Biến tiềm ẩn là gì? Cách đọc trong SPSS và SmartPLS

Biến tiềm ẩn là gì

Bạn mở mô hình nghiên cứu và thấy các khái niệm như sự hài lòng, chất lượng dịch vụ, ý định mua hoặc niềm tin. Những khái niệm này có thật trong lý thuyết, nhưng bạn không thể đo chúng bằng một thước đo trực tiếp duy nhất. Bạn cần dùng nhiều biến quan sát trong bảng hỏi để đại diện cho chúng. Khái niệm đứng phía sau nhóm biến quan sát đó được gọi là biến tiềm ẩn, tiếng Anh là latent variable hoặc construct.

Ví dụ, “sự hài lòng của khách hàng” là một biến tiềm ẩn. Bạn có thể đo nó bằng các biến quan sát SAT1, SAT2, SAT3 và SAT4. Mỗi biến quan sát là một phát biểu trong bảng hỏi, thường được trả lời trên thang Likert. Mô hình đo lường sẽ kiểm tra xem các phát biểu này có cùng phản ánh một khái niệm hay không.

Trong PLS-SEM, biến tiềm ẩn thường được biểu diễn bằng hình tròn hoặc hình elip, còn biến quan sát được biểu diễn bằng hình chữ nhật. Với một construct phản xạ, mối quan hệ thường được hiểu là biến tiềm ẩn gây ra sự thay đổi ở các biến quan sát. Outer loading, Cronbach's Alpha, composite reliability, AVE và HTMT là các chỉ số dùng để đánh giá phần này.

Công thức khái quát có thể hiểu như sau:

Biến tiềm ẩn = khái niệm lý thuyết được đại diện bởi một hoặc nhiều biến quan sát

Bạn có thể xem thêm bối cảnh rộng hơn trong bài SEM là gì, nhưng khi làm bài định lượng, điều cần xử lý ngay là xác định construct nào đang có trong mô hình và mỗi construct gồm những mã biến nào.

Ý nghĩa của biến tiềm ẩn trong nghiên cứu định lượng

Biến tiềm ẩn giúp bạn đưa những khái niệm trừu tượng vào mô hình có thể kiểm định bằng dữ liệu số. “Chất lượng cảm nhận”, “nhận thức hữu ích” hay “ý định tiếp tục sử dụng” đều khó đo trực tiếp. Một nhóm biến quan sát được thiết kế đúng sẽ biến chúng thành các đại lượng có thể phân tích.

Vai trò đầu tiên của biến tiềm ẩn là tổ chức mô hình nghiên cứu. Chẳng hạn, mô hình có thể gồm Nhận thức hữu ích, Nhận thức dễ sử dụng, Thái độ và Ý định sử dụng. Mỗi construct là một biến tiềm ẩn, còn các mã PU1, PU2, PEOU1 hoặc INT1 là biến quan sát tương ứng. Trong phần giả thuyết, bạn kiểm tra quan hệ giữa các construct, chẳng hạn Nhận thức hữu ích ảnh hưởng đến Thái độ.

Vai trò thứ hai là giảm sự phụ thuộc vào một câu hỏi đơn lẻ. Một phát biểu có thể bị người trả lời hiểu sai hoặc có sai số. Nhiều biến quan sát giúp mô hình đánh giá độ tin cậy và giá trị của cả thang đo. Tuy vậy, thêm nhiều biến không tự động làm thang đo tốt hơn. Các biến phải cùng hướng đến một khái niệm và có nội dung phù hợp.

Vai trò thứ ba là tách phần đo lường khỏi phần quan hệ cấu trúc. Trong SmartPLS, bạn đánh giá measurement model trước, sau đó mới xem structural model. Quy trình hai bước này phù hợp với cách tiếp cận đo lường rồi kiểm định quan hệ giữa các construct, được trình bày trong (Anderson và Gerbing, 1988).

Nếu bạn đang phân vân giữa PLS-SEM và CB-SEM, hãy xem PLS-SEM và CB-SEM là gì. Hai hướng này đều có thể dùng biến tiềm ẩn, nhưng cách ước lượng, mục tiêu phân tích và nhóm chỉ số báo cáo khác nhau.

Biến tiềm ẩn bao nhiêu là đạt

Câu hỏi “biến tiềm ẩn bao nhiêu là tốt” thường xuất hiện khi bạn nhìn thấy một construct trong sơ đồ SmartPLS. Bản thân biến tiềm ẩn không có một con số duy nhất để gọi là đạt. Bạn đánh giá nó thông qua các chỉ số của những biến quan sát và độ tin cậy, giá trị hội tụ, giá trị phân biệt của construct.

Bảng dưới đây dùng cho mô hình đo lường phản xạ. Mỗi dòng cần được đọc cùng với bối cảnh đề tài, chất lượng nội dung thang đo và yêu cầu của người hướng dẫn.

Một construct có outer loading tốt nhưng AVE thấp vẫn cần xem xét, vì AVE được tính ở cấp độ construct. Tương tự, Alpha cao không đủ để kết luận thang đo có giá trị phân biệt. Bạn cần xem cả HTMT hoặc tiêu chí Fornell-Larcker, trong đó căn bậc hai của AVE được so sánh với tương quan giữa các construct (Fornell và Larcker, 1981).

Khi đọc tài liệu, đừng nhầm ngưỡng của PLS-SEM với CFI, TLI hoặc RMSEA của CB-SEM. Các chỉ số fit đó thuộc nhóm CB-SEM và được bàn trong (Hu và Bentler, 1999). Chúng không phải tiêu chí thay thế cho outer loading, CR, AVE và HTMT trong SmartPLS.

Cách đọc biến tiềm ẩn trên output

Trong SmartPLS 4, sau khi chạy PLS Algorithm, bạn thường mở các bảng Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Tên cột có thể thay đổi đôi chút theo phiên bản hoặc màn hình kết quả, nhưng logic đọc vẫn giống nhau.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử construct “Sự hài lòng” có bốn biến quan sát SAT1 đến SAT4.

Cách đọc bảng này là đi từ biến quan sát lên construct. SAT1 có outer loading 0.812, nghĩa là nó có mức liên hệ phù hợp với construct Sự hài lòng theo ngưỡng tham khảo. SAT2, SAT3 và SAT4 cũng vượt 0.70. Đây là minh họa về cách trình bày, không phải bằng chứng rằng thang đo của bạn sẽ cho kết quả giống vậy.

Sau đó, bạn chuyển sang bảng Construct Reliability and Validity. Cronbach's Alpha 0.884 và Composite Reliability 0.921 đều vượt ngưỡng thường dùng. AVE 0.746 vượt 0.50, nên giá trị hội tụ của construct trong ví dụ được xem là đạt theo (Fornell và Larcker, 1981).

Cuối cùng, mở Discriminant Validity. Ở bảng HTMT, bạn xem từng cặp construct. Nếu HTMT giữa Sự hài lòng và Ý định mua là 0.78, con số này nằm dưới 0.85 theo ngưỡng nghiêm ngặt của (Henseler và cộng sự, 2015). Nếu hai khái niệm rất gần nhau về nội dung, một số nghiên cứu dùng mốc 0.90, nhưng bạn cần giải thích lý do lựa chọn.

Với mô hình SEM, hãy lập một danh sách mapping trước khi chạy: tên construct, mã biến quan sát, loại đo lường và giả thuyết liên quan. Việc này giúp bạn tránh lỗi đặt SAT1 vào nhầm construct hoặc nối nhầm mũi tên trong sơ đồ.

Trong SPSS, biến tiềm ẩn không hiện ra như một cột dữ liệu độc lập nếu bạn chưa tạo điểm tổng hợp hoặc điểm trung bình. File .sav thường chứa các cột SAT1, SAT2, SAT3, SAT4. Bạn có thể chạy Cronbach's Alpha cho nhóm này, rồi tính điểm đại diện bằng Transform > Compute Variable nếu thiết kế phân tích yêu cầu. SPSS xử lý các cột biến quan sát; nó không tự dựng một latent variable như SmartPLS.

Khi biến tiềm ẩn không đạt thì xử lý thế nào

Trước tiên, kiểm tra lại việc khai báo mô hình. Một outer loading thấp có thể xuất phát từ mã biến sai, biến đảo chiều chưa recode, dữ liệu nhập dạng chữ hoặc một item được kéo nhầm sang construct khác. Bạn nên mở lại file dữ liệu và bảng mã trước khi xóa biến.

Kiểm tra dữ liệu và biến đảo chiều

Nếu SAT3 là biến đảo chiều nhưng vẫn giữ cách mã hóa ban đầu, tương quan giữa SAT3 và các item còn lại có thể thấp. Trong SPSS, kiểm tra Transform > Recode into Different Variables, sau đó dùng biến mới trong phân tích. Trong SmartPLS, kiểm tra tên cột và bảo đảm dữ liệu .csv đã được xử lý trước khi import.

Xem nội dung và outer loading

Nếu loading dưới 0.70, hãy xem đồng thời Cronbach's Alpha, CR, AVE và ý nghĩa nội dung của item. Xóa một biến chỉ vì nó làm một chỉ số tăng lên có thể khiến construct mất một khía cạnh lý thuyết. Với loading thấp rõ rệt, item không phù hợp về nội dung và kết quả cải thiện nhất quán, việc loại biến có thể giải trình được.

Kiểm tra giá trị phân biệt

Nếu HTMT vượt ngưỡng, hãy xem hai construct có đang đo cùng một nội dung hay không. Kiểm tra lại wording, nguồn thang đo và mô hình lý thuyết. Gộp hai construct chỉ vì HTMT cao là quyết định thay đổi mô hình, cần có lập luận chứ không nên làm để bảng kết quả đẹp hơn.

Chạy lại có ghi chép

Sau mỗi lần điều chỉnh, lưu một phiên bản file và ghi rõ biến nào bị loại, lý do, chỉ số trước và sau. EFA hoặc PLS-SEM hiếm khi cho bảng hoàn hảo ngay lần đầu, nhưng chuỗi điều chỉnh phải dựa trên dữ liệu và lý thuyết. Nếu xóa quá nhiều biến, vấn đề có thể nằm ở thiết kế bảng hỏi hoặc cách xác định construct, khi đó chạy lại phần mềm sẽ không giải quyết được gốc lỗi.

Phân biệt biến tiềm ẩn với biến quan sát

Biến quan sát là gì? Đây là đại lượng được ghi nhận trực tiếp trong dữ liệu, thường là một cột trong file SPSS hoặc CSV. Ví dụ SAT1 có thể là câu trả lời cho phát biểu “Tôi hài lòng với dịch vụ này”, được mã hóa từ 1 đến 5. Trong ngôn ngữ phương pháp, nên gọi SAT1 là biến quan sát hoặc indicator, thay vì gọi nó là toàn bộ khái niệm hài lòng.

Biến tiềm ẩn nằm ở cấp độ khái niệm. Nó được đại diện bởi một nhóm biến quan sát. Nếu “Sự hài lòng” gồm SAT1 đến SAT4, bốn mã này là các indicator, còn Sự hài lòng là construct. Trong SmartPLS, bạn kéo construct vào canvas rồi gán các indicator vào construct đó.

Câu hỏi “biến quan sát bao nhiêu là tốt” cũng không có một con số cố định cho mọi đề tài. Bạn cần đủ indicator để bao quát nội dung khái niệm, đồng thời tránh các biến trùng ý hoặc dư thừa. Về cỡ mẫu, quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn trong (Hair và cộng sự, 2010), nhưng đây là hướng dẫn thiết kế mẫu, không phải ngưỡng outer loading.

Trong SPSS, bạn thấy biến quan sát dưới dạng cột và có thể chạy Analyze > Scale > Reliability Analysis để kiểm tra nhóm item. Trong SmartPLS, các cột đó trở thành indicators gắn với một latent variable. Nếu bạn tính trung bình SAT1 đến SAT4 trong SPSS, kết quả mới là một biến tổng hợp trong file dữ liệu, không biến đổi bản chất của bốn indicator ban đầu.

Lỗi thường gặp

Lỗi đầu tiên là gọi mọi cột trong SPSS là biến tiềm ẩn. Một cột mã SAT1, SAT2 hoặc PU3 thường là biến quan sát. Construct nằm ở tầng khái niệm hoặc được tạo trong phần mềm SEM.

Lỗi thứ hai là hỏi “biến tiềm ẩn bao nhiêu là tốt” chỉ bằng số lượng. Số construct trong mô hình phụ thuộc câu hỏi nghiên cứu và lý thuyết. Mô hình có nhiều biến tiềm ẩn không tự động tốt hơn mô hình ít biến.

Lỗi thứ ba là lấy ngưỡng của CB-SEM đưa vào SmartPLS. Bạn cần giữ đúng nhóm chỉ số của PLS-SEM: outer loading, Alpha, CR, AVE, HTMT, VIF, R², f² và Q². Trong PLS-SEM, R² có thể được diễn giải theo các mức 0.75, 0.50 và 0.25 theo (Hair và cộng sự, 2011), còn Q² lớn hơn 0 được dùng để xem xét khả năng dự báo theo (Stone, 1974).

Lỗi thứ tư là xóa item hàng loạt mà không lưu lịch sử. Khi giảng viên hỏi vì sao SAT2 bị loại, bạn cần trả lời được dựa trên loading, nội dung thang đo và kết quả của từng vòng chạy.

Câu hỏi thường gặp

Biến tiềm ẩn và biến quan sát khác nhau thế nào?

Biến tiềm ẩn là khái niệm không đo trực tiếp như sự hài lòng hoặc niềm tin. Biến quan sát là indicator được ghi nhận qua từng phát biểu trong bảng hỏi, chẳng hạn SAT1, SAT2 và SAT3. Một nhóm biến quan sát thường được dùng để đại diện cho một biến tiềm ẩn.

Biến tiềm ẩn bao nhiêu là tốt?

Không có ngưỡng số lượng construct áp dụng cho mọi đề tài. Bạn cần đánh giá chất lượng từng construct qua outer loading, Cronbach's Alpha, CR, AVE và HTMT, đồng thời bảo đảm số construct phù hợp với mô hình lý thuyết và câu hỏi nghiên cứu.

Biến quan sát bao nhiêu là tốt?

Số biến quan sát cần đủ để bao quát khái niệm và có thể kiểm định độ tin cậy. Trong giai đoạn thiết kế mẫu, hướng dẫn 5 đến 10 quan sát cho mỗi biến quan sát được trích dẫn từ (Hair và cộng sự, 2010). Đây không phải tiêu chí để kết luận một item có loading đạt hay không.

Biến tiềm ẩn trong SPSS nằm ở đâu?

SPSS chủ yếu hiển thị các biến quan sát dưới dạng cột dữ liệu. Bạn có thể chạy Alpha cho nhóm item và tính điểm trung bình bằng Transform > Compute Variable, nhưng latent variable theo đúng nghĩa mô hình SEM được khai báo rõ hơn trong SmartPLS, AMOS hoặc phần mềm SEM khác.

Outer loading thấp thì phải làm sao?

Kiểm tra dữ liệu, biến đảo chiều, mã cột và việc gán indicator trước. Sau đó xem loading cùng Alpha, CR, AVE và ý nghĩa nội dung. Chỉ nên loại biến khi quyết định có cơ sở phương pháp và lý thuyết, rồi chạy lại mô hình và lưu lại các vòng xử lý.

Bạn hãy mở file của mình, lập bảng mapping giữa từng biến tiềm ẩn và các biến quan sát, sau đó kiểm tra lần lượt Outer Loadings, Construct Reliability and Validity và Discriminant Validity; nếu cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích của DoThesis thực hiện bước này cùng bạn.