Đánh giá mô hình đo lường trên SMARTPLS 4

Một cấu trúc thang đo gồm 2 thành phần: biến tiềm ẩn và các biến quan sát. Mối liên hệ giữa giữa biến tiềm ẩn và các biến quan sát có thể ở dạng kết quả hoặc ở dạng nguyên nhân (xem 2 dạng quan hệ này ở bài viết Mô hình nguyên nhân (formative) và kết quả (reflective) trong PLS-SEM).

Thang đo kết quả và thang đo nguyên nhân có đặc điểm khác biệt nhau hoàn toàn, chính vì vậy mà cách xử lý, đánh giá cũng khác nhau. Do vậy, khi xây dựng thang đo cho một nhân tố, các bạn cần phải xác định đúng đó là dạng kết quả hay nguyên nhân. Đa phần, các thang đo thường ở dạng kết quả.

PHẦN 1:

PHẦN 2:

Để đánh giá mô hình đo lường trên SMARTPLS 4 (khá tương tự như CFA trên AMOS), chúng ta đánh giá các yếu tố:

Xét mô hình nghiên cứu gồm 6 nhân tố, 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. Chất lượng biến quan sát

Việc đánh giá chất lượng biến quan sát nhằm kiểm tra xem trong một cấu trúc nhân tố, có biến quan sát nào giải thích kém cho biến tiềm ẩn mẹ hay không. Từ đó chúng ta sẽ loại bỏ các biến quan sát yếu ra, chỉ giữ lại các biến đại diện tốt cho biến tiềm ẩn.

Hair và cộng sự (2017), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), đưa ra cách đánh giá chất lượng biến quan sát cho 2 loại thang đo đo lường như sau:

– Với thang đo kết quả reflective: Để đánh giá biến quan sát kết quả có ý nghĩa hay không, chúng ta sẽ phân tích PLS-SEM algorithm để lấy kết quả hệ số tải ngoài (outer loading). Hair và cộng sự khuyến nghị hệ số outer loading để biến quan sát có ý nghĩa tốt là từ 0.7 trở lên. Nhóm tác giả này cho rằng outer loading dưới 0.4 biến quan sát cần được loại bỏ khỏi mô hình. Khi hệ số này 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 (composite reliability – CR) và tính hội tụ (convergent validity, ví dụ hệ số AVE) của nhân tố đó.

• Nếu giá trị 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.
• Nếu 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.

– Với thang đo nguyên nhân formative: Để đánh giá biến quan sát nguyên nhân có ý nghĩa hay không, chúng ta sẽ đánh giá qua trọng số ngoài (outer weight). Chúng ta sẽ phải kiểm định ý nghĩa của outer weight thông qua kỹ thuật bootstrapping. Nếu sử dụng mức ý nghĩa 5%, giá trị p-value kiểm định t sự tác động của biến quan sát nguyên nhân nhỏ hơn 0.05 cho thấy biến quan sát đó có ý nghĩa, nếu p-value lớn hơn 0.05, chúng ta chưa vội kết luận biến bậc một không có ý nghĩa giải thích cho biến bậc hai mà cần xét tiếp hệ số tải ngoài outer loading của biến bậc một này.

Khi trọng số ngoài của biến quan sát nguyên nhân không có ý nghĩa thống kê nhưng hệ số tải ngoài (outer loading) trên 0.5, biến quan sát có ý nghĩa giải thích cho biến mẹ. Nếu biến quan sát có p-value ở outer weights lớn hơn 0.05 + hệ số tải ngoài cũng nhỏ hơn 0.5, biến quan sát không có ý nghĩa giải thích cho biến mẹ và nên được loại bỏ.

Mô hình ví dụ vừa có thang đo nguyên nhân, vừa có thang đo kết quả, chúng ta sẽ sử dụng cả 2 phân tích PLS-SEM algorithm và Bootstrapping để đánh giá chất lượng biến quan sát.

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.

Ngoại trừ KM là thang đo nguyên nhân, chúng ta chưa đọc kết quả outer loading, các thang đo còn lại đều ở dạng kết quả, chúng ta sẽ đánh giá chất lượng biến quan sát dựa vào outer loading.

Đề tài 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. Kết quả cho thấy biến BH6 và QH1 có outer loading dưới 0.7 nên hai biến này sẽ được loại bỏ khỏi diagram và phân tích lại lần 2.

1.2 Chất lượng biến quan sát thang đo nguyên nhân

Thực hiện bootstrapping với subsamples = 1000, từ phần kết quả nhấp vào mục Outer weights để xem kết quả trọng số ngoài.

Kết quả kiểm định cho thấy ba biến quan sát KM1, KM2, KM3 có ý nghĩa thống kê, riêng biến KM4 không có ý nghĩa thống kê nên 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 này được chấp nhận. Như vậy, toàn bộ bốn biến quan sát của KM đều có ý nghĩa.

Qua phần đánh giá chất lượng biến quan sát của mô hình, tổng kết lại có hai biến quan sát có ý nghĩa thấp cần được loại bỏ là BH6 và QH1. Bỏ hai biến này khỏi diagram, và phân tích lại lần 2. Lưu ý rằng, khi loại biến quan sát hoặc loại cấu trúc nhân tố thì chúng ta cần nhân diagram cũ lên rồi bỏ biến ở diagram mới, phân tích lại trên diagram mới, vẫn phải giữ nguyên diagram cũ. Cách thực hiện bạn xem video trong bài viết Vẽ mô hình, xuất/nhập dự án trên SMARTPLS 4.

2. Độ tin cậy thang đo (Reliability)

SMARTPLS 4 cung cấp ba chỉ số đánh giá độ tin cậy thang đo hay độ tin cậy nhất quán nội bộ là Cronbach’s alpha, Composite reliability rho_a, Composite reliability rho_c (CR). Hair và cộng sự (2017) đề xuất tập trung vào hai chỉ số: Cronbach’s alpha và Composite reliability rho_c.

Theo nhóm tác giả này, hệ số đánh giá độ tin cậy truyền thống Cronbach’s alpha có nhiều nhược điểm và 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.

Cách đánh giá 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 có thể đang xảy ra tình trạng trùng lặp biến quan sát.

Cronbach’s alpha đánh giá quá thấp độ tin cậy, ở mặt ngược lại, Composite reliability lại đánh giá quá cao độ tin cậy. Do vậy, khi đánh giá kết quả, chúng ta nên trình bày cả hai chỉ số, giá trị độ tin cậy hợp lý thường nằm ở khoảng giữa của Cronbach’s alpha và Composite reliability.

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

Kết quả cho thấy toàn bộ các cấu trúc nhân tố đều có độ tin cậy tốt khi hệ số độ tin cậy Cronbach’s alpha và hệ số độ tin cậy tổng hợp Composite reliability (rho_c) đều lớn hơn 0.7. Trong bảng kết quả không có nhân tố KM vì đây là thang đo nguyên nhân. Cũng từ kết quả này chúng ta có thể thấy rằng, độ tin cậy tổng hợp Composite reliability (rho_c) sẽ lớn hơn độ tin cậy Cronbach’s alpha.

Trường hợp xuất hiện cấu trúc nhân tố có độ tin cậy vi phạm ngưỡng tối thiểu, chúng ta sẽ loại dần các biến quan sát có hệ số tải ngoài outer loading thấp nhất trong nhóm (với thang đo kết quả) rồi phân tích lại.

Quá trình loại biến được thực hiện lặp đi lặp lại tới khi nhân tố đạt được độ tin cậy thì dừng. Nếu loại biến 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. Nếu loại biến 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 DVS 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

Giá trị phân biệt cho thấy tính khác biệt của một cấu trúc khi so sánh với các cấu trúc khác 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

Phương pháp này cho rằng 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 của biến quan sát đó với tất cả những nhân tố khác trong mô hình. Chi tiết bạn xem ở bài viết Đánh giá tính phân biệt qua bảng Cross-Loading trong SMARTPLS.

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. Kết quả từ ví dụ thực hành cho thấy phần lớn các biến quan sát đều hệ số cross-loading thấp hơn nhiều so với hệ số outer loading. Riêng nhóm NB thì các biến quan sát NB1-NB4 đang có cross-loading tương đối cao (> 0.5), cần xem xét kỹ hơn tính phân biệt của NB với các nhân tố khác.

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

Phương pháp cho rằng tính phân biệt sẽ được đảm bảo khi căn bậc hai chỉ số 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. Chi tiết bạn xem ở bài viết Đánh giá tính phân biệt thang đo bằng bảng Fornell and Larcker.

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

Phần bôi vàng chính là căn bậc hai chỉ số AVE của các 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 là tương quan giữa các nhân tố với nhau.

Khi đọc kết quả, chúng ta sẽ xét hệ số tương quan của một cặp biến có nhỏ hơn 2 giá trị căn bậc hai AVE của cặp biến đó không, nếu có thì 2 biến này đảm bảo tính phân biệt, ngược lại vi phạm tính phân biệt. Ví dụ:

• Tương quan của BH và NB là 0.641
• Căn bậc hai AVE của BH là 0.797
• Căn bậc hai AVE của NB là 0.882

Do 0.641 nhỏ hơn 0.797 và 0.882, nên BH và NB đảm bảo tính phân biệt.

Kết quả từ ví dụ thực hành cho thấy toàn bộ các nhân tố trong mô hình đều đảm bảo tính phân biệt khi không có hệ số tương quan của cặp nhân tố nào lớn hơn 2 giá trị căn bậc hai AVE của cặp nhân tố đó.

c. Đánh giá tính phân biệt bằng bảng HTMT

Nghiên cứu gần đây của Henseler và cộng sự (2015) đã chỉ ra những vấn đề về tính chính xác của hai phương pháp trước. Đồng thời, nhóm tác giả đã đề xuất đánh giá tính phân biệt thang đo bằng chỉ số heterotrait-monotrait ratio (HTMT). 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.

Cơ sở đánh giá tính phân biệt bằng HTMT sẽ dựa trên ý tưởng: Hệ số tương quan trung bình trong nội bộ một thang đo càng lớn hơn trung bình các hệ số tương quan chéo càng tốt. Khi hệ số tương quan trung bình trong nội bộ một thang đo càng cao, biển tiềm ẩn chia sẻ sự biến động càng lớn trong nội bộ của thang đo đó. Nếu trung bình của các hệ số tương quan chéo càng thấp chứng tỏ biến tiềm ẩn vừa nêu càng ít chia sẻ sự biến động tới biển tiềm ẩn khác. Khi đó, các chỉ báo ở hai biến tiềm ẩn sẽ đạt được giá trị phân biệt.

Henseler và cộng sự (2015) cho rằng, nếu chỉ số HTMT của một cặp 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.

Để xem kết quả bảng HTMT trên SMARTPLS 4, từ 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. 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

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

5.1 Tính cộng tuyến biến quan sát thang đo kết quả

Không giống như ở thang đo kết quả, các biến quan sát trong thang đo nguyên nhân được kỳ vọng không có tương quan cao với nhau. Sự tương quan cao của một cặp biến quan sát bất kỳ trong thang đo nguyên nhân sẽ chỉ ra rằng việc xây dựng biến quan sát của thang đo nguyên nhân đang có vấn đề. Bởi vì với thang đo nguyên nhân, các biến quan sát mang một ý nghĩa tách biệt nhau và có vai trò riêng của nó trong thang đo, không thay thế cho nhau được. Khi xảy ra sự cộng tuyến giữa các biến quan sát thang đo nguyên nhân sẽ làm sai lệch nhiều kết quả phân tích.

Hair và cộng sự (2011), PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, cho 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.

Để xem kết quả hệ số VIF của biến quan sát trên SMARTPLS 4, từ 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.