Giá trị phân biệt không đạt phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn mở SmartPLS lên, chạy PLS Algorithm hoặc Bootstrapping, sau đó nhìn thấy bảng Discriminant Validity có một cặp construct không đạt. Trường hợp thường gặp là HTMT lớn hơn 0.90, HTMT vượt 0.85 với hai khái niệm được xem là khác nhau, hoặc căn bậc hai của AVE không lớn hơn tương quan giữa các construct trong bảng Fornell-Larcker.

Khi đó, câu hỏi “giá trị phân biệt không đạt phải làm sao” thường kéo theo một phản ứng vội: xóa ngay biến có outer loading thấp nhất. Cách này có thể làm chỉ số đẹp hơn nhưng chưa chắc giải quyết đúng vấn đề. Giá trị phân biệt phản ánh mức độ các biến tiềm ẩn đo những khái niệm khác nhau. Nếu hai construct quá giống nhau về nội dung hoặc người trả lời đánh giá chúng gần như một khái niệm, việc chỉnh vài con số trong SmartPLS không thể thay thế cho việc xem lại mô hình và bảng hỏi.

Trong SmartPLS 4, bạn kiểm tra kết quả tại phần Quality Criteria, gồm Discriminant Validity, HTMT và bảng Fornell-Larcker nếu đã chọn hiển thị tiêu chí này. Hãy lưu lại file kết quả của vòng chạy hiện tại trước khi chỉnh sửa. Bạn cần biết biến nào đã bị loại, chỉ số thay đổi ra sao và quyết định đó có còn phù hợp với mô hình lý thuyết hay không.

Nếu vấn đề đi kèm AVE thấp, hãy xem thêm hướng dẫn AVE nhỏ hơn 0.5 phải làm sao. Trường hợp mô hình xuất hiện nhiều chỉ số không đạt cùng lúc, bài mô hình không hội tụ phải làm sao sẽ giúp bạn tách lỗi hội tụ khỏi lỗi giá trị phân biệt.

Nguyên nhân thường gặp

Đừng bắt đầu bằng việc xóa biến. Trước tiên, đối chiếu dấu hiệu đang thấy trên output với nguyên nhân có thể kiểm tra trong file dữ liệu và mô hình.

HTMT dưới 0.85 thường được dùng cho các construct cần phân biệt rõ, còn dưới 0.90 có thể được xem xét với những khái niệm gần nhau về nội dung (Henseler và cộng sự, 2015). Đây là tiêu chí cần đọc cùng bối cảnh, không phải một nút bấm để SmartPLS tự quyết định mô hình của bạn.

Một nguyên nhân khác là bạn đang trộn các chỉ số thuộc những trường phái khác nhau. Với PLS-SEM, hãy tập trung vào HTMT, outer loading, CR, AVE, VIF, R² và Q². CFI, TLI và RMSEA là nhóm fit indices thường dùng cho CB-SEM, không nên đưa vào phần đánh giá giá trị phân biệt của SmartPLS.

Cách xử lý theo thứ tự ưu tiên

Thứ tự dưới đây ưu tiên việc kiểm tra ít tốn kém và dễ giải trình trước, sau đó mới đến quyết định chỉnh mô hình. Mỗi lần thay đổi, bạn lưu một phiên bản riêng, chẳng hạn model_v1, model_v2_loai_HTMT, để không mất dấu quá trình phân tích.

1. Xác định đúng cặp construct không đạt

Trong SmartPLS 4, chạy PLS-SEM Algorithm, mở Results, chọn Quality Criteria rồi xem HTMT. Ghi lại tên hai construct, giá trị HTMT và nếu có thì xem thêm khoảng tin cậy từ kết quả Bootstrapping. Đừng chỉ ghi “giá trị phân biệt không đạt”, vì khi trao đổi với giảng viên bạn cần chỉ ra cặp nào gặp vấn đề.

Bên cạnh HTMT, mở Discriminant Validity để kiểm tra Fornell-Larcker. Với tiêu chí này, căn bậc hai AVE của một construct cần lớn hơn tương quan của construct đó với các construct khác (Fornell và Larcker, 1981). Kết quả không đạt ở một bảng chưa đủ để kết luận phải xóa biến ngay.

2. Đọc lại nội dung và nguồn của các biến quan sát

In hoặc mở bảng item của hai construct đang bị trùng. Đánh dấu những biến có cách diễn đạt gần nhau, cùng nhắc đến một hành vi, cùng dùng các từ như “hữu ích”, “dễ sử dụng”, “chất lượng” hoặc “ý định” nhưng lại được xếp vào hai nhóm khác nhau.

Nếu hai khái niệm thực sự gần nhau, hãy quay lại định nghĩa thao tác và giả thuyết. Ví dụ, “perceived usefulness” và “perceived value” có thể liên quan nhưng không mặc nhiên là một construct. Bạn cần chứng minh chúng khác nhau bằng định nghĩa, nguồn thang đo và bối cảnh nghiên cứu, thay vì giữ cả hai chỉ vì mô hình ban đầu có chúng.

3. Kiểm tra outer loading và cross loading

Mở bảng Outer Loadings để xem từng biến đang đại diện cho construct nào. Một outer loading từ 0.7 trở lên thường được dùng trong PLS-SEM (Chin, 1998). Tuy nhiên, loading thấp không tự động có nghĩa là phải loại biến. Bạn còn phải xét CR, AVE, số biến còn lại và ý nghĩa nội dung của item.

Nếu phiên bản SmartPLS hoặc cấu hình của bạn có bảng Cross Loadings, kiểm tra xem biến đó có tải cao trên construct khác hay không. Một item tải tương đối mạnh ở hai construct là dấu hiệu cần xem lại câu chữ hoặc việc gán nhóm. Sau khi loại một biến, chạy lại mô hình và ghi rõ HTMT, CR, AVE của vòng mới.

4. Loại một biến quan sát khi có lý do rõ ràng

Chỉ cân nhắc loại biến khi item đó vừa có vấn đề thống kê, vừa có lý do nội dung. Ví dụ, biến có outer loading thấp, cross loading cao và cách diễn đạt không phân biệt được với construct bên cạnh. Bạn không nên xóa một loạt biến chỉ để HTMT xuống dưới ngưỡng.

Sau mỗi lần loại, đảm bảo construct vẫn còn đủ biến quan sát để đại diện cho khái niệm. Kiểm tra lại Outer Loadings, Composite Reliability, AVE và HTMT. CR từ 0.7 và AVE từ 0.5 trở lên là các mức thường được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). Nếu AVE cũng giảm, xem hướng dẫn lỗi AVE nhỏ hơn 0.5 SPSS để phân biệt vấn đề ở thang đo với vấn đề ở phần mềm.

5. Xem xét gộp hoặc loại construct ở cấp mô hình

Nếu hai construct có định nghĩa gần như trùng nhau, nhiều item tương đồng và HTMT vẫn cao sau khi kiểm tra hợp lý, bạn có thể phải xem xét gộp chúng hoặc loại một construct. Đây là quyết định lý thuyết, không phải thao tác kỹ thuật trong SmartPLS.

Khi gộp, bạn cần viết lại mô hình, giả thuyết, tên biến tiềm ẩn và phần thang đo. Khi loại, cần giải thích construct đó không còn phù hợp với phạm vi nghiên cứu hoặc không phân biệt được về mặt đo lường. Không nên gộp chỉ vì muốn tất cả các ô trong bảng HTMT đều đạt.

6. Chạy Bootstrapping để kiểm tra khoảng tin cậy HTMT

Sau khi mô hình đo lường đã ổn định, chạy Calculate > Bootstrapping trong SmartPLS 4. Chọn số subsamples phù hợp với quy trình bạn đang báo cáo. Một quy trình PLS-SEM thường sử dụng 5.000 bootstrap subsamples (Hair và cộng sự, 2022), nhưng bạn vẫn phải ghi đúng cấu hình thực tế trong luận văn.

Xem bảng khoảng tin cậy HTMT. Nếu khoảng tin cậy chứa 1, đó là tín hiệu cần xem xét nghiêm túc về giá trị phân biệt. Nếu Bootstrapping bị lỗi, đừng đổi ngẫu nhiên số subsamples. Hãy xem bootstrapping bị lỗi phải làm sao để kiểm tra dữ liệu, tên biến và cấu hình mô hình.

Bảng số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc tên bảng và cột mô phỏng cách bạn có thể đọc kết quả trong SmartPLS.

Trong ví dụ này, PU và PEU là cặp cần ưu tiên kiểm tra. Bạn không thể kết luận chỉ từ con số 0.934 rằng phải xóa PU3 hoặc PEU2. Hãy xem item nào trùng nội dung, biến nào có cross loading bất thường và việc loại biến có làm mất nội dung quan trọng của construct hay không.

Khi nào phải quay lại thu thêm dữ liệu

Thu thêm dữ liệu không phải cách sửa trực tiếp một HTMT cao do hai construct chồng lấn về khái niệm. Nếu nguyên nhân nằm ở câu chữ hoặc mô hình, thêm 100 bảng trả lời với cùng bảng hỏi có thể tạo ra cùng vấn đề.

Bạn nên cân nhắc thu thêm dữ liệu khi có dấu hiệu dữ liệu hiện tại chưa đủ ổn định, chẳng hạn cỡ mẫu quá nhỏ so với số biến quan sát, nhiều dòng trả lời thiếu, có straight-lining, thời gian hoàn thành bất thường hoặc một nhóm người trả lời chiếm gần như toàn bộ mẫu. Việc tăng mẫu giúp ước lượng ổn định hơn, nhưng không biến hai construct giống nhau thành hai khái niệm độc lập.

Nếu bảng hỏi đã thu xong, hãy kiểm tra dữ liệu gốc trước khi loại dòng. Xác định rõ tiêu chí loại, số quan sát bị loại và số mẫu cuối cùng. Khi dữ liệu là .csv hoặc .sav, giữ một bản gốc bất biến để có thể đối chiếu nếu giảng viên hỏi vì sao kết quả giữa hai lần chạy khác nhau.

Cách giải trình với giảng viên hướng dẫn

Giảng viên thường hỏi ba điểm: cặp construct nào không đạt, bạn đã kiểm tra gì, và quyết định cuối cùng dựa trên cơ sở nào. Một câu trả lời tốt có số liệu, có lịch sử xử lý và không nói rằng bạn xóa biến chỉ vì “SmartPLS báo đỏ”.

Cách viết vào luận văn: “Kết quả đánh giá giá trị phân biệt cho thấy HTMT giữa [construct A] và [construct B] bằng [giá trị], vượt ngưỡng [0.85 hoặc 0.90] theo [nguồn]. Nhóm nghiên cứu đã rà soát nội dung các biến quan sát, kiểm tra outer loading và loại [mã biến] vì [lý do nội dung và thống kê]. Sau khi chạy lại mô hình, HTMT đạt [giá trị mới], trong khi CR và AVE của các construct vẫn lần lượt đạt [giá trị].”

Nếu bạn giữ nguyên construct dù HTMT cao, cần trình bày thẳng giới hạn này: “Hai construct [A] và [B] có HTMT bằng [giá trị]. Do hai khái niệm có quan hệ gần trong bối cảnh [bối cảnh], nghiên cứu giữ lại mô hình theo cơ sở lý thuyết [nguồn], đồng thời ghi nhận đây là hạn chế của giá trị phân biệt.” Chỉ dùng câu này khi bạn thật sự có lập luận lý thuyết và đã trao đổi với người hướng dẫn.

Cách phòng từ bước thiết kế

Ngay từ lúc xây dựng bảng hỏi, viết một định nghĩa ngắn cho từng construct. Với mỗi biến quan sát, ghi nguồn, nội dung gốc, bản dịch dự kiến và lý do item thuộc construct đó. Bước này giúp bạn phát hiện hai item khác mã nhưng thực chất đang hỏi cùng một điều.

Khi điều chỉnh thang đo cho bối cảnh Việt Nam, giữ ý nghĩa đo lường của item và tránh dùng các từ quá rộng như “tốt”, “phù hợp” hoặc “hữu ích” cho nhiều construct khác nhau. Nếu một khái niệm có nhiều chiều cạnh, quyết định từ đầu đó là construct bậc nhất hay bậc hai và thiết kế mô hình SmartPLS tương ứng.

Trước khi thu chính thức, kiểm tra bảng hỏi trên một nhóm nhỏ để phát hiện câu chữ khó hiểu, biến đảo chiều bị đọc sai và các item khiến người trả lời chọn cùng một mức. Đây là kiểm tra nội dung và quy trình, không phải dùng dữ liệu thử để xóa biến cho đẹp. Bạn có thể xem thêm các chủ đề SmartPLS để đối chiếu thứ tự đánh giá mô hình đo lường và mô hình cấu trúc.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa biến liên tục cho đến khi HTMT đạt nhưng không ghi lại phiên bản mô hình. Cách làm này khiến bạn không giải thích được vì sao một item bị loại và có thể làm construct chỉ còn hai biến quan sát, không còn bao quát đầy đủ khái niệm.

Lỗi thứ hai là dùng Cronbach's Alpha hoặc R² để kết luận giá trị phân biệt. Cronbach's Alpha nói về độ nhất quán nội bộ, còn R² nói về mức độ giải thích biến nội sinh. Hai chỉ số này không trả lời câu hỏi các construct có thực sự khác nhau hay không.

Lỗi thứ ba là báo cáo đồng thời quá nhiều tiêu chí nhưng không nói tiêu chí nào được ưu tiên. Hãy nêu HTMT, kết quả Fornell-Larcker và cách bạn kiểm tra nội dung item. Fornell-Larcker yêu cầu căn bậc hai AVE lớn hơn tương quan giữa các construct (Fornell và Larcker, 1981), còn HTMT là tiêu chí được dùng phổ biến để đánh giá nghiêm ngặt hơn (Henseler và cộng sự, 2015).

Lỗi thứ tư là nhầm giữa giá trị phân biệt và đa cộng tuyến. VIF liên quan đến đa cộng tuyến trong mô hình, với VIF dưới 5 thường được dùng làm mốc tham khảo (Hair và cộng sự, 2019). VIF thấp không chứng minh HTMT sẽ đạt, cũng như HTMT đạt không thay thế cho việc kiểm tra VIF.

Câu hỏi thường gặp

HTMT lớn hơn 0.90 có bắt buộc phải xóa biến không?

Không. HTMT lớn hơn 0.90 là tín hiệu hai construct có thể chưa phân biệt tốt, nhưng bạn cần xem nội dung item, nguồn thang đo, cross loading và cơ sở lý thuyết trước khi xóa. Nếu hai khái niệm gần nhau về mặt lý thuyết, bạn cần giải trình rõ bối cảnh và giới hạn của mô hình.

Fornell-Larcker không đạt nhưng HTMT đạt thì kết luận thế nào?

Bạn nên báo cáo cả hai kết quả và kiểm tra thêm nội dung các biến quan sát. Fornell-Larcker và HTMT có cách tiếp cận khác nhau, vì vậy một tiêu chí không đạt cần được xem xét chứ không nên bị bỏ qua. Hãy trao đổi với giảng viên về tiêu chí chính được chọn cho nghiên cứu trước khi chốt bảng kết quả.

Có nên xóa biến có outer loading thấp nhất trước không?

Chỉ nên xóa khi biến đó có vấn đề cả về thống kê lẫn nội dung. Outer loading từ 0.7 trở lên là mốc thường được tham khảo trong PLS-SEM (Chin, 1998), nhưng một biến thấp hơn mốc này vẫn có thể giữ nếu có ý nghĩa nội dung và việc xóa làm suy giảm độ bao quát của thang đo.

HTMT đạt sau khi xóa nhiều biến, nhưng AVE lại giảm thì sao?

Dừng việc xóa tiếp và đánh giá lại toàn bộ construct. HTMT đạt riêng lẻ không đủ để xác nhận mô hình đo lường tốt nếu CR hoặc AVE không còn phù hợp. Ghi lại kết quả trước và sau khi loại biến, sau đó chọn phương án cân bằng giữa giá trị phân biệt, giá trị hội tụ và ý nghĩa lý thuyết.

Có thể gộp hai construct có HTMT cao không?

Có thể xem xét, nhưng đây là thay đổi mô hình nghiên cứu. Bạn phải có cơ sở lý thuyết để chứng minh hai construct thực chất cùng đại diện cho một khái niệm trong bối cảnh của mình, đồng thời sửa lại giả thuyết, mô hình và phần mô tả thang đo. Đừng gộp chỉ vì muốn bảng HTMT có toàn bộ giá trị dưới ngưỡng.

Trước mắt, hãy lưu bản SmartPLS hiện tại, ghi lại cặp construct không đạt, đối chiếu từng item và chạy lại theo đúng thứ tự trên. Nếu cần xử lý toàn bộ mô hình và dữ liệu .sav hoặc .csv của bạn, M4 phân tích dữ liệu có thể hỗ trợ bước chạy SmartPLS và kiểm tra kết quả thực tế.