Trong phân tích mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM), tính phân biệt (discriminant validity) là một tiêu chí cốt lõi nhằm bảo đảm rằng các cấu trúc tiềm ẩn trong mô hình thực sự khác biệt về mặt khái niệm và đo lường chính xác nội hàm riêng của từng cấu trúc. Theo các nghiên cứu phương pháp luận trong lĩnh vực mô hình cấu trúc, việc không đạt được tính phân biệt có thể dẫn đến hiện tượng chồng lấn khái niệm, làm sai lệch ước lượng tham số và suy giảm giá trị suy luận của mô hình. Nội dung dưới đây trình bày quy trình đánh giá tính phân biệt trong phần mềm SmartPLS 4 thông qua ba tiêu chí phổ biến: hệ số tải chéo (Cross-Loading), tiêu chuẩn Fornell–Larcker và chỉ số HTMT.
Xét một mô hình nghiên cứu gồm sáu nhân tố tiềm ẩn, trong đó nhân tố KM được thiết lập dưới dạng thang đo nguyên nhân (formative measurement), còn năm nhân tố còn lại được xây dựng dưới dạng thang đo kết quả (reflective measurement). Cách tiếp cận này phù hợp với bản chất lý thuyết của từng cấu trúc, khi các biến quan sát của thang đo formative đóng vai trò hình thành nên khái niệm, trong khi ở thang đo reflective, các biến quan sát phản ánh đặc tính của biến tiềm ẩn.
Khi biểu diễn mô hình nghiên cứu trên giao diện sơ đồ của SmartPLS 4, cần khai báo chính xác loại thang đo cho từng nhân tố, đặc biệt là nhân tố KM ở dạng formative. Để thực hiện thao tác này, người nghiên cứu nhấp đúp vào biến tiềm ẩn, truy cập mục Measurement Model và lựa chọn loại thang đo phù hợp (reflective hoặc formative), sau đó xác nhận bằng lệnh Apply. Việc xác định đúng loại thang đo có ý nghĩa quan trọng đối với quy trình đánh giá mô hình đo lường và mô hình cấu trúc.
Sau khi hoàn tất thiết lập, trên sơ đồ mô hình, nhân tố KM sẽ được thể hiện với các mũi tên hướng từ biến quan sát vào biến tiềm ẩn, phản ánh bản chất nguyên nhân của thang đo formative. Ngược lại, các nhân tố ở dạng reflective sẽ có mũi tên hướng từ biến tiềm ẩn đến các biến quan sát, thể hiện mối quan hệ phản xạ giữa cấu trúc tiềm ẩn và các chỉ báo đo lường.
Để đánh giá mô hình đo lường trong SmartPLS 4, cần thực hiện hai thủ tục phân tích chính gồm thuật toán PLS-SEM (PLS-SEM Algorithm) nhằm ước lượng các tham số mô hình và phân tích Bootstrapping nhằm kiểm định ý nghĩa thống kê của các hệ số ước lượng. Hai bước này cung cấp cơ sở dữ liệu cần thiết cho việc xem xét độ tin cậy, giá trị hội tụ và giá trị phân biệt của các thang đo.
Trong môi trường SmartPLS 4, mỗi nhân tố tiềm ẩn được đo lường thông qua các biến quan sát theo một trong hai cách tiếp cận: thang đo kết quả (reflective) hoặc thang đo nguyên nhân (formative). Theo thông lệ nghiên cứu và khuyến nghị phương pháp luận, việc đánh giá tính phân biệt chỉ áp dụng đối với các thang đo reflective, bởi lẽ các tiêu chí như Fornell–Larcker hay HTMT được xây dựng dựa trên giả định về mối quan hệ phản xạ giữa biến tiềm ẩn và các chỉ báo. Đối với thang đo formative, trọng tâm đánh giá thường tập trung vào hiện tượng đa cộng tuyến và ý nghĩa thống kê của trọng số.
Giá trị phân biệt phản ánh mức độ khác biệt của một cấu trúc tiềm ẩn khi so sánh với các cấu trúc khác trong cùng mô hình nghiên cứu. Phần mềm SmartPLS 4 cung cấp ba phương pháp phổ biến để đánh giá tính phân biệt của thang đo reflective: sử dụng hệ số tải chéo (cross-loading), áp dụng tiêu chuẩn Fornell–Larcker và tính toán chỉ số Heterotrait–Monotrait Ratio (HTMT). Việc kết hợp cả ba tiêu chí giúp nâng cao độ tin cậy của kết luận về mức độ phân biệt giữa các cấu trúc trong mô hình PLS-SEM.
1. Đánh giá tính phân biệt trong SmartPLS 4 thông qua bảng Cross-Loadings
Trong phân tích mô hình cấu trúc tuyến tính từng phần (PLS-SEM) bằng phần mềm SmartPLS 4, tính phân biệt của thang đo có thể được kiểm định thông qua ma trận hệ số tải chéo (Cross-Loadings). Theo tiêu chí này, tính phân biệt được xác lập 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. Nói cách khác, mỗi biến quan sát cần thể hiện mức độ tương quan cao nhất với cấu trúc tiềm ẩn mà nó được giả định đo lường.
Hệ số tải chéo là hệ số tương quan giữa một biến quan sát và một nhân tố khác ngoài nhân tố gốc của nó. Chỉ số này phản ánh mức độ mà biến quan sát có thể bị ảnh hưởng hoặc đồng thời giải thích bởi các cấu trúc tiềm ẩn khác trong mô hình. Nếu hệ số tải chéo có giá trị cao và tiệm cận với hệ số tải ngoài, điều này cho thấy nguy cơ thiếu tính phân biệt giữa các khái niệm nghiên cứu.
Để truy xuất kết quả Cross-Loadings trên SmartPLS 4, sau khi thực hiện thuật toán PLS-SEM (PLS-SEM Algorithm), người nghiên cứu chọn mục Discriminant Validity và tiếp tục chọn Cross Loadings trong bảng kết quả. Bảng này trình bày đồng thời hệ số tải ngoài và các hệ số tải chéo của từng biến quan sát.
Kết quả minh họa cho thấy phần lớn các biến quan sát có hệ số tải chéo thấp hơn đáng kể so với hệ số tải ngoài, qua đó đáp ứng yêu cầu về tính phân biệt. Tuy nhiên, đối với nhóm nhân tố NB, các biến quan sát từ NB1 đến NB4 xuất hiện hệ số tải chéo tương đối cao (lớn hơn 0,5), cho thấy khả năng chồng lấn khái niệm với các nhân tố khác và cần được xem xét thận trọng hơn trong quá trình đánh giá mô hình đo lường.
Trong trường hợp một biến quan sát không đáp ứng tiêu chí về tính phân biệt theo bảng Cross-Loadings, nhà nghiên cứu nên cân nhắc loại bỏ biến đó khỏi mô hình nghiên cứu và tiến hành phân tích lại mô hình đo lường nhằm bảo đảm độ tin cậy và giá trị của thang đo.
2. Đánh giá giá trị phân biệt trong SmartPLS 4 thông qua tiêu chí Fornell và Larcker
Tiêu chí Fornell và Larcker được sử dụng để đánh giá giá trị phân biệt của thang đo trong mô hình PLS-SEM bằng cách so sánh căn bậc hai của phương sai trích trung bình (SQRT(AVE)) với hệ số tương quan giữa các biến tiềm ẩn. Chỉ số AVE (Average Variance Extracted) phản ánh mức độ mà một biến tiềm ẩn giải thích phương sai của các biến quan sát thuộc về nó. Theo đề xuất của Fornell và Larcker (1981), giá trị căn bậc hai AVE của một biến tiềm ẩn phải lớn hơn tất cả các hệ số tương quan giữa biến đó với các biến tiềm ẩn khác trong mô hình thì thang đo mới đạt yêu cầu về giá trị 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 phản xạ. Một bước quan trọng trong quy trình đánh giá mô hình đo lường là kiểm định giá trị phân biệt của từng thang đo. Để thực hiện, cần xây dựng ma trận tương quan giữa ba biến tiềm ẩn A, B và C, đồng thời xác định chỉ số SQRT(AVE) tương ứng của từng biến. Bảng Fornell và Larcker thường được trình bày dưới dạng ma trận vuông, trong đó hàng và cột đầu tiên thể hiện tên các biến tiềm ẩn.
Trong cấu trúc bảng, các giá trị trên đường chéo chính biểu thị căn bậc hai AVE của từng biến tiềm ẩn.
– Ví dụ, giá trị 0.730 tại vị trí giao giữa hàng A và cột A là SQRT(AVE) của biến A; tương tự, 0.851 và 0.840 lần lượt là SQRT(AVE) của B và C.
– Các ô còn lại trong ma trận thể hiện hệ số tương quan giữa các biến tiềm ẩn, chẳng hạn 0.838 là hệ số tương quan giữa A và B; -0.110 là tương quan giữa A và C; và -0.306 là tương quan giữa B và C.
Trong phần mềm SmartPLS 4, để truy xuất bảng Fornell và Larcker, người nghiên cứu thực hiện thuật toán PLS-SEM Algorithm, sau đó chọn mục Discriminant Validity và tiếp tục chọn Fornell-Larcker Criterion.
Kết quả hiển thị dưới dạng ma trận, trong đó các giá trị trên đường chéo chính là căn bậc hai AVE của các nhân tố, ví dụ căn bậc hai AVE của BH là 0.737, của NB là 0.882, của QC là 0.783; các giá trị ngoài đường chéo là hệ số tương quan giữa các nhân tố.
Nguyên tắc diễn giải kết quả là so sánh hệ số tương quan của từng cặp biến tiềm ẩn với hai giá trị căn bậc hai AVE tương ứng của chính hai biến đó. Nếu hệ số tương quan nhỏ hơn cả hai giá trị căn bậc hai AVE, cặp biến được xem là đạt giá trị phân biệt; ngược lại, nếu hệ số tương quan lớn hơn hoặc bằng một trong hai giá trị này, mô hình vi phạm giá trị phân biệt. Chẳng hạn,
- 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 nên có thể kết luận rằng hai biến này đạt yêu cầu về giá trị phân biệt.
Kết quả thực nghiệm cho thấy tất cả các nhân tố trong mô hình đều đáp ứng tiêu chí Fornell và Larcker khi không tồn tại hệ số tương quan nào giữa các cặp nhân tố vượt quá hai giá trị căn bậc hai AVE tương ứng. Điều này khẳng định các thang đo trong mô hình có sự khác biệt khái niệm rõ ràng và đảm bảo tính độc lập tương đối giữa các cấu trúc tiềm ẩn trong phân tích PLS-SEM.
3. Đánh giá giá trị phân biệt trong SmartPLS 4 thông qua chỉ số HTMT
Việc đánh giá giá trị phân biệt bằng chỉ số Heterotrait-Monotrait ratio (HTMT) dựa trên nguyên tắc so sánh mức độ tương quan trung bình giữa các chỉ báo thuộc cùng một khái niệm với mức độ tương quan trung bình giữa các chỉ báo thuộc các khái niệm khác nhau. Cụ thể, giá trị tương quan trung bình nội bộ của một thang đo càng cao so với tương quan chéo giữa các thang đo thì càng thể hiện rõ mức độ chia sẻ phương sai trong cùng một biến tiềm ẩn. Ngược lại, khi giá trị tương quan chéo giữa các biến tiềm ẩn ở mức thấp, điều đó cho thấy các biến tiềm ẩn có mức độ phân biệt rõ ràng và không chia sẻ đáng kể phương sai với nhau. Khi điều kiện này được thỏa mãn, các chỉ báo thuộc các biến tiềm ẩn khác nhau đạt được giá trị phân biệt.
Theo Henseler và cộng sự (2015), nếu chỉ số HTMT giữa hai nhân tố vượt quá 0,90 thì giá trị phân biệt có khả năng bị vi phạm. Trong trường hợp HTMT nhỏ hơn 0,85, giá trị phân biệt được xem là đảm bảo ở mức tốt. Khoảng giá trị từ 0,85 đến 0,90 được chấp nhận trong các nghiên cứu thực nghiệm tùy theo bối cảnh nghiên cứu và mức độ khái niệm có liên quan.
Để truy xuất bảng kết quả HTMT trong SmartPLS 4, sau khi thực hiện PLS-SEM Algorithm, người nghiên cứu chọn mục Discriminant Validity và tiếp tục chọn Heterotrait-Monotrait Ratio (HTMT) dưới dạng ma trận để xem các giá trị tương ứng giữa từng cặp biến tiềm ẩn.
Kết quả từ ví dụ thực hành cho thấy toàn bộ các giá trị HTMT đều nhỏ hơn 0,90, do đó có thể kết luận rằng giá trị phân biệt giữa các biến tiềm ẩn được đảm bảo. Trong bảng kết quả không xuất hiện nhân tố KM do đây là biến nguyên nhân và không được đưa vào đánh giá trong ma trận HTMT.
Trong trường hợp phát hiện một cặp biến tiềm ẩn có chỉ số HTMT vượt ngưỡng cho phép, nhà nghiên cứu cần kiểm tra lại bảng Cross-loadings để xác định các biến quan sát có hệ số tải cao đồng thời trên nhiều biến tiềm ẩn. Các biến quan sát này nên được xem xét loại bỏ và tiến hành phân tích lại mô hình nhằm đảm bảo tính phân biệt của thang đo.
