Khoảng tin cậy HTMT trong SmartPLS: cách đọc và đánh giá
Khoảng tin cậy HTMT trong SmartPLS dùng để làm gì
Khi bạn kiểm định mô hình đo lường trong SmartPLS, HTMT giúp đánh giá giá trị phân biệt giữa các biến tiềm ẩn. Câu hỏi chính là: hai khái niệm trong mô hình có thực sự khác nhau hay đang đo gần như cùng một nội dung.
Một giá trị HTMT được tính từ tương quan giữa các indicator thuộc hai khái niệm khác nhau và tương quan giữa các indicator trong cùng khái niệm. Tuy nhiên, chỉ nhìn vào HTMT gốc chưa đủ để kết luận chắc chắn. Bạn nên chạy bootstrapping để tạo khoảng tin cậy cho HTMT. Nếu khoảng tin cậy không chứa giá trị 1, bằng chứng về giá trị phân biệt thường được xem là phù hợp với tiêu chí HTMT inference (Henseler và cộng sự, 2015).
Nội dung này thuộc nhóm PLS-SEM, vì vậy bạn cần phân biệt nó với các chỉ số fit của CB-SEM. CFI, TLI và RMSEA không phải là tiêu chí để đánh giá HTMT trong SmartPLS. Bạn có thể xem thêm các hướng dẫn liên quan trong chủ đề SmartPLS, sau đó đối chiếu HTMT với outer loading, AVE và CR trong cùng một quy trình.
Chuẩn bị mô hình và dữ liệu
Trước khi chạy khoảng tin cậy HTMT, hãy kiểm tra mô hình đo lường. Với mô hình reflective, mỗi biến tiềm ẩn được nối với các indicator quan sát. Ví dụ, biến tiềm ẩn SAT có các indicator SAT1, SAT2 và SAT3, còn biến TRUST có TRUST1, TRUST2 và TRUST3. HTMT được tính giữa SAT và TRUST, không tính giữa SAT1 và SAT2 như một cặp khái niệm độc lập.
Bạn nên hoàn tất bước đánh giá sơ bộ outer loading, Cronbach's Alpha, rho_A, CR và AVE trước. Nếu một indicator có lỗi nhập dữ liệu hoặc tên biến bị trùng, kết quả HTMT cũng có thể bị ảnh hưởng. Bài AVE trong SmartPLS và hướng dẫn độ tin cậy tổng hợp trong SmartPLS có thể dùng để kiểm tra hai phần này trước khi đi đến giá trị phân biệt.
Kiểm tra cấu trúc measurement model
Xác định mỗi construct đang được đo theo reflective hay formative. HTMT thường được dùng để đánh giá giá trị phân biệt giữa các construct reflective. Nếu mô hình có formative construct, bạn cần đọc thêm logic đánh giá riêng cho loại measurement model đó, thay vì áp dụng máy móc cùng một bảng tiêu chí.
Tên construct và indicator nên nhất quán từ lúc nhập dữ liệu đến lúc xuất kết quả. Tránh đặt một indicator là SAT 1 ở file dữ liệu nhưng lại dùng SAT1 trong mô hình. SmartPLS có thể không nhận đúng cột hoặc tạo ra indicator thiếu dữ liệu.
Chuẩn bị file CSV
SmartPLS 4 có thể nhập dữ liệu dạng CSV. Hàng đầu tiên nên là tên indicator, các hàng tiếp theo là từng quan sát. Mỗi cột là một indicator, không đưa cột mã sinh viên, họ tên hoặc ghi chú dạng chữ vào phần dữ liệu dùng để ước lượng nếu các cột đó không thuộc mô hình.
Các biến Likert cần được mã hóa bằng số. Kiểm tra ô trống, ký tự ngăn cách cột và dấu thập phân trước khi import. Nếu một indicator có nhiều giá trị missing, đừng vội chạy bootstrapping để che vấn đề dữ liệu. Hãy ghi lại số lượng missing và cách xử lý trong nhật ký phân tích của bạn.
Các bước thực hiện trong SmartPLS 4
Các đường dẫn dưới đây dành cho SmartPLS 4. Một số vị trí menu ở SmartPLS 3 khác tên hoặc khác cách sắp xếp, nên bạn không nên đối chiếu ảnh chụp của hai phiên bản như thể chúng giống nhau hoàn toàn.
Bước 1: Import file và mở mô hình
Mở dự án SmartPLS 4, chọn import data file và đưa file CSV vào dự án. Kiểm tra Data View để chắc chắn các indicator được nhận là numerical và số quan sát không bị giảm bất thường.
Mở mô hình PLS-SEM, kéo các construct và indicator vào canvas nếu bạn chưa làm bước này. Nối các indicator vào đúng construct, sau đó kiểm tra lại tên biến. Trước khi đánh giá HTMT, chạy PLS Algorithm một lần để SmartPLS tạo các kết quả measurement model.
Bước 2: Chạy PLS Algorithm
Chọn mô hình, mở chức năng chạy PLS-SEM Algorithm trong SmartPLS 4 và giữ các thiết lập mặc định nếu đề cương của bạn không yêu cầu cách xử lý khác. Sau khi chạy xong, xem phần kết quả của measurement model.
Tại bước này, bạn có thể xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Nếu mục tiêu là khoảng tin cậy HTMT, bảng HTMT ban đầu chỉ là giá trị ước lượng trước khi thực hiện bootstrapping.
Bước 3: Chạy Bootstrapping
Từ kết quả mô hình, chọn Bootstrapping trong SmartPLS 4. Đặt số bootstrap subsamples là 5.000 nếu bạn sử dụng quy trình PLS-SEM theo hướng dẫn của (Hair và cộng sự, 2022). Chọn phương án confidence interval phù hợp với thiết lập nghiên cứu, sau đó chạy thủ tục.
Bootstrapping tạo ra nhiều mẫu lặp từ dữ liệu gốc để ước lượng phân phối của chỉ số. Thời gian chạy phụ thuộc vào số indicator, số quan sát và cấu hình máy. Trong lúc chờ, không đóng dự án hoặc sửa dữ liệu gốc.
Bước 4: Mở bảng HTMT Inference
Trong phần kết quả Bootstrapping, mở nhóm Discriminant Validity hoặc HTMT Inference. Tên cột có thể gồm Original Sample, Sample Mean, Standard Deviation, 2.5% và 97.5%, tùy cấu hình khoảng tin cậy và cách SmartPLS hiển thị kết quả.
Bạn cần tìm từng cặp construct, chẳng hạn SAT và TRUST. Đọc cận dưới và cận trên của khoảng tin cậy. Nếu cận trên vẫn nhỏ hơn 1, khoảng tin cậy không chứa 1. Nếu cận trên lớn hơn hoặc bằng 1, bạn cần thận trọng khi kết luận giá trị phân biệt.
Bước 5: Lưu bảng và ghi lại phiên bản phân tích
Xuất bảng kết quả hoặc chụp lại phần HTMT Inference cùng với tên mô hình, ngày chạy và số bootstrap subsamples. Đừng chỉ lưu một con số HTMT vào file Word. Khi giảng viên hỏi vì sao kết luận đạt, bạn cần chỉ ra cả HTMT gốc và khoảng tin cậy của nó.
Nếu bạn thay indicator hoặc loại một construct, hãy chạy lại PLS Algorithm và Bootstrapping. Mỗi vòng chạy nên có một tên file riêng, chẳng hạn model_v1, model_v2_remove_SAT3. Việc này giúp bạn giải thích được vì sao bảng trong chương 4 khác với kết quả chạy đầu tiên.
Đọc bảng kết quả
HTMT và HTMT Inference trả lời hai câu hỏi liên quan nhưng không giống nhau. HTMT gốc cho biết mức độ phân biệt ước lượng giữa hai construct. Khoảng tin cậy cho biết phạm vi bất định quanh ước lượng đó sau khi lặp mẫu bằng bootstrapping.
Bảng HTMT gốc
Trong bảng HTMT, mỗi ô thể hiện một cặp construct. Ví dụ, ô SAT và TRUST có HTMT bằng 0.742. Bạn đọc ô này cùng với ngưỡng HTMT đã chọn, thường là 0.85 hoặc 0.90 tùy mức độ gần nhau về mặt khái niệm (Henseler và cộng sự, 2015).
Không nên chỉ chọn ngưỡng thấp hơn để làm cho kết quả có vẻ chặt chẽ. Nếu hai construct có nội dung rất gần nhau, cần giải thích cơ sở lý thuyết và cách xây dựng thang đo trước khi chọn tiêu chí báo cáo.
Bảng HTMT Inference
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 trong output SmartPLS 4 để bạn biết cần tìm thông tin nào.
| Construct pair | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | 2.5% | 97.5% | Kết luận minh họa |
|---|---|---|---|---|---|---|
| SAT - TRUST | 0.742 | 0.746 | 0.041 | 0.661 | 0.824 | Khoảng không chứa 1 |
| SAT - LOY | 0.681 | 0.686 | 0.048 | 0.588 | 0.777 | Khoảng không chứa 1 |
| TRUST - LOY | 0.873 | 0.878 | 0.067 | 0.742 | 1.012 | Khoảng chứa 1 |
Với cặp SAT và TRUST trong ví dụ, cận trên 0.824 nhỏ hơn 1. Bạn có thể nói kết quả HTMT Inference cung cấp bằng chứng phù hợp với giá trị phân biệt giữa hai construct này. Với TRUST và LOY, cận trên 1.012 vượt qua 1, nên chưa có đủ bằng chứng theo tiêu chí khoảng tin cậy để khẳng định hai construct phân biệt rõ.
Bảng trên chỉ minh họa cách đọc. Bạn không được chép các con số này vào luận văn như kết quả của đề tài. Hãy thay bằng đúng giá trị trong file SmartPLS của bạn, đồng thời ghi rõ số bootstrap subsamples và loại khoảng tin cậy đã sử dụng.
Ngưỡng đánh giá
Bạn nên đọc HTMT theo cả giá trị gốc và khoảng tin cậy. Theo (Henseler và cộng sự, 2015), HTMT dưới 0.85 thường được dùng cho các khái niệm cần phân biệt nghiêm ngặt, còn dưới 0.90 có thể phù hợp với các khái niệm gần nhau về mặt nội dung. Trong HTMT inference, khoảng tin cậy không chứa 1 là dấu hiệu ủng hộ giá trị phân biệt.
| Nội dung kiểm tra | Ngưỡng hoặc tiêu chí | Nguồn |
|---|---|---|
| HTMT giữa hai construct có khái niệm khác biệt rõ | Dưới 0.85 | (Henseler và cộng sự, 2015) |
| HTMT giữa hai construct gần nhau về nội dung | Dưới 0.90 | (Henseler và cộng sự, 2015) |
| Khoảng tin cậy HTMT | Không chứa giá trị 1 | (Henseler và cộng sự, 2015) |
| Outer loading trong PLS-SEM | Từ 0.7 trở lên là mức tham chiếu phổ biến | (Chin, 1998) |
| CR | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| VIF trong báo cáo PLS-SEM | Dưới 5 | (Hair và cộng sự, 2019) |
Các ngưỡng này không biến kết quả thành một phán quyết tự động. Ví dụ, HTMT bằng 0.88 không thể được đánh giá tách rời khỏi lý thuyết, nội dung indicator và kết quả của các tiêu chí khác. Bạn cần báo cáo cách chọn ngưỡng, thay vì ghi đơn giản rằng “HTMT đạt” mà không nêu căn cứ.
Cũng cần tránh đưa CFI, TLI hoặc RMSEA vào bảng HTMT của SmartPLS. Các chỉ số đó thuộc nhóm đánh giá fit thường gặp trong CB-SEM, với tiêu chí được bàn trong (Hu và Bentler, 1999). Chúng không thay thế cho HTMT inference trong PLS-SEM.
Cách trình bày trong chương 4
Trong chương 4, nên trình bày theo thứ tự: độ tin cậy, giá trị hội tụ, giá trị phân biệt, sau đó mới chuyển sang mô hình cấu trúc. Phần giá trị phân biệt có thể gồm một bảng HTMT gốc và một bảng HTMT Inference nếu bạn sử dụng bootstrapping để kiểm định khoảng tin cậy.
Cách viết vào luận văn: “Kết quả HTMT giữa các cặp biến tiềm ẩn dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Các giá trị đều [nhỏ hơn 0.85/nhỏ hơn 0.90] theo tiêu chí của (Henseler và cộng sự, 2015). Đối với HTMT Inference, khoảng tin cậy [2.5%; 97.5%] của các cặp construct không chứa giá trị 1, do đó giá trị phân biệt của thang đo được ủng hộ.”
Nếu có một cặp chứa 1, hãy viết đúng tình trạng đó: “Khoảng tin cậy HTMT của cặp [construct A và construct B] chứa giá trị 1, vì vậy chưa có đủ bằng chứng để khẳng định giá trị phân biệt theo tiêu chí HTMT inference.” Sau đó nêu bạn đã kiểm tra lại nội dung indicator, tương quan giữa hai construct và cơ sở lý thuyết như thế nào.
Bạn có thể đặt bảng kết quả theo mẫu sau, nhưng phải thay toàn bộ số liệu minh họa bằng output thật:
| Cặp construct | HTMT | 2.5% | 97.5% | Kết luận |
|---|---|---|---|---|
| [Construct A - Construct B] | [0.xxx] | [0.xxx] | [0.xxx] | [Không chứa 1/Chứa 1] |
| [Construct A - Construct C] | [0.xxx] | [0.xxx] | [0.xxx] | [Không chứa 1/Chứa 1] |
Sau bảng, giải thích cặp có giá trị cao nhất. Hội đồng thường quan tâm construct nào đang bị trùng nội dung hơn là chỉ nhìn giá trị thấp nhất. Nếu bạn đã loại indicator, ghi rõ mã biến bị loại và lý do, đồng thời đảm bảo quyết định đó phù hợp với nội dung thang đo.
Lỗi thường gặp
Nhìn vào HTMT nhưng bỏ qua khoảng tin cậy
HTMT gốc dưới 0.90 chưa đủ để bạn kết luận toàn bộ giá trị phân biệt. Hãy mở đúng phần HTMT Inference sau khi chạy bootstrapping và đọc cận dưới, cận trên của từng cặp.
Dùng nhầm bảng Confidence Intervals của path coefficient
SmartPLS có nhiều bảng khoảng tin cậy. Khoảng tin cậy của path coefficient dùng để đánh giá đường dẫn trong mô hình cấu trúc, còn HTMT Inference dùng cho giá trị phân biệt của measurement model. Kiểm tra tên bảng trước khi sao chép số liệu.
Chạy bootstrapping với quá ít subsamples
Nếu số bootstrap subsamples không đúng với quy trình bạn đã cam kết, kết quả có thể khó giải trình. Ghi số subsamples trong phương pháp và báo cáo nhất quán với thiết lập thực tế. Hướng dẫn PLS-SEM hiện hành thường sử dụng 5.000 bootstrap subsamples (Hair và cộng sự, 2022).
Loại indicator chỉ vì HTMT chưa đạt
Loại biến liên tục có thể làm kết quả đẹp hơn nhưng làm thang đo mất nội dung. Trước khi loại, xem outer loading, cross-loading, nội dung câu hỏi và cơ sở lý thuyết. Bạn có thể tham khảo cross-loading trong SmartPLS, nhưng quyết định cuối cùng vẫn phải gắn với mô hình nghiên cứu.
Nhập số liệu minh họa vào luận văn
Các bảng ví dụ trên chỉ giúp bạn nhận diện cột và cách diễn giải. Khi viết chương 4, mở lại file dự án, xuất output của chính bạn và đối chiếu từng cặp construct. Không sử dụng một con số tìm thấy trong bài hướng dẫn cho dữ liệu của mình.
Câu hỏi thường gặp
Khoảng tin cậy HTMT bao nhiêu là đạt
Với HTMT inference, tiêu chí thường được sử dụng là khoảng tin cậy không chứa giá trị 1 (Henseler và cộng sự, 2015). Ngoài ra, HTMT gốc thường được đọc dưới 0.85 hoặc 0.90 tùy mức độ gần nhau về mặt khái niệm của hai construct.
HTMT 0.88 có được chấp nhận không
Có thể được xem xét nếu hai khái niệm gần nhau về nội dung và bạn sử dụng ngưỡng 0.90 có căn cứ. Tuy nhiên, cần đọc thêm khoảng tin cậy HTMT. Nếu khoảng này chứa 1, bạn không nên chỉ dựa vào con số 0.88 để khẳng định giá trị phân biệt.
Khoảng tin cậy HTMT chứa 1 thì phải làm sao
Kiểm tra lại cặp construct đó, nội dung indicator, mã hóa dữ liệu và kết quả outer loading. Sau đó xem các indicator có đang diễn đạt quá giống nhau không. Nếu vấn đề nằm ở cấu trúc khái niệm, cần trao đổi với giảng viên về việc điều chỉnh mô hình hoặc cách giải thích, thay vì xóa biến tùy ý.
HTMT trong SmartPLS 3 và SmartPLS 4 có khác nhau không
Ý nghĩa thống kê của HTMT không thay đổi, nhưng vị trí menu và cách hiển thị kết quả có thể khác giữa hai phiên bản. Bài này sử dụng đường dẫn và tên chức năng theo SmartPLS 4. Khi dùng SmartPLS 3, hãy tìm nhóm Discriminant Validity và HTMT Inference trong phần kết quả tương ứng.
Có cần báo cáo cả HTMT và Fornell-Larcker không
Bạn nên làm theo yêu cầu của đề cương và giảng viên. HTMT được xem là tiêu chí nhạy hơn cho giá trị phân biệt, còn Fornell-Larcker là một tiêu chí bổ sung có thể được báo cáo nếu nghiên cứu yêu cầu. Tiêu chí Fornell-Larcker dựa trên căn bậc hai của AVE và tương quan giữa các construct (Fornell và Larcker, 1981).
Mở file SmartPLS 4 của bạn, ghi lại từng cặp construct trong HTMT Inference, sau đó dùng cách chạy AVE SmartPLS 4 để hoàn thiện phần measurement model trước khi viết chương 4; nếu muốn chạy và đối chiếu toàn bộ phân tích trên file .sav hoặc .csv, bạn có thể dùng M4 phân tích của DoThesis.