Trong quá trình phân tích mô hình đo lường trên SmartPLS, việc đánh giá tính hội tụ và tính phân biệt đóng vai trò vô cùng quan trọng. Những đánh giá này giúp xác định chất lượng của các nhân tố và các biến quan sát, từ đó đảm bảo độ tin cậy của mô hình trong việc giải thích dữ liệu thực nghiệm.
Đánh giá tính hội tụ và tính phân biệt trong SmartPLS 4
1. Đánh giá tính hội tụ trong SmartPLS
Tính hội tụ là một chỉ số quan trọng nhằm xác định mức độ mà các biến quan sát của một nhân tố tiềm ẩn tương quan chặt chẽ với nhau. Trong SmartPLS, tính hội tụ được đo lường thông qua chỉ số AVE (Average Variance Extracted), hay còn gọi là Phương sai trung bình được trích. AVE phản ánh mức độ mà một nhân tố tiềm ẩn có thể giải thích phương sai của các biến quan sát liên quan đến nó.
1.1 Cách tính AVE trong SmartPLS
Chỉ số AVE được tính bằng cách lấy tổng các giá trị bình phương hệ số tải ngoài (outer loading) của các biến quan sát, sau đó chia cho tổng bình phương hệ số tải và các sai số của nhân tố tiềm ẩn.
Hình – Thay hình
Theo Hock & Ringle (2010), một thang đo đạt giá trị hội tụ khi chỉ số AVE lớn hơn hoặc bằng 0.5. Điều này có nghĩa là nhân tố tiềm ẩn phải giải thích được ít nhất 50% biến thiên của các biến quan sát. Nếu AVE càng cao, khả năng hội tụ của thang đo càng lớn, ngược lại, AVE thấp cho thấy khả năng hội tụ của thang đo không đáng tin cậy.
1.2 Xử lý khi AVE không đạt yêu cầu
Trong trường hợp chỉ số AVE không đạt ngưỡng 0.5, một giải pháp là loại bỏ lần lượt những biến quan sát có outer loading thấp nhất để cải thiện AVE. Nếu sau khi loại bỏ vẫn không đạt yêu cầu, thang đo đó không được đảm bảo tính hội tụ và không nên sử dụng cho các phân tích tiếp theo.
Trong SmartPLS, để kiểm tra chỉ số AVE, người dùng có thể sử dụng PLS Algorithm để thực hiện các tính toán cần thiết.
Hình – Thay hình
2. Đánh giá tính phân biệt trong SmartPLS
Tính phân biệt là khả năng phân biệt rõ ràng giữa các nhân tố tiềm ẩn khác nhau trong mô hình. Một mô hình có tính phân biệt tốt là khi các biến quan sát của một nhân tố tiềm ẩn không bị tương quan quá mức với biến quan sát của các nhân tố khác. Điều này giúp đảm bảo rằng các biến đo lường thực sự thuộc về các nhân tố riêng biệt trong mô hình.
2.1 Đánh giá tính phân biệt bằng bảng Fornell và Larcker
Fornell và Larcker (1981) đề xuất rằng để đảm bảo tính phân biệt, căn bậc hai của AVE của mỗi biến tiềm ẩn phải lớn hơn tương quan giữa các biến tiềm ẩn trong mô hình. Nghĩa là nếu căn bậc hai của AVE cao hơn mức tương quan giữa biến đó với các biến khác, thì mô hình được cho là có tính phân biệt tốt.
Ví dụ, trong bảng Fornell và Larcker, giá trị căn bậc hai của AVE thường xuất hiện ở đầu mỗi cột và được so sánh với các giá trị tương quan nằm phía dưới. Khi căn bậc hai của AVE của từng biến tiềm ẩn lớn hơn các tương quan giữa chúng, ta có thể kết luận rằng tính phân biệt đã được đảm bảo.
Hình – Thay hình
2.2 Đánh giá tính phân biệt bằng chỉ số HTMT
Chỉ số HTMT (Heterotrait-Monotrait Ratio) là một phương pháp đánh giá tính phân biệt khác, đo lường mức độ tương quan giữa các biến khác loại (heterotrait) so với các biến cùng loại (monotrait). Chỉ số HTMT càng thấp, tức là các biến tiềm ẩn được tách biệt rõ ràng hơn.
Hình – Thay hình
Theo Garson (2016), nếu chỉ số HTMT nhỏ hơn 1, mô hình đảm bảo tính phân biệt. Henseler và cộng sự (2015) đề xuất rằng khi chỉ số này dưới 0.9, tính phân biệt được chấp nhận. Ngưỡng 0.85 hoặc 0.9 được sử dụng phổ biến tùy thuộc vào độ phức tạp của mô hình.
Nếu chỉ số HTMT vượt quá 0.9, điều này báo hiệu rằng cần xem xét lại mô hình và thực hiện các điều chỉnh để cải thiện tính phân biệt giữa các biến tiềm ẩn.
3. Kết luận
Việc đánh giá tính hội tụ và tính phân biệt là bước không thể thiếu trong quá trình phân tích mô hình đo lường trên SmartPLS. Các chỉ số như AVE, Fornell & Larcker và HTMT giúp đảm bảo rằng các nhân tố tiềm ẩn và biến quan sát trong mô hình được đo lường chính xác và không bị chồng lấn. Điều này không chỉ tăng tính chính xác của phân tích mà còn đảm bảo tính khoa học và độ tin cậy của các kết quả nghiên cứu.
Nhận trợ giúp cho phân tích SMARTPLS của bạn
Dịch vụ chạy SmartPLS giá rẻ cho sinh viên
Nếu bạn gặp khó khăn trong việc chạy dữ liệu trên SmartPLS 4, hãy bắt đầu hành trình nghiên cứu với xulysolieu.info, nơi đội ngũ tận tâm của chúng tôi cung cấp hỗ trợ phân tích dữ liệu chuyên môn cho sinh viên, học giả và cá nhân. Chúng tôi đảm bảo nghiên cứu của bạn được nâng cao với độ chính xác. Khám phá các trang của chúng tôi:
Dùng chỉ số HTMT để đánh giá tính phân biệt của thang đo trong SmartPLS 4
Giá trị hệ số tải ngoài Outer Loading trong SmartPLS 4
Biểu đồ Tầm quan trọng hiệu suất IPMA trong SmartPLS 4
Hoặc bạn có thể trực tiếp liên hệ thông quan fanpage chính thức và Dịch vụ Smart PLS trên trang web chính thức của xulysolieu.info.
Bình luận