Đánh giá tính giá trị phân biệt là một bước không thể thiếu trong mọi nghiên cứu sử dụng các biến tiềm ẩn, giúp ngăn chặn vấn đề đa cộng tuyến. Bên cạnh bảng Fornell-Larcker, một phương pháp phổ biến khác là sử dụng chỉ số tương quan Heterotrait-Monotrait (Heterotrait-Monotrait Ratio of Correlations), thường được viết tắt là HTMT.

Cơ sở lý thuyết của chỉ số HTMT

Chỉ số HTMT (Heterotrait-Monotrait Ratio) trong SMARTPLS là một công cụ quan trọng để đánh giá sự khác biệt giữa các thang đo (tập hợp các chỉ báo) trong mô hình đo lường cấu trúc. Được giới thiệu bởi Henseler và cộng sự (2015), HTMT được dùng để xác định mức độ phân biệt rõ ràng giữa các biến tiềm ẩn.

Việc tính toán chỉ số HTMT dựa trên cơ sở ma trận multitrait-multimethod (MTMM). Nó so sánh tương quan nội bộ (inter-item correlation) giữa các chỉ báo của cùng một biến tiềm ẩn với tương quan chéo (cross-loadings) giữa các chỉ báo của hai biến tiềm ẩn khác nhau.

Nếu tương quan nội bộ cao hơn so với tương quan chéo, chỉ số HTMT cho thấy rằng các thang đo có tính phân biệt tốt.

Trước khi đi sâu vào công thức tính toán, việc hiểu rõ ý nghĩa của các giá trị mà chỉ số HTMT mang lại là rất quan trọng. Theo Henseler và cộng sự (2015), giá trị của HTMT dao động từ 0 đến 1. Trong đó, 0 biểu thị sự phân biệt hoàn hảo giữa các biến, còn 1 biểu thị sự tương đồng tuyệt đối. Vì vậy, giá trị càng gần 0, tính phân biệt giữa các biến càng cao, và ngược lại.

Để dễ dàng hơn trong việc đánh giá, các giá trị của HTMT có thể được chia thành các khoảng khác nhau. Henseler và cộng sự (2015) đã đề xuất các khoảng giá trị như sau:

• Giá trị < 0.85: Thể hiện tính phân biệt cao. Mô hình có thể được sử dụng để dự đoán và giải thích dữ liệu một cách hiệu quả.
• Từ 0.85 – 0.90: Được coi là chấp nhận được, nhưng cần kiểm tra kỹ các mối quan hệ giữa các biến để đảm bảo tính chính xác của mô hình.
• Từ 0.90 – 0.95: Có thể chỉ ra sự mất cân bằng giữa các biến. Mô hình cần được xem xét lại và điều chỉnh nếu cần thiết.
• Trên 0.95: Cho thấy các biến có tính tương đồng cao. Mô hình có thể không chính xác và cần điều chỉnh hoặc loại bỏ các biến có giá trị HTMT cao.

Mặc dù HTMT là một công cụ đắc lực để đánh giá tính phân biệt giữa các biến trong mô hình, song cũng có những lỗi thường gặp khi sử dụng nó. Sau đây là một số lỗi phổ biến và cách khắc phục:

• Hiện tượng “hoán đổi” giữa các biến: Xảy ra khi giá trị HTMT của hai biến A và B thay đổi khi chúng ta đổi vị trí của chúng trong mô hình. Để giải quyết, cần kiểm tra lại các mối quan hệ giữa các biến và xác định rõ đâu là biến độc lập và đâu là biến phụ thuộc trước khi tính toán HTMT.
• Hiện tượng “điểm đặt biên” (boundary problem): Xảy ra khi các giá trị của các biến tương tự nhau và nằm gần giới hạn dưới hoặc giới hạn trên. Để khắc phục, có thể thay đổi các thành phần của mô hình hoặc xử lý các biến để tránh hiện tượng này.
• Chọn sai bộ dữ liệu bootstrap khi tính toán HTMT: Số lượng bộ dữ liệu bootstrap nên được thiết lập từ 1000 đến 5000 để đảm bảo tính chính xác của kết quả. Nếu chọn số lượng quá ít, kết quả tính toán sẽ không đủ tin cậy để đánh giá tính phân biệt của mô hình.

Trong bài viết này, chúng ta đã cùng nhau tìm hiểu về công thức tính toán và ý nghĩa của chỉ số HTMT trong SmartPLS. Chỉ số này đóng vai trò thiết yếu trong việc đánh giá tính phân biệt của các biến trong mô hình, đảm bảo tính chính xác và độ tin cậy của kết quả nghiên cứu.

Nếu bạn gặp khó khăn trong việc đọc dữ liệu và kiểm tra tính phân biệt, đừng ngần ngại tham khảo dịch vụ SmartPLS 4 của xulysolieu.info ngay!