Trong nghiên cứu định lượng, thang đo là công cụ quan trọng để đo lường các khái niệm trừu tượng như thái độ, hành vi hay cảm nhận. Tuy nhiên, để đảm bảo kết quả nghiên cứu đáng tin cậy, thang đo không chỉ cần độ tin cậy mà còn phải đạt tính hội tụ và tính phân biệt. Bài viết này giúp bạn hiểu rõ hai khái niệm này, phân biệt chúng và hướng dẫn cách kiểm định bằng phần mềm như SPSS, AMOS và SmartPLS.
1. Tổng quan về độ giá trị trong thang đo
1.1. Định nghĩa độ giá trị (Validity)
Độ giá trị (Validity) phản ánh mức độ mà một thang đo có thực sự đo lường đúng khái niệm cần đo hay không. Nói cách khác, một thang đo có độ giá trị cao là khi nó đo đúng nội dung lý thuyết mà nhà nghiên cứu hướng đến, chứ không bị lệch sang đo các khái niệm khác hoặc các yếu tố không liên quan.
Khái niệm này đóng vai trò then chốt trong nghiên cứu định lượng, bởi nếu thang đo không có độ giá trị, thì các kết quả thống kê dù có độ tin cậy cao đến đâu cũng không có ý nghĩa về mặt học thuật.
1.2. Phân loại độ giá trị
Độ giá trị được phân thành nhiều loại, trong đó ba loại quan trọng và thường được kiểm định trong các nghiên cứu khoa học là:
a) Độ giá trị nội dung (Content Validity)
- Là mức độ mà các mục hỏi (items) trong thang đo bao quát đầy đủ các khía cạnh của khái niệm lý thuyết.
- Được đánh giá chủ yếu bằng phương pháp chuyên gia (expert judgment), tức là dựa vào nhận định của các chuyên gia trong lĩnh vực để xác định tính phù hợp và đầy đủ của các mục đo.
- Ví dụ: Khi xây dựng thang đo “sự hài lòng của khách hàng”, các chuyên gia sẽ kiểm tra xem các câu hỏi có bao phủ hết các khía cạnh như sản phẩm, dịch vụ, chăm sóc sau bán không.
b) Độ giá trị hội tụ (Convergent Validity)
- Phản ánh mức độ các chỉ báo (items) cùng thuộc một khái niệm lý thuyết có liên kết mạnh với nhau.
- Nói cách khác, các biến quan sát đo cùng một yếu tố cần có mối tương quan cao.
- Thường được kiểm định bằng:
- Outer Loadings (hệ số tải ngoài): > 0.5 hoặc tốt hơn > 0.7
- Average Variance Extracted (AVE): > 0.5
- Composite Reliability (CR): > 0.7
- Tính hội tụ đảm bảo rằng các câu hỏi trong cùng một nhóm thang đo đều phản ánh cùng một nội dung lý thuyết.
c) Độ giá trị phân biệt (Discriminant Validity)
- Thể hiện mức độ một khái niệm lý thuyết khác biệt với các khái niệm khác trong mô hình.
- Tức là các thang đo của các khái niệm khác nhau không được trùng lặp hay chồng lấn về mặt nội dung.
- Một số cách kiểm định phổ biến:
- Fornell-Larcker Criterion: Căn bậc hai AVE của một biến lớn hơn tương quan giữa biến đó với các biến khác.
- Cross Loadings: Mỗi chỉ báo có hệ số tải cao nhất tại yếu tố nó thuộc về.
- HTMT Ratio (Heterotrait-Monotrait Ratio): < 0.85 hoặc < 0.90 tùy trường hợp.
2. Tính hội tụ (Convergent Validity)
2.1. Định nghĩa
Tính hội tụ (Convergent Validity) là một dạng độ giá trị trong nghiên cứu định lượng, phản ánh mức độ mà các biến quan sát (items) cùng đo lường một khái niệm lý thuyết có sự tương quan cao với nhau. Nói cách khác, khi các chỉ báo thực sự đại diện cho cùng một cấu trúc tiềm ẩn (latent construct), thì chúng cần “hội tụ” lại với nhau – tức là cùng có xu hướng biến động giống nhau.
2.2. Ý nghĩa trong nghiên cứu
Tính hội tụ giúp đảm bảo rằng thang đo đang sử dụng là nhất quán trong việc phản ánh khái niệm cần đo. Nếu không có tính hội tụ, điều đó có thể cho thấy:
- Các biến quan sát chưa đủ sát nghĩa với khái niệm lý thuyết.
- Có thể có vấn đề về thiết kế câu hỏi hoặc do dịch thuật (với thang đo nhập khẩu).
- Dữ liệu không phản ánh đúng cấu trúc khái niệm như kỳ vọng.
Việc đảm bảo tính hội tụ giúp tăng độ tin cậy của thang đo và cải thiện giá trị học thuật của nghiên cứu.
2.3. Điều kiện để đảm bảo tính hội tụ
Theo tiêu chuẩn học thuật phổ biến (Hair et al., 2014; Fornell & Larcker, 1981), một thang đo được coi là đạt tính hội tụ nếu thỏa mãn ba tiêu chí sau:
- Outer Loadings ≥ 0.70 Hệ số tải ngoài phản ánh mức độ tương quan giữa mỗi biến quan sát và nhân tố tiềm ẩn. Giá trị này cần lớn hơn 0.7 để chứng minh rằng item đo lường tốt cho cấu trúc đó.
- Average Variance Extracted (AVE) ≥ 0.50 AVE thể hiện lượng phương sai trung bình được giải thích bởi các biến quan sát so với toàn bộ phương sai (bao gồm nhiễu). Giá trị AVE ≥ 0.5 chứng tỏ ít nhất 50% phương sai của biến quan sát được giải thích bởi cấu trúc tiềm ẩn.
- Composite Reliability (CR) ≥ 0.70 CR đo lường độ tin cậy tổng hợp của nhóm các biến quan sát, tương tự như Cronbach’s Alpha nhưng được đánh giá tốt hơn trong các mô hình SEM.
Nếu cả ba tiêu chí trên đều đạt, ta có thể khẳng định rằng thang đo có tính hội tụ tốt.
2.4. Cách kiểm định
a) Trong SPSS
SPSS không trực tiếp hỗ trợ kiểm định tính hội tụ, nhưng có thể thực hiện thông qua CFA (Confirmatory Factor Analysis) nếu tích hợp thêm phần mềm như AMOS. Trong đó:
- Outer Loadings tương ứng với trọng số (factor loadings) trong CFA.
- AVE và CR được tính thủ công hoặc qua plug-in hỗ trợ.
b) Trong AMOS
- Sử dụng mô hình CFA để kiểm định.
- Kết quả Outer Loadings được thể hiện qua hệ số hồi quy chuẩn hóa (Standardized Regression Weights).
- AVE và CR cần được tính toán theo công thức thủ công từ kết quả CFA.
c) Trong SmartPLS
SmartPLS cung cấp các chỉ số tính hội tụ tự động:
- Outer Loadings xuất hiện trực tiếp trong phần “Outer Loadings”.
- AVE và CR được trình bày trong phần “Construct Reliability and Validity”.
- Các chỉ báo không đạt Outer Loadings < 0.7 có thể bị loại khỏi mô hình nếu ảnh hưởng đến AVE và CR.
2.5. Ví dụ minh họa từ nghiên cứu thực tiễn
Ví dụ nghiên cứu: Trong một nghiên cứu về sự hài lòng của khách hàng đối với dịch vụ ngân hàng (construct: Customer Satisfaction), thang đo gồm 4 biến quan sát:
- SAT1: Tôi hài lòng với tốc độ phục vụ.
- SAT2: Nhân viên ngân hàng cư xử lịch sự.
- SAT3: Dịch vụ đáp ứng đúng nhu cầu của tôi.
- SAT4: Tôi sẽ tiếp tục sử dụng dịch vụ này trong tương lai.
Kết quả kiểm định (trên SmartPLS):
- Outer Loadings: SAT1 = 0.82, SAT2 = 0.77, SAT3 = 0.85, SAT4 = 0.80.
- AVE = 0.655 (> 0.5)
- CR = 0.881 (> 0.7)
→ Thang đo Customer Satisfaction đạt tính hội tụ.
3. Tính phân biệt (Discriminant Validity)
3.1. Định nghĩa
Tính phân biệt (Discriminant Validity) là một khía cạnh quan trọng trong việc đánh giá độ giá trị của thang đo trong nghiên cứu định lượng. Nó thể hiện mức độ khác biệt rõ ràng giữa các khái niệm lý thuyết (constructs) – tức là một thang đo cần đo lường đúng khái niệm của nó và không bị chồng chéo với các khái niệm khác trong mô hình.
Nếu hai khái niệm lý thuyết khác nhau nhưng lại có thang đo phản ánh tương tự nhau, điều này cho thấy thiếu tính phân biệt, dẫn đến sai lệch kết luận trong nghiên cứu.
3.2. Ý nghĩa trong nghiên cứu
Tính phân biệt có vai trò quyết định trong việc:
- Khẳng định độ độc lập giữa các cấu trúc tiềm ẩn (latent constructs) trong mô hình.
- Tránh hiện tượng đa cộng tuyến giữa các biến tiềm ẩn.
- Nâng cao độ tin cậy và giá trị lý thuyết của mô hình đo lường.
- Đảm bảo rằng kết quả kiểm định giả thuyết không bị sai lệch do các biến có sự chồng lắp về nội dung.
Nếu không đạt tính phân biệt, các mối quan hệ nhân quả có thể không còn ý nghĩa về mặt lý thuyết.
3.3. Các cách đánh giá tính phân biệt
Dưới đây là ba phương pháp phổ biến nhất để kiểm định tính phân biệt của thang đo, được sử dụng rộng rãi trong SEM – đặc biệt là khi dùng phần mềm SmartPLS hoặc AMOS.
a) Fornell – Larcker Criterion (1981)
Tiêu chí này so sánh căn bậc hai của AVE (Average Variance Extracted) với hệ số tương quan bình phương giữa các cấu trúc tiềm ẩn:
- Điều kiện: AVE của một biến phải lớn hơn bình phương tương quan giữa biến đó với bất kỳ biến nào khác trong mô hình.
- Ý nghĩa: Điều này đảm bảo rằng mỗi biến tiềm ẩn chia sẻ nhiều phương sai hơn với các chỉ báo của chính nó so với phương sai chia sẻ với các biến khác.
b) Cross Loadings
- Mỗi biến quan sát nên có hệ số tải cao nhất với nhân tố mà nó được gán và thấp hơn với các nhân tố còn lại.
- Điều kiện: Hệ số tải (loading) của một biến vào cấu trúc tiềm ẩn chính của nó phải lớn hơn rõ rệt so với tải của biến đó vào các cấu trúc khác.
- Ý nghĩa: Kiểm tra xem biến đo có thực sự “thuộc về” đúng khái niệm mà nó cần đo hay không.
c) HTMT – Heterotrait-Monotrait Ratio (Henseler et al., 2015)
- Khái niệm: HTMT đo tỷ lệ giữa tương quan chéo trung bình của các biến đo khác nhau (heterotrait) với tương quan trung bình giữa các biến đo cùng cấu trúc (monotrait).
- Ngưỡng chấp nhận:
- HTMT < 0.85 (phân biệt rõ ràng)
- HTMT < 0.90 (trong một số nghiên cứu thực tiễn)
- Ưu điểm: Được đánh giá là đáng tin cậy hơn so với tiêu chí Fornell – Larcker trong nhiều trường hợp.
3.4. So sánh các phương pháp (ưu – nhược điểm)
| Phương pháp | Ưu điểm | Nhược điểm |
| Fornell – Larcker | Dễ hiểu, được trích dẫn rộng rãi trong SEM truyền thống (AMOS, SmartPLS) | Thiếu nhạy trong một số trường hợp, có thể bỏ sót vi phạm tính phân biệt |
| Cross Loadings | Dễ triển khai trong PLS-SEM, trực quan khi đánh giá biến đo | Thiếu tiêu chí định lượng rõ ràng để xác định vi phạm |
| HTMT | Mạnh hơn, phát hiện vi phạm phân biệt chính xác hơn | Không có sẵn trong AMOS; cần hiểu rõ ý nghĩa thống kê |
3.5. Cách kiểm định trên AMOS / SmartPLS
Trong AMOS:
- AMOS không hỗ trợ trực tiếp HTMT hay cross loadings.
- Kiểm định tính phân biệt thường được thực hiện qua Fornell – Larcker bằng cách:
- Chạy CFA → lấy giá trị AVE.
- So sánh căn bậc 2 AVE với hệ số tương quan.
- Các bước tính thủ công:
- AVE = tổng bình phương loadings / số biến.
- So sánh với ma trận tương quan giữa các nhân tố.
Trong SmartPLS:
- Fornell – Larcker: Có sẵn trong mục Discriminant Validity.
- Cross Loadings: Xem trực tiếp trong bảng kết quả.
- HTMT: Cung cấp tự động, cho phép điều chỉnh ngưỡng cảnh báo (0.85 hoặc 0.90).
SmartPLS được đánh giá là toàn diện hơn trong việc đánh giá tính phân biệt so với AMOS.
3.6. Ví dụ minh họa
Giả sử bạn nghiên cứu ảnh hưởng của niềm tin thương hiệu (Brand Trust) và giá trị cảm xúc (Emotional Value) đến ý định mua hàng (Purchase Intention).
Kết quả kiểm định trong SmartPLS:
- AVE (Brand Trust) = 0.65 → √AVE = 0.81
- Tương quan Brand Trust ↔ Emotional Value = 0.60 → r² = 0.36 → √AVE > r² → Đạt Fornell – Larcker
- HTMT giữa Brand Trust và Emotional Value = 0.78 < 0.85 → Đạt HTMT
→ Thang đo đạt tính phân biệt, có thể tiếp tục sử dụng trong mô hình cấu trúc (SEM).
4. So sánh: Tính hội tụ vs. Tính phân biệt
Trong nghiên cứu định lượng, tính hội tụ (convergent validity) và tính phân biệt (discriminant validity) là hai tiêu chí quan trọng trong việc đánh giá độ giá trị cấu trúc (construct validity) của thang đo. Dù có vai trò khác nhau, cả hai cùng đóng góp vào việc đảm bảo rằng các thang đo phản ánh chính xác khái niệm cần nghiên cứu, và không bị nhầm lẫn với các khái niệm khác.
4.1. Bảng so sánh: Tính hội tụ vs. Tính phân biệt
| Tiêu chí | Tính hội tụ (Convergent Validity) | Tính phân biệt (Discriminant Validity) |
| Định nghĩa | Mức độ mà các chỉ báo của cùng một khái niệm lý thuyết có sự tương quan cao và hội tụ với nhau. | Mức độ mà một khái niệm khác biệt rõ ràng so với các khái niệm khác trong mô hình. |
| Mục tiêu | Đảm bảo rằng các thang đo phản ánh đúng và nhất quán một khái niệm. | Đảm bảo rằng các thang đo chỉ phản ánh duy nhất một khái niệm, không trùng lặp với khái niệm khác. |
| Điều kiện kiểm định | – Hệ số tải nhân tố (Outer loadings) ≥ 0.7 – AVE (Average Variance Extracted) ≥ 0.5 – CR (Composite Reliability) ≥ 0.7 | – Fornell-Larcker: AVE của từng biến > bình phương tương quan giữa các biến – Cross Loadings: mỗi chỉ báo tải cao nhất vào biến tiềm ẩn của nó – HTMT (Heterotrait-Monotrait ratio) < 0.85 hoặc 0.90 |
| Phương pháp kiểm định | – CFA trong AMOS – SmartPLS: Kiểm tra Outer Loadings, AVE, CR – SPSS: Không kiểm định trực tiếp | – AMOS: Fornell-Larcker (tính toán thủ công) – SmartPLS: Cross Loadings, Fornell-Larcker, HTMT |
| Ý nghĩa học thuật | Giúp xác nhận rằng các chỉ báo đo một khái niệm duy nhất và có tính nhất quán nội tại. | Giúp phân biệt các khái niệm khác nhau trong mô hình, tránh đo trùng lặp. |
| Hậu quả nếu vi phạm | Thang đo không đủ độ giá trị → kết luận nghiên cứu không đáng tin cậy. | Các khái niệm chồng chéo → mô hình thiếu rõ ràng, làm sai lệch mối quan hệ giữa các biến. |
| Vai trò trong phân tích | Là bước xác nhận độ giá trị hội tụ trước khi kiểm định mô hình cấu trúc. | Là bước xác nhận độ giá trị phân biệt để đảm bảo cấu trúc khái niệm rõ ràng và không bị nhiễu. |
4.2. Vai trò bổ sung lẫn nhau trong kiểm tra độ giá trị mô hình
- Tính hội tụ giúp đảm bảo rằng các biến quan sát thực sự đo cùng một khái niệm, từ đó tạo ra nền tảng vững chắc cho mô hình đo lường.
- Tính phân biệt đảm bảo rằng mỗi khái niệm trong mô hình là khác biệt và độc lập, giúp tránh sự nhầm lẫn hoặc chồng lấp giữa các khái niệm.
→ Cả hai đều không thể thiếu trong phân tích CFA và SEM. Nếu chỉ đạt tính hội tụ mà không đạt tính phân biệt (hoặc ngược lại), mô hình sẽ thiếu độ tin cậy về mặt lý thuyết và thống kê.
5. Một số lưu ý khi kiểm định độ giá trị thang đo
Trong quá trình phân tích mô hình đo lường trong nghiên cứu định lượng, việc đánh giá độ giá trị thang đo là bước quan trọng nhằm đảm bảo rằng các biến đo lường phản ánh đúng khái niệm lý thuyết mà chúng đại diện. Dưới đây là một số lưu ý cần ghi nhớ khi kiểm định tính hội tụ và tính phân biệt:
✅ Chỉ kiểm định độ giá trị sau khi thang đo đạt độ tin cậy
Trước khi đánh giá độ giá trị (validity), cần đảm bảo thang đo đã đạt yêu cầu về độ tin cậy:
- Cronbach’s Alpha ≥ 0.7 (SPSS)
- Composite Reliability (CR) ≥ 0.7 (AMOS/SmartPLS)
Nếu thang đo không đáng tin cậy, các kết quả về độ giá trị sau đó sẽ không còn ý nghĩa.
✅ Không áp dụng kết quả phần mềm một cách máy móc
Mặc dù các phần mềm như AMOS hay SmartPLS cung cấp bảng chỉ số rõ ràng, nhưng:
- Cần so sánh các chỉ số với ngưỡng lý thuyết để đưa ra nhận định đúng.
- Cần diễn giải có cơ sở lý thuyết thay vì chỉ liệt kê giá trị đạt/không đạt.
- Tránh sao chép toàn bộ bảng kết quả mà không phân tích, vì điều này làm giảm chất lượng học thuật của nghiên cứu.
✅ Cần đánh giá cả tính hội tụ và tính phân biệt
Độ giá trị không chỉ bao gồm một yếu tố:
- Tính hội tụ: Đảm bảo các biến đo cùng một khái niệm có mối liên hệ mạnh.
- Tính phân biệt: Đảm bảo các khái niệm khác nhau được đo bằng các nhóm biến đo riêng biệt.
Việc chỉ kiểm định một trong hai là chưa đủ, đặc biệt trong mô hình SEM.
✅ Ưu tiên HTMT trong SmartPLS
Trong các nghiên cứu hiện đại sử dụng phần mềm SmartPLS, chỉ số HTMT (Heterotrait-Monotrait Ratio) đang trở thành phương pháp chuẩn để đánh giá tính phân biệt, nhờ tính chính xác và dễ kiểm định:
- Ngưỡng phổ biến: HTMT < 0.85 hoặc < 0.90 tùy theo mục tiêu nghiên cứu.
- HTMT thường được khuyến nghị hơn cả Fornell-Larcker và Cross Loadings.
6. Kết luận
Trong nghiên cứu định lượng, tính hội tụ (convergent validity) và tính phân biệt (discriminant validity) là hai trụ cột quan trọng trong việc đánh giá độ giá trị (validity) của thang đo. Nếu không đảm bảo hai yếu tố này, toàn bộ hệ thống đo lường sẽ có nguy cơ sai lệch, dẫn đến kết luận nghiên cứu thiếu chính xác và không đáng tin cậy.
Việc kiểm định đúng cách sẽ:
- Đảm bảo các biến đo phản ánh đúng bản chất của khái niệm nghiên cứu.
- Tránh nhầm lẫn giữa các khái niệm có liên quan nhưng khác biệt.
- Tăng độ tin cậy và giá trị học thuật của mô hình nghiên cứu.
Ứng dụng thực tiễn trên các phần mềm phân tích
- SPSS: Dù không kiểm định trực tiếp tính hội tụ/phân biệt, nhưng có thể hỗ trợ thông qua phân tích EFA, kết hợp kiểm định CFA trên phần mềm bổ trợ như AMOS.
- AMOS: Cho phép thực hiện CFA, đánh giá tính hội tụ qua các chỉ số λ (loadings), CR, AVE, và đánh giá tính phân biệt bằng Fornell-Larcker.
- SmartPLS: Rất mạnh trong kiểm định SEM với dữ liệu không phân phối chuẩn. Cho phép kiểm định AVE, CR, Cross Loadings, Fornell-Larcker và đặc biệt là HTMT, một công cụ hiện đại để đánh giá phân biệt.
Gợi ý hỗ trợ nếu bạn cần trợ giúp chuyên sâu
Nếu bạn gặp khó khăn khi:
- Xây dựng mô hình đo lường phù hợp,
- Kiểm định CFA, tính hội tụ – phân biệt bằng SPSS, AMOS, hoặc SmartPLS,
- Viết Chương 4 – Kết quả nghiên cứu và Chương 5 – Thảo luận & Hàm ý một cách logic, chuẩn chỉnh học thuật, trình bày bảng biểu chuyên nghiệp,
👉 Đừng ngần ngại liên hệ với đội ngũ chuyên gia tại: https://xulysolieu.info/lien-he
