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.

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.

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

3. Tính hội tụ thang đo (Convergent Validity)

3.1 Tính hội tụ thang đo kết quả

Để đánh giá tính hội tụ thang đo kết quả trên SMARTPLS, chúng ta sẽ dựa vào chỉ số phương sai trung bình được trích AVE (Average Variance Extracted). Hock & Ringle (2010) cho rằng một thang đo đạt giá trị hội tụ nếu AVE đạt từ 0.5 trở lên. Mức 0.5 (50%) này mang ý nghĩa biến tiềm ẩn mẹ trung bình sẽ giải thích được tối thiểu 50% biến thiên của từng biến quan sát con.

Một nhược điểm trong cách tính chỉ số AVE là đánh giá đồng đều các biến quan sát với nhau, không xem xét đến các biến quan sát có hệ số tải ngoài thấp. Trong đánh giá mô hình đo lường, một biến quan sát có hệ số tải ngoài thấp (ví dụ dưới 0.4) nhưng hệ số tải ngoài của các biến quan sát còn lại rất cao thì AVE vẫn đạt ngưỡng 0.5. Do đó, trước khi đánh giá AVE, chúng ta cần đánh giá chất lượng biến quan sát và kiểm tra độ tin cậy thang đo trước để loại bỏ các biến quan sát không có ý nghĩa.

Nếu một thang đo có AVE nhỏ hơn 0.5, chúng ta sẽ loại bỏ lần lượt từng biến quan sát có outer loading thấp nhất để tăng AVE. Quá trình loại biến được thực hiện lặp đi lặp lại tới khi nhân tố đạt được tính hội tụ thì dừng. Nếu loại biến mà nhân tố vẫn còn tối thiểu 2 biến quan sát và đạt ngưỡng AVE ≥ 0.5 thì kết luận thang đo đảm bảo tính hội tụ. Nếu loại biến mà tới khi nhân tố còn 2 biến quan sát nhưng vẫn chưa đạt ngưỡng AVE thì kết luận thang đo vi phạm tính hội tụ và loại bỏ cả nhân tố khỏi diagram.

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 Phạm Lộc Blog qua zalo 093 395 1549 hoặc  email xulydinhluong@gmail.com. 

Từ kết quả phân tích PLS-SEM algorithm, cũng 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 Tính hội tụ thang đo nguyên nhân

Vì giả định của thang đo nguyên nhân là các biến quan sát không có sự tương quan với nhau nên việc đánh giá tính hội tụ khá khó khăn. Chin, W. W. (1998), The partial least squares approach to structural equation modeling. Modern Methods for Business Research, đã đưa ra một kỹ thuật gọi là phân tích dư thừa (redundancy analysis).

Cách hoạt động của kỹ thuật này như sau. Một biến tiềm ẩn có thể được đo lường theo cả hai dạng thang đo nguyên nhân và thang đo kết quả. Gọi biến tiềm ẩn khi đo bằng thang đo nguyên nhân là Y_f, gọi biến tiềm ẩn khi đo bằng thang đo kết quả là Y_r. Thực hiện phân tích đường dẫn với biến độc lập là Y_f và biến phụ thuộc là Y_r. Độ mạnh của hệ số xác định trong quan hệ tác động từ Y_f lên Y_r là thước đo tính hội tụ của Y_f. Theo Hair và cộng sự (2017),  độ lớn hệ số xác định R bình phương (R square) từ 0.64 trở lên là phù hợp. Nếu R² mối tác động này dưới 0.64 thì tính hội tụ của thang đo nguyên nhân bị vi phạm, thang đo không đảm bảo tính hội tụ cần thiết cho phân tích. Khi thang đo nguyên nhân vi phạm tính hội tụ, chúng ta cần phải xem xét lại các lý thuyết để đổi biến quan sát hoặc bổ sung thêm biến quan sát cho đến khi thang đo đảm bảo được tính hội tụ.

Về bản chất của kỹ thuật sẽ là vậy nhưng trên thực tế, thường do là chúng ta không thể xây dựng được thang đo kết quả, chúng mới chuyển hướng sang xây dựng theo dạng nguyên nhân. Nhưng kỹ thuật phân tích dư thừa (redundancy analysis) lại yêu cầu phải có thang đo kết quả thì mới đánh giá được thang đo nguyên nhân, do vậy kỹ thuật này vẫn còn nhiều bất cập.

Hiểu được điều này, Cheah, J. H., Sarstedt, M., Ringle, C. M., Ramayah, T., & Ting, H. (2018), Convergent validity assessment of formatively measured constructs in PLS-SEM. International Journal of Contemporary Hospitality Management, đã sử dụng đến biến tổng quát (global single variable hoặc global single item). Thay vì phải xây dựng một thang đo kết quả là điều quá khó khăn, nhà nghiên cứu chỉ cần sử dụng một biến kết quả tổng quát. Lúc này, Y_r chỉ có một biến quan sát duy nhất, đây chính là biến tổng quát.

Ví dụ, biến tiềm ẩn Y_f  (Sự hài lòng dịch vụ xe ôm) được xây dựng dạng nguyên nhân qua ba biến quan sát x1 (Tài xế khá thân thiện), x2 (Quy trình booking xe dễ thực hiện), x3 (Dịch vụ chăm sóc khách hàng hỗ trợ tốt) được đánh giá theo thước đo Likert 5 mức độ đồng ý. Để đánh giá được tính hội tụ của Y_f, chúng ta xây dựng nên Y_r gồm một biến quan sát tổng quát x4 (Nhìn chung, anh/chị hài lòng với dịch vụ xe ôm Grab). Với biến tổng quát, chúng nên sử dụng thước đo có nhiều mức độ hơn để kết quả chính xác hơn, cụ thể trong trường hợp này sẽ dùng 7 đến 10 mức độ đồng ý (1: hoàn toàn không đồng ý và 10: hoàn toàn đồng ý).

Ví dụ: Nhà nghiên cứu muốn đánh giá tính hội tụ thang đo nguyên nhân CLDV gồm ba biến quan sát CLDV1, CLDV2, CLDV3. Kết quả phân tích trên SMARTPLS từ PLS-SEM algorithm cho thấy hệ số R bình phương (R square) mức tác động từ biến tiềm ẩn nguyên nhân lên biến tiềm ẩn kết quả là 0.758 > 0.64. Như vậy, thang đo CLDV đảm bảo tính hội tụ.

Quay lại với phần ví dụ thực hành, do không có kiến thức về đo lường tính hội tụ thang đo nguyên nhân, nên khi lập bảng hỏi khảo sát mình không xây dựng câu hỏi tổng quát global single variable cho nhóm KM. Để có thể tiếp cận lại chính xác những người đã trả lời phiếu khảo sát và chính xác thứ tự của mỗi đáp viên nhằm thu thập bổ sung dữ liệu cho câu hỏi tổng quát là một việc gần như mình không thể thực hiện được. Vậy trong tình huống này chúng ta phải xử lý ra sao?

Việc xây dựng thiếu câu hỏi tổng quát cho thang đo nguyên nhân là tình trạng thường xuyên gặp đối với những người mới làm nghiên cứu khi chưa tiếp cận được mảng kiến thức nâng cao, chương trình dạy ở những khóa học định lượng không dạy cho học viên kiến thức này. Nếu bạn có thể khảo sát bổ sung được thì quá tốt, bạn có thể đánh giá được tính hội tụ thang đo nguyên nhân. Trường hợp bạn không thể thực hiện được, bạn nên bỏ qua phần này và đưa nó vào phần hạn chế của đề tài. Cụ thể trong tình huống của mình, mình bỏ qua phần đánh giá tính hội tụ cho thang đo KM.

4. Tính phân biệt thang đo (Discriminant Validity)

4.1 Tính phân biệt thang đo kết quả

Tính phân biệt thể hiện sự độc lập về mặt ý nghĩa của các nhân tố trong mô hình. SMARTPLS 4 cung cấp 3 phương pháp đánh giá tính phân biệt thang đo: (1) sử dụng hệ số cross-loading, (2) sử dụng bảng Fornell and Larcker và (3) sử dụng bảng HTMT.

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

Bảng Crosss-loading thể hiện tính phân biệt sẽ đảm bảo khi hệ số tải ngoài outer loading của một biến quan sát thuộc nhân tố này cần lớn hơn bất kỳ hệ số tải chéo cross-loading với những nhân tố còn lại trong mô hình.

Để xem kết quả cross-loading trên SMARTPLS 4, từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Cross loading.

Phần bôi vàng chính là hệ số tải ngoài outer loading của biến quan sát, phần không bôi màu là hệ số tải chéo cross-loading. Hệ số tải ngoài của biến quan sát BH1 cho nhân tố BH là 0.778 lớn hơn đáng kể so với hệ số tải chéo của BH1 lên các nhân tố KM (0.250), NB (0.513), QC (0.321), QH (0.356), TT (0.476), tương tự đánh giá cho các biến quan sát BH2-BH5. Kết quả cho thấy các biến quan sát của BH đều có outer loading ở BH cao hơn đáng kể sơ với cross-loading ở những nhân tố khác, do vậy BH đảo bảo tính phân biệt trong mô hình.

Mặc dù đây là một trong những cách đánh giá tính phân biệt giữa các nhân tố, nhưng kỹ thuật Cross-loading đã khá cũ kỹ và không được chính xác so với những kỹ thuật tối ưu hơn ra đời về sau như bảng Fornell and Larcker, bảng HTMT.

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

Phương pháp đánh giá tính phân biệt bằng bảng Fornell and Larcker cho rằng tính phân biệt sẽ được đảm bảo khi căn bậc hai AVE của một nhân tố lớn hơn tất cả hệ số tương quan của nhân tố đó với các nhân tố khác trong mô hình. Tham khảo nhiều hơn về bảng này tại bài viết Đánh giá giá trị phân biệt qua bảng Fornell and Larcker.

Kết quả bảng Fornell and Larcker trên SMARTPLS 4 sẽ lấy từ output kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Fornell-Larcker criterion.

Phần bôi vàng – ô đầu tiên của mỗi cột trong ví dụ trên là giá trị căn bậc hai AVE của từng nhân tố: căn bậc hai AVE của BH là 0.737, của NB là 0.882, của QC là 0.783… Phần không bôi vàng còn lại là tương quan giữa các nhân tố với nhau.

Tương quan của BH với NB bằng 0.648, chúng ta lấy giá trị này so sánh với căn bậc hai AVE của BH là 0.737 và của NB là 0.882. Dễ thấy 0.648 nhỏ hơn 0.737 và 0.882, như vậy tính phân biệt giữa BH và NB được đảm bảo. Thực hiện tương tự với toàn bộ các giá trị tương quan còn lại. Để nhìn nhanh tính phân biệt của bảng này, các bạn sẽ dò trong từng cột và từng hàng. Nếu từng cột đảm bảo giá trị đầu cột lớn hơn toàn bộ các giá trị còn lại trong cột, nếu từng hàng đảm bảo giá trị bên phải ngoài cùng hàng lớn hơn toàn bộ các giá trị còn lại trong hàng thì tính phân biệt không bị vi phạm.

Kết quả từ ví dụ thực hành cho thấy toàn bộ giá trị căn bậc hai AVE đều lớn hơn toàn bộ giá trị tương quan giữa các nhân tố, như vậy tính phân biệt được đảm bảo. Trong bảng kết quả không có nhân tố KM vì đây là thang đo nguyên nhân.

c. Đánh giá tính phân biệt bằng bảng HTMT

Hai phương thức đánh giá phân biệt dùng bảng Cross-loading và dùng bảng Fornell and Larcker được đánh giá thiếu chính xác trong một số nghiên cứu gần đây. Henseler và cộng sự (2015) đề xuất một phương thức đánh giá tính phân biệt mới có tính chính xác cao hơn đó là dùng bảng HTMT (heterotrait-monotrait ratio). Để hiểu rõ hơn về cách đánh giá mới này, bạn xem bài viết Đánh giá tính phân biệt thang đo bằng HTMT trong SMARTPLS.

Henseler và cộng sự (2015) cho rằng, nếu chỉ số HTMT của một nhân tố lớn hơn 0.9, tính phân biệt của nhân tố bị vi phạm. Nếu chỉ số HTMT dưới 0.85 tính phân biệt được đảm bảo tốt. Như vậy khoảng từ 0.85 đến 0.9 sẽ 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 toàn bộ giá trị HTMT đều nhỏ hơn 0.9, như vậy tính phân biệt được đảm bảo. Khi giá trị HTMT nhỏ hơn 0.85, SMARTPLS sẽ bôi xanh, nếu HTMT từ 0.85 đến nhỏ hơn 0.9 sẽ bôi màu đen, trường hợp HTMT từ 0.9 trở lên phần mềm sẽ bôi đỏ. Trong bảng kết quả không có nhân tố KM vì đây là thang đo nguyên nhân.

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 độc lập nhau về mặt ý nghĩa, chính vì vậy chúng không được phép tương quan quá mạnh với nhau. Sự tương quan lớn gây nên hiện tượng cộng tuyến trong nội bộ thang đo nguyên nhân sẽ làm sai lệch các ước lượng liên quan đến nhân tố này.

Nhóm tác giả Hair và cộng sự (PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 2011) đã nêu ra rằng nếu biến quan sát nguyên nhân có VIF ≥ 5, đang tồn tại vấn đề cộng tuyến trong thang đo. Để xử lý cộng tuyến, chúng ta sẽ loại lần lượt biến quan sát có VIF lớn nhất cho tới khi toàn bộ giá trị VIF đều nhỏ hơn 5. Nếu loại biến mà tới khi nhân tố còn 2 biến quan sát nhưng vẫn còn tình trạng cộng tuyến, chúng ta kết luận thang đo vi phạm tính cộng tuyến biến quan sát và loại bỏ cả nhân tố khỏi diagram.

Hệ số VIF của biến quan sát trên SMARTPLS 4 được lấy từ output kết quả phân tích PLS-SEM algorithm, nhấp vào mục Collinearity statistics (VIF), chọn Outer model – List.

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.