CR, AVE, HTMT: đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt
Cronbach's Alpha chưa đủ để chứng minh thang đo tốt. Bài này giải thích CR, AVE và HTMT bằng một ví dụ tính tay, kèm ngưỡng có nguồn và thứ tự trình bày trong luận văn.
Tóm tắt nhanh
- Outer loading nên ≥ 0,708; từ 0,40 đến 0,708 chỉ loại khi việc loại giúp CR/AVE đạt ngưỡng và nội dung cho phép; dưới 0,40 thì loại.
- CR = (Σλ)² / [(Σλ)² + Σ(1 − λ²)], nên nằm trong 0,70–0,95; 0,60–0,70 chấp nhận được với nghiên cứu khám phá (Hair và cộng sự, 2019).
- AVE = Σλ² / n, cần ≥ 0,50 (Fornell & Larcker, 1981). Ví dụ 4 hệ số tải 0,78; 0,82; 0,75; 0,80 cho CR ≈ 0,867 và AVE ≈ 0,621.
- Fornell–Larcker: √AVE phải lớn hơn mọi tương quan của khái niệm đó, nhưng tiêu chí này phát hiện vấn đề kém (Henseler và cộng sự, 2015).
- HTMT < 0,85 (thận trọng) hoặc < 0,90 với khái niệm gần nhau, và khoảng tin cậy bootstrap không được chứa 1.
Độ tin cậy, giá trị hội tụ và giá trị phân biệt
Sau khi kiểm tra Cronbach's Alpha và phân tích nhân tố khám phá EFA, mô hình đo lường (CFA trong AMOS hoặc PLS-SEM trong SmartPLS) phải trả lời ba câu hỏi khác nhau:
- Độ tin cậy (reliability): các câu hỏi của một thang đo có cho kết quả nhất quán không? Chỉ số: Cronbach's Alpha, rho_A, độ tin cậy tổng hợp CR.
- Giá trị hội tụ (convergent validity): các câu hỏi có cùng đo một khái niệm không, khái niệm đó giải thích được bao nhiêu phương sai của chúng? Chỉ số: hệ số tải và AVE.
- Giá trị phân biệt (discriminant validity): khái niệm này có thực sự khác các khái niệm còn lại trong mô hình không? Chỉ số: Fornell–Larcker và HTMT.
Một thang đo có thể rất tin cậy nhưng không phân biệt: hai thang đo "hài lòng" và "thích thú" cùng có CR cao nhưng người trả lời hiểu chúng như một. Vì vậy cần báo cáo đủ cả ba nhóm. Các tiêu chí dưới đây áp dụng cho thang đo kết quả (reflective), không áp dụng cho thang đo nguyên nhân (formative).
Hệ số tải ngoài: điểm xuất phát
Mọi chỉ số trong bài đều được tính từ hệ số tải chuẩn hóa λ của từng biến quan sát (outer loading trong SmartPLS, Standardized Regression Weights trong AMOS). Hair, Risher và cộng sự (2019) khuyến nghị:
| Hệ số tải | Cách xử lý | Nguồn |
|---|---|---|
| ≥ 0,708 | Giữ. Khái niệm giải thích hơn 50% phương sai của biến (0,7082 ≈ 0,50) | Hair, Risher và cộng sự (2019) |
| 0,40 – 0,708 | Chỉ loại nếu việc loại giúp CR hoặc AVE vượt ngưỡng và không làm mất giá trị nội dung | Hair và cộng sự (2022) |
| < 0,40 | Loại | Hair và cộng sự (2022) |
Hệ số tải 0,65 không tự động là "xấu". Nếu thang đo vẫn đạt CR và AVE, giữ biến đó thường tốt hơn làm nghèo nội dung khái niệm.
Công thức CR, rho_A và AVE kèm ví dụ tính tay
Độ tin cậy tổng hợp CR
Khác Cronbach's Alpha (giả định mọi biến đóng góp như nhau), CR cho phép mỗi biến có hệ số tải riêng. Hair, Risher và cộng sự (2019) đánh giá: 0,60–0,70 chấp nhận được trong nghiên cứu khám phá; 0,70–0,90 từ đạt đến tốt; từ 0,95 trở lên là đáng lo vì các câu hỏi có thể trùng lặp ý hoặc người trả lời chọn một mức cho mọi câu. Mốc 0,70 cho độ tin cậy cũng là khuyến nghị của Nunnally & Bernstein (1994).
rho_A
Alpha thường đánh giá thấp, còn CR thường đánh giá cao độ tin cậy thực. Dijkstra & Henseler (2015) đề xuất rho_A, thường nằm giữa hai giá trị này. SmartPLS 4 gọi CR là Composite reliability (rho_c) và rho_A là Composite reliability (rho_a); đừng nhầm hai cột khi báo cáo.
Phương sai trích trung bình AVE
AVE là trung bình phần phương sai của các biến được khái niệm giải thích. Fornell & Larcker (1981) đặt ngưỡng AVE ≥ 0,50: khái niệm giải thích nhiều phương sai hơn sai số đo lường.
| Biến | λ | λ2 | 1 − λ2 |
|---|---|---|---|
| CL1 | 0,78 | 0,6084 | 0,3916 |
| CL2 | 0,82 | 0,6724 | 0,3276 |
| CL3 | 0,75 | 0,5625 | 0,4375 |
| CL4 | 0,80 | 0,6400 | 0,3600 |
| Tổng | 3,15 | 2,4833 | 1,5167 |
- (Σλ)2 = 3,152 = 9,9225
- CR = 9,9225 / (9,9225 + 1,5167) = 9,9225 / 11,4392 ≈ 0,867, đạt mức tốt
- AVE = 2,4833 / 4 ≈ 0,621 ≥ 0,50, đạt giá trị hội tụ; √AVE ≈ 0,788
Trong Excel, nếu hệ số tải nằm ở B2:B5: CR =SUM(B2:B5)^2/(SUM(B2:B5)^2+SUMPRODUCT(1-B2:B5^2)), AVE =SUMSQ(B2:B5)/COUNT(B2:B5) (Excel tiếng Việt có thể dùng dấu chấm phẩy thay dấu phẩy). Đừng lấy hệ số tải từ Pattern Matrix của EFA để tính CR/AVE báo cáo chính thức; hãy dùng hệ số tải từ CFA hoặc PLS-SEM.
Tiêu chí Fornell–Larcker
Fornell & Larcker (1981) cho rằng một khái niệm phải chia sẻ với các biến của chính nó nhiều phương sai hơn với bất kỳ khái niệm nào khác. Cách đọc: đặt √AVE lên đường chéo của ma trận tương quan giữa các khái niệm; mỗi giá trị đường chéo phải lớn hơn mọi hệ số tương quan trên cùng hàng và cùng cột.
| Khái niệm | AVE | CL | HL | TT |
|---|---|---|---|---|
| Chất lượng dịch vụ (CL) | 0,621 | 0,788 | ||
| Hài lòng (HL) | 0,669 | 0,612 | 0,818 | |
| Trung thành (TT) | 0,706 | 0,498 | 0,674 | 0,840 |
Ở ví dụ, tương quan lớn nhất của HL là 0,674 (với TT), nhỏ hơn √AVE của HL (0,818) và của TT (0,840), nên tiêu chí được thỏa mãn.
HTMT và khoảng tin cậy bootstrap
HTMT (heterotrait-monotrait ratio) so sánh tương quan giữa các biến của hai khái niệm khác nhau với tương quan giữa các biến trong cùng một khái niệm:
Ví dụ: tương quan chéo trung bình giữa biến HL và TT là 0,494; tương quan nội bộ trung bình của HL là 0,60, của TT là 0,65. HTMT = 0,494 / √(0,60 × 0,65) = 0,494 / 0,6245 ≈ 0,791. HTMT tiến gần 1 nghĩa là hai thang đo đo gần như cùng một thứ.
Ngưỡng theo Henseler và cộng sự (2015): HTMT < 0,85 là thận trọng; < 0,90 chấp nhận được với các khái niệm gần nhau về lý thuyết (như hài lòng và trung thành). Ngoài giá trị điểm, khoảng tin cậy bootstrap của HTMT không được chứa 1; Hair, Risher và cộng sự (2019) đề xuất có thể kiểm định chặt hơn so với 0,90 hoặc 0,85 tùy bối cảnh.
| Cặp khái niệm | HTMT | Khoảng tin cậy 95% | Đánh giá |
|---|---|---|---|
| CL – HL | 0,712 | [0,631; 0,786] | Đạt |
| CL – TT | 0,583 | [0,489; 0,672] | Đạt |
| HL – TT | 0,791 | [0,718; 0,862] | Đạt mức 0,90; cận trên vượt 0,85 |
Cặp HL – TT đạt ngưỡng 0,85 về giá trị điểm và khoảng tin cậy không chứa 1, nhưng cận trên 0,862 vượt 0,85. Vì hài lòng và trung thành gần nhau về lý thuyết, dùng mốc 0,90 là hợp lý; hãy nêu rõ lập luận này. Trong SmartPLS, HTMT nằm ở Calculate → PLS-SEM algorithm → Discriminant validity, khoảng tin cậy có trong kết quả Calculate → Bootstrapping (cách đọc bootstrap xem bài biến trung gian và bootstrap).
Khi chỉ số không đạt
- AVE hoặc CR thấp: xem biến có hệ số tải dưới 0,708. Chỉ loại khi biến đó yếu cả về số liệu lẫn nội dung (câu hỏi mơ hồ, phủ định kép, đảo chiều chưa mã hóa lại).
- CR trên 0,95: đọc lại các câu hỏi, có thể là câu gần như lặp lại nhau, hoặc dấu hiệu người trả lời chọn cùng một mức cho mọi câu.
- HTMT cao: tìm cặp câu hỏi có cách diễn đạt chồng lấn giữa hai thang đo và biến tải chéo mạnh sang khái niệm kia. Chỉ gộp hai khái niệm khi có cơ sở lý thuyết rõ, và ghi nhận đây là thay đổi mô hình.
- Không xóa biến chỉ để "qua ngưỡng". Mỗi biến bị loại cần lý do được ghi trong luận văn. Một thang đo đạt mọi chỉ số nhưng còn 2 câu hỏi thường mất giá trị nội dung.
Lỗi hay gặp: chỉ báo cáo Fornell–Larcker; nhầm rho_A với CR; lấy hệ số tải EFA để tính AVE; áp tiêu chí reflective cho thang đo formative.
Tính CR, AVE, HTMT bằng công cụ nào
- SPSS không có sẵn CR, AVE hay HTMT. Bạn có thể chạy Alpha và EFA trong SPSS, còn các chỉ số này phải tính ở công cụ khác.
- SmartPLS:
Calculate → PLS-SEM algorithm, xem Construct reliability and validity (Alpha, rho_a, rho_c, AVE) và Discriminant validity (Fornell–Larcker, HTMT). - AMOS: chạy CFA, lấy bảng Standardized Regression Weights rồi tính CR, AVE bằng công thức trên hoặc plugin bổ trợ. Với CFA, Hair, Black và cộng sự (2019) khuyến nghị hệ số tải chuẩn hóa ≥ 0,50, lý tưởng ≥ 0,70.
- Tính tay / Excel: dùng công thức ở trên; HTMT cần ma trận tương quan giữa các biến quan sát.
Khi thiết kế mô hình, phân hệ nghiên cứu SPSS của AutoFillForm tính Alpha, CR, AVE, HTMT và VIF trên bộ dữ liệu hiện tại để bạn thấy từng khái niệm hoạt động ra sao trước khi chạy SmartPLS. Nếu đó là dữ liệu mô phỏng, chỉ dùng nó để pilot bảng hỏi và tập dượt quy trình phân tích, không dùng thay dữ liệu khảo sát thật hay để làm đẹp kết quả.
Thứ tự trình bày và checklist
Trong chương kết quả, trình bày mô hình đo lường trước mô hình cấu trúc, theo thứ tự: (1) bảng hệ số tải, Alpha, rho_A, CR, AVE; (2) bảng Fornell–Larcker; (3) bảng HTMT kèm khoảng tin cậy.
| Khái niệm | Số biến | Hệ số tải | Alpha | rho_A | CR | AVE |
|---|---|---|---|---|---|---|
| CL | 4 | 0,75 – 0,82 | 0,836 | 0,841 | 0,867 | 0,621 |
| HL | 4 | 0,80 – 0,84 | 0,851 | 0,856 | 0,890 | 0,669 |
| TT | 3 | 0,83 – 0,85 | 0,792 | 0,795 | 0,878 | 0,706 |
Câu kết luận mẫu: "Mọi hệ số tải đều lớn hơn 0,708; CR từ 0,867 đến 0,890 và AVE từ 0,621 đến 0,706, đạt các ngưỡng của Hair, Risher và cộng sự (2019) và Fornell & Larcker (1981). Mọi giá trị HTMT nhỏ hơn 0,90 và khoảng tin cậy bootstrap 95% không chứa 1, nên thang đo đạt giá trị phân biệt (Henseler và cộng sự, 2015)."
- Dùng hệ số tải chuẩn hóa từ CFA hoặc PLS-SEM, không dùng hệ số tải EFA.
- Hệ số tải ≥ 0,708; biến 0,40–0,708 chỉ loại khi có lý do số liệu và nội dung.
- CR trong khoảng 0,70–0,95 và rho_A được báo cáo đúng cột.
- AVE ≥ 0,50 cho mọi khái niệm.
- HTMT < 0,85 (hoặc < 0,90 có lập luận) và khoảng tin cậy bootstrap không chứa 1.
- Fornell–Larcker chỉ là bổ sung, không thay HTMT.
- Mọi biến bị loại đều được ghi lý do.
Câu hỏi thường gặp
Nguồn tham khảo
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications.
- Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316.
- Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Ngưỡng đánh giá trong bài là quy ước phổ biến trong các tài liệu trên. Hãy đối chiếu với yêu cầu của giảng viên hướng dẫn hoặc tạp chí bạn nộp bài.