Thang đo Likert là công cụ phổ biến trong nghiên cứu định lượng, đặc biệt khi phân tích dữ liệu khảo sát bằng SPSS và AMOS. Việc hiểu đúng cách chạy thang đo Likert không chỉ giúp dữ liệu phản ánh chính xác ý kiến người trả lời mà còn là nền tảng quan trọng cho các bước phân tích tiếp theo như Cronbach’s Alpha, EFA, CFA và SEM... trong SPSS, AMOS.
1. Khái niệm thang đo Likert là gì?
a. Định nghĩa
Thang đo Likert là một dạng thang đo tâm lý (psychometric scale) do Rensis Likert đề xuất năm 1932, được sử dụng rộng rãi trong nghiên cứu khoa học xã hội nhằm đo lường thái độ, nhận thức hoặc mức độ đồng ý của người trả lời đối với các phát biểu. Mỗi phát biểu được đánh giá thông qua các mức phản hồi có thứ tự tăng dần, phổ biến nhất là thang 5 hoặc 7 mức, từ “rất không đồng ý” đến “rất đồng ý”.
Về mặt phương pháp luận, cần phân biệt rõ một câu hỏi Likert (Likert item) và thang đo Likert (Likert scale), trong đó thang đo Likert đúng nghĩa là tập hợp nhiều câu hỏi cùng đo lường một khái niệm tiềm ẩn, chứ không phải một biến đơn lẻ.
b. Thang đo Likert phải cấu thành từ nhiều biến quan sát
Trong nghiên cứu định lượng, một khái niệm lý thuyết chỉ được xem là đo lường hợp lệ khi được đại diện bởi nhiều biến quan sát sử dụng thang đo Likert, thường là từ ba biến trở lên.
Các biến quan sát trong thang đo Likert phản ánh những khía cạnh khác nhau của cùng một khái niệm, giúp giảm sai số đo lường và tăng độ tin cậy. Nếu chỉ sử dụng một biến Likert đơn lẻ từng câu, nhà nghiên cứu sẽ không thể kiểm định được độ tin cậy, cấu trúc hay giá trị của thang đo, và kết quả phân tích sẽ không đáp ứng yêu cầu học thuật.
Một thang đo Likert hợp lệ bao gồm nhiều biến quan sát (items) cùng đo lường một khái niệm tiềm ẩn (latent construct).
Ví dụ:
- Khái niệm: Sự hài lòng
- Biến quan sát: HL1, HL2, HL3, HL4
- Thang đo: Likert 5 mức (1 = Rất không đồng ý → 5 = Rất đồng ý)
Không được:
- Chạy Cronbach’s Alpha cho 1 biến
- Đưa 1 biến Likert đơn lẻ vào EFA, CFA, SEM
2. Câu hỏi 5, 7 đáp án ≠ thang đo Likert
Một câu hỏi có 5, 7 lựa chọn chỉ là hình thức, chưa đủ điều kiện để gọi là Likert.
Ví dụ 1: Bạn sử dụng xe điện bao lâu một lần?
(1) Chưa bao giờ
(2) Hiếm khi
(3) Thỉnh thoảng
(4) Thường xuyên
(5) Rất thường xuyên
→ Đây là thang đo tần suất, không phải Likert.
Ví dụ 2 – Thu nhập hàng tháng của bạn?
(1) Dưới 5 triệu
(2) 5–10 triệu
(3) 10–15 triệu
(4) 15–20 triệu
(5) Trên 20 triệu
→ Đây là thang đo phân loại thứ bậc, không phải Likert.
Điều kiện để một câu hỏi được gọi là thang đo Likert
Một câu hỏi chỉ được gọi là Likert khi đồng thời thỏa mãn:
- Có phát biểu khẳng định
- Đo mức độ đồng ý / cảm nhận
- Các mức trả lời đối xứng – tăng dần
- Dùng để đo thái độ, nhận thức, đánh giá chủ quan
Nếu nhầm câu hỏi 5 đáp án là Likert, phần mềm vẫn chạy ra các con số kết quả như bình thường nhưng những con số này hoàn toàn vô nghĩa:
- Cronbach’s Alpha không có ý nghĩa
- EFA/CFA sai bản chất
- Kết luận nghiên cứu dễ bị phản biện bác bỏ
- Hội đồng/chuyên gia có chuyên môn sẽ chất vấn về tính hợp lệ
2. Cách chạy thang đo Likert trong SPSS
Khi đã gọi là "thang đo Likert" trong tên gọi chúng ta đã có thể định hình được một số loại kiểm định dùng cho phân tích một "thang đo" như Thống kê trung bình, Cronbach's Alpha, EFA, CFA.
2.1 Chạy thống kê mô tả thang đo Likert (Mean, Min, Max, SD) trong SPSS
Sau khi nhập dữ liệu vào SPSS, bước đầu tiên là thống kê mô tả các biến Likert nhằm hiểu đặc điểm phân bố dữ liệu. Các chỉ số thường được sử dụng gồm giá trị trung bình (Mean), giá trị nhỏ nhất (Min), giá trị lớn nhất (Max) và độ lệch chuẩn (SD).
Giá trị trung bình phản ánh xu hướng đánh giá chung của mẫu, trong khi min–max giúp kiểm tra việc mã hóa thang đo. Độ lệch chuẩn cho biết mức độ phân tán câu trả lời; với thang Likert 5 mức, SD nhỏ hơn 1 thường được xem là chấp nhận được.
Cách chạy thống kê trung bình cho Likert scale bạn xem tại bài viết: Thống kê trung bình, min, max, độ lệch chuẩn trong SPSS.
Ví dụ về bảng kết quả thống kê trung bình thang đo Likert trên SPSS sẽ giống như ảnh sau:
Các biến quan sát TL1–TL4 được đo lường bằng thang đo Likert 5 mức (1–5).
Chúng ta sẽ xem xét giá trị nhỏ nhất (Minimum) và giá trị lớn nhất (Maximum) nhằm xác định liệu dữ liệu có xuất hiện giá trị vượt ngoài phạm vi thang đo 1–5 hay không.
Hai chỉ số còn lại là giá trị trung bình (Mean) và độ lệch chuẩn (Standard Deviation) thường có mối liên hệ chặt chẽ với Minimum và Maximum. Trong trường hợp dữ liệu có giá trị bất thường vượt ngoài thang đo, Mean và Standard Deviation thường sẽ bị sai lệch hoặc xuất hiện sự đột biến, phản ánh chất lượng dữ liệu chưa đảm bảo.
Giả sử khi giá trị trung bình (Mean) cao, điều đó cho thấy:
- Mức độ đồng ý / đánh giá tích cực của người trả lời là cao đối với nội dung được đo lường.
- Phần lớn các quan sát nghiêng về các mức điểm cao trên thang đo Likert (thường là mức 4–5).
- Biến quan sát đang phản ánh nhận thức, thái độ hoặc mức độ chấp thuận mạnh của đối tượng khảo sát đối với phát biểu/câu hỏi.
Trong phân tích thực tế, Mean của các câu trong thang đo Likert cao thường được diễn giải là:
- Người trả lời đánh giá tốt hoặc có xu hướng đồng thuận với biến đo.
- Khái niệm nghiên cứu liên quan đến biến này được cảm nhận tích cực trong mẫu khảo sát.
2.2 Chạy độ tin cậy thang đo Cronbach's Alpha trong SPSS
Cronbach’s Alpha được sử dụng để đánh giá độ tin cậy nội tại của thang đo, tức là kiểm tra xem các biến quan sát (mỗi biến hỏi bằng Likert) có sự liên kết với nhau và cùng đo lường một khái niệm (nhân tố mẹ) hay không.
a. Nhầm lẫn giữa thang đo Likert và thang đo độ tin cậy Alpha
Nhiều người dễ nhầm lẫn giữa thang đo Likert và thang đo dùng trong phân tích độ tin cậy. Hai khái niệm này không đồng nhất, cần phân biệt rõ như sau:
- Thang đo Likert của biến quan sát: là thang điểm mức độ trả lời trong bảng câu hỏi, phản ánh cách người trả lời đánh giá một phát biểu.
Ví dụ thang Likert 1–5:
1: Rất không đồng ý
2: Không đồng ý
3: Bình thường
4: Đồng ý
5: Rất đồng ý
Likert chỉ là cách mã hóa dữ liệu đầu vào cho từng biến quan sát.
- Thang đo trong phân tích độ tin cậy (Cronbach’s Alpha): là một tập hợp nhiều biến quan sát cùng đo một khái niệm (nhân tố/construct).
Ví dụ: Khái niệm Sự hài lòng được đo bằng 4 biến quan sát: HL1, HL2, HL3, HL4
→ Thang đo HL = HL1 + HL2 + HL3 + HL4
Cronbach’s Alpha đánh giá độ tin cậy của “thang đo khái niệm”, không đánh giá thang điểm Likert 1–5.
b. Điều kiện áp dụng phân tích Alpha là thang đo gồm từ 2 biến quan sát trở lên.
Điều kiện bắt buộc để áp dụng phân tích Cronbach’s Alpha là thang đo phải gồm từ 2 biến quan sát trở lên.
Cronbach’s Alpha đo lường mức độ nhất quán nội tại giữa các biến quan sát trong cùng một thang đo. Nếu chỉ có 1 biến quan sát, thì không thể tính được Alpha, vì không có mối tương quan nào để so sánh.
Tối thiểu cần 2 biến quan sát, với 2 biến Alpha vẫn tính được nhưng độ tin cậy thấp, rất nhạy với sai số. Từ 3 biến trở lên kết quả ổn định và có ý nghĩa hơn (thực tế nghiên cứu thường khuyến nghị ≥ 3).
c. Chạy Cronbach's Alpha cho thang đo Likert
Cách chạy phân tích Cronbach's Alpha cho Likert scale bạn xem tại bài viết: Phân tích độ tin cậy Cronbach's Alpha trong SPSS.
Xét ví dụ kết quả phân tích Cronbach's Alpha trên SPSS như sau:
Các biến quan sát DT1-DT5 được đo lường bằng 5 mức độ đồng ý và cấu thành một thang đo Likert scale 5 mức độ của nhân tố DT. Phân tích Cronbach's Alpha là triển khai cho bộ thang đo 5 biến này cùng lúc để xem DT có độ tin cậy hay không, không phải kiểm định cho từng DT1, DT2,......
Cụ thể kết quả này thang đo DT đạt độ tin cậy do hệ số Cronbach's Alpha bằng 0.880 > 0.7, các biến quan sát DT1-DT5 đều có ý nghĩa giải thích cho nhân tố DT vì Corrected Item-Total Correlation đều lớn hơn 0.3.
2.3 Chạy phân tích nhân tố khám phá EFA trong SPSS
EFA (Exploratory Factor Analysis) – Phân tích nhân tố khám phá dùng để:
- Khám phá cấu trúc tiềm ẩn của các biến quan sát
- Kiểm tra xem các biến Likert có thực sự đo cùng một khái niệm hay không
- Đánh giá tính hội tụ, phân biệt giữa các nhân tố cấu thành từ các biến quan sát Likert
Cách chạy phân tích EFA cho Likert scale bạn xem tại bài viết: Phân tích nhân tố khám phá EFA trong SPSS.
Xét ví dụ phân tích EFA cho hai thang đo gồm Sự hài lòng (HL) với ba biến quan sát (HL1, HL2, HL3) và Lòng trung thành (TT) với bốn biến quan sát (TT1, TT2, TT3, TT4), tất cả đều được đo lường bằng thang đo Likert 5 mức. Kết quả trên SPSS cho ra như sau:
Thứ nhất, về mức độ phù hợp của dữ liệu cho EFA.
Kết quả kiểm định KMO đạt 0.785 (> 0.5) cho thấy dữ liệu có mức độ thích hợp tốt để tiến hành phân tích nhân tố khám phá. Đồng thời, kiểm định Bartlett có giá trị Chi-square = 275.793, Sig. = 0.000 (< 0.05), chứng tỏ các biến quan sát có tương quan tuyến tính với nhau và EFA là hoàn toàn phù hợp.
Thứ hai, về số lượng nhân tố và phương sai trích.
Kết quả bảng Total Variance Explained cho thấy có 2 nhân tố được trích với eigenvalue lớn hơn 1. Hai nhân tố này giải thích được 70.332% tổng phương sai, vượt ngưỡng 50%, cho thấy mô hình nhân tố có khả năng giải thích tốt sự biến thiên của dữ liệu.
Thứ ba, về cấu trúc nhân tố và tính hội tụ.
Ma trận xoay (Rotated Component Matrix) cho thấy các biến TT1, TT2, TT3, TT4 đều tải mạnh lên nhân tố 1 với hệ số tải từ 0.786 đến 0.850, trong khi các biến HL1, HL2, HL3 tải mạnh lên nhân tố 2 với hệ số tải từ 0.835 đến 0.848. Tất cả các hệ số tải đều lớn hơn 0.5, chứng tỏ các biến quan sát hội tụ tốt vào nhân tố đại diện của mình.
Thứ tư, về tính phân biệt giữa các nhân tố.
Không xuất hiện hiện tượng tải chéo đáng kể giữa hai nhân tố; các biến của thang đo Lòng trung thành không tải lên nhân tố Sự hài lòng và ngược lại. Điều này cho thấy tính phân biệt rõ ràng giữa hai khái niệm nghiên cứu.
Kết luận.
Kết quả EFA xác nhận cấu trúc gồm hai nhân tố riêng biệt, phù hợp với mô hình lý thuyết ban đầu. Các thang đo Likert Sự hài lòng và Lòng trung thành đều đạt giá trị hội tụ và giá trị phân biệt
2.4 Chạy phân tích nhân tố khẳng định CFA trong AMOS
Phân tích nhân tố khẳng định (CFA) được thực hiện nhằm kiểm định cấu trúc thang đo Likert dựa trên cơ sở lý thuyết và đánh giá mức độ phù hợp của mô hình đo lường với dữ liệu nghiên cứu.
Kết quả CFA được đánh giá thông qua các chỉ số độ phù hợp của mô hình, đồng thời dùng để kiểm định giá trị hội tụ, giá trị phân biệt và độ tin cậy tổng hợp của các thang đo (việc đánh giá tính hội tụ, phân biệt trên CFA sẽ chính xác hơn rất nhiều so với EFA). Qua đó, CFA giúp khẳng định tính hợp lệ và độ tin cậy của thang đo Likert, tạo cơ sở cho các phân tích SEM và kiểm định giả thuyết tiếp theo.
Cách chạy phân tích CFA cho Likert scale bạn xem tại bài viết Phân tích nhân tố khẳng định CFA trên AMOS.
Xét ví dụ phân tích CFA cho các thang đo sau, các biến quan sát trong mỗi thang đo đều được đo lường bằng Likert 5 mức độ.
- QC gồm 5 biến quan sát.
- QH gồm 5 biến quan sát.
- KM gồm 4 biến quan sát.
- BH gồm 5 biến quan sát.
- NB gồm 4 biến quan sát.
- TT gồm 5 biến quan sát.
Kết quả trên AMOS cho ra như sau:
Các chỉ số độ phù hợp của mô hình CFA đều đạt và vượt ngưỡng khuyến nghị, cho thấy mô hình đo lường phù hợp rất tốt với dữ liệu nghiên cứu. Cụ thể, Chi-square/df = 1.318 (< 2), GFI = 0.922, CFI = 0.980 và TLI = 0.977 (đều > 0.9), cùng với RMSEA = 0.030 (< 0.05) và PCLOSE = 1.000 (> 0.05) khẳng định mô hình có sai số thấp và mức độ phù hợp cao.
Các biến quan sát trong mỗi thang đo đều giải thích tốt cho nhân tố mẹ khi hệ số tải chuẩn hóa đều lớn hơn 0.5.
Về giá trị hội tụ, các thang đo đều có CR > 0.7, cho thấy độ tin cậy tổng hợp đạt yêu cầu. Giá trị AVE của hầu hết các thang đo đều lớn hơn 0.5, chứng tỏ các biến quan sát giải thích tốt cho khái niệm tiềm ẩn. Riêng thang đo QH có AVE = 0.493 < 0.5, nên loại biến quan sát QH1 để tăng chỉ số AVE.
Về giá trị phân biệt, căn bậc hai của AVE (đường chéo in đậm) của mỗi khái niệm đều lớn hơn các hệ số tương quan với các khái niệm còn lại, đồng thời MSV của từng thang đo nhỏ hơn AVE. Điều này cho thấy các khái niệm nghiên cứu có sự phân biệt rõ ràng, không xảy ra hiện tượng chồng lấn về mặt đo lường.
Kết luận
Bài viết trên Phạm Lộc Blog đã trình bày một cách hệ thống và logic toàn bộ quy trình cách chạy thang đo Likert trong nghiên cứu định lượng. Từ bước thống kê mô tả và tính giá trị trung bình nhằm phản ánh xu hướng đánh giá của người trả lời, đến kiểm định độ tin cậy Cronbach’s Alpha để sàng lọc các biến quan sát không phù hợp, tiếp theo là phân tích nhân tố khám phá (EFA) nhằm xác định cấu trúc tiềm ẩn của thang đo, và cuối cùng là phân tích nhân tố khẳng định (CFA) để kiểm định mô hình đo lường, giá trị hội tụ và giá trị phân biệt.
Việc tuân thủ đầy đủ các bước này giúp đảm bảo tính hợp lệ và độ tin cậy của thang đo Likert, đồng thời tạo nền tảng vững chắc cho các phân tích SEM và kiểm định giả thuyết trong các nghiên cứu học thuật và ứng dụng thực tiễn.