SRMR là gì? Cách đọc chỉ số SRMR trong SmartPLS
SRMR là gì
SRMR, viết đầy đủ là Standardized Root Mean Square Residual, là chỉ số phản ánh mức chênh lệch trung bình giữa tương quan quan sát được trong dữ liệu và tương quan được mô hình SEM ước lượng. Nói đơn giản, SRMR cho bạn biết mô hình đang tái hiện ma trận tương quan thực tế tốt đến mức nào. Giá trị càng nhỏ thường cho thấy phần sai lệch giữa dữ liệu và mô hình càng thấp.
Trong SmartPLS, SRMR thường xuất hiện trong phần kết quả đánh giá mô hình, cùng với các thông tin như d_ULS, d_G, Chi-square và NFI. Bạn có thể gặp SRMR cho Saturated model và Estimated model. Saturated model cho phép các cấu trúc có tương quan tự do với nhau, còn Estimated model sử dụng đúng các quan hệ được vẽ trong mô hình nghiên cứu. Vì vậy, khi báo cáo, bạn cần ghi rõ đang đọc dòng nào và không nên lấy một con số rồi bỏ qua loại mô hình.
SRMR được tính từ căn bậc hai của trung bình bình phương phần dư chuẩn hóa giữa các tương quan. Bạn không cần tự tính bằng tay khi dùng SmartPLS. Việc cần làm là xác định đúng bảng output, đối chiếu ngưỡng có nguồn và xem chỉ số này cùng với chất lượng thang đo, R², path coefficient và kết quả bootstrapping.
Nếu bạn mới làm quen với toàn bộ quy trình, có thể xem thêm chủ đề SmartPLS, SEM là gì và bài PLS-SEM để phân biệt vai trò của từng nhóm chỉ số.
Ý nghĩa của SRMR trong nghiên cứu định lượng
SRMR giúp đánh giá một khía cạnh của model fit, tức mức độ phù hợp giữa mô hình đề xuất và các quan hệ quan sát từ dữ liệu. Khi SRMR cao, mô hình có thể đang bỏ sót một số quan hệ, xác định sai hướng tác động, dùng thang đo chưa phù hợp hoặc có vấn đề trong dữ liệu. Tuy nhiên, SRMR không tự trả lời nguyên nhân nằm ở đâu.
Trong PLS-SEM, bạn nên xem SRMR như một bằng chứng bổ sung về độ phù hợp mô hình, không phải điều kiện duy nhất để chấp nhận hay loại bỏ mô hình. Trước đó, phần measurement model cần được kiểm tra qua outer loading, Cronbach's Alpha, composite reliability, AVE và HTMT. Sau đó, structural model được xem xét qua VIF, hệ số đường dẫn, p-value, confidence interval, R², f² và Q² khi phù hợp.
Điểm này đặc biệt quan trọng khi bạn đang viết chương 4. Một SRMR dưới ngưỡng không chứng minh mọi giả thuyết đều đúng. Ngược lại, SRMR cao không cho phép bạn tự ý xóa đường dẫn chỉ để làm con số đẹp hơn. Bạn cần nhìn vào cơ sở lý thuyết, mô hình đo lường và cấu trúc dữ liệu trước khi chỉnh sửa.
SRMR cũng không phải là chỉ số dành riêng cho SmartPLS. Khái niệm model fit xuất hiện trong nhiều cách tiếp cận SEM, nhưng nhóm chỉ số được báo cáo và cách diễn giải có thể khác nhau giữa PLS-SEM và CB-SEM. Nếu bạn sử dụng AMOS hoặc một phần mềm CB-SEM, hãy đọc đúng hướng dẫn của phương pháp đó. Bạn có thể xem thêm CB-SEM là gì để tránh trộn tiêu chí giữa hai cách tiếp cận.
SRMR bao nhiêu là tốt
Câu hỏi “SRMR bao nhiêu là tốt” thường xuất hiện khi bạn mở bảng Model Fit trong SmartPLS. Ngưỡng được dùng phổ biến là SRMR nhỏ hơn 0.08, trong khi một số tài liệu cho phép mức nhỏ hơn 0.10 trong một số bối cảnh. Bạn cần ghi rõ nguồn và bối cảnh sử dụng, thay vì viết rằng mọi giá trị dưới 0.10 đều chắc chắn đạt.
Bảng dưới đây tóm tắt các mốc có thể dùng khi giải thích kết quả. Mỗi mốc cần được đặt cùng nguồn trong luận văn để người đọc biết tiêu chí xuất phát từ đâu.
| Mức SRMR hoặc cách dùng | Cách diễn giải thận trọng | Nguồn |
|---|---|---|
| SRMR ≤ 0.08 | Thường được xem là mức phù hợp tốt trong báo cáo model fit | (Hu và Bentler, 1999), áp dụng trong bối cảnh CB-SEM và cần thận trọng khi chuyển sang PLS-SEM |
| SRMR < 0.10 | Có thể được sử dụng như mốc tham khảo trong một số nghiên cứu PLS-SEM | (Hair và cộng sự, 2022) |
| SRMR cao hơn mốc đã chọn | Cần kiểm tra lại mô hình, thang đo và dữ liệu, không loại biến tự động | (Hair và cộng sự, 2022) |
| SRMR của Saturated model | Phản ánh mức phù hợp khi các cấu trúc được phép tương quan tự do | (Hair và cộng sự, 2022) |
| SRMR của Estimated model | Phản ánh mức phù hợp của mô hình cấu trúc đã ước lượng | (Hair và cộng sự, 2022) |
Có một lưu ý quan trọng: các ngưỡng CFI, TLI, RMSEA và SRMR thường được trích từ (Hu và Bentler, 1999), nhưng nguồn này thuộc bối cảnh CB-SEM. Khi chạy SmartPLS, bạn không nên bê nguyên một bộ tiêu chí của AMOS sang PLS-SEM. Với PLS-SEM, hãy ưu tiên cách báo cáo và diễn giải phù hợp với tài liệu PLS-SEM, chẳng hạn (Hair và cộng sự, 2019) và (Hair và cộng sự, 2022).
Bạn cũng không nên kết luận mô hình “đạt hoàn toàn” chỉ vì SRMR nhỏ hơn 0.08. Một mô hình có SRMR đẹp nhưng HTMT vượt ngưỡng, VIF cao hoặc nhiều outer loading yếu vẫn cần được xử lý. Trong luận văn, hãy trình bày cả chỉ số đạt và chỉ số cần theo dõi.
Cách đọc SRMR trên output SmartPLS
Sau khi chạy PLS-SEM, bạn mở phần kết quả model fit trong SmartPLS 4. Tên menu có thể thay đổi nhẹ theo phiên bản, nhưng nguyên tắc là tìm nhóm kết quả liên quan đến Model Fit, không tìm SRMR trong bảng Path Coefficients. SRMR không phải hệ số tác động giữa hai biến tiềm ẩn.
Bước 1: Kiểm tra đúng mô hình đã chạy
Mở project, kiểm tra mô hình đang chứa đúng biến tiềm ẩn và biến quan sát. Nếu bạn vừa xóa một indicator hoặc thay đổi đường dẫn, hãy chạy lại thuật toán PLS Algorithm trước khi đọc model fit. Một output cũ có thể vẫn còn trên màn hình và khiến bạn lấy nhầm số liệu.
Bạn cũng nên xác nhận dữ liệu .csv đã được nhập đúng, tên biến không bị lệch cột và các biến đảo chiều đã được xử lý trước khi chạy. SRMR không sửa được lỗi nhập dữ liệu. Nếu dữ liệu đầu vào sai, mọi chỉ số sau đó đều cần được xem xét lại.
Bước 2: Mở bảng Model Fit
Trong kết quả chạy, tìm nhóm chỉ số có tên Model Fit. SmartPLS thường hiển thị các dòng Saturated model và Estimated model, với các cột như SRMR, d_ULS, d_G, Chi-square và NFI. Tùy phiên bản SmartPLS 4, vị trí cụ thể trong giao diện có thể khác, nhưng tên chỉ số vẫn là dấu hiệu để bạn nhận diện.
Đọc đúng cột SRMR, không lấy d_ULS hoặc d_G thay cho SRMR. Hai giá trị d_ULS và d_G cũng liên quan đến độ lệch giữa mô hình và dữ liệu, nhưng không thể diễn giải bằng cùng một ngưỡng SRMR.
Bước 3: Đối chiếu Saturated model và Estimated model
Saturated model thường có mức phù hợp tốt hơn vì các cấu trúc được phép liên hệ tự do. Estimated model phản ánh mô hình cấu trúc mà bạn thực sự giả thuyết. Nếu hai giá trị khác nhau đáng kể, hãy xem đó là tín hiệu để kiểm tra các quan hệ cấu trúc, thang đo và dữ liệu, thay vì chỉ chọn giá trị nhỏ hơn để báo cáo.
Bước 4: Ghi lại output trước khi chỉnh sửa
Hãy lưu bảng kết quả hoặc xuất báo cáo trước khi xóa biến. Bạn cần biết SRMR thay đổi thế nào sau mỗi lần xử lý. Việc ghi lại từng vòng giúp bạn giải trình với giảng viên khi được hỏi vì sao một indicator bị loại hoặc tại sao mô hình cuối cùng có ít biến quan sát hơn mô hình ban đầu.
Dưới đây là một bảng 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.
| Model Fit | SRMR | d_ULS | d_G | Chi-square | NFI |
|---|---|---|---|---|---|
| Saturated model | 0.071 | 0.842 | 0.516 | 286.430 | 0.884 |
| Estimated model | 0.083 | 0.967 | 0.574 | 312.715 | 0.861 |
Với bảng minh họa này, người viết có thể nhận xét rằng SRMR của Saturated model là 0.071 và Estimated model là 0.083. Nếu nghiên cứu chọn mốc 0.10 theo hướng dẫn PLS-SEM phù hợp, cả hai giá trị đều nằm dưới mốc tham khảo. Nếu nghiên cứu dùng mốc 0.08, Estimated model cần được giải thích thận trọng vì vượt nhẹ mốc này. NFI trong bảng không được diễn giải bằng ngưỡng SRMR, và bạn cũng không nên suy ra p-value từ bảng Model Fit.
SRMR trong SPSS có giống SmartPLS không
Từ khóa “srmr trong spss” dễ gây nhầm vì SPSS không phải là nơi thường dùng để chạy toàn bộ PLS-SEM. Khi bạn chạy hồi quy tuyến tính trong SPSS, output thường có Model Summary, ANOVA và Coefficients, trong đó không phải lúc nào cũng có SRMR theo định dạng Model Fit của SmartPLS.
Nếu dùng SPSS kết hợp AMOS, bạn đang ở quy trình CB-SEM khác với SmartPLS. Nếu chỉ chạy Cronbach's Alpha, EFA hoặc hồi quy trong SPSS, đừng cố tìm SRMR trong các bảng Reliability Statistics, KMO and Bartlett's Test hay Coefficients. Chỉ số cần đọc phải phù hợp với thủ tục bạn đã chạy.
Khi SRMR không đạt thì xử lý thế nào
Nếu SRMR vượt mốc bạn đã chọn, hãy xử lý theo thứ tự từ dễ kiểm tra đến khó thay đổi. Trước hết, xác nhận bạn đang đọc đúng mô hình, đúng phiên bản output và đúng dòng Saturated model hoặc Estimated model. Kiểm tra dữ liệu thiếu, mã hóa sai, biến đảo chiều chưa xử lý và các cột bị lệch khi nhập .csv.
Tiếp theo, xem measurement model. Outer loading quá thấp, HTMT cao hoặc một cấu trúc có độ tin cậy yếu có thể làm mô hình khó diễn giải. Việc loại indicator chỉ nên dựa trên cả kết quả thống kê và ý nghĩa nội dung của biến quan sát. Bạn không nên xóa hàng loạt biến chỉ vì SRMR giảm sau mỗi lần thử.
Sau đó, kiểm tra structural model. Xem VIF có vượt mốc phù hợp hay không, các đường dẫn có được xây dựng từ giả thuyết và tài liệu hay chỉ thêm vào vì modification logic. Trong PLS-SEM, VIF dưới 5 là mốc tham khảo thường được báo cáo theo (Hair và cộng sự, 2019). Một đường dẫn không có ý nghĩa thống kê không tự động là lỗi, vì đó có thể là kết quả nghiên cứu.
Nếu mô hình vẫn không phù hợp, bạn có thể cân nhắc mô hình hóa lại trên cơ sở lý thuyết, gộp hoặc tách cấu trúc khi có lập luận rõ ràng, hoặc báo cáo hạn chế của mô hình. Reviewer thường chấp nhận một quyết định có lý do hơn một mô hình được chỉnh sửa nhiều lần nhưng không có nhật ký phân tích.
Đừng tự ý sửa dữ liệu gốc, thay đổi câu trả lời hoặc chạy lại nhiều mẫu rồi chỉ giữ phiên bản có SRMR thấp. Nếu dữ liệu không đủ chất lượng, phần mềm không thể biến nó thành dữ liệu tốt. Khi vấn đề nằm ở cách thiết kế bảng hỏi hoặc cỡ mẫu, có thể bạn phải quay lại kế hoạch thu thập dữ liệu, không chỉ chỉnh một tùy chọn trong SmartPLS.
Phân biệt SRMR với các chỉ số dễ nhầm
SRMR dễ bị nhầm với RMSEA, CFI, TLI, NFI và R² vì chúng đều xuất hiện trong các tài liệu về SEM. Tuy nhiên, mỗi chỉ số trả lời một câu hỏi khác nhau.
SRMR đo mức sai lệch trung bình chuẩn hóa giữa tương quan quan sát và tương quan do mô hình ước lượng. RMSEA thường được dùng trong CB-SEM để đánh giá sai số xấp xỉ của mô hình theo bậc tự do. CFI và TLI so sánh mức phù hợp của mô hình với mô hình cơ sở. Theo (Hu và Bentler, 1999), các ngưỡng CFI, TLI, RMSEA và SRMR được thảo luận trong bối cảnh CB-SEM, vì vậy cần tránh áp dụng máy móc cho SmartPLS.
R² lại trả lời câu hỏi khác: các biến độc lập giải thích được bao nhiêu phương sai của biến nội sinh. Trong PLS-SEM, các mốc R² 0.75, 0.50 và 0.25 có thể được diễn giải lần lượt là substantial, moderate và weak theo (Hair và cộng sự, 2011). Một mô hình có R² cao chưa chắc SRMR thấp, và SRMR thấp cũng không đồng nghĩa R² của mọi biến nội sinh đều cao.
HTMT đánh giá giá trị phân biệt giữa các biến tiềm ẩn. Mốc HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được nêu trong (Henseler và cộng sự, 2015). Bạn có thể xem thêm bài biến tiềm ẩn là gì để hiểu vì sao SRMR, HTMT và outer loading nằm ở các lớp kiểm tra khác nhau.
Lỗi thường gặp
Lỗi đầu tiên là dùng câu “SRMR càng thấp càng tốt” rồi kết luận ngay rằng mô hình đạt. Chiều hướng này đúng ở mức khái quát, nhưng vẫn cần đặt trong ngưỡng đã chọn, loại mô hình và các kết quả khác. Một con số thấp bất thường cũng nên khiến bạn kiểm tra lại dữ liệu và cấu trúc mô hình.
Lỗi thứ hai là trích (Hu và Bentler, 1999) cho toàn bộ tiêu chí của SmartPLS mà không nói đến khác biệt giữa CB-SEM và PLS-SEM. Nếu bạn báo cáo SRMR trong SmartPLS, hãy nêu rõ phương pháp và sử dụng tài liệu PLS-SEM phù hợp như (Hair và cộng sự, 2019) hoặc (Hair và cộng sự, 2022).
Lỗi thứ ba là nhầm SRMR với Standardized Residual trong một output khác. Tên gần giống không có nghĩa cách tính và cách diễn giải giống nhau. Hãy ghi rõ phần mềm, thủ tục, phiên bản và tên bảng trong phương pháp nghiên cứu.
Lỗi thứ tư là chỉ báo cáo SRMR mà bỏ qua Saturated model và Estimated model. Nếu output có cả hai dòng, bạn nên trình bày cả hai hoặc giải thích vì sao chọn một dòng theo thiết kế phân tích. Đừng cắt bảng theo cách làm mất thông tin cần thiết.
Lỗi cuối là xóa biến quan sát nhiều lần để giảm SRMR nhưng không cập nhật lại nội dung thang đo. Mỗi biến bị loại có thể làm thay đổi phạm vi khái niệm. Sau mỗi lần điều chỉnh, bạn cần kiểm tra lại reliability, convergent validity, discriminant validity và mô hình cấu trúc.
Câu hỏi thường gặp
SRMR là gì trong SmartPLS?
SRMR là chỉ số đo mức chênh lệch trung bình chuẩn hóa giữa tương quan trong dữ liệu và tương quan được mô hình ước lượng. Trong SmartPLS, chỉ số thường xuất hiện trong bảng Model Fit với Saturated model và Estimated model.
Bạn nên đọc SRMR cùng với chất lượng thang đo và structural model. SRMR một mình không đủ để chứng minh mô hình nghiên cứu phù hợp.
SRMR bao nhiêu là tốt?
Mốc thường được tham khảo là SRMR nhỏ hơn 0.08, nhưng trong PLS-SEM có thể gặp mốc dưới 0.10 tùy tài liệu và bối cảnh. Bạn cần ghi rõ nguồn, phương pháp SEM và loại mô hình khi nêu ngưỡng.
Không nên viết “SRMR dưới 0.10 luôn đạt”. Hãy xem thêm HTMT, outer loading, VIF, R² và kết quả bootstrapping trước khi kết luận.
SRMR trong SPSS có đọc được không?
Nếu bạn chỉ chạy Cronbach's Alpha, EFA hoặc hồi quy trong SPSS, bạn thường không thấy SRMR theo bảng Model Fit của SmartPLS. SPSS có các bảng như Reliability Statistics, KMO and Bartlett's Test và Coefficients, mỗi bảng phục vụ một thủ tục khác nhau.
Nếu bạn dùng AMOS, đó là quy trình CB-SEM và cần đọc các chỉ số phù hợp với AMOS. Không nên lấy ngưỡng của một phần mềm để áp vào mọi phân tích.
SRMR cao thì có phải xóa biến không?
SRMR cao không tự động có nghĩa phải xóa biến. Bạn cần kiểm tra dữ liệu, mã hóa, indicator, HTMT, VIF, quan hệ cấu trúc và cơ sở lý thuyết trước.
Nếu loại biến, hãy ghi lại lý do và kiểm tra lại toàn bộ measurement model. Việc giữ lại một biến có ý nghĩa nội dung đôi khi hợp lý hơn việc xóa biến chỉ để giảm một chỉ số.
Nên báo cáo Saturated model hay Estimated model?
Nếu SmartPLS hiển thị cả hai, bạn nên báo cáo cả hai hoặc giải thích rõ lựa chọn của mình. Saturated model cho phép các cấu trúc tương quan tự do, còn Estimated model phản ánh mô hình cấu trúc được vẽ và ước lượng.
Trong mọi trường hợp, hãy ghi tên dòng, giá trị SRMR và ngưỡng tham khảo. Cách trình bày này giúp người đọc biết bạn không lấy nhầm một con số từ output.
Cách viết SRMR vào luận văn như thế nào?
Bạn có thể điều chỉnh câu sau theo số liệu thật: “Kết quả đánh giá model fit cho thấy SRMR của Saturated model là [giá trị] và của Estimated model là [giá trị]. Đối chiếu với ngưỡng [ngưỡng] theo [nguồn], mô hình [đáp ứng/chưa đáp ứng] tiêu chí này. Kết quả được xem xét đồng thời với các chỉ số đo lường và mô hình cấu trúc.”
Không điền số minh họa vào luận văn của bạn. Hãy mở đúng file SmartPLS, sao chép giá trị của mô hình cuối cùng và lưu lại bảng output làm bằng chứng phân tích. Sau đó, nếu bạn cần chạy chỉ số trên file .sav hoặc .csv và viết tiếp phần diễn giải, có thể dùng M4 phân tích dữ liệu.