Giá trị hội tụ trong SmartPLS: cách chạy và đọc kết quả

Giá trị hội tụ trong SmartPLS dùng để làm gì

Bạn mở mô hình SmartPLS lên, thấy các construct đã nối với nhau nhưng chưa biết thang đo có thật sự đo đúng khái niệm hay chưa. Giá trị hội tụ trong SmartPLS trả lời câu hỏi đó: các biến quan sát thuộc cùng một biến tiềm ẩn có cùng hội tụ để đo một khái niệm hay không.

Trong PLS-SEM, bạn thường kiểm tra giá trị hội tụ bằng ba nhóm chỉ số: outer loading của từng biến quan sát, Composite Reliability hoặc CR của construct, và Average Variance Extracted hoặc AVE. Các chỉ số này được đọc cùng nhau trong measurement model, trước khi diễn giải path coefficient, R² hay tác động trung gian trong structural model. Quy trình đánh giá measurement model trước structural model phù hợp với cách tiếp cận hai bước được nêu trong (Anderson và Gerbing, 1988).

Giá trị hội tụ khác với giá trị phân biệt trong SmartPLS. Giá trị hội tụ xem các biến quan sát trong cùng một construct có đi cùng nhau không. Giá trị phân biệt xem construct này có tách biệt với construct khác không. Vì vậy, một thang đo có AVE đạt vẫn cần kiểm tra HTMT hoặc cross-loading để đánh giá đầy đủ.

Chuẩn bị mô hình và dữ liệu

Phân biệt measurement model và structural model

Measurement model gồm construct và các indicator đo construct đó. Ví dụ, construct Sự hài lòng có các indicator SAT1, SAT2, SAT3. Structural model gồm các mũi tên giữa các construct, chẳng hạn Chất lượng dịch vụ tác động đến Sự hài lòng.

Giá trị hội tụ được kiểm tra trước hết ở measurement model. Bạn chưa nên kết luận giả thuyết H1 được chấp nhận chỉ vì mô hình đã chạy ra path coefficient. Nếu các indicator đo construct không ổn định, kết luận về quan hệ giữa các construct sẽ thiếu nền tảng.

Đặt tên indicator nhất quán

Mỗi cột trong file dữ liệu cần tương ứng với một indicator trên mô hình. Cách đặt SAT1, SAT2, SAT3 hoặc SERV1, SERV2 giúp bạn đối chiếu output nhanh hơn. Tránh đặt tên có dấu tiếng Việt, dấu cách, ký tự đặc biệt hoặc dùng cùng một tên cho hai biến.

Nếu có biến đảo chiều, bạn cần mã hóa lại trước khi nhập vào SmartPLS. Một indicator đảo chiều chưa xử lý có thể có outer loading âm hoặc rất thấp. Khi đó, xóa biến ngay mà không kiểm tra nội dung bảng hỏi có thể che giấu lỗi nhập dữ liệu.

Kiểm tra cấu trúc file CSV

SmartPLS thường nhập dữ liệu từ file .csv. Hàng đầu tiên là tên indicator, các hàng tiếp theo là quan sát. Mỗi dòng phải đại diện cho một đáp viên, mỗi cột đại diện cho một indicator. Không đặt tiêu đề nghiên cứu, dòng ghi chú hay tổng cộng ở phía trên hàng tên biến.

Bạn cũng cần kiểm tra ô trống, ký tự chữ trong cột số và thang điểm có cùng hướng. Nếu thang đo Likert dùng từ 1 đến 5, các indicator cùng nhóm cần được mã hóa theo cùng một quy ước. Có thể xem thêm hướng dẫn về AVE trong SmartPLS để chuẩn bị danh sách chỉ số cần ghi nhận.

Các bước thực hiện trong SmartPLS 4

Bước 1: Tạo project và nhập file dữ liệu

Mở SmartPLS 4, tạo project mới rồi nhập file .csv vào phần dữ liệu. Kiểm tra số lượng cases, tên cột và kiểu dữ liệu trước khi tạo mô hình. Nếu số cases trong SmartPLS không khớp với số dòng dữ liệu gốc, hãy dừng lại để kiểm tra file thay vì chạy mô hình ngay.

Bước 2: Tạo measurement model

Tạo các construct dạng latent variable, sau đó kéo indicator tương ứng vào từng construct. Kiểm tra chiều mũi tên giữa construct và indicator. Với reflective measurement model, mũi tên thường đi từ construct đến indicator. Đây là loại mô hình thường được dùng khi các indicator phản ánh cùng một khái niệm tiềm ẩn.

Nếu đề tài có formative construct, cách đánh giá sẽ khác. Bạn không nên áp dụng máy móc ngưỡng outer loading và AVE của reflective model cho formative model. Hãy xác định loại measurement model từ cơ sở lý thuyết và mô hình nghiên cứu trước khi đọc kết quả.

Bước 3: Chạy PLS-SEM Algorithm

Trong SmartPLS 4, chọn mô hình, bấm Calculate, sau đó chọn PLS-SEM Algorithm. Giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp học để thay đổi. Bấm Start Calculation và mở nhóm kết quả Quality Criteria hoặc Outer Loadings.

Bạn có thể xem nhanh outer loading trên sơ đồ bằng cách chọn hiển thị kết quả phù hợp. Tuy nhiên, khi viết luận văn, hãy mở bảng kết quả để sao chép chính xác tên indicator và giá trị. Đừng làm tròn quá sớm, vì một loading 0.697 và 0.707 có thể dẫn đến cách giải thích khác nhau.

Bước 4: Chạy Bootstrapping để kiểm tra thêm

Chọn Calculate > Bootstrapping trong SmartPLS 4. Với báo cáo PLS-SEM, có thể dùng 5.000 bootstrap subsamples theo khuyến nghị trong (Hair và cộng sự, 2022). Bootstrapping chủ yếu giúp kiểm tra ý nghĩa thống kê của path coefficient, outer loading hoặc các quan hệ liên quan. Nó không thay thế việc đọc CR và AVE.

Chọn số subsamples, phương pháp kiểm định và khoảng tin cậy theo thiết kế nghiên cứu. Ghi lại thiết lập đã dùng để khi giảng viên hỏi, bạn có thể giải thích cùng một quy trình thay vì chạy lại với cấu hình khác.

Bước 5: Lưu kết quả và lập bảng theo dõi

Xuất hoặc lưu các bảng Outer Loadings, Construct Reliability and Validity, Cross Loadings và Discriminant Validity. Lập một bảng theo dõi riêng gồm indicator ban đầu, loading, quyết định giữ hoặc loại, và lý do. EFA hay PLS-SEM hiếm khi ra kết quả hoàn toàn đẹp ở lần chạy đầu. Việc loại một indicator cần dựa trên cả thống kê, nội dung thang đo và lập luận nghiên cứu.

Bạn có thể xem thêm cách chạy AVE trong SmartPLS 4 để đối chiếu vị trí bảng trong phần mềm.

Đọc bảng kết quả

Đọc bảng Outer Loadings

Bảng Outer Loadings cho biết mỗi indicator liên hệ thế nào với construct của nó. Loading càng cao thì indicator càng đại diện rõ cho construct. Một loading thấp không tự động có nghĩa phải xóa biến. Bạn cần xem AVE, CR, nội dung biến và ảnh hưởng của việc xóa biến đến độ bao phủ khái niệm.

Đọc bảng Construct Reliability and Validity

Bảng này thường có các cột Cronbach's Alpha, rho_A, Composite Reliability và AVE. Với giá trị hội tụ, AVE là chỉ số trung tâm vì nó cho biết construct giải thích được bao nhiêu phương sai trung bình của các indicator. CR giúp xem độ nhất quán nội tại của construct.

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 output thường gặp trong SmartPLS 4 để bạn biết cần chép phần nào vào bảng luận văn.

Trong ví dụ này, các loading đều trên 0.7, CR của hai construct trên 0.7 và AVE đều trên 0.5. Đây là minh họa cách đọc, không phải lời dự đoán cho dữ liệu của bạn. Nếu một indicator có loading 0.62, bạn cần xem toàn bộ construct thay vì chỉ nhìn một con số.

Đối chiếu với giá trị phân biệt

Sau khi kiểm tra hội tụ, mở bảng Discriminant Validity. SmartPLS 4 có thể hiển thị HTMT, Fornell-Larcker Criterion và cross-loading tùy cấu hình kết quả. HTMT dưới 0.85, hoặc dưới 0.90 với các construct gần nhau về mặt khái niệm, là ngưỡng thường được trích dẫn từ (Henseler và cộng sự, 2015).

Đọc thêm cross loading trong SmartPLS nếu bạn thấy một indicator loading cao ở construct khác. Bạn cũng cần phân biệt CR với AVE, vì độ tin cậy tổng hợp trong SmartPLS chỉ giải thích một phần của đánh giá measurement model.

Ngưỡng đánh giá

Bạn có thể dùng bảng dưới đây như checklist khi đọc output. Các ngưỡng chỉ có ý nghĩa khi đi kèm loại measurement model, nội dung thang đo và bối cảnh nghiên cứu.

AVE từ 0.5 trở lên và CR từ 0.7 trở lên được nêu trong (Fornell và Larcker, 1981). Outer loading từ 0.7 trở lên được dùng trong PLS-SEM theo (Chin, 1998), trong khi cách trình bày hiện hành có thể tham chiếu (Hair và cộng sự, 2022). Với một thang đo mới hoặc nghiên cứu khám phá, một số tác giả chấp nhận Alpha từ 0.6, nhưng bạn cần giải thích bối cảnh và không nên dùng ngưỡng đó để biện minh cho mọi kết quả (Hair và cộng sự, 2010).

Không đưa CFI, TLI hoặc RMSEA vào bảng đánh giá SmartPLS chỉ vì bạn thấy chúng trong tài liệu SEM. Các chỉ số này thuộc nhóm CB-SEM, với ngưỡng được trình bày trong (Hu và Bentler, 1999). PLS-SEM cần giữ đúng nhóm chỉ số của nó: outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.

Cách trình bày trong chương 4

Bạn nên trình bày kết quả theo thứ tự: mô tả mẫu nếu có, đánh giá measurement model, đánh giá structural model, rồi kiểm định giả thuyết. Trong phần measurement model, lập một bảng gồm construct, indicator, outer loading, CR và AVE. Nếu có loại indicator, ghi rõ indicator nào bị loại và lý do.

Cách viết vào luận văn: “Kết quả tại Bảng [số bảng] cho thấy các outer loading dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Composite Reliability của các construct nằm trong khoảng [giá trị] đến [giá trị], đều [đạt/chưa đạt] ngưỡng tham khảo. AVE dao động từ [giá trị] đến [giá trị], trong đó [tên construct] có AVE [đạt/chưa đạt] mức 0.5 theo (Fornell và Larcker, 1981). Vì vậy, thang đo [được giữ lại/cần xem xét điều chỉnh] trước khi đánh giá structural model.”

Nếu một construct có AVE dưới 0.5, đừng viết rằng toàn bộ mô hình thất bại ngay lập tức. Kiểm tra loading từng indicator, CR và sự phù hợp nội dung. Khi loại biến, chạy lại PLS-SEM Algorithm, lưu phiên bản cũ và ghi nhận quyết định. Xóa biến chỉ để nâng AVE mà làm mất nội dung quan trọng của khái niệm có thể khiến hội đồng hỏi ngược về cơ sở lý thuyết.

Lỗi thường gặp

Dùng nhầm output của SmartPLS 3 và SmartPLS 4

SmartPLS 3 và 4 có cách sắp xếp menu khác nhau. Bài viết này dùng đường dẫn Calculate > PLS-SEM Algorithm và Calculate > Bootstrapping của SmartPLS 4. Nếu giao diện của bạn không giống, hãy kiểm tra phiên bản thay vì kết luận phần mềm bị lỗi.

Chỉ nhìn AVE mà bỏ qua outer loading

AVE là giá trị ở cấp construct. Hai construct có cùng AVE vẫn có thể có một indicator loading thấp bất thường. Hãy xem cả bảng Outer Loadings, Construct Reliability and Validity và nội dung indicator.

Xóa biến liên tục để đạt ngưỡng

Xóa nhiều indicator sau mỗi lần chạy có thể làm mô hình đẹp hơn về số liệu nhưng nghèo hơn về nội dung. Mỗi quyết định cần có lý do: loading thấp, trùng lặp nội dung, lỗi mã hóa hoặc không phù hợp với định nghĩa construct. Giữ lại file gốc và các phiên bản trung gian để giải trình.

Nhập dữ liệu sai chiều

Nếu biến đảo chiều chưa recode, loading có thể âm hoặc rất thấp. Kiểm tra bảng mã, thang điểm và câu hỏi gốc trước khi chỉnh mô hình. Sửa dữ liệu trong file gốc rồi nhập lại thường an toàn hơn việc sửa thủ công từng ô trong phần mềm.

Trộn PLS-SEM với CB-SEM

SmartPLS không được đọc như AMOS. Bạn không cần đưa RMSEA, CFI hoặc TLI vào phần đánh giá PLS-SEM. Ngược lại, hãy tập trung vào nhóm chỉ số đúng với mục tiêu và phương pháp đã nêu ở chương phương pháp.

Đọc thêm: ave là gì, chủ đề smartpls.

Câu hỏi thường gặp

Giá trị hội tụ trong SmartPLS bao nhiêu là đạt

Với reflective measurement model, outer loading thường được xem xét từ 0.7 trở lên, CR từ 0.7 trở lên và AVE từ 0.5 trở lên. Các ngưỡng này cần được trích dẫn lần lượt bằng (Chin, 1998) và (Fornell và Larcker, 1981). Bạn vẫn cần xem nội dung thang đo và kết quả tổng thể.

AVE dưới 0.5 có phải xóa ngay indicator không

Chưa nên xóa ngay. Kiểm tra indicator loading, CR, dữ liệu đảo chiều và cách mã hóa trước. Nếu quyết định xóa, hãy chạy lại mô hình, ghi lại thay đổi và giải thích vì sao việc loại biến không làm mất nội dung quan trọng của construct.

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

Giá trị hội tụ xem các indicator của cùng một construct có cùng đo một khái niệm hay không. Giá trị phân biệt xem các construct khác nhau có thực sự tách biệt hay không. Vì vậy, AVE và outer loading chủ yếu phục vụ hội tụ, còn HTMT, Fornell-Larcker và cross-loading phục vụ phân biệt.

Có dùng Cronbach's Alpha thay cho AVE được không

Không. Cronbach's Alpha và CR phản ánh độ tin cậy hoặc độ nhất quán nội tại, còn AVE phản ánh giá trị hội tụ ở cấp construct. Trong bảng kết quả, bạn nên báo cáo các chỉ số này cùng nhau thay vì dùng một chỉ số thay thế cho chỉ số khác.

SmartPLS không hiện bảng Outer Loadings thì làm sao

Kiểm tra bạn đã chạy PLS-SEM Algorithm chưa và đang mở đúng mô hình kết quả chưa. Kiểm tra tiếp indicator có được gán vào construct hay không, file dữ liệu có cột tên trùng với indicator không, và dữ liệu có ô trống hoặc ký tự không hợp lệ không. Nếu vẫn không thấy, lưu project, mở lại và đối chiếu phiên bản SmartPLS đang dùng.

Mở file SmartPLS của bạn ngay bây giờ, chạy PLS-SEM Algorithm, lưu ba bảng Outer Loadings, Construct Reliability and Validity và Discriminant Validity, rồi dùng M4 phân tích dữ liệu thật bằng SPSS và SmartPLS để kiểm tra và viết tiếp kết quả trên chính file .sav hoặc .csv của bạn.