Độ tin cậy tổng hợp là gì? Cách đọc và đánh giá

Độ tin cậy tổng hợp là gì

Bạn mở kết quả SmartPLS, nhìn thấy các cột Cronbach's alpha, rho_A và Composite reliability, nhưng chưa biết nên dùng chỉ số nào để kết luận thang đo đạt. Độ tin cậy tổng hợp, tiếng Anh là Composite Reliability và thường viết tắt là CR, là chỉ số đánh giá mức độ nhất quán nội tại của các biến quan sát cùng đo một biến tiềm ẩn trong mô hình PLS-SEM.

CR được tính từ outer loading của các biến quan sát. Về nguyên tắc, những biến quan sát có loading cao và cùng phản ánh một khái niệm sẽ tạo ra CR cao hơn. Công thức thường được trình bày theo dạng:

CR = (Σλᵢ)² / [(Σλᵢ)² + Σ(1 - λᵢ²)]

Trong đó, λᵢ là outer loading của biến quan sát thứ i. Bạn không cần tự tính công thức này khi chạy SmartPLS, vì phần mềm đã tính sẵn. Việc cần làm là kiểm tra CR cùng với outer loading, AVE và giá trị phân biệt, sau đó báo cáo theo đúng mô hình đo lường.

CR thường xuất hiện trong nghiên cứu dùng SmartPLS hoặc PLS-SEM. Nếu bạn đang chạy độ tin cậy thang đo trong SPSS, bảng Reliability Statistics chủ yếu cung cấp Cronbach's Alpha, không cung cấp Composite Reliability theo cách chuẩn của SmartPLS. Bạn có thể xem thêm bài composite reliability là gì để phân biệt cách dùng thuật ngữ này trong các phần khác nhau của luận văn.

Ý nghĩa của độ tin cậy tổng hợp trong nghiên cứu định lượng

CR trả lời một câu hỏi cụ thể: các biến quan sát trong cùng một biến tiềm ẩn có nhất quán với nhau đủ để tiếp tục đánh giá mô hình hay chưa. Ví dụ, biến tiềm ẩn Sự hài lòng có các chỉ báo SAT1, SAT2, SAT3 và SAT4. Nếu các chỉ báo này có outer loading phù hợp, CR đạt, AVE đạt, bạn có cơ sở để sử dụng biến tiềm ẩn đó trong mô hình cấu trúc.

Trong quy trình PLS-SEM, bạn thường đánh giá mô hình đo lường trước, rồi mới đánh giá mô hình cấu trúc. Cách tiếp cận đánh giá phần đo lường trước phần cấu trúc phù hợp với logic hai bước được trình bày bởi (Anderson và Gerbing, 1988). Vì vậy, CR không phải là kết quả để kết luận ngay giả thuyết H1, H2 hay tác động giữa các biến.

CR cũng không cho biết một biến độc lập có tác động lên biến phụ thuộc hay không. Một thang đo có CR tốt vẫn có thể có path coefficient không có ý nghĩa thống kê. Ngược lại, nếu CR không đạt, việc diễn giải path coefficient sẽ thiếu nền tảng vì bạn chưa chứng minh được biến tiềm ẩn được đo lường ổn định.

Trong thực tế, CR nên được đọc cùng bốn nhóm thông tin. Thứ nhất là outer loading để xem từng biến quan sát. Thứ hai là CR hoặc rho_A để đánh giá độ tin cậy. Thứ ba là AVE để đánh giá giá trị hội tụ. Thứ tư là HTMT hoặc tiêu chí Fornell-Larcker để đánh giá giá trị phân biệt. Không nên chỉ nhìn một con số CR rồi bỏ qua các cột còn lại.

Nếu bạn đang xử lý Cronbach's Alpha bằng SPSS, Alpha và CR có liên quan nhưng không đồng nhất. Cronbach's Alpha giả định mức đóng góp tương đối đồng đều của các biến quan sát, trong khi CR sử dụng loading ước lượng từ mô hình. Bạn có thể đọc thêm Cronbach Alpha và kiểm định độ tin cậy thang đo trong SPSS để đặt hai chỉ số vào đúng quy trình.

Độ tin cậy tổng hợp bao nhiêu là đạt

Câu hỏi “độ tin cậy tổng hợp bao nhiêu là tốt” cần được trả lời theo bối cảnh nghiên cứu, loại thang đo và các chỉ số đi kèm. Ngưỡng thường dùng là CR từ 0.70 trở lên. Theo (Fornell và Larcker, 1981), CR từ 0.70 và AVE từ 0.50 thường được dùng để xem xét độ tin cậy và giá trị hội tụ của thang đo. (Bagozzi và Yi, 1988) cũng được trích dẫn cho các tiêu chí đánh giá độ tin cậy tổng hợp và giá trị hội tụ.

Bảng dưới đây tách từng tiêu chí để bạn đối chiếu với output. Mỗi dòng ghi rõ nguồn của ngưỡng, vì một con số đứng riêng trong chương 4 rất dễ bị giảng viên hỏi “em lấy tiêu chí này từ đâu”.

Vậy độ tin cậy thang đo bao nhiêu là tốt trong nghiên cứu của bạn. Nếu CR đạt từ 0.70, AVE đạt từ 0.50, outer loading nhìn chung phù hợp và HTMT không vượt ngưỡng, thang đo có thể được xem xét là đạt về độ tin cậy và giá trị đo lường. Bạn vẫn cần nêu rõ có biến quan sát nào bị loại, lý do loại và kết quả sau mỗi lần chạy.

CR quá cao cũng cần được xem xét. Một giá trị cao không tự động chứng minh thang đo tốt, đặc biệt khi các biến quan sát có nội dung lặp lại gần như hoàn toàn. Bạn nên đọc nội dung từng biến, đối chiếu với định nghĩa khái niệm và kiểm tra xem việc giữ các biến có phù hợp với mô hình lý thuyết hay không.

Cách đọc độ tin cậy tổng hợp trên output

SmartPLS 4 thường hiển thị kết quả độ tin cậy trong nhóm kết quả của mô hình đo lường. Sau khi dữ liệu .csv được nhập, mô hình được vẽ và thuật toán PLS được chạy, bạn mở phần kết quả chất lượng construct. Tên cột có thể hiển thị gồm Cronbach's alpha, rho_A, Composite reliability và Average variance extracted (AVE).

Dưới đây là bảng số liệu minh họa. Các con số chỉ được tạo để hướng dẫn cách đọc output, không phải kết quả của một nghiên cứu thực tế.

Với dòng Chất lượng cảm nhận, CR bằng 0.875 và AVE bằng 0.638. Nếu outer loading của các biến quan sát cũng phù hợp, bạn có thể ghi nhận thang đo đạt độ tin cậy tổng hợp và giá trị hội tụ. Dòng Ý định tiếp tục sử dụng cũng đạt các ngưỡng minh họa tương ứng.

Dòng Niềm tin cần đọc cẩn thận. Alpha bằng 0.681 thấp hơn 0.70, trong khi CR bằng 0.797 và AVE bằng 0.566. Nếu đây là thang đo mới hoặc nghiên cứu mang tính khám phá, Alpha từ 0.60 có thể được xem xét theo (Hair và cộng sự, 2010). Bạn không nên tự động loại biến chỉ vì Alpha thấp hơn 0.70 khi CR, AVE, loading và nội dung thang đo vẫn hợp lý.

Sau bảng CR, bạn mở Outer Loadings để xem từng biến. Chẳng hạn, nếu SAT1 có loading 0.812, SAT2 là 0.776 và SAT3 là 0.694, SAT3 cần được xem xét cùng với CR và AVE. Việc loại SAT3 chỉ vì loading chưa đạt một ngưỡng cần được cân nhắc về nội dung, ảnh hưởng lên CR, AVE và tính bao quát của khái niệm.

Trong SmartPLS, bạn cũng có thể chạy Bootstrapping để đánh giá ý nghĩa thống kê của các hệ số trong mô hình cấu trúc. Quy trình bootstrapping thường dùng 5.000 mẫu lặp theo (Hair và cộng sự, 2022). Tuy nhiên, bootstrapping của path coefficient không thay thế việc đọc CR. Hai bước này trả lời hai câu hỏi khác nhau.

Khi độ tin cậy tổng hợp không đạt thì xử lý thế nào

Trước hết, bạn kiểm tra dữ liệu và tên biến. Một biến bị nhập sai mã, biến đảo chiều chưa recode hoặc cột có nhiều giá trị thiếu có thể làm loading giảm. Mở file dữ liệu gốc, đối chiếu codebook và kiểm tra chiều đo trước khi sửa mô hình.

Tiếp theo, xem bảng Outer Loadings. Ghi lại loading của từng biến quan sát, CR và AVE trước khi loại biến. Không nên xóa nhiều biến cùng lúc vì sau đó bạn sẽ không biết biến nào tạo ra thay đổi và khó giải trình với giảng viên.

Nếu một biến có loading thấp, bạn xem thêm nội dung biến và cột CR sau khi loại biến, nếu SmartPLS cung cấp thông tin này trong kết quả. Chỉ loại biến khi có cả lý do thống kê và lý do nội dung. Một thang đo cần đại diện đầy đủ cho khái niệm, nên giữ một biến có ý nghĩa nội dung đôi khi hợp lý hơn việc tối đa hóa CR.

Nếu vấn đề nằm ở Cronbach's Alpha trong SPSS, hãy kiểm tra Item-Total Statistics, đặc biệt là Corrected Item-Total Correlation và Cronbach's Alpha if Item Deleted. Bài item total correlation nhỏ hơn 0.3 phải làm sao sẽ phù hợp khi bạn đang xử lý bước này trong SPSS.

Nếu đã kiểm tra dữ liệu và loại biến có cơ sở nhưng CR vẫn không đạt, bạn cần xem lại thang đo, cách dịch, cách diễn đạt và mô hình đo lường. Nếu bảng hỏi đã thu dữ liệu xong, việc sửa câu chữ không thể làm thay đổi các phản hồi cũ. Khi đó, bạn ghi nhận hạn chế, trao đổi với giảng viên và tránh chỉnh số liệu để đạt ngưỡng.

Bạn cũng không nên chuyển từ SmartPLS sang SPSS chỉ để tìm một chỉ số trông đẹp hơn. SPSS phù hợp với Cronbach's Alpha, EFA và hồi quy tuyến tính. SmartPLS phù hợp với mô hình PLS-SEM có biến tiềm ẩn, outer loading, path coefficient và bootstrapping. AMOS thuộc hướng CB-SEM và có hệ chỉ số fit khác. JASP hoặc R có thể linh hoạt hơn, nhưng đòi hỏi bạn tự thiết lập quy trình và hiểu cách báo cáo. Thuê dịch vụ chạy SPSS có thể tiết kiệm thời gian thao tác, nhưng rủi ro xuất hiện khi bạn không giải thích được vì sao loại biến hoặc chọn ngưỡng trong buổi bảo vệ.

Phân biệt độ tin cậy tổng hợp với Cronbach's Alpha

Độ tin cậy tổng hợp và Cronbach's Alpha đều đánh giá độ nhất quán nội tại, nhưng chúng không lấy kết quả theo cùng một cách. Alpha thường được đọc trong SPSS từ bảng Reliability Statistics. CR thường được đọc trong SmartPLS từ kết quả của mô hình đo lường và dựa trên loading của các biến quan sát.

Nếu đề tài của bạn dùng SPSS để chạy Cronbach's Alpha, EFA và hồi quy, bạn thường không cần đưa CR vào bảng kết quả chỉ để làm cho bảng có nhiều chỉ số hơn. Nếu đề tài dùng SmartPLS, bạn thường báo cáo Alpha, rho_A, CR và AVE theo construct, sau đó báo cáo giá trị phân biệt và mô hình cấu trúc.

“Độ tin cậy thang đo trong SPSS” thường được sinh viên dùng để chỉ Alpha, corrected item-total correlation và Alpha if Item Deleted. “Độ tin cậy tổng hợp trong SPSS” dễ gây nhầm vì SPSS không tự động tạo bảng Composite Reliability theo quy trình PLS-SEM. Nếu bạn đang chạy PLS-SEM, hãy đọc CR trong SmartPLS thay vì cố tìm một cột CR trong SPSS.

Một khác biệt khác là CR không thay thế Alpha trong mọi trường hợp. Nhiều luận văn báo cáo cả hai để người đọc có thêm thông tin. Cách trình bày nên nhất quán với phần phương pháp, phần mềm đã dùng và mô hình nghiên cứu, thay vì chọn chỉ số có giá trị cao hơn.

Lỗi thường gặp

Chỉ nhìn CR và bỏ qua AVE. CR cho biết độ tin cậy, còn AVE liên quan đến giá trị hội tụ. CR cao nhưng AVE thấp vẫn cần được xem xét, vì các biến quan sát có thể chưa giải thích đủ phương sai của construct.

Dùng ngưỡng CFI, TLI, RMSEA cho SmartPLS. Đây là nhóm chỉ số fit của CB-SEM. Các chỉ số này không nên được đưa vào bài viết đánh giá PLS-SEM như tiêu chí mặc định. Với SmartPLS, bạn tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient theo mô hình.

Loại biến hàng loạt để tăng CR. Cách làm này có thể khiến thang đo mất nội dung quan trọng. Bạn cần ghi lại từng vòng chạy, lý do loại biến và kiểm tra lại cấu trúc khái niệm sau mỗi thay đổi.

Ghi số liệu minh họa như kết quả thật. Bảng minh họa trong hướng dẫn chỉ giúp bạn nhận diện cột và cách diễn giải. Khi viết chương 4, bạn phải thay bằng số liệu từ file .sav hoặc .csv của mình.

Không ghi nguồn của ngưỡng. Câu “CR lớn hơn 0.7 là đạt” nên đi kèm (Fornell và Larcker, 1981). Nếu dùng Alpha từ 0.60 cho thang đo khám phá, cần ghi rõ căn cứ (Hair và cộng sự, 2010) và bối cảnh áp dụng.

Câu hỏi thường gặp

Độ tin cậy tổng hợp bao nhiêu là tốt?

CR từ 0.70 trở lên thường được dùng làm ngưỡng tham khảo cho độ tin cậy tổng hợp theo (Fornell và Larcker, 1981). Bạn cần đọc cùng AVE, outer loading và giá trị phân biệt, vì CR một mình chưa đủ để kết luận thang đo đạt toàn diện.

Độ tin cậy tổng hợp có phải là Cronbach's Alpha không?

Hai chỉ số đều đánh giá độ nhất quán nội tại nhưng được tính theo cách khác nhau. Alpha thường xuất hiện trong SPSS, còn CR thường được báo cáo trong SmartPLS dựa trên outer loading của mô hình đo lường.

Độ tin cậy tổng hợp trong SPSS xem ở đâu?

SPSS thường cung cấp Cronbach's Alpha trong bảng Reliability Statistics, không tạo Composite Reliability theo quy trình PLS-SEM. Nếu mô hình của bạn dùng biến tiềm ẩn và SmartPLS, hãy xem cột Composite reliability trong kết quả chất lượng construct của SmartPLS.

CR cao nhưng AVE thấp thì có đạt không?

Bạn chưa nên kết luận đạt toàn bộ thang đo. CR phản ánh độ tin cậy tổng hợp, còn AVE phản ánh giá trị hội tụ. Hãy kiểm tra outer loading, cân nhắc từng biến quan sát và báo cáo rõ tiêu chí nào đạt, tiêu chí nào chưa đạt.

Có nên loại biến để CR tăng không?

Bạn chỉ nên loại biến khi có lý do thống kê và lý do nội dung. Sau khi loại, cần chạy lại mô hình, ghi nhận thay đổi của CR và AVE, đồng thời bảo đảm construct vẫn được đại diện đầy đủ bởi các biến còn lại.

Độ tin cậy thang đo bao nhiêu là tốt trong nghiên cứu khám phá?

Alpha từ 0.60 có thể được xem xét với thang đo mới hoặc nghiên cứu khám phá theo (Hair và cộng sự, 2010). Tuy nhiên, bạn vẫn phải xem corrected item-total correlation, loading, CR, AVE và cách xây dựng thang đo, thay vì dùng một ngưỡng duy nhất.

Mở file SmartPLS của bạn ngay bây giờ, lập một bảng gồm Construct, Cronbach's Alpha, rho_A, Composite Reliability, AVE và ghi chú biến bị loại nếu có. Nếu cần chạy lại phân tích trên chính file .sav hoặc .csv và chuyển kết quả thành bảng chương 4, xem M4 phân tích dữ liệu của DoThesis.