Trong phân tích mô hình cấu trúc bằng phương pháp PLS-SEM, tính phân biệt là một tiêu chí cốt lõi nhằm khẳng định rằng các khái niệm trong mô hình nghiên cứu có sự khác nhau rõ ràng và các thang đo phản ánh đúng bản chất riêng của từng khái niệm. Nội dung này trình bày một cách hệ thống và dễ tiếp cận quy trình đánh giá tính phân biệt trong phần mềm SmartPLS 4 thông qua ba kỹ thuật được sử dụng phổ biến trong nghiên cứu thực nghiệm, bao gồm hệ số tải chéo (Cross-Loading), tiêu chí Fornell–Larcker và chỉ số HTMT.
Xét mô hình nghiên cứu bao gồm sáu nhân tố, trong đó nhân tố KM được xây dựng dưới dạng thang đo nguyên nhân (formative), còn các nhân tố còn lại được đo lường bằng thang đo kết quả (reflective).
Mô hình nghiên cứu được biểu diễn trên sơ đồ (diagram) của SmartPLS, trong đó cần chú ý khai báo đúng dạng thang đo cho nhân tố KM là formative. Để lựa chọn giữa thang đo reflective và formative, người nghiên cứu nhấp đúp vào biến tiềm ẩn, sau đó lựa chọn tại mục Measurement model và xác nhận bằng nút Apply.
Trên sơ đồ mô hình, sau khi khai báo, biến tiềm ẩn KM sẽ có các mũi tên hướng từ các biến quan sát vào biến tiềm ẩn, phản ánh đặc trưng của thang đo nguyên nhân. Ngược lại, các nhân tố còn lại là thang đo kết quả nên các mũi tên sẽ hướng từ biến tiềm ẩn đến các biến quan sát.
Để đánh giá mô hình đo lường trong SmartPLS 4, cần thực hiện hai bước phân tích chính là chạy thuật toán PLS-SEM Algorithm và phân tích Bootstrapping. Quy trình chi tiết của hai bước này có thể tham khảo trong các tài liệu hướng dẫn chuyên sâu liên quan.
Trong SmartPLS, một nhân tố có thể được đo lường thông qua các biến quan sát theo hai loại thang đo là thang đo kết quả và thang đo nguyên nhân. Việc đánh giá tính phân biệt chỉ được áp dụng cho các thang đo kết quả (reflective), trong khi các thang đo nguyên nhân (formative) không được xem xét theo tiêu chí này.
Tính phân biệt phản ánh mức độ khác biệt của một cấu trúc khi so sánh với các cấu trúc khác trong cùng mô hình nghiên cứu. SmartPLS 4 hỗ trợ ba phương pháp phổ biến để đánh giá tính phân biệt của thang đo, bao gồm: (1) phương pháp dựa trên hệ số tải chéo, (2) tiêu chí Fornell–Larcker và (3) chỉ số HTMT.
1. Đánh giá tính phân biệt trong SMARTPLS 4 thông qua bảng Cross-Loadings.
Phương pháp này cho rằng tính phân biệt của thang đo được đảm bảo khi hệ số tải ngoài (outer loading) của một biến quan sát trên nhân tố mà nó đại diện phải lớn hơn tất cả các hệ số tải chéo (cross-loading) của biến quan sát đó trên các nhân tố còn lại trong mô hình nghiên cứu.
Hệ số tải chéo (cross-loading) được hiểu là hệ số tương quan giữa một biến quan sát và một nhân tố không phải là nhân tố gốc của biến đó. Nói cách khác, chỉ số này phản ánh mức độ mà một biến quan sát có xu hướng “tải” lên các nhân tố khác ngoài nhân tố chính, từ đó cho phép đánh giá mức độ phân biệt giữa các cấu trúc tiềm ẩn trong mô hình.
Để xem kết quả cross-loading trong SMARTPLS 4, từ kết quả chạy PLS-SEM Algorithm, người nghiên cứu chọn mục Discriminant Validity và tiếp tục chọn Cross Loadings.
Trong bảng kết quả, các giá trị được bôi màu thể hiện hệ số tải ngoài của biến quan sát, trong khi các giá trị không được bôi màu là các hệ số tải chéo. Kết quả từ ví dụ minh họa cho thấy đa số các biến quan sát có hệ số tải chéo thấp hơn đáng kể so với hệ số tải ngoài, qua đó cho thấy tính phân biệt của các thang đo nhìn chung được đảm bảo. Tuy nhiên, đối với nhóm NB, các biến quan sát từ NB1 đến NB4 có hệ số tải chéo tương đối cao (lớn hơn 0,5), cho thấy khả năng chồng lấn với các nhân tố khác và cần được xem xét kỹ hơn về tính phân biệt.
Trong trường hợp một biến quan sát không đáp ứng yêu cầu về tính phân biệt dựa trên bảng hệ số tải chéo trong SMARTPLS, biến đó nên được loại bỏ khỏi mô hình đo lường và tiến hành phân tích lại để đảm bảo độ tin cậy và giá trị của thang đo.
2. Đánh giá tính phân biệt trong SMARTPLS 4 thông qua tiêu chí Fornell và Larcker
Phương pháp Fornell và Larcker được sử dụng để đánh giá tính phân biệt của thang đo bằng cách so sánh căn bậc hai của chỉ số AVE (SQRT(AVE)) của mỗi biến tiềm ẩn với các hệ số tương quan giữa biến tiềm ẩn đó và các biến tiềm ẩn còn lại trong mô hình. Trong đó, AVE (Average Variance Extracted) phản ánh mức độ phương sai trung bình của các biến quan sát được giải thích bởi biến tiềm ẩn. Khi giá trị SQRT(AVE) của một biến tiềm ẩn lớn hơn toàn bộ các hệ số tương quan giữa biến đó với các biến tiềm ẩn khác, có thể kết luận rằng thang đo đạt yêu cầu về tính phân biệt.
Giả định nghiên cứu xem xét mối quan hệ giữa ba khái niệm A, B và C, trong đó cả ba đều được đo lường bằng mô hình đo lường phản xạ. Một bước quan trọng trong quá trình đánh giá mô hình đo lường là kiểm định giá trị phân biệt của từng thang đo. Trước hết, việc đánh giá được thực hiện đối với các biến quan sát của biến tiềm ẩn A. Khi đó, cần xây dựng ma trận tương quan giữa ba biến tiềm ẩn A, B và C, đồng thời xác định giá trị SQRT(AVE) của thang đo A. Bảng Fornell và Larcker dưới đây minh họa cấu trúc trình bày phổ biến được áp dụng trong nhiều phần mềm SEM hiện nay.
Cấu trúc bảng được trình bày dưới dạng ma trận, trong đó hàng và cột đầu tiên thể hiện tên các biến tiềm ẩn đại diện cho các thang đo tương ứng, cụ thể là A, B và C. Các ô giá trị trong bảng bao gồm hai loại thông tin: (1) các giá trị SQRT(AVE) của từng biến tiềm ẩn và (2) các hệ số tương quan giữa các biến tiềm ẩn với nhau.
- Đối với các giá trị SQRT(AVE), chẳng hạn giá trị 0.730 tại giao điểm giữa cột A và hàng A đại diện cho căn bậc hai AVE của biến A.
- Tương tự, các giá trị 0.851 và 0.840 lần lượt là SQRT(AVE) của các biến B và C. Đối với các hệ số tương quan, giá trị 0.838 phản ánh mức độ tương quan giữa A và B, giá trị -0.110 thể hiện tương quan giữa A và C, và giá trị -0.306 là tương quan giữa B và C.
Để xem kết quả tiêu chí Fornell và Larcker trong SMARTPLS 4, từ kết quả chạy thuật toán PLS-SEM, người nghiên cứu chọn mục Discriminant validity và tiếp tục chọn Fornell-Larcker criterion.
Trong bảng kết quả, các giá trị được làm nổi bật trên đường chéo chính là căn bậc hai của AVE của từng nhân tố, ví dụ căn bậc hai AVE của BH là 0.737, của NB là 0.882 và của QC là 0.783. Các giá trị còn lại trong bảng thể hiện hệ số tương quan giữa các nhân tố.
Khi diễn giải kết quả, cần so sánh hệ số tương quan của từng cặp biến với hai giá trị căn bậc hai AVE tương ứng của cặp biến đó. Nếu hệ số tương quan nhỏ hơn cả hai giá trị SQRT(AVE), cặp biến được xem là đảm bảo tính phân biệt; ngược lại, thang đo vi phạm yêu cầu về tính phân biệt.
Ví dụ, hệ số tương quan giữa BH và NB là 0.641,
Trong khi căn bậc hai AVE của BH là 0.797
Và của NB là 0.882.
Do 0.641 nhỏ hơn cả 0.797 và 0.882, có thể kết luận rằng hai nhân tố BH và NB đạt yêu cầu về tính phân biệt.
Kết quả từ ví dụ minh họa cho thấy tất cả các nhân tố trong mô hình đều đáp ứng tiêu chí Fornell và Larcker, khi không tồn tại cặp nhân tố nào có hệ số tương quan lớn hơn giá trị căn bậc hai AVE của chính chúng.
Trong trường hợp người nghiên cứu gặp khó khăn khi xử lý dữ liệu trên SMARTPLS do vi phạm nghiêm trọng tính phân biệt và đã thử nhiều biện pháp điều chỉnh nhưng chưa đạt kết quả, có thể cân nhắc tham khảo các dịch vụ hỗ trợ chuyên sâu về SMARTPLS để được tư vấn và xử lý dữ liệu một cách hiệu quả và chính xác hơn.
3. Đánh giá tính phân biệt trong SmartPLS 4 thông qua chỉ số HTMT
Việc đánh giá tính phân biệt bằng chỉ số HTMT dựa trên nguyên tắc so sánh mức độ tương quan trung bình giữa các chỉ báo trong cùng một thang đo với mức độ tương quan trung bình giữa các chỉ báo thuộc những thang đo khác nhau. Theo đó, tương quan trung bình trong nội bộ một thang đo càng cao so với tương quan chéo giữa các thang đo thì mức độ phân biệt càng được đảm bảo. Khi các chỉ báo trong cùng một biến tiềm ẩn chia sẻ mức độ biến thiên lớn, điều này phản ánh tính hội tụ tốt của thang đo. Ngược lại, nếu mức độ tương quan trung bình giữa các chỉ báo của các biến tiềm ẩn khác nhau ở mức thấp, có thể kết luận rằng các biến tiềm ẩn này ít chia sẻ sự biến động lẫn nhau. Khi đó, các chỉ báo đo lường thuộc các biến tiềm ẩn khác nhau đạt được giá trị phân biệt.
Theo Henseler và cộng sự (2015), trong trường hợp giá trị HTMT của một cặp nhân tố vượt quá ngưỡng 0.9, tính phân biệt giữa các nhân tố đó không được đảm bảo. Ngược lại, khi chỉ số HTMT nhỏ hơn 0.85, tính phân biệt được xác nhận ở mức độ tốt. Do đó, khoảng giá trị từ 0.85 đến dưới 0.9 được xem là mức chấp nhận được trong thực tiễn nghiên cứu.
Để kiểm tra bảng kết quả HTMT trong SmartPLS 4, từ kết quả phân tích PLS-SEM algorithm, người nghiên cứu lựa chọn mục Discriminant validity, sau đó chọn Heterotrait-monotrait ratio (HTMT) – Matrix.
Kết quả từ ví dụ thực hành cho thấy tất cả các giá trị HTMT đều nhỏ hơn 0.9, qua đó khẳng định rằng tính phân biệt giữa các biến tiềm ẩn được đảm bảo. Trong bảng kết quả không xuất hiện nhân tố KM do đây là thang đo dạng nguyên nhân.
Trong trường hợp tính phân biệt giữa một cặp biến tiềm ẩn không đạt yêu cầu, người nghiên cứu cần xem xét lại bảng Cross-loadings để xác định các biến quan sát có tải trọng cao đồng thời trên nhiều biến tiềm ẩn. Những biến quan sát này cần được loại bỏ và tiến hành chạy lại mô hình phân tích.