Kiểm định Harman’s one-factor, còn được gọi là Harman’s single-factor test (kiểm định đơn nhân tố Harman), là một kỹ thuật được sử dụng rộng rãi trong nghiên cứu định lượng nhằm phát hiện hiện tượng sai lệch phương pháp chung, bao gồm Common Method Bias (CMB) hoặc Common Method Variance (CMV).
1. Khái niệm Common Method Variance (CMV) và Common Method Bias (CMB)
CMB hoặc CMV (sau đây được gọi chung là CMB) là hiện tượng trong đó sự biến thiên của dữ liệu nghiên cứu được giải thích bởi phương pháp đo lường được sử dụng, thay vì bởi các biến lý thuyết mà phương pháp đó hướng tới đo lường. Nói cách khác, sự biến thiên của dữ liệu trong một nghiên cứu có thể được giải thích bởi hai nguồn chính:
1. Thứ nhất, sự biến thiên xuất phát từ các biến trong mô hình nghiên cứu, đây là trường hợp mong muốn và phản ánh đúng bản chất của mối quan hệ lý thuyết.
2. Thứ hai, sự biến thiên xuất phát từ sai lệch do việc sử dụng cùng một phương pháp đo lường cho tất cả các biến trong mô hình, được gọi là CMB, đây là hiện tượng không mong muốn và cần được phát hiện cũng như kiểm soát.
Hiện tượng CMB có thể phát sinh từ nhiều nguyên nhân khác nhau.
– Một trong những nguyên nhân phổ biến là việc sử dụng cùng một nguồn thu thập dữ liệu cho toàn bộ các biến trong mô hình. Khi các biến độc lập, biến trung gian và biến phụ thuộc đều được thu thập từ cùng một nguồn, chẳng hạn thông qua bảng hỏi khảo sát với dữ liệu sơ cấp, người trả lời có thể bị ảnh hưởng bởi xu hướng trả lời theo chuẩn mực xã hội, kỳ vọng của người nghiên cứu, hoặc trạng thái cảm xúc cá nhân tại thời điểm khảo sát.
– Ngoài ra, các đặc điểm của công cụ đo lường cũng có thể góp phần tạo ra CMB. Cách thức trình bày câu hỏi, định dạng thang đo, điểm cuối của thang đo hoặc cách sử dụng từ ngữ có thể khiến người tham gia có xu hướng đưa ra các câu trả lời tương tự hoặc mang tính hệ thống, dẫn đến sai lệch trong dữ liệu.
– Yếu tố thời gian cũng là một nguyên nhân tiềm ẩn của CMB. Người tham gia có thể nhớ lại các câu trả lời trước đó hoặc chịu ảnh hưởng bởi các sự kiện xảy ra gần thời điểm khảo sát, từ đó làm cho câu trả lời không phản ánh chính xác quan điểm hoặc hành vi thực tế.
– Bên cạnh đó, đặc điểm của mẫu nghiên cứu cũng có thể góp phần làm gia tăng CMB. Khi mẫu nghiên cứu bao gồm các cá nhân có những đặc tính tương đồng, chẳng hạn như nhân viên trong cùng một tổ chức, họ có thể chia sẻ các quan điểm, kinh nghiệm hoặc môi trường làm việc giống nhau, từ đó ảnh hưởng đến cách họ trả lời các câu hỏi khảo sát.
– Cuối cùng, sự thiếu hợp tác của đáp viên cũng có thể gây ra CMB. Một số người tham gia có thể có xu hướng đồng ý với các phát biểu trong bảng hỏi mà không xem xét kỹ nội dung, dẫn đến việc các mối quan hệ giữa các biến bị phóng đại hoặc phản ánh không chính xác.
Common Method Bias có thể làm sai lệch các ước lượng tham số về mối quan hệ giữa các nhân tố trong mô hình nghiên cứu. Loại sai lệch này có thể làm tăng hoặc làm giảm mức độ ước lượng của mối quan hệ giữa các nhân tố (Antonakis và cộng sự, 2010). Theo Podsakoff và cộng sự (2012), tùy thuộc vào việc CMB tác động theo hướng làm tăng hay làm giảm mối quan hệ giữa các biến, hiện tượng này có thể dẫn đến:
(1) ảnh hưởng đến kết quả kiểm định các giả thuyết trong mô hình nghiên cứu;
(2) gây ra đánh giá sai lệch về lượng phương sai của biến phụ thuộc được giải thích bởi một hoặc nhiều biến độc lập; và
(3) làm phóng đại hoặc làm suy giảm mức độ phân biệt giữa các nhân tố trong mô hình.
2. Kiểm định Harman’s one-factor được sử dụng nhằm mục đích gì?
2.1 Mục đích
Kiểm định Harman’s single-factor được đặt theo tên của Donald Harman, người lần đầu đề xuất phương pháp này vào năm 1967. Đây là một trong những kỹ thuật được sử dụng tương đối phổ biến để đánh giá sai lệch do phương pháp chung, với khoảng 12% các nghiên cứu thực nghiệm áp dụng kiểm định này (Cooper và cộng sự, 2020). Tuy nhiên, một số học giả cho rằng kiểm định Harman chưa thực sự mang lại độ chính xác cao trong việc phát hiện CMB, do bản thân Harman không đưa ra ngưỡng cụ thể về tỷ lệ phương sai trích được để làm căn cứ kết luận sự tồn tại hay không tồn tại của CMB. Quan điểm này đã được Podsakoff và cộng sự (2003) nhấn mạnh khi cho rằng việc sử dụng kiểm định Harman cần được cân nhắc thận trọng.
2.2 Cơ chế đánh giá CMB của kiểm định Harman’s single-factor
Theo Podsakoff và cộng sự (2003), kiểm định Harman’s single-factor được triển khai thông qua phân tích nhân tố khám phá (EFA) theo các bước cơ bản như sau:
Toàn bộ các biến quan sát thuộc tất cả các nhân tố trong mô hình nghiên cứu được đưa vào phân tích EFA đồng thời, không sử dụng phép xoay nhân tố. Mục tiêu của bước này là xác định số lượng nhân tố được trích có khả năng giải thích phương sai của các biến quan sát tham gia phân tích. Hiện tượng sai lệch do phương pháp chung được cho là có khả năng tồn tại khi xảy ra một trong hai trường hợp sau:
(1) Phân tích nhân tố chỉ trích xuất duy nhất một nhân tố.
Trong quá trình thực hiện EFA, phương pháp trích được sử dụng là Principal Components Analysis (PCA), không áp dụng phép xoay nhân tố và sử dụng tiêu chí trích mặc định là Eigenvalue lớn hơn 1. Sau đó, số lượng nhân tố được trích ra từ mô hình được xem xét để đưa ra nhận định.
Chẳng hạn, trong hình minh họa số 1 khi tiến hành EFA trên phần mềm SPSS với dữ liệu gồm 3 nhân tố và tổng cộng 10 biến quan sát, kết quả chỉ trích xuất được một nhân tố duy nhất, cho thấy khả năng tồn tại hiện tượng CMB trong bộ dữ liệu này. Ngược lại, ở hình minh họa số 2, cũng với 3 nhân tố và 10 biến quan sát tham gia EFA nhưng kết quả trích xuất được 3 nhân tố, từ đó có thể nhận định rằng dữ liệu có khả năng không gặp phải hiện tượng CMB. Tuy nhiên, kết luận này chỉ mang tính tương đối và cần được kiểm chứng thêm thông qua trường hợp đánh giá thứ hai.
(2) Phân tích nhân tố với một nhân tố tổng hợp nhằm giải thích phần lớn hiệp phương sai giữa các biến đo lường.
Trong quá trình thực hiện phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA), phương pháp trích được sử dụng là Principal Components Analysis (PCA), không áp dụng phép xoay nhân tố và cố định số nhân tố trích là một. Sau đó, mức độ phù hợp của mô hình được đánh giá thông qua tỷ lệ phần trăm phương sai được giải thích bởi nhân tố duy nhất này.
Chẳng hạn, kết quả EFA được thực hiện trên phần mềm SPSS với ba nhân tố ban đầu và tổng cộng mười biến quan sát tham gia phân tích cho thấy một nhân tố tổng hợp được trích có khả năng giải thích 58.455% phương sai của các biến quan sát. Do giá trị này vượt ngưỡng 50%, có thể kết luận rằng dữ liệu tồn tại hiện tượng sai lệch phương pháp chung (Common Method Bias – CMB).
3. Quy trình thực hiện kiểm định Harman’s one-factor bằng EFA trên SPSS
Theo cơ sở lý thuyết được đề xuất bởi Podsakoff và cộng sự (2003), kiểm định Harman’s one-factor bao gồm hai trường hợp đánh giá. Tuy nhiên, trong thực tiễn nghiên cứu, trường hợp thứ nhất ít khi được áp dụng, do đó phân tích thường tập trung vào trường hợp thứ hai.
Cụ thể, nếu nhân tố duy nhất được trích từ EFA giải thích hơn 50% tổng phương sai của các biến quan sát, có thể kết luận rằng dữ liệu nghiên cứu tồn tại sai lệch phương pháp chung. Ngược lại, nếu tỷ lệ phương sai được giải thích nhỏ hơn 50%, có thể kết luận rằng CMB không phải là vấn đề đáng lo ngại trong dữ liệu (theo Cooper và cộng sự, 2020).
* Lưu ý rằng ngưỡng 50% phương sai trích được sử dụng trong đánh giá này được đề xuất bởi một số tác giả, bao gồm Cooper và cộng sự (2020), chứ không phải do chính Donald Harman đưa ra trong nghiên cứu ban đầu.
Cách thức triển khai trên phần mềm SPSS:
Bước 1: Tiến hành phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) theo quy trình hướng dẫn đã được trình bày trong các tài liệu phương pháp nghiên cứu bài viết này. Trên giao diện phần mềm SPSS, lựa chọn Analyze > Dimension Reduction > Factor… Sau đó, đưa toàn bộ các biến quan sát thuộc tất cả các thang đo nghiên cứu vào thực hiện phân tích EFA trong cùng một lần.
Bước 2: Trong hộp thoại Descriptives, có thể lựa chọn hoặc không lựa chọn các mục KMO and Bartlett’s test of sphericity, do các chỉ số này không được sử dụng để diễn giải trong kiểm định Harman’s one-factor.
Bước 3: Tại tùy chọn Extraction, ở mục Method lựa chọn phương pháp trích Principal Components. Tại mục Extract, đánh dấu vào lựa chọn Fixed number of factors và nhập giá trị 1 vào ô tương ứng nhằm trích xuất duy nhất một nhân tố tổng hợp.
Bước 4: Trong tùy chọn Rotation, tại mục Method chọn None, tức không thực hiện phép xoay nhân tố, nhằm giữ nguyên cấu trúc ban đầu của nhân tố được trích.
Bước 5: Kiểm tra giá trị Cumulative % của nhân tố tổng hợp tại cột Extraction Sums of Squared Loadings trong bảng Total Variance Explained. Trường hợp phương sai trích lớn hơn 50% cho thấy khả năng tồn tại sai lệch phương pháp chung (Common Method Bias – CMB), trong khi giá trị nhỏ hơn 50% cho thấy CMB không đáng kể.
Kết quả phân tích cho thấy phương sai trích đạt 26.572%, nhỏ hơn ngưỡng 50%. Do đó, có thể kết luận rằng dữ liệu nghiên cứu không tồn tại hiện tượng sai lệch phương pháp chung.
4. Xử lý dữ liệu khi xuất hiện hiện tượng CMB
Hiện tượng CMB trong dữ liệu được nhận diện thông qua mức độ tương đồng cao bất thường giữa các câu trả lời, các biến quan sát hoặc các nhân tố trong bảng câu hỏi. Do đó, bước đầu tiên là tiến hành rà soát dữ liệu gốc nhằm xác định các bảng khảo sát mà người trả lời lựa chọn duy nhất một phương án cho hầu hết các câu hỏi, hoặc gần như toàn bộ bảng hỏi chỉ có một đến hai câu khác biệt về đáp án. Những phiếu khảo sát này cần được loại bỏ khỏi tập dữ liệu và sau đó thực hiện đánh giá lại mức độ CMB. Cách tiếp cận này được xem là biện pháp xử lý hậu thu thập dữ liệu.
Trong trường hợp mức độ CMB vẫn ở ngưỡng cao và việc loại bỏ các phiếu có dữ liệu tương đồng trên toàn bộ bảng hỏi không mang lại hiệu quả, phương án khả thi còn lại là loại bỏ toàn bộ tập dữ liệu hiện có và tiến hành điều chỉnh lại các bước trong giai đoạn thiết kế và triển khai khảo sát trước khi thu thập dữ liệu mới. Các biện pháp điều chỉnh cụ thể có thể tham khảo tại mục 2. Phương pháp kiểm soát hiện tượng CMB tại bài viết này.
——–
Nguồn tham khảo:
1. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903.
2. Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6), 1086–1120.
3. Podsakoff, P.M., Mackenzie, S.B. and Podsakoff, N.P. (2012). Sources of Method Bias in Social Science Research and Recommendations on How to Control It. Annual Review of Psychology, 63, 539-569.
4. Cooper, B., Eva, N., Zarea Fazlelahi, F., Newman, A., Lee, A., & Obschonka, M. (2020). Addressing common method variance and endogeneity in vocational behavior research: A review of the literature and suggestions for future research. Journal of Vocational Behavior, 121, Article 103472.
5. Harman, D. (1967). A Single Factor Test of Common Method Variance. The Journal of Psychology, 35, 359-378.