HTMT là gì? Cách đọc và đánh giá HTMT trong PLS-SEM
HTMT là gì
HTMT là viết tắt của Heterotrait-Monotrait ratio, một chỉ số dùng để đánh giá giá trị phân biệt giữa các biến tiềm ẩn trong mô hình PLS-SEM. Nói đơn giản, HTMT kiểm tra xem hai khái niệm mà bạn thiết kế trong mô hình có thực sự khác nhau hay chúng đang đo gần như cùng một nội dung.
Ví dụ, đề tài của bạn có hai biến tiềm ẩn là “Chất lượng cảm nhận” và “Sự hài lòng”. Nếu các biến quan sát của hai khái niệm có tương quan quá cao, người đọc có thể đặt câu hỏi liệu đây có phải là hai khái niệm riêng biệt hay chỉ là hai cách gọi cho cùng một nội dung. HTMT được dùng để trả lời câu hỏi đó.
Về bản chất, HTMT là tỷ lệ giữa mức tương quan trung bình của các biến quan sát thuộc hai khái niệm khác nhau và mức tương quan trung bình giữa các biến quan sát thuộc cùng một khái niệm. Giá trị càng cao cho thấy hai khái niệm càng khó phân biệt. Henseler và cộng sự đề xuất dùng HTMT như một tiêu chí kiểm tra giá trị phân biệt trong PLS-SEM (Henseler và cộng sự, 2015).
HTMT thường xuất hiện trong SmartPLS, đặc biệt sau khi bạn chạy PLS Algorithm hoặc kiểm tra phần Discriminant Validity. Nếu bạn đang kiểm tra toàn bộ construct validity, có thể xem thêm bài construct validity là gì để phân biệt giá trị hội tụ và giá trị phân biệt trong cùng một quy trình.
Ý nghĩa của HTMT trong nghiên cứu định lượng
HTMT giúp bạn quyết định liệu các biến tiềm ẩn trong mô hình đo lường có đủ khác biệt về mặt khái niệm hay không. Đây là bước thuộc đánh giá measurement model, thường được thực hiện trước khi diễn giải các quan hệ nhân quả trong structural model.
Nếu HTMT đạt ngưỡng, bạn có thêm bằng chứng rằng các construct đang đo những khái niệm phân biệt. Khi đó, việc diễn giải đường dẫn từ “Chất lượng dịch vụ” đến “Sự hài lòng”, chẳng hạn, có cơ sở rõ hơn vì hai biến không bị trộn lẫn hoàn toàn về mặt đo lường.
Nếu HTMT quá cao, hệ số đường dẫn trong mô hình có thể khó diễn giải. Hai construct gần như trùng nhau cũng làm mô hình trở nên dư thừa. Trong buổi bảo vệ, giảng viên có thể hỏi vì sao bạn tách hai biến thành hai giả thuyết riêng, trong khi các biến quan sát của chúng lại thể hiện nội dung rất giống nhau.
HTMT không trả lời câu hỏi biến độc lập có tác động đến biến phụ thuộc hay không. Nó cũng không thay thế cho outer loading, Composite Reliability, AVE hoặc VIF. Bạn cần đọc HTMT cùng với các chỉ số khác trong quy trình đánh giá PLS-SEM. Chẳng hạn, giá trị hội tụ là gì sẽ tập trung vào việc các biến quan sát có hội tụ vào đúng construct của chúng hay không.
Trong SmartPLS, HTMT phù hợp với PLS-SEM. Bạn không nên lấy ngưỡng CFI, TLI hoặc RMSEA của CB-SEM để đánh giá HTMT, vì đó là nhóm chỉ số fit của SEM dựa trên hiệp phương sai. Với PLS-SEM, quy trình thường gồm đánh giá measurement model, sau đó mới đánh giá structural model (Hair và cộng sự, 2022).
HTMT bao nhiêu là đạt
Câu hỏi “HTMT bao nhiêu là tốt” cần được trả lời theo ngữ cảnh lý thuyết của hai construct. Ngưỡng thường được sử dụng là HTMT dưới 0.85. Với hai khái niệm có nội dung gần nhau về mặt lý thuyết, một số nghiên cứu sử dụng ngưỡng dưới 0.90. Các ngưỡng này cần được trích dẫn theo Henseler và cộng sự (2015), thay vì ghi một con số không có nguồn.
| Kết quả HTMT | Cách diễn giải | Nguồn và lưu ý |
|---|---|---|
| HTMT < 0.85 | Giá trị phân biệt thường được xem là đạt theo ngưỡng chặt | (Henseler và cộng sự, 2015) |
| 0.85 ≤ HTMT < 0.90 | Có thể chấp nhận khi hai construct gần nhau về mặt khái niệm | (Henseler và cộng sự, 2015) |
| HTMT ≥ 0.90 | Dấu hiệu hai construct chưa phân biệt đủ rõ | (Henseler và cộng sự, 2015) |
| Khoảng tin cậy bootstrap của HTMT không chứa 1 | Có thêm bằng chứng ủng hộ giá trị phân biệt | (Henseler và cộng sự, 2015) |
Bảng trên là hướng dẫn đọc kết quả, không phải quy tắc tự động áp dụng cho mọi đề tài. Bạn cần xem nội dung biến quan sát, định nghĩa khái niệm và mô hình lý thuyết. Nếu hai construct vốn rất gần nhau, dùng ngưỡng 0.90 cần được giải thích trong chương phương pháp hoặc chương kết quả.
Bạn cũng cần phân biệt HTMT với tiêu chí Fornell-Larcker. Fornell-Larcker so sánh căn bậc hai của AVE với tương quan giữa các construct, còn HTMT tính từ các tương quan giữa biến quan sát. Có thể đọc thêm fornell larcker là gì nếu output của bạn đang có cả hai bảng đánh giá này.
Một cách báo cáo thận trọng là nêu rõ ngưỡng bạn chọn, nguồn của ngưỡng và giá trị cao nhất trong ma trận HTMT. Không nên chỉ viết “các biến đạt giá trị phân biệt” mà không cho biết cặp construct nào có HTMT lớn nhất.
Cách đọc HTMT trên output
HTMT thường được đọc trong SmartPLS 4. Sau khi mở file mô hình, bạn chạy PLS Algorithm để kiểm tra measurement model. Trong phần kết quả, tìm nhóm kết quả liên quan đến Discriminant Validity rồi mở bảng HTMT. Tùy giao diện và loại kết quả bạn chọn, tên bảng có thể hiển thị là HTMT hoặc HTMT Inference.
Nếu bạn dùng HTMT Inference, SmartPLS sẽ tạo khoảng tin cậy thông qua bootstrapping. Khi xem bảng, hãy xác định tên hàng và tên cột. Mỗi ô thể hiện HTMT giữa một cặp construct. Đường chéo thường không phải là thông tin bạn cần diễn giải, vì mục tiêu là so sánh các construct khác nhau.
Số liệu minh họa
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột được trình bày theo dạng thường gặp khi đọc kết quả HTMT trong SmartPLS.
| Construct 1 | Construct 2 | HTMT | 2.5% | 97.5% | Kết luận minh họa |
|---|---|---|---|---|---|
| Chất lượng dịch vụ | Sự hài lòng | 0.742 | 0.621 | 0.841 | Đạt ngưỡng 0.85 |
| Chất lượng dịch vụ | Ý định tiếp tục | 0.681 | 0.544 | 0.793 | Đạt ngưỡng 0.85 |
| Sự hài lòng | Ý định tiếp tục | 0.873 | 0.774 | 0.956 | Cần xem xét theo ngưỡng đã chọn |
Trong ví dụ này, cặp “Sự hài lòng” và “Ý định tiếp tục” có HTMT bằng 0.873. Giá trị này cao hơn 0.85 nhưng thấp hơn 0.90. Nếu hai construct được xác định là gần nhau về mặt lý thuyết, bạn có thể xem xét ngưỡng 0.90, đồng thời giải thích lựa chọn đó. Nếu bạn dùng ngưỡng chặt 0.85, cặp này chưa đạt.
Khoảng tin cậy cũng cần được đọc cẩn thận. Nếu khoảng tin cậy chứa 1, bằng chứng về giá trị phân biệt yếu hơn. Trong ví dụ, khoảng 0.774 đến 0.956 không chứa 1, nhưng điều này không tự động làm HTMT 0.873 đạt ngưỡng 0.85. Bạn vẫn phải kiểm tra đồng thời giá trị HTMT và tiêu chí suy luận mà bạn đã chọn.
HTMT trong SPSS không phải là một bảng mặc định giống SmartPLS. SPSS có thể hỗ trợ bạn kiểm tra tương quan, Cronbach's Alpha, EFA và hồi quy, nhưng HTMT thường được báo cáo trong quy trình PLS-SEM bằng SmartPLS. Vì vậy, nếu đề tài dùng SmartPLS, hãy giữ tên chỉ số là HTMT thay vì đổi sang một chỉ số khác chỉ vì bạn đang quen với SPSS.
Khi HTMT không đạt thì xử lý thế nào
HTMT không đạt không có nghĩa bạn được xóa ngay một biến quan sát bất kỳ. Hãy xử lý theo thứ tự để giữ được cơ sở lý thuyết và tránh làm dữ liệu đẹp lên một cách thiếu kiểm soát.
Kiểm tra định nghĩa và nội dung biến quan sát
Đọc lại các biến quan sát của hai construct có HTMT cao. Tìm những câu có cách diễn đạt gần như giống nhau, cùng mô tả một hành vi hoặc cùng dùng một từ khóa trung tâm. Nếu hai thang đo vốn đo hai khái niệm khác nhau nhưng bản dịch tiếng Việt làm chúng giống nhau, vấn đề có thể bắt đầu từ bảng hỏi.
Kiểm tra outer loading và cross-loading
Xem outer loading của từng biến quan sát và kiểm tra biến đó có tải mạnh lên construct khác hay không. Một biến có loading cao ở construct của nó nhưng cũng liên quan mạnh đến construct còn lại cần được xem xét về nội dung. Bạn có thể đọc thêm cross loading là gì để hiểu cách kiểm tra này.
Xem xét loại biến có cơ sở
Chỉ loại biến quan sát khi có lý do về lý thuyết, nội dung hoặc chỉ báo đo lường, đồng thời kiểm tra kết quả trước và sau khi loại. Không nên xóa liên tiếp nhiều biến chỉ để đưa HTMT xuống dưới 0.85. Việc này có thể làm thang đo mất nội dung quan trọng và khiến hội đồng hỏi vì sao biến bị loại.
Xem lại việc gộp hoặc tách construct
Nếu hai construct thực sự chồng lấn về khái niệm, bạn cần trao đổi lại mô hình lý thuyết. Có trường hợp mô hình ban đầu tách hai biến vì tên gọi khác nhau, nhưng các định nghĩa và biến quan sát lại không tạo ra sự khác biệt rõ. Khi đó, chỉnh mô hình có thể hợp lý hơn việc ép chỉ số đạt ngưỡng.
Chạy lại và ghi lại từng vòng xử lý
Sau mỗi thay đổi, lưu một phiên bản dữ liệu hoặc mô hình riêng. Ghi rõ biến nào được loại, lý do, HTMT trước và sau khi xử lý. EFA hoặc PLS-SEM hiếm khi ra kết quả đẹp ở lần chạy đầu, nhưng mọi thay đổi vẫn cần có dấu vết để bạn giải trình với giảng viên.
Phân biệt HTMT với các chỉ số dễ nhầm
HTMT, Fornell-Larcker và cross-loading đều liên quan đến giá trị phân biệt, nhưng chúng không phải cùng một phép kiểm tra. HTMT tập trung vào tỷ lệ tương quan giữa các biến quan sát thuộc hai construct. Fornell-Larcker so sánh căn bậc hai AVE với tương quan giữa construct. Cross-loading xem một biến quan sát tải lên construct của nó mạnh hơn các construct khác hay không.
HTMT cũng khác AVE. AVE đo mức độ hội tụ của các biến quan sát vào construct và thường được đánh giá cùng outer loading. HTMT kiểm tra sự khác biệt giữa các construct. Bạn có thể tham khảo bài AVE trong SPSS, nhưng cần lưu ý AVE không phải là tên gọi thay thế cho HTMT.
Một lỗi khác là nhầm HTMT với VIF. VIF kiểm tra vấn đề đa cộng tuyến giữa các biến dự báo, còn HTMT kiểm tra giá trị phân biệt của construct. Hai chỉ số có thể cùng xuất hiện trong một báo cáo PLS-SEM, nhưng chúng trả lời hai câu hỏi khác nhau.
Lỗi thường gặp
Lỗi đầu tiên là ghi “HTMT phải nhỏ hơn 0.85” như một luật tuyệt đối nhưng không dẫn nguồn. Cách viết đúng hơn là nêu ngưỡng dưới 0.85 theo Henseler và cộng sự (2015), sau đó giải thích trường hợp ngưỡng 0.90 nếu hai khái niệm gần nhau.
Lỗi thứ hai là đọc ô đường chéo hoặc đọc nhầm tên hàng, tên cột. Khi copy bảng, hãy kiểm tra cặp construct nào có giá trị cao nhất. Đây thường là cặp cần được giải thích trong chương 4.
Lỗi thứ ba là dùng HTMT của một mô hình trước khi hoàn tất measurement model. Bạn nên kiểm tra outer loading, độ tin cậy, AVE và các tiêu chí liên quan trước khi kết luận chung về chất lượng thang đo.
Lỗi thứ tư là xóa biến quan sát chỉ dựa trên một con số. Một quyết định loại biến cần kết hợp output, nội dung biến, nguồn thang đo và lập luận nghiên cứu. Nếu không còn đủ biến đại diện cho construct sau khi loại, kết quả có thể khó bảo vệ hơn dù HTMT đã giảm.
Câu hỏi thường gặp
HTMT là gì trong SmartPLS?
HTMT là chỉ số đánh giá giá trị phân biệt giữa các biến tiềm ẩn trong PLS-SEM. Trong SmartPLS, bạn thường xem HTMT trong nhóm kết quả Discriminant Validity sau khi chạy PLS Algorithm hoặc bootstrapping.
HTMT bao nhiêu là tốt?
HTMT dưới 0.85 thường được dùng như ngưỡng chặt. Với các construct gần nhau về mặt khái niệm, HTMT dưới 0.90 có thể được xem xét, nhưng bạn cần nêu rõ cơ sở lựa chọn và trích dẫn (Henseler và cộng sự, 2015).
HTMT trên 0.85 có phải loại biến ngay không?
Chưa chắc. Trước tiên, bạn kiểm tra nội dung biến quan sát, outer loading, cross-loading và định nghĩa của hai construct. Nếu dùng ngưỡng 0.90 cho các khái niệm gần nhau, giá trị nằm giữa 0.85 và 0.90 có thể vẫn được xem xét, nhưng cần giải trình rõ.
HTMT trong SPSS có chạy được không?
SPSS không cung cấp HTMT như một bảng mặc định trong các menu phân tích thông thường. HTMT thường được tính và báo cáo bằng SmartPLS trong nghiên cứu PLS-SEM. SPSS vẫn có thể được dùng cho các bước như làm sạch dữ liệu, Cronbach's Alpha hoặc EFA, tùy thiết kế nghiên cứu.
HTMT có thay thế Fornell-Larcker không?
HTMT và Fornell-Larcker đều đánh giá giá trị phân biệt nhưng dựa trên cách tính khác nhau. Nhiều báo cáo PLS-SEM trình bày HTMT cùng các kiểm tra liên quan để có đánh giá đầy đủ hơn, thay vì xem một chỉ số là đủ cho toàn bộ measurement model.
Nếu đang mở file SmartPLS, bạn hãy ghi lại giá trị HTMT cao nhất, cặp construct tương ứng và khoảng tin cậy của nó, sau đó đối chiếu với ngưỡng đã chọn trong phương pháp nghiên cứu. Khi cần chạy và diễn giải toàn bộ phân tích trên chính file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu SPSS và SmartPLS.