HTMT lớn hơn 0,9 phải làm sao? Cách xử lý trong SmartPLS

Bạn mở SmartPLS, chạy Discriminant Validity, rồi thấy một ô HTMT lớn hơn 0,90. Đây là tình huống khá cụ thể: hai biến tiềm ẩn trong mô hình có thể đang đo những khái niệm quá giống nhau. Việc đầu tiên là khoan xóa ngay một biến quan sát. Bạn cần xác định ô nào vượt ngưỡng, kiểm tra nội dung thang đo, xem khoảng tin cậy HTMT và đối chiếu với mô hình lý thuyết.

HTMT là tỷ lệ trung bình giữa các tương quan khác khái niệm và trung bình giữa các tương quan cùng khái niệm. Trong PLS-SEM, HTMT được dùng để đánh giá giá trị phân biệt, tức là các biến tiềm ẩn có thực sự khác nhau về mặt khái niệm hay không. Theo (Henseler và cộng sự, 2015), HTMT dưới 0,85 thường được dùng cho các khái niệm phân biệt rõ, còn dưới 0,90 có thể áp dụng với những khái niệm gần nhau về nội dung.

Nếu bạn đang xử lý rộng hơn vấn đề giá trị phân biệt, có thể xem thêm hướng dẫn giá trị phân biệt không đạt phải làm sao để đối chiếu với Fornell-Larcker và cross-loadings.

Hiện tượng bạn đang gặp

Trong SmartPLS 4, sau khi chạy PLS Algorithm, bạn chọn phần kết quả của mô hình đo lường và mở bảng Discriminant Validity. Ở bảng Heterotrait-Monotrait Ratio, các hàng và cột là tên biến tiềm ẩn, chẳng hạn PU, PEOU, SAT hoặc TRUST. Nếu ô giao giữa PU và PEOU có giá trị 0,934, HTMT của cặp này đã lớn hơn 0,90.

Điều đó chưa đủ để kết luận mô hình phải bỏ. Bạn cần phân biệt ba trường hợp. Một là hai khái niệm thật sự trùng nhau về lý thuyết. Hai là thang đo được dịch hoặc điều chỉnh khiến các biến quan sát có nội dung quá gần nhau. Ba là dữ liệu có vấn đề, chẳng hạn người trả lời chọn cùng một mức cho phần lớn bảng hỏi hoặc mẫu chưa bao phủ đủ khác biệt giữa các nhóm.

Nếu HTMT chỉ hơi vượt ngưỡng, ví dụ 0,903, cách xử lý sẽ khác với trường hợp 1,214. Con số càng cao, khả năng hai khái niệm không tách biệt càng đáng xem xét. Tuy vậy, không có quy tắc hợp lệ nào cho phép bạn xóa biến chỉ vì muốn bảng kết quả đẹp hơn.

Nguyên nhân thường gặp

Hãy ghi lại tên cặp biến vượt ngưỡng, giá trị HTMT và các biến quan sát thuộc hai khái niệm đó trước khi chỉnh sửa mô hình. Bảng dưới đây giúp bạn kiểm tra theo thứ tự từ nguyên nhân thuộc về khái niệm đến nguyên nhân thuộc về dữ liệu.

Bạn có thể dùng các mốc sau để ghi lại tiêu chí trước khi xử lý. Mỗi hàng đều cần được đặt cạnh lập luận lý thuyết, không dùng như nút bấm tự động để xóa biến.

Ngưỡng 0,90 không nên được tách khỏi nguồn. (Henseler và cộng sự, 2015) đề xuất HTMT dưới 0,85 hoặc dưới 0,90 tùy mức độ gần nhau về mặt khái niệm. Vì vậy, bạn cần giải thích tại sao đề tài của mình dùng 0,85 hay 0,90, thay vì chọn ngưỡng thấp hơn sau khi nhìn thấy kết quả.

Cũng nên kiểm tra các tiêu chí bổ sung. Fornell-Larcker xem căn bậc hai của AVE của một biến có lớn hơn tương quan giữa biến đó với các biến khác hay không, theo (Fornell và Larcker, 1981). Tiêu chí này có thể cho kết luận khác HTMT, nhưng không nên dùng một tiêu chí đạt để che đi HTMT rất cao.

Cách xử lý theo thứ tự ưu tiên

1. Xác định đúng cặp biến và chạy lại mô hình đo lường

Bạn vào đúng kết quả của mô hình, mở bảng Discriminant Validity và ghi lại cặp biến có HTMT cao nhất. Sau đó kiểm tra Outer Loadings, Construct Reliability and Validity và danh sách indicator của hai biến. Đừng chỉnh nhiều biến trong cùng một lần chạy, vì sau đó bạn sẽ không biết thay đổi nào làm HTMT giảm.

Đảm bảo file dữ liệu vẫn đúng với file đã dùng trước đó. Kiểm tra tên cột, mã hóa thang Likert, các biến đảo chiều và dữ liệu thiếu. Nếu bạn đã đổi file .csv hoặc xóa cột trong Excel, hãy lưu lại phiên bản trước khi tiếp tục.

2. Đọc lại định nghĩa của hai biến tiềm ẩn

Viết một câu trả lời cho mỗi câu hỏi: hai biến này khác nhau ở đối tượng, nội dung hay kết quả đo lường nào. Chẳng hạn, Perceived Usefulness nói về mức độ người dùng cho rằng hệ thống giúp họ làm việc tốt hơn, còn Perceived Ease of Use nói về mức độ hệ thống dễ sử dụng. Hai biến có thể tương quan, nhưng không đương nhiên là một biến.

Nếu khi đọc định nghĩa bạn không diễn đạt được sự khác nhau, vấn đề nằm ở mô hình chứ chưa chắc nằm ở SmartPLS. Khi đó, giữ cả hai biến để chạy tiếp có thể khiến phần giải thích kết quả thiếu thuyết phục.

3. Kiểm tra từng biến quan sát có nội dung trùng lặp

Đặt các biến quan sát của hai thang đo cạnh nhau. Tìm những cặp câu có cùng chủ thể, cùng động từ và cùng kết quả. Ví dụ, một biến trong thang đo A nói “hệ thống giúp tôi hoàn thành công việc nhanh hơn”, trong khi một biến của thang đo B nói “hệ thống giúp tôi làm việc hiệu quả hơn”. Nếu định nghĩa lý thuyết của A và B cũng gần nhau, đây là dấu hiệu cần xem lại bảng hỏi.

Bạn có thể cân nhắc loại một biến quan sát nếu có lý do nội dung rõ ràng, outer loading thấp hoặc biến đó không phù hợp với bối cảnh. Việc loại biến phải được ghi lại theo từng vòng. Nếu chỉ xóa biến có loading thấp nhưng không xem nội dung, HTMT có thể không cải thiện, thậm chí tăng.

4. So sánh HTMT với khoảng tin cậy bằng bootstrapping

HTMT point estimate là giá trị ước lượng từ mẫu. Bạn nên chạy Bootstrapping để kiểm tra khoảng tin cậy của HTMT. Trong SmartPLS 4, chọn Calculate > Bootstrapping, chọn số subsamples phù hợp với quy trình của bạn, rồi xem bảng HTMT inference hoặc confidence intervals. Quy trình PLS-SEM thường được trình bày cùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022).

Nếu khoảng tin cậy của HTMT chứa 1, bằng chứng về giá trị phân biệt yếu hơn. Nếu khoảng tin cậy không chứa 1 nhưng point estimate vẫn trên 0,90, bạn vẫn cần giải thích việc chọn ngưỡng và sự gần nhau giữa hai khái niệm. Khi bootstrapping báo lỗi, hãy xem thêm bài bootstrapping bị lỗi phải làm sao.

5. Kiểm tra lại mô hình đo lường trước khi xóa biến

Với thang đo reflective, xem outer loading, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Outer loading từ 0,70 trở lên thường được sử dụng trong PLS-SEM theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0,70 và AVE từ 0,50 trở lên là các mốc thường được trích dẫn theo (Fornell và Larcker, 1981).

Một biến có loading thấp không tự động phải loại. Bạn cần xem việc loại biến có làm tăng CR hoặc AVE một cách hợp lý, có làm thay đổi nội dung khái niệm hay không, và có khiến thang đo còn quá ít biến quan sát hay không. Với thang đo formative, cách đánh giá khác, vì vậy không dùng quy trình của reflective một cách máy móc.

Nếu AVE cũng dưới 0,50, hãy đối chiếu thêm hướng dẫn AVE nhỏ hơn 0,5 phải làm sao. Trường hợp vừa có HTMT cao vừa có vấn đề hội tụ cần được xem như một vấn đề của toàn bộ mô hình đo lường.

6. Chỉ gộp hoặc loại khái niệm khi có cơ sở lý thuyết

Nếu hai biến thực sự không thể phân biệt trong bối cảnh nghiên cứu, bạn có thể trao đổi với giảng viên về việc gộp khái niệm, bỏ một biến hoặc sửa mô hình giả thuyết. Đây là quyết định ở cấp thiết kế nghiên cứu, không phải thao tác kỹ thuật trong SmartPLS.

Không nên chạy nhiều phiên bản rồi chỉ chọn phiên bản có HTMT dưới 0,90. Cách đó làm mất khả năng truy vết và dễ bị hỏi tại sao một biến bị loại. Nếu phải chỉnh mô hình, hãy lưu các file kết quả theo tên như model_v1, model_v2 và ghi lý do của từng thay đổi.

Khi nào phải quay lại thu thêm dữ liệu

Thu thêm dữ liệu không phải cách sửa trực tiếp một thang đo trùng khái niệm. Nếu câu hỏi của hai biến quá giống nhau, thêm người trả lời vẫn có thể tạo ra HTMT cao. Trong trường hợp đó, cần sửa cách đo ở nghiên cứu tiếp theo hoặc điều chỉnh mô hình với sự đồng ý của người hướng dẫn.

Dữ liệu mới có thể hữu ích khi mẫu hiện tại quá nhỏ, phân bố câu trả lời bị dồn vào một vài mức hoặc một nhóm người trả lời chiếm gần như toàn bộ dữ liệu. Bạn nên kiểm tra số lượng quan sát, missing values, straight-lining và các câu trả lời bất thường trước khi quyết định thu thêm.

Nếu HTMT chỉ cao ở một cặp và các chỉ số khác ổn định, hãy ưu tiên xem xét nội dung. Nếu nhiều cặp đều cao, đừng kỳ vọng vài chục phiếu bổ sung sẽ giải quyết chắc chắn. Bạn cần trao đổi về thiết kế mô hình, phạm vi khái niệm và cách tuyển mẫu.

Nếu mô hình không hội tụ cùng lúc với HTMT cao, xem thêm mô hình không hội tụ phải làm sao thay vì chỉ tập trung vào một ô trong bảng.

Cách giải trình với giảng viên hướng dẫn

Hãy chuẩn bị một bảng theo dõi gồm phiên bản mô hình, cặp biến, HTMT, quyết định xử lý và lý do. Khi trao đổi, bạn nói rõ mình đã kiểm tra nội dung biến quan sát, outer loading, AVE, Composite Reliability và khoảng tin cậy bootstrapping. Cách trình bày này cho thấy bạn đang đánh giá mô hình theo quy trình, không chạy lại cho đến khi chỉ số đạt.

Cách viết vào luận văn: “Kết quả kiểm định giá trị phân biệt cho thấy HTMT giữa [khái niệm A] và [khái niệm B] đạt [giá trị]. Do hai khái niệm có nội dung [gần nhau ở điểm nào] và nghiên cứu sử dụng ngưỡng [0,85 hoặc 0,90] theo (Henseler và cộng sự, 2015), tác giả đã [giữ nguyên mô hình, loại biến [mã biến], hoặc điều chỉnh mô hình] dựa trên [lý do lý thuyết và kết quả kiểm tra].”

Nếu giữ một cặp HTMT trên 0,90, bạn cần nói rõ lý do, chẳng hạn hai khái niệm có quan hệ gần nhau trong bối cảnh nghiên cứu và các kiểm tra bổ sung cho kết quả phù hợp. Không viết rằng “HTMT đạt” khi con số thực tế vượt ngưỡng bạn đã chọn.

Cách phòng từ bước thiết kế

Ngay khi xây dựng bảng hỏi, hãy lập một bảng riêng cho tên khái niệm, định nghĩa, nguồn thang đo và từng biến quan sát. Các biến thuộc hai khái niệm gần nhau cần được đọc cạnh nhau trước khi phát hành bảng hỏi. Việc này giúp phát hiện câu chữ trùng ý nghĩa sớm hơn nhiều so với chờ đến lúc chạy SmartPLS.

Khi dịch hoặc điều chỉnh thang đo, giữ lại ý nghĩa của biến gốc nhưng viết cho đúng bối cảnh người trả lời. Tránh thêm nhiều câu chỉ vì muốn tăng số lượng biến quan sát. Một thang đo dài với các câu gần như lặp lại có thể làm người trả lời chọn cùng một mức và làm giảm khả năng phân biệt giữa các khái niệm.

Bạn cũng nên thử nghiệm bảng hỏi trên một nhóm nhỏ phù hợp, kiểm tra xem người trả lời có hiểu hai khái niệm khác nhau hay không và ghi lại các câu gây nhầm lẫn. Đây là bước kiểm tra thiết kế bảng hỏi, không phải giấy phép để xóa biến sau khi đã có dữ liệu chính thức.

Từ đầu, hãy thống nhất phiên bản SmartPLS, cách đặt tên indicator và cấu trúc mô hình. Trang chủ đề SmartPLS có thể dùng làm điểm bắt đầu để bạn đối chiếu các quy trình PLS-SEM liên quan.

Lỗi thường gặp khi sửa

Lỗi phổ biến nhất là xóa ngay biến quan sát có loading thấp mà không đọc nội dung. Lỗi thứ hai là dùng ngưỡng 0,85 cho mọi đề tài rồi kết luận thất bại, dù hai khái niệm vốn gần nhau và tài liệu phương pháp cho phép xem xét ngưỡng 0,90.

Một lỗi khác là chỉ báo cáo bảng HTMT mà bỏ qua cách xây dựng thang đo. Hội đồng có thể hỏi tại sao hai khái niệm được đưa vào cùng mô hình, biến nào đã bị loại và mô hình trước khi loại biến có kết quả ra sao. Nếu bạn không lưu các phiên bản, rất khó trả lời chính xác.

Bạn cũng không nên trộn tiêu chí của CB-SEM vào bài SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM theo (Hu và Bentler, 1999), không phải tiêu chí HTMT của PLS-SEM. Cuối cùng, đừng sửa trực tiếp dữ liệu gốc để làm HTMT giảm. Hãy giữ file nguyên bản và tạo bản phân tích riêng.

Câu hỏi thường gặp

HTMT lớn hơn 0,9 có bắt buộc phải loại biến không?

Không. Bạn cần kiểm tra cặp khái niệm, nội dung biến quan sát, outer loading, AVE và khoảng tin cậy HTMT trước. Chỉ loại biến khi có cơ sở về nội dung hoặc phương pháp, đồng thời ghi lại tác động của việc loại biến lên toàn bộ mô hình.

HTMT bằng 0,91 có được chấp nhận không?

Câu trả lời phụ thuộc vào ngưỡng bạn đã xác định và mức độ gần nhau về lý thuyết giữa hai khái niệm. (Henseler và cộng sự, 2015) nêu ngưỡng 0,85 cho khái niệm phân biệt rõ và 0,90 cho các khái niệm gần nhau. Nếu dùng 0,90, giá trị 0,91 vẫn cần được giải trình, không nên ghi là đạt.

HTMT dưới 0,9 nhưng Fornell-Larcker không đạt thì sao?

Bạn nên báo cáo cả hai kết quả và kiểm tra lại dữ liệu, thang đo, cross-loadings cùng mô hình lý thuyết. Một tiêu chí đạt không tự động phủ nhận tiêu chí còn lại. Hãy xem bài giá trị phân biệt không đạt phải làm sao để lập bảng kiểm tra đầy đủ hơn.

Có nên xóa cả một biến tiềm ẩn khi HTMT quá cao không?

Chỉ nên cân nhắc khi hai biến không có sự khác biệt thuyết phục trong bối cảnh đề tài, hoặc mô hình ban đầu đã đặt hai khái niệm chồng lấn. Đây là thay đổi mô hình nghiên cứu, vì vậy cần trao đổi với giảng viên và xem lại giả thuyết, thang đo cùng nguồn lý thuyết.

HTMT tăng sau khi tôi xóa một biến, phải làm sao?

Khôi phục phiên bản trước, kiểm tra lại biến vừa xóa và so sánh toàn bộ bảng Discriminant Validity. Một biến có thể có loading chưa cao nhưng vẫn giúp phân biệt hai khái niệm. Đừng đánh giá quyết định loại biến chỉ dựa trên một chỉ số tăng hoặc giảm.

Bạn hãy mở lại file dữ liệu, ghi đúng cặp biến có HTMT cao nhất, chạy bootstrapping và lưu một bảng theo dõi trước khi sửa mô hình; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ bước này.