Trang chủ » Kiến thức SMARTPLS » Hướng dẫn đánh giá tính hội tụ trong SmartPLS 4

Hướng dẫn đánh giá tính hội tụ trong SmartPLS 4

Trong phân tích mô hình phương trình cấu trúc PLS-SEM, việc đánh giá mô hình đo lường là bước nền tảng quyết định độ tin cậy của toàn bộ nghiên cứu. Một trong những tiêu chí cốt lõi và quan trọng bậc nhất chính là tính hội tụ (Convergent Validity). Việc đảm bảo tính hội tụ xác nhận rằng các biến quan sát (items) mà bạn sử dụng thực sự đo lường và quy tụ về cùng một khái niệm tiềm ẩn (construct) mà chúng đại diện. Bài viết này sẽ cung cấp hướng dẫn toàn diện, từ lý thuyết đến thực hành, giúp bạn đánh giá chính xác tính hội tụ và tính phân biệt trong phần mềm SmartPLS 4.

Mục lục

Hướng Dẫn Đánh Giá Tính Hội Tụ Trong SmartPLS 4

Đánh giá tính hội tụ là bước không thể bỏ qua để khẳng định chất lượng của thang đo. Một mô hình có tính hội tụ tốt cho thấy các chỉ báo được chọn là phù hợp và đại diện mạnh mẽ cho khái niệm mẹ mà chúng đang đo lường.

Định Nghĩa Tính Hội Tụ

Tính hội tụ xác định mức độ tương quan cao giữa các biến quan sát trong cùng một cấu trúc tiềm ẩn. Về bản chất, nó trả lời câu hỏi: “Liệu các câu hỏi khảo sát (chỉ báo) của tôi có thực sự cùng nhau đo lường một khái niệm duy nhất không?”. Khi một thang đo đạt tính hội tụ, điều đó có nghĩa là các chỉ báo của nó hội tụ lại, hay “converge”, để phản ánh khái niệm lý thuyết.

Ví dụ, nếu bạn đo lường khái niệm “Sự hài lòng của khách hàng” bằng ba chỉ báo: “Tôi hài lòng với sản phẩm”, “Sản phẩm đáp ứng kỳ vọng của tôi”, và “Tôi sẽ chọn lại sản phẩm này”, tính hội tụ sẽ kiểm tra xem ba câu trả lời này có tương quan mạnh mẽ với nhau hay không. Nếu có, chúng ta có thể tin rằng chúng đang cùng nhau đo lường tốt “Sự hài lòng của khách hàng”.

Phương Pháp Đo Lường Tính Hội Tụ

Trong SmartPLS, chỉ số chính được sử dụng để đo lường tính hội tụ là Phương sai trích trung bình (Average Variance Extracted – AVE). Chỉ số AVE phản ánh tỷ lệ phần trăm phương sai của các biến quan sát được giải thích bởi biến tiềm ẩn. Một giá trị AVE cao cho thấy biến tiềm ẩn giải thích được phần lớn sự biến thiên trong các chỉ báo của nó, qua đó khẳng định tính hội tụ mạnh mẽ.

Cách tính AVE khá trực quan: nó là giá trị trung bình của bình phương các hệ số tải ngoài (squared outer loadings) của tất cả các chỉ báo thuộc cùng một cấu trúc. Công thức cụ thể là tổng bình phương hệ số tải của các biến quan sát chia cho tổng bình phương hệ số tải và phương sai sai số. May mắn là phần mềm SmartPLS 4 sẽ tự động tính toán chỉ số này cho bạn.

Ngưỡng Chấp Nhận AVE

Theo các nhà nghiên cứu hàng đầu như Hock & Ringle (2010) và Hair và cộng sự (2022), một thang đo được xem là đạt tính hội tụ khi chỉ số AVE phải lớn hơn hoặc bằng 0.5. Ngưỡng 0.5 này có ý nghĩa rằng biến tiềm ẩn giải thích được ít nhất 50% phương sai của các biến quan sát liên quan. Điều này đảm bảo rằng biến tiềm ẩn giải thích được nhiều phương sai hơn là phần phương sai do sai số ngẫu nhiên.

Trong trường hợp AVE thấp hơn 0.5, điều này là một dấu hiệu hội tụ yếu, cho thấy mô hình đo lường có vấn đề. Các biến quan sát có hệ số tải ngoài (outer loading) thấp thường là nguyên nhân chính. Nhà nghiên cứu nên xem xét loại bỏ lần lượt các biến có hệ số tải thấp nhất để cải thiện chỉ số AVE và đảm bảo tính hội tụ cho thang đo trước khi tiến hành các phân tích sâu hơn.

Quy Trình Đánh Giá Tính Phân Biệt Trong SmartPLS 4

Sau khi đã xác lập được tính hội tụ, bước tiếp theo là kiểm định tính phân biệt (Discriminant Validity). Đây là tiêu chí quan trọng để đảm bảo các khái niệm trong mô hình của bạn là khác biệt và không bị chồng lấn ý nghĩa.

Định Nghĩa Tính Phân Biệt

Tính phân biệt đảm bảo rằng một cấu trúc tiềm ẩn trong mô hình nghiên cứu của bạn thực sự khác biệt với các cấu trúc tiềm ẩn khác. Về mặt thực nghiệm, nó chứng tỏ rằng các biến quan sát của một cấu trúc này có tương quan với cấu trúc của nó mạnh hơn là tương quan với bất kỳ cấu trúc nào khác trong mô hình. Điều này khẳng định mỗi thang đo đang đo lường một khái niệm độc nhất.

Nếu tính phân biệt bị vi phạm, ví dụ giữa “Sự hài lòng” và “Lòng trung thành”, điều đó có nghĩa là người trả lời không phân biệt được hai khái niệm này. Hậu quả là các kết quả phân tích mối quan hệ giữa chúng sẽ không còn đáng tin cậy.

Các Phương Pháp Đánh Giá

SmartPLS 4 cung cấp nhiều phương pháp hiện đại và truyền thống để đánh giá tính phân biệt. Hai phương pháp phổ biến nhất là tiêu chí Fornell-Larcker và chỉ số HTMT.

1. Tiêu Chí Fornell và Larcker

Đây là phương pháp cổ điển được đề xuất bởi Fornell và Larcker (1981). Quy tắc rất đơn giản: Căn bậc hai của chỉ số AVE của một nhân tố phải lớn hơn tất cả các hệ số tương quan của nhân tố đó với các nhân tố khác trong mô hình.

Trong bảng kết quả của SmartPLS, bạn sẽ thấy một ma trận. Các giá trị nằm trên đường chéo chính là căn bậc hai của AVE. Bạn chỉ cần so sánh giá trị trên đường chéo này với tất cả các giá trị khác trong cùng một cột. Nếu giá trị trên đường chéo luôn là lớn nhất, thì thang đo đó đạt tính phân biệt theo tiêu chí Fornell-Larcker.

2. Chỉ Số HTMT

Chỉ số HTMT (Heterotrait-Monotrait Ratio) được xem là “tiêu chuẩn vàng” hiện nay để đánh giá tính phân biệt, đặc biệt trong PLS-SEM, theo Henseler và cộng sự (2015). HTMT là tỷ lệ giữa tương quan trung bình của các chỉ báo thuộc các cấu trúc khác nhau (heterotrait) và tương quan trung bình của các chỉ báo trong cùng một cấu trúc (monotrait).

Ngưỡng chấp nhận phổ biến cho HTMT là nhỏ hơn 0.90. Đối với các nghiên cứu yêu cầu sự chặt chẽ hơn, hoặc khi các khái niệm có tính tương đồng cao, ngưỡng 0.85 được khuyến nghị. Nếu tất cả các giá trị HTMT trong mô hình đều dưới ngưỡng này, bạn có thể tự tin kết luận rằng tính phân biệt đã được đảm bảo.

Các Bước Thao Tác Trên SmartPLS 4 Để Kiểm Định Tính Hội Tụ và Phân Biệt

Quy trình thực hiện trên phần mềm SmartPLS 4 rất trực quan và nhanh chóng. Dưới đây là các bước chi tiết.

Bước 1: Khởi Động Thuật Toán PLS-SEM

Đầu tiên, bạn cần chạy thuật toán cơ bản để có được các chỉ số cho mô hình đo lường.

Hướng dẫn SmartPLS 4: Tạo một thư mục mới và chọn làm workspace.

Mở mô hình nghiên cứu đã được vẽ hoàn chỉnh trên giao diện SmartPLS 4.
Trên thanh công cụ, chọn Calculate → PLS-SEM algorithm.
Trong cửa sổ cài đặt, bạn có thể giữ nguyên các thông số mặc định. Lựa chọn quan trọng là Weighting scheme nên được đặt là Path.
Nhấn nút Start Calculation để phần mềm bắt đầu phân tích.

Bước 2: Đọc Kết Quả Mô Hình Đo Lường

Sau khi thuật toán chạy xong, một màn hình báo cáo sẽ hiện ra. Bạn cần điều hướng đến các mục sau để xem kết quả:

Để đánh giá tính hội tụ và độ tin cậy: Trong danh sách bên trái, chọn Quality Criteria → Construct Reliability and Validity. Bảng này sẽ hiển thị các chỉ số Cronbach’s Alpha, Composite Reliability (CR), và quan trọng nhất là AVE.
Để đánh giá tính phân biệt: Chọn Quality Criteria → Discriminant Validity. Tại đây, bạn có thể chuyển đổi qua lại giữa các tab Fornell-Larcker Criterion và HTMT để xem kết quả theo cả hai phương pháp.

Bước 3: Thực Hiện Kiểm Định Bootstrap

Để có được các giá trị p-value cho các mối quan hệ trong mô hình cấu trúc (kiểm định giả thuyết), bạn cần chạy thêm kiểm định Bootstrap.

Hướng dẫn SmartPLS 4: Thiết lập và chạy kiểm định Bootstrapping.

Quay trở lại mô hình, chọn Calculate → Bootstrapping.
Trong cửa sổ cài đặt, hãy đặt số lần lặp lại mẫu Subsamples là 5000 để đảm bảo kết quả ổn định và đáng tin cậy.
Nhấn Start Calculation. Báo cáo Bootstrap sẽ cung cấp các hệ số đường dẫn (Path Coefficients) và giá trị p-value tương ứng.

Cách Diễn Giải Các Chỉ Số Tính Hội Tụ và Phân Biệt

Hiểu rõ ý nghĩa và ngưỡng chấp nhận của từng chỉ số là chìa khóa để biện luận kết quả một cách khoa học.

Nhóm Chỉ Số Đánh Giá Mô Hình Đo Lường

Đây là nhóm chỉ số đầu tiên và quan trọng nhất, bao gồm cả chỉ số cho tính hội tụ.

Hệ số tải ngoài (Outer Loadings): Phải lớn hơn 0.708. Các chỉ báo có loading dưới 0.4 nên được loại bỏ ngay lập tức. Các chỉ báo có loading từ 0.4 đến 0.7 có thể được giữ lại nếu việc giữ lại chúng không làm ảnh hưởng xấu đến độ tin cậy tổng hợp và AVE.
Cronbach’s Alpha: Thường được yêu cầu > 0.7, nhưng đây là chỉ số ít được tin dùng hơn trong PLS-SEM.
Độ tin cậy tổng hợp (Composite Reliability – CR): Phải lớn hơn 0.7. Chỉ số này được ưu tiên hơn Cronbach’s Alpha vì nó không giả định các hệ số tải là bằng nhau.
Phương sai trung bình được trích (AVE): Đây là chỉ số quyết định tính hội tụ. AVE phải lớn hơn 0.5.

Nhóm Chỉ Số Đánh Giá Mô Hình Cấu Trúc

Sau khi mô hình đo lường được xác nhận là tốt, bạn mới tiến hành đánh giá mô hình cấu trúc.

Hệ số xác định (R²): Cho biết mức độ các biến độc lập giải thích cho sự thay đổi của biến phụ thuộc. Các giá trị 0.25, 0.50, và 0.75 tương ứng với mức độ giải thích yếu, trung bình, và mạnh.
Hệ số tác động (f²): Đánh giá tầm quan trọng của một biến độc lập cụ thể đối với một biến phụ thuộc. Các giá trị 0.02, 0.15, và 0.35 tương ứng với tác động nhỏ, vừa, và lớn.
Giá trị p (p-value): Dùng để kiểm định giả thuyết. Nếu p < 0.05, giả thuyết được ủng hộ, tức là mối quan hệ có ý nghĩa thống kê.

Xử Lý Dữ Liệu Xấu Khi Kết Quả Không Đạt Kỳ Vọng

Trong thực tế, không phải lúc nào dữ liệu cũng hoàn hảo. Việc các chỉ số không đạt ngưỡng là chuyện thường gặp và có cách xử lý khoa học.

Trường Hợp Tính Hội Tụ Vi Phạm (AVE < 0.50)

Đây là lỗi phổ biến nhất. Khi AVE của một nhân tố nào đó nhỏ hơn 0.5, tính hội tụ của nó chưa được đảm bảo.

Nguyên nhân: Thường do một hoặc nhiều biến quan sát có hệ số tải ngoài (Outer Loading) quá thấp, kéo giá trị AVE trung bình xuống.
Cách giải quyết:
1. Vào bảng kết quả Outer Loadings.
2. Xác định chỉ báo có hệ số tải thấp nhất trong nhân tố đang bị lỗi.
3. Thực hiện loại bỏ chỉ báo này khỏi mô hình.
4. Chạy lại thuật toán PLS-SEM và kiểm tra lại chỉ số AVE. Lặp lại quy trình này cho đến khi AVE ≥ 0.5. Lưu ý, chỉ nên xóa từng biến một và kiểm tra lại sau mỗi lần xóa.

Trường Hợp Tính Phân Biệt Vi Phạm (HTMT > 0.90)

Khi chỉ số HTMT giữa hai nhân tố vượt ngưỡng 0.90, chúng không có tính phân biệt.

Nguyên nhân: Hai khái niệm quá giống nhau, hoặc các câu hỏi đo lường chúng bị trùng lặp về ngữ nghĩa, khiến người trả lời không phân biệt được.
Cách giải quyết:
1. Kiểm tra hệ số tải chéo (Cross-Loadings): Tìm những chỉ báo có hệ số tải lên một nhân tố “lạ” cao hơn so với nhân tố “nhà” của nó. Đây là những chỉ báo gây nhiễu và cần được xem xét loại bỏ.
2. Gộp nhân tố: Nếu HTMT quá cao (ví dụ > 0.95) và về mặt lý thuyết hai khái niệm đó có thể gộp lại, hãy xem xét việc kết hợp chúng thành một nhân tố duy nhất.
3. Xem lại lý thuyết: Đôi khi vấn đề nằm ở chính bộ câu hỏi. Bạn có thể cần phải điều chỉnh lại câu chữ hoặc loại bỏ những câu hỏi mơ hồ gây chồng lấn khái niệm.

Hướng Dẫn Trình Bày Kết Quả Trong Luận Văn

Việc trình bày kết quả một cách chuyên nghiệp và rõ ràng là yếu tố quan trọng để thuyết phục hội đồng.

Cách Soạn Thảo Bảng Kết Quả

Bạn nên tạo các bảng riêng biệt cho kết quả đánh giá độ tin cậy, tính hội tụ, và tính phân biệt.

Bảng 1: Kết quả đánh giá Độ tin cậy thang đo và Tính hội tụ

Nhân tố	Mã hóa	Outer Loading	Cronbach’s Alpha	CR	AVE
Sự hài lòng	HL1	0.852	0.870	0.919	0.791
	HL2	0.910
	HL3	0.905
Lòng trung thành	TT1	0.821	0.845	0.897	0.744
	TT2	0.899
	TT3	0.887

Nguồn: Kết quả phân tích từ SmartPLS 4 của tác giả

Biện Luận Kết Quả

Sau mỗi bảng, bạn cần có một đoạn văn biện luận, diễn giải các con số.

Đoạn văn mẫu biện luận tính hội tụ:
“Kết quả tại Bảng 1 cho thấy mô hình đo lường có chất lượng tốt. Tất cả các hệ số tải ngoài (Outer Loadings) đều lớn hơn 0.708. Các chỉ số Độ tin cậy tổng hợp (CR) đều nằm trong khoảng từ 0.897 đến 0.919, vượt xa ngưỡng yêu cầu 0.70. Đặc biệt, tính hội tụ của các thang đo được đảm bảo một cách xuất sắc khi chỉ số Phương sai trích trung bình (AVE) của tất cả các nhân tố đều lớn hơn 0.744, cao hơn nhiều so với mức tối thiểu 0.50 (Hock & Ringle, 2010). Điều này khẳng định các biến quan sát đều hội tụ tốt và đại diện cho khái niệm mà chúng đo lường.”

Đoạn văn mẫu biện luận tính phân biệt:
“Để kiểm định tính phân biệt, tác giả sử dụng chỉ số HTMT. Kết quả cho thấy giá trị HTMT cao nhất giữa các cặp khái niệm là 0.682 (giữa Sự hài lòng và Lòng trung thành). Vì tất cả các giá trị HTMT đều nhỏ hơn ngưỡng 0.85 theo Henseler và cộng sự (2015), có thể kết luận rằng các khái niệm trong mô hình nghiên cứu hoàn toàn đạt được tính phân biệt, đảm bảo sự khác biệt rõ rệt về mặt ý nghĩa giữa chúng.”

Việc nắm vững cách kiểm định tính hội tụ và tính phân biệt không chỉ giúp bạn vượt qua các yêu cầu kỹ thuật của phân tích PLS-SEM mà còn nâng cao đáng kể giá trị và độ tin cậy cho nghiên cứu của mình.

Nếu bạn gặp khó khăn trong quá trình phân tích dữ liệu, xử lý mô hình không đạt các tiêu chuẩn về tính hội tụ, tính phân biệt, hay cần tư vấn chuyên sâu về phương pháp luận cho luận văn, đừng ngần ngại liên hệ với đội ngũ chuyên gia của xulysolieu.info. Chúng tôi cung cấp các dịch vụ hỗ trợ toàn diện từ xử lý số liệu SPSS, AMOS, SmartPLS đến tư vấn và hoàn thiện luận văn, đảm bảo kết quả nghiên cứu của bạn đạt chất lượng cao nhất.

Thông Tin Liên Hệ