Thang đo không đạt độ tin cậy phải làm sao?

Hiện tượng bạn đang gặp

Bạn chạy Analyze > Scale > Reliability Analysis trong SPSS, chọn các biến quan sát của một thang đo rồi nhấn OK. Bảng Reliability Statistics hiện ra với Cronbach's Alpha thấp hơn mức bạn dự kiến, chẳng hạn 0.548 hoặc 0.632. Trong bảng Item-Total Statistics, một vài biến có Corrected Item-Total Correlation thấp, thậm chí mang giá trị âm.

Đây là lúc nhiều bạn vội xóa biến có hệ số thấp nhất rồi chạy lại liên tục cho đến khi Alpha tăng. Cách làm đó có thể tạo ra một con số đẹp nhưng làm thang đo mất nội dung lý thuyết. Bạn cần xác định đúng nguyên nhân, kiểm tra dữ liệu và chỉ loại biến khi có căn cứ.

Trước hết, phân biệt hai tình huống. Thang đo có thể không đạt vì toàn bộ các biến quan sát không cùng đo một khái niệm. Cũng có thể chỉ một biến bị nhập sai, chưa đảo chiều hoặc được người trả lời hiểu khác với các biến còn lại. Bạn có thể xem hướng dẫn nền tảng tại bài kiểm định độ tin cậy thang đo trong SPSS, sau đó quay lại file của mình để kiểm tra từng bước.

Nguyên nhân thường gặp

Bảng dưới đây giúp bạn khoanh vùng trước khi sửa. Cột cuối là thao tác kiểm tra trực tiếp trong file, không phải phán đoán chỉ dựa trên một con số.

Với thang đo khám phá, Alpha từ 0.6 có thể được chấp nhận trong một số bối cảnh theo (Hair và cộng sự, 2010). Mức 0.7 thường được dùng cho độ tin cậy của thang đo theo (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên thường được sử dụng làm mốc tham khảo theo (Nunnally và Bernstein, 1994). Các mốc này hỗ trợ quyết định, không thay thế việc đọc nội dung biến.

Bạn có thể xem thêm cách đọc Cronbach Alpha và trường hợp Item-Total Correlation nhỏ hơn 0.3 phải làm sao nếu lỗi của bạn tập trung ở một biến cụ thể.

Cách xử lý theo thứ tự ưu tiên

Hãy lưu một bản sao dữ liệu trước khi sửa. Đặt tên file theo vòng phân tích, chẳng hạn du_lieu_v1.sav, du_lieu_v2_loai_X3.sav. Bạn cần giữ được lịch sử vì giảng viên có thể hỏi biến nào bị loại và lý do là gì.

Kiểm tra mã hóa và biến đảo chiều trước

Nếu bảng hỏi dùng thang Likert 1 đến 5, một biến được viết theo hướng phủ định có thể cần đảo chiều. Với thang 1 đến 5, công thức thường có dạng 6 - biến_gốc. Tuy nhiên, bạn phải xác nhận khoảng đo thực tế trước khi tính. Nếu thang dùng 1 đến 7, hằng số tương ứng sẽ khác.

Trong SPSS, chọn Transform > Compute Variable. Tạo biến mới, chẳng hạn SAT3_R, thay vì ghi đè biến gốc. Sau đó kiểm tra bằng Analyze > Descriptive Statistics > Frequencies. Biến sau đảo chiều cần có khoảng giá trị hợp lệ và hướng diễn giải thống nhất với các biến còn lại.

Một lỗi phổ biến là đảo chiều cả biến vốn đã cùng hướng, hoặc đảo chiều theo công thức 5 trừ biến trong khi dữ liệu chạy từ 1 đến 7. Hai lỗi này có thể làm tương quan âm và kéo Alpha xuống rất mạnh.

Kiểm tra missing, mã ngoài khoảng và dữ liệu bất thường

Mở Analyze > Descriptive Statistics > Frequencies cho toàn bộ biến trong thang đo. Kiểm tra số lượng giá trị thiếu, giá trị nhỏ nhất và lớn nhất. Nếu bảng hỏi chỉ cho phép 1 đến 5 nhưng SPSS có giá trị 0, 6 hoặc 99, bạn cần xác định 99 là mã thiếu hay là dữ liệu thật.

Không tự động thay mọi giá trị lạ bằng trung bình. Trước tiên đối chiếu với bảng câu trả lời gốc hoặc quy tắc mã hóa. Nếu một người bỏ trống nhiều biến, việc giữ người đó trong phân tích có thể làm kết quả không ổn định. Quy tắc xử lý missing phải được ghi lại, áp dụng nhất quán và phù hợp với thiết kế nghiên cứu.

Chạy lại Reliability Analysis đúng danh sách biến

Vào Analyze > Scale > Reliability Analysis. Đưa các biến cùng đo một khái niệm vào ô Items, chọn Model: Alpha. Nhấn Statistics, đánh dấu Item, Scale và Scale if item deleted, sau đó chọn Continue và OK.

Đừng đưa các biến của nhiều khái niệm khác nhau vào một lần chạy chỉ để Alpha cao hơn. Mỗi lần chạy phải tương ứng với một thang đo, chẳng hạn PU1 đến PU5 cho Perceived Usefulness hoặc SAT1 đến SAT4 cho Satisfaction.

Xem Corrected Item-Total Correlation cùng nội dung biến

Trong bảng Item-Total Statistics, tập trung vào Corrected Item-Total Correlation. Biến dưới 0.3 là tín hiệu cần xem xét theo (Nunnally và Bernstein, 1994), nhưng chưa phải lệnh xóa tự động. Nếu biến có nội dung bắt buộc để bao quát khái niệm, bạn cần trao đổi với giảng viên thay vì loại chỉ vì một mốc số.

Đọc thêm cột Cronbach's Alpha if Item Deleted. Nếu Alpha tăng rất ít, chẳng hạn từ 0.681 lên 0.688, lợi ích của việc xóa biến có thể không đủ để mất một nội dung đo lường. Nếu Alpha tăng đáng kể và biến có tương quan thấp, việc loại có thể hợp lý hơn, sau khi kiểm tra lỗi mã hóa và cơ sở lý thuyết.

Loại từng biến, không xóa hàng loạt

Nếu đã xác định một biến có lỗi, bỏ biến đó khỏi ô Items và chạy lại. Ghi lại Alpha trước và sau, Item-Total Correlation, lý do loại và số biến còn lại. Sau mỗi vòng, xem lại toàn bộ bảng vì khi cấu trúc thang đo thay đổi, các hệ số của những biến còn lại cũng thay đổi.

Không nên loại cùng lúc ba hoặc bốn biến chỉ vì chúng có giá trị thấp. Làm vậy khiến bạn không biết biến nào thực sự gây vấn đề và có thể làm thang đo chỉ còn hai biến. Một thang đo quá ngắn cần được giải thích rõ trong chương phương pháp và phần hạn chế.

Kiểm tra lại cấu trúc bằng EFA khi cần

Nếu nhiều biến có tương quan thấp hoặc Alpha của một thang đo giảm sau nhiều lần kiểm tra, vấn đề có thể nằm ở cấu trúc khái niệm. Khi đó, chạy EFA để xem các biến có hội tụ vào cùng nhân tố hay bị tải chéo. Trong SPSS, dùng Analyze > Dimension Reduction > Factor.

EFA không phải công cụ để ép mọi biến vào kết quả mong muốn. KMO từ 0.5 trở lên và Bartlett's Test có ý nghĩa thường được dùng để xem dữ liệu có phù hợp phân tích nhân tố theo (Kaiser, 1974). Factor loading từ 0.5 trở lên là một mốc tham khảo thường được trích dẫn theo (Hair và cộng sự, 2010). Bạn cần xem đồng thời nội dung biến, loading, tải chéo và số nhân tố.

Bảng số liệu minh họa từ output SPSS

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Nó mô phỏng các cột bạn sẽ thấy trong Reliability Statistics và Item-Total Statistics.

Trong ví dụ này, SAT3 là ứng viên cần kiểm tra vì tương quan thấp và Alpha tăng khi loại. Người phân tích vẫn phải xem SAT3 có bị đảo chiều, nhập sai mã hoặc diễn đạt khác hướng hay không. Chỉ khi các kiểm tra đó không phát hiện lỗi và nội dung biến không thiết yếu, việc loại SAT3 mới có cơ sở.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một bảng hỏi được thiết kế sai. Nếu nhiều biến trong cùng thang đo đều có tương quan thấp, người trả lời hiểu câu hỏi theo nhiều hướng hoặc mẫu thu thập không đúng đối tượng, việc xóa biến sẽ chỉ che dấu vấn đề.

Bạn nên cân nhắc thu thêm dữ liệu khi số quan sát hợp lệ quá ít so với số biến, tỷ lệ missing cao, nhiều người chọn cùng một mức cho toàn bộ bảng hỏi, hoặc mẫu hiện tại không đúng tiêu chí chọn mẫu. Với thiết kế thang đo, mốc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn theo (Hair và cộng sự, 2010), nhưng cỡ mẫu thực tế còn phụ thuộc mô hình và kế hoạch phân tích.

Thu thêm dữ liệu không bảo đảm Alpha sẽ tăng. Bạn cần sửa câu chữ hoặc quy trình mã hóa trước, sau đó ghi rõ phiên bản bảng hỏi và tiêu chí chọn người trả lời. Nếu đã thu xong và không thể thu lại, hãy báo cáo giới hạn này thay vì tạo nhiều phiên bản dữ liệu để tìm kết quả đẹp.

Cách giải trình với giảng viên hướng dẫn

Khi gửi kết quả, đừng chỉ nói “thang đo không đạt”. Hãy gửi bảng Alpha, Item-Total Correlation, danh sách biến, cách mã hóa và lịch sử các vòng chạy. Giảng viên cần thấy bạn đã kiểm tra lỗi kỹ thuật trước khi đề xuất loại biến.

Bạn có thể điều chỉnh đoạn sau trong luận văn:

“Thang đo [tên khái niệm] gồm [số biến] biến quan sát. Kết quả kiểm định lần đầu cho thấy Cronbach's Alpha đạt [giá trị], trong đó biến [mã biến] có Corrected Item-Total Correlation bằng [giá trị]. Sau khi kiểm tra mã hóa và đối chiếu nội dung thang đo, biến [mã biến] được [giữ lại/loại bỏ] vì [lý do]. Phân tích lại với [số biến] biến còn lại cho thấy Cronbach's Alpha đạt [giá trị].”

Cách viết này giúp tách ba việc: kết quả thống kê, kiểm tra dữ liệu và quyết định phương pháp. Bạn không nên viết rằng biến bị loại “vì làm Alpha tăng” mà không nói thêm về nội dung và cơ sở lựa chọn.

Cách phòng từ bước thiết kế

Trước khi phát bảng hỏi chính thức, lập bảng mã biến gồm tên biến, nội dung, chiều đo, mức trả lời và cách xử lý nếu là biến đảo chiều. Tên biến trong SPSS nên ngắn, nhất quán và không dùng dấu cách. Lưu riêng bảng hỏi, codebook và file dữ liệu gốc.

Thang đo cần xuất phát từ khái niệm rõ ràng. Mỗi biến quan sát nên đo một ý, dùng từ phù hợp với nhóm người trả lời và giữ cùng hướng diễn giải nếu có thể. Nếu điều chỉnh bản dịch, đọc lại toàn bộ các biến như một nhóm thay vì chỉ kiểm tra từng câu riêng lẻ.

Khi chạy thử, hãy theo dõi thời gian trả lời, giá trị thiếu và các câu bị bỏ qua nhiều. Bạn có thể dùng cronbach alpha trong SPSS để kiểm tra quy trình thao tác, nhưng vẫn phải lưu dữ liệu gốc và ghi rõ mẫu thử hay mẫu chính thức.

Nếu nghiên cứu dùng SmartPLS, đừng thay Cronbach's Alpha bằng một kết luận chung cho mọi mô hình. PLS-SEM còn xem xét Composite Reliability, AVE, outer loading và HTMT. Composite Reliability là chỉ số khác với Alpha, bạn có thể xem Composite Reliability là gì trước khi chuyển sang đánh giá measurement model.

Lỗi thường gặp khi sửa

Xóa biến chỉ vì Alpha thấp hơn 0.7

Mốc 0.7 của (Nunnally, 1978) là một hướng dẫn phổ biến, còn thang đo khám phá có thể được xem xét ở mức thấp hơn theo (Hair và cộng sự, 2010). Bạn cần nhìn bối cảnh, số biến, nội dung khái niệm và kết quả các kiểm định liên quan.

Chọn phiên bản có Alpha cao nhất

Alpha tăng khi số biến tăng hoặc khi các biến tương quan với nhau, nhưng Alpha cao không chứng minh thang đo có giá trị nội dung hay giá trị phân biệt. Một thang đo quá hẹp có thể cho Alpha tốt nhưng không bao quát khái niệm cần đo.

Ghi đè dữ liệu gốc

Khi đảo chiều hoặc loại trường hợp, hãy lưu bản sao và ghi lại cú pháp nếu có. Nếu chỉ còn một file đã sửa, bạn khó giải trình quy trình và khó phục hồi khi phát hiện mã hóa sai.

Gộp các thang đo để cứu Alpha

Gộp biến từ các khái niệm khác nhau làm mất ý nghĩa mô hình. Mỗi thang đo cần được kiểm định theo cấu trúc lý thuyết của đề tài, sau đó mới dùng điểm tổng hợp hoặc biến đại diện trong phân tích tiếp theo.

Câu hỏi thường gặp

Thang đo có Cronbach's Alpha 0.6 có đạt không?

Có thể được chấp nhận trong nghiên cứu khám phá hoặc giai đoạn đầu, khi có lý do phương pháp phù hợp. (Hair và cộng sự, 2010) thường được trích dẫn cho Alpha từ 0.6 trong thang đo mới hoặc mang tính khám phá. Bạn vẫn cần xem Corrected Item-Total Correlation và giải thích bối cảnh.

Item-Total Correlation nhỏ hơn 0.3 có phải loại ngay không?

Chưa. Hãy kiểm tra biến đảo chiều, mã ngoài khoảng, missing và nội dung câu hỏi trước. Nếu biến vẫn thấp, Alpha if Item Deleted tăng hợp lý và việc loại không làm mất nội dung quan trọng, bạn có thể đề xuất loại rồi chạy lại.

Vì sao đã loại biến nhưng Cronbach's Alpha vẫn thấp?

Có thể nhiều biến cùng không đo một khái niệm, dữ liệu có lỗi hoặc thang đo không phù hợp bối cảnh. Xóa tiếp các biến còn lại để ép Alpha tăng thường làm kết quả khó bảo vệ. Hãy xem lại codebook, tương quan giữa biến và cấu trúc EFA.

Có nên loại biến để còn đúng ba biến quan sát không?

Ba biến có thể vẫn được sử dụng trong một số thiết kế, nhưng bạn cần căn cứ vào lý thuyết và báo cáo rõ quá trình. Nếu loại quá nhiều biến, hãy trao đổi với giảng viên về việc giữ biến có ý nghĩa nội dung hoặc xem lại thang đo thay vì chỉ theo đuổi Alpha.

Cronbach's Alpha đạt rồi có cần chạy EFA không?

Alpha chỉ phản ánh một khía cạnh của độ nhất quán nội tại. Nếu đề tài có nhiều thang đo và mục tiêu là kiểm tra cấu trúc các biến quan sát, EFA vẫn có thể cần thiết theo thiết kế nghiên cứu. Alpha đạt không chứng minh các biến chắc chắn hội tụ thành một nhân tố duy nhất.

Mở file SPSS của bạn, tạo một bản sao, kiểm tra mã hóa trước rồi chạy lại từng thang đo với bảng ghi nhận Alpha và Item-Total Correlation qua mỗi vòng. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv và giữ lại lịch sử xử lý, xem M4 phân tích dữ liệu.