Đánh giá mô hình đo lường, đọc kết quả trên SMARTPLS 4

Sau khi xây dựng mô hình và đưa dữ liệu vào SMARTPLS 4, một trong những công việc đầu tiên cần thực hiện là đánh giá mô hình đo lường (measurement model). Bước này giúp kiểm tra xem các thang đo và biến quan sát được sử dụng có đáp ứng yêu cầu về độ tin cậy và giá trị đo lường trước khi tiếp tục đánh giá mô hình cấu trúc và kiểm định các giả thuyết nghiên cứu.

Một điểm cần đặc biệt lưu ý là thang đo reflective (kết quả) và formative (nguyên nhân) có bản chất khác nhau, do đó tiêu chí đánh giá cũng không giống nhau. Với reflective, chúng ta thường quan tâm đến outer loading, độ tin cậy, AVE và giá trị phân biệt HTMT. Trong khi đó, formative được đánh giá chủ yếu thông qua tính hội tụ, VIF và ý nghĩa của outer weight.

Bài viết này Xử Lý Định Lượng sẽ hướng dẫn toàn bộ quy trình đánh giá mô hình đo lường trên SMARTPLS 4, từ cách đọc các chỉ số đến xử lý những trường hợp kết quả chưa đạt yêu cầu.

VIDEO HƯỚNG DẪN PHẦN 1:

VIDEO HƯỚNG DẪN PHẦN 2:

1. Mô hình đo lường trong SMARTPLS 4 là gì?

Trong PLS-SEM, mô hình đo lường thể hiện mối quan hệ giữa các nhân tố và những biến quan sát được sử dụng để đo lường nhân tố đó. Có hai dạng mô hình đo lường thường gặp là reflective measurement model và formative measurement model.

• Với thang đo reflective, nhân tố tiềm ẩn được xem là nguyên nhân tạo nên sự biến thiên của các biến quan sát. Trên diagram SMARTPLS, mũi tên vì vậy đi từ nhân tố đến các biến quan sát.
• Với thang đo formative, các biến quan sát cùng đóng góp để hình thành nên nhân tố. Chiều mũi tên trên diagram sẽ đi từ các biến quan sát vào nhân tố.

Việc xác định đúng loại thang đo rất quan trọng bởi không thể lấy toàn bộ tiêu chí của reflective để đánh giá formative và ngược lại.

Trong ví dụ dưới đây của bài viết, mô hình nghiên cứu gồm 6 nhân tố. Trong đó, KM sử dụng thang đo formative, còn BH, NB, QC, QH và TT sử dụng thang đo reflective.

Khi biểu diễn mô hình trên SMARTPLS 4, cần khai báo đúng loại measurement model. Với KM, các mũi tên từ biến quan sát sẽ hướng vào nhân tố; những nhân tố reflective còn lại có chiều mũi tên từ nhân tố hướng ra các biến quan sát. 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.

2. Đánh giá mô hình đo lường SMARTPLS 4 gồm những gì?

Không nên sử dụng một bộ tiêu chí chung cho tất cả các thang đo. Quy trình đánh giá cần được chia thành hai nhóm.

Đối với reflective measurement model, các nội dung chính gồm:

• Outer loading để đánh giá chất lượng biến quan sát.
• Cronbach’s Alpha, rho_A và rho_C để đánh giá độ tin cậy.
• AVE để đánh giá giá trị hội tụ.
• HTMT để đánh giá giá trị phân biệt.

Đối với formative measurement model, quy trình tập trung vào:

• Outer weight và outer loading để đánh giá ý nghĩa và mức độ đóng góp của từng biến quan sát.
• Convergent validity thông qua redundancy analysis nếu nghiên cứu có dữ liệu phù hợp.
• VIF để kiểm tra cộng tuyến giữa các biến quan sát.

Như vậy, các chỉ số Cronbach’s Alpha, rho_A, rho_C, AVE hay HTMT không phải là những tiêu chí được sử dụng để đánh giá formative measurement model.

3. Chạy PLS-SEM Algorithm và Bootstrapping

Kết quả phục vụ đánh giá mô hình đo lường được lấy từ output đầu ra của hai phân tích: PLS-SEM Algorithm và Bootstrapping. Nếu bạn chưa biết cách triển khai hai phân tích này, vui lòng xem tại bài viết Phân tích PLS-SEM algorithm và Bootstrap trong SMARTPLS 4.

– Kết quả của PLS-SEM Algorithm cho phép chúng ta xem Outer loading, Cronbach’s Alpha, rho_A, rho_C, AVE, HTMT, VIF và nhiều chỉ số khác.

– Kết quả của Bootstrapping cung cấp ý nghĩa hệ số outer weight của formative indicator và khoảng tin cậy của HTMT.

Khi thực hiện phân tích chính thức, nên sử dụng số lượng bootstrap subsamples đủ lớn để kết quả ổn định. Nếu chỉ chạy thử mô hình trong quá trình kiểm tra dữ liệu, có thể sử dụng số lượng nhỏ hơn nhằm tiết kiệm thời gian xử lý.

4. Đánh giá thang đo Reflective trên SMARTPLS 4

4.1. Kiểm tra chất lượng biến quan sát qua Outer Loading

Outer loading phản ánh mức độ liên hệ giữa một biến quan sát với nhân tố mà biến đó được sử dụng để đo lường. Một biến quan sát có outer loading từ 0.70 trở lên thường được xem là đạt yêu cầu. Loading càng lớn cho thấy nhân tố giải thích được tỷ lệ phương sai càng lớn của biến quan sát.

Nếu sử dụng chính xác theo Hair và cộng sự (2017), ngưỡng được đề xuất là 0.708. Khi bình phương 0.708, kết quả xấp xỉ 0.50, nghĩa là nhân tố giải thích được khoảng 50% phương sai của biến quan sát. Trong thực hành, giá trị 0.70 thường được xem là đủ gần với 0.708 để sử dụng làm ngưỡng đánh giá.

Chúng ta không nên hiểu ngưỡng 0.70 theo cách cứ biến nào có outer loading thấp hơn 0.70 là bắt buộc phải xóa. Với những biến có loading từ 0.40 đến dưới 0.70, quyết định giữ hay loại cần xem thêm Composite Reliability, AVE và nội dung mà biến quan sát đang đo lường.

• 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.
• Riêng những biến có outer loading dưới 0.40 nên được loại khỏi thang đo. 

Để xem kết quả trên SMARTPLS 4, sau khi chạy PLS-SEM Algorithm, chọn Final results → Outer loadings.

Ở bảng này, chúng ta chỉ đọc Outer loadings của BH, NB, QC, QH và TT vì đây là các nhân tố reflective. KM được xây dựng theo dạng formative nên sẽ có cách đánh giá riêng ở phần sau.

Kết quả lần đầu cho thấy BH6 và QH1 có outer loading dưới ngưỡng sử dụng trong ví dụ. Sau khi xem xét kết quả của các thang đo, hai biến BH6 và QH1 được loại khỏi mô hình.

Khi loại biến, bạn nên sao chép diagram hiện tại thành một diagram mới rồi mới thực hiện. Cách làm này giúp giữ lại kết quả của từng lần chạy, sau này nếu cần xem lại quá trình loại biến hoặc giải trình việc tinh chỉnh thang đo, chúng ta vẫn còn các diagram trước đó để đối chiếu.

Sau khi loại BH6 và QH1, chạy lại PLS-SEM Algorithm và kiểm tra Outer loadings lần thứ hai.

Kết quả mới cho thấy các biến quan sát reflective còn lại đều đáp ứng tiêu chuẩn outer loading được lựa chọn trong nghiên cứu. Chúng ta có thể tiếp tục kiểm tra độ tin cậy và giá trị hội tụ.

4.2 Đánh giá độ tin cậy của thang đo Reflective

Độ tin cậy cho chúng ta biết các biến quan sát thuộc cùng một thang đo có mức độ nhất quán phù hợp hay không. Trong SMARTPLS 4, ba chỉ số thường sử dụng gồm: Cronbach’s Alpha, Composite reliability rho_A, Composite reliability rho_C. 

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Construct reliability and validity.

Tại đây SMARTPLS 4 cung cấp các chỉ số gồm Cronbach’s Alpha, Composite Reliability rho_A và Composite Reliability rho_C.

Cả ba chỉ số độ tin cậy giá trị từ 0.70 trở lên được xem là đạt yêu cầu. Trong những nghiên cứu mang tính khám phá, giá trị từ 0.60 đến 0.70 vẫn có thể được chấp nhận. Hair và cộng sự (2017) cũng lưu ý Cronbach’s Alpha có xu hướng đánh giá thấp độ tin cậy, trong khi Composite Reliability có thể cho kết quả cao hơn. Vì vậy, khi đánh giá độ tin cậy trong PLS-SEM, chúng ta không nên chỉ nhìn duy nhất Cronbach’s Alpha.

Một điểm khác cũng cần chú ý là độ tin cậy không phải càng gần 1 càng tốt. Nếu hệ số quá cao, đặc biệt trên 0.95, các biến quan sát có thể đang đo những nội dung quá giống nhau và xuất hiện sự dư thừa trong thang đo.

Trong mô hình ví dụ, chúng ta đọc các chỉ số độ tin cậy của BH, NB, QC, QH và TT. Nếu các giá trị đều nằm trong khoảng yêu cầu thì các thang đo đạt độ tin cậy và có thể tiếp tục sang bước đánh giá AVE.

Riêng KM là formative nên không sử dụng Cronbach’s Alpha, rho_A hay rho_C để đánh giá độ tin cậy theo cách của reflective. Với formative, các biến quan sát không nhất thiết phải có tương quan cao với nhau vì mỗi biến có thể đại diện cho một thành phần khác nhau của nhân tố.

Nếu một thang đo reflective chưa đạt độ tin cậy, bạn nên quay lại kiểm tra Outer loadings và xem xét những biến có loading thấp trước. Việc loại biến vẫn cần cân nhắc cùng nội dung thang đo, không nên chỉ vì muốn tăng CR hoặc Cronbach’s Alpha mà loại những biến có vai trò quan trọng về mặt nội dung.

Trong ví dụ, Cronbach’s Alpha và các chỉ số Composite reliability của những nhân tố reflective đều đáp ứng ngưỡng đánh giá trên 0.7. Vì vậy, các thang đo được xem là đảm bảo độ tin cậy để tiếp tục đánh giá giá trị hội tụ. Riêng KM là formative nên không sử dụng Cronbach’s Alpha, rho_A hay rho_C để đánh giá độ tin cậy theo cách này.

4.3 Đánh giá giá trị hội tụ bằng AVE

Sau khi kiểm tra reliability, bước tiếp theo là đánh giá convergent validity – giá trị hội tụ. Giá trị hội tụ cho biết các biến quan sát thuộc cùng một nhân tố có thực sự cùng hội tụ để đo lường khái niệm đó hay không. Chỉ số được sử dụng là Average Variance Extracted – AVE.

Theo Hair và cộng sự (2017), AVE phải đạt từ 0.50 trở lên. AVE = 0.50 có nghĩa nhân tố giải thích trung bình 50% phương sai của các biến quan sát thuộc thang đo. Khi AVE thấp hơn 0.50, lượng phương sai còn lại trong sai số của các biến quan sát lớn hơn phần phương sai được nhân tố giải thích.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Construct reliability and validity giống như phần độ tin cậy.

Trong ví dụ, AVE của các nhân tố reflective đều lớn hơn 0.50. Như vậy, các thang đo đáp ứng yêu cầu về giá trị hội tụ.

Nếu gặp trường hợp AVE < 0.50, không nên xóa biến một cách ngẫu nhiên. Chúng ta cần quay lại Outer Loadings, xác định những biến có loading thấp và xem xét việc loại từng biến có giúp AVE và reliability được cải thiện hay không.

Với các biến có outer loading từ 0.40 đến dưới 0.70, Hair và cộng sự (2017) cũng nhấn mạnh việc loại biến chỉ nên được cân nhắc khi thao tác đó giúp cải thiện reliability hoặc AVE vượt qua ngưỡng yêu cầu, đồng thời không làm ảnh hưởng đáng kể đến content validity của thang đo.

4.4 Đánh giá giá trị phân biệt bằng HTMT

Sau khi một thang đo đã đảm bảo độ tin cậy và giá trị hội tụ, chúng ta cần kiểm tra discriminant validity – giá trị phân biệt. Nội dung này giúp xác định các nhân tố được xây dựng trong mô hình có thực sự khác biệt với nhau về mặt thực nghiệm hay không.

a. Bảng HTMT

Trong PLS-SEM, trước đây Cross Loadings và Fornell–Larcker được sử dụng khá phổ biến. Tuy nhiên, Hair và cộng sự (2017) lưu ý rằng hai phương pháp này có hạn chế trong khả năng phát hiện vấn đề về giá trị phân biệt và khuyến nghị sử dụng HTMT (Heterotrait-Monotrait Ratio) như một tiêu chí đáng tin cậy hơn.

Với HTMT, Hair và cộng sự (2017) trình bày hai ngưỡng thường được sử dụng. Khi hai khái niệm về mặt lý thuyết tương đối khác biệt, có thể sử dụng tiêu chuẩn chặt HTMT < 0.85. Trong trường hợp các khái niệm có sự tương đồng về mặt lý thuyết, ngưỡng HTMT < 0.90 có thể được sử dụng.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Discriminant validity → Heterotrait-monotrait ratio (HTMT) – Matrix.

Kết quả ví dụ cho thấy tất cả giá trị HTMT đều nhỏ hơn 0.9, do đó các thang đo đảm bảo tính phân biệt. Trong SMARTPLS, HTMT < 0.85 được hiển thị màu xanh, cho thấy tính phân biệt tốt; từ 0.85 đến dưới 0.9 hiển thị màu đen và vẫn đáp ứng yêu cầu; từ 0.9 trở lên được bôi màu đỏ, cảnh báo vi phạm tính phân biệt. Riêng KM là thang đo nguyên nhân (formative), nên không xuất hiện trong bảng và không được đánh giá bằng HTMT.

Ngoài việc so sánh trực tiếp HTMT với ngưỡng 0.85 hoặc 0.90, Hair và cộng sự (2017) còn trình bày cách kiểm định HTMT thông qua Bootstrapping.

Theo cách tiếp cận trong Hair và cộng sự (2017), chúng ta kiểm tra xem khoảng tin cậy bootstrap của HTMT có chứa giá trị 1 hay không. Nếu khoảng tin cậy không chứa 1, kết quả cung cấp thêm bằng chứng hỗ trợ giá trị phân biệt giữa hai nhân tố.

Điểm này cũng cần ghi rõ nguồn và năm trong bài vì các tài liệu PLS-SEM ở những giai đoạn sau đã tiếp tục phát triển cách suy luận thống kê cho HTMT. Nếu bài đang xác định Hair và cộng sự (2017) là tài liệu phương pháp chính, chúng ta nên trình bày đúng cách tiếp cận của phiên bản này thay vì trộn lẫn các hướng dẫn thuộc những phiên bản sau.

b. Bảng Fornell–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. Bạn có thể xem chi tiết hơn về phương pháp này tại bài viết Đánh giá giá trị phân biệt thông qua bảng Fornell–Larcker.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Discriminant validity → Fornell–Larcker Criterion.

Trong bảng Fornell–Larcker, các ô được bôi vàng trên đường chéo thể hiện giá trị căn bậc hai của AVE của từng nhân tố. Chẳng hạn, căn bậc hai AVE của BH là 0.737, của NB là 0.882 và của QC là 0.783. Các giá trị còn lại thể hiện hệ số tương quan giữa các nhân tố.

Để đánh giá tính phân biệt, chúng ta so sánh căn bậc hai AVE với hệ số tương quan giữa các nhân tố. Ví dụ, tương quan giữa BH và NB là 0.648, nhỏ hơn căn bậc hai AVE của BH (0.737) và NB (0.882), do đó tính phân biệt giữa BH và NB được đảm bảo. Các cặp nhân tố khác được kiểm tra tương tự.

Để kiểm tra nhanh, có thể quan sát theo từng hàng và cột. Nếu giá trị căn bậc hai AVE trên đường chéo lớn hơn các hệ số tương quan còn lại trong cùng hàng và cột, nhân tố đáp ứng yêu cầu về tính phân biệt.

Trong ví dụ thực hành, toàn bộ căn bậc hai AVE đều lớn hơn các hệ số tương quan tương ứng, vì vậy mô hình đảm bảo tính phân biệt theo tiêu chí Fornell–Larcker. Riêng KM là thang đo nguyên nhân (formative), nên không được đánh giá bằng tiêu chí này.

c. Bảng Cross-loading

Cross-loading được đánh giá bằng cách so sánh hệ số tải ngoài (outer loading) của một biến quan sát trên nhân tố mà nó thuộc về với hệ số tải chéo của biến đó lên các nhân tố khác. Tính phân biệt được đảm bảo khi outer loading lớn hơn tất cả các cross-loading tương ứng.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Discriminant validity → Cross loadings.

Phần bôi vàng trong bảng là outer loading của biến quan sát trên nhân tố tương ứng, các giá trị còn lại là cross-loading. Ví dụ, BH1 có outer loading trên BH là 0.778, lớn hơn các cross-loading trên KM (0.250), NB (0.513), QC (0.321), QH (0.356) và TT (0.476). Các biến BH2 đến BH5 được kiểm tra theo cách tương tự.

Kết quả cho thấy các biến quan sát của BH đều có outer loading trên BH lớn hơn cross-loading trên các nhân tố khác, do đó thang đo BH đảm bảo tính phân biệt.

Hair và cộng sự (2017) lưu ý Cross Loadings không phải phương pháp đủ nhạy để phát hiện tất cả các vấn đề về discriminant validity. Vì vậy, không nên chỉ dựa vào bảng này để đưa ra kết luận cuối cùng về tính phân biệt.

5. Đánh giá thang đo Formative trên SMARTPLS 4

Đến đây, các bước Outer Loading, Reliability, AVE và Discriminant Validity của reflective measurement model đã được hoàn thành. Tiếp theo chúng ta quay lại nhân tố KM, được khai báo theo dạng formative.

Hair và cộng sự (2017) đưa ra quy trình riêng cho formative measurement model. Các nội dung chính gồm đánh giá convergent validity, kiểm tra collinearity giữa các formative indicators và đánh giá significance/relevance của outer weights.

Điều này cũng giải thích tại sao chúng ta không lấy Cronbach’s Alpha, composite reliability và AVE của KM để đánh giá giống các nhân tố reflective.

5.1 Kiểm tra chất lượng biến quan sát qua Outer Weight

Đối với thang đo nguyên nhân (formative), hệ số trọng số ngoài (outer weight) được sử dụng để đánh giá mức độ đóng góp tương đối của từng biến quan sát vào việc hình thành biến tiềm ẩn. Theo Hair và cộng sự (2017), chúng ta cần kiểm định ý nghĩa thống kê của outer weight thông qua kỹ thuật Bootstrapping. Nếu p-value < 0.05, biến quan sát được giữ lại. Trường hợp p-value > 0.05, cần tiếp tục xem xét hệ số outer loading trước khi quyết định loại biến theo các trường hợp sau:

• Outer loading ≥ 0.5: Biến quan sát vẫn có đóng góp tuyệt đối đáng kể vào thang đo và có thể được giữ lại nếu phù hợp với cơ sở lý thuyết.
• Outer loading < 0.5: Cân nhắc loại biến quan sát, đồng thời xem xét vai trò lý thuyết và giá trị nội dung của biến trước khi đưa ra quyết định.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Final results → Outer weights.

Kết quả cho thấy ba biến quan sát KM1, KM2 và KM3 đều có p-value < 0.05, chứng tỏ các trọng số ngoài có ý nghĩa thống kê. Riêng biến KM4 có p-value = 0.234 > 0.05 nên cần xem xét thêm hệ số outer loading. Theo kết quả phân tích trước đó, KM4 có outer loading = 0.693 > 0.5, do đó biến quan sát này vẫn được chấp nhận và giữ lại trong mô hình.

Như vậy, đối với thang đo nguyên nhân, biến quan sát có outer weight không mang ý nghĩa thống kê vẫn có thể được giữ lại nếu outer loading đạt từ 0.5 trở lên và có cơ sở lý thuyết phù hợp. Trường hợp cả hai hệ số đều không đạt yêu cầu, nhà nghiên cứu cần cân nhắc loại biến dựa trên nội dung đo lường.

Tổng hợp kết quả đánh giá chất lượng biến quan sát, có hai biến BH6 và QH1 cần được loại bỏ. Chúng ta tiến hành xóa hai biến này và phân tích lại mô hình lần thứ hai. Trước khi loại biến, bạn nên nhân đôi diagram hiện tại và thực hiện điều chỉnh trên diagram mới, đồng thời giữ nguyên diagram cũ để lưu lại kết quả và minh chứng quá trình loại biến trong bài nghiên cứu.

5.2 Kiểm tra cộng tuyến của các biến quan sát

Đối với thang đo nguyên nhân (formative), các biến quan sát được kỳ vọng đại diện cho những khía cạnh khác nhau của khái niệm nghiên cứu. Vì vậy, nếu các biến quan sát có tương quan quá cao với nhau, hiện tượng cộng tuyến có thể xuất hiện, làm ảnh hưởng đến độ ổn định của hệ số outer weight và kết quả đánh giá thang đo.

Để kiểm tra vấn đề này, chúng ta sử dụng hệ số phóng đại phương sai (Variance Inflation Factor – VIF). Theo Hair và cộng sự (2011), VIF < 5 cho thấy mức độ cộng tuyến nằm trong giới hạn chấp nhận được. Trường hợp VIF ≥ 5, nhà nghiên cứu cần xem xét những biến quan sát có mức độ cộng tuyến cao, đối chiếu với nội dung thang đo và cân nhắc loại bỏ các biến trùng lặp về ý nghĩa. Việc loại biến cần dựa trên cơ sở lý thuyết, tránh làm mất đi những khía cạnh quan trọng của khái niệm nghiên cứu.

Để xem kết quả, tại output PLS-SEM algorithm, chọn Quality criteria → Outer model – List.

Kết quả phân tích cho thấy cả bốn biến quan sát KM1, KM2, KM3 và KM4 đều có VIF < 5, đáp ứng yêu cầu về tính cộng tuyến. Như vậy, thang đo nguyên nhân KM không có dấu hiệu cộng tuyến nghiêm trọng giữa các biến quan sát và được chấp nhận để tiếp tục các bước phân tích tiếp theo.

5.3 Đánh giá giá trị hội tụ bằng redundancy analysis

Do các biến quan sát trong thang đo nguyên nhân (formative) không nhất thiết phải có tương quan với nhau, việc đánh giá tính hội tụ của loại thang đo này phức tạp hơn so với thang đo kết quả (reflective). Để giải quyết vấn đề này, Chin (1998) đã đề xuất kỹ thuật phân tích dư thừa (redundancy analysis).

Nguyên lý của kỹ thuật này là đo lường cùng một khái niệm bằng hai dạng thang đo: thang đo nguyên nhân (Y_f) và thang đo kết quả (Y_r). Sau đó, thiết lập đường dẫn tác động từ Y_f đến Y_r để đánh giá tính hội tụ. Theo Hair và cộng sự (2017), hệ số đường dẫn cần đạt từ 0.80 trở lên, tương ứng R² ≥ 0.64, để thang đo nguyên nhân được xem là đảm bảo tính hội tụ. Nếu không đạt ngưỡng này, nhà nghiên cứu cần xem xét lại nội dung và các biến quan sát của thang đo.

Khó khăn của redundancy analysis là yêu cầu phải có thang đo kết quả tương ứng. Để đơn giản hóa việc thực hiện, Cheah và cộng sự (2018) đề xuất sử dụng biến quan sát tổng quát (global single item) thay cho một thang đo kết quả gồm nhiều biến quan sát. Biến này đóng vai trò đánh giá tổng thể khái niệm đang nghiên cứu.

Ví dụ, thang đo nguyên nhân Y_f (Sự hài lòng dịch vụ xe ôm) 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), được đo bằng thang Likert 5 mức độ. Để đánh giá tính hội tụ, nghiên cứu bổ sung biến kết quả Y_r với một câu hỏi tổng quát x4 (Nhìn chung, anh/chị hài lòng với dịch vụ xe ôm Grab). Biến tổng quát có thể sử dụng thang đo 7–10 mức độ để ghi nhận đánh giá chi tiết hơn của người trả lời.

Sau khi thiết lập mô hình và chạy thuật toán PLS-SEM Algorithm trong SMARTPLS, chúng ta kiểm tra hệ số R² của biến kết quả. Chẳng hạn, thang đo nguyên nhân CLDV gồm ba biến CLDV1, CLDV2 và CLDV3 có R² = 0.758 > 0.64, cho thấy thang đo đạt yêu cầu về tính hội tụ.

Trường hợp không có biến quan sát tổng quát

Trong thực tế, nhiều nghiên cứu không xây dựng câu hỏi tổng quát ngay từ giai đoạn thiết kế bảng khảo sát. Đây cũng là tình huống xảy ra với thang đo KM trong ví dụ thực hành của bài viết. Do dữ liệu đã được thu thập và không thể tiếp cận lại đúng các đáp viên ban đầu, việc bổ sung biến tổng quát gặp nhiều khó khăn.

Phương án phù hợp nhất là khảo sát bổ sung nếu điều kiện cho phép, đồng thời đảm bảo dữ liệu mới được ghép đúng với từng đáp viên. Trường hợp không thể thu thập bổ sung, chúng ta không nên tự tạo dữ liệu cho biến tổng quát hoặc sử dụng các biến quan sát hiện có để thay thế một cách tùy tiện.

Đối với ví dụ thang đo KM, do không có biến tổng quát và không thể khảo sát bổ sung, phần đánh giá tính hội tụ bằng redundancy analysis không được thực hiện. Hạn chế này cần được trình bày rõ trong nghiên cứu, đồng thời tránh kết luận rằng thang đo KM đã đảm bảo tính hội tụ khi chưa có bằng chứng kiểm định.

6. Tổng hợp các tiêu chí đánh giá mô hình đo lường theo Hair và cộng sự (2017)

Khi đánh giá mô hình đo lường trên SMARTPLS 4, chúng ta cần xác định trước các nhân tố trong mô hình đang sử dụng thang đo kết quả (reflective) hay thang đo nguyên nhân (formative). Đây là hai loại thang đo có bản chất khác nhau, do đó các tiêu chí đánh giá cũng không hoàn toàn giống nhau. Việc áp dụng nhầm tiêu chí có thể dẫn đến kết luận không chính xác hoặc loại bỏ những biến quan sát vẫn có giá trị đối với nghiên cứu.

Theo Hair và cộng sự (2017), đối với thang đo kết quả (reflective), chúng ta cần thực hiện bốn nội dung đánh giá chính gồm chất lượng biến quan sát, độ tin cậy thang đo, tính hội tụ và tính phân biệt. Các ngưỡng đánh giá được tổng hợp như sau:

Riêng đối với hệ số outer loading, chúng ta không nên sử dụng ngưỡng 0.70 như một điều kiện tuyệt đối để loại biến quan sát. Tùy theo giá trị outer loading, việc xử lý được chia thành ba trường hợp:

• Outer loading < 0.40: Biến quan sát có chất lượng thấp và nên được loại khỏi thang đo.
• 0.40 ≤ Outer loading < 0.70: Cần xem xét ảnh hưởng của việc loại biến đến Composite Reliability, AVE và giá trị nội dung của thang đo.
• Outer loading ≥ 0.70: Biến quan sát nhìn chung đáp ứng yêu cầu về chất lượng và có thể được giữ lại.

Đối với độ tin cậy thang đo, ngoài việc đáp ứng ngưỡng tối thiểu, chúng ta cũng cần chú ý những trường hợp Cronbach’s Alpha hoặc Composite Reliability quá cao, đặc biệt là trên 0.95. Giá trị này có thể cho thấy các biến quan sát đang có nội dung đo lường trùng lặp, thay vì phản ánh những khía cạnh khác nhau của cùng một khái niệm.

Đối với thang đo nguyên nhân (formative), quy trình đánh giá tập trung vào tính hội tụ thông qua Redundancy Analysis, tính cộng tuyến giữa các biến quan sát bằng VIF và ý nghĩa thống kê cũng như mức độ đóng góp của outer weight. Chúng ta không sử dụng Cronbach’s Alpha, Composite Reliability hay AVE để đánh giá thang đo nguyên nhân theo cách áp dụng cho thang đo kết quả.

Như vậy, trước khi bắt đầu phân tích, việc xác định đúng loại thang đo là rất quan trọng để lựa chọn các tiêu chí đánh giá phù hợp.

7. Câu hỏi thường gặp khi đánh giá mô hình đo lường SMARTPLS 4

Câu hỏi 1: Outer Loading = 0.60 có được giữ lại không?

Có thể được giữ lại. Theo Hair và cộng sự (2017), biến quan sát có outer loading từ 0.40 đến dưới 0.70 không bắt buộc phải loại ngay. Chúng ta cần xem xét thêm Composite Reliability, AVE và giá trị nội dung của thang đo trước khi đưa ra quyết định. Nếu các tiêu chí liên quan đã đáp ứng yêu cầu và biến quan sát có ý nghĩa về mặt lý thuyết, việc giữ lại vẫn có thể được chấp nhận.

Câu hỏi 2: HTMT = 0.87 có đạt tính phân biệt không?

Điều này phụ thuộc vào ngưỡng đánh giá được lựa chọn. Nếu nghiên cứu sử dụng ngưỡng HTMT < 0.90 thì giá trị 0.87 vẫn đáp ứng yêu cầu. Trường hợp sử dụng ngưỡng chặt hơn là 0.85, giá trị này vượt giới hạn chấp nhận. Vì vậy, chúng ta cần xác định ngưỡng HTMT phù hợp với đặc điểm và mức độ tương đồng về mặt khái niệm giữa các nhân tố.

Câu hỏi 3: Có cần kiểm tra cả HTMT, Fornell–Larcker và Cross Loadings không?

HTMT nên được ưu tiên khi đánh giá tính phân biệt của thang đo kết quả. Fornell–Larcker và Cross Loadings có thể được sử dụng như những tiêu chí bổ sung, đặc biệt khi luận văn hoặc bài báo khoa học yêu cầu trình bày đầy đủ các phương pháp đánh giá truyền thống.

Câu hỏi 4: Thang đo nguyên nhân có cần kiểm tra Cronbach’s Alpha và AVE không?

Không. Thang đo nguyên nhân có bản chất khác với thang đo kết quả nên không sử dụng Cronbach’s Alpha, Composite Reliability và AVE theo cùng cách đánh giá. Thay vào đó, chúng ta cần kiểm tra tính hội tụ bằng Redundancy Analysis, tính cộng tuyến thông qua VIF và ý nghĩa thống kê của outer weight.

Câu hỏi 5: Outer Weight không có ý nghĩa thống kê thì có phải loại biến không?

Không nhất thiết. Khi outer weight có p-value > 0.05, chúng ta cần tiếp tục xem xét outer loading. Nếu outer loading đạt từ 0.50 trở lên, biến quan sát vẫn có thể được giữ lại nếu phù hợp với cơ sở lý thuyết. Trường hợp outer loading cũng dưới 0.50, cần cân nhắc loại biến nhưng vẫn phải xem xét vai trò của biến đối với giá trị nội dung của thang đo.

8. Kết luận

Đánh giá mô hình đo lường trên SMARTPLS 4 là một bước quan trọng nhằm kiểm tra chất lượng các thang đo trước khi tiến hành kiểm định giả thuyết và đánh giá mô hình cấu trúc. Trong quá trình thực hiện, chúng ta cần phân biệt rõ thang đo kết quả (reflective) và thang đo nguyên nhân (formative), bởi mỗi loại thang đo có những tiêu chí và cách đánh giá khác nhau.

Theo Hair và cộng sự (2017), đối với thang đo kết quả, các nội dung cần quan tâm gồm chất lượng biến quan sát thông qua outer loading, độ tin cậy bằng Cronbach’s Alpha và Composite Reliability, tính hội tụ thông qua AVE và tính phân biệt bằng HTMT. Đặc biệt, việc loại biến quan sát không nên chỉ dựa vào một ngưỡng outer loading cố định mà cần xem xét thêm những tiêu chí liên quan và giá trị nội dung của thang đo.
Đối với thang đo nguyên nhân, quy trình đánh giá tập trung vào tính hội tụ, tính cộng tuyến và mức độ đóng góp của các biến quan sát thông qua outer weight và outer loading. Việc áp dụng đúng các tiêu chí sẽ giúp chúng ta hạn chế những sai sót trong quá trình phân tích, đồng thời có cơ sở rõ ràng hơn khi quyết định giữ lại hoặc loại bỏ biến quan sát.

Sau khi mô hình đo lường đáp ứng các yêu cầu cần thiết, chúng ta có thể tiếp tục đánh giá mô hình cấu trúc, kiểm định giả thuyết và thực hiện những phân tích chuyên sâu khác trên SMARTPLS 4.

Tài liệu tham khảo

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Sage Publications.

Pass giải nén: 702422