracted). Theo Hock và Ringle (2010), một thang đo được xem là đạt tính hội tụ khi giá trị AVE từ 0.5 trở lên. Ngưỡng 0.5 hàm ý rằng biến tiềm ẩn trung bình có khả năng giải thích ít nhất 50% phương sai của các biến quan sát thuộc về nó.

Tuy nhiên, AVE tồn tại một hạn chế nhất định do đánh giá các biến quan sát theo trọng số ngang nhau, không phản ánh rõ ảnh hưởng của những biến có hệ số tải ngoài thấp. Trong thực tế, có thể xảy ra trường hợp một thang đo vẫn đạt AVE ≥ 0.5 mặc dù tồn tại biến quan sát có outer loading rất thấp (ví dụ < 0.4), nếu các biến còn lại có hệ số tải ngoài cao. Vì vậy, trước khi đánh giá AVE, cần kiểm tra chất lượng biến quan sát và độ tin cậy thang đo, nhằm loại bỏ các biến quan sát không đạt yêu cầu.

Trong trường hợp một thang đo có AVE < 0.5, quy trình xử lý thường là loại bỏ lần lượt các biến quan sát có outer loading thấp nhất để cải thiện AVE. Việc loại biến được thực hiện lặp lại cho đến khi thang đo đạt được tính hội tụ. Nếu sau khi loại biến, nhân tố vẫn còn tối thiểu hai biến quan sát và đạt ngưỡng AVE ≥ 0.5, thì có thể kết luận thang đo đảm bảo tính hội tụ. Ngược lại, nếu nhân tố chỉ còn hai biến quan sát nhưng AVE vẫn không đạt yêu cầu, thì thang đo được xem là vi phạm tính hội tụ và cần loại bỏ toàn bộ nhân tố khỏi mô hình nghiên cứu.

Dữ liệu thu thập không tốt, vi phạm độ tin cậy, tính hội tụ-phân biệt, biến bị loại quá nhiều … Bạn cần hỗ trợ từ một dịch vụ phân tích SMARTPLS uy tín, hãy liên hệ với Xử Lý Định Lượng qua zalo 093 395 1549 hoặc  email xulydinhluong@gmail.com. 

Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Construct reliability and validity và xem cột cuối của bảng.

Kết quả cho thấy toàn bộ các cấu trúc nhân tố đều đảm bảo tính hội tụ khi các chỉ số AVE đều từ 0.5 trở lên. Trong bảng kết quả không có nhân tố KM vì đây là thang đo nguyên nhân.

3.2 Giá trị hội tụ thang đo nguyên nhân

Do đặc trưng của thang đo nguyên nhân (formative) là các biến quan sát không giả định có tương quan với nhau, việc đánh giá tính hội tụ của loại thang đo này trở nên phức tạp hơn so với thang đo kết quả. Nhằm giải quyết vấn đề này, Chin (1998) đã đề xuất một kỹ thuật đánh giá gọi là phân tích dư thừa (redundancy analysis).

Nguyên lý của kỹ thuật này được thực hiện như sau. Một biến tiềm ẩn được giả định có thể đo lường song song dưới hai dạng thang đo: thang đo nguyên nhân và thang đo kết quả. Biến tiềm ẩn khi được đo bằng thang đo nguyên nhân ký hiệu là Y_f, còn khi được đo bằng thang đo kết quả ký hiệu là Y_r. Sau đó, tiến hành phân tích đường dẫn với biến độc lập là Y_f và biến phụ thuộc là Y_r. Độ mạnh của mối quan hệ tác động từ thang đo nguyên nhân sang thang đo kết quả được sử dụng làm thước đo đánh giá tính hội tụ của thang đo nguyên nhân.

Theo Hair và cộng sự (2017), nếu giá trị R2 từ 0.64 trở lên thì thang đo nguyên nhân được xem là đạt yêu cầu. Ngược lại, khi R2 của mối quan hệ này nhỏ hơn 0.64, thang đo nguyên nhân bị xem là vi phạm tính hội tụ và không đảm bảo điều kiện cần thiết cho phân tích. Trong trường hợp đó, nhà nghiên cứu cần xem xét lại cơ sở lý thuyết, điều chỉnh, thay thế hoặc bổ sung các biến quan sát cho đến khi thang đo đảm bảo được tính hội tụ.

Về mặt lý thuyết, kỹ thuật phân tích dư thừa được xây dựng khá chặt chẽ. Tuy nhiên, trong thực tiễn nghiên cứu, nhiều thang đo được phát triển theo dạng nguyên nhân chính là do khó hoặc không thể xây dựng thang đo kết quả tương ứng. Trong khi đó, phân tích dư thừa lại đòi hỏi bắt buộc phải có thang đo kết quả thì mới có thể đánh giá được tính hội tụ của thang đo nguyên nhân, khiến phương pháp này vẫn tồn tại nhiều hạn chế khi áp dụng vào thực tế.

Nhận thấy bất cập này, Cheah và cộng sự (2018) đã đề xuất sử dụng biến tổng quát (global single variable hoặc global single item) để đánh giá tính hội tụ của thang đo nguyên nhân. Theo cách tiếp cận này, thay vì phải xây dựng một thang đo kết quả đầy đủ và phức tạp, nhà nghiên cứu chỉ cần sử dụng một biến kết quả mang tính khái quát. Khi đó, biến kết quả chỉ bao gồm một biến quan sát duy nhất, đóng vai trò đại diện tổng thể cho khái niệm nghiên cứu.

Ví dụ, biến tiềm ẩn Y_f (Sự hài lòng dịch vụ xe ôm) được xây dựng theo dạng thang đo nguyên nhân, gồm ba biến quan sát: x1 (Tài xế khá thân thiện), x2 (Quy trình đặt xe dễ thực hiện) và x3 (Dịch vụ chăm sóc khách hàng hỗ trợ tốt). Các biến quan sát này được đo lường bằng thang đo Likert 5 mức độ đồng ý. Để đánh giá tính hội tụ của thang đo nguyên nhân Y_f, nghiên cứu xây dựng thêm biến tiềm ẩn kết quả Y_r, được đo lường bằng một biến quan sát tổng quát là x4 (Nhìn chung, anh/chị hài lòng với dịch vụ xe ôm Grab).

Đối với biến tổng quát, nên sử dụng thang đo có nhiều mức độ hơn nhằm phản ánh chính xác hơn mức độ đánh giá của người trả lời. Trong ví dụ này, biến x4 được đo bằng thang đo từ 7 đến 10 mức độ đồng ý, trong đó mức 1 thể hiện hoàn toàn không đồng ý và mức cao nhất thể hiện hoàn toàn đồng ý.

Trong một ví dụ khác, nhà nghiên cứu đánh giá tính hội tụ của thang đo nguyên nhân CLDV gồm ba biến quan sát CLDV1, CLDV2 và CLDV3. Kết quả phân tích trên SMARTPLS bằng thuật toán PLS-SEM cho thấy giá trị R2 của mối quan hệ tác động từ biến tiềm ẩn nguyên nhân sang biến tiềm ẩn kết quả đạt 0.758, lớn hơn ngưỡng 0.64. Do đó, có thể kết luận rằng thang đo CLDV đảm bảo tính hội tụ.

Quay lại ví dụ thực hành, do chưa nắm được kiến thức về đánh giá tính hội tụ của thang đo nguyên nhân, nên khi thiết kế bảng câu hỏi khảo sát, tôi không xây dựng câu hỏi tổng quát (global single variable) cho nhóm KM. Đến giai đoạn phân tích, việc tiếp cận lại đúng những người đã tham gia khảo sát, đồng thời xác định chính xác thứ tự của từng đáp viên để thu thập bổ sung dữ liệu cho câu hỏi tổng quát, là điều gần như không thể thực hiện. Trong tình huống này, câu hỏi đặt ra là chúng ta nên xử lý như thế nào?

Thực tế, việc thiếu câu hỏi tổng quát cho thang đo nguyên nhân là tình trạng khá phổ biến, đặc biệt đối với những người mới làm nghiên cứu và chưa tiếp cận được các kiến thức phương pháp nâng cao. Nội dung này thường không được đề cập trong các khóa học định lượng cơ bản, nên việc bỏ sót là điều dễ xảy ra. Nếu trong điều kiện cho phép và có thể tiến hành khảo sát bổ sung, thì đây là phương án tối ưu, giúp nhà nghiên cứu có cơ sở để đánh giá tính hội tụ của thang đo nguyên nhân. Ngược lại, nếu không thể thu thập thêm dữ liệu, nhà nghiên cứu nên bỏ qua nội dung đánh giá này và trình bày rõ trong phần hạn chế của nghiên cứu. Cụ thể trong trường hợp của bài này, phần đánh giá tính hội tụ của thang đo KM được loại khỏi quy trình phân tích và được nêu rõ như một hạn chế của đề tài.

4. Tính phân biệt thang đo (Discriminant Validity)

4.1 Tính phân biệt thang đo kết quả

Tính phân biệt phản ánh mức độ độc lập về mặt khái niệm giữa các nhân tố trong mô hình nghiên cứu. Trong SMARTPLS 4, tính phân biệt của thang đo được đánh giá thông qua ba phương pháp phổ biến, bao gồm: (1) hệ số cross-loading, (2) tiêu chí Fornell–Larcker và (3) chỉ số HTMT.

a. Đánh giá tính phân biệt bằng hệ số Cross-loading

Phương pháp cross-loading dựa trên việc so sánh hệ số tải ngoài (outer loading) của một biến quan sát với các hệ số tải chéo (cross-loading) của chính biến đó lên các nhân tố khác trong mô hình. Một thang đo được xem là đảm bảo tính phân biệt khi hệ số tải ngoài của biến quan sát trên nhân tố mà nó thuộc về lớn hơn tất cả các hệ số tải chéo của biến đó lên các nhân tố còn lại.

Để xem kết quả cross-loading trong SMARTPLS 4, sau khi chạy PLS-SEM Algorithm, người dùng vào mục Discriminant Validity và chọn Cross loadings để kiểm tra kết quả.

Phần được bôi vàng trong bảng thể hiện hệ số tải ngoài (outer loading) của biến quan sát lên nhân tố mà nó thuộc về, trong khi các giá trị không bôi màu là hệ số tải chéo (cross-loading) của biến quan sát đó lên các nhân tố còn lại. Cụ thể, biến quan sát BH1 có hệ số tải ngoài lên nhân tố BH là 0.778, cao hơn rõ rệt so với các hệ số tải chéo của BH1 lên các nhân tố khác như KM (0.250), NB (0.513), QC (0.321), QH (0.356) và TT (0.476). Cách đánh giá tương tự được áp dụng cho các biến quan sát BH2 đến BH5.

Kết quả cho thấy tất cả các biến quan sát thuộc nhân tố BH đều có hệ số tải ngoài lên chính nhân tố BH lớn hơn đáng kể so với các hệ số tải chéo lên các nhân tố khác trong mô hình. Do đó, có thể kết luận rằng thang đo BH đảm bảo tính phân biệt.

Mặc dù phương pháp cross-loading là một trong những cách tiếp cận truyền thống để đánh giá tính phân biệt giữa các nhân tố, nhưng đây là kỹ thuật đã tương đối cũ và độ chính xác không cao so với các phương pháp được phát triển sau này, chẳng hạn như tiêu chí Fornell–Larcker và chỉ số HTMT, vốn được xem là tối ưu hơn trong các nghiên cứu gần đây.

b. Đánh giá tính phân biệt bằng bảng Fornell and Larcker

Phương pháp Fornell–Larcker đánh giá tính phân biệt dựa trên so sánh giữa căn bậc hai của AVE và hệ số tương quan giữa các nhân tố trong mô hình. Theo tiêu chí này, một nhân tố được xem là đảm bảo tính phân biệt khi căn bậc hai của AVE của nhân tố đó lớn hơn tất cả các hệ số tương quan giữa nhân tố này với các nhân tố còn lại.

Để tìm hiểu chi tiết hơn về cách đọc và diễn giải bảng Fornell–Larcker, có thể tham khảo bài viết chuyên sâu về đánh giá giá trị phân biệt thông qua bảng Fornell–Larcker.

Trong SMARTPLS 4, kết quả bảng Fornell–Larcker được trích xuất từ kết quả phân tích PLS-SEM Algorithm. Người dùng truy cập vào mục Discriminant Validity và chọn Fornell–Larcker Criterion để xem và đánh giá kết quả.

Trong bảng Fornell–Larcker, phần được bôi vàng, tức ô đầu tiên của mỗi cột, thể hiện giá trị căn bậc hai của AVE tương ứng với từng nhân tố. Chẳng hạn, căn bậc hai AVE của BH là 0.737, của NB là 0.882, của QC là 0.783, và tương tự đối với các nhân tố còn lại. Các ô không bôi màu trong bảng phản ánh mối tương quan giữa các nhân tố.

Ví dụ, hệ số tương quan giữa BH và NB là 0.648. Giá trị này được so sánh với căn bậc hai AVE của BH (0.737) và của NB (0.882). Có thể thấy rằng 0.648 nhỏ hơn cả hai giá trị trên, do đó tính phân biệt giữa BH và NB được đảm bảo. Cách so sánh này được thực hiện tương tự đối với tất cả các cặp nhân tố còn lại trong mô hình.

Để kiểm tra nhanh tính phân biệt trong bảng Fornell–Larcker, người đọc có thể quan sát theo từng cột và từng hàng. Nếu trong mỗi cột, giá trị căn bậc hai AVE ở đầu cột lớn hơn toàn bộ các giá trị còn lại trong cột, đồng thời trong mỗi hàng, giá trị căn bậc hai AVE cũng lớn hơn các giá trị tương quan còn lại trong hàng, thì có thể kết luận tính phân biệt không bị vi phạm.

Kết quả từ ví dụ thực hành cho thấy toàn bộ các giá trị căn bậc hai AVE đều lớn hơn các hệ số tương quan tương ứng, vì vậy thang đo trong mô hình đảm bảo tính phân biệt. Trong bảng kết quả không xuất hiện nhân tố KM do đây là thang đo nguyên nhân, nên không được đưa vào đánh giá bằng tiêu chí Fornell–Larcker.

c. Đánh giá tính phân biệt bằng bảng HTMT

Hai phương pháp đánh giá tính phân biệt dựa trên bảng cross-loading và bảng Fornell–Larcker đã được một số nghiên cứu gần đây chỉ ra là chưa thực sự chính xác trong một số tình huống. Trước bối cảnh đó, Henseler và cộng sự (2015) đã đề xuất một phương pháp đánh giá mới với độ tin cậy cao hơn, đó là chỉ số HTMT (heterotrait–monotrait ratio). Để hiểu chi tiết về cơ sở lý thuyết và cách đọc kết quả HTMT, có thể tham khảo bài viết Đánh giá tính phân biệt thang đo bằng HTMT trong SMARTPLS.

Theo Henseler và cộng sự (2015), khi giá trị HTMT của một cặp nhân tố lớn hơn 0.9, tính phân biệt giữa hai nhân tố đó được xem là bị vi phạm. Ngược lại, nếu giá trị HTMT nhỏ hơn 0.85, tính phân biệt được đánh giá là đảm bảo tốt. Trong thực hành nghiên cứu, khoảng giá trị từ 0.85 đến dưới 0.9 thường được xem là ngưỡng chấp nhận được.

Bảng HTMT trên SMARTPLS 4 được lấy từ output kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Heterotrait-monotrait ratio (HTMT) – Matrix.

Kết quả từ ví dụ thực hành cho thấy tất cả các giá trị HTMT đều nhỏ hơn 0.9, do đó có thể kết luận rằng tính phân biệt của các thang đo trong mô hình được đảm bảo. Trong SMARTPLS, các giá trị HTMT nhỏ hơn 0.85 sẽ được bôi màu xanh, thể hiện tính phân biệt tốt; các giá trị từ 0.85 đến dưới 0.9 được hiển thị màu đen, cho thấy mức chấp nhận được; còn các giá trị từ 0.9 trở lên sẽ được bôi màu đỏ, cảnh báo vi phạm tính phân biệt. Trong bảng kết quả không xuất hiện nhân tố KM do đây là thang đo nguyên nhân, nên không được đưa vào đánh giá bằng chỉ số HTMT.

4.2 Tính phân biệt thang đo nguyên nhân

Không đánh giá tính phân biệt cho thang đo nguyên nhân.

5. Tính cộng tuyến của biến quan sát (Item Collinearity)

5.1 Tính cộng tuyến biến quan sát thang đo kết quả

Các biến quan sát trong thang đo nguyên nhân được giả định là độc lập về mặt ý nghĩa, do đó không được phép có mối tương quan quá mạnh với nhau. Khi các biến quan sát tương quan cao, hiện tượng cộng tuyến sẽ xuất hiện trong nội bộ thang đo nguyên nhân, từ đó làm sai lệch các ước lượng và ảnh hưởng đến kết quả phân tích của nhân tố này.

Hair và cộng sự (2011) cho rằng, nếu giá trị VIF của biến quan sát nguyên nhân lớn hơn hoặc bằng 5, thì thang đo đang tồn tại vấn đề cộng tuyến. Để xử lý, nhà nghiên cứu sẽ loại bỏ lần lượt các biến quan sát có giá trị VIF cao nhất, cho đến khi tất cả các giá trị VIF đều nhỏ hơn 5. Trường hợp loại biến đến khi nhân tố chỉ còn hai biến quan sát nhưng hiện tượng cộng tuyến vẫn còn, thì có thể kết luận rằng thang đo vi phạm điều kiện cộng tuyến, và khi đó toàn bộ nhân tố cần được loại khỏi mô hình nghiên cứu.

Trong SMARTPLS 4, giá trị VIF của các biến quan sát được lấy từ kết quả phân tích PLS-SEM Algorithm. Người dùng truy cập vào mục Collinearity Statistics (VIF) và chọn Outer Model – List để xem và đánh giá mức độ cộng tuyến của thang đo nguyên nhân.

Kết quả từ ví dụ trên cho thấy các biến quan sát của KM gồm KM1, KM2, KM3, KM4 đều có VIF nhỏ hơn 5, như vậy không xảy ra tình trạng cộng tuyến giữa các biến quan sát của KM.

Sau khi đánh giá xong mô hình đo lường, chúng ta sẽ chuyển sang bước tiếp theo là đánh giá mô hình cấu trúc PLS-SEM. Mời các bạn xem tiếp bài viết Đánh giá mô hình cấu trúc trên SMARTPLS 4.