Đánh giá CMB bằng Full Collinearity VIF trong SMARTPLS 4 là phương pháp được sử dụng để kiểm tra dấu hiệu sai lệch phương pháp chung (Common Method Bias) thông qua mức độ cộng tuyến giữa các biến tiềm ẩn trong mô hình nghiên cứu. Phương pháp này dựa trên đề xuất của Kock (2015), sử dụng ngưỡng VIF 3.3 làm tiêu chí tham khảo để nhận diện nguy cơ CMB.
Trong bài viết này, Phạm Lộc Blog sẽ trình bày đầy đủ cơ sở lý thuyết của Full Collinearity VIF, cách chuẩn bị dữ liệu bằng Excel, CSV và thực hiện kiểm tra trên SMARTPLS 4 (bạn hoàn toàn có thể làm tương tự trên SMARTPLS 3). Nội dung cũng hướng dẫn cách đọc kết quả, phân biệt Full Collinearity VIF với VIF thông thường và trình bày kết quả trong luận văn, bài nghiên cứu khoa học.
1. Cơ sở lý thuyết đánh giá CMB bằng Full Collinearity VIF
1.1 Full Collinearity VIF là gì?
Full Collinearity VIF là kỹ thuật đánh giá mức độ cộng tuyến tổng thể giữa các biến tiềm ẩn trong mô hình nghiên cứu, thông qua hệ số phóng đại phương sai (Variance Inflation Factor – VIF).
Trong phân tích PLS-SEM, VIF thường được sử dụng để kiểm tra hiện tượng đa cộng tuyến giữa những biến dự báo (biến vai trò độc lập) tác động vào một biến kết quả (biến vai trò phụ thuộc). Chẳng hạn, nếu ba biến A, B và C cùng tác động đến Y, phần mềm sẽ tính VIF của A, B và C để xác định mức độ cộng tuyến giữa chúng.
Cách kiểm tra này chỉ xem xét những biến dự báo thuộc cùng một phương trình cấu trúc. Những biến không cùng dự báo một biến kết quả có thể không được đánh giá chung.
Full Collinearity VIF có phạm vi rộng hơn. Thay vì chỉ xem xét từng nhóm biến dự báo trong mô hình ban đầu, phương pháp này đánh giá mức độ cộng tuyến của mỗi biến tiềm ẩn với tất cả những biến tiềm ẩn còn lại.
Kock (2015) đề xuất sử dụng Full Collinearity Assessment như một phương pháp hỗ trợ phát hiện Common Method Bias trong PLS-SEM. Nghiên cứu sử dụng dữ liệu mô phỏng Monte Carlo, kết hợp ví dụ minh họa trên phần mềm WarpPLS, nhằm xem xét khả năng nhận diện CMB thông qua các hệ số VIF.
Giá trị VIF càng lớn cho thấy biến đang xét có mức độ cộng tuyến càng cao với các biến khác. Khi các biến có sự tương đồng quá mạnh, Full Collinearity VIF có thể giúp nhận diện những dấu hiệu cần xem xét thêm về CMB.
1.2 Khác biệt giữa Inner VIF mô hình cấu trúc và Full Collinearity VIF
Chúng ta sẽ cần phân biệt chỉ số "Inner VIF" thông thường trong quy trình đánh giá mô hình cấu trúc bài PLS-SEM với chỉ số "Full Collinearity VIF" trong đánh giá CMB. Hai khái niệm này không hoàn toàn đồng nghĩa.
Trong mô hình PLS-SEM ban đầu, Inner VIF được tính theo từng nhóm biến cùng dự báo một biến kết quả. Nếu hai biến tiềm ẩn không cùng dự báo một biến kết quả, chúng có thể không được đánh giá chung trong một nhóm VIF nên đây không phải là Full VIF.
Với Full Collinearity Assessment, mục tiêu chúng ta xây dựng là đánh giá mỗi biến tiềm ẩn trong tương quan với tất cả các biến tiềm ẩn còn lại. Do đó, cần thiết lập một cấu trúc phù hợp để phần mềm tính VIF cho toàn bộ tập hợp biến cần kiểm tra.
1.3 Ngưỡng đánh giá CMB theo Kock (2015)
Kock (2015) đề xuất ngưỡng 3.3 cho Full Collinearity VIF trong cách tiếp cận PLS-SEM được nghiên cứu. Khi một biến có VIF vượt ngưỡng này, kết quả có thể gợi ý hiện tượng đa cộng tuyến nghiêm trọng và cần xem xét nguy cơ sai lệch phương pháp chung.
Full Collinearity VIF ≤ 3.3
Có thể diễn giải kết quả như sau:
- VIF ≤ 3.3: Không phát hiện đa cộng tuyến vượt ngưỡng chẩn đoán của Kock
- VIF > 3.3: Xuất hiện dấu hiệu cần xem xét thêm về đa cộng tuyến và khả năng CMB
Ngưỡng 3.3 không phải tiêu chuẩn bắt buộc cho mọi phương pháp đánh giá đa cộng tuyến. Chẳng hạn, tài liệu hướng dẫn của SMARTPLS phân biệt các mức VIF 3 và 5 khi đánh giá đa cộng tuyến thông thường. Những mức này phục vụ mục đích đánh giá mô hình đo lường hoặc mô hình cấu trúc, không nên tự động thay thế ngưỡng 3.3 trong kiểm tra CMB theo Kock.
Một lưu ý khác là VIF không đo lường trực tiếp tỷ lệ phương sai do phương pháp khảo sát tạo ra. Giá trị VIF thấp hơn 3.3 chỉ cung cấp bằng chứng chẩn đoán, không chứng minh dữ liệu hoàn toàn không có CMB.
2. Chuẩn bị dữ liệu kiểm tra CMB bằng Excel, CSV
Để kiểm tra Common Method Bias (CMB) bằng Full Collinearity VIF trong SMARTPLS 4, trước tiên chúng ta cần bổ sung một biến phụ thuộc ngẫu nhiên (Random Dependent Variable – RDV) có giá trị từ 0 đến 1 vào file dữ liệu Excel hoặc CSV.
Cách triển khai này đã được sử dụng trong các nghiên cứu của Kazykhankyzy và cộng sự (2026), Ji và cộng sự (2024), Ko và Ho (2024). Trong đó, Kazykhankyzy và cộng sự (2026) hướng dẫn rõ việc sử dụng hàm RAND() trong Excel để tạo các giá trị ngẫu nhiên cho RDV.
Khi thiết lập mô hình trên SMARTPLS, tất cả các biến tiềm ẩn cần kiểm tra được đưa vào làm biến dự báo và cùng hướng mũi tên tác động đến RDV. Biến RDV chỉ đóng vai trò kỹ thuật nhằm tập hợp các biến tiềm ẩn vào cùng một phương trình để tính hệ số VIF. Về nguyên tắc, VIF được xác định dựa trên mức độ cộng tuyến giữa các biến dự báo. Do đó, khi điểm số của các biến tiềm ẩn không thay đổi, giá trị ngẫu nhiên của biến RDV không ảnh hưởng trực tiếp đến kết quả Full Collinearity VIF.
Lưu ý: Cách bổ sung RDV là một phương án triển khai Full Collinearity VIF trên SMARTPLS được sử dụng trong các nghiên cứu thực nghiệm nêu trên. Phương pháp Full Collinearity Assessment ban đầu do Kock (2015) đề xuất được thực hiện trên WarpPLS, không phải SMARTPLS.
Cách chuẩn bị file dữ liệu Excel có RDV:
Bước 1: Mở file CSV hoặc Excel dữ liệu đầu vào bạn sử dụng cho phân tích mô hình trên SMARTPLS, di chuyển đến cột cuối cùng và đặt tên cột biến mới là "RDV".
Bước 2: Tại ô dữ liệu đầu tiên, nhập công thức:
=RAND()
Hàm RAND() tạo ra giá trị giả ngẫu nhiên từ 0 đến dưới 1. Sau đó, kéo công thức xuống toàn bộ các dòng tương ứng với số quan sát trong bộ dữ liệu.
Bước 3: Vì giá trị của RAND() trả về ở mỗi ô sẽ có thể nhảy ngẫu nhiên sáng một giá trị mới, chúng ta cần cố định các giá trị trước khi đưa vào SMARTPLS.
Chọn toàn bộ cột RDV (kể cả tên cột RDV), sao chép dữ liệu bằng Ctrl + C hoặc nhấp phải chuột vào vùng được chọn bấm phải chuột, chọn Copy:
Sau đó bấm phải chuột tại chính ô tên biến "RDV", chọn mục Paste Special.
Chọn dán Values để thay thế công thức bằng giá trị số cố định. Sau đó nhấp OK để hoàn thành.
3. Hướng dẫn kiểm tra CMB bằng Full Collinearity VIF trong SMARTPLS 4
Hiện mình đang có một diagram mô hình nghiên cứu chính thức của bài như bên dưới. Bây giờ mình sẽ tiến hành kiểm tra CMB bằng Full Collinearity VIF cho dữ liệu của mô hình này.
Khi xử lý dữ liệu bằng SMARTPLS, CMB nên được kiểm tra trước khi bắt đầu các bước phân tích chính. Hiểu đơn giản, đây là bước kiểm tra ban đầu để xem dữ liệu khảo sát có xuất hiện dấu hiệu sai lệch do sử dụng chung một phương pháp thu thập dữ liệu hay không.
Sau khi kiểm tra CMB và kết quả đáp ứng yêu cầu, chúng ta có thể tiếp tục các bước phân tích trong SMARTPLS như đánh giá mô hình đo lường, mô hình cấu trúc, kiểm định giả thuyết và các phân tích chuyên sâu khác.
3.1. Nhập dữ liệu và tạo mô hình kiểm tra CMB
Mở dự án bài nghiên cứu trên SMARTPLS 4, tiến hành xóa file dữ liệu cũ và import file CSV mới có chứa cột biến RDV vào dự án.
Tạo một sơ đồ diagram mới để kiểm tra Full Collinearity VIF, ví dụ trong ảnh bên dưới, mình tạo một diagram mới có tên là "CMB Full VIF".
Tại diagram mới này, tiến hành vẽ toàn bộ các cấu trúc nhân tố cần đánh giá vào vùng thiết kế. Nếu bài có cấu trúc bậc hai, bạn chỉ biểu diễn các biến tiềm ẩn bậc một, không vẽ bậc hai.
Sau đó, tạo một biến mới có tên RDV và gán cột dữ liệu RDV làm biến quan sát duy nhất cho biến này.
Cuối cùng, vẽ các đường mũi tên tác động từ toàn bộ biến tiềm ẩn của mô hình nghiên cứu hướng vào RDV. Ví dụ ở mô hình bên dưới, mình vẽ toàn bộ các biến tiềm ẩn NB, QC, KM, QH, BH, TT tác động vào RDV, mô hình kiểm tra CMB sẽ có dạng:
Trong mô hình này, tất cả biến tiềm ẩn đều trở thành biến độc lập của RDV. Nhờ đó, SMARTPLS có thể tính VIF của từng biến dự báo khi xét đồng thời với những biến còn lại.
3.2. Chạy PLS-SEM algorithm và xem kết quả Full Collinearity VIF
Sau khi hoàn tất mô hình, chọn Calculate → PLS-SEM algorithm.
Trong giao diện thiết lập thuật toán, bạn để mặc định và bấm vào "Start Calculation".
Khi phần mềm trả kết quả output, bạn chọn vào mục Collinearity statistics (VIF), bấm vào Inner model - Matrix hoặc Inner model - List, bảng VIF bên phải chính là thông số Full Collinearity VIF của tất cả các biến trong mô hình.
Trong ví dụ trên, VIF của BH, KM, NB, QC, QH và TT lần lượt là 1.281, 1.009, 1.002, 1.102, 1.004 và 1.317, tất cả đều nhỏ hơn 3.3.
4. Cách đọc và nhận xét kết quả Full Collinearity VIF
Sau khi có kết quả từ SMARTPLS, chúng ta cần tổng hợp VIF của tất cả biến tiềm ẩn và trình bày thành một bảng:
| Biến tiềm ẩn | Full Collinearity VIF |
|---|---|
| BH | 1.281 |
| KM | 1.009 |
| NB | 1.002 |
| QC | 1.102 |
| QH | 1.004 |
| TT | 1.317 |
Khi viết luận văn, có thể trình bày mẫu nhận xét kết quả CMB như sau:
Nếu có bất kỳ giá trị Full Collinearity VIF > 3.3, chúng ta cần rà soát các thang đo có mức tương quan quá cao, kiểm tra giá trị phân biệt (HTMT, cross-loadings), xem xét các biến quan sát có nội dung trùng lặp và đánh giá lại thiết kế bảng hỏi hoặc cách thu thập dữ liệu. Không nên tự động loại biến chỉ để đưa VIF xuống dưới 3.3.
5. Những lưu ý khi kiểm tra CMB bằng SMARTPLS
Khi thực hiện Full Collinearity VIF, chúng ta nên chú ý đến tính nhất quán của dữ liệu và phạm vi đánh giá.
Thứ nhất, cần đưa đầy đủ các biến tiềm ẩn thuộc phạm vi nghiên cứu vào mô hình kiểm tra. Nếu bỏ sót một biến, VIF được tính trên tập hợp biến dự báo không đầy đủ và không phản ánh toàn bộ cấu trúc cần đánh giá.
Thứ hai, không nên nhầm lẫn giữa VIF của các biến quan sát (chỉ báo) trong mô hình đo lường với VIF của các biến tiềm ẩn trong mô hình cấu trúc. Outer VIF thường phục vụ đánh giá cộng tuyến giữa các chỉ báo, đặc biệt đối với thang đo formative, và không thể thay thế trực tiếp Full Collinearity VIF.
Thứ ba, nếu mô hình có các biến bậc cao chứa biến bậc một ở cấp thấp hơn, khi đưa vào mô hình đánh giá CMB chỉ biểu diễn các biến bậc một, không xét bậc trong mô hình này. Bài có biến điều tiết cũng đưa vào đánh giá CMB một cách bình thường như các biến tiềm ẩn khác.
Thứ tư, kết quả VIF đạt ngưỡng không bảo đảm rằng dữ liệu hoàn toàn không có sai lệch phương pháp chung. CMB có thể phát sinh từ cách thiết kế bảng hỏi, thứ tự câu hỏi, xu hướng trả lời xã hội hoặc việc sử dụng cùng nguồn dữ liệu để đo lường nhiều khái niệm.
Thứ năm, không nên xem Full Collinearity VIF là phương pháp thay thế cho đánh giá giá trị phân biệt HTMT, độ tin cậy thang đo hoặc những tiêu chí khác của mô hình đo lường. Mỗi phương pháp giải quyết một vấn đề khác nhau.
Thứ sáu, trong trình bày bài nghiên cứu, cần ghi rõ phương pháp sử dụng, ngưỡng tham khảo, phiên bản phần mềm và kết quả thực tế. Nếu sử dụng cách bổ sung RDV trong SMARTPLS, có thể mô tả đây là cách thiết lập mô hình nhằm thu thập các giá trị VIF tổng thể dựa trên nguyên lý Full Collinearity Assessment. Cách diễn đạt này phản ánh đúng hơn mối quan hệ giữa phương pháp do Kock (2015) đề xuất và quy trình triển khai trên SMARTPLS 4.
6. Kết luận
Kiểm tra CMB bằng Full Collinearity VIF trong SMARTPLS có thể được thực hiện bằng cách bổ sung biến RDV, đưa toàn bộ biến tiềm ẩn vào cùng một phương trình dự báo và sử dụng kết quả VIF để đánh giá theo ngưỡng 3.3 của Kock (2015).
Sau khi thực hiện, người nghiên cứu có thể tổng hợp kết quả Full Collinearity VIF, nhận diện những dấu hiệu cộng tuyến bất thường và trình bày nhận xét phù hợp trong luận văn hoặc bài báo khoa học. Kết quả nên được xem là bằng chứng hỗ trợ đánh giá CMB, kết hợp với việc xem xét phương pháp thu thập dữ liệu và các tiêu chí đánh giá mô hình khác.
Khi thực hành, bạn có thể gặp khó khăn ở một số bước như tạo RDV, thiết lập đúng mô hình Full Collinearity VIF, xác định bảng VIF cần đọc hoặc chưa biết xử lý thế nào khi VIF vượt ngưỡng 3.3. Nếu đang gặp những vấn đề này hoặc cần hỗ trợ kiểm tra và diễn giải kết quả PLS-SEM cho luận văn, nghiên cứu, bạn có thể tham khảo dịch vụ xử lý SMARTPLS của Phạm Lộc Blog để được hỗ trợ phù hợp với mô hình và dữ liệu của mình.
Nguồn tham khảo:
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10. https://doi.org/10.4018/IJEC.2015100101
Kazykhankyzy, L., Khalmatova, Z., Seitova, M., Kılıç, E., & Çelik, H. E. (2026). An extended technology acceptance model to explain higher education students' behavioral intention to use ChatGPT: The case of Kazakhstan. European Journal of Education, 61(3), Article e70746. https://doi.org/10.1111/ejed.70746
Ji, E., Rahman, S. M., Wilden, R., Lin, N., & Harrison, N. (2024). Leveraging customer knowledge obtained through social media: The roles of R&D intensity and absorptive capacity. Journal of Business Research, 182, Article 114811. https://doi.org/10.1016/j.jbusres.2024.114811
Ko, H.-C., & Ho, S.-Y. (2024). Continued purchase intention in live-streaming shopping: Roles of expectation confirmation and ongoing trust. Cogent Business & Management, 11(1), Article 2397563. https://doi.org/10.1080/23311975.2024.2397563