Thang đo bậc hai là gì? Cách đọc và đánh giá trên SmartPLS
Thang đo bậc hai là gì
Bạn có một biến tiềm ẩn tổng quát, chẳng hạn như chất lượng dịch vụ, được hình thành từ nhiều thành phần nhỏ hơn như độ tin cậy, khả năng đáp ứng và sự đồng cảm. Khi mô hình có cấu trúc như vậy, biến tổng quát được gọi là thang đo bậc hai, hay higher-order construct. Các thành phần nhỏ hơn là construct bậc một, còn biến tổng quát ở cấp trên là construct bậc hai.
Trong SmartPLS, thang đo bậc hai giúp bạn mô hình hóa một khái niệm có nhiều chiều mà vẫn giữ được cấu trúc lý thuyết. Ví dụ, thay vì đưa riêng năm biến độc lập vào mô hình, bạn có thể dùng một biến bậc hai là chất lượng dịch vụ, được tạo thành từ năm thành phần.
Cần phân biệt hai mối quan hệ. Nếu construct bậc hai được đo bởi các construct bậc một, bạn đang mô hình hóa phần higher-order. Bên trong từng construct bậc một, các biến quan sát lại có thể là reflective hoặc formative. Vì vậy, thang đo bậc hai không tự động đồng nghĩa với formative.
Một mô hình thường có dạng:
Construct bậc hai = f(Construct bậc một 1, Construct bậc một 2, ..., Construct bậc một k)
Cách chọn f phụ thuộc vào lý thuyết. Bạn không nên chọn formative chỉ vì SmartPLS chạy được, cũng không nên chọn reflective chỉ vì các chỉ số CR và AVE trông đẹp. Nếu cần ôn lại nền tảng, bạn có thể xem biến tiềm ẩn là gì, PLS-SEM và mô hình SEM.
Ý nghĩa của thang đo bậc hai trong nghiên cứu định lượng
Thang đo bậc hai giải quyết một vấn đề rất cụ thể: khái niệm nghiên cứu của bạn có nhiều thành phần, nhưng giả thuyết lại cần kiểm định tác động của toàn bộ khái niệm. Chẳng hạn, bạn muốn kiểm định “chất lượng dịch vụ ảnh hưởng đến sự hài lòng”, trong khi chất lượng dịch vụ gồm nhiều chiều riêng biệt.
Mô hình bậc hai giúp giảm việc diễn giải quá nhiều đường dẫn. Thay vì kiểm định từng thành phần với biến kết quả, bạn có thể kiểm định một đường dẫn từ construct tổng quát. Đây là quyết định về mô hình lý thuyết, không phải thủ thuật để làm cho output đẹp hơn.
Bạn cần xác định ba điểm trước khi chạy. Thứ nhất, các construct bậc một có thật sự thuộc cùng một khái niệm tổng quát hay chỉ là các biến độc lập khác nhau. Thứ hai, quan hệ giữa biến quan sát và construct bậc một là reflective hay formative. Thứ ba, quan hệ giữa construct bậc một và construct bậc hai là reflective hay formative.
Trong PLS-SEM, bạn thường đánh giá mô hình đo lường trước, sau đó mới đánh giá mô hình cấu trúc. Quy trình hai bước đo lường rồi cấu trúc được trình bày trong thực hành SEM của (Anderson và Gerbing, 1988). Khi dùng SmartPLS, bạn có thể xem thêm chủ đề SmartPLS để đối chiếu tên bảng và vị trí chức năng theo phiên bản.
Hai cách triển khai hay gặp là repeated indicators approach và two-stage approach. Repeated indicators đưa các biến quan sát của construct bậc một lặp lại dưới construct bậc hai. Two-stage approach chạy mô hình bậc một trước, lưu latent variable scores, rồi dùng các scores đó để chạy mô hình bậc hai. Với mô hình phức tạp hoặc có nhiều biến quan sát, two-stage thường dễ kiểm soát dữ liệu và dễ giải thích hơn.
Thang đo bậc hai bao nhiêu là đạt
Không có một con số duy nhất trả lời cho câu hỏi “thang đo bậc hai bao nhiêu là tốt”. Bạn phải nhìn đúng nhóm chỉ số theo loại đo lường. Với reflective, trọng tâm là outer loading, Cronbach's Alpha, rho_A, composite reliability, AVE và HTMT. Với formative, trọng tâm chuyển sang outer VIF, significance và relevance của outer weights, cùng khả năng giải thích về mặt nội dung.
Bảng dưới đây là ngưỡng tham khảo thường dùng. Mỗi ngưỡng cần được đọc cùng nguồn và loại mô hình tương ứng.
| Chỉ số trên output | Ngưỡng tham khảo | Dùng cho | Nguồn |
|---|---|---|---|
| Outer loading | Từ 0.7 trở lên | Reflective | (Chin, 1998), (Hair và cộng sự, 2022) |
| Cronbach's Alpha | Từ 0.7 trở lên | Độ tin cậy reflective | (Nunnally, 1978) |
| Composite Reliability | Từ 0.7 trở lên | Độ tin cậy reflective | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | Giá trị hội tụ reflective | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc 0.90 với khái niệm gần nhau | Giá trị phân biệt | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | Kiểm tra đa cộng tuyến formative | (Hair và cộng sự, 2019) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | Kích thước tác động | (Cohen, 1988) |
| R² | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | Construct nội sinh | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | Khả năng dự báo | (Stone, 1974), (Hair và cộng sự, 2022) |
Đây là ngưỡng tham khảo, không phải giấy phép loại biến tự động. Một outer loading 0.68 cần được xem cùng CR, AVE, nội dung biến quan sát và lý thuyết. Đối với higher-order formative, bạn không kết luận đạt chỉ vì AVE hoặc Cronbach's Alpha cao, vì các chỉ số đó chủ yếu phù hợp với logic reflective.
Với mô hình PLS-SEM, các chỉ số CFI, TLI và RMSEA thuộc nhóm fit index của CB-SEM. Bạn có thể đọc thêm CB-SEM là gì, nhưng không đưa các ngưỡng đó vào phần đánh giá thang đo bậc hai trên SmartPLS nếu thiết kế nghiên cứu của bạn là PLS-SEM.
Cách đọc thang đo bậc hai trên output
Trong SmartPLS 4, hãy mở kết quả sau khi chạy PLS-Algorithm và Bootstrapping. Tên bảng có thể hơi khác theo màn hình kết quả, nhưng bạn cần tập trung vào Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Inner VIF Values, Path Coefficients và Total Effects.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử construct bậc hai CLDV được tạo bởi ba construct bậc một là TC, DU và DC.
| Bảng trên SmartPLS | Quan hệ hoặc chỉ số | Original Sample (O) | T Statistics | P Values | Cách đọc minh họa |
|---|---|---|---|---|---|
| Path Coefficients | TC -> CLDV | 0.842 | 18.431 | 0.000 | Thành phần TC có quan hệ dương mạnh với CLDV |
| Path Coefficients | DU -> CLDV | 0.731 | 11.208 | 0.000 | Thành phần DU có quan hệ dương với CLDV |
| Path Coefficients | DC -> CLDV | 0.664 | 8.947 | 0.000 | Thành phần DC có quan hệ dương với CLDV |
| Outer Loadings | CLDV1 -> TC | 0.812 | 24.510 | 0.000 | Biến quan sát minh họa đạt loading |
| Construct Reliability and Validity | CLDV, Composite Reliability | 0.901 | Không áp dụng | Không áp dụng | Độ tin cậy tổng hợp minh họa đạt |
| Construct Reliability and Validity | CLDV, Average Variance Extracted | 0.694 | Không áp dụng | Không áp dụng | AVE minh họa đạt ngưỡng hội tụ |
| Discriminant Validity | HTMT, TC với DU | 0.781 | Không áp dụng | Không áp dụng | Giá trị phân biệt minh họa đạt |
| Inner VIF Values | DU -> CLDV | 2.146 | Không áp dụng | Không áp dụng | Chưa có dấu hiệu đa cộng tuyến cao |
Nếu quan hệ giữa các thành phần và construct bậc hai là reflective, bạn đọc outer loading hoặc path loading của từng thành phần, sau đó đọc CR, AVE và HTMT. Nếu quan hệ là formative, bạn đọc outer weights, bootstrapped confidence intervals và VIF. Một weight có p-value lớn không lập tức chứng minh thành phần không có giá trị, nhất là khi outer loading vẫn cho thấy relevance và lý thuyết xác định thành phần đó là cần thiết.
Khi chạy Bootstrapping, Hair và cộng sự (2022) khuyến nghị 5.000 bootstrap subsamples cho quy trình PLS-SEM. Bạn đọc T Statistics, P Values và khoảng tin cậy bootstrap theo đúng giả thuyết đã đặt ra. Đừng lấy p-value của một chỉ số trong bảng này để kết luận cho toàn bộ thang đo.
Khi thang đo bậc hai không đạt thì xử lý thế nào
Hãy xử lý theo thứ tự từ dữ liệu đến mô hình, thay vì xóa biến ngay khi nhìn thấy một số màu đỏ.
Trước hết, kiểm tra tên cột, kiểu dữ liệu và chiều mã hóa. Một biến đảo chiều chưa được recode có thể làm tương quan giữa các biến quan sát sai lệch. Kiểm tra cả giá trị thiếu, dòng trả lời bất thường và việc nhập nhầm thang Likert.
Tiếp theo, xác định construct nào không đạt. Nếu chỉ một biến quan sát có loading thấp, xem lại nội dung và corrected item-total correlation ở bước Cronbach's Alpha. Với thang đo khám phá, alpha từ 0.6 có thể được cân nhắc trong bối cảnh phù hợp (Hair và cộng sự, 2010), nhưng bạn cần giải thích lý do, không dùng con số này để biện minh máy móc.
Nếu loại một biến làm CR hoặc AVE tăng, hãy kiểm tra xem biến đó có phải là thành phần lý thuyết bắt buộc không. Việc loại nhiều biến chỉ để đạt ngưỡng có thể khiến construct mất nội dung. Ghi lại từng vòng chạy, mã biến bị loại và lý do loại trong file theo dõi.
Với formative, xem VIF trước. Nếu VIF cao, kiểm tra các thành phần có trùng nội dung hay không. Sau đó xem outer weight, khoảng tin cậy bootstrap và outer loading. Thành phần có weight không có ý nghĩa thống kê vẫn có thể được giữ nếu có cơ sở lý thuyết và loading cho thấy contribution tuyệt đối đáng kể.
Nếu mô hình bậc hai vẫn không hợp lý, hai phương án chấp nhận được là quay lại cấu trúc lý thuyết hoặc tách construct bậc một thành các biến riêng. Bạn cần trao đổi với giảng viên trước khi thay đổi giả thuyết. Xóa construct hoặc đổi reflective sang formative chỉ để đạt số đẹp là điểm hội đồng có thể hỏi lại.
Phân biệt thang đo bậc hai với thang đo cấu tạo và thang đo phản ánh
Thang đo cấu tạo thường được gọi là formative measurement. Các biến quan sát hoặc các thành phần tạo nên construct. Khi một thành phần thay đổi, construct có thể thay đổi theo. Các thành phần không nhất thiết phải tương quan cao và việc xóa một thành phần có thể làm thay đổi phạm vi khái niệm.
Thang đo phản ánh thường được gọi là reflective measurement. Construct tiềm ẩn được xem là nguyên nhân biểu hiện qua các biến quan sát. Các biến quan sát thường có xu hướng tương quan, có thể thay thế ở mức nhất định và được đánh giá bằng loading, reliability, AVE và discriminant validity.
Vì vậy, câu hỏi “thang đo cấu tạo bao nhiêu là tốt” không thể trả lời bằng Cronbach's Alpha בלבד. Với formative, hãy quan tâm VIF, outer weights, significance, relevance và giá trị nội dung. Câu hỏi “thang đo phản ánh bao nhiêu là tốt” thường liên quan đến loading từ 0.7, CR từ 0.7, AVE từ 0.5 và HTMT dưới ngưỡng phù hợp, với các nguồn đã nêu ở trên.
Trong SPSS, bạn có thể chạy Cronbach's Alpha cho một nhóm biến reflective qua Analyze > Scale > Reliability Analysis. SPSS hỗ trợ kiểm tra độ tin cậy và hồi quy, nhưng không trực tiếp biểu diễn đầy đủ higher-order construct như quy trình PLS-SEM trong SmartPLS. Vì vậy, cụm tìm kiếm “thang đo cấu tạo trong SPSS” và “thang đo phản ánh trong SPSS” thường dẫn đến việc kiểm tra item trước, còn mô hình bậc hai nên được đánh giá trên SmartPLS nếu đó là thiết kế PLS-SEM.
Đừng nhầm thang đo bậc hai với thang đo cấu tạo. Bậc hai nói về cấp độ của construct trong mô hình. Cấu tạo và phản ánh nói về hướng quan hệ đo lường. Một thang đo bậc hai có thể là reflective-reflective, reflective-formative, formative-reflective hoặc formative-formative, tùy mô hình lý thuyết.
Lỗi thường gặp
Lỗi đầu tiên là gọi tất cả mô hình nhiều chiều là thang đo bậc hai. Nếu các thành phần không cùng tạo nên một construct tổng quát, bạn có thể đang có nhiều construct bậc một độc lập.
Lỗi thứ hai là dùng Cronbach's Alpha cho formative. Alpha thấp trong formative không tự động cho thấy thang đo hỏng, vì các thành phần formative có thể không cần tương quan cao.
Lỗi thứ ba là nhìn P Values của outer weight rồi xóa ngay thành phần. Bạn cần đọc cùng VIF, outer loading, khoảng tin cậy và cơ sở lý thuyết.
Lỗi thứ tư là dùng repeated indicators nhưng không kiểm tra sự phù hợp của dữ liệu. Khi lặp lại nhiều biến quan sát dưới construct bậc hai, mô hình có thể lớn và khó diễn giải. Two-stage approach thường phù hợp hơn khi số construct bậc một hoặc số biến quan sát nhiều.
Lỗi thứ năm là báo cáo “thang đo đạt” nhưng không nói rõ loại đo lường. Trong chương 4, bạn nên ghi rõ construct bậc hai là reflective hay formative, dùng phương pháp nào, chỉ số nào được kiểm tra và biến nào bị loại.
Cách viết vào luận văn có thể điều chỉnh như sau: “Kết quả đánh giá mô hình đo lường cho thấy các construct bậc một của [TÊN CONSTRUCT BẬC HAI] có [outer loading/outer weight] phù hợp với mô hình [reflective/formative]. Chỉ số [CR/AVE/HTMT/VIF] lần lượt đạt [GIÁ TRỊ], do đó mô hình được giữ lại để đánh giá mô hình cấu trúc.” Hãy thay toàn bộ phần trong ngoặc bằng số liệu thật từ file SmartPLS của bạn.
Câu hỏi thường gặp
Thang đo bậc hai bao nhiêu là tốt?
Không có một ngưỡng duy nhất cho toàn bộ thang đo bậc hai. Nếu là reflective, thường kiểm tra loading từ 0.7, CR từ 0.7, AVE từ 0.5 và HTMT dưới 0.85 hoặc 0.90 tùy mức độ gần nhau của khái niệm. Nếu là formative, kiểm tra VIF dưới 5, outer weights và relevance.
Thang đo cấu tạo là gì và có cần Cronbach's Alpha không?
Thang đo cấu tạo là formative, trong đó các biến hoặc thành phần tạo nên construct. Cronbach's Alpha không phải tiêu chí chính cho formative. Bạn nên kiểm tra đa cộng tuyến, significance và relevance của outer weights, đồng thời giải thích nội dung của từng thành phần.
Thang đo phản ánh là gì và đọc ở đâu trong SmartPLS?
Thang đo phản ánh là reflective, trong đó construct tiềm ẩn biểu hiện qua các biến quan sát. Trên SmartPLS, bạn đọc Outer Loadings, Construct Reliability and Validity và Discriminant Validity, sau đó xem kết quả Bootstrapping khi cần kiểm tra ý nghĩa thống kê.
Có thể chạy thang đo bậc hai trong SPSS không?
SPSS có thể hỗ trợ kiểm tra từng nhóm biến, chẳng hạn Cronbach's Alpha và hồi quy, nhưng không phải công cụ thuận tiện để đánh giá đầy đủ higher-order construct trong PLS-SEM. Nếu đề tài dùng PLS-SEM, bạn nên thiết lập mô hình bậc hai và đánh giá nó trên SmartPLS.
Outer weight không có ý nghĩa thì có phải xóa thành phần không?
Chưa chắc. Hãy kiểm tra VIF, outer loading, khoảng tin cậy bootstrap và vai trò lý thuyết của thành phần. Nếu thành phần cần thiết để giữ phạm vi nội dung, bạn có thể giữ và giải trình. Nếu không có cơ sở lý thuyết, trùng nội dung và gây đa cộng tuyến, mới cân nhắc loại hoặc điều chỉnh mô hình.
Mở file dữ liệu của bạn, xác định từng construct bậc một, ghi rõ quan hệ reflective hay formative, rồi chạy PLS-Algorithm và Bootstrapping theo đúng mô hình đã đăng ký; nếu cần xử lý trực tiếp file .sav hoặc .csv và kiểm tra output thật, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.