Giá trị bề mặt là gì? Cách đánh giá trong nghiên cứu định lượng

Giá trị bề mặt là gì

Bạn đọc một biến quan sát và tự hỏi: câu này có thật sự đang hỏi về khái niệm nghiên cứu không. Nếu một người trả lời bình thường, người hướng dẫn hoặc chuyên gia trong lĩnh vực nhìn vào bảng hỏi và thấy các biến quan sát có vẻ phù hợp với khái niệm cần đo, đó là dấu hiệu của giá trị bề mặt.

Giá trị bề mặt, tiếng Anh là face validity, đánh giá mức độ hợp lý của thang đo trên bề mặt. Nó dựa vào cách diễn đạt, mức độ dễ hiểu và sự phù hợp trực quan giữa biến quan sát với khái niệm. Ví dụ, thang đo “ý định sử dụng ứng dụng ngân hàng” có biến “Tôi dự định tiếp tục sử dụng ứng dụng này trong thời gian tới” sẽ có giá trị bề mặt tốt hơn một câu hỏi quá chung như “Tôi thích công nghệ”.

Chỉ số này thường không được tính bằng một công thức duy nhất trong SPSS. Bạn đánh giá nó thông qua quy trình xây dựng và rà soát bảng hỏi, chẳng hạn đọc lại câu chữ, xin nhận xét của người có chuyên môn, thử nghiệm với một nhóm nhỏ và ghi nhận những câu gây hiểu nhầm. Vì vậy, việc tìm thấy một cột có tên “Face Validity” trong output SPSS là không thực tế. Khi tìm “giá trị bề mặt trong SPSS”, bạn cần biết đây là đánh giá trước hoặc quanh giai đoạn khảo sát, không phải một kiểm định riêng trong menu Analyze.

Ý nghĩa của giá trị bề mặt trong nghiên cứu định lượng

Giá trị bề mặt giúp bạn phát hiện vấn đề trước khi thu hàng trăm bảng trả lời. Một biến quan sát dùng thuật ngữ chuyên môn, câu quá dài, có hai ý cùng lúc hoặc không phù hợp với bối cảnh Việt Nam có thể khiến người trả lời chọn đáp án theo cảm tính. Khi đó, Cronbach's Alpha hay EFA vẫn có thể chạy được, nhưng kết quả không còn phản ánh đúng ý nghĩa ban đầu của khái niệm.

Trong quy trình định lượng, giá trị bề mặt thường được xem xét sau khi bạn chọn thang đo từ tài liệu và trước khi phát bảng hỏi chính thức. Bạn kiểm tra ba điểm: người trả lời có hiểu câu hỏi theo cùng một cách không, câu hỏi có đang đo đúng chủ đề không, và thang đo có dùng từ ngữ phù hợp với nhóm khảo sát không. Đây là phần liên quan đến thiết kế bảng hỏi, không thay thế cho kiểm định thống kê.

Bạn cũng cần phân biệt giá trị bề mặt với giá trị hội tụ và giá trị phân biệt. Giá trị hội tụ xem các biến của cùng một khái niệm có hội tụ về cùng một cấu trúc hay không. Giá trị phân biệt xem hai khái niệm khác nhau có bị đo lẫn vào nhau không. Hai loại giá trị này cần được kiểm tra bằng dữ liệu, thông qua outer loading, AVE, HTMT, cross-loading hoặc tiêu chí Fornell-Larcker tùy phương pháp.

Trong SPSS, các kiểm định như Cronbach's Alpha và EFA cung cấp bằng chứng về độ tin cậy và cấu trúc nhân tố. Chúng không chứng minh rằng người trả lời đã hiểu câu hỏi đúng như bạn dự định. Vì vậy, một thang đo có Alpha cao vẫn có thể có giá trị bề mặt yếu nếu câu chữ mơ hồ hoặc lệch bối cảnh.

Giá trị bề mặt bao nhiêu là đạt

Câu hỏi “giá trị bề mặt bao nhiêu là tốt” thường xuất hiện vì sinh viên quen với các ngưỡng như Alpha từ 0.7 hoặc KMO từ 0.5. Với giá trị bề mặt, bạn không nên tự đặt một con số đạt hoặc không đạt. Đây là đánh giá về mức độ dễ hiểu và phù hợp của nội dung, không phải một hệ số có ngưỡng chung được tính trong SPSS.

Bạn có thể dùng bảng kiểm dưới đây để ghi lại bằng chứng. Các ngưỡng thống kê trong bảng là của những kiểm định liên quan, không phải ngưỡng của giá trị bề mặt.

Bảng trên cho thấy lý do không thể trả lời “giá trị bề mặt bao nhiêu là tốt” bằng một con số duy nhất. Bạn cần trình bày bằng chứng quy trình cho giá trị bề mặt, sau đó dùng các kiểm định phù hợp để đánh giá những loại giá trị khác.

Cách đọc giá trị bề mặt trên output

Nếu bạn đang mở SPSS và tìm một bảng kết quả cho giá trị bề mặt, bạn sẽ không thấy bảng riêng có tên như vậy. Hãy xem đúng các bảng mà bạn có thể dùng để đánh giá gián tiếp chất lượng thang đo sau khi thu dữ liệu: Reliability Statistics, Item-Total Statistics, KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Giả sử bạn đo khái niệm “chất lượng dịch vụ” bằng bốn biến CS1 đến CS4.

Trong ví dụ, CS4 có Corrected Item-Total Correlation thấp. Bạn chưa nên xóa ngay chỉ vì một con số. Trước tiên mở bảng câu hỏi gốc, kiểm tra CS4 có phải biến đảo chiều hay không, xem đã mã hóa đúng chưa, rồi đọc câu chữ để tìm lỗi diễn đạt. Nếu biến vẫn không phù hợp về nội dung và loại bỏ có cơ sở, bạn mới cân nhắc chạy lại thang đo.

Khi đọc Rotated Component Matrix, hãy xem biến quan sát có tải mạnh vào nhân tố dự kiến hay bị tải chéo sang nhân tố khác. Bạn có thể xem thêm bài cross loading là gì để phân biệt trường hợp một biến có loading cao ở nhiều nhân tố. Với PLS-SEM, bạn thường đọc Outer Loadings, Construct Reliability and Validity và Discriminant Validity trong SmartPLS, thay vì dùng các chỉ số fit của CB-SEM.

Khi giá trị bề mặt không đạt thì xử lý thế nào

Nếu người thử bảng hỏi nói một biến khó hiểu, hãy xử lý từ nguyên nhân ít tốn kém và dễ giải trình nhất.

Đọc lại câu chữ và bối cảnh

Tìm các từ chuyên môn, câu phủ định, câu có hai ý hoặc câu không nói rõ đối tượng. Ví dụ, “Dịch vụ có hiệu quả và tiết kiệm thời gian” đang hỏi hai thuộc tính. Bạn nên tách thành hai biến quan sát nếu cơ sở lý thuyết cho phép, thay vì để người trả lời tự chọn một mức chung.

Kiểm tra biến đảo chiều và mã hóa

Một biến đảo chiều cần được ghi chú rõ trong file dữ liệu và recode trước khi chạy độ tin cậy. Nếu câu “Tôi thường gặp khó khăn khi sử dụng dịch vụ” được mã hóa cùng chiều với câu tích cực, Alpha hoặc tương quan item-total có thể giảm. Đây là lỗi xử lý dữ liệu, chưa đủ căn cứ để kết luận thang đo kém.

Tham khảo người hướng dẫn và thử nghiệm lại

Bạn ghi lại phiên bản cũ, lý do sửa, phiên bản mới và phản hồi nhận được. Nếu thay đổi câu chữ đáng kể, nên thử lại với một nhóm nhỏ thuộc đúng đối tượng khảo sát. Không nên sửa hàng loạt biến chỉ để làm đẹp Alpha, vì việc này có thể làm lệch nội dung của khái niệm.

Loại biến khi có cả lý do nội dung và thống kê

Một biến có Corrected Item-Total Correlation thấp hoặc factor loading thấp là tín hiệu cần xem xét. Quyết định loại biến nên dựa trên cả ý nghĩa lý thuyết, câu chữ, kết quả thống kê và yêu cầu của người hướng dẫn. Xóa liên tục cho đến khi chỉ số đạt ngưỡng là cách làm khó giải trình khi bảo vệ.

Phân biệt giá trị bề mặt với các chỉ số dễ nhầm

Giá trị bề mặt thường bị trộn với giá trị nội dung, giá trị hội tụ và giá trị phân biệt. Bạn có thể dùng cách phân biệt sau.

Giá trị nội dung trả lời câu hỏi: các biến quan sát đã bao quát đủ các khía cạnh của khái niệm chưa. Khi tìm “giá trị nội dung là gì”, bạn đang hỏi về phạm vi và mức độ bao phủ của nội dung. “Giá trị nội dung bao nhiêu là tốt” cũng không có một ngưỡng SPSS chung. Bạn cần dựa vào định nghĩa khái niệm, thang đo gốc, tài liệu nền tảng và đánh giá chuyên môn. “Giá trị nội dung trong SPSS” thường là cách gọi nhầm, vì SPSS không có nút chạy riêng cho loại giá trị này.

Giá trị hội tụ xem những biến quan sát cùng đo một khái niệm có liên hệ đủ mạnh với nhau không. Trong SPSS, bạn thường xem factor loading và cấu trúc EFA. Trong SmartPLS, bạn xem outer loading, CR và AVE. Tham khảo thêm bài AVE trong SPSS nếu bạn đang nhầm AVE với một cột mặc định trong SPSS.

Giá trị phân biệt xem các khái niệm khác nhau có tách biệt với nhau không. Với PLS-SEM, các chỉ số thường gặp là HTMT, Fornell-Larcker và cross-loading. Câu hỏi “giá trị phân biệt bao nhiêu là tốt” cần gắn với chỉ số cụ thể. HTMT thường được xem dưới 0.85 hoặc 0.90 theo (Henseler và cộng sự, 2015), còn tiêu chí căn bậc hai AVE lớn hơn tương quan giữa các khái niệm được gắn với (Fornell và Larcker, 1981). Bạn có thể đọc thêm Fornell-Larcker là gì.

Lỗi thường gặp

Tìm một con số giá trị bề mặt trong SPSS

SPSS không xuất ra một hệ số face validity tiêu chuẩn. Nếu bạn ghi “giá trị bề mặt bằng 0.8” mà không nói rõ đó là Alpha, loading hay chỉ số nào, người đọc sẽ không biết kết luận dựa trên bằng chứng gì.

Dùng Alpha để kết luận mọi loại giá trị

Cronbach's Alpha phản ánh độ nhất quán nội tại của thang đo. Nó không tự chứng minh giá trị nội dung, giá trị bề mặt, giá trị hội tụ hay giá trị phân biệt. Mỗi kết luận cần đúng với chỉ số và quy trình tương ứng.

Xóa biến chỉ vì người khác dùng ngưỡng khác

Một nghiên cứu khám phá có thể chấp nhận Alpha từ 0.6 theo (Hair và cộng sự, 2010), trong khi nhiều nghiên cứu dùng mốc 0.7 theo (Nunnally, 1978). Bạn cần nêu bối cảnh và nguồn, không chọn ngưỡng có lợi nhất rồi bỏ qua ý nghĩa thang đo.

Sửa bảng hỏi sau khi đã thu dữ liệu mà không ghi lại

Nếu bạn thay đổi câu chữ hoặc cách mã hóa sau khảo sát, hãy lưu phiên bản và giải thích rõ. Không nên trình bày bảng hỏi cuối cùng như thể nó đã được dùng ngay từ đầu nếu dữ liệu được thu bằng phiên bản khác.

Nhầm giá trị bề mặt với giá trị nội dung

Hai khái niệm liên quan nhưng không trùng nhau. Một bảng hỏi có thể dễ hiểu khi đọc nhanh nhưng vẫn bỏ sót một khía cạnh quan trọng của khái niệm. Ngược lại, bảng hỏi bao quát đủ nội dung nhưng dùng câu chữ quá chuyên môn khiến người trả lời hiểu sai.

Câu hỏi thường gặp

Giá trị bề mặt có cần chạy trong SPSS không?

Không. Bạn đánh giá giá trị bề mặt qua việc rà soát câu chữ, mức độ phù hợp trực quan và thử nghiệm bảng hỏi. SPSS được dùng sau đó để kiểm tra các bằng chứng thống kê như độ tin cậy và cấu trúc nhân tố.

Giá trị bề mặt bao nhiêu là tốt?

Không có ngưỡng số chung cho giá trị bề mặt. Bạn nên chứng minh rằng biến quan sát dễ hiểu, phù hợp với khái niệm và đã được rà soát trước khi khảo sát chính thức.

Giá trị nội dung bao nhiêu là tốt?

Giá trị nội dung cũng không có một ngưỡng SPSS mặc định. Bạn cần đối chiếu định nghĩa khái niệm, thang đo gốc và phạm vi nội dung mà các biến quan sát bao phủ.

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

Giá trị hội tụ xem các biến cùng khái niệm có hội tụ hay không. Giá trị phân biệt xem các khái niệm khác nhau có tách biệt hay không. EFA trong SPSS cung cấp một phần bằng chứng, nhưng nếu bạn chạy PLS-SEM thì cần đọc thêm outer loading, AVE, HTMT hoặc Fornell-Larcker trong SmartPLS.

Giá trị bề mặt không đạt thì có phải bỏ cả thang đo không?

Chưa chắc. Bạn cần xác định lỗi nằm ở câu chữ, mã hóa, đối tượng khảo sát hay chính nội dung biến. Hãy sửa và thử lại khi có thể, đồng thời ghi lại lý do loại hoặc giữ biến để giải trình trong luận văn.

Giờ bạn mở bảng hỏi và file dữ liệu của mình, lập danh sách từng biến quan sát đang gây nghi ngờ, ghi rõ lý do sửa hoặc giữ, rồi mới đọc các bảng Reliability Statistics và Rotated Component Matrix; nếu cần chạy trọn bước phân tích trên file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu.