Hướng dẫn đánh giá mô hình đo lường trong SMARTPLS 3

Trong phân tích SEM-PLS, đánh giá mô hình đo lường (Measurement Model) là bước bắt buộc trước khi xem xét mô hình cấu trúc và kiểm định giả thuyết. Mục tiêu của bước này là kiểm tra xem các thang đo có đạt độ tin cậy và giá trị đo lường hay không. Nếu mô hình đo lường không đạt yêu cầu, toàn bộ kết quả phân tích SEM-PLS phía sau sẽ không còn ý nghĩa khoa học.

Bài viết này của RESDATA sẽ hướng dẫn chi tiết cách đánh giá mô hình đo lường trong SmartPLS 3, tập trung vào các chỉ số quan trọng như Outer Loadings, Cronbach’s Alpha, Composite Reliability (CR), AVE, HTMT, đồng thời hướng dẫn cách đọc và trình bày kết quả đúng chuẩn luận văn, khóa luận và bài báo khoa học.

1. Tổng quan mô hình đo lường trong SEM-PLS

Trong SEM-PLS, mô hình đo lường mô tả mối quan hệ giữa biến tiềm ẩn (latent variables) và các biến quan sát (indicators). Nói cách khác, mô hình đo lường trả lời câu hỏi: các biến quan sát có đo lường tốt khái niệm nghiên cứu hay không.

SmartPLS 3 hỗ trợ hai dạng mô hình đo lường phổ biến là Reflective và Formative, tuy nhiên trong hầu hết các nghiên cứu xã hội, kinh tế và quản trị, mô hình đo lường Reflective được sử dụng nhiều nhất. Vì vậy, nội dung bài viết này tập trung vào cách đánh giá mô hình đo lường Reflective trong SmartPLS 3.

Để đánh giá mô hình đo lường kết quả trên SMARTPLS 3 (khá tương tự như CFA trên AMOS), chúng ta đánh giá các yếu tố:

Mỗi biến tiềm ẩn trong mô hình được đo thông qua tập hợp biến quan sát:

Tiến hành biểu diễn mô hình nghiên cứu lý thuyết lên diagram SMARTPLS 3. Cách sử dụng các công cụ của phần mềm để vẽ diagram bạn xem tại bài viết này. 

2. Chạy PLS Algorithm để đánh giá mô hình đo lường

 Trên thanh menu, chọn Calculate > PLS Algorithm.

Sau đó giữ nguyên các thông số mặc định và nhấn Start Calculation.

Output kết quả PLS Algorithm xuất hiện, chúng ta sẽ quan tâm đến 3 mục như ảnh bên dưới.

• Mục số 1, Export to Excel, Web, R để chúng ta xuất kết quả output ra file excel, file html hoặc định dạng của phần mềm R.
• Mục số 2 là giao diện hiển thị kết quả khi chúng ta nhấp vào các đầu mục kết quả ở mục 3.
• Mục số 3 là danh sách các kết quả phân tích mô hình.

3. Chất lượng biến quan sát của các nhân tố

Bước đầu tiên trong đánh giá mô hình đo lường trên SMARTPLS, chúng ta sẽ đánh giá độ tin cậy của các biến quan sát thông qua hệ số tải outer loading trước.

Về bản chất, outer loading trong SMARTPLS chính là căn bậc hai trị tuyệt đối giá trị R² của phép hồi quy tuyến tính từ biến tiềm ẩn mẹ lên biến quan sát con. Ví dụ, biến tiềm ẩn A được đo bằng ba biến quan sát A1, A2, A3. Hệ số tải ngoài của biến quan sát A1 = 0.782 nghĩa là phép hồi quy từ A tác động lên A1 cho giá trị R² = (0.782)² = 0.612, tức biến tiềm ẩn A giải thích được 61.2% sự biến thiên của biến quan sát A1.

Hair và cộng sự (2016) cho rằng hệ số tải ngoài (outer loading) cần lớn hơn hoặc bằng 0.708 thì biến quan sát đó được xem là đạt chất lượng. Lý do là vì 0.708² = 0.5, nghĩa là biến tiềm ẩn đã giải thích được 50% sự biến thiên của biến quan sát. Theo quan điểm của Hair và cộng sự, một biến quan sát con được đánh giá là chất lượng khi biến tiềm ẩn mẹ giải thích được tối thiểu 50% sự thay đổi của biến quan sát đó.

Để dễ ghi nhớ, các nhà nghiên cứu thường làm tròn ngưỡng này thành 0.7 thay vì sử dụng giá trị lẻ 0.708. Trong ví dụ bên dưới, không có biến quan sát nào có hệ số tải ngoài nhỏ hơn 0.7, do đó toàn bộ các biến đều được giữ lại.

Mặc dù có nhiều quan điểm khác nhau được đưa ra khi đánh giá chất lượng biến quan sát qua chỉ số outer loading. Kết quả ở các nghiên cứu đó đưa ra những ngưỡng outer loading khác nhau, tuy nhiên, ngưỡng 0.7 là ngưỡng được dùng phổ biến nhất ở đại đa số các trường hợp. Một biến quan sát có outer loading dưới 0.7 nên được loại bỏ và phân tích lại mô hình.

Outer Loading ≥ 0.7 (Hair và cộng sự, 2016)

Để xem giá trị hệ số tải ngoài outer loading trên SMARTPLS, chúng ta chọn dòng Outer Loadings ở mục 3.

4. Độ tin cậy thang đo (Reliability)

Bước thứ hai trong đánh giá mô hình đo lường SMARTPLS, chúng ta đánh giá độ tin cậy thang đo trên SMARTPLS qua hai chỉ số chính là Cronbach Alpha và Composite Reliability . Độ tin cậy Cronbach Alpha chúng ta đã làm quen trên SPSS. Trong SMARTPLS chỉ số này được tính toán tương tự và ngưỡng chấp nhận cũng như trên SPSS. 

Độ tin cậy tổng hợp Composite Reliability (CR) được nhiều nhà nghiên cứu ưu tiên lựa chọn hơn Cronbach's Alpha bởi Cronbach's Alpha đánh giá thấp độ tin cậy hơn so với CR. Chin (1998) cho rằng trong nghiên cứu khám phá, CR phải từ 0.6 trở lên. Với các nghiên cứu khẳng định, ngưỡng 0.7 là mức phù hợp của chỉ số CR (Henseler & Sarstedt, 2013). Nhiều nhà nghiên cứu khác cũng đồng ý mức 0.7 là ngưỡng đánh giá phù hợp cho đại đa số trường hợp như Hair và cộng sự (2016), Bagozzi & Yi (1988).

Nếu một thang đo không đạt ngưỡng độ tin cậy, cần loại lần lượt từng biến quan sát có outer loading thấp nhất để cải thiện độ tin cậy. Nếu đã loại hết biến không đủ điều kiện nhưng thang đo vẫn không đạt ngưỡng độ tin cậy, chúng ta sẽ kết luận thang đo không đảm bảo độ tin cậy và không sử dụng thang đo đó cho các phân tích định lượng phía sau.

Cronbach's Alpha ≥ 0.7 (DeVellis, 2012)

Composite Reliability CR ≥ 0.7 (Bagozzi & Yi, 1988)

Để xem Cronbach's Alpha và Composite Reliability trên SMARTPLS, chúng ta chọn dòng Construct Reliability and Validity ở mục 3.

5. Tính hội tụ (Convergent Validity) và phân biệt (Discriminant Validity)

Bước thứ ba trong đánh giá mô hình đo lường, chúng ta sẽ độ hội tụ các thang đo. Để đánh giá tính hội tụ 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. Giá trị AVE từ 0.5 trở lên cho thấy thang đo đạt giá trị hội tụ, nghĩa là biến tiềm ẩn giải thích được ít nhất 50% phương sai của các biến quan sát.

Average Variance Extracted AVE ≥ 0.5 (Hair và cộng sự, 2016)

Nếu một thang đo không đạt độ hội tụ, chúng ta cũng loại bỏ lần lượt từng biến quan sát có outer loading thấp nhất để cải thiện độ hội tụ. Nếu sau quá trình loại biến, tính hội tụ vẫn không đảm bảo, chúng ta kết luận thang đo không đảm bảo tính hội tụ và không sử dụng thang đo cho các phân tích định lượng phía sau.

Để xem AVE trên SMARTPLS, chúng ta chọn dòng Construct Reliability and Validity ở mục 3.

Bước thứ tư là kiểm tra giá trị phân biệt của thang đo. Giá trị phân biệt phản ánh mức độ khác biệt giữa các biến tiềm ẩn trong mô hình SEM-PLS, nhằm đảm bảo mỗi cấu trúc đo lường một khái niệm riêng biệt.

Theo cách tiếp cận truyền thống, Fornell và Larcker (1981) đề xuất đánh giá giá trị phân biệt thông qua căn bậc hai AVE. Mô hình đạt yêu cầu khi căn bậc hai AVE của mỗi biến tiềm ẩn lớn hơn hệ số tương quan giữa biến đó với các biến còn lại. Trong bảng Fornell–Larcker, các giá trị nằm trên đường chéo chính là căn bậc hai AVE, còn các giá trị phía dưới là hệ số tương quan giữa các biến tiềm ẩn. Trường hợp biến tiềm ẩn chỉ có một biến quan sát, căn bậc hai AVE có thể bằng 1.

Tuy nhiên, nhiều nghiên cứu chỉ ra rằng tiêu chuẩn Fornell–Larcker có hạn chế trong việc phát hiện thiếu giá trị phân biệt. Do đó, Henseler và cộng sự (2015) đã đề xuất chỉ số HTMT (Heterotrait–Monotrait Ratio), được chứng minh là phương pháp đánh giá chính xác và đáng tin cậy hơn trong SEM-PLS. SmartPLS cho phép kiểm tra cả hai tiêu chí, nhưng ưu tiên HTMT trong các nghiên cứu hiện đại.

Về ngưỡng đánh giá HTMT, Garson (2016) cho rằng HTMT < 1 là chấp nhận được, Henseler et al. (2015) đề xuất HTMT < 0.9, trong khi Kline (2015) và Clark & Watson (1995) khuyến nghị ngưỡng nghiêm ngặt hơn là HTMT < 0.85. SmartPLS mặc định sử dụng ngưỡng 0.85 để đánh giá giá trị phân biệt.

Khi đọc kết quả HTMT, cần lưu ý mối quan hệ giữa biến độc lập và biến phụ thuộc. Trong trường hợp biến độc lập tác động rất mạnh lên biến phụ thuộc, giá trị HTMT giữa hai biến này có thể vượt 0.85. Khi đó, nên chỉ đánh giá HTMT giữa các biến độc lập với nhau, thay vì loại bỏ mô hình hoặc kết luận sai về giá trị phân biệt.

Nếu tính phân biệt giữa một cặp biến bị vi phạm, bạn quay lại bảng Cross-loadings xem nếu có biến quan sát nào có tải trọng cao trên cả hai biến tiềm ẩn, hãy loại bỏ và chạy lại phân tích.

Căn bậc hai AVE > Tương quan giữa các biến tiềm ẩn (Fornell and Larcker, 1981)

HTMT ≤ 0.9 (Hair và cộng sự, 2016)

Để xem bảng Fornell and Larcker và HTMT trên SMARTPLS, chúng ta chọn dòng Discriminant Validity ở mục 3.

6. Độ phù hợp mô hình (Model Fit)

Thuật toán PLS không phù hợp cho việc đưa ra các chỉ số đánh giá độ phù hợp mô hình. Mặc dù SMARTPLS cung cấp một số chỉ số liên quan đến Model Fit, tuy nhiên, nhóm tác giả phát triển phần mềm và nhiều nhà nghiên cứu khác đã đưa cảnh báo về việc sử dụng các chỉ số này. 

Hair và cộng sự (2013) đã nhấn mạnh PLS-SEM tập trung vào khả năng dự báo thay vì khẳng định mô hình, do đó thuật toán PLS-SEM không phù hợp cho việc đánh giá mức độ phù hợp tổng thể của mô hình.

Không xét Model Fit trong SMARTPLS (Hair và cộng sự, 2016)

7. Kết luận

Đánh giá mô hình đo lường trong SmartPLS 3 là bước bắt buộc trước khi tiến hành phân tích mô hình cấu trúc trong SEM-PLS. Thông qua việc kiểm tra độ tin cậy thang đo, giá trị hội tụ và giá trị phân biệt, người nghiên cứu có thể đảm bảo rằng các biến quan sát phản ánh chính xác các biến tiềm ẩn trong mô hình nghiên cứu.

Kết quả đánh giá cho thấy, khi các chỉ số như Cronbach’s Alpha, Composite Reliability, AVE, Outer Loadings, Fornell–Larcker và HTMT đều đạt ngưỡng khuyến nghị, mô hình đo lường được xem là phù hợp và đủ điều kiện để tiếp tục phân tích SEM-PLS. Đặc biệt, chỉ số HTMT ngày càng được ưu tiên trong các nghiên cứu hiện đại nhờ khả năng đánh giá giá trị phân biệt chính xác hơn so với phương pháp truyền thống.

LƯU Ý:

Khi đánh giá mô hình đo lường dạng kết quả trên SMARTPLS, chúng ta sẽ quan tâm đến:

Outer Loadings ≥ 0.7

Cronbach's Alpha ≥ 0.7

Composite Reliability ≥ 0.7

AVE ≥ 0.5

HTMT ≤ 0.9

Sau khi đánh giá xong mô hình đo lường, chúng ta sẽ chuyển sang bước tiếp theo Đánh giá mô hình cấu trúc trên SMARTPLS.

Tham khảo:

1. Hair et al. (2016), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), Second Edition, Sage Publications, New York.

2. Devellis, R. (2012), Scale Development Theory and Application, Sage Publications, New York.

3. Fornell, C., & Larcker, D. F. (1981), Evaluating structural equation models with unobservable variables and measurement error, Journal of Marketing Research.