CR lớn hơn 0,95 phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn chạy mô hình đo lường trong SmartPLS và mở bảng Construct Reliability and Validity. Ở cột Composite Reliability (rho_c), một hoặc nhiều cấu trúc có CR lớn hơn 0,95. Ví dụ, cấu trúc SAT có CR = 0,972, trong khi AVE vẫn đạt 0,50 và outer loading của các biến quan sát đều khá cao.

Đây chưa phải là lỗi phần mềm và cũng chưa đủ căn cứ để bạn xóa ngay biến có loading thấp nhất. CR rất cao có thể cho thấy thang đo có độ nhất quán nội tại tốt, nhưng cũng có thể phản ánh các biến quan sát đang hỏi gần như cùng một nội dung. Khi đó, vấn đề cần xem tiếp là giá trị phân biệt và mức độ trùng lặp về mặt khái niệm.

SmartPLS 4 thường hiển thị các chỉ số này trong Results > Quality Criteria > Construct Reliability and Validity. Bạn nên lưu lại bảng kết quả của lần chạy đầu, tên các biến quan sát và mô hình hiện tại trước khi chỉnh sửa. Nếu đang kiểm tra thêm HTMT, bạn có thể đối chiếu với hướng dẫn HTMT lớn hơn 0 9 phải làm sao.

Nguyên nhân thường gặp

CR được tính từ các outer loading và sai số đo lường của các biến quan sát trong cùng một cấu trúc. Khi các loading cao và các biến có nội dung gần nhau, CR có thể tăng mạnh. Vì vậy, chỉ nhìn một con số CR không cho biết biến nào cần loại hay thang đo có thực sự tốt hay không.

Bảng dưới đây giúp bạn khoanh vùng trước khi sửa mô hình.

Với thang đo phản xạ, CR từ 0,70 trở lên thường được dùng để xem xét độ tin cậy tổng hợp theo (Fornell và Larcker, 1981). Mốc 0,95 không phải một ngưỡng để kết luận tự động rằng thang đo bị loại. Nó là tín hiệu để bạn kiểm tra khả năng dư thừa nội dung, đặc biệt khi các biến quan sát chỉ thay đổi vài từ.

Bạn cũng cần phân biệt CR với Cronbach's Alpha. Cronbach's Alpha giả định mức đóng góp tương đối đồng đều giữa các item, còn CR sử dụng outer loading ước lượng từ mô hình PLS. Hai chỉ số có thể cùng đạt nhưng không nhất thiết bằng nhau. Nếu bạn cần kiểm tra AVE thấp hơn 0,50, hãy xem thêm bài AVE nhỏ hơn 0 5 phải làm sao.

Cách xử lý theo thứ tự ưu tiên

Đừng xóa biến chỉ để đưa CR về dưới một con số. Hãy đi từ kiểm tra dữ liệu và nội dung, vốn ít làm thay đổi mô hình, đến điều chỉnh thang đo và chạy lại mô hình.

Kiểm tra cấu hình mô hình và dữ liệu đầu vào

Mở mô hình trong SmartPLS 4, kiểm tra từng construct và danh sách indicator được nối vào nó. Đảm bảo item thuộc đúng khái niệm, không có một cột dữ liệu bị kéo nhầm sang hai construct, và các biến quan sát đều được mã hóa cùng chiều.

Nếu bảng hỏi có biến đảo chiều, hãy kiểm tra bạn đã đảo mã trước khi nhập vào SmartPLS chưa. Một item đáng lẽ có thang điểm từ 1 đến 5 nhưng vẫn giữ hướng ngược có thể làm loading thấp, tạo ra bức tranh không nhất quán. Ngược lại, việc sao chép cùng một cột dữ liệu cho nhiều item có thể làm CR tăng bất thường.

Đọc lại nội dung từng biến quan sát

In hoặc mở bảng mã hóa bảng hỏi. Đặt các item của cùng một construct cạnh nhau và hỏi ba câu: chúng có cùng đối tượng đo không, có chỉ khác vài từ không, và người trả lời có thể chọn cùng một mức điểm cho tất cả không.

Nếu SAT1 là “Tôi hài lòng với dịch vụ” và SAT2 là “Nhìn chung, tôi cảm thấy hài lòng với dịch vụ”, hai item này có thể đang đo gần như một ý. Bạn cần đối chiếu với thang đo gốc và phần giải thích khái niệm, thay vì chọn item có loading cao hơn chỉ vì muốn giảm CR.

Kiểm tra outer loading và AVE trước khi xóa item

Trong SmartPLS 4, mở Results > Quality Criteria > Outer Loadings. Ghi lại loading, mean và standard deviation nếu bảng kết quả của bạn hiển thị các cột này. Một item có loading cao không tự động là item nên giữ, vì nhiều item tương tự cùng có loading cao chính là nguyên nhân làm CR vượt quá mức bạn đang lo.

Outer loading từ 0,70 trở lên thường được tham chiếu trong PLS-SEM theo (Chin, 1998) và (Hair và cộng sự, 2022). Tuy nhiên, quyết định loại item phải kết hợp với ý nghĩa nội dung, CR, AVE và giá trị phân biệt. Bạn có thể xem bài giá trị phân biệt không đạt phải làm sao nếu vấn đề đi kèm là các construct bị chồng lấn.

Kiểm tra HTMT giữa các cấu trúc

Mở Results > Quality Criteria > Discriminant Validity > HTMT và tìm các cặp construct có giá trị cao. HTMT dưới 0,85 thường được dùng cho các khái niệm cần phân biệt chặt, còn dưới 0,90 có thể được xem xét với các khái niệm gần nhau theo (Henseler và cộng sự, 2015).

Nếu CR cao nhưng HTMT vẫn đạt, chưa có lý do đủ mạnh để xóa item chỉ vì CR lớn hơn 0,95. Nếu CR cao đi cùng HTMT vượt ngưỡng, hãy xem lại định nghĩa hai construct, nguồn thang đo và cách diễn đạt item. Xóa một item của một construct chỉ để hạ HTMT có thể che giấu việc mô hình lý thuyết đang chia một khái niệm thành hai phần quá giống nhau.

Chạy lại mô hình sau một thay đổi có lý do

Nếu có căn cứ rõ ràng, chẳng hạn hai item lặp nội dung hoặc một item không phù hợp với định nghĩa construct, hãy tạo bản sao mô hình và loại từng item một. Sau mỗi thay đổi, chạy lại Calculate > PLS-SEM Algorithm, rồi ghi CR, AVE, outer loading và HTMT vào bảng theo dõi.

Không nên loại liên tiếp nhiều item rồi mới xem kết quả. Cách đó khiến bạn không biết thay đổi nào làm chỉ số biến động và khó giải trình khi giảng viên hỏi. Một mô hình có CR = 0,93 sau khi loại hai item chưa chắc tốt hơn mô hình CR = 0,97, nếu việc loại bỏ làm mất nội dung quan trọng của khái niệm.

Đối chiếu bằng rho_A và Cronbach's Alpha

Trong bảng Construct Reliability and Validity, xem thêm Cronbach's Alpha, rho_A và Composite Reliability (rho_c). Nếu cả ba đều cao, khả năng thang đo có các item tương tự nhau đáng được chú ý. Nếu chỉ CR cao còn Alpha và rho_A thấp hơn nhiều, hãy kiểm tra lại cấu hình mô hình và đặc điểm phân bổ loading.

Bạn có thể tham khảo cách xử lý bootstrapping tại bootstrapping bị lỗi phải làm sao. Lưu ý rằng bootstrapping chủ yếu hỗ trợ kiểm định độ ổn định và ý nghĩa thống kê của các ước lượng, không tự sửa được thang đo có nội dung trùng lặp.

Bảng output số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm kết quả SmartPLS để bạn biết cần ghi lại gì khi kiểm tra.

Trong ví dụ, SAT có CR = 0,972. Bước tiếp theo không phải là xóa ngay SAT4. Bạn cần xem outer loading của SAT1 đến SAT4, đọc nội dung item, kiểm tra HTMT của SAT với các construct khác, rồi mới cân nhắc một thay đổi có cơ sở.

Khi nào phải quay lại thu thêm dữ liệu

CR lớn hơn 0,95 thường không tự nó buộc bạn thu thêm dữ liệu. Thu thêm mẫu chỉ làm tăng số quan sát, không sửa được việc hai biến quan sát có nội dung trùng nhau hoặc bạn đã nhập sai cột dữ liệu.

Bạn nên cân nhắc quay lại thu dữ liệu khi phát hiện vấn đề ở quy trình thu thập, chẳng hạn nhiều dòng bị thiếu nghiêm trọng, một nhóm người trả lời chưa thuộc đối tượng nghiên cứu, dữ liệu bị nhân bản, hoặc bảng hỏi đã thay đổi giữa các đợt nhưng bạn gộp chúng như một thang đo duy nhất. Khi đó, cần ghi rõ tiêu chí làm sạch và số phiếu bị loại.

Nếu dữ liệu hợp lệ nhưng CR cao vì thang đo có nhiều item gần nghĩa, giải pháp chính nằm ở việc đánh giá lại thang đo và mô hình đo lường. Đừng thu thêm vài chục phiếu chỉ để hy vọng CR giảm. Chỉ số có thể thay đổi, nhưng nguyên nhân khái niệm vẫn còn.

Khi bạn sửa bảng hỏi cho đợt thu mới, không nên trộn dữ liệu cũ và mới một cách máy móc. Hãy lưu phiên bản bảng hỏi, thời điểm thu, tiêu chí chọn mẫu và cách mã hóa. Nếu mẫu hiện tại còn thiếu so với thiết kế nghiên cứu, việc thu bổ sung phải phục vụ cỡ mẫu và chất lượng dữ liệu, không nhằm ép một chỉ số về ngưỡng mong muốn.

Cách giải trình với giảng viên hướng dẫn

Bạn nên chuẩn bị một bảng ngắn gồm kết quả trước và sau khi xử lý, lý do của từng thay đổi, cùng ảnh hưởng đến CR, AVE, outer loading và HTMT. Đưa cả nội dung item vào phụ lục hoặc bảng mô tả để cuộc trao đổi tập trung vào cơ sở đo lường, thay vì chỉ nhìn con số cuối cùng.

Cách viết vào luận văn: “Kết quả đánh giá mô hình đo lường cho thấy Composite Reliability của thang đo [TÊN THANG ĐO] đạt [GIÁ TRỊ]. Do chỉ số cao hơn 0,95, nghiên cứu tiếp tục kiểm tra nội dung các biến quan sát, outer loading và HTMT để đánh giá khả năng trùng lặp. Sau khi xem xét cơ sở lý thuyết và ý nghĩa của từng biến, [GIỮ NGUYÊN THANG ĐO/LOẠI BIẾN MÃ BIẾN VỚI LÝ DO], đồng thời báo cáo kết quả của mô hình sau điều chỉnh.”

Nếu giữ nguyên thang đo, bạn cần giải thích rằng các item vẫn đại diện cho những khía cạnh cần thiết của construct và giá trị phân biệt đạt yêu cầu. Nếu loại item, hãy nêu mã biến, lý do lý thuyết hoặc nội dung, kết quả trước và sau, thay vì viết rằng item bị loại chỉ vì CR quá cao.

Bạn cũng có thể ghi rõ CR từ 0,70 trở lên được tham chiếu theo (Fornell và Larcker, 1981), còn mốc outer loading từ 0,70 được tham chiếu theo (Chin, 1998). Không nên trích dẫn mốc 0,95 như một quy tắc bắt buộc nếu tài liệu bạn sử dụng không quy định như vậy.

Cách phòng từ bước thiết kế

Ngay khi xây dựng bảng hỏi, hãy giữ một bảng quản lý gồm tên construct, định nghĩa, nguồn thang đo, mã item và câu diễn đạt tiếng Việt. Mỗi item cần đóng góp một nội dung có ý nghĩa, thay vì thêm nhiều câu chỉ để tăng số lượng biến quan sát.

Trước khi thu chính thức, kiểm tra xem người trả lời có hiểu các item khác nhau không. Với dữ liệu định lượng, bạn có thể dùng một đợt thử nghiệm nhỏ để phát hiện câu chữ khó hiểu, mã đảo chiều, lựa chọn trả lời không phù hợp và lỗi nhập liệu. Mục tiêu là sửa công cụ đo trước khi mô hình chính thức được chạy.

Hãy đặt tên cột nhất quán trong file .csv, không dùng dấu cách hoặc ký tự đặc biệt trong mã biến. Sau khi nhập vào SmartPLS, kiểm tra số item của từng construct và kiểu đo lường reflective hay formative. CR áp dụng theo cách diễn giải thông thường cho thang đo reflective, nên không nên mang cùng một tiêu chí sang construct formative.

Bạn nên lưu ba loại tệp: dữ liệu gốc chưa chỉnh sửa, dữ liệu đã làm sạch và file mô hình SmartPLS theo từng vòng chạy. Cách lưu này giúp bạn quay lại kiểm tra khi một chỉ số thay đổi, đồng thời tránh việc ghi đè lên kết quả ban đầu.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa item có loading thấp nhất mà không đọc nội dung. Loading chỉ là một phần của quyết định. Lỗi thứ hai là xóa hàng loạt item để CR giảm, khiến construct còn quá ít nội dung đại diện hoặc không còn bám vào thang đo gốc.

Lỗi tiếp theo là trộn tiêu chí của CB-SEM vào SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số thường dùng trong CB-SEM, không phải tiêu chí để xử lý CR trong PLS-SEM. Với SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f² và Q² theo đúng mục tiêu phân tích.

Một lỗi khác là kết luận “CR cao nên thang đo đạt tuyệt đối”. Độ tin cậy cao không thay thế cho giá trị hội tụ và giá trị phân biệt. Bạn cũng không nên dùng kết quả bootstrapping để hợp thức hóa một item có nội dung lặp lại.

Cuối cùng, đừng chạy đi chạy lại cùng một mô hình rồi chọn phiên bản có chỉ số đẹp nhất mà không ghi lý do. Nếu kết quả bootstrapping thay đổi mỗi lần chạy, bạn có thể xem thêm kết quả bootstrapping thay đổi mỗi lần chạy phải làm sao. Hồ sơ phân tích cần cho thấy bạn đã quyết định như thế nào, không chỉ cho thấy bảng cuối cùng.

Đọc thêm: kết quả bootstrapping thay đổi mỗi lần chạy phải làm sao, chủ đề smartpls.

Câu hỏi thường gặp

CR lớn hơn 0,95 có bắt buộc phải xóa biến không?

Không. CR lớn hơn 0,95 là tín hiệu cần kiểm tra khả năng trùng lặp giữa các biến quan sát, chứ không phải lệnh xóa biến tự động. Bạn cần xem nội dung item, outer loading, AVE và HTMT trước khi quyết định.

Nếu các item đại diện cho các khía cạnh khác nhau của construct và giá trị phân biệt đạt, bạn có thể giữ thang đo và giải thích rõ quy trình đánh giá trong luận văn.

CR bằng 0,99 có phải do SmartPLS bị lỗi không?

Chưa thể kết luận như vậy. CR rất cao có thể xuất hiện khi các biến có tương quan mạnh, item bị lặp nội dung, dữ liệu bị sao chép hoặc một cột bị nhập nhầm cho nhiều biến. Hãy kiểm tra file dữ liệu và cấu hình construct trước khi cài lại phần mềm.

CR cao nhưng AVE và HTMT đều đạt thì xử lý thế nào?

Bạn có thể giữ mô hình nếu nội dung thang đo có cơ sở và không có lỗi dữ liệu. Trong chương kết quả, báo cáo đầy đủ các chỉ số và nêu rằng CR cao được xem xét cùng với nội dung item và giá trị phân biệt.

Không cần tạo ra một lần chạy mới chỉ để hạ CR. Điều quan trọng là quyết định có thể giải thích bằng lý thuyết và cách đo lường.

Có nên xóa biến có outer loading cao nhất để giảm CR không?

Thông thường đây là lựa chọn khó bảo vệ, vì item có loading cao đang đóng góp mạnh vào construct. Xóa item cần dựa vào sự trùng lặp nội dung, sự không phù hợp với định nghĩa hoặc bằng chứng rõ ràng khác, không chỉ dựa vào việc nó làm CR tăng.

Nếu hai item gần như cùng nghĩa, hãy đối chiếu thang đo gốc và chọn phương án giữ lại item phù hợp hơn với bối cảnh nghiên cứu, đồng thời ghi lại lý do.

CR và Cronbach's Alpha khác nhau thì nên báo cáo chỉ số nào?

Trong báo cáo PLS-SEM, bạn nên trình bày Cronbach's Alpha, rho_A, Composite Reliability và AVE khi bảng kết quả có các chỉ số này. Mỗi chỉ số phản ánh một cách ước lượng khác nhau, nên không nên chỉ chọn con số đẹp nhất.

Nếu các chỉ số chênh lệch lớn, hãy kiểm tra loading, mã hóa item và cấu hình mô hình. Phần diễn giải cần nói rõ tiêu chí bạn dùng và nguồn tham chiếu tương ứng.

Trước mắt, hãy mở file SmartPLS, lưu một bản sao mô hình, chụp lại bảng Construct Reliability and Validity, Outer Loadings và HTMT, rồi ghi từng thay đổi vào bảng theo dõi; nếu muốn chạy toàn bộ quy trình trên dữ liệu .sav hoặc .csv của mình, bạn có thể dùng module M4 phân tích của DoThesis.