Phân tích nhân tố khẳng định (CFA) bằng AMOS

Phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) được thực hiện trên phần mềm AMOS là một bước thiết yếu trong quá trình kiểm định mô hình đo lường (measurement model). Phương pháp này thường được sử dụng nhằm đánh giá mức độ phù hợp giữa dữ liệu thu thập từ thực tiễn và cấu trúc lý thuyết đã được đề xuất trước đó, đồng thời kiểm định mối quan hệ giữa các biến quan sát (observed variables) và các cấu trúc tiềm ẩn (latent constructs) mà chúng đại diện.

1. Mục tiêu của phân tích nhân tố khẳng định CFA

Phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) là kỹ thuật thống kê được sử dụng nhằm phục vụ các mục tiêu sau:

a. Kiểm định mô hình đo lường (measurement model)

Khác với phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA), CFA không nhằm phát hiện cấu trúc nhân tố mới mà được sử dụng để kiểm định một cấu trúc nhân tố đã được xác lập trên cơ sở lý thuyết hoặc các nghiên cứu trước đó.

CFA cho phép xác nhận liệu các biến quan sát (các câu hỏi trong bảng khảo sát hoặc các chỉ báo đo lường) có phản ánh chính xác các khái niệm hoặc cấu trúc nhân tố tiềm ẩn mà chúng được thiết kế để đo lường hay không.

b. Đánh giá mức độ phù hợp của mô hình (Model Fit)

Một trong những mục tiêu quan trọng của CFA là đánh giá mức độ phù hợp giữa mô hình lý thuyết được đề xuất và dữ liệu thực nghiệm thu thập được.

CFA cung cấp nhiều chỉ số đánh giá độ phù hợp của mô hình như Chi-square, CMIN/df, GFI, CFI, TLI, RMSEA, PCLOSE và SRMR nhằm xác định mức độ tương thích giữa cấu trúc lý thuyết và cấu trúc thực tế của dữ liệu. Khi các chỉ số này đạt ngưỡng chấp nhận, có thể kết luận rằng dữ liệu quan sát phản ánh tương đối tốt mô hình cấu trúc lý thuyết đã đề xuất.

c. Đánh giá chất lượng thang đo (độ tin cậy và độ giá trị)

CFA hỗ trợ kiểm định chất lượng của các thang đo được sử dụng trong nghiên cứu thông qua việc đánh giá độ tin cậy và độ giá trị của chúng.

• Độ tin cậy (Reliability) phản ánh mức độ nhất quán của các biến quan sát khi cùng đo lường một nhân tố tiềm ẩn, thường được đánh giá thông qua chỉ số độ tin cậy tổng hợp (Composite Reliability – CR).
• Tính hội tụ (Convergent Validity) nhằm xác định mức độ mà các biến quan sát thuộc cùng một nhân tố thực sự đo lường cùng một khái niệm, thường được đánh giá bằng chỉ số phương sai trích trung bình (Average Variance Extracted – AVE).
• Tính phân biệt (Discriminant Validity) được sử dụng để đảm bảo rằng các nhân tố tiềm ẩn là khác biệt và không trùng lặp về mặt khái niệm, thường được kiểm tra thông qua việc so sánh chỉ số MSV với AVE của từng nhân tố hoặc sử dụng các phương pháp như tiêu chí Fornell–Larcker và chỉ số HTMT.

Nếu bạn muốn, mình có thể tiếp tục chuẩn hóa theo đúng format luận văn thạc sĩ/tiến sĩ, hoặc điều chỉnh giọng văn theo chuẩn tạp chí khoa học quốc tế.

2. Những quan niệm chưa chính xác thường gặp về phân tích CFA

Quan niệm 1: Bắt buộc phải thực hiện EFA trước khi tiến hành CFA

Trong nhiều nghiên cứu thực nghiệm hiện nay, quy trình phân tích dữ liệu định lượng thường được áp dụng theo trình tự Cronbach’s Alpha, EFA, CFA và SEM. Cách tiếp cận này dần hình thành một nhận thức khá phổ biến rằng mọi nghiên cứu đều cần thực hiện EFA trước khi tiến hành CFA. Tuy nhiên, quan niệm này chưa phản ánh đầy đủ bản chất phương pháp luận và không phải lúc nào cũng phù hợp. Việc lựa chọn EFA hay CFA phụ thuộc chủ yếu vào mục tiêu nghiên cứu cũng như mức độ hoàn thiện của cơ sở lý thuyết.

EFA, hay phân tích nhân tố khám phá, được sử dụng nhằm xác định cấu trúc nhân tố tiềm ẩn khi mối quan hệ giữa các biến quan sát và nhân tố chưa được xác lập rõ ràng về mặt lý thuyết. Trong khi đó, CFA, hay phân tích nhân tố khẳng định, được sử dụng để kiểm định mức độ phù hợp của một mô hình nhân tố đã được xác định trước dựa trên cơ sở lý thuyết hoặc kết quả nghiên cứu trước đó.

Trong trường hợp nghiên cứu đã có mô hình lý thuyết rõ ràng và được hỗ trợ bởi các bằng chứng học thuật, việc thực hiện EFA là không bắt buộc. Khi đó, nhà nghiên cứu có thể áp dụng trực tiếp quy trình Cronbach’s Alpha, CFA và SEM. Ngược lại, nếu cấu trúc lý thuyết chưa thực sự chắc chắn, EFA có thể được sử dụng như một bước thăm dò trước khi tiếp tục với CFA và SEM.

Việc nhận thức đúng vai trò và mục đích của EFA và CFA giúp nhà nghiên cứu lựa chọn phương pháp phù hợp với thiết kế nghiên cứu, đồng thời tránh việc thực hiện các bước phân tích không cần thiết, gây tốn kém thời gian và nguồn lực.

Quan niệm 2: Cần có ma trận xoay từ EFA mới có thể xây dựng mô hình CFA hoặc SEM

Trong nhiều tài liệu hướng dẫn và video minh họa về phân tích CFA, người đọc thường thấy tác giả sử dụng plugin Pattern Matrix Builder để chuyển đổi ma trận xoay từ EFA thành sơ đồ CFA. Từ đó, một số người cho rằng việc thực hiện CFA bắt buộc phải dựa trên kết quả EFA nhằm thu được ma trận xoay.

Trên thực tế, điều này không hoàn toàn chính xác. Phần mềm AMOS đã cung cấp đầy đủ các chức năng cho phép người sử dụng trực tiếp xây dựng và kiểm định mô hình CFA mà không cần phụ thuộc vào plugin hay kết quả từ EFA. Việc sử dụng plugin chủ yếu nhằm hỗ trợ tự động hóa quá trình vẽ sơ đồ và giảm bớt thao tác thủ công.

Trong trường hợp không tiến hành EFA hoặc không cài đặt plugin Pattern Matrix Builder, nhà nghiên cứu vẫn có thể chủ động vẽ thủ công mô hình CFA hoặc SEM trong AMOS và tiến hành phân tích một cách đầy đủ và hợp lệ. Điều quan trọng là mô hình phải được xây dựng dựa trên cơ sở lý thuyết vững chắc, chứ không phụ thuộc vào sự tồn tại của ma trận xoay từ EFA.

3. Phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) trên phần mềm AMOS

Phần hướng dẫn sau đây minh họa quy trình phân tích CFA thông qua một mô hình nghiên cứu cụ thể.

Cấu trúc thang đo trong mô hình nghiên cứu bao gồm:

• Nhân tố QC với 5 biến quan sát.

• Nhân tố QH với 5 biến quan sát.

• Nhân tố KM với 4 biến quan sát.

• Nhân tố BH gồm 6 biến quan sát, trong đó biến BH6 đã bị loại bỏ ở bước kiểm định độ tin cậy Cronbach’s Alpha nên không tiếp tục sử dụng trong phân tích CFA.

• Nhân tố NB với 4 biến quan sát.

• Nhân tố TT với 5 biến quan sát.

Bước 1: Khai báo dữ liệu SPSS và xây dựng sơ đồ CFA trên AMOS

Trong bài viết  Cách sử dụng AMOS để vẽ diagram CFA, SEM, quy trình nhập dữ liệu từ SPSS vào AMOS và cách xây dựng sơ đồ CFA đã được trình bày chi tiết. Trường hợp người đọc chưa nắm rõ thao tác khởi tạo này, cần tham khảo lại nội dung bài viết trên trước khi tiếp tục các bước phân tích CFA dưới đây.

Các chỉ số đánh giá độ phù hợp của mô hình thường được sử dụng bao gồm:

• Chi-square = cmin; df = df
• Chi-square/df = cmindf
• GFI = gfi; CFI = cfi; TLI = tli
• RMSEA = rmsea
• PCLOSE = pclose

Trong phần hướng dẫn này, dữ liệu DATA AMOS.sav đã được giới thiệu ở bài viết trước sẽ tiếp tục được sử dụng để minh họa quy trình phân tích CFA. Sau khi hoàn tất việc khai báo dữ liệu và vẽ sơ đồ CFA, mô hình nghiên cứu sẽ được thể hiện như hình minh họa tương ứng.

Bước 2: Thiết lập các tùy chọn phân tích CFA

Tại giao diện chính của AMOS, chọn mục Analysis Properties để tiến hành thiết lập các thông số phục vụ cho phân tích CFA.

Chuyển sang thẻ Output và lựa chọn các tùy chọn theo hình minh họa. Một số thiết lập quan trọng cần lưu ý gồm:

• Standardized estimates: hiển thị các hệ số ước lượng chuẩn hóa.

• Squared multiple correlations: cung cấp hệ số xác định R bình phương của các biến quan sát.

• Residual moments: hiển thị các phần dư của mô hình.

• Modification indices: cung cấp chỉ số MI nhằm xác định các mối quan hệ tiềm ẩn có thể cải thiện độ phù hợp của mô hình. Nội dung chi tiết về cách sử dụng chỉ số này được trình bày trong bài viết  Chỉ số MI – Modification Indices trong AMOS.

Sau khi hoàn tất việc lựa chọn các tùy chọn cần thiết, nhấn nút X ở góc trên bên phải để lưu thiết lập và thoát khỏi giao diện.

Bước 3: Thực hiện phân tích CFA

Chọn biểu tượng Calculate Estimates để tiến hành chạy mô hình CFA.

Bên cạnh các kết quả cơ bản được hiển thị trực tiếp trên sơ đồ mô hình, người nghiên cứu có thể nhấn vào nút View Text để xem đầy đủ các bảng kết quả chi tiết của phân tích CFA.

4. Diễn giải kết quả phân tích CFA trên AMOS

Kết quả phân tích CFA được diễn giải dựa trên các nhóm tiêu chí gồm: mức độ phù hợp của mô hình tổng thể, ý nghĩa thống kê của các biến quan sát, độ tin cậy của thang đo, giá trị hội tụ và giá trị phân biệt giữa các cấu trúc khái niệm.

4.1 Mức độ phù hợp của mô hình (model fit)

Phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) được sử dụng nhằm kiểm định mức độ phù hợp của các cấu trúc nhân tố đã được giả thuyết hóa từ trước. Khi các cấu trúc nhân tố được khai báo ban đầu phản ánh tốt dữ liệu thực tế, mô hình sẽ đạt được mức độ phù hợp chấp nhận được. Ngược lại, nếu cấu trúc nhân tố không phù hợp, các chỉ số đánh giá độ phù hợp mô hình sẽ không đạt yêu cầu.

Bản chất của việc đánh giá mức độ phù hợp mô hình là xem xét tính nhất quán nội tại của từng cấu trúc nhân tố cũng như mối quan hệ giữa các cấu trúc nhân tố với nhau. Một số nguyên nhân phổ biến làm suy giảm mức độ phù hợp của mô hình bao gồm: các biến quan sát trong cùng một nhân tố có nội dung trùng lặp, biến quan sát có hệ số tải thấp và không phản ánh tốt nhân tố tiềm ẩn, biến quan sát thuộc về một nhân tố nhưng lại giải thích mạnh cho nhân tố khác, hoặc tồn tại hiện tượng đa cộng tuyến giữa các nhân tố trong mô hình.

Sau khi hoàn tất quá trình ước lượng mô hình, để hiển thị các hệ số chuẩn hóa trên sơ đồ, người nghiên cứu lựa chọn tùy chọn Standardized estimates trong AMOS.

Kết quả CFA trên AMOS cung cấp một số chỉ số cơ bản đánh giá mức độ phù hợp của mô hình như Chi-square/df, GFI, CFI, TLI, RMSEA và PCLOSE. Các chỉ số này thường được hiển thị trực tiếp trên phần macro chèn vào sơ đồ mô hình, cho phép đánh giá sơ bộ mức độ phù hợp của mô hình.

Để xem đầy đủ hơn các chỉ số liên quan đến mức độ phù hợp mô hình, người nghiên cứu cần truy cập mục Model Fit trong phần View Text của AMOS.

Sau khi nhấp vào mục Model Fit ở khung bên trái, giao diện bên phải sẽ hiển thị toàn bộ các bảng kết quả liên quan đến mức độ phù hợp của mô hình. Trong đó, chỉ số CMIN tương ứng với giá trị Chi-square của mô hình.

Theo Hu và Bentler (1999), trong nghiên cứu về tiêu chí ngưỡng đánh giá các chỉ số phù hợp mô hình trong phân tích cấu trúc hiệp phương sai, một số chỉ số thường được sử dụng để đánh giá mức độ phù hợp của mô hình CFA bao gồm:

• CMIN/df ≤ 3 được xem là tốt, CMIN/df ≤ 5 được xem là chấp nhận được.
• CFI ≥ 0.9 thể hiện mức độ phù hợp tốt, CFI ≥ 0.95 là rất tốt, trong khi CFI ≥ 0.8 có thể được chấp nhận trong một số trường hợp. Chỉ số CFI dao động trong khoảng từ 0 đến 1.
• GFI ≥ 0.9 được xem là tốt, GFI ≥ 0.95 là rất tốt, tuy nhiên chỉ số này cần được cân nhắc trong bối cảnh cụ thể. (chỉ số này bạn cần đọc thêm ở phần lưu ý cuối bài viết)
  TLI ≥ 0.9 cho thấy mô hình đạt mức độ phù hợp tốt.
• RMSEA ≤ 0.06 phản ánh mức độ phù hợp tốt, RMSEA ≤ 0.08 được xem là chấp nhận được.
• PCLOSE ≥ 0.05 được đánh giá là tốt, PCLOSE ≥ 0.01 có thể chấp nhận.

Đối với trường hợp chỉ số GFI nằm trong khoảng lớn hơn 0.8 nhưng nhỏ hơn 0.9,

Cần có sự cân nhắc cụ thể. Trong nhiều nghiên cứu, do hạn chế về cỡ mẫu, giá trị GFI khó đạt được ngưỡng 0.9 vì chỉ số này phụ thuộc đáng kể vào số lượng nhân tố, số biến quan sát và quy mô mẫu nghiên cứu. Do đó, trong những năm gần đây, GFI ít được sử dụng để đánh giá mức độ phù hợp mô hình và thậm chí được khuyến cáo không nên sử dụng trong một số trường hợp (Kline, 2005; Sharma và cộng sự, 2005).

Trong trường hợp nghiên cứu bắt buộc phải báo cáo chỉ số GFI nhưng giá trị không đạt mức 0.9, ngưỡng 0.8 có thể được chấp nhận dựa trên các nghiên cứu của Baumgartner và Homburg (1995) cũng như Doll, Xia và Torkzadeh (1994).

1. Baumgartner, H., Homburg, C.: Applications of Structural Equation Modeling in Marketing and Consumer Research: a review. International Journal of Research in Marketing 13(2), 139-161 (1996).

2. Doll, W.J., Xia, W., Torkzadeh, G.: A confirmatory factor analysis of the end-user computing satisfaction instrument, MIS Quarterly 18(4), 357–369 (1994).

Khi các chỉ số đánh giá mức độ phù hợp mô hình không đạt được các ngưỡng chấp nhận, để cải thiện Model Fit trong phân tích CFA, người nghiên cứu thường sử dụng chỉ số Modification Indices (MI) để điều chỉnh mô hình cho phù hợp hơn với dữ liệu nghiên cứu, tham khảo tại đây.

4.2 Ý nghĩa của các biến quan sát (Indicator reliability)

Trong phân tích CFA, mối quan hệ giữa các biến quan sát và các nhân tố tiềm ẩn được xác định ngay từ giai đoạn xây dựng mô hình dựa trên nền tảng lý thuyết. Tuy nhiên, các giả định lý thuyết này cần được kiểm định lại bằng dữ liệu thực nghiệm của nghiên cứu cụ thể. Do đó, việc đánh giá mức độ phù hợp và ý nghĩa của các biến quan sát trong việc đại diện cho nhân tố tiềm ẩn là bước cần thiết nhằm đảm bảo độ tin cậy của thang đo.

a. Hệ số Regression Weights

Từ giao diện Amos Output (View Text), lựa chọn Estimates > Scalars > Regression Weights để xem bảng hệ số tác động chưa chuẩn hóa, qua đó đánh giá ý nghĩa thống kê của từng biến quan sát.

– Cột Estimate thể hiện hệ số tác động chưa chuẩn hóa từ nhân tố tiềm ẩn đến biến quan sát. Ví dụ, hệ số tác động chưa chuẩn hóa từ nhân tố BH đến biến BH2 có giá trị là 0.992. Một số hệ số trong cột này có giá trị bằng 1.000 do được lựa chọn làm quan hệ tham chiếu trong từng nhân tố. Quan sát trên sơ đồ mô hình ban đầu cho thấy các mũi tên từ BH đến BH4 hoặc từ TT đến TT1 đã được gán giá trị tham chiếu bằng 1 trong phần Regression Weights. Do đó, trong bảng kết quả Regression Weights, các mối quan hệ này mặc định có Estimate bằng 1.000.

Việc lựa chọn biến quan sát làm quan hệ tham chiếu trong một nhân tố có thể thay đổi linh hoạt mà không làm thay đổi bản chất của mô hình đo lường. Tuy nhiên, khi thay đổi biến tham chiếu, các hệ số tác động của các biến quan sát còn lại trong cùng nhân tố sẽ thay đổi tương ứng. Vì vậy, với cùng một bộ dữ liệu và cùng số lượng biến quan sát, giá trị Estimate trong bảng Regression Weights có thể khác nhau tùy thuộc vào cách xác định quan hệ tham chiếu trong mô hình.

– Cột C.R. thể hiện giá trị critical ratio dùng để kiểm định ý nghĩa thống kê của hệ số tác động, tương tự như giá trị t-value trong các phần mềm phân tích thống kê khác.

– Cột P thể hiện giá trị p-value của phép kiểm định ý nghĩa hệ số tác động, tương đương với chỉ số sig trong nhiều phần mềm khác. Đây là chỉ tiêu quan trọng nhất trong bảng Regression Weights để đánh giá ý nghĩa thống kê của các biến quan sát. Khi giá trị P nhỏ hơn 0.05, với mức ý nghĩa 5% được sử dụng trong nghiên cứu, biến quan sát được xem là có ý nghĩa trong việc giải thích cho nhân tố tiềm ẩn. Trong AMOS, các giá trị P bằng 0.000 được ký hiệu bằng ba dấu sao (***). Một số quan hệ không hiển thị giá trị P do đó là các quan hệ tham chiếu, và mặc định được xem là có ý nghĩa thống kê. Trường hợp biến quan sát được chọn làm tham chiếu nhưng thực tế không phù hợp sẽ được xem xét thông qua bảng kết quả tiếp theo.

b. Hệ số Standardized Regression Weights

Từ giao diện Amos Output (View Text), lựa chọn Estimates > Scalars > Standardized Regression Weights để xem bảng hệ số tác động chuẩn hóa, nhằm đánh giá mức độ giải thích của từng biến quan sát đối với nhân tố tiềm ẩn.

Trong phân tích CFA trên AMOS, Hair và cộng sự (2009) trong Multivariate Data Analysis, 7th Edition, Prentice Hall, Upper Saddle River cho rằng các biến quan sát có hệ số tác động chuẩn hóa lớn hơn hoặc bằng 0.5 được xem là có khả năng giải thích tốt cho nhân tố tiềm ẩn. Đối với bảng Standardized Regression Weights, các hệ số chuẩn hóa không bị ảnh hưởng bởi việc lựa chọn quan hệ tham chiếu, do đó giá trị Estimate trong bảng này luôn giữ nguyên, bất kể biến quan sát nào được gán giá trị tham chiếu trong mô hình.

4.3 Độ tin cậy, tính hội tụ và tính phân biệt của thang đo

Dựa trên hướng dẫn của Hair và cộng sự (2010) và Hair và cộng sự (2016), nghiên cứu sử dụng các chỉ số Average Variance Extracted (AVE), Maximum Shared Variance (MSV) và bảng tiêu chí Fornell–Larcker để đánh giá tính hội tụ và tính phân biệt của thang đo, đồng thời sử dụng chỉ số Composite Reliability (CR) nhằm đánh giá độ tin cậy tổng hợp.

Độ tin cậy (Reliability)

– Độ tin cậy tổng hợp của thang đo được đánh giá thông qua chỉ số Composite Reliability (CR), với giá trị chấp nhận được khi CR lớn hơn hoặc bằng 0.7.

Tính hội tụ (Convergent Validity)

– Tính hội tụ được đánh giá thông qua chỉ số Average Variance Extracted (AVE). Theo khuyến nghị, giá trị AVE cần đạt từ 0.5 trở lên để đảm bảo rằng các biến quan sát giải thích được phần lớn phương sai của biến tiềm ẩn.

Tính phân biệt (Discriminant Validity)

– Tính phân biệt của thang đo được đánh giá dựa trên hai tiêu chí.

• Thứ nhất, chỉ số Maximum Shared Variance (MSV) phải nhỏ hơn chỉ số AVE của từng cấu trúc.
• Thứ hai, căn bậc hai của AVE (Square Root of AVE) của mỗi biến tiềm ẩn phải lớn hơn hệ số tương quan giữa biến đó với các biến tiềm ẩn khác trong mô hình, thể hiện trong bảng Fornell–Larcker. Xem chi tiết tại đây

Phần mềm AMOS không hỗ trợ trực tiếp việc tính toán các chỉ số CR, AVE và MSV, do đó người nghiên cứu cần sử dụng các plugin bổ trợ hoặc gói Excel Macro do James Gaskin phát triển. Do quy trình cài đặt và sử dụng các công cụ này tương đối dài, nội dung hướng dẫn chi tiết được trình bày riêng trong bài viết Đánh giá độ tin cậy tính hội tụ, tính phân biệt trong phân tích CFA AMOS. Phần này tập trung vào cách đọc kết quả và đưa ra nhận xét.

Bảng kết quả bao gồm hai phần chính. Phần thứ nhất trình bày các chỉ số CR, AVE, MSV và MaxR(H). Phần thứ hai là bảng Fornell–Larcker dùng để đánh giá tính phân biệt giữa các cấu trúc.

Việc đánh giá độ tin cậy của thang đo được thực hiện dựa trên chỉ số CR.

– Nếu CR lớn hơn 0.7, thang đo được xem là đạt độ tin cậy.

– Trong trường hợp chỉ số CR không đạt ngưỡng yêu cầu, công cụ sẽ hiển thị cảnh báo trong mục Validity Concerns. Trong ví dụ minh họa, tất cả các nhân tố đều đạt yêu cầu về độ tin cậy.

Đánh giá tính hội tụ được thực hiện thông qua chỉ số AVE

– Khi AVE lớn hơn 0.5, tính hội tụ của thang đo được đảm bảo.

– Nếu AVE nhỏ hơn ngưỡng này, công cụ sẽ cảnh báo trong mục Validity Concerns. Cụ thể trong ví dụ, thang đo QH không đạt tính hội tụ do giá trị AVE nhỏ hơn 0.5. Công cụ gợi ý loại bỏ biến quan sát QH1 nhằm cải thiện giá trị AVE. Người nghiên cứu có thể tiến hành loại bỏ biến QH1 khỏi sơ đồ CFA và thực hiện đánh giá lại mô hình.

Tính phân biệt của thang đo được đánh giá dựa trên hai tiêu chí.

– Thứ nhất, chỉ số MSV phải nhỏ hơn chỉ số AVE của từng cấu trúc. Nếu điều kiện này được thỏa mãn, tính phân biệt được đảm bảo.

– Thứ hai, giá trị căn bậc hai của AVE của mỗi biến tiềm ẩn phải lớn hơn hệ số tương quan giữa biến đó và các biến tiềm ẩn còn lại trong mô hình, thể hiện trong bảng Fornell–Larcker.

Giá trị nằm ở đầu mỗi cột trong bảng Fornell–Larcker là căn bậc hai của AVE của các nhân tố, ví dụ căn bậc hai AVE của BH là 0.739, của TT là 0.751 và của QH là 0.702. Các giá trị còn lại trong cùng cột thể hiện hệ số tương quan giữa nhân tố đó với các nhân tố khác trong mô hình, chẳng hạn tương quan giữa BH và TT là 0.670, giữa BH và QH là 0.545, và giữa TT và QH là 0.594.

Khi phân tích kết quả, cần so sánh hệ số tương quan giữa từng cặp biến với căn bậc hai AVE của từng biến trong cặp đó. Nếu hệ số tương quan nhỏ hơn cả hai giá trị căn bậc hai AVE, cặp biến được xem là đạt tính phân biệt; ngược lại, tính phân biệt bị vi phạm. Ví dụ

Hệ số tương quan giữa BH và TT là 0.670,

Trong khi căn bậc hai AVE của BH là 0.739

Và của TT là 0.751

Do 0.670 nhỏ hơn cả hai giá trị này, hai biến BH và TT được kết luận là đảm bảo tính phân biệt. Xem thêm lý thuyết và cách đọc bảng này tại đây