Discriminant là gì? Cách đọc giá trị phân biệt trong SmartPLS

Discriminant là gì

Trong luận văn định lượng, discriminant thường xuất hiện trong cụm discriminant validity, tiếng Việt là giá trị phân biệt. Chỉ số này trả lời một câu hỏi rất thực tế: các khái niệm trong mô hình của bạn có thực sự khác nhau hay đang đo gần như cùng một nội dung.

Ví dụ, mô hình có hai biến tiềm ẩn là Chất lượng dịch vụ và Sự hài lòng. Giá trị phân biệt đạt khi các biến quan sát của Chất lượng dịch vụ tập trung vào đúng khái niệm đó, đồng thời không bị trùng quá mức với các biến quan sát của Sự hài lòng. Việc kiểm tra này thuộc bước đánh giá measurement model, trước khi diễn giải path coefficient hay kiểm định giả thuyết.

Trong SmartPLS, bạn thường gặp các bảng Discriminant Validity, HTMT, Cross Loadings hoặc Fornell-Larcker Criterion. Có thể hiểu khái quát giá trị phân biệt qua sự khác biệt giữa phương sai mà một construct giải thích cho các biến quan sát của nó và phần biến thiên bị chia sẻ với construct khác. Với tiêu chí Fornell-Larcker, căn bậc hai của AVE của một construct được so sánh với tương quan giữa construct đó và các construct còn lại (Fornell và Larcker, 1981).

Bạn cũng cần phân biệt giá trị phân biệt với scale là gì. Scale là thang đo gồm các biến quan sát dùng để đo một khái niệm, còn discriminant là một nhóm tiêu chí kiểm tra xem các thang đo khác nhau có bị chồng lấn quá nhiều hay không.

Ý nghĩa của discriminant trong nghiên cứu định lượng

Giá trị phân biệt giúp bạn quyết định có thể giữ các construct riêng biệt trong mô hình hay cần xem lại thang đo. Nếu hai construct có tương quan quá cao, việc diễn giải tác động riêng của từng construct lên biến phụ thuộc sẽ thiếu cơ sở. Khi đó, một path coefficient có thể phản ánh sự trùng lặp nội dung giữa các thang đo thay vì một quan hệ lý thuyết rõ ràng.

Trong PLS-SEM, bạn thường đánh giá mô hình đo lường trước, sau đó mới chuyển sang mô hình cấu trúc. Cách làm hai bước, kiểm tra measurement model rồi kiểm tra structural model, phù hợp với quy trình được trình bày bởi (Anderson và Gerbing, 1988). Trong phần measurement model, discriminant validity đi cùng với độ tin cậy và giá trị hội tụ. Một thang đo có Cronbach's Alpha hoặc CR tốt vẫn có thể không đạt giá trị phân biệt nếu nó quá giống một construct khác.

Giá trị phân biệt cũng giúp bạn trả lời câu hỏi của giảng viên: “Vì sao hai khái niệm này được tách thành hai biến độc lập trong mô hình”. Bạn cần chỉ ra rằng các chỉ số HTMT, Fornell-Larcker hoặc cross-loadings cho thấy hai construct có thể phân biệt về mặt đo lường. Nếu chỉ trích dẫn lý thuyết mà bỏ qua kết quả discriminant validity, phần kiểm định thang đo vẫn còn thiếu.

Đừng nhầm discriminant validity với discriminant analysis. Discriminant analysis là một kỹ thuật phân loại hoặc dự đoán nhóm quan sát, thường trả lời câu hỏi một cá thể thuộc nhóm nào. Discriminant validity lại kiểm tra chất lượng của thang đo trong mô hình SEM. Hai cụm từ có chữ “discriminant” nhưng mục tiêu, dữ liệu đầu vào và bảng output khác nhau.

Discriminant bao nhiêu là đạt

Không nên nhìn một con số duy nhất rồi kết luận ngay. SmartPLS thường cho nhiều cách kiểm tra, trong đó HTMT được dùng rộng rãi để đánh giá giá trị phân biệt. Theo (Henseler và cộng sự, 2015), HTMT nên dưới 0.85, hoặc dưới 0.90 trong trường hợp các construct về mặt khái niệm gần nhau. Tiêu chí Fornell-Larcker yêu cầu căn bậc hai của AVE lớn hơn tương quan giữa construct đó với các construct khác (Fornell và Larcker, 1981).

Bảng dưới đây tóm tắt các ngưỡng thường gặp và nguồn bạn có thể ghi trong luận văn. Các ngưỡng này là tiêu chí tham khảo trong bối cảnh nghiên cứu, không phải lý do để tự động xóa biến khi kết quả chưa đạt.

Bảng này không có nghĩa rằng HTMT dưới 0.85 là điều kiện duy nhất. Bạn nên xem đồng thời nội dung biến quan sát, mô hình lý thuyết, outer loadings và các chỉ số liên quan. Trong báo cáo PLS-SEM hiện nay, HTMT thường là kiểm tra chính, còn Fornell-Larcker và cross-loadings có thể dùng để bổ sung bằng chứng (Hair và cộng sự, 2019).

Cách đọc discriminant trên output

Giả sử bạn mở SmartPLS 4, chạy PLS Algorithm và chọn phần kết quả của construct. Bảng Discriminant Validity có thể hiển thị ma trận HTMT. Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế.

Trong ví dụ này, CLDV - HAILONG có HTMT bằng 0.742, thấp hơn 0.85 nên có bằng chứng ủng hộ giá trị phân biệt theo tiêu chí nghiêm ngặt. Cặp HAILONG - TRUNGTAM có 0.934, vượt cả 0.90. Bạn chưa nên xóa ngay một biến quan sát chỉ vì con số này cao. Trước hết cần xác định hai construct có thực sự gần nhau về nội dung hay không.

Nếu đọc bảng Fornell-Larcker, đường chéo thường là căn bậc hai AVE. Ví dụ, construct CLDV có căn bậc hai AVE bằng 0.812, trong khi tương quan của CLDV với HAILONG là 0.742 và với GIATRI là 0.615. Điều kiện này được ủng hộ vì 0.812 lớn hơn các tương quan liên quan. Tuy nhiên, nếu một ô ngoài đường chéo lớn hơn giá trị đường chéo của construct, đó là dấu hiệu cần kiểm tra thêm.

Với bảng Cross Loadings, bạn xem mỗi biến quan sát có outer loading cao nhất ở construct được thiết kế ban đầu hay không. Chẳng hạn, CLDV3 có loading 0.781 trên CLDV, 0.422 trên HAILONG và 0.365 trên GIATRI. Mẫu hình này phù hợp. Nếu CLDV3 loading 0.612 trên CLDV nhưng 0.744 trên HAILONG, bạn cần xem lại wording, mã hóa hoặc việc gán biến vào construct.

Bạn cũng có thể tham khảo outliers khi nghi ngờ một số dòng dữ liệu bất thường đang làm tương quan giữa hai construct tăng cao. Outlier không được dùng như một lý do thuận tiện để xóa dữ liệu. Bạn cần có tiêu chí kiểm tra và ghi lại quyết định xử lý.

Khi discriminant không đạt thì xử lý thế nào

EFA hoặc PLS-SEM hiếm khi ra kết quả hoàn toàn đẹp ở lần chạy đầu. Khi HTMT vượt ngưỡng, hãy xử lý theo thứ tự từ nguyên nhân dễ kiểm tra đến thay đổi lớn hơn trong mô hình.

Kiểm tra lại mã biến và dữ liệu đầu vào

Mở file .csv hoặc .sav và kiểm tra tên biến, chiều mã hóa, giá trị missing và các biến đảo chiều. Một biến reverse-coded chưa được đảo mã có thể làm tương quan trong construct giảm, hoặc tạo ra mẫu hình tải bất thường. Trong SmartPLS 4, hãy chắc rằng mỗi biến quan sát được kéo vào đúng construct và không bị gán nhầm sang construct gần tên.

Đọc lại nội dung các biến quan sát

Đặt hai construct có HTMT cao cạnh nhau và đọc từng wording. Nếu các biến của “ý định sử dụng” và “ý định tiếp tục sử dụng” gần như cùng hỏi một điều, vấn đề có thể nằm ở thiết kế thang đo. Hãy đối chiếu nguồn thang đo, bối cảnh nghiên cứu và định nghĩa khái niệm trước khi chỉnh dữ liệu.

Kiểm tra cross-loadings và outer loadings

Tìm biến quan sát có loading thấp trên construct dự kiến hoặc loading cao trên construct khác. Việc loại biến chỉ có cơ sở khi biến đó vừa có vấn đề về thống kê, vừa có lý do nội dung rõ ràng. Sau mỗi lần loại, bạn cần chạy lại mô hình và lưu phiên bản kết quả cũ để giải trình với giảng viên.

Loại biến có lý do, không loại theo mục tiêu con số

Nếu một biến quan sát có wording mơ hồ, bị tải chéo và việc loại biến vẫn giữ được ý nghĩa nội dung của construct, bạn có thể cân nhắc loại. Đừng loại liên tiếp nhiều biến chỉ để HTMT giảm xuống dưới 0.85. Cách làm này có thể khiến thang đo mất nội dung quan trọng và làm kết quả khó bảo vệ.

Xem lại việc gộp hoặc tách construct

Khi hai construct liên tục có HTMT cao và nội dung gần như trùng nhau, vấn đề có thể nằm ở mô hình khái niệm. Bạn có thể cần trao đổi với giảng viên về việc gộp construct, tách chiều cạnh hoặc giữ nguyên mô hình nhưng giải thích rõ giới hạn. Thay đổi mô hình sau khi xem kết quả phải được ghi nhận như một quyết định nghiên cứu, không nên trình bày như thể đã định trước.

Phân biệt discriminant với giá trị hội tụ

Giá trị hội tụ và giá trị phân biệt đều thuộc đánh giá measurement model nhưng trả lời hai câu hỏi khác nhau. Convergent validity, hay giá trị hội tụ, xem các biến quan sát cùng đo một construct có thực sự hội tụ vào construct đó hay không. Các chỉ số thường xem gồm outer loading, AVE và CR. AVE từ 0.50 trở lên và CR từ 0.70 trở lên thường được dùng làm mốc tham khảo (Fornell và Larcker, 1981).

Discriminant validity xem construct này có khác construct kia hay không. Bạn thường xem HTMT, Fornell-Larcker và cross-loadings. Một construct có thể đạt AVE nhưng vẫn có HTMT cao với construct khác. Vì vậy, đạt giá trị hội tụ chưa đủ để kết luận thang đo đạt toàn bộ giá trị.

Bạn cũng cần tách discriminant validity khỏi các khái niệm như mediator, moderator và moderating. Mediator và moderator mô tả vai trò của biến trong quan hệ giữa các biến, còn discriminant validity mô tả chất lượng phân biệt giữa các construct. Đây là các lớp kiểm tra khác nhau trong một mô hình định lượng.

Lỗi thường gặp

Lỗi đầu tiên là ghi “HTMT đạt” nhưng không nêu cặp construct nào, giá trị bao nhiêu và ngưỡng nào được dùng. Trong chương 4, bạn nên đưa bảng HTMT hoặc bảng rút gọn có các cặp quan trọng, kèm nguồn (Henseler và cộng sự, 2015).

Lỗi thứ hai là dùng CFI, TLI, RMSEA hoặc SRMR để kết luận discriminant validity trong SmartPLS. Các fit indices này thuộc nhóm tiêu chí thường dùng trong CB-SEM theo (Hu và Bentler, 1999), không thay thế cho HTMT trong PLS-SEM.

Lỗi thứ ba là gọi discriminant validity là discriminant analysis. Nếu bạn đang xem HTMT, Fornell-Larcker Criterion hoặc Cross Loadings, bạn đang đánh giá giá trị phân biệt của thang đo. Nếu đang phân loại quan sát vào các nhóm, đó là một bài toán khác.

Lỗi cuối là xóa biến cho đến khi bảng số liệu “đẹp”. Mỗi biến bị loại cần có lý do thống kê và nội dung, có ghi nhận phiên bản chạy trước và sau. Nếu một construct chỉ còn quá ít biến quan sát, hãy dừng lại để xem xét lại mô hình thay vì tiếp tục chỉnh output.

Câu hỏi thường gặp

Giá trị phân biệt là gì?

Giá trị phân biệt là bằng chứng cho thấy các construct khác nhau trong mô hình đang đo các khái niệm khác nhau. Trong SmartPLS, bạn thường kiểm tra bằng HTMT, Fornell-Larcker và cross-loadings.

Discriminant bao nhiêu là đạt?

HTMT dưới 0.85 thường được xem là đạt theo ngưỡng nghiêm ngặt. Với hai construct gần nhau về mặt khái niệm, ngưỡng dưới 0.90 có thể được tham khảo, nhưng bạn cần giải thích rõ cơ sở lý thuyết (Henseler và cộng sự, 2015).

HTMT không đạt thì phải làm sao?

Bạn kiểm tra lại mã hóa, biến đảo chiều, gán biến vào construct, wording và cross-loadings trước. Sau đó mới cân nhắc loại một biến có vấn đề rõ ràng hoặc trao đổi về việc điều chỉnh mô hình. Không nên xóa biến chỉ vì muốn hạ HTMT.

Giá trị hội tụ và giá trị phân biệt khác nhau thế nào?

Giá trị hội tụ xem các biến quan sát của cùng một construct có hội tụ vào construct đó hay không. Giá trị phân biệt xem construct này có khác construct khác hay không. Một thang đo có thể đạt hội tụ nhưng vẫn không đạt phân biệt.

Có cần báo cáo cả HTMT và Fornell-Larcker không?

Bạn nên báo cáo tiêu chí mà phương pháp và giảng viên yêu cầu, đồng thời có thể dùng tiêu chí còn lại làm bằng chứng bổ sung. HTMT thường được ưu tiên trong báo cáo PLS-SEM hiện nay, còn Fornell-Larcker giúp người đọc kiểm tra thêm cấu trúc tương quan giữa các construct.

Khi quay lại file của mình, bạn hãy mở bảng HTMT, ghi từng cặp construct, đối chiếu với ngưỡng đã chọn, rồi kiểm tra cross-loadings trước khi sửa mô hình. Nếu cần chạy lại toàn bộ quy trình trên .sav hoặc .csv của bạn, M4 phân tích dữ liệu sẽ thực hiện bước này bằng SPSS và SmartPLS, giữ lại số liệu thật và lịch sử xử lý để bạn đưa vào chương 4.