Độ tin cậy là gì? Cách đọc Cronbach's Alpha và Composite Reliability
Độ tin cậy là gì
Bạn mở output SPSS và thấy Cronbach's Alpha = 0.812, nhưng chưa biết con số đó đủ để giữ thang đo hay phải loại biến. Trong nghiên cứu định lượng, độ tin cậy cho biết các biến quan sát trong cùng một thang đo có nhất quán khi cùng đo một khái niệm hay không. Một thang đo về sự hài lòng, chẳng hạn, thường gồm nhiều biến quan sát như SAT1, SAT2, SAT3 và SAT4. Độ tin cậy kiểm tra xem các biến này có phối hợp đủ chặt để được xem là một nhóm hay không.
Chỉ số quen thuộc nhất trong SPSS là Cronbach's Alpha. Về bản chất, Alpha dựa trên số lượng biến quan sát và mức tương quan giữa các biến trong cùng thang đo. Có thể biểu diễn khái quát như sau:
α = [k/(k - 1)] × [1 - tổng phương sai của các biến / phương sai tổng thang đo]
Trong đó, k là số biến quan sát. Alpha càng cao thường cho thấy mức nhất quán nội tại càng tốt, nhưng Alpha rất cao cũng cần được xem xét vì các biến có thể bị trùng lặp nội dung. Độ tin cậy không chứng minh thang đo đo đúng khái niệm. Bạn vẫn phải đánh giá giá trị hội tụ, giá trị phân biệt và sự phù hợp của mô hình.
Trong SmartPLS, bạn thường gặp Composite Reliability, rho_A và Cronbach's Alpha ở phần đánh giá mô hình đo lường. Composite Reliability sử dụng outer loading của từng biến quan sát nên phù hợp với bối cảnh PLS-SEM hơn khi bạn đánh giá biến tiềm ẩn. Bạn có thể xem thêm các khái niệm nền tảng về scale là gì trước khi đọc các chỉ số này.
Ý nghĩa của độ tin cậy trong nghiên cứu định lượng
Độ tin cậy là một bước kiểm tra trước khi bạn dùng thang đo cho EFA, hồi quy, CFA hoặc mô hình PLS-SEM. Nếu các biến quan sát trong một nhóm không nhất quán, điểm trung bình hoặc điểm tổng hợp của nhóm đó có thể không đại diện tốt cho khái niệm cần đo.
Trong SPSS, kiểm định độ tin cậy thường giúp bạn trả lời ba câu hỏi. Thứ nhất, toàn bộ thang đo có mức nhất quán nội tại chấp nhận được không. Thứ hai, biến quan sát nào có tương quan thấp với phần còn lại của thang đo. Thứ ba, nếu loại một biến, Alpha có tăng lên đáng kể hay không.
Khi Alpha đạt mức phù hợp và Corrected Item-Total Correlation của từng biến đạt yêu cầu, bạn có cơ sở giữ lại thang đo cho bước tiếp theo. Tuy nhiên, quyết định giữ hay loại biến phải dựa cả vào nội dung lý thuyết. Một biến có chỉ số thấp có thể đang đo một khía cạnh quan trọng, trong khi một biến làm Alpha tăng nhưng trùng nghĩa với biến khác chưa chắc nên giữ.
Với SmartPLS, độ tin cậy thuộc nhóm đánh giá measurement model. Bạn thường xem độ tin cậy cùng với Outer Loadings, AVE, HTMT và VIF. Quy trình hợp lý là đánh giá mô hình đo lường trước, sau đó mới diễn giải Path Coefficients, R² hoặc tác động trung gian. Các khái niệm như mediator và moderator thuộc phần mô hình cấu trúc, không thay thế cho bước kiểm tra độ tin cậy.
Độ tin cậy bao nhiêu là đạt
Không nên chỉ nhìn một con số Alpha rồi kết luận. Bạn cần xác định loại chỉ số, mục đích nghiên cứu và phần mềm đang dùng. Bảng dưới đây tóm tắt các ngưỡng thường được dùng, kèm nguồn để bạn có thể giải trình trong luận văn.
| Chỉ số hoặc tiêu chí | Ngưỡng tham khảo | Cách hiểu và nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | Mức chấp nhận phổ biến cho độ tin cậy, (Nunnally, 1978) |
| Cronbach's Alpha trong nghiên cứu khám phá | Từ 0.6 trở lên | Có thể chấp nhận với thang đo mới hoặc nghiên cứu khám phá, (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | Biến quan sát có tương quan đủ với tổng thang đo, (Nunnally và Bernstein, 1994) |
| Composite Reliability | Từ 0.7 trở lên | Độ tin cậy tổng hợp của biến tiềm ẩn, (Fornell và Larcker, 1981) |
| rho_A | Thường xem cùng nhóm chỉ số độ tin cậy | Dùng như một thước đo độ tin cậy trong PLS, (Dijkstra và Henseler, 2015) |
| Outer Loading | Từ 0.7 trở lên | Mức tham khảo cho biến quan sát trong PLS-SEM, (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| AVE | Từ 0.5 trở lên | Đánh giá giá trị hội tụ, không phải chỉ số Alpha, (Fornell và Larcker, 1981) |
Các ngưỡng trên là mốc tham khảo, không phải quy tắc để xóa biến tự động. Với thang đo mới, Alpha từ 0.6 có thể được xem xét trong bối cảnh phù hợp, nhưng bạn cần trình bày rõ đây là nghiên cứu khám phá và viện dẫn (Hair và cộng sự, 2010). Với thang đo đã được sử dụng ổn định, người hướng dẫn thường yêu cầu mức chặt hơn.
Một lỗi thường gặp là gọi Composite Reliability là Cronbach's Alpha của SmartPLS. Hai chỉ số đều liên quan đến độ tin cậy nhưng cách tính và vai trò trong mô hình khác nhau. Bạn cũng không nên dùng CFI, TLI hoặc RMSEA để đánh giá độ tin cậy. Đây là các chỉ số fit của CB-SEM, được trình bày trong bối cảnh khác theo (Hu và Bentler, 1999).
Cách đọc độ tin cậy trên output
Đọc bảng Reliability Statistics trong SPSS
Để chạy kiểm định, vào Analyze > Scale > Reliability Analysis. Đưa các biến quan sát của một khái niệm vào ô Items, chọn Model: Alpha, sau đó bấm Statistics. Bạn nên chọn Item, Scale và Scale if item deleted để SPSS xuất thêm thông tin cần thiết.
Bảng Reliability Statistics thường có hai cột là Cronbach's Alpha và N of Items. N of Items cho biết số biến quan sát được đưa vào lần chạy đó. Nếu bạn chạy riêng từng khái niệm, hãy kiểm tra đúng nhóm biến trước khi diễn giải Alpha. Không gộp tất cả biến độc lập và biến phụ thuộc vào một lần chạy vì chúng đo các khái niệm khác nhau.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.
| Cronbach's Alpha | N of Items | Diễn giải minh họa |
|---|---|---|
| 0.812 | 4 | Độ tin cậy của thang đo đạt mức phù hợp theo (Nunnally, 1978) |
Trong output thực tế, bạn sẽ thấy thêm bảng Item-Total Statistics. Cột cần chú ý là Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted. Ví dụ minh họa dưới đây mô phỏng cách SPSS trình bày kết quả.
| Item | Scale Mean if Item Deleted | Scale Variance if Item Deleted | Corrected Item-Total Correlation | Cronbach's Alpha if Item Deleted |
|---|---|---|---|---|
| SAT1 | 12.18 | 3.842 | 0.641 | 0.758 |
| SAT2 | 12.05 | 3.917 | 0.703 | 0.729 |
| SAT3 | 12.22 | 3.760 | 0.584 | 0.783 |
| SAT4 | 12.11 | 3.881 | 0.667 | 0.747 |
Đây cũng là số liệu minh họa. Các Corrected Item-Total Correlation đều lớn hơn 0.3, phù hợp với ngưỡng của (Nunnally và Bernstein, 1994). Alpha nếu loại từng biến đều thấp hơn Alpha chung 0.812, vì vậy bảng này không tạo ra lý do thống kê rõ ràng để loại biến.
Nếu Cronbach's Alpha if Item Deleted cao hơn Alpha chung, đó là dấu hiệu cần kiểm tra biến tương ứng. Bạn chưa nên xóa ngay. Hãy xem nội dung biến, chiều mã hóa và tương quan với các biến còn lại. Một biến đảo chiều chưa được recode có thể làm tương quan giảm mạnh.
Đọc chỉ số trong SmartPLS
Trong SmartPLS 4, sau khi chạy PLS-SEM Algorithm, mở phần kết quả của construct để xem Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Tên menu có thể thay đổi nhẹ giữa các phiên bản, nhưng logic vẫn là chạy thuật toán trước rồi đọc kết quả measurement model.
| Construct | Cronbach's Alpha | rho_A | Composite Reliability | AVE | Diễn giải minh họa |
|---|---|---|---|---|---|
| SAT | 0.812 | 0.819 | 0.876 | 0.640 | Độ tin cậy và giá trị hội tụ minh họa đạt ngưỡng tham khảo |
| TRU | 0.744 | 0.751 | 0.836 | 0.562 | Độ tin cậy minh họa ở mức có thể chấp nhận |
Bảng trên là số liệu minh họa, không phải phát hiện từ dữ liệu của bạn. Composite Reliability từ 0.7 trở lên và AVE từ 0.5 trở lên thường được dùng làm mốc tham khảo theo (Fornell và Larcker, 1981). Bạn cần kiểm tra thêm outer loading của từng biến và HTMT giữa các construct. SmartPLS không dùng các chỉ số CFI, TLI, RMSEA của CB-SEM để thay thế cho nhóm chỉ số này.
Khi độ tin cậy không đạt thì xử lý thế nào
Kiểm tra lỗi nhập dữ liệu và biến đảo chiều
Trước khi loại biến, kiểm tra các giá trị missing, mã hóa thang Likert và tên biến. Nếu một biến mang ý nghĩa phủ định nhưng chưa recode, tương quan của nó với các biến còn lại có thể thấp. Trong SPSS, dùng Transform > Recode into Different Variables để tạo biến đã đảo chiều, sau đó chạy lại bằng biến mới.
Bạn cũng cần kiểm tra các dòng trả lời bất thường. Một người chọn cùng một mức cho mọi biến có thể làm kết quả bị méo, nhưng không nên xóa chỉ vì họ trả lời đều nhau. Hãy đặt tiêu chí làm sạch dữ liệu trước và ghi lại lý do loại trường hợp. Nếu dữ liệu có giá trị cực đoan, xem hướng dẫn về outliers thay vì chỉnh số liệu để Alpha tăng.
Xem Corrected Item-Total Correlation
Nếu một biến có Corrected Item-Total Correlation dưới 0.3, hãy xem lại nội dung và mã hóa của biến đó. Ngưỡng này được dẫn theo (Nunnally và Bernstein, 1994). Khi biến thực sự không phù hợp về mặt nội dung và việc loại biến cải thiện thang đo, bạn có thể loại rồi chạy lại.
So sánh Alpha if Item Deleted
Nếu loại một biến làm Alpha tăng nhẹ, mức tăng đó chưa đủ để quyết định. Bạn cần cân nhắc số lượng biến còn lại, nội dung khái niệm và yêu cầu của mô hình. Xóa liên tục cho đến khi có Alpha cao nhất có thể khiến thang đo chỉ còn các biến gần như trùng nhau.
Báo cáo trung thực các vòng xử lý
EFA và Cronbach's Alpha hiếm khi ra đẹp ngay ở lần chạy đầu. Bạn có thể loại một biến sau khi kiểm tra cả thống kê và cơ sở lý thuyết, nhưng phải lưu lại biến nào bị loại, lý do gì và Alpha thay đổi ra sao. Hội đồng thường hỏi về logic loại biến, không chỉ hỏi con số cuối cùng.
Nếu Alpha thấp vì thang đo có nhiều khía cạnh khác nhau, việc gộp tất cả biến vào một construct có thể là nguyên nhân. Khi đó, quay lại mô hình lý thuyết và cấu trúc thang đo hợp lý hơn việc xóa hàng loạt biến. Nếu dữ liệu không đủ chất lượng, phần mềm không thể biến nó thành bằng chứng đáng tin cậy.
Phân biệt độ tin cậy với giá trị thang đo
Độ tin cậy trả lời câu hỏi các biến quan sát có nhất quán với nhau không. Giá trị thang đo trả lời câu hỏi thang đo có thực sự đo đúng khái niệm dự định không. Một thang đo có Alpha cao vẫn có thể thiếu giá trị phân biệt nếu hai construct đo gần như cùng một nội dung.
Cronbach's Alpha thường được đọc trong SPSS cùng Corrected Item-Total Correlation. Composite Reliability và rho_A thường được đọc trong SmartPLS. AVE phản ánh giá trị hội tụ, còn HTMT và tiêu chí Fornell-Larcker được dùng để đánh giá giá trị phân biệt. Vì vậy, Alpha đạt không có nghĩa toàn bộ measurement model đã đạt.
Bạn cũng cần phân biệt độ tin cậy với các phân tích khác. Moderating kiểm tra việc một biến làm thay đổi mối quan hệ giữa hai biến khác. Outliers tập trung vào quan sát bất thường. Các phân tích này có thể ảnh hưởng đến chất lượng dữ liệu, nhưng không phải là chỉ số độ tin cậy của thang đo.
Lỗi thường gặp
Lỗi đầu tiên là chạy Cronbach's Alpha cho toàn bộ bảng hỏi trong một lần. Mỗi khái niệm cần được kiểm tra riêng, chẳng hạn chất lượng dịch vụ, sự tin cậy và ý định mua lại không nên gộp chung chỉ vì đều dùng thang Likert.
Lỗi thứ hai là chỉ báo cáo Alpha mà bỏ qua Corrected Item-Total Correlation. Người đọc cần biết biến nào bị loại và lý do loại. Nếu dùng SmartPLS, bạn cũng nên báo cáo Composite Reliability, AVE và outer loading theo cấu trúc measurement model.
Lỗi thứ ba là xóa biến chỉ để đạt 0.9. Alpha quá cao có thể phản ánh các biến quan sát bị lặp nội dung. Hãy đặt quyết định thống kê cạnh quyết định lý thuyết, thay vì tối ưu một con số.
Lỗi thứ tư là lấy ngưỡng từ một bài viết trên mạng nhưng không có nguồn trong luận văn. Trong bảng tiêu chí, hãy ghi rõ nguồn như (Nunnally, 1978), (Hair và cộng sự, 2010) hoặc (Fornell và Larcker, 1981). Nếu nghiên cứu dùng PLS-SEM, không trộn tiêu chí fit của CB-SEM vào phần SmartPLS.
Một lỗi khác là viết kết quả trước khi kiểm tra file dữ liệu. Bạn cần lưu output, mã hóa biến, số vòng xử lý và bảng cuối cùng. Khi giảng viên hỏi vì sao SAT3 được giữ lại, bạn phải mở được bảng và giải thích bằng chính dữ liệu của mình.
Câu hỏi thường gặp
Độ tin cậy là gì trong SPSS?
Độ tin cậy trong SPSS là mức nhất quán nội tại giữa các biến quan sát thuộc cùng một thang đo. Chỉ số thường dùng là Cronbach's Alpha, đọc trong bảng Reliability Statistics, kết hợp với Corrected Item-Total Correlation trong bảng Item-Total Statistics.
Cronbach's Alpha bao nhiêu là đạt?
Alpha từ 0.7 trở lên thường được xem là đạt theo (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được xem xét theo (Hair và cộng sự, 2010), nhưng bạn cần nêu rõ bối cảnh và không dùng con số này một cách máy móc.
Alpha thấp thì có phải xóa biến ngay không?
Bạn nên kiểm tra mã hóa, biến đảo chiều, missing và nội dung thang đo trước. Sau đó xem Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted. Chỉ loại biến khi thống kê và cơ sở lý thuyết cùng ủng hộ quyết định đó.
Composite Reliability trong SmartPLS bao nhiêu là đạt?
Composite Reliability từ 0.7 trở lên thường được dùng làm mốc tham khảo theo (Fornell và Larcker, 1981). Bạn vẫn phải đọc cùng outer loading, AVE và HTMT, vì Composite Reliability chỉ phản ánh một phần chất lượng của measurement model.
Cronbach's Alpha và Composite Reliability có giống nhau không?
Hai chỉ số đều liên quan đến độ tin cậy nhưng không giống nhau về cách tính. Cronbach's Alpha thường được dùng trong SPSS, còn Composite Reliability được báo cáo phổ biến trong PLS-SEM. Không nên thay thế chỉ số này bằng chỉ số kia mà không giải thích phương pháp nghiên cứu.
Viết độ tin cậy vào luận văn như thế nào?
Bạn có thể điều chỉnh câu sau theo số liệu thật: “Kết quả kiểm định độ tin cậy cho thấy thang đo [TÊN THANG ĐO] có Cronbach's Alpha bằng [ALPHA], các biến quan sát có Corrected Item-Total Correlation từ [GIÁ TRỊ THẤP NHẤT] đến [GIÁ TRỊ CAO NHẤT], do đó [GIỮ/XÓA] các biến [MÃ BIẾN] trước khi thực hiện [EFA/PHÂN TÍCH TIẾP THEO].” Hãy thay toàn bộ phần trong ngoặc vuông bằng output của bạn và ghi rõ nguồn ngưỡng đã sử dụng.
Mở file của bạn, chạy riêng từng thang đo bằng Analyze > Scale > Reliability Analysis, lưu cả Reliability Statistics và Item-Total Statistics, sau đó đối chiếu với measurement model nếu dùng SmartPLS. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và kiểm tra từng vòng xử lý, bạn có thể dùng M4 phân tích dữ liệu.