Trong phân tích mô hình đo lường trên SMARPLTS, việc đánh giá tính hội tụ (convergent validity) và tính phân biệt (discriminant validity) của các biến tiềm ẩn (nhân tố hoặc cấu trúc) là một bước quan trọng.
1. Đánh giá tính hội tụ trong SMARTPLS
Để đánh giá tính hội tụ trên SMARTPLS, chúng ta sẽ dựa vào chỉ số phương sai trung bình được trích AVE (Average Variance Extracted). AVE đo lường mức độ mà một biến ẩn giải thích phương sai của các chỉ báo (còn gọi là biến quan sát) tương ứng. AVE được tính bằng cách tổng các giá trị của bình phương hệ số tải ngoài (outer loading) của tất cả các chỉ báo liên quan đến biến ẩn đó, chia cho tổng của bình phương hệ số tải trọng và các sai số (error) của biến ẩn đó.
Nếu AVE của một biến ẩn là cao, có nghĩa là biến ẩn đó giải thích được một phần lớn sự biến động của các chỉ báo liên quan tới nó và do đó mô hình có tính hợp lý cao hơn. Nếu AVE của một biến ẩn là thấp, có nghĩa là biến ẩn đó không giải thích được một phần lớn sự biến động của các chỉ báo liên quan tới nó và do đó mô hình có tính hợp lý thấp hơn.
Hock & Ringle (2010) cho rằng một thang đo đạt giá trị hội tụ nếu AVE đạt từ 0.5 trở lên. Mức 0.5 (50%) này mang ý nghĩa biến tiềm ẩn mẹ trung bình sẽ giải thích được tối thiểu 50% biến thiên của từng biến quan sát con.
Một nhược điểm trong cách tính chỉ số AVE là đánh giá đồng đều các biến quan sát với nhau, không xem xét đến các biến quan sát có hệ số tải ngoài thấp. Trong đánh giá mô hình đo lường, một biến quan sát có hệ số tải ngoài thấp (ví dụ dưới 0.4) nhưng hệ số tải ngoài của các biến quan sát còn lại rất cao thì AVE vẫn đạt ngưỡng 0.5. Do đó, trước khi đánh giá AVE, chúng ta cần đánh giá chất lượng biến quan sát và kiểm tra độ tin cậy thang đo trước để loại bỏ các biến quan sát không có ý nghĩa.
Nếu một thang đo không đạt độ hội tụ, chúng ta cũng loại bỏ lần lượt từng biến quan sát có outer loading thấp nhất để cải thiện độ hội tụ. Nếu sau quá trình loại biến, tính hội tụ vẫn không đảm bảo, chúng ta kết luận thang đo không đảm bảo tính hội tụ và không sử dụng thang đo cho các phân tích định lượng phía sau.
Để xem AVE trên SMARTPLS, chúng ta chạy PLS Algorithm (xem cách chạy tại đây).
2. Đánh giá tính phân biệt trong SMARTPLS
Giá trị phân biệt cho thấy tính khác biệt của một cấu trúc khi so sánh với các cấu trúc khác trong mô hình. Cách tiếp cận truyền thống để đánh giá tính phân biệt là sử dụng chỉ số căn bậc hai AVE do Fornell and Larcker (1981) đề xuất. Phương pháp truyền thống này có những thiếu sót và cần một phương pháp đánh giá chính xác hơn. Henseler và cộng sự (2015) đã sử dụng các nghiên cứu mô phỏng để chứng minh rằng giá trị phân biệt được đánh giá một cách tốt hơn bởi chỉ số HTMT mà họ đã phát triển. SMARTPLS sử dụng cả hai cách đánh giá tính phân biệt này, tuy nhiên vẫn chú trọng vào HTMT hơn.
2.1 Đánh giá tính phân biệt bằng bảng Fornell and Larcker
Fornell and Larcker (1981) khuyến nghị rằng tính phân biệt được đảm bảo khi căn bậc hai của AVE cho mỗi biến tiềm ẩn cao hơn tất cả tương quan giữa các biến tiềm ẩn với nhau. Xem ý nghĩa, cách đọc bảng này tại bài viết Đánh giá tính phân biệt thang đo bằng bảng Fornell and Larcker.
Cấu trúc trình bày bảng Fornell and Larcker như mẫu bên dưới ở tất cả các phần mềm SEM. Phần số ở đầu mỗi cột chính là giá trị căn bậc hai AVE (0.763, 0.766, 0.908, 1.000, 0.725), và phần số bên dưới là tương quan giữa các biến tiềm ẩn. Trong bảng này có một giá trị căn bậc hai AVE bằng 1 ở biến tiềm ẩn HL bởi biến này chỉ được đo bằng một biến quan sát HL1.
Căn bậc hai AVE > Tương quan giữa các biến tiềm ẩn (Fornell and Larcker, 1981)
2.2 Đánh giá tính phân biệt bằng bảng HTMT
Chỉ số HTMT được sử dụng để đo lường mức độ tách biệt giữa các biến ẩn trong mô hình và đo lường tính hợp lý của mô hình. HTMT được tính bằng cách lấy giá trị trung bình của tỷ lệ tương quan giữa các biến khác loại (heterotrait) và các biến cùng loại (monotrait), chia cho giá trị tối đa của tỷ lệ tương quan giữa các biến cùng loại.
Với chỉ số HTMT, Garson (2016) cho rằng giá trị phân biệt giữa hai biến tiềm ẩn được đảm bảo khi chỉ số HTMT nhỏ hơn 1. Henseler và cộng sự (2015) đề xuất rằng nếu giá trị này dưới 0.9, giá trị phân biệt sẽ được đảm bảo. Trong khi đó, Clark & Watson (1995) và Kline (2015) sử dụng ngưỡng tiêu chuẩn nghiêm ngặt hơn là 0.85. Ngưỡng 0.9 được sử dụng phổ biến nhất.
Khi giá trị của chỉ số HTMT cho một cặp biến ẩn là thấp, tức là giá trị của chỉ số HTMT nhỏ hơn hoặc bằng 0.9, thì ta có thể kết luận rằng tính phân biệt giữa các biến ẩn trong mô hình là tốt. Nếu giá trị của chỉ số HTMT cho một cặp biến ẩn là cao hơn 0.9, thì ta cần kiểm tra lại mô hình để xem có cần thực hiện các điều chỉnh để cải thiện tính phân biệt giữa các biến ẩn.
HTMT ≤ 0.9 (Hair và cộng sự, 2014)
Để xem bảng Fornell and Larcker và HTMT trên SMARTPLS, chúng ta chạy PLS Algorithm (xem cách chạy tại đây).
