Kiểm định mô hình đo lường: Thang đo của bạn đã đủ “chuẩn” chưa?
Bước đầu tiên & quan trọng nhất của PLS-SEM — 6 chỉ số đánh giá chất lượng thang đo theo Hair et al. (2022).
Trong PLS-SEM, kiểm định mô hình đo lường là bước đầu tiên và quan trọng nhất nhằm đánh giá chất lượng thang đo trước khi kiểm định mô hình cấu trúc. Với mô hình phản xạ, cần đánh giá lần lượt 6 chỉ số dưới đây.
Các tiêu chuẩn được tổng hợp chủ yếu từ Hair, Hult, Ringle & Sarstedt (2022) — A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd Edition, tài liệu chuẩn mực của PLS-SEM hiện nay.
1Outer Loading — hệ số tải ngoài
Theo Hair et al. (2022), Outer Loading phản ánh mức độ tương quan giữa mỗi biến quan sát (Indicator) với biến tiềm ẩn (Latent Variable), qua đó cho biết mức độ đóng góp của từng biến quan sát trong việc đo lường khái niệm nghiên cứu. Giá trị này càng lớn chứng tỏ biến quan sát càng phản ánh chính xác bản chất của biến tiềm ẩn.
Trong nghiên cứu về Sự hài lòng của khách hàng, biến tiềm ẩn Customer Satisfaction được đo bởi bốn biến quan sát:
- CS1: Tôi hài lòng với chất lượng sản phẩm.
- CS2: Sản phẩm đáp ứng mong đợi của tôi.
- CS3: Tôi sẽ tiếp tục sử dụng sản phẩm.
- CS4: Tôi sẽ giới thiệu sản phẩm cho người khác.
Kết quả SmartPLS:
| Indicator | Outer Loading |
|---|---|
| CS1 | 0.892 |
| CS2 | 0.876 |
| CS3 | 0.842 |
| CS4 | 0.591 |
CS1, CS2, CS3 phản ánh rất tốt biến “Sự hài lòng”. Trong khi đó CS4 (0.591) có hệ số tải thấp hơn — cần cân nhắc giữ lại hay loại bỏ dựa trên ý nghĩa lý thuyết và tác động đến CR, AVE.
- ≥ 0,708 — Đạt yêu cầu
- 0,40 – 0,708 — Xem xét (giữ hoặc loại)
- < 0,40 — Loại bỏ
2Cronbach's Alpha — độ tin cậy nội tại
Theo Hair et al. (2022), Cronbach's Alpha là chỉ số truyền thống đánh giá độ tin cậy nội tại của thang đo thông qua mức tương quan giữa các biến quan sát trong cùng một khái niệm — phản ánh mức độ các câu hỏi có “đồng nhất” với nhau hay không.
Một thang đo “Niềm tin vào thương hiệu” gồm 5 câu hỏi. Sau khi phân tích: Cronbach's Alpha = 0.865 → năm câu hỏi có sự nhất quán cao, cùng đo lường khái niệm. Nếu Alpha chỉ bằng 0.52 → một hoặc nhiều câu hỏi chưa phù hợp, cần điều chỉnh hoặc loại bỏ.
- ≥ 0,90 — Rất tốt
- 0,80 – 0,89 — Tốt
- 0,70 – 0,79 — Đạt
- 0,60 – 0,69 — Chấp nhận trong nghiên cứu khám phá
- < 0,60 — Không đạt
3rho_A — độ tin cậy chính xác hơn
Theo Dijkstra & Henseler (2015), được Hair et al. (2022) khuyến nghị, rho_A đánh giá độ tin cậy nội tại chính xác hơn Cronbach's Alpha vì sử dụng hệ số tải thực tế của các biến quan sát. rho_A phản ánh mức nhất quán của toàn bộ thang đo nhưng không giả định tất cả biến quan sát đều quan trọng như nhau.
Thang đo “Giá trị cảm nhận” có: Cronbach's Alpha = 0.812 · rho_A = 0.847 · Composite Reliability = 0.886. rho_A nằm giữa Alpha và CR, phản ánh độ tin cậy sát thực tế hơn.
- 0,70 – 0,95 — Đạt yêu cầu
- < 0,70 — Chưa đạt
- ≈ 0,95 — Có thể trùng lặp giữa các biến quan sát
4Composite Reliability (CR)
Theo Hair et al. (2022), CR là chỉ số được ưu tiên sử dụng trong PLS-SEM vì tính đến mức đóng góp thực tế của từng biến quan sát; phản ánh khả năng toàn bộ các biến quan sát cùng đo lường chính xác một biến tiềm ẩn.
Nhân tố “Chất lượng dịch vụ” có các hệ số tải: SQ1 = 0.88 · SQ2 = 0.84 · SQ3 = 0.86 · SQ4 = 0.91.
SmartPLS tính được: Composite Reliability = 0.917 → các biến quan sát phối hợp rất tốt trong việc đo lường khái niệm.
- 0,70 – 0,95 — Đạt
- < 0,70 — Chưa đạt
- > 0,95 — Các biến quá giống nhau, thông tin dư thừa
5AVE — giá trị hội tụ
Theo Fornell & Larcker (1981), được Hair et al. (2022) tiếp tục khuyến nghị, Average Variance Extracted (AVE) đánh giá giá trị hội tụ của thang đo thông qua tỷ lệ phương sai mà biến tiềm ẩn giải thích được từ các biến quan sát — cho biết mức độ các biến quan sát thực sự đại diện cho cùng một khái niệm.
Nhân tố “Ý định mua hàng” (4 biến quan sát): AVE = 0.684 → biến tiềm ẩn giải thích 68,4% phương sai của các biến quan sát (vượt ngưỡng 50% → đạt hội tụ). Ngược lại, nếu AVE = 0.39 → hơn một nửa phương sai đến từ sai số đo lường, thang đo chưa đạt.
- AVE ≥ 0,50 — Đạt giá trị hội tụ
- AVE < 0,50 — Chưa đạt
6HTMT — giá trị phân biệt
Theo Henseler, Ringle & Sarstedt (2015) — được Hair et al. (2022) xem là phương pháp đáng tin cậy nhất để đánh giá giá trị phân biệt — HTMT (Heterotrait–Monotrait Ratio) đo mức khác biệt giữa các biến tiềm ẩn, giúp xác định hai khái niệm có thực sự khác nhau hay đang đo lường cùng một nội dung.
Mô hình có hai biến: Service Quality và Customer Satisfaction. Kết quả SmartPLS:
| Hai biến | HTMT |
|---|---|
| Service Quality ↔ Customer Satisfaction | 0.73 |
HTMT = 0.73 (< 0.85) → hai khái niệm phân biệt rõ ràng. Nếu HTMT = 0.96 → tương đồng quá cao, cần xem lại mô hình hoặc thang đo vì chúng có thể đang đo cùng một khái niệm.
- < 0,85 — Giá trị phân biệt rất tốt
- < 0,90 — Chấp nhận được trong nhiều nghiên cứu
- ≥ 0,90 — Có dấu hiệu thiếu giá trị phân biệt
Ngoài ra cần kiểm tra khoảng tin cậy Bootstrap của HTMT: nếu khoảng tin cậy 95% không chứa giá trị 1 thì giá trị phân biệt được đảm bảo.
- Outer Loading ≥ 0,708 · Cronbach's Alpha / rho_A / CR trong 0,70–0,95
- AVE ≥ 0,50 (hội tụ) · HTMT < 0,85 (phân biệt)
- Đạt tất cả → sẵn sàng sang bước kiểm định mô hình cấu trúc.