AVE nhỏ hơn 0.5 phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn chạy PLS Algorithm trong SmartPLS, mở bảng Construct Reliability and Validity và thấy cột AVE của một biến tiềm ẩn nhỏ hơn 0.5. Ví dụ, biến PU có AVE = 0.442 trong khi Composite Reliability vẫn là 0.781. Đây là tình huống khá thường gặp khi một số biến quan sát có outer loading thấp hoặc các chỉ báo trong cùng một thang đo chưa cùng phản ánh tốt một khái niệm.

AVE là chỉ số dùng để đánh giá giá trị hội tụ của một biến tiềm ẩn. Về cách hiểu, AVE cho biết biến tiềm ẩn giải thích được bao nhiêu phần phương sai trung bình của các chỉ báo thuộc nó. Mốc AVE từ 0.5 trở lên thường được sử dụng trong đánh giá thang đo PLS-SEM, theo (Fornell và Larcker, 1981). Khi AVE nhỏ hơn 0.5, bạn chưa nên xóa biến ngay. Hãy xem đồng thời outer loading, Composite Reliability, nội dung biến quan sát và mô hình lý thuyết.

Nếu bạn đang ở màn hình kết quả tổng thể, có thể xem thêm nhóm bài trong chủ đề SmartPLS. Bài này tập trung vào đúng tình huống AVE thấp và thứ tự xử lý có thể bảo vệ được khi trao đổi với giảng viên.

Nguyên nhân thường gặp

AVE thấp thường xuất hiện vì một chỉ báo có outer loading thấp kéo trung bình của cả thang đo xuống. Một nguyên nhân khác là biến quan sát bị nhập sai chiều, đặc biệt với item đảo chiều, hoặc dữ liệu trong file .csv bị đọc thành dạng chữ. Cũng có trường hợp thang đo vốn được ghép từ các bối cảnh khác nhau nhưng chưa được điều chỉnh phù hợp với đề tài của bạn.

Bạn kiểm tra theo bảng dưới đây trước khi sửa mô hình. Đây là bước giúp phân biệt lỗi dữ liệu với vấn đề thật của thang đo.

Trong PLS-SEM, outer loading từ 0.7 trở lên là mốc thường được dùng để đánh giá chỉ báo (Chin, 1998). Tuy vậy, một loading trong khoảng 0.4 đến 0.7 chưa tự động có nghĩa là phải xóa. Quyết định còn phụ thuộc vào Composite Reliability, AVE sau khi xóa và ý nghĩa nội dung của thang đo.

AVE cũng không phải Cronbach's Alpha. Alpha phản ánh một dạng độ tin cậy nội tại, còn AVE tập trung vào phần phương sai của chỉ báo được biến tiềm ẩn giải thích. Vì vậy, một thang đo có Alpha đạt vẫn có thể có AVE thấp.

Cách xử lý theo thứ tự ưu tiên

Bạn nên xử lý từ nguyên nhân ít gây thay đổi mô hình nhất đến nguyên nhân có thể làm mất nội dung khái niệm. Sau mỗi thay đổi, ghi lại chỉ báo đã xóa, outer loading trước và sau, AVE mới, Composite Reliability và lý do quyết định. Đừng xóa liên tiếp nhiều biến rồi mới nhìn lại output, vì khi đó bạn không biết biến nào thực sự làm thay đổi kết quả.

Kiểm tra lại file dữ liệu và chiều đo

Mở file .csv mà bạn đã nhập vào SmartPLS. Mỗi dòng nên là một người trả lời, mỗi cột là một biến quan sát, tên cột không bị trùng và các giá trị Likert nằm trong khoảng đã thiết kế. Nếu một cột chứa chữ như Không đồng ý trong khi các cột khác chứa số từ 1 đến 5, SmartPLS có thể không xử lý giống như bạn nghĩ.

Tiếp theo, đối chiếu các item đảo chiều. Nếu bảng hỏi có câu mang nghĩa phủ định, bạn cần recode để điểm cao vẫn thể hiện cùng hướng với các item còn lại. Với thang Likert 1 đến 5, quy tắc đảo chiều thường là điểm mới bằng 6 trừ điểm cũ. Hãy thực hiện trên bản sao dữ liệu, giữ lại file gốc và ghi rõ cột nào đã được recode.

Xem Outer Loadings trước khi xóa biến

Trong SmartPLS 4, chọn Calculate > PLS-SEM Algorithm, giữ thiết lập mặc định phù hợp với mô hình rồi chạy. Mở Results > Outer Loadings để xem loading của từng chỉ báo. Đánh dấu item thấp nhất, item có loading âm và item có nội dung lệch nhất so với định nghĩa biến tiềm ẩn.

Nếu một loading dưới 0.4, đó là ứng viên cần xem xét đầu tiên. Nếu loading từ 0.4 đến 0.7, bạn cần xem AVE và Composite Reliability sau khi xóa thử. Với loading từ 0.7 trở lên, chỉ nên xóa khi có vấn đề rõ ràng về nội dung, nhập liệu hoặc cấu trúc thang đo.

Xóa thử từng chỉ báo có lý do

Tạo một bản sao mô hình trước khi chỉnh sửa. Xóa một chỉ báo có loading thấp nhất, chạy lại PLS-SEM Algorithm, sau đó so sánh AVE, Composite Reliability và số lượng item còn lại. Nếu AVE tăng nhưng Composite Reliability giảm mạnh hoặc thang đo chỉ còn hai item, kết quả mới chưa chắc tốt hơn về mặt lý thuyết.

Bạn có thể dùng bài mô hình không hội tụ phải làm sao khi việc chỉnh sửa AVE kéo theo cảnh báo về mô hình đo lường. Một thay đổi hợp lý cần có cả bằng chứng định lượng và lý do nội dung, chẳng hạn item diễn đạt lệch khái niệm hoặc đã bị lỗi khi dịch.

Đánh giá lại toàn bộ thang đo

Sau mỗi vòng, mở Construct Reliability and Validity. Bảng này thường có các cột Cronbach's Alpha, rho_A, Composite Reliability và AVE. CR từ 0.7 và AVE từ 0.5 là các mốc thường được dùng cho độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981).

Bên cạnh đó, kiểm tra giá trị phân biệt không đạt phải làm sao nếu hai biến tiềm ẩn trở nên quá giống nhau sau khi loại item. Nếu HTMT vượt ngưỡng, xem thêm hướng dẫn HTMT lớn hơn 0.9 phải làm sao. AVE đạt nhưng giá trị phân biệt không đạt vẫn là vấn đề cần giải quyết.

Đối chiếu với nguồn thang đo và mô hình ban đầu

Trước khi chốt, đọc lại định nghĩa biến, giả thuyết và nguồn thang đo. Một item có loading thấp nhưng đo một khía cạnh bắt buộc của khái niệm có thể cần giữ lại và giải trình. Ngược lại, một item có loading cao nhưng được nhập sai mã hoặc không phù hợp với bối cảnh nghiên cứu thì không nên giữ chỉ vì nó làm AVE tăng.

Nếu bạn dùng một thang đo phản xạ, các item thường là những biểu hiện của cùng một khái niệm. Trường hợp thang đo hình thành, logic đánh giá sẽ khác, nên không áp dụng máy móc cách xóa item để kéo AVE lên. Hãy xác định loại mô hình đo lường trước khi sửa.

Kiểm tra lại mô hình cấu trúc sau khi sửa

Khi đã chốt mô hình đo lường, chạy lại PLS Algorithm và bootstrapping. Việc xóa item có thể làm thay đổi path coefficient, R² và ý nghĩa của giả thuyết. Nếu bootstrapping báo lỗi, bạn có thể xem hướng dẫn bootstrapping bị lỗi phải làm sao, nhưng đừng dùng việc chạy lại nhiều lần để tìm một kết quả có p-value đẹp.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Tên cột được trình bày theo nhóm output thường gặp trong SmartPLS để bạn biết cần ghi lại gì sau mỗi vòng xử lý.

Trong ví dụ này, AVE tăng từ 0.442 lên 0.548 sau khi loại PU2, nhưng đây chỉ là minh họa cách đọc. Bạn không được chép các con số này vào chương 4. Số liệu phải lấy từ file .sav, .csv và output của chính mô hình bạn đang chạy.

Khi nào phải quay lại thu thêm dữ liệu

Thu thêm dữ liệu không phải cách sửa đầu tiên cho mọi trường hợp AVE thấp. Nếu nguyên nhân là item đảo chiều chưa recode, cột dữ liệu sai kiểu hoặc mã biến bị lệch, thêm người trả lời sẽ không giải quyết lỗi. Hãy sửa dữ liệu và chạy lại trước.

Bạn nên cân nhắc thu thêm dữ liệu khi mẫu hiện tại quá nhỏ so với số biến quan sát, nhiều câu trả lời không hoàn chỉnh, có dấu hiệu chọn cùng một mức cho hầu hết item hoặc mẫu không đúng đối tượng nghiên cứu. Tuy nhiên, thêm mẫu cũng không bảo đảm AVE sẽ vượt 0.5. Nếu nội dung thang đo không phù hợp, có thêm phản hồi chỉ làm vấn đề rõ hơn.

Khi item quan trọng về mặt khái niệm có loading thấp, việc xóa nó có thể làm thang đo mất một phần nội dung. Khi đó, lựa chọn bảo vệ được hơn là báo cáo kết quả hiện tại, nêu hạn chế và trao đổi hướng điều chỉnh với giảng viên. Không nên thu thêm dữ liệu chỉ để đạt một mốc mà không có lý do phương pháp.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể dùng đoạn sau và thay bằng số liệu thật của mình:

Cách viết vào luận văn: “Kết quả đánh giá mô hình đo lường ban đầu cho thấy AVE của thang đo [TÊN BIẾN] đạt [AVE BAN ĐẦU], thấp hơn ngưỡng 0.5. Kiểm tra bảng Outer Loadings cho thấy biến [MÃ BIẾN] có outer loading bằng [LOADING], thấp nhất trong thang đo. Sau khi xem xét đồng thời cơ sở lý thuyết, nội dung biến quan sát và Composite Reliability, nghiên cứu loại [MÃ BIẾN] khỏi mô hình. Kết quả chạy lại cho thấy AVE đạt [AVE SAU], Composite Reliability đạt [CR SAU], do đó thang đo được sử dụng cho bước đánh giá mô hình cấu trúc.”**

Nếu bạn giữ item dù AVE vẫn thấp, cần viết rõ lý do và không gọi giá trị hội tụ là đạt nếu nó chưa đạt mốc bạn đang sử dụng. Bạn có thể ghi: “Thang đo [TÊN BIẾN] có AVE bằng [AVE], thấp hơn mốc tham khảo. Tuy nhiên, các chỉ báo được giữ lại vì [LÝ DO NỘI DUNG], và hạn chế này được nêu trong phần [TÊN PHẦN].” Cách viết này trung thực hơn việc xóa biến nhiều lần mà không ghi lịch sử.

Cách phòng từ bước thiết kế

Ngay khi thiết kế bảng hỏi, hãy viết định nghĩa ngắn cho từng biến tiềm ẩn và ghi item nào đang đo khía cạnh nào. Các biến quan sát trong cùng một thang đo cần cùng hướng diễn đạt, trừ khi bạn có chủ ý sử dụng item đảo chiều và chuẩn bị quy trình recode rõ ràng.

Trước khi thu chính thức, kiểm tra bảng hỏi trên một nhóm nhỏ để phát hiện câu khó hiểu, câu phủ định kép hoặc item dùng từ không quen thuộc với đối tượng khảo sát. Việc kiểm tra này không thay thế cho đánh giá PLS-SEM, nhưng giúp giảm lỗi do diễn đạt và nhập liệu.

Khi thu dữ liệu, đặt mã biến ổn định ngay từ đầu. Không đổi PU3 thành PU_03 giữa bảng hỏi và file dữ liệu. Sau khi xuất .csv, mở file bằng trình soạn thảo bảng tính để kiểm tra tên cột, số dòng, ô trống và các giá trị ngoài thang đo trước khi nhập vào SmartPLS.

Cuối cùng, lưu riêng ba phiên bản: dữ liệu gốc, dữ liệu đã làm sạch và mô hình sau từng vòng loại biến. Một thư mục có tên như v1_goc, v2_recode, v3_loai_PU2 sẽ giúp bạn giải trình được vì sao output hiện tại khác output ban đầu.

Lỗi thường gặp khi sửa

Lỗi phổ biến nhất là xóa biến chỉ vì AVE chưa đạt mà không xem outer loading. AVE là kết quả tổng hợp, còn quyết định thường bắt đầu từ từng chỉ báo. Bạn cũng dễ xóa nhầm item có loading thấp nhưng cần thiết cho nội dung khái niệm.

Một lỗi khác là xóa nhiều item trong cùng một lần chạy. Cách này làm mất khả năng theo dõi tác động của từng thay đổi và có thể khiến thang đo còn quá ít chỉ báo. Bạn cũng không nên trộn tiêu chí của CB-SEM như CFI, TLI hoặc RMSEA vào bài đánh giá SmartPLS, vì các chỉ số đó thuộc nhóm đánh giá khác.

Một số bạn chạy lại mô hình rất nhiều lần nhưng không lưu output từng vòng. Hãy lưu ảnh hoặc xuất báo cáo gồm Outer Loadings, Construct Reliability and Validity, Discriminant Validity và kết quả bootstrapping sau mỗi quyết định chính. Nếu sau khi sửa, giá trị phân biệt phát sinh vấn đề, hãy xử lý riêng thay vì chỉ tiếp tục xóa item.

Câu hỏi thường gặp

AVE nhỏ hơn 0.5 có bắt buộc phải loại biến không

Không bắt buộc. Bạn cần xem outer loading của từng chỉ báo, Composite Reliability, số item còn lại và ý nghĩa lý thuyết. Loại biến chỉ vì muốn tăng AVE có thể làm thang đo mất nội dung.

AVE bằng 0.48 có được chấp nhận không

AVE = 0.48 vẫn thấp hơn mốc 0.5 thường được trích dẫn từ (Fornell và Larcker, 1981). Việc có giữ thang đo hay không cần dựa vào toàn bộ bằng chứng, gồm loading, CR, nguồn thang đo và giải trình với giảng viên. Không nên tự đổi mốc thành đạt chỉ vì chênh lệch nhỏ.

Composite Reliability đạt nhưng AVE vẫn thấp thì kết luận thế nào

CR đạt cho thấy độ tin cậy tổng hợp có thể ổn, nhưng điều đó không tự động chứng minh giá trị hội tụ đạt. Bạn cần báo cáo cả hai chỉ số, nêu AVE thấp nếu có và giải thích quyết định giữ hoặc loại chỉ báo.

Có nên xóa item có outer loading 0.6 không

Chưa nên xóa ngay. Hãy chạy mô hình có và không có item đó, so sánh AVE, CR, số lượng chỉ báo và nội dung khái niệm. Nếu item cần thiết về lý thuyết, giữ lại có thể hợp lý hơn, miễn là bạn báo cáo hạn chế rõ ràng.

Xóa biến rồi AVE tăng nhưng HTMT lại lớn hơn 0.9 thì sao

Bạn cần đánh giá lại giá trị phân biệt giữa các biến tiềm ẩn. AVE tăng không có nghĩa mô hình đã ổn toàn diện. Kiểm tra nội dung các thang đo, tương quan giữa khái niệm và HTMT theo hướng dẫn liên quan trước khi chốt mô hình.

Mở file dữ liệu của bạn, ghi lại AVE, CR và toàn bộ Outer Loadings của vòng chạy hiện tại, sau đó kiểm tra từng item theo thứ tự ở trên trước khi xóa bất kỳ biến nào; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu của DoThesis.