Phân tích mô hình đo lường (measurement model) SMARTPLS 4

Một cấu trúc thang đo bao gồm hai thành phần cơ bản là biến tiềm ẩn và các biến quan sát. Mối quan hệ giữa biến tiềm ẩn và các biến quan sát có thể được thiết lập theo dạng kết quả (reflective) hoặc dạng nguyên nhân (formative).

Hai loại thang đo này có bản chất và đặc điểm hoàn toàn khác nhau, do đó cách xử lý và phương pháp đánh giá cũng không giống nhau. Vì vậy, trong quá trình xây dựng thang đo cho một nhân tố, nhà nghiên cứu cần xác định chính xác loại thang đo đang sử dụng là thang đo kết quả hay thang đo nguyên nhân. Trong thực tế nghiên cứu, phần lớn các thang đo được xây dựng theo dạng kết quả.

VIDEO HƯỚNG DẪN PHẦN 1:

VIDEO HƯỚNG DẪN PHẦN 2:

Để đánh giá mô hình đo lường (measurement model) trong SMARTPLS 4, với cách tiếp cận khá tương đồng với CFA trong AMOS, chúng ta lần lượt xem xét các nội dung sau:

Trong mô hình nghiên cứu gồm sáu nhân tố, nhân tố KM được xây dựng theo thang đo nguyên nhân (formative), trong khi các nhân tố còn lại đều được đo lường theo thang đo kết quả (reflective).

Khi biểu diễn mô hình nghiên cứu trên diagram của SMARTPLS, cần đặc biệt lưu ý khai báo nhân tố KM theo thang đo nguyên nhân (formative). Để lựa chọn dạng thang đo reflective hay formative, người dùng nhấp đúp vào biến tiềm ẩn, sau đó chọn loại thang đo phù hợp tại mục Measurement model, rồi nhấn Apply để xác nhận.

Sau khi thiết lập, trên diagram, nhân tố KM sẽ được thể hiện bằng các mũi tên hướng từ các biến quan sát vào biến tiềm ẩn, phản ánh đặc trưng của thang đo nguyên nhân. Trong khi đó, các nhân tố còn lại được xây dựng theo thang đo kết quả, nên mũi tên sẽ hướng từ biến tiềm ẩn ra các biến quan sát.

1. Chất lượng 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.

Việc đánh giá chất lượng biến quan sát nhằm xác định xem trong một cấu trúc nhân tố có tồn tại biến quan sát nào giải thích kém cho biến tiềm ẩn hay không. Trên cơ sở đó, nhà nghiên cứu sẽ loại bỏ các biến quan sát yếu, chỉ giữ lại những biến đại diện tốt và có ý nghĩa cho biến tiềm ẩn.

Theo Hair và cộng sự (2017) trong A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), cách đánh giá chất lượng biến quan sát khác nhau tùy theo loại thang đo, cụ thể như sau:

a. Đối với thang đo kết quả (reflective)

Chất lượng biến quan sát được đánh giá thông qua hệ số tải ngoài (outer loading), thu được từ kết quả phân tích PLS-SEM Algorithm. Hair và cộng sự khuyến nghị rằng biến quan sát có outer loading từ 0.7 trở lên được xem là có ý nghĩa tốt. Những biến có outer loading dưới 0.4 nên được loại bỏ khỏi mô hình. Trường hợp outer loading nằm trong khoảng từ 0.4 đến dưới 0.7, quyết định giữ hay loại biến sẽ phụ thuộc vào đánh giá của nhà nghiên cứu, kết hợp với các chỉ số khác như độ tin cậy tổng hợp (Composite Reliability – CR) và tính hội tụ (ví dụ chỉ số AVE) của nhân tố.

Cụ thể, nếu CR hoặc AVE chưa đạt ngưỡng đề nghị và việc loại bỏ biến quan sát có outer loading thấp giúp các chỉ số này tăng lên và đạt ngưỡng chấp nhận, thì biến quan sát đó nên được loại bỏ. Ngược lại, nếu CR và AVE đều đã đạt yêu cầu, và biến quan sát có outer loading từ 0.4 đến dưới 0.7 nhưng được đánh giá là quan trọng về mặt nội dung, nhà nghiên cứu có thể giữ lại biến quan sát này.

b. Đối với thang đo nguyên nhân (formative)

Chất lượng biến quan sát được đánh giá chủ yếu thông qua trọng số ngoài (outer weight). Ý nghĩa của outer weight cần được kiểm định bằng kỹ thuật bootstrapping. Với mức ý nghĩa 5%, nếu p-value nhỏ hơn 0.05, biến quan sát nguyên nhân được xem là có ý nghĩa. Nếu p-value lớn hơn 0.05, chưa thể vội kết luận biến quan sát không có ý nghĩa mà cần xem xét thêm hệ số tải ngoài (outer loading) của biến đó.

Trong trường hợp outer weight không có ý nghĩa thống kê nhưng outer loading lớn hơn 0.5, biến quan sát vẫn được xem là có ý nghĩa giải thích cho biến tiềm ẩn và có thể được giữ lại. Ngược lại, nếu p-value của outer weight lớn hơn 0.05 và outer loading cũng nhỏ hơn 0.5, biến quan sát được xem là không có ý nghĩa giải thích và nên được loại bỏ khỏi mô hình.

Do mô hình ví dụ đồng thời bao gồm thang đo kết quả và thang đo nguyên nhân, nên cần sử dụng cả hai kết quả phân tích PLS-SEM Algorithm và Bootstrapping để đánh giá đầy đủ chất lượng các 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 và KM3 đều có ý nghĩa thống kê, trong khi biến KM4 không đạt ý nghĩa thống kê. Do đó, cần tiếp tục xem xét hệ số tải ngoài (outer loading) của biến KM4. Dựa trên kết quả bảng outer loading ở bước trước, biến KM4 có outer loading bằng 0.693, lớn hơn ngưỡng 0.5, nên vẫn được chấp nhận. Như vậy, cả bốn biến quan sát của thang đo KM đều được giữ lại và được xem là có ý nghĩa trong mô hình.

Tổng hợp kết quả đánh giá chất lượng biến quan sát của toàn bộ mô hình cho thấy hai biến quan sát có mức ý nghĩa thấp cần loại bỏ là BH6 và QH1. Sau khi loại hai biến này khỏi diagram, mô hình được phân tích lại ở lần thứ hai.

Cần lưu ý rằng, khi loại bỏ biến quan sát hoặc cấu trúc nhân tố, người nghiên cứu nên nhân bản diagram ban đầu, thực hiện việc loại biến trên diagram mới, rồi tiến hành phân tích lại. Diagram gốc vẫn cần được giữ nguyên để phục vụ đối chiếu và theo dõi quá trình hiệu chỉnh mô hình. Cách thực hiện chi tiết có thể tham khảo trong video hướng dẫn tại bài viết Vẽ mô hình nghiên cứu lên diagram SMARTPLS 4.

2. Độ tin cậy thang đo (Reliability)

SMARTPLS 4 cung cấp ba chỉ số để đánh giá độ tin cậy thang đo, hay còn gọi là độ tin cậy nhất quán nội bộ, bao gồm Cronbach’s alpha, Composite reliability rho_a và Composite reliability rho_c (CR). Theo Hair và cộng sự (2017), trong thực hành nghiên cứu nên tập trung chủ yếu vào hai chỉ số là Cronbach’s alpha và Composite reliability rho_c.

Nhóm tác giả này cho rằng Cronbach’s alpha, dù là chỉ số đánh giá độ tin cậy truyền thống, nhưng tồn tại nhiều hạn chế và thường đánh giá thấp hơn độ tin cậy thực sự của thang đo. Do đó, Composite reliability rho_c được xem là chỉ số phù hợp hơn để phản ánh độ tin cậy trong bối cảnh PLS-SEM.

Cách diễn giải Composite reliability tương tự như Cronbach’s alpha. Giá trị của chỉ số này dao động từ 0 đến 1 (trường hợp xuất hiện giá trị âm thường cho thấy dữ liệu có vấn đề). Giá trị càng tiến về 0 thì độ tin cậy càng thấp, càng tiến về 1 thì độ tin cậy càng cao. Theo Nunally và Bernstein (1994), Composite reliability từ 0.6 đến 0.7 có thể chấp nhận đối với các nghiên cứu mang tính khám phá, trong khi khoảng từ 0.7 đến 0.9 được xem là mức tối ưu. Ngược lại, nếu Composite reliability lớn hơn 0.95, có thể tồn tại hiện tượng trùng lặp nội dung giữa các biến quan sát.

Do Cronbach’s alpha có xu hướng đánh giá thấp, trong khi Composite reliability lại có xu hướng đánh giá cao độ tin cậy, nên khi trình bày kết quả, nhà nghiên cứu nên báo cáo đồng thời cả hai chỉ số. Trên thực tế, mức độ tin cậy hợp lý của thang đo thường nằm trong khoảng giữa giá trị của Cronbach’s alpha và Composite reliability.

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

Kết quả phân tích cho thấy tất cả các cấu trúc nhân tố trong mô hình đều đạt độ tin cậy tốt, khi Cronbach’s alpha và Composite reliability (rho_c) đều lớn hơn 0.7. Trong bảng kết quả không xuất hiện nhân tố KM do đây là thang đo nguyên nhân, nên không được đánh giá độ tin cậy theo các chỉ số này. Đồng thời, kết quả cũng cho thấy Composite reliability (rho_c) luôn có giá trị cao hơn Cronbach’s alpha, phù hợp với đặc điểm của hai chỉ số này.

Trong trường hợp xuất hiện cấu trúc nhân tố không đạt ngưỡng độ tin cậy tối thiểu, quy trình xử lý là loại bỏ lần lượt các biến quan sát có hệ số tải ngoài (outer loading) thấp nhất trong nhóm đối với thang đo kết quả, sau đó phân tích lại mô hình.

Việc loại biến được thực hiện lặp đi lặp lại cho đến khi nhân tố đạt được độ tin cậy yêu cầu thì dừng. Nếu sau khi loại biến, nhân tố vẫn còn tối thiểu hai biến quan sát và đạt ngưỡng độ tin cậy, có thể kết luận thang đo đảm bảo độ tin cậy. Ngược lại, nếu nhân tố chỉ còn hai biến quan sát nhưng vẫn không đạt ngưỡng độ tin cậy, thì thang đo được xem là không đạt yêu cầu và toàn bộ nhân tố cần được loại khỏi diagram nghiên cứu.

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 của thang đo kết quả trong SMARTPLS, nghiên cứu sử dụng 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, chỉ số 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 các biến có hệ số tải ngoài thấp. Trong thực tế, có thể xảy ra trường hợp một biến quan sát có outer loading thấp (chẳng hạn dưới 0.4), nhưng do các biến còn lại có hệ số tải ngoài cao nên AVE vẫn đạt ngưỡng 0.5. Vì vậy, trước khi đánh giá AVE, cần thực hiện đánh giá chất lượng biến quan sát và độ tin cậy thang đo, nhằm loại bỏ những biến quan sát không có ý nghĩa.

Khi một thang đo có AVE nhỏ hơn 0.5, quy trình xử lý thường là loại bỏ lần lượt các biến quan sát có outer loading thấp nhất để cải thiện giá trị AVE. Việc loại biến được thực hiện lặp đi lặp lại cho đến khi nhân tố đạt được tính hội tụ thì dừng. Nếu sau khi loại biến, nhân tố vẫn còn tối thiểu hai biến quan sát và AVE đạt từ 0.5 trở lên, 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 ngưỡng yêu cầu, thì thang đo được xem là vi phạm tính hội tụ và toàn bộ nhân tố cần được loại khỏi diagram 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 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

Do đặc điểm của thang đo nguyên nhân (formative) là các biến quan sát không giả định có mối tương quan với nhau, nên việc đánh giá tính hội tụ của loại thang đo này trở nên khó khăn hơn so với thang đo kết quả. Nhằm giải quyết vấn đề đó, 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 đồng thời dưới hai dạng thang đo, bao gồm thang đo nguyên nhân và thang đo kết quả. Biến tiềm ẩn khi đo bằng thang đo nguyên nhân được ký hiệu là Y_f, còn khi đo bằng thang đo kết quả được ký hiệu là Y_r. Sau đó, tiến hành phân tích mối quan hệ tác động với Y_f là biến độc lập và Y_r là biến phụ thuộc. Mức độ giải thích của mối quan hệ từ Y_f lên Y_r, thể hiện thông qua giá trị R2, được sử dụng làm thước đo đánh giá tính hội tụ của thang đo nguyên nhân. Theo Hair và cộng sự (2017), nếu R2 đạt từ 0.64 trở lên thì thang đo nguyên nhân được xem là đảm bảo tính hội tụ. Ngược lại, khi R2 nhỏ hơn 0.64, thang đo nguyên nhân bị xem là vi phạm tính hội tụ và không đáp ứng yêu cầu cần thiết cho phân tích. Trong trường hợp này, nhà nghiên cứu cần xem xét lại cơ sở lý thuyết, điều chỉnh hoặc bổ sung các biến quan sát cho đến khi thang đo đạt được tính hội tụ.

Về mặt lý thuyết, cách tiếp cận của phân tích dư thừa là hợp lý. Tuy nhiên, trong thực tiễn nghiên cứu, nhiều thang đo được xây dựng theo dạng nguyên nhân chính là do khó hoặc không thể xây dựng được thang đo kết quả tương ứng. Trong khi đó, kỹ thuật phân tích dư thừa lại yêu cầu bắt buộc phải có thang đo kết quả để đánh giá thang đo nguyên nhân, khiến phương pháp này vẫn tồn tại nhiều hạn chế khi áp dụng.

Nhận thức được 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, Y_r chỉ bao gồm một biến quan sát duy nhất, và biến này chính là biến tổng quát đại diện cho toàn bộ 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, bao 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 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 số mức nhiều 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 tiến hành 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 PLS-SEM Algorithm 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 trong quá trình thiết kế bảng câu hỏi khảo sát, tôi không xây dựng câu hỏi tổng quát (global single variable) cho nhóm KM. Ở giai đoạn phân tích, việc liên hệ 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, vấn đề đặt ra là cách xử lý phù hợp.

Trên 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 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 khó tránh khỏi. Nếu có điều kiện tiến hành khảo sát bổ sung, đây là phương án tối ưu để có thể đánh giá đầy đủ tính hội tụ của thang đo nguyên nhân. Ngược lại, trong trường hợp 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 tôi, 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

Giá trị phân biệt phản ánh mức độ khác biệt về mặt khái niệm của một cấu trúc so với các cấu trúc còn lại trong mô hình nghiên cứu. Trong SMARTPLS 4, tính phân biệt của thang đo được đánh giá thông qua ba phương pháp, 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 này cho rằng tính phân biệt được đảm bảo khi hệ số tải ngoài (outer loading) của một biến quan sát trên nhân tố mà nó thuộc về lớn hơn tất cả các hệ số tải chéo (cross-loading) của chính biến quan sát đó lên các 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 được bôi vàng trong bảng thể hiện hệ số tải ngoài (outer loading) của biến quan sát, trong khi các ô 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 có hệ số cross-loading thấp hơn đáng kể so với hệ số outer loading, phản ánh tính phân biệt tương đối tốt. Tuy nhiên, đối với nhóm NB, các biến quan sát từ NB1 đến NB4 có giá trị cross-loading khá cao (lớn hơn 0.5), do đó cần được xem xét kỹ hơn về tính phân biệt giữa nhân tố NB và các nhân tố còn lại trong mô hình.

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

Theo tiêu chí Fornell–Larcker, tính phân biệt của một nhân tố được xem là đảm bảo khi giá trị căn bậc hai của chỉ số AVE của nhân tố đó lớn hơn toàn bộ các hệ số tương quan giữa nhân tố này với các nhân tố còn lại trong mô hình.

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.

Trong bảng Fornell–Larcker, các ô được bôi vàng thể hiện giá trị căn bậc hai của chỉ số AVE tương ứng với từng nhân tố, chẳng hạn như căn bậc hai AVE của BH là 0.797, 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 hệ số tương quan giữa các nhân tố.

Khi đọc kết quả, nguyên tắc đánh giá là so sánh hệ số tương quan của một cặp nhân tố với giá trị căn bậc hai AVE của từng nhân tố trong cặp đó. Nếu hệ số tương quan nhỏ hơn cả hai giá trị căn bậc hai AVE, thì cặp nhân tố này đảm bảo tính phân biệt; ngược lại, nếu hệ số tương quan lớn hơn hoặc bằng một trong hai giá trị căn bậc hai AVE, thì tính phân biệt bị vi phạm.

Ví dụ, hệ số tương quan giữa BH và NB là 0.641, trong khi căn bậc hai AVE của BH là 0.797 và của NB là 0.882. Do 0.641 nhỏ hơn cả 0.797 và 0.882, nên có thể kết luận rằng BH và NB đảm bảo tính phân biệt.

Kết quả từ ví dụ thực hành cho thấy tất cả các nhân tố trong mô hình đều đạt tính phân biệt, khi không tồn tại cặp nhân tố nào có hệ số tương quan vượt quá giá trị căn bậc hai AVE tương ứng của các nhân tố đó.

c. Đánh giá tính phân biệt bằng bảng HTMT

Nghiên cứu của Henseler và cộng sự (2015) đã chỉ ra rằng hai phương pháp đánh giá tính phân biệt truyền thống vẫn còn tồn tại những hạn chế về độ chính xác. Trên cơ sở đó, nhóm tác giả đã đề xuất một cách tiếp cận mới để đánh giá tính phân biệt của thang đo, đó là chỉ số HTMT (heterotrait–monotrait ratio).

Nguyên lý đánh giá tính phân biệt bằng HTMT dựa trên ý tưởng rằng mức độ tương quan trung bình giữa các biến quan sát thuộc cùng một thang đo cần lớn hơn đáng kể so với mức độ tương quan trung bình giữa các biến quan sát thuộc những thang đo khác nhau. Khi các biến quan sát trong cùng một thang đo có mức độ tương quan cao, điều này cho thấy biến tiềm ẩn chia sẻ phần lớn sự biến thiên trong nội bộ thang đo đó. Ngược lại, khi mức độ tương quan chéo giữa các thang đo thấp, điều này phản ánh rằng các biến tiềm ẩn ít chia sẻ sự biến thiên với nhau, từ đó đảm bảo được giá trị phân biệt.

Theo Henseler và cộng sự (2015), nếu giá trị HTMT của một cặp nhân tố lớn hơn 0.9, thì tính phân biệt bị vi phạm. Ngược lại, khi giá trị HTMT nhỏ hơn 0.85, tính phân biệt được xem 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.

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

Khác với thang đo kết quả, các biến quan sát trong thang đo nguyên nhân được kỳ vọng không có mối tương quan cao với nhau. Khi xuất hiện sự tương quan mạnh giữa bất kỳ cặp biến quan sát nào, điều đó cho thấy việc xây dựng thang đo nguyên nhân đang gặp vấn đề. Nguyên nhân là do trong thang đo nguyên nhân, mỗi biến quan sát đại diện cho một khía cạnh riêng biệt, có vai trò độc lập và không thể thay thế lẫn nhau. Nếu xảy ra hiện tượng cộng tuyến giữa các biến quan sát, các ước lượng trong mô hình sẽ bị sai lệch, ảnh hưởng đến độ tin cậy của kết quả phân tích.

Theo Hair và cộng sự (2011), nếu giá trị VIF của biến quan sát nguyên nhân lớn hơn hoặc bằng 5, có thể kết luận rằng thang đo đang tồn tại vấn đề cộng tuyến. Để khắc phục, nhà nghiên cứu cần 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 chưa được khắc phục, thì thang đo được xem là vi phạm điều kiện cộng tuyến và toàn bộ nhân tố cần được loại khỏi diagram nghiên cứu.

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.

Nguồn:

Hair và cộng sự (2017), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)

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

Chin, W. W. (1998), The partial least squares approach to structural equation modeling. Modern Methods for Business Research

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