Trong phân tích mô hình đo lường bằng phần mềm SmartPLS, việc kiểm định tính hội tụ và tính phân biệt của các biến tiềm ẩn (hay còn gọi là các nhân tố, cấu trúc khái niệm) giữ vai trò then chốt nhằm đảm bảo độ tin cậy và giá trị của thang đo được sử dụng trong mô hình nghiên cứu.
1. Đánh giá tính hội tụ trong SmartPLS
Việc đánh giá tính hội tụ trong SmartPLS chủ yếu dựa trên chỉ số phương sai trích trung bình AVE (Average Variance Extracted). Chỉ số AVE phản ánh mức độ mà một biến tiềm ẩn có khả năng giải thích phương sai của các chỉ báo quan sát tương ứng. AVE được xác định thông qua tổng bình phương hệ số tải ngoài của các chỉ báo thuộc cùng một biến tiềm ẩn, sau đó chia cho tổng bình phương hệ số tải ngoài và phương sai sai số của các chỉ báo đó.
Giá trị AVE càng cao cho thấy biến tiềm ẩn giải thích được phần lớn sự biến thiên của các biến quan sát, qua đó phản ánh mức độ phù hợp cao hơn của mô hình đo lường. Ngược lại, giá trị AVE thấp cho thấy khả năng giải thích phương sai của các chỉ báo bởi biến tiềm ẩn là hạn chế, từ đó làm giảm mức độ hợp lệ của thang đo.
Theo Hock và Ringle (2010), một thang đo được xem là đạt giá trị hội tụ khi giá trị AVE đạt từ 0.5 trở lên. Ngưỡng 0.5 hàm ý rằng biến tiềm ẩn trung bình có khả năng giải thích ít nhất 50% phương sai của các biến quan sát cấu thành, đáp ứng yêu cầu tối thiểu về tính hội tụ trong nghiên cứu định lượng.
Một hạn chế của chỉ số AVE là việc giả định trọng số đóng góp của các biến quan sát là tương đương nhau, trong khi không xem xét đầy đủ ảnh hưởng của các biến có hệ số tải ngoài thấp. Trong thực tế, một số biến quan sát có hệ số tải ngoài thấp (chẳng hạn dưới 0.4) vẫn có thể tồn tại trong thang đo nếu các biến quan sát còn lại có hệ số tải ngoài cao, dẫn đến việc AVE vẫn đạt ngưỡng chấp nhận. Do đó, trước khi tiến hành đánh giá AVE, cần kiểm tra chất lượng các biến quan sát và độ tin cậy của thang đo nhằm loại bỏ các biến không đạt yêu cầu.
Trong trường hợp thang đo chưa đạt giá trị hội tụ, các biến quan sát có hệ số tải ngoài thấp nhất sẽ được loại bỏ lần lượt nhằm cải thiện chỉ số AVE. Nếu sau quá trình hiệu chỉnh này, thang đo vẫn không đáp ứng tiêu chí hội tụ, có thể kết luận rằng thang đo không đảm bảo giá trị hội tụ và không nên tiếp tục sử dụng cho các phân tích định lượng tiếp theo.
Tiêu chuẩn đánh giá: AVE ≥ 0.5 theo Hock và Ringle (2010).
Để xem kết quả AVE trong SmartPLS, nhà nghiên cứu cần thực hiện chạy thuật toán PLS Algorithm trong phần mềm.
2. Đánh giá tính phân biệt trong SMARTPLS
Tính phân biệt phản ánh mức độ một cấu trúc khái niệm thể hiện sự khác biệt so với các cấu trúc khác trong cùng mô hình nghiên cứu. Trong các nghiên cứu SEM-PLS, cách tiếp cận truyền thống để đánh giá tính phân biệt là sử dụng tiêu chí căn bậc hai của phương sai trích trung bình (AVE) do Fornell và Larcker (1981) đề xuất. Tuy nhiên, các nghiên cứu sau này chỉ ra rằng phương pháp này tồn tại một số hạn chế và có thể không phát hiện đầy đủ các vấn đề về tính phân biệt. Thông qua các nghiên cứu mô phỏng, Henseler và cộng sự (2015) đã chứng minh rằng chỉ số HTMT (Heterotrait–Monotrait ratio) cho kết quả đánh giá tính phân biệt chính xác và đáng tin cậy hơn. Trong phần mềm SMARTPLS, cả hai tiêu chí Fornell–Larcker và HTMT đều được sử dụng để đánh giá tính phân biệt, trong đó HTMT được xem là tiêu chí ưu tiên.
2.1 Đánh giá tính phân biệt bằng bảng Fornell and Larcker
Theo đề xuất của Fornell và Larcker (1981), một cấu trúc được xem là đạt tính phân biệt khi giá trị căn bậc hai của AVE của cấu trúc đó lớn hơn hệ số tương quan giữa cấu trúc này với các cấu trúc còn lại trong mô hình. Tiêu chí này cho phép kiểm tra mức độ một biến tiềm ẩn chia sẻ nhiều phương sai hơn với các biến quan sát của chính nó so với phương sai chia sẻ với các biến tiềm ẩn khác. Cấu trúc và cách diễn giải bảng Fornell and Larcker được trình bày thống nhất trong các phần mềm SEM. Trong bảng, các giá trị nằm trên đường chéo chính thể hiện căn bậc hai của AVE (0.763, 0.766, 0.908, 1.000, 0.725), trong khi các giá trị bên dưới biểu thị hệ số tương quan giữa các biến tiềm ẩn. Trường hợp biến tiềm ẩn HL có giá trị căn bậc hai AVE bằng 1 là do biến này chỉ được đo lường bởi một biến quan sát duy nhất là HL1.
2.2 Đánh giá tính phân biệt bằng chỉ số HTMT
Chỉ số HTMT (Heterotrait–Monotrait ratio) được sử dụng nhằm đánh giá mức độ phân biệt giữa các biến tiềm ẩn trong mô hình nghiên cứu, qua đó phản ánh tính phù hợp của mô hình đo lường. Chỉ số này được xác định dựa trên tỷ lệ giữa giá trị trung bình của các hệ số tương quan giữa các biến đo lường thuộc các khái niệm khác nhau (heterotrait) và giá trị trung bình của các hệ số tương quan giữa các biến đo lường thuộc cùng một khái niệm (monotrait), sau đó so sánh với giá trị lớn nhất của tương quan monotrait.
Theo Garson (2016), tính phân biệt giữa hai biến tiềm ẩn được chấp nhận khi giá trị HTMT nhỏ hơn 1. Henseler và cộng sự (2015) đề xuất ngưỡng đánh giá nghiêm ngặt hơn, theo đó giá trị HTMT cần nhỏ hơn 0.9 để đảm bảo giá trị phân biệt. Bên cạnh đó, Clark và Watson (1995) cùng Kline (2015) cho rằng ngưỡng 0.85 là tiêu chuẩn phù hợp hơn trong các nghiên cứu yêu cầu mức độ phân biệt cao. Tuy nhiên, trong thực tiễn nghiên cứu, ngưỡng 0.9 được sử dụng phổ biến nhất.
Khi giá trị HTMT của một cặp biến tiềm ẩn ở mức thấp, cụ thể là nhỏ hơn hoặc bằng 0.9, có thể kết luận rằng các biến tiềm ẩn trong mô hình đạt được tính phân biệt tốt. Ngược lại, nếu giá trị HTMT vượt quá 0.9, nhà nghiên cứu cần xem xét lại mô hình đo lường và cân nhắc các điều chỉnh cần thiết nhằm cải thiện mức độ phân biệt giữa các biến tiềm ẩn.
Trong phần mềm SmartPLS, tính hội tụ và tính phân biệt của mô hình đo lường được đánh giá thông qua các chỉ số, trong đó HTMT là một tiêu chí quan trọng. Theo Hair và cộng sự (2014), giá trị HTMT cần nhỏ hơn hoặc bằng 0.9 để đảm bảo tính phân biệt.
Để quan sát bảng Fornell–Larcker và chỉ số HTMT trên SmartPLS, người nghiên cứu tiến hành chạy thuật toán PLS Algorithm theo quy trình phân tích mô hình đo lường của phần mềm.
