Outer loading thấp phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn mở kết quả SmartPLS lên, chọn phần Outer Loadings và thấy một hoặc vài biến quan sát có giá trị thấp, chẳng hạn TC3 = 0.462, DV2 = 0.581 hoặc HL4 = 0.694. Có biến hiện màu đỏ, có biến vẫn nằm trong mô hình nhưng chỉ số thấp hơn các biến còn lại. Đây là tình huống rất thường gặp khi chạy PLS-SEM lần đầu.

Outer loading cho biết mức độ liên hệ giữa một biến quan sát và biến tiềm ẩn mà nó đại diện. Với thang đo reflective, outer loading từ 0.7 trở lên thường được xem là mức phù hợp, theo (Chin, 1998) và (Hair và cộng sự, 2022). Giá trị thấp có thể làm giảm độ tin cậy và AVE, nhưng việc xóa biến ngay lập tức cũng có thể khiến thang đo mất nội dung quan trọng.

Bạn cần phân biệt ba tình huống. Một biến có outer loading khoảng 0.65 đến dưới 0.7 có thể được giữ nếu CR và AVE của cấu trúc vẫn đạt, đồng thời biến đó phù hợp về mặt lý thuyết. Một biến nằm khoảng 0.4 đến dưới 0.7 cần được xem xét trước khi xóa. Biến dưới 0.4 thường là ứng viên cần loại, nhưng vẫn phải kiểm tra mã hóa, dữ liệu và nội dung thang đo trước.

Nguyên nhân thường gặp

Outer loading thấp không chỉ xuất hiện vì mô hình SmartPLS có vấn đề. Nhiều trường hợp bắt đầu từ bảng hỏi, cách nhập dữ liệu hoặc một biến đảo chiều chưa được mã hóa lại. Bảng dưới đây giúp bạn khoanh vùng trước khi chỉnh mô hình.

Nếu bạn dùng thang đo formative, cách đọc sẽ khác. Outer loading không phải chỉ số duy nhất để quyết định loại biến formative. Bài viết này tập trung vào thang đo reflective, là trường hợp thường gặp trong các mô hình khảo sát hành vi, marketing và quản trị.

Một nguyên nhân đáng kiểm tra sớm là file dữ liệu. SmartPLS 4 đọc .csv, vì vậy tên cột, dấu phân cách, giá trị trống và kiểu dữ liệu cần được kiểm tra trước khi import. Nếu cùng một biến có giá trị 1 đến 5 ở phần lớn dòng nhưng có một số ô chứa chữ, quá trình xử lý có thể tạo ra kết quả bất thường hoặc làm giảm số quan sát hợp lệ.

Cách xử lý theo thứ tự ưu tiên

Bạn nên xử lý từ nguyên nhân rẻ và dễ kiểm tra nhất đến quyết định ảnh hưởng lớn nhất đến mô hình. Sau mỗi thay đổi, hãy lưu một phiên bản riêng, chẳng hạn model_v1, model_remove_TC3 và model_final. Đừng xóa liên tiếp nhiều biến rồi mới xem lại kết quả, vì khi đó bạn không biết biến nào thực sự tạo ra thay đổi.

Kiểm tra mã hóa và biến đảo chiều

Mở file dữ liệu gốc bằng Excel hoặc phần mềm bạn dùng để làm sạch dữ liệu. Đối chiếu mã biến trong bảng hỏi với tên cột trong .csv. Nếu thang đo dùng mức 1 đến 5 và một biến được viết theo hướng phủ định, công thức reverse code thường là 6 - giá trị gốc. Ví dụ, người chọn 1 sẽ thành 5, người chọn 5 sẽ thành 1.

Bạn không nên reverse code chỉ vì loading thấp. Chỉ thực hiện khi nội dung biến thực sự được thiết kế theo hướng ngược với các biến còn lại. Sau khi sửa, import lại dữ liệu hoặc tạo bản sao dataset, chạy lại mô hình và ghi rõ phiên bản dữ liệu đã dùng.

Kiểm tra dữ liệu trống và giá trị bất thường

Trong SmartPLS 4, xem lại phần thông tin dữ liệu và số lượng quan sát hợp lệ. Đối chiếu với file gốc để phát hiện ô trống, ký tự lạ, giá trị ngoài thang đo hoặc một cột bị lệch khi lưu CSV. Một biến có phần lớn câu trả lời giống nhau cũng có thể tạo loading thấp vì biến đó có rất ít biến thiên.

Bạn cũng nên kiểm tra các dòng trả lời thiếu quá nhiều biến hoặc chọn cùng một mức cho toàn bộ bảng hỏi. Việc loại một dòng dữ liệu phải dựa trên quy tắc làm sạch đã đặt ra từ trước, chẳng hạn tỷ lệ thiếu dữ liệu hoặc thời gian trả lời bất thường. Đừng xóa một người trả lời chỉ vì người đó làm loading đẹp hơn.

Chạy lại mô hình và xem toàn bộ chỉ số đo lường

Sau khi xác nhận dữ liệu, chạy lại PLS algorithm trong SmartPLS 4. Nhấp phải vào model, chọn Calculate, sau đó chọn PLS-SEM Algorithm. Trong kết quả, mở Outer Loadings và Construct Reliability and Validity.

Đọc cùng lúc outer loading, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Một biến loading 0.66 chưa đủ để kết luận phải xóa. Nếu CR và AVE đạt, nội dung biến quan trọng và kết quả bootstrap ổn định, bạn có thể giữ biến với phần giải trình phù hợp.

Thử loại từng biến có loading thấp nhất

Nếu có nhiều biến thấp, hãy thử từng biến một, bắt đầu từ biến thấp nhất hoặc biến có nội dung trùng lặp rõ nhất. Sau mỗi lần loại, chạy lại PLS algorithm và ghi lại AVE, CR, số biến còn lại cùng các quan hệ trong mô hình cấu trúc.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được đặt theo dạng kết quả thường gặp trong SmartPLS để bạn biết cần theo dõi gì.

Trong ví dụ này, TC3 có loading thấp nhất. Sau khi loại, các chỉ số của cấu trúc tăng trong bảng minh họa, nhưng đó chưa phải lý do đủ để xóa trong dữ liệu của bạn. Bạn còn phải xem TC3 có đại diện cho một khía cạnh riêng của khái niệm hay không, thang đo gốc có yêu cầu giữ biến đó không và việc loại biến có làm thay đổi ý nghĩa khái niệm không.

Kiểm tra giá trị hội tụ và giá trị phân biệt

Outer loading thấp thường liên quan đến AVE thấp. AVE từ 0.5 trở lên thường được dùng để đánh giá giá trị hội tụ, còn Composite Reliability từ 0.7 trở lên là mức tham khảo phổ biến theo (Fornell và Larcker, 1981). Bạn có thể xem hướng xử lý riêng cho trường hợp AVE nhỏ hơn 0.5 phải làm sao.

Sau khi xóa biến, kiểm tra HTMT giữa các cấu trúc. HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, là ngưỡng thường được trích dẫn theo (Henseler và cộng sự, 2015). Nếu HTMT vẫn cao, việc xóa thêm outer loading thấp chưa chắc giải quyết được vấn đề. Bạn cần xem lại sự phân biệt về mặt khái niệm giữa các biến tiềm ẩn.

Chạy bootstrapping sau khi chốt thang đo

Khi đã quyết định phiên bản mô hình đo lường, chạy Calculate > Bootstrapping trong SmartPLS 4. Có thể thiết lập 5.000 bootstrap subsamples theo khuyến nghị của (Hair và cộng sự, 2022). Kết quả này giúp bạn đọc độ ổn định của loading và các đường dẫn, nhưng bootstrapping không biến một biến quan sát có nội dung sai thành biến phù hợp.

Nếu bootstrapping gặp lỗi, kiểm tra lại cấu trúc mô hình, dữ liệu thiếu và tên biến trước khi chạy lại. Bạn có thể xem thêm hướng xử lý bootstrapping bị lỗi phải làm sao.

Khi nào phải quay lại thu thêm dữ liệu

Thêm dữ liệu không phải cách sửa mặc định cho outer loading thấp. Nếu loading thấp do reverse code sai, nhập dữ liệu sai hoặc biến quan sát diễn đạt lệch khái niệm, thu thêm vài chục bảng trả lời sẽ không giải quyết nguyên nhân. Bạn cần sửa thiết kế dữ liệu trước.

Bạn nên trao đổi với giảng viên khi một trong các trường hợp sau xảy ra: nhiều biến của cùng một cấu trúc đều thấp, kết quả thay đổi mạnh giữa các phiên bản mẫu, số biến còn lại quá ít để đại diện cho khái niệm, hoặc việc loại biến làm mất một nội dung quan trọng của thang đo. Một cấu trúc reflective thường cần nhiều biến quan sát hơn một biến duy nhất để có cơ sở đánh giá.

Nếu cỡ mẫu hiện tại nhỏ và kết quả rất không ổn định, thu thêm dữ liệu có thể là phương án hợp lý, nhưng phải nêu rõ tiêu chí trước khi thu. Đừng đặt mục tiêu kiểu “thu thêm cho loading vượt 0.7”. Hãy căn cứ vào thiết kế mẫu, số biến quan sát, số đường dẫn và khả năng tiếp cận đúng đối tượng khảo sát.

Số lượng quan sát cũng cần được xem trong toàn bộ mô hình. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát được trích dẫn trong nhiều nghiên cứu theo (Hair và cộng sự, 2010), nhưng đây chỉ là quy tắc tham khảo, không thay thế cho lập luận về thiết kế mẫu. Nếu bạn chỉ còn một biến quan sát sau khi xóa quá nhiều biến, vấn đề nằm ở thiết kế thang đo chứ không thể giải quyết bằng cách chạy SmartPLS lại.

Cách giải trình với giảng viên hướng dẫn

Bạn nên chuẩn bị một bảng theo dõi trước và sau khi xử lý, gồm mã biến, outer loading, lý do xem xét, quyết định giữ hoặc loại, AVE và Composite Reliability. Giảng viên thường hỏi “vì sao em xóa biến này” chứ không chỉ hỏi “chỉ số sau khi xóa là bao nhiêu”.

Cách viết vào luận văn: “Kết quả đánh giá mô hình đo lường cho thấy biến quan sát [MÃ BIẾN] có outer loading bằng [GIÁ TRỊ], thấp hơn ngưỡng tham khảo. Sau khi kiểm tra nội dung biến, dữ liệu và tác động đến Composite Reliability, nghiên cứu [giữ lại/loại bỏ] biến này vì [LÝ DO]. Mô hình sau điều chỉnh có Composite Reliability bằng [GIÁ TRỊ] và AVE bằng [GIÁ TRỊ].”

Nếu giữ một biến từ 0.4 đến dưới 0.7, bạn cần ghi rõ lý do lý thuyết và chỉ số tổng thể. Nếu loại biến, hãy nêu thứ tự loại và cho biết mô hình cuối cùng còn bao nhiêu biến quan sát. Cách trình bày này minh bạch hơn việc chỉ đưa bảng kết quả cuối cùng rồi bỏ qua các vòng thử nghiệm.

Cách phòng từ bước thiết kế

Trước khi phát bảng hỏi chính thức, đọc từng biến quan sát như một người trả lời chưa biết mô hình của bạn. Một biến nên diễn đạt một ý, dùng thuật ngữ người trả lời hiểu và phù hợp với bối cảnh nghiên cứu. Tránh ghép hai nội dung vào một câu, vì người trả lời có thể đánh giá hai phần đó khác nhau.

Giữ nguyên mã biến ổn định từ bảng hỏi đến file dữ liệu và mô hình SmartPLS. Ví dụ, nhóm TC1 đến TC4 chỉ nên đại diện cho một cấu trúc đã xác định. Không đổi tên cột tùy tiện giữa các lần chạy, vì bạn sẽ khó truy vết biến nào đã được xử lý.

Bạn cũng nên thử chạy một bộ dữ liệu nhỏ trước khi thu chính thức để kiểm tra đường đi từ bảng hỏi, file CSV đến SmartPLS. Đây là lúc phát hiện biến đảo chiều, dấu phân cách CSV, cột bị trống và tên biến trùng nhau. Khi thiết kế mô hình, hãy tách rõ measurement model và structural model, rồi đánh giá mô hình đo lường trước khi diễn giải path coefficient.

Nếu vấn đề của bạn chuyển từ outer loading sang AVE, hãy đọc riêng bài lỗi AVE nhỏ hơn 0.5 trong SPSS. Với các nội dung SmartPLS khác, bạn có thể xem chủ đề SmartPLS để giữ đúng thứ tự phân tích.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa tất cả biến dưới 0.7 một cách máy móc. Ngưỡng là căn cứ đánh giá, không phải nút tự động quyết định. Một biến thấp nhưng có ý nghĩa nội dung và không làm suy giảm nghiêm trọng độ tin cậy có thể cần được giữ.

Lỗi thứ hai là chọn phiên bản có AVE cao nhất dù mô hình còn quá ít biến hoặc mất khía cạnh quan trọng. Chỉ số đẹp hơn không đồng nghĩa với thang đo có giá trị hơn. Bạn cần cân bằng giữa thống kê, lý thuyết và khả năng giải thích.

Lỗi thứ ba là báo cáo kết quả sau khi đã xóa biến nhưng không lưu vết xử lý. Hãy giữ file model và bảng ghi chú của từng vòng chạy. Điều này giúp bạn trả lời khi giảng viên hỏi vì sao TC3 bị loại, đồng thời tránh nhầm giữa dữ liệu gốc và dữ liệu đã điều chỉnh.

Lỗi thứ tư là dùng chỉ số của CB-SEM để kết luận cho SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số thường dùng trong CB-SEM, không nên đưa vào bài giải thích outer loading của PLS-SEM. Với SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f² và Q² theo đúng mục tiêu đánh giá.

Câu hỏi thường gặp

Outer loading bao nhiêu là đạt?

Outer loading từ 0.7 trở lên thường được dùng làm mức tham khảo cho thang đo reflective trong PLS-SEM, theo (Chin, 1998) và (Hair và cộng sự, 2022). Khoảng 0.4 đến dưới 0.7 cần xem xét cùng CR, AVE và ý nghĩa nội dung, thay vì xóa tự động.

Outer loading 0.6 có nên xóa không?

Chưa thể quyết định chỉ dựa vào con số 0.6. Bạn hãy kiểm tra AVE và Composite Reliability trước, sau đó so sánh hai phiên bản mô hình có và không có biến. Nếu biến đại diện cho một nội dung cần thiết, việc giữ lại và giải trình có thể phù hợp hơn việc xóa để cải thiện một chỉ số.

Outer loading âm phải làm sao?

Trước tiên kiểm tra biến đảo chiều và cách mã hóa dữ liệu. Nếu biến được viết theo hướng phủ định nhưng chưa reverse code, hãy mã hóa lại theo đúng thang đo, tạo bản sao dữ liệu và chạy lại mô hình. Nếu loading vẫn âm, kiểm tra nội dung biến, tên cột và quan hệ của biến với các chỉ báo cùng cấu trúc.

Xóa biến có làm thay đổi giả thuyết nghiên cứu không?

Xóa một biến quan sát thường không xóa trực tiếp giả thuyết giữa các biến tiềm ẩn, nhưng có thể làm thay đổi cách đo lường khái niệm. Nếu xóa nhiều biến hoặc xóa biến đại diện cho một khía cạnh riêng, ý nghĩa của cấu trúc có thể bị thu hẹp. Vì vậy, bạn cần báo cáo quyết định này trong chương phương pháp và kết quả.

Sau khi xóa biến có phải chạy lại bootstrapping không?

Có. Khi mô hình đo lường đã thay đổi, bạn nên chạy lại PLS algorithm và bootstrapping cho phiên bản cuối. Hãy lưu số bootstrap subsamples, kết quả outer loading, độ tin cậy, giá trị hội tụ và các đường dẫn để báo cáo nhất quán.

Mở file .csv của bạn ngay bây giờ, kiểm tra biến có outer loading thấp nhất, mã hóa đảo chiều và bảng Construct Reliability and Validity trước khi xóa bất kỳ biến nào; nếu cần chạy toàn bộ bước phân tích trên dữ liệu thật, xem M4 phân tích của DoThesis.