Item Total Correlation nhỏ hơn 0.3 phải làm sao?

Hiện tượng bạn đang gặp

Bạn mở output SPSS sau khi chạy Cronbach's Alpha và thấy bảng Item-Total Statistics. Ở cột Corrected Item-Total Correlation, một hoặc vài biến quan sát có giá trị nhỏ hơn 0.3, chẳng hạn 0.184 hoặc 0.267. Đây là lúc nhiều bạn vội xóa biến ngay, rồi chạy lại nhiều vòng nhưng không ghi lại lý do.

Corrected Item-Total Correlation là tương quan giữa một biến quan sát và tổng điểm của các biến còn lại trong cùng thang đo. Từ “corrected” có nghĩa là điểm tổng đã loại chính biến đang được kiểm tra. Vì vậy, chỉ số này trả lời câu hỏi: biến đó có đang đi cùng hướng với phần còn lại của thang đo hay không. Bạn có thể xem giải thích chi tiết hơn tại Corrected Item Total Correlation là gì.

Giá trị nhỏ hơn 0.3 là dấu hiệu cần xem xét, chưa phải lệnh bắt buộc phải xóa. Một biến có thể thấp vì nhập sai mã, chưa đảo chiều câu hỏi nghịch, dùng từ khó hiểu, đo một khía cạnh khác hoặc thật sự không phù hợp với khái niệm. Việc xử lý phải bắt đầu từ dữ liệu và nội dung biến, sau đó mới đến quyết định trên SPSS.

Nguyên nhân thường gặp

Bảng dưới đây giúp bạn khoanh vùng trước khi sửa. Đừng chỉ nhìn một con số trong output rồi kết luận về chất lượng của cả thang đo.

Trước hết, hãy phân biệt Corrected Item-Total Correlation với Cronbach's Alpha. Alpha đánh giá độ nhất quán của cả thang đo, còn Item Total Correlation cho biết mức liên hệ của từng biến với phần còn lại. Bạn có thể đọc thêm về Cronbach Alpha và Cronbach Alpha trong SPSS để không nhầm hai chỉ số này.

Ngưỡng 0.3 thường được dùng cho Corrected Item-Total Correlation theo (Nunnally và Bernstein, 1994). Đây là quy tắc sàng lọc phổ biến, nhưng quyết định cuối cùng vẫn cần xét nội dung thang đo, bối cảnh nghiên cứu và các bước EFA hoặc PLS-SEM tiếp theo.

Cách xử lý theo thứ tự ưu tiên

Bạn nên lưu một bản dữ liệu gốc trước khi sửa. Mỗi lần loại biến, ghi mã biến, giá trị Item Total Correlation, Alpha trước và sau, cùng lý do. Cách này giúp bạn giải trình được quy trình thay vì chỉ nộp một output cuối cùng.

Kiểm tra mã hóa và dữ liệu thiếu

Mở Variable View và Data View để kiểm tra tên biến, kiểu dữ liệu, nhãn giá trị và mã thiếu. Nếu thang đo Likert dùng các mức từ 1 đến 5, hãy bảo đảm không có giá trị 0, 6 hoặc một mã chữ bị nhập lẫn vào cột số.

Chạy Analyze > Descriptive Statistics > Frequencies. Chọn các biến có tương quan thấp, xem Minimum, Maximum và bảng tần số. Nếu một biến chỉ có một hoặc hai mức trả lời, nguyên nhân có thể là dữ liệu nhập sai hoặc câu hỏi không tạo ra đủ phân biệt giữa người trả lời.

Kiểm tra biến nghịch chiều và reverse code

Một câu hỏi nghịch chiều thường có nội dung phủ định, chẳng hạn mức đồng ý cao lại thể hiện đánh giá thấp khái niệm. Nếu các biến khác được mã 1 đến 5, biến nghịch cần được đảo theo quy tắc 1 thành 5, 2 thành 4, 3 giữ nguyên, 4 thành 2 và 5 thành 1.

Trong SPSS, bạn có thể dùng Transform > Recode into Different Variables. Đặt tên biến mới rõ ràng, chẳng hạn SAT3_R, rồi kiểm tra lại bằng Frequencies. Không ghi đè biến gốc khi bạn chưa chắc quy tắc mã hóa đúng. Sau đó, chạy lại Cronbach's Alpha bằng biến đã đảo chiều.

Chạy lại Cronbach's Alpha đúng hộp thoại

Vào Analyze > Scale > Reliability Analysis. Đưa các biến thuộc cùng một khái niệm vào ô Items, chọn Model: Alpha, sau đó bấm Statistics. Chọn Item, Scale và Scale if item deleted, rồi bấm Continue và OK.

Trong output, tập trung vào hai bảng Reliability Statistics và Item-Total Statistics. Đọc cột Corrected Item-Total Correlation, sau đó đọc Cronbach's Alpha if Item Deleted. Đừng chọn biến có Alpha if Item Deleted cao nhất một cách máy móc. Mức tăng rất nhỏ có thể không đủ để biện minh cho việc xóa một biến có ý nghĩa nội dung.

Đọc một output minh họa trước khi loại biến

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ theo cách SPSS thường hiển thị để bạn đối chiếu với file đang mở.

Ở ví dụ này, SAT3 có giá trị 0.184, thấp hơn 0.3, trong khi các biến còn lại đều cao hơn. Alpha if Item Deleted tăng lên 0.842 nếu loại SAT3. Đây là cơ sở thống kê để cân nhắc loại, nhưng bạn vẫn phải đọc nội dung SAT3. Nếu SAT3 đo một khía cạnh bắt buộc của khái niệm và có nền tảng lý thuyết rõ, bạn có thể trao đổi với giảng viên thay vì xóa chỉ vì một ngưỡng.

Loại một biến rồi chạy lại, không loại hàng loạt

Nếu sau khi kiểm tra bạn xác định một biến sai mã, sửa mã trước. Nếu biến không phù hợp về nội dung và có chỉ số thấp, bỏ biến đó khỏi ô Items, chạy lại Alpha, rồi lưu output của vòng mới. Chỉ nên xử lý từng biến để biết việc thay đổi nào tạo ra kết quả khác.

Nếu có nhiều biến cùng thấp, hãy tạm dừng việc xóa liên tục. Điều đó thường gợi ý vấn đề ở cấu trúc thang đo, cách diễn đạt hoặc dữ liệu, chứ không đơn giản là vài biến xấu. Sau khi Alpha ổn định, bạn mới chuyển sang EFA nếu thiết kế nghiên cứu có bước này.

Đối chiếu với EFA hoặc mô hình đo lường

Cronbach's Alpha là bước đánh giá độ tin cậy ban đầu. Sau đó, EFA có thể cho thấy biến đang tải lên nhân tố khác hoặc tải thấp. Khi chạy EFA, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Ngưỡng KMO từ 0.5, Bartlett có ý nghĩa thống kê, Eigenvalue trên 1 và tổng phương sai trích từ 50% thường được tham khảo theo (Kaiser, 1974), (Kaiser, 1960) và (Hair và cộng sự, 2010).

Nếu bạn dùng SmartPLS, Item Total Correlation không phải chỉ số trung tâm của mô hình đo lường. Khi đó cần xem Outer Loadings, Composite Reliability, AVE, HTMT và VIF theo quy trình PLS-SEM. Bạn có thể tham khảo Composite Reliability là gì và độ tin cậy tổng hợp là gì. Outer loading từ 0.7, CR từ 0.7 và AVE từ 0.5 là các mốc thường được báo cáo theo (Chin, 1998) và (Fornell và Larcker, 1981).

Khi nào phải quay lại thu thêm dữ liệu

Loại biến không thể sửa một bảng hỏi được người trả lời hiểu sai. Nếu dữ liệu cho thấy nhiều biến có phân phối bất thường, có nhiều dòng trả lời theo một đường thẳng, hoặc tỷ lệ thiếu cao, bạn cần kiểm tra quy trình thu thập trước khi chạy thêm lần nữa.

Bạn nên cân nhắc thu thêm dữ liệu khi cỡ mẫu hiện tại quá nhỏ so với số biến quan sát, nhiều biến có phương sai thấp, nhóm đối tượng trả lời không đúng tiêu chí hoặc câu hỏi bị phát hiện là khó hiểu. Việc thêm dữ liệu chỉ có ý nghĩa khi bảng hỏi và tiêu chí chọn mẫu đã được sửa. Thu thêm cùng một loại dữ liệu lỗi sẽ không giải quyết được Item Total Correlation thấp.

Ngược lại, không nên thu thêm chỉ để ép một con số vượt 0.3. Nếu một biến không phù hợp về lý thuyết, thêm mẫu không biến nó thành biến phù hợp. Bạn cũng không nên xóa các dòng trả lời chỉ vì chúng làm Alpha giảm, trừ khi có tiêu chí làm sạch dữ liệu được xác định trước.

Cách giải trình với giảng viên hướng dẫn

Bạn cần chuẩn bị bảng theo dõi từng vòng chạy, gồm mã biến, lý do kiểm tra, Item Total Correlation, Alpha trước và sau, cùng quyết định giữ hoặc loại. Khi trao đổi, hãy nói rõ biến được loại vì kết hợp giữa bằng chứng thống kê và nội dung đo lường, không nói rằng SPSS tự động yêu cầu xóa.

Cách viết vào luận văn: “Kết quả kiểm định độ tin cậy cho thấy biến quan sát [MÃ BIẾN] có Corrected Item-Total Correlation bằng [GIÁ TRỊ], thấp hơn ngưỡng 0.3 theo (Nunnally và Bernstein, 1994). Sau khi xem xét nội dung biến và mức thay đổi của Cronbach's Alpha từ [ALPHA TRƯỚC] lên [ALPHA SAU], nghiên cứu loại biến [MÃ BIẾN] và thực hiện kiểm định lại với các biến còn lại.”

Nếu bạn giữ một biến dưới 0.3 vì lý do lý thuyết, hãy viết ngắn gọn lý do và báo cáo kết quả sau các bước tiếp theo. Câu chữ nên phản ánh đúng file của bạn, không thay số minh họa trong bài này vào luận văn.

Cách phòng từ bước thiết kế

Ngay khi lập bảng hỏi, hãy gắn mỗi biến quan sát với một khái niệm cụ thể và nguồn thang đo. Các biến trong cùng một nhóm cần đo cùng một nội dung, dùng cách diễn đạt nhất quán và tránh hai ý trong một câu. Thang Likert cũng cần có hướng điểm thống nhất, hoặc đánh dấu rõ các biến cần đảo chiều.

Trước khi thu chính thức, kiểm tra bảng hỏi trên một nhóm nhỏ để phát hiện câu khó hiểu, mã trả lời thiếu và lỗi hiển thị. Đây là bước kiểm tra công cụ, không phải lý do để tự ý loại biến trước khi có dữ liệu đủ dùng.

Khi nhập dữ liệu, đặt tên biến ngắn nhưng có quy tắc, chẳng hạn TRU1, TRU2, TRU3. Lưu riêng file gốc, file đã làm sạch và file phân tích. Bạn có thể xem thêm các chủ đề SPSS để nối bước kiểm định độ tin cậy với EFA và hồi quy trong cùng quy trình.

Lỗi thường gặp khi sửa

Xóa ngay biến đầu tiên có giá trị thấp

Một biến thấp có thể do reverse code hoặc nhập sai dữ liệu. Hãy kiểm tra hai khả năng này trước, sau đó mới cân nhắc loại.

Chỉ nhìn Cronbach's Alpha if Item Deleted

Alpha tăng không tự động chứng minh thang đo tốt hơn. Nếu loại biến làm mất một khía cạnh quan trọng, thang đo có thể thiếu nội dung dù Alpha đẹp hơn.

Loại nhiều biến trong một lần chạy

Bạn sẽ không biết biến nào thực sự làm thay đổi kết quả. Hãy lưu từng vòng và thay đổi một biến mỗi lần.

Dùng ngưỡng của SmartPLS cho SPSS

Outer Loading, CR và AVE thuộc nhóm chỉ số khác với Corrected Item-Total Correlation. Không thay thế ngưỡng giữa các phần mềm hoặc giữa các mô hình đo lường.

Không báo cáo biến đã bị loại

Luận văn nên ghi số biến ban đầu, biến bị loại, tiêu chí sử dụng và số biến còn lại. Giấu bước này khiến quy trình phân tích khó kiểm tra.

Câu hỏi thường gặp

Item Total Correlation nhỏ hơn 0.3 có bắt buộc phải xóa không?

Không bắt buộc trong mọi tình huống. 0.3 là ngưỡng sàng lọc thường dùng theo (Nunnally và Bernstein, 1994), còn quyết định cần xét nội dung biến, mã hóa, Alpha và kết quả phân tích tiếp theo.

Item Total Correlation âm phải làm sao?

Hãy kiểm tra biến nghịch chiều trước, sau đó xem mã dữ liệu, giá trị thiếu và cách nhập. Nếu đã reverse code đúng mà tương quan vẫn âm, biến có thể không cùng khái niệm với các biến còn lại và cần được trao đổi trước khi loại.

Cronbach's Alpha thấp nhưng Item Total Correlation đều trên 0.3 thì xử lý thế nào?

Kiểm tra số lượng biến, mức độ tương quan giữa các biến và nội dung thang đo. Alpha phụ thuộc vào cả số biến và mức liên hệ nội bộ, nên không nên xóa một biến chỉ để tăng Alpha nếu Item Total Correlation của biến đó đạt.

Có thể giữ biến dưới 0.3 để đủ số lượng biến không?

Có thể cân nhắc nếu biến có nền tảng lý thuyết rõ, nội dung cần thiết và việc loại làm mất đại diện của khái niệm. Khi giữ, bạn cần ghi rõ lý do, báo cáo chỉ số và theo dõi kết quả ở EFA hoặc mô hình đo lường.

Loại biến rồi có phải chạy lại toàn bộ phân tích không?

Bạn cần chạy lại Cronbach's Alpha cho thang đo đó. Nếu biến được dùng trong EFA, hồi quy hoặc mô hình cấu trúc, các bước liên quan cũng cần chạy lại vì ma trận dữ liệu phân tích đã thay đổi.

Mở file SPSS của bạn, kiểm tra mã hóa và bảng Item-Total Statistics trước khi xóa biến, sau đó lưu từng vòng xử lý và dùng M4 phân tích dữ liệu của DoThesis nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv của mình.