1. Đánh giá giá trị hội tụ trong SMARTPLS
Giá trị hội tụ được xem xét chủ yếu thông qua chỉ số phương sai trích trung bình AVE (Average Variance Extracted). AVE phản ánh tỷ lệ phương sai của các biến quan sát được giải thích bởi biến tiềm ẩn tương ứng. Về mặt tính toán, AVE được xác định bằng tổng bình phương các hệ số tải ngoài của các chỉ báo thuộc cùng một biến tiềm ẩn, chia cho tổng của bình phương hệ số tải và phương sai sai số của các chỉ báo đó.
Chỉ số AVE càng cao cho thấy biến tiềm ẩn càng giải thích tốt sự biến thiên của các biến quan sát, từ đó củng cố mức độ phù hợp của mô hình đo lường. Ngược lại, AVE thấp hàm ý rằng phần lớn phương sai của các chỉ báo chưa được giải thích đầy đủ bởi biến tiềm ẩn, làm suy giảm giá trị hội tụ của thang đo.
Theo Hock và Ringle (2010), một thang đo được xem là đạt giá trị hội tụ khi AVE đạt từ 0,5 trở lên. Ngưỡng 0,5 cho thấy biến tiềm ẩn giải thích tối thiểu 50 phần trăm phương sai của các biến quan sát, đáp ứng yêu cầu cơ bản về mức độ hội tụ trong nghiên cứu định lượng sử dụng PLS-SEM.
Tuy nhiên, việc sử dụng AVE cũng tồn tại một số hạn chế nhất định. Chỉ số này phản ánh giá trị trung bình và không phân biệt mức độ đóng góp riêng lẻ của từng biến quan sát. Trong trường hợp một số chỉ báo có hệ số tải ngoài thấp, ví dụ dưới 0,4, nhưng các chỉ báo còn lại có hệ số tải rất cao, AVE tổng thể vẫn có thể đạt ngưỡng 0,5. Điều này có thể che lấp sự tồn tại của các chỉ báo kém chất lượng.
Vì vậy, trước khi đánh giá AVE, cần tiến hành kiểm định hệ số tải ngoài của từng biến quan sát và xem xét độ tin cậy của thang đo, chẳng hạn thông qua độ tin cậy tổng hợp hoặc hệ số Cronbach’s Alpha, nhằm loại bỏ các chỉ báo không đạt yêu cầu. Trong trường hợp thang đo chưa đạt giá trị hội tụ, nhà nghiên cứu có thể loại bỏ lần lượt các biến quan sát có hệ số tải ngoài thấp nhất để cải thiện chỉ số AVE. Nếu sau quá trình điều chỉnh mà giá trị hội tụ vẫn không đáp ứng tiêu chuẩn, thang đo đó cần được loại khỏi các bước phân tích định lượng tiếp theo.
Average Variance Extracted AVE ≥ 0.5 (Hock & Ringle, 2010)
Để kiểm tra AVE trong SMARTPLS, người nghiên cứu thực hiện thuật toán PLS Algorithm và xem kết quả trong bảng chỉ số chất lượng mô hình đo lường.
2. Đánh giá tính phân biệt trong SMARTPLS
Tính phân biệt phản ánh mức độ khác biệt giữa một cấu trúc tiềm ẩn với các cấu trúc khác trong cùng mô hình đo lường. Theo cách tiếp cận truyền thống, tính phân biệt được đánh giá thông qua tiêu chí căn bậc hai của phương sai trích trung bình (Average Variance Extracted – AVE) do Fornell và Larcker (1981) đề xuất. Tuy nhiên, các nghiên cứu sau này chỉ ra rằng phương pháp này có thể thiếu độ nhạy trong một số bối cảnh, đặc biệt khi các cấu trúc có mức tương quan cao. Thông qua các nghiên cứu mô phỏng Monte Carlo, Henseler và cộng sự (2015) chứng minh rằng chỉ số HTMT (Heterotrait-Monotrait ratio) có khả năng phát hiện vi phạm tính phân biệt tốt hơn so với tiêu chí truyền thống. Phần mềm SmartPLS tích hợp đồng thời cả hai phương pháp, song trong thực hành nghiên cứu hiện đại, HTMT thường được ưu tiên do tính chính xác cao hơn.
2.1 Đánh giá tính phân biệt bằng tiêu chí Fornell và Larcker
Theo Fornell và Larcker (1981), tính phân biệt được đảm bảo khi căn bậc hai của AVE của từng biến tiềm ẩn lớn hơn toàn bộ các hệ số tương quan giữa biến đó với các biến tiềm ẩn khác trong mô hình. Điều này hàm ý rằng biến tiềm ẩn giải thích tốt hơn phương sai của các biến quan sát thuộc về nó so với phương sai chia sẻ với các cấu trúc khác.
Trong bảng Fornell–Larcker được xuất ra từ các phần mềm SEM, các giá trị nằm trên đường chéo chính thể hiện căn bậc hai của AVE, trong khi các giá trị ngoài đường chéo biểu thị hệ số tương quan giữa các biến tiềm ẩn. Khi tất cả các giá trị trên đường chéo đều lớn hơn các hệ số tương quan tương ứng trong cùng hàng và cột, có thể kết luận rằng mô hình đạt được tính phân biệt theo tiêu chí này. Trường hợp một biến tiềm ẩn chỉ được đo lường bởi một biến quan sát, căn bậc hai AVE có thể bằng 1 do phương sai được giải thích hoàn toàn.
2.2 Đánh giá tính phân biệt bằng chỉ số HTMT
HTMT được xây dựng nhằm khắc phục hạn chế của tiêu chí Fornell–Larcker trong việc phát hiện các vấn đề chồng lấn khái niệm giữa các cấu trúc. Chỉ số này được tính bằng tỷ lệ giữa trung bình các tương quan khác loại (heterotrait-heteromethod) và trung bình các tương quan cùng loại (monotrait-heteromethod). Giá trị HTMT càng thấp cho thấy mức độ phân biệt giữa hai cấu trúc càng cao.
Về ngưỡng đánh giá, Garson (2016) đề xuất rằng tính phân biệt được đảm bảo khi HTMT nhỏ hơn 1. Trong khi đó, Henseler và cộng sự (2015) khuyến nghị ngưỡng 0,90 cho các nghiên cứu mang tính khái niệm gần nhau. Các tác giả như Clark và Watson (1995), cùng với Kline (2015), đề xuất ngưỡng nghiêm ngặt hơn là 0,85 nhằm đảm bảo sự tách biệt rõ ràng giữa các cấu trúc. Trong thực tiễn nghiên cứu PLS-SEM, ngưỡng 0,90 được sử dụng phổ biến.
Khi giá trị HTMT của một cặp biến tiềm ẩn nhỏ hơn hoặc bằng 0,90, có thể kết luận rằng tính phân biệt giữa hai cấu trúc được đảm bảo. Ngược lại, nếu HTMT vượt quá ngưỡng khuyến nghị, nhà nghiên cứu cần xem xét điều chỉnh mô hình, chẳng hạn như loại bỏ biến quan sát có tải chéo cao hoặc tái cấu trúc thang đo.
Để trích xuất bảng Fornell–Larcker và HTMT trong SmartPLS, người nghiên cứu cần thực hiện thuật toán PLS Algorithm và kiểm tra kết quả trong phần đánh giá mô hình đo lường.
