Phân tích mô hình đo lường là bước quan trọng trong phương pháp Partial Least Squares Structural Equation Modeling (PLS-SEM), một kỹ thuật mạnh mẽ được sử dụng để phân tích các mô hình có nhiều biến số. Với phiên bản SmartPLS 4, quy trình này đã trở nên dễ dàng hơn nhờ các tính năng cải tiến và giao diện trực quan. Trong bài viết này, chúng ta sẽ tìm hiểu cách thực hiện phân tích mô hình đo lường từ đầu đến cuối bằng SmartPLS 4, với hướng dẫn chi tiết các bước và hình ảnh minh họa.
Giới thiệu về SmartPLS 4 và mô hình đo lường
SmartPLS 4 là công cụ hàng đầu để phân tích PLS-SEM. Với giao diện thân thiện và tính năng đa dạng, nó hỗ trợ người dùng dễ dàng thao tác từ việc nhập dữ liệu, xây dựng mô hình đến thực hiện phân tích chi tiết.
Mô hình đo lường giúp đánh giá mức độ mà các biến tiềm ẩn có thể giải thích được biến quan sát (indicators). Trong PLS-SEM, có hai loại mô hình đo lường chính:
– Mô hình phản ánh (Reflective measurement model): Biến quan sát là các phản ánh trực tiếp của biến tiềm ẩn.
– Mô hình hình thành (Formative measurement model): Biến quan sát góp phần tạo nên biến tiềm ẩn.
Các bước phân tích mô hình đo lường trên SmartPLS 4
Chuẩn bị dữ liệu
Để bắt đầu phân tích trên SmartPLS 4, bạn cần một bộ dữ liệu đã được chuẩn bị kỹ càng. Bộ dữ liệu nên bao gồm các biến quan sát tương ứng với các biến tiềm ẩn trong mô hình của bạn. Định dạng của dữ liệu thường là CSV, Excel, hoặc TXT.
Lưu ý:
– Mỗi cột tương ứng với một biến quan sát.
– Các biến phải có phân phối chuẩn và không có nhiều giá trị thiếu.
Nhập dữ liệu vào SmartPLS 4
Sau khi chuẩn bị dữ liệu, bạn tiến hành nhập dữ liệu vào SmartPLS 4 theo các bước sau:
– Mở SmartPLS 4 và chọn New Project.
– Chọn Import Data File và tìm tệp dữ liệu của bạn.
– Khi dữ liệu đã được tải lên, SmartPLS sẽ hiển thị các biến quan sát trong cửa sổ Data View.
Xây dựng mô hình đo lường
Trong bước này, bạn sẽ tiến hành xây dựng mô hình đo lường bằng cách kéo thả các biến tiềm ẩn và các biến quan sát:
– Chọn Create a New Model.
– Sử dụng công cụ Latent Variable để tạo các biến tiềm ẩn (latent variables).
– Kéo các biến quan sát từ danh sách dữ liệu để liên kết với các biến tiềm ẩn.
Đảm bảo rằng bạn xác định rõ ràng kiểu mô hình đo lường:
– Reflective: Các mũi tên từ biến tiềm ẩn trỏ ra biến quan sát.
– Formative: Các mũi tên từ biến quan sát trỏ vào biến tiềm ẩn.
Chạy phân tích mô hình đo lường
Khi mô hình đã hoàn thành, bạn tiến hành phân tích bằng cách:
– Chọn Calculate từ thanh công cụ và chọn PLS Algorithm.
– SmartPLS sẽ tiến hành tính toán và hiển thị kết quả.
Hướng dẫn đọc và phân tích kết quả của mô hình đo lường trên SmartPLS 4
Bước 1: Đánh giá chất lượng biến quan sát (Indicator Reliability)
Việc đánh giá chất lượng biến quan sát giúp xác định mức độ mà mỗi biến quan sát phản ánh chính xác biến tiềm ẩn mà nó đại diện. Những biến quan sát không đáp ứng yêu cầu này sẽ bị loại bỏ, giữ lại các biến có khả năng giải thích tốt nhất.
Có hai loại thang đo phổ biến cần được đánh giá:
– Thang đo phản ánh (reflective measurement model): Để kiểm tra mức độ ý nghĩa của biến quan sát, hệ số tải ngoài (outer loading) được sử dụng. Các biến quan sát có hệ số outer loading từ 0,7 trở lên được xem là đạt yêu cầu và thể hiện mức độ đại diện tốt cho biến tiềm ẩn. Nếu giá trị outer loading dưới 0,4, biến quan sát đó thường nên được loại bỏ. Đối với biến có hệ số từ 0,4 đến 0,7, cần xem xét cẩn thận việc giữ lại hay loại bỏ dựa trên các chỉ số khác như độ tin cậy tổng hợp (Composite Reliability – CR) và độ hội tụ (Convergent Validity – AVE).
Nếu việc loại bỏ biến giúp tăng CR hoặc AVE lên mức chấp nhận được, biến quan sát đó nên được loại bỏ. Tuy nhiên, nếu các chỉ số này đã đạt ngưỡng yêu cầu và biến quan sát có ý nghĩa trong nghiên cứu, thì vẫn có thể giữ lại.
– Thang đo nguyên nhân (formative measurement model): Với thang đo nguyên nhân, trọng số ngoài (outer weight) được kiểm tra để xác định ý nghĩa thống kê. Nếu giá trị p-value của trọng số ngoài nhỏ hơn 0,05, biến quan sát có ý nghĩa. Nếu p-value lớn hơn 0,05, cần tiếp tục kiểm tra hệ số tải ngoài. Nếu hệ số này lớn hơn 0,5, biến quan sát vẫn có thể được giữ lại trong mô hình.
1.1 Chất lượng biến quan sát thang đo kết quả
Kết quả phân tích từ mô hình PLS-SEM sử dụng thuật toán cho phép chúng ta kiểm tra hệ số tải ngoài (outer loading) bằng cách chọn mục “Outer loadings”. Ngoại trừ thang đo nguyên nhân KM chưa được phân tích, tất cả các thang đo khác đều là dạng kết quả. Chất lượng các biến quan sát sẽ được đánh giá dựa trên hệ số tải ngoài này. Trong nghiên cứu, các biến có hệ số tải ngoài từ 0.7 trở lên được giữ lại, trong khi các biến có hệ số dưới 0.7 sẽ bị loại bỏ.
Cụ thể, hai biến BH6 và QH1 có hệ số tải ngoài nhỏ hơn 0.7 và do đó sẽ được loại khỏi mô hình, tiến hành phân tích lại với cấu trúc đã điều chỉnh.
1.2 Chất lượng biến quan sát thang đo nguyên nhân
Quá trình bootstrapping với số mẫu phụ (subsamples) bằng 1000 cho phép kiểm tra trọng số ngoài (outer weight). Kết quả cho thấy ba biến quan sát KM1, KM2, KM3 có ý nghĩa thống kê, trong khi KM4 không đạt yêu cầu này. Tuy nhiên, hệ số tải ngoài của KM4 đạt 0.693, lớn hơn ngưỡng 0.5, do đó biến này vẫn được chấp nhận trong mô hình. Như vậy, tất cả các biến quan sát của thang đo KM đều được giữ lại.
Tổng kết quá trình đánh giá chất lượng biến quan sát, hai biến BH6 và QH1 có chất lượng không đạt yêu cầu và cần được loại bỏ. Sau khi loại bỏ, phân tích sẽ được thực hiện lại để đánh giá lại mô hình. Lưu ý rằng khi thực hiện loại bỏ biến hoặc yếu tố cấu trúc, cần duy trì mô hình gốc và phân tích trên một phiên bản mới. Hướng dẫn chi tiết về cách vẽ mô hình và quản lý dự án trong SMARTPLS 4 có thể được tham khảo thông qua video liên quan.
Tiêu chuẩn đánh giá biến quan sát trong SMARTPLS 4:
– Thang đo kết quả: Outer loading ≥ 0.7 (Hair và cộng sự, 2013)
– Thang đo nguyên nhân:
+ Outer weight có ý nghĩa thống kê, hoặc
+ Outer weight không có ý nghĩa thống kê nhưng Outer loading ≥ 0.5 (Hair và cộng sự, 2013).
Bước 2. Độ tin cậy thang đo (Construct Reliability)
2.1 Độ tin cậy thang đo kết quả
SMARTPLS 4 cung cấp ba chỉ số chính để đánh giá độ tin cậy của thang đo, hay còn gọi là độ tin cậy nhất quán nội bộ: Cronbach’s alpha, Composite reliability (rho_a), và Composite reliability (rho_c). Theo Hair và cộng sự (2017), việc tập trung vào hai chỉ số chính là Cronbach’s alpha và Composite reliability (rho_c) sẽ mang lại hiệu quả cao hơn trong việc đánh giá.
Cronbach’s alpha, chỉ số đánh giá độ tin cậy truyền thống, thường có xu hướng ước lượng thấp hơn độ tin cậy thực sự của thang đo. Ngược lại, Composite reliability (rho_c) được xem là một lựa chọn tốt hơn để đánh giá độ tin cậy của thang đo. Cách tính toán Composite reliability tương tự với Cronbach’s alpha, với giá trị dao động từ 0 đến 1, trong đó càng gần 1 thì độ tin cậy càng cao. Trong các nghiên cứu khám phá, giá trị Composite reliability từ 0.6 đến 0.7 được chấp nhận, trong khi ngưỡng tối ưu là từ 0.7 đến 0.9 (Nunally & Bernstein, 1994). Nếu chỉ số này vượt quá 0.95, có thể xảy ra tình trạng biến quan sát trùng lặp.
Dù Cronbach’s alpha có xu hướng đánh giá thấp, còn Composite reliability lại có thể đánh giá quá cao, việc sử dụng đồng thời cả hai chỉ số sẽ giúp đưa ra kết luận chính xác hơn về độ tin cậy của thang đo. Giá trị thực sự của độ tin cậy thường nằm giữa hai chỉ số này.
Khi thực hiện phân tích PLS-SEM algorithm, lựa chọn mục “Construct reliability and validity” để kiểm tra độ tin cậy của các cấu trúc. Kết quả cho thấy hầu hết các cấu trúc nhân tố có độ tin cậy tốt khi cả Cronbach’s alpha và Composite reliability (rho_c) đều lớn hơn 0.7. Đáng chú ý, không có cấu trúc KM trong bảng kết quả do đây là thang đo nguyên nhân. Ngoài ra, độ tin cậy tổng hợp (rho_c) luôn cao hơn Cronbach’s alpha.
Trong trường hợp cấu trúc nhân tố vi phạm ngưỡng độ tin cậy tối thiểu, cần loại bỏ các biến quan sát có hệ số tải ngoài (outer loading) thấp nhất, sau đó tiến hành phân tích lại. Quá trình này lặp đi lặp lại cho đến khi cấu trúc đạt ngưỡng tin cậy. Nếu cấu trúc còn ít nhất hai biến quan sát và đạt độ tin cậy, thang đo sẽ được chấp nhận. Ngược lại, nếu vẫn không đạt ngưỡng sau khi loại bỏ biến, cả cấu trúc sẽ bị loại khỏi mô hình.
2.2 Độ tin cậy thang đo nguyên nhân
Trong SMARTPLS 4, chỉ có các thang đo dạng kết quả mới được đánh giá độ tin cậy, còn các thang đo nguyên nhân không áp dụng phương pháp này.
Tiêu chí đánh giá độ tin cậy cho thang đo dạng kết quả:
– Cronbach’s alpha: Chỉ số phải đạt từ 0.7 trở lên (DeVellis, 2012).
– Composite reliability (CR): Cần có giá trị từ 0.7 trở lên để đảm bảo thang đo đạt độ tin cậy (Hair et al., 2013).
Đối với thang đo nguyên nhân, không thực hiện đánh giá độ tin cậy theo các chỉ số này, do đặc điểm của loại thang đo này không yêu cầu kiểm tra độ nhất quán nội bộ.
Bước 3. Tính hội tụ thang đo (Convergent Validity)
3.1 Tính hội tụ thang đo kết quả
Trong quá trình phân tích thang đo kết quả bằng SMARTPLS, chỉ số phương sai trích trung bình (AVE – Average Variance Extracted) là tiêu chuẩn quan trọng để xác định tính hội tụ. Theo nghiên cứu của Hock & Ringle (2010), nếu chỉ số AVE đạt từ 0.5 trở lên, thang đo có tính hội tụ tốt, nghĩa là các biến tiềm ẩn có thể giải thích ít nhất 50% biến thiên của các biến quan sát.
Một nhược điểm của AVE là không phân biệt được sự khác biệt giữa các biến quan sát, đặc biệt khi một số biến có hệ số tải ngoài thấp. Điều này có thể dẫn đến việc AVE đạt yêu cầu ngay cả khi một số biến quan sát không đáp ứng được chất lượng cần thiết. Do đó, việc đánh giá chất lượng từng biến quan sát, đặc biệt là các biến có hệ số tải ngoài dưới 0.4, là rất cần thiết trước khi đánh giá AVE.
Khi thang đo có AVE dưới 0.5, cần loại bỏ dần các biến quan sát có hệ số tải ngoài thấp nhất để tăng chỉ số AVE. Quá trình này sẽ được lặp lại cho đến khi tính hội tụ của nhân tố đạt được. Nếu sau khi loại bỏ biến, thang đo còn ít nhất 2 biến quan sát và AVE đạt từ 0.5 trở lên, thang đo sẽ được coi là đạt yêu cầu. Nếu không, cả nhân tố sẽ bị loại khỏi mô hình.
Kết quả phân tích PLS-SEM có thể được kiểm tra bằng cách chọn “Construct reliability and validity” để xem cột AVE trong bảng kết quả. Các thang đo đảm bảo tính hội tụ khi AVE từ 0.5 trở lên. Lưu ý, thang đo nguyên nhân như KM không được áp dụng đánh giá tính hội tụ.
Kết luận: Việc đánh giá tính hội tụ thông qua AVE giúp xác định mức độ phù hợp của các biến quan sát trong mô hình, đảm bảo sự chính xác và tin cậy cho quá trình phân tích.
3.2 Tính hội tụ thang đo nguyên nhân
Việc đánh giá tính hội tụ cho thang đo nguyên nhân thường gặp khó khăn vì giả định rằng các biến quan sát không có mối tương quan với nhau. Chin (1998) đã đề xuất kỹ thuật phân tích dư thừa (redundancy analysis) để giải quyết vấn đề này. Theo phương pháp này, một biến tiềm ẩn có thể được đo bằng cả thang đo nguyên nhân và thang đo kết quả, gọi là Y_f (thang đo nguyên nhân) và Y_r (thang đo kết quả). Sau đó, thực hiện phân tích đường dẫn giữa Y_f và Y_r để kiểm tra mức độ hội tụ của Y_f. Theo Hair và cộng sự (2017), nếu hệ số R-squared từ 0.64 trở lên, thang đo nguyên nhân đạt tính hội tụ. Ngược lại, nếu dưới 0.64, tính hội tụ của thang đo nguyên nhân bị vi phạm và cần điều chỉnh.
Tuy nhiên, việc áp dụng kỹ thuật phân tích dư thừa có hạn chế do thang đo kết quả thường khó xây dựng. Để khắc phục, Cheah và cộng sự (2018) đã đề xuất sử dụng biến tổng quát (global single variable). Thay vì xây dựng một thang đo kết quả đầy đủ, chỉ cần một biến tổng quát đơn lẻ để đại diện cho Y_r. Ví dụ, với thang đo nguyên nhân đánh giá sự hài lòng dịch vụ xe ôm qua các biến quan sát như thái độ thân thiện của tài xế, quy trình đặt xe, và dịch vụ chăm sóc khách hàng, có thể sử dụng biến tổng quát để đo lường sự hài lòng tổng thể của khách hàng với dịch vụ.
Trong quá trình phân tích bằng SMARTPLS, nếu R-squared từ biến nguyên nhân lên biến tổng quát lớn hơn 0.64, thang đo nguyên nhân sẽ đảm bảo tính hội tụ. Nếu R-squared nhỏ hơn 0.64, thang đo cần được xem xét và điều chỉnh.
Kết luận: Đánh giá tính hội tụ của thang đo nguyên nhân yêu cầu phân tích thông qua biến tổng quát hoặc kỹ thuật phân tích dư thừa. Trong trường hợp không thể bổ sung dữ liệu hoặc câu hỏi tổng quát, có thể ghi nhận đây là hạn chế trong nghiên cứu.
Bước 4. Tính phân biệt thang đo (Discriminant Validity)
4.1 Tính phân biệt thang đo kết quả
a. Đánh giá tính phân biệt bằng hệ số Cross-loading
Đánh giá tính phân biệt bằng Cross-loading là một phương pháp phổ biến trong phân tích mô hình đo lường để kiểm tra xem các biến quan sát có phân biệt tốt giữa các cấu trúc hay không. Theo lý thuyết, một biến quan sát nên có hệ số tải (loading) cao nhất trên cấu trúc mà nó dự định đo lường so với các cấu trúc khác trong mô hình. Cách thực hiện trên SmartPLS 4 như sau:
– Sau khi chạy PLS Algorithm, bạn truy cập vào Cross-loadings để xem các giá trị hệ số tải giữa biến quan sát và các cấu trúc.
– Biến quan sát có hệ số tải cao nhất trên cấu trúc tiềm ẩn của chính nó, và thấp hơn trên các cấu trúc khác, cho thấy tính phân biệt tốt.
– Nếu một biến có hệ số tải cao hơn trên cấu trúc khác, điều này có thể dẫn đến sự vi phạm tính phân biệt và cần xem xét lại mô hình.
b. Đánh giá tính phân biệt bằng bảng Fornell and Larcker
Bảng Fornell and Larcker là phương pháp kinh điển trong phân tích tính phân biệt của mô hình đo lường. Phương pháp này yêu cầu giá trị căn bậc hai của AVE (Average Variance Extracted) của mỗi cấu trúc phải lớn hơn hệ số tương quan giữa cấu trúc đó và các cấu trúc khác trong mô hình. Điều này đảm bảo rằng một cấu trúc chia sẻ nhiều phương sai hơn với các chỉ số của nó so với với các cấu trúc khác.
Cách thực hiện trên SmartPLS 4:
– Sau khi chạy PLS Algorithm, truy cập vào Fornell-Larcker Criterion.
– Căn bậc hai AVE của từng cấu trúc nằm trên đường chéo chính của bảng, và các giá trị tương quan giữa các cấu trúc nằm dưới đường chéo.
– Để đảm bảo tính phân biệt, giá trị trên đường chéo (căn bậc hai AVE) phải lớn hơn tất cả các giá trị tương quan ở cùng cột.
c. Đánh giá tính phân biệt bằng bảng HTMT
Heterotrait-Monotrait Ratio (HTMT) là một phương pháp hiện đại và đáng tin cậy hơn để đánh giá tính phân biệt. HTMT đo lường tỷ lệ giữa tương quan của các chỉ số trong cùng một cấu trúc và tương quan giữa các chỉ số từ các cấu trúc khác nhau. Ngưỡng thông thường của HTMT là dưới 0,85 (hoặc 0,9 tùy vào mô hình). Nếu HTMT vượt ngưỡng, điều này có nghĩa là tính phân biệt của cấu trúc đang bị vi phạm.
Cách thực hiện trên SmartPLS 4:
– Sau khi chạy PLS Algorithm, vào mục HTMT để xem kết quả.
– Kiểm tra các giá trị HTMT giữa các cặp cấu trúc. Nếu tất cả các giá trị HTMT nhỏ hơn 0,85, thì tính phân biệt của mô hình được đảm bảo.
Các phương pháp này giúp đảm bảo rằng mô hình đo lường có tính phân biệt cao, góp phần nâng cao tính tin cậy và hợp lệ của nghiên cứu.
4.2 Tính phân biệt thang đo nguyên nhân
Trong SMARTPLS 4, tính phân biệt của thang đo chỉ được áp dụng đối với thang đo dạng kết quả, trong khi thang đo nguyên nhân không yêu cầu đánh giá tính phân biệt.
Tiêu chí đánh giá tính phân biệt cho thang đo kết quả:
– HTMT (Heterotrait-Monotrait Ratio): Chỉ số HTMT cần nhỏ hơn hoặc bằng 0.9 để đảm bảo tính phân biệt giữa các khái niệm đo lường.
Đối với thang đo nguyên nhân, không tiến hành đánh giá tính phân biệt do đặc điểm của thang đo này không yêu cầu kiểm tra tính khác biệt giữa các khái niệm đo lường.
Bước 5. Tính cộng tuyến của biến quan sát (Item Collinearity)
5.1 Tính cộng tuyến biến quan sát thang đo kết quả
Không đánh giá tính cộng tuyến của thang đo kết quả
5.2 Tính cộng tuyến biến quan sát thang đo nguyên nhân
Không giống như thang đo kết quả, các biến quan sát trong thang đo nguyên nhân được kỳ vọng là không có sự tương quan cao với nhau. Nếu hai biến quan sát bất kỳ trong thang đo nguyên nhân có tương quan cao, điều đó chỉ ra vấn đề trong quá trình xây dựng thang đo nguyên nhân. Vì mỗi biến quan sát trong thang đo nguyên nhân mang một ý nghĩa và vai trò riêng biệt, chúng không thể thay thế cho nhau. Việc xuất hiện cộng tuyến giữa các biến quan sát trong thang đo nguyên nhân có thể dẫn đến sai lệch trong kết quả phân tích.
Theo Hair và cộng sự (2011), nếu một biến quan sát trong thang đo nguyên nhân có hệ số VIF (Variance Inflation Factor) ≥ 5, thì cộng tuyến đang hiện diện trong mô hình. Để giải quyết vấn đề này, cần loại bỏ dần các biến quan sát có VIF cao nhất cho đến khi tất cả các biến có VIF nhỏ hơn 5. Trong trường hợp sau khi loại bỏ biến, nhân tố vẫn còn ít nhất 2 biến quan sát và không còn cộng tuyến, thang đo sẽ được coi là đạt yêu cầu. Ngược lại, nếu cộng tuyến vẫn tồn tại khi nhân tố chỉ còn 2 biến quan sát, thang đo sẽ bị loại bỏ khỏi mô hình.
Để kiểm tra hệ số VIF trong SMARTPLS 4, bạn có thể truy cập vào phần “Collinearity statistics (VIF)” trong kết quả phân tích PLS-SEM, sau đó chọn mục “Outer model – List” để xem chi tiết.
Kết luận: Cộng tuyến là một yếu tố quan trọng cần được kiểm soát trong thang đo nguyên nhân, và việc loại bỏ các biến quan sát có VIF cao giúp đảm bảo tính chính xác của mô hình phân tích.
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.
