Kiểm định Harman's one-factor bằng EFA trong SPSS

Kiểm định Harman's one-factor (kiểm định đơn nhân tố Harman) là một công cụ phổ biến để phát hiện hiện tượng sai lệch phương pháp chung CMB (Common Method Bias) hoặc phương sai phương pháp chung CMV (Common Method Variance). 

1. Common Method Variance (CMV), Common Method Bias (CMB) là gì?

CMB hay CMV (sau đây sẽ gọi chung là CMB) là hiện tượng giải thích sự biến thiên trong dữ liệu nghiên cứu do phương pháp đo lường chung, chứ không phải do các biến mà phương pháp đó nhằm đo lường. Nói cách khác, sự biến thiên của dữ liệu trong một nghiên cứu được giải thích:

1. Bởi các biến trong mô hình (tốt).
2. Bởi sai lệch từ việc sử dụng cùng một phương pháp đo lường cho các biến trong mô hình, gọi là CMB (xấu, cần phát hiện và loại bỏ).

CMB có thể xuất hiện vì các lý do sau:

• Sai lệch từ nguồn thu thập dữ liệu giống nhau cho toàn bộ các biến trong mô hình: Khi dữ liệu của biến độc lập, biến trung gian, biến phụ thuộc... được thu thập từ cùng một nguồn (ví dụ: bảng hỏi thiết kế các biến đều là dữ liệu sơ cấp khảo sát, người được khảo sát trả lời toàn bộ các câu hỏi), người tham gia có thể có xu hướng bị ảnh hưởng đáp án trả lời theo mong muốn hay nhận định của số đông, hoặc bị ảnh hưởng bởi cảm xúc cá nhân với vấn đề khảo sát.
• Đặc tính của công cụ đo lường: Một số đặc tính của công cụ đo lường, như định dạng của câu hỏi, các điểm cuối của thang đo, hoặc từ ngữ, có thể dẫn người tham gia trả lời tương tự hoặc có độ lệch trong các câu trả lời qua các câu hỏi.
• Yếu tố thời gian: Người tham gia có thể nhớ lại các câu trả lời trước đó hoặc bị ảnh hưởng bởi các sự kiện gần đây, dẫn đến câu trả lời không phản ánh đúng.
• Đặc tính của mẫu: Nếu mẫu bao gồm các cá nhân có các đặc tính chung như nhân viên tổ chức, họ có thể có quan điểm hoặc kinh nghiệm tương tự nhau ảnh hưởng đến các câu trả lời.
• Sự không hợp tác của đáp viên: Một số người tham gia có thể có xu hướng đồng ý với các câu trả lời mà không quan tâm đến nội dung của chúng, dẫn đến các mối quan hệ giữa các biến bị phóng đại hoặc không đúng.

CMB có thể dẫn đến sự sai lệch của các ước lượng tham số về mối quan hệ giữa hai nhân tố trong một mô hình. Loại sai lệch này có thể làm tăng hoặc giảm ước lượng về mối quan hệ giữa hai nhân tố đó (Antonakis và cộng sự, 2010). Theo Podsakoff và cộng sự (2012), tùy thuộc vào việc CMB làm tăng hoặc giảm mối quan hệ, điều này có thể:

(1) ảnh hưởng đến kiểm định giả thuyết các tác động trong mô hình,

(2) dẫn đến đánh giá sai lệch về lượng phương sai của một biến có vai trò phụ thuộc nhận tác động từ một hoặc các biến độc lập,

(3) làm phóng đại hoặc giảm thiểu tính phân biệt giữa các nhân tố với nhau.

2. Kiểm định Harman's one-factor để làm gì?

Kiểm định Harman là một trong những kỹ thuật phổ biến nhất đã được các nhà nghiên cứu sử dụng đến 12% trong các nghiên cứu (Cooper và cộng sự, 2020). Tuy nhiên, cũng có quan điểm khác cho rằng kiểm định Harman trong đánh giá CMB không thực sự chính xác bởi tác giả Harman cũng không hề đề cập tới ngưỡng giá trị phương sai trích được giải thích là bao nhiêu thì kết luận xuất hiện CMB, bao nhiêu thì không xuất hiện CMB (Podsakoff và cộng sự, 2003).

Với kiểm định Harman, tất cả biến quan sát thuộc các nhân tố được đưa vào chung một lần phân tích EFA để kiểm tra xem liệu rằng có một nhân tố đơn nào được trích giải thích phần lớn dữ liệu của tất cả các biến quan sát được đưa vào hay không. Nếu có nhân tố đơn nào có phương sai trích rất lớn nghĩa là dữ liệu có CMB (Chang và cộng sự, 2010). Cooper và cộng sự (2020) đưa ra ngưỡng phương sai trích này là 50%, trên 50% là có CMB (không tốt), dưới 50% là không có CMB (tốt).

3. Cơ chế đánh giá CMB của kiểm định Harman

Tehseen và cộng sự (2017) hướng dẫn thực hiện kiểm định Harman bằng phân tích EFA trên phần mềm SPSS như sau:

Bước 1: Thực hiện phân tích nhân tố EFA theo hướng dẫn tại bài viết này. Đưa toàn bộ các biến quan sát thuộc tất cả các nhân tố vào chung một lần EFA.

Bước 2: Vào tùy chọn Descriptives, tích chọn mục KMO and Barlett’s test of sphericity để xuất bảng giá trị KMO và giá trị sig của kiểm định Barlett. Tại tùy chọn phép trích Extraction chọn Principal Components. Tại tùy chọn phép xoay Rotation để mặc định None (không xoay).

Bước 3: Xem giá trị % of Variance của nhân tố đầu tiên trong cột Extraction Sums of Squared Loadings thuộc bảng Total Variance Explained, theo nếu phương sai trích này lớn hơn 50% thì dữ liệu có CMB (không tốt), nếu nhỏ hơn 50% thì không có CMB (tốt). 

Nhân tố đầu tiên giải thích có phương sai là 27.641% < 50%. Như vậy, không có sự hiện diện của CMB.