Lỗi AVE nhỏ hơn 0.5 trong SPSS phải làm sao

Hiện tượng bạn đang gặp

Bạn mở kết quả SmartPLS và thấy bảng Construct Reliability and Validity có cột Average Variance Extracted (AVE) dưới 0.5. Ví dụ, biến tiềm ẩn SAT có AVE = 0.438, trong khi Composite Reliability vẫn đạt 0.812. Đây là tình huống thường được tìm kiếm bằng cụm lỗi AVE nhỏ hơn 0 5 SPSS, dù phép tính này thường được thực hiện trong SmartPLS hơn là trong SPSS.

AVE phản ánh tỷ lệ phương sai trung bình của các biến quan sát được giải thích bởi biến tiềm ẩn. Mốc AVE từ 0.5 trở lên thường được dùng để đánh giá giá trị hội tụ, theo Fornell và Larcker (1981). Khi AVE thấp, các biến quan sát trong cùng một thang đo chưa chia sẻ đủ phương sai với khái niệm mà chúng được cho là đo lường.

Trước khi xóa biến, bạn cần xác định đúng lỗi. AVE thấp khác với lỗi HTMT lớn hơn 0 9 SPSS, lỗi giá trị phân biệt không đạt SPSS, lỗi outer loading thấp SPSS và lỗi bootstrapping bị lỗi SPSS. Những chỉ số này liên quan đến các phần khác nhau của mô hình, nên một cách sửa cho lỗi này có thể làm phát sinh lỗi khác.

Nguyên nhân thường gặp

Đừng bắt đầu bằng việc xóa ngay biến có outer loading thấp nhất. Hãy lưu lại phiên bản mô hình hiện tại, xem toàn bộ kết quả đo lường và kiểm tra dữ liệu gốc. Bảng dưới đây giúp bạn nối dấu hiệu trên output với nguyên nhân có thể kiểm tra được.

Một nguyên nhân hay bị bỏ qua là nhập dữ liệu từ SPSS sang SmartPLS. Nếu một biến Likert có giá trị 1 đến 5 nhưng một biến khác được nhập thành chuỗi ký tự, SmartPLS có thể không xử lý dữ liệu như bạn dự tính. Bạn nên mở file .csv bằng Excel hoặc trình soạn thảo văn bản để xem tên cột, dấu phân cách và ô trống.

Cũng cần kiểm tra biến đảo chiều. Chẳng hạn, các biến thuận có mức 1 là hoàn toàn không đồng ý và 5 là hoàn toàn đồng ý, nhưng một biến phủ định lại chưa được đảo từ 1 thành 5, 2 thành 4. Biến này có thể có tương quan ngược với các biến cùng thang đo và kéo AVE xuống.

Nếu đồng thời gặp HTMT cao, hãy xem hướng dẫn giá trị phân biệt không đạt phải làm sao. Nếu SmartPLS báo lỗi khi chạy bootstrapping, đó là vấn đề riêng và bạn có thể đối chiếu bootstrapping bị lỗi phải làm sao.

Cách xử lý theo thứ tự ưu tiên

1. Kiểm tra lại file dữ liệu và mã hóa biến

Trước hết, kiểm tra tên biến trong SmartPLS có khớp với tên cột trong .csv hay không. Tên biến nên ngắn, không có dấu tiếng Việt, không có khoảng trắng và không bị trùng. Trong SPSS, vào Analyze > Descriptive Statistics > Frequencies để xem mỗi biến có đủ các giá trị hợp lệ hay xuất hiện mã bất thường như 0, 99 hoặc một chuỗi ký tự.

Nếu bảng hỏi dùng thang Likert 5 mức, hãy xác nhận tất cả biến đều nằm trong khoảng 1 đến 5, trừ trường hợp bạn đã quy định mã thiếu riêng. Không tự động chuyển mọi số 0 thành giá trị hợp lệ. Bạn cần quay lại quy tắc mã hóa đã ghi trong chương phương pháp.

2. Kiểm tra outer loading trước khi loại biến

Trong SmartPLS, chạy lại mô hình bằng nút Calculate > PLS-SEM Algorithm, sau đó mở Outer Loadings. Ghi lại loading của từng biến trong một bảng riêng. Outer loading từ 0.7 trở lên thường được xem là đạt trong PLS-SEM theo Chin (1998) và Hair và cộng sự (2022).

Biến có loading dưới 0.4 thường là ứng viên cần loại trước, nhưng bạn vẫn phải xem nội dung đo lường. Biến từ 0.4 đến dưới 0.7 cần được cân nhắc cùng AVE, Composite Reliability và ý nghĩa lý thuyết. Xóa biến chỉ vì nó thấp hơn biến khác có thể làm thang đo mất một khía cạnh quan trọng.

3. Xem AVE sau mỗi lần thay đổi

Nếu quyết định loại một biến, hãy xóa một biến trong một lần chạy, lưu tên phiên bản mô hình và chạy lại PLS-SEM Algorithm. Sau đó xem lại Construct Reliability and Validity, Outer Loadings và Discriminant Validity. Không nên xóa liên tiếp ba hoặc bốn biến rồi mới kiểm tra, vì bạn sẽ không biết thay đổi nào làm kết quả tốt hơn hoặc tệ hơn.

Bảng dưới đây là số liệu minh họa, có hình dạng gần với output SmartPLS và không phải kết quả của một nghiên cứu thật.

Trong ví dụ minh họa, TRU có AVE = 0.482. Sau khi kiểm tra Outer Loadings, giả sử TRU2 có loading thấp rõ rệt và nội dung bị trùng với biến khác, việc loại TRU2 làm AVE tăng lên 0.590. Đây chỉ là cách đọc quy trình, không phải mức kết quả bạn chắc chắn sẽ nhận được.

4. Kiểm tra Composite Reliability và nội dung thang đo

AVE dưới 0.5 không nên được đánh giá tách rời. Composite Reliability từ 0.7 trở lên và AVE từ 0.5 trở lên là các tiêu chí thường được dùng cho độ tin cậy tổng hợp và giá trị hội tụ theo Fornell và Larcker (1981). Nếu AVE hơi thấp nhưng Composite Reliability đạt, các loading ở mức chấp nhận được và thang đo có cơ sở lý thuyết rõ, bạn cần trao đổi với giảng viên trước khi loại biến.

Nếu thang đo mới được điều chỉnh cho bối cảnh nghiên cứu, Cronbach's Alpha từ 0.6 có thể được xem xét trong nghiên cứu khám phá theo Hair và cộng sự (2010). Tuy nhiên, Alpha đạt không thể tự động chứng minh AVE đạt. Alpha, Composite Reliability và AVE trả lời các câu hỏi khác nhau.

5. Kiểm tra giá trị phân biệt sau khi sửa

Sau khi AVE tăng, hãy kiểm tra lại Discriminant Validity. HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, là các ngưỡng thường được trích dẫn theo Henseler và cộng sự (2015). Vì vậy, sửa AVE mà bỏ qua HTMT có thể khiến mô hình chuyển từ lỗi giá trị hội tụ sang lỗi giá trị phân biệt.

Nếu HTMT vẫn lớn hơn 0.9, bạn cần xem hai construct có đang đo cùng một khái niệm hay không. Có thể vấn đề nằm ở mô hình lý thuyết hoặc câu chữ bảng hỏi, không nằm ở một biến quan sát đơn lẻ. Xem thêm HTMT lớn hơn 0 9 phải làm sao trước khi gộp hoặc xóa construct.

6. Chạy lại mô hình cấu trúc và bootstrapping

Khi mô hình đo lường đã được chốt, chạy lại PLS-SEM Algorithm, sau đó chạy Calculate > Bootstrapping. Theo Hair và cộng sự (2022), quy trình PLS-SEM thường dùng 5.000 bootstrap subsamples khi báo cáo kết quả. Bạn cần ghi lại số subsamples, loại khoảng tin cậy và kết quả path coefficient trong file theo dõi.

AVE không được đánh giá bằng p-value của bootstrapping. Bootstrapping dùng để kiểm tra độ ổn định và ý nghĩa thống kê của các quan hệ trong mô hình, còn AVE là chỉ số đánh giá measurement model. Nếu mô hình không hội tụ hoặc SmartPLS dừng khi tính toán, hãy xử lý lỗi hội tụ riêng tại mô hình không hội tụ phải làm sao.

Khi nào phải quay lại thu thêm dữ liệu

Bạn chưa cần thu thêm dữ liệu chỉ vì một construct có AVE = 0.48. Trước hết, hãy kiểm tra mã hóa, dữ liệu thiếu, biến đảo chiều, outer loading và đặc điểm của thang đo. Nhiều trường hợp AVE thấp xuất phát từ một biến nhập sai hoặc một biến quan sát không phù hợp, dữ liệu mới không giải quyết được nguyên nhân đó.

Thu thêm dữ liệu có thể được cân nhắc khi mẫu hiện tại quá nhỏ, câu trả lời bị dồn vào một mức, nhiều người trả lời không hoàn thành bảng hỏi hoặc nhóm đối tượng thực tế khác xa đối tượng thiết kế ban đầu. Dữ liệu thêm phải đến từ đúng tổng thể mục tiêu và cùng quy trình chọn mẫu. Không nên thêm các dòng dữ liệu tự tạo để làm AVE tăng.

Cũng không nên tiếp tục thu mẫu chỉ để đạt một con số đẹp nếu vấn đề là thang đo không có giá trị nội dung. Khi các biến quan sát không cùng phản ánh một khái niệm, tăng số lượng phản hồi không thay thế được việc xem lại mô hình và bảng hỏi.

Cách giải trình với giảng viên hướng dẫn

Bạn nên chuẩn bị một bảng ghi lại từng vòng chạy: biến bị xem xét, outer loading trước khi xử lý, AVE trước và sau, lý do giữ hoặc loại biến, cùng ảnh hưởng đến HTMT và Composite Reliability. Cách ghi này giúp cuộc trao đổi tập trung vào quyết định phương pháp thay vì chỉ nhìn vào một con số cuối cùng.

Cách viết vào luận văn: “Kết quả ban đầu cho thấy AVE của thang đo [TÊN THANG ĐO] đạt [GIÁ TRỊ]. Sau khi kiểm tra Outer Loadings, biến [MÃ BIẾN] có loading = [GIÁ TRỊ] và đồng thời có nội dung trùng lặp với [MÔ TẢ]. Biến này được loại bỏ trước khi chạy lại mô hình. Kết quả sau điều chỉnh cho thấy AVE = [GIÁ TRỊ], Composite Reliability = [GIÁ TRỊ], do đó thang đo được [giữ lại/tiếp tục xem xét] theo tiêu chí của [NGUỒN].”

Nếu vẫn giữ một AVE dưới 0.5 theo quyết định của hội đồng, bạn cần trình bày rõ lý do, không che số liệu và không viết rằng thang đo đạt hoàn toàn. Có thể ghi đây là một hạn chế của measurement model nếu giảng viên chấp nhận cách báo cáo đó.

Cách phòng từ bước thiết kế

Ngay từ lúc xây dựng bảng hỏi, bạn cần xác định mỗi biến quan sát đang đo khía cạnh nào của construct. Thang đo nên được dịch và điều chỉnh theo bối cảnh nghiên cứu, nhưng phải giữ ý nghĩa của nguồn gốc. Một câu quá dài, chứa hai ý hoặc dùng thuật ngữ người trả lời không hiểu có thể tạo ra câu trả lời thiếu nhất quán.

Trước khi phát hành chính thức, hãy kiểm tra bảng hỏi trên một nhóm nhỏ phù hợp với đối tượng nghiên cứu. Mục tiêu ở đây là phát hiện câu khó hiểu, mã đảo chiều bị bỏ sót và phương án trả lời không đầy đủ. Bạn cũng nên tạo một bảng mã gồm tên biến, nhãn biến, chiều đo, thang điểm và nguồn tham khảo.

Khi nhập dữ liệu, giữ một file dữ liệu gốc chỉ đọc và một bản làm sạch riêng. Không ghi đè dữ liệu ban đầu sau mỗi lần xóa biến. Quy trình này giúp bạn quay lại kiểm tra nếu AVE giảm, outer loading thấp hoặc mô hình phát sinh lỗi mới.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa biến chỉ để AVE vượt 0.5, trong khi biến đó có ý nghĩa quan trọng với khái niệm. Lỗi thứ hai là xóa hàng loạt biến mà không lưu output từng vòng, khiến chương 4 không thể giải thích quá trình xử lý.

Lỗi thứ ba là dùng tiêu chí của CB-SEM cho SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM, không phải bộ tiêu chí chính để đánh giá mô hình PLS-SEM. Bạn nên xem đúng nhóm chỉ số gồm outer loading, Composite Reliability, AVE, HTMT, VIF, R² và Q².

Lỗi thứ tư là gọi tất cả vấn đề là lỗi SPSS. SPSS có thể hỗ trợ làm sạch dữ liệu và thống kê mô tả, nhưng kết quả AVE, HTMT và outer loading trong bài viết này được đọc từ SmartPLS. Bạn có thể xem lộ trình tổng hợp tại chủ đề SmartPLS.

Cuối cùng, đừng sửa AVE bằng cách thay đổi số liệu, tạo thêm dòng trả lời hoặc chạy đi chạy lại cho đến khi có kết quả mong muốn. Hãy lưu output, ghi lý do từng quyết định và giữ lại phiên bản mô hình trước khi chỉnh sửa.

Câu hỏi thường gặp

AVE nhỏ hơn 0.5 có phải loại ngay thang đo không?

Chưa. Bạn cần xem outer loading của từng biến, Composite Reliability, nội dung thang đo và giá trị phân biệt. Nếu AVE chỉ thấp nhẹ và các chỉ số khác có cơ sở, hãy trao đổi với giảng viên thay vì tự động loại toàn bộ construct.

AVE bao nhiêu là đạt?

AVE từ 0.5 trở lên thường được dùng làm mốc đánh giá giá trị hội tụ theo Fornell và Larcker (1981). Đây là tiêu chí tham khảo có nguồn, không phải quy tắc cho phép bạn bỏ qua nội dung biến hoặc bối cảnh nghiên cứu.

Có thể xóa biến có outer loading thấp để tăng AVE không?

Có thể xem xét, nhưng quyết định phải dựa trên cả số liệu và lý thuyết. Biến dưới 0.4 thường cần được kiểm tra nghiêm túc, còn biến từ 0.4 đến dưới 0.7 cần cân nhắc thêm Composite Reliability và ý nghĩa nội dung theo Hair và cộng sự (2022).

Lỗi HTMT lớn hơn 0.9 có liên quan trực tiếp đến AVE không?

Hai chỉ số cùng thuộc đánh giá measurement model nhưng phản ánh hai vấn đề khác nhau. AVE liên quan đến giá trị hội tụ, còn HTMT kiểm tra giá trị phân biệt giữa các construct. AVE đạt không có nghĩa HTMT chắc chắn đạt.

Tôi chạy bằng SPSS nhưng không thấy bảng AVE, phải làm sao?

SPSS thường không hiển thị AVE theo quy trình PLS-SEM như SmartPLS. Hãy kiểm tra bạn có đang dùng đúng phần mềm và đúng mô hình hay không. File .sav có thể được làm sạch trong SPSS, sau đó xuất sang .csv để nhập vào SmartPLS theo cấu trúc dữ liệu phù hợp.

Có nên thu thêm mẫu để AVE tăng không?

Chỉ nên cân nhắc khi có vấn đề về cỡ mẫu, chất lượng phản hồi hoặc độ biến thiên dữ liệu. Nếu nguyên nhân là biến đảo chiều sai, nhập dữ liệu sai hoặc câu hỏi không đo đúng khái niệm, thu thêm mẫu không giải quyết được gốc lỗi. Việc tiếp theo của bạn là kiểm tra file dữ liệu, lưu output hiện tại và ghi từng thay đổi trước khi chạy lại. Nếu muốn chạy phân tích trên chính file .sav hoặc .csv theo quy trình có lưu vết, bạn có thể xem module M4 phân tích của DoThesis.