Trong phân tích mô hình cấu trúc PLS-SEM, tính phân biệt (Discriminant Validity) là một tiêu chí quan trọng nhằm đảm bảo rằng các khái niệm trong mô hình thực sự khác biệt nhau và đo lường đúng bản chất riêng biệt của từng khái niệm. Trong bài viết này, bạn sẽ được hướng dẫn chi tiết và dễ hiểu cách đánh giá tính phân biệt trong phần mềm SMARTPLS 4 thông qua ba bảng kiểm tra phổ biến: Cross-Loading, Fornell and Larcker, HTMT.
Xét mô hình nghiên cứu gồm 6 nhân tố, nhân tố KM là thang đo nguyên nhân formative, các nhân tố còn lại là thang đo kết quả reflective.
Biểu diễn mô hình nghiên cứu lên diagram SMARTPLS, lưu ý cần khai báo thang đo KM là formative. Để chọn dạng thang đo reflective hay formative, chúng ta nhấp đôi vào biến tiềm ẩn và chọn tại mục Measurement model. Sau khi chọn xong nhấp vào nút Apply.
Trên diagram, lúc này biến tiềm ẩn KM sẽ nhận mũi tên hướng vào từ các biến quan sát. Các nhân tố khác ở dạng kết quả nên mũi tên sẽ hướng từ biến tiềm ẩn lên biến quan sát.
Để đánh giá mô hình đo lường trên SMARTPLS 4, chúng ta cần triển khai 2 phân tích là PLS-SEM algorithm và Bootstrapping. Bạn xem chi tiết cách thực hiện tại bài viết này.
Trong SMARTPLS, một nhân tố được đo lường bởi các biến quan sát bằng một trong hai loại đo lường là thang đo kết quả và thang đo nguyên nhân. Chúng ta chỉ xét tính phân biệt đối với các thang đo kết quả (reflective), không xét tính phân biệt với thang đo nguyên nhân (formative).
Giá trị phân biệt cho thấy tính khác biệt của một cấu trúc khi so sánh với các cấu trúc khác trong mô hình. SMARTPLS 4 cung cấp 3 phương pháp đánh giá tính phân biệt thang đo: (1) sử dụng hệ số cross-loading, (2) sử dụng bảng Fornell and Larcker và (3) sử dụng bảng HTMT.
1. Đánh giá tính phân biệt trong SMARTPLS 4 qua bảng Cross-Loadings.
Phương pháp này cho rằng tính phân biệt sẽ đảm bảo khi hệ số tải ngoài outer loading của một biến quan sát thuộc nhân tố này cần lớn hơn bất kỳ hệ số tải chéo cross-loading của biến quan sát đó với tất cả những nhân tố khác trong mô hình.
Hệ số tải chéo Cross-loading là hệ số tương quan giữa một biến quan sát (observed variable) và một nhân tố (factor) khác không phải nhân tố mẹ. Nói cách khác, nó đo lường mức độ mà một biến quan sát "tải" lên một nhân tố không phải là nhân tố chính của nó.
Để xem kết quả cross-loading trên SMARTPLS 4, từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Cross loading.
Phần bôi vàng chính là hệ số tải ngoài outer loading của biến quan sát, phần không bôi màu là hệ số tải chéo cross-loading. Kết quả từ ví dụ thực hành cho thấy phần lớn các biến quan sát đều hệ số cross-loading thấp hơn nhiều so với hệ số outer loading. Riêng nhóm NB thì các biến quan sát NB1-NB4 đang có cross-loading tương đối cao (> 0.5), cần xem xét kỹ hơn tính phân biệt của NB với các nhân tố khác.
Với tình huống biến quan sát không đảm bảo được tính phân biệt trong bảng hệ số tải chéo Cross Loadings trên SMARTPLS, chúng ta nên loại biến này khỏi diagram và thực hiện phân tích lại mô hình đo lường.
2. Đánh giá tính phân biệt trong SMARTPLS 4 qua bảng Fornell and Larcker
Phương pháp này dựa trên việc so sánh hệ số căn bậc hai AVE (SQRT(AVE)) của thang đo biến quan sát dùng để đo lường cho một biến tiềm ẩn với các hệ số tương quan giữa biến tiềm ẩn đó với các biến tiềm ẩn khác. Trong đó, AVE (Average Variance Extracted) là mức độ giải thích trung bình của biến tiềm ẩn tới các biến quan sát của nó. Nếu hệ số SQRT(AVE) lớn hơn các hệ số tương quan còn lại, chúng ta kết luận thang đo đảm bảo tính phân biệt.
Giả sử chúng ta muốn tìm hiểu mối liên hệ giữa ba khái niệm A, B, và C và cả ba khái niệm này đều sử dụng mô hình đo lường kết quả. Một trong các công việc bạn cần phải thực hiện đó là đánh giá “giá trị phân biệt” của từng thang đo. Bây giờ, chúng ta sẽ bắt đầu đánh giá với các biến quan sát của biến tiềm ẩn A. Chúng ta sẽ cần có ma trận tương quan giữa ba biến tiềm ẩn là A, B, C và chỉ số SQRT(AVE) của thang đo A. Bảng bên dưới là cấu trúc trình bày bảng Fornell and Larcker được sử dụng trên nhiều phần mềm SEM hiện nay.
Cấu trúc trình bày bảng ở dạng ma trận với hàng và cột đầu tiên là tên các biến tiềm ẩn đại diện cho thang đo của biến đó, cụ thể ở đây là A, B, C. Bên trong là các ô giá trị được chia làm hai phần: (1) ô màu cam là SQRT(AVE) và (2) ô màu xanh là tương quan giữa các biến tiềm ẩn.
- Với ô màu cam: Giá trị 0.730 nằm ở cột A - hàng A, đây là SQRT(AVE) của biến A. Tương tự, 0.851 và 0.840 lần lượt là SQRT(AVE) của B và C.
- Với ô màu xanh: Giá trị 0.838 là tương quan giữa A với B, giá trị -0.110 là tương quan giữa A với C, giá trị -0.306 là tương quan giữa B với C.
Để xem kết quả bảng Fornell and Larcker trên SMARTPLS 4, từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Fornell-Larcker criterion.
Phần bôi vàng chính là căn bậc hai chỉ số AVE của các nhân tố: căn bậc hai AVE của BH là 0.737, của NB là 0.882, của QC là 0.783... Phần không bôi vàng là tương quan giữa các nhân tố với nhau.
Khi đọc kết quả, chúng ta sẽ xét hệ số tương quan của một cặp biến có nhỏ hơn 2 giá trị căn bậc hai AVE của cặp biến đó không, nếu có thì 2 biến này đảm bảo tính phân biệt, ngược lại vi phạm tính phân biệt. Ví dụ:
- Tương quan của BH và NB là 0.641
- Căn bậc hai AVE của BH là 0.797
- Căn bậc hai AVE của NB là 0.882
Do 0.641 nhỏ hơn 0.797 và 0.882, nên BH và NB đảm bảo tính phân biệt.
Kết quả từ ví dụ thực hành cho thấy toàn bộ các nhân tố trong mô hình đều đảm bảo tính phân biệt khi không có hệ số tương quan của cặp nhân tố nào lớn hơn 2 giá trị căn bậc hai AVE của cặp nhân tố đó.
Nếu bạn gặp khóa khăn trong xử lý SMARTPLS khi dữ liệu vi phạm nặng tính phân biệt dù đã cố gắng cải thiện, bạn có thể tham khảo qua dịch vụ SMARTPLS của Phạm Lộc Blog để bên mình hỗ trợ xử lý nhanh chóng và chính xác nhất nhé.
3. Đánh giá tính phân biệt trong SMARTPLS 4 qua bảng HTMT
Cơ sở đánh giá tính phân biệt bằng HTMT sẽ dựa trên ý tưởng: Hệ số tương quan trung bình trong nội bộ một thang đo càng lớn hơn trung bình các hệ số tương quan chéo càng tốt. Khi hệ số tương quan trung bình trong nội bộ một thang đo càng cao, biển tiềm ẩn chia sẻ sự biến động càng lớn trong nội bộ của thang đo đó. Nếu trung bình của các hệ số tương quan chéo càng thấp chứng tỏ biến tiềm ẩn vừa nêu càng ít chia sẻ sự biến động tới biển tiềm ẩn khác. Khi đó, các chỉ báo ở hai biến tiềm ẩn sẽ đạt được giá trị phân biệt.
Henseler và cộng sự (2015) cho rằng, nếu chỉ số HTMT của một cặp nhân tố lớn hơn 0.9, tính phân biệt của nhân tố bị vi phạm. Nếu chỉ số HTMT dưới 0.85 tính phân biệt được đảm bảo tốt. Như vậy khoảng từ 0.85 đến 0.9 sẽ là ngưỡng chấp nhận được.
Để xem kết quả bảng HTMT trên SMARTPLS 4, từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Heterotrait-monotrait ratio (HTMT) - Matrix.
Kết quả từ ví dụ thực hành cho thấy toàn bộ giá trị HTMT đều nhỏ hơn 0.9, như vậy tính phân biệt được đảm bảo. Trong bảng kết quả không có nhân tố KM vì đây là thang đo nguyên nhân.
Nếu tính phân biệt giữa một cặp biến bị vi phạm, bạn quay lại bảng Cross-loadings xem nếu có biến quan sát nào có tải trọng cao trên cả hai biến tiềm ẩn, hãy loại bỏ và chạy lại phân tích.