Bài viết được trích dẫn từ Giáo trình phân tích SPSS. Xem bài viết gốc để ủng hộ tác giả
Link bài viết gốc: https://ungdung.hotronghiencuu.com/danh-gia-mo-hinh-do-luong-ket-qua-tren-smartpls
Giới thiệu nội dung
Chúng ta có thể hay được nghe phần nội dung này với cái tên “Đánh giá mô hình đo lường” nhưng tên chính xác mà mình sử dung đó là “Đánh giá mô hình đo lường kết quả”. Hãy chú ý từ khoá “kết quả”. Nó có nghĩa là các biến quan sát (được đo lường) phải là các biến kết quả (phản ánh biến tiềm ẩn), hay mô hình này còn được gọi là Reflective. Tức là các mũi tên sẽ hướng từ biến tiềm ẩn ra biến quan sát chứ không phải từ biến quan sát vào biến tiềm ẩn.
Sở dĩ mình lưu ý điều này vì SmartPLS có chức năng chuyển đôi 2 mô hinh ở menu chuột phải, rất có thể các bạn lỡ tay mà chuyển nhầm dạng mô hình nên các bạn lưu ý điểm nho nhỏ này trước khi chạy nhé.
Kỹ thuật này tương ứng với phần tích CFA các bạn hay dùng khi chạy trên phần mềm AMOS (bước sau vẽ thêm SEM) để kiểm tra mô hình lý thuyết. SmartPLS có cái hay đó là các bạn chỉ cân vẽ 1 lần mô hình SEM thôi. Và nhớ lại rằng trên AMOS thì các biến tiềm ẩn là các biến Reflective (mũi tên quay ra)
Chúng ta sẽ tiến hành đánh giá 3 tiêu chí đó là (1)Độ tin cậy, (2) Tính phân biệt và (3)Tính hội tụ của các thang đo. Việc này tất nhiên là có thể được tiến hành trên SPSS, AMOS độc lập (tức là có thể chỉ cần chạy SPSS, hoặc chạy AMOS thì không cần chạy SPSS, chạy SmartPLS thì cũng không cần chạy SPSS). Các bạn có thể xem lại chúng tại đây:
Thực hiện trên SPSS:
Thực hiện trên AMOS
Phần tiếp theo chúng ta sẽ xem xét đánh giá các tiêu chuẩn này với SmartPLS. Để tiện theo dõi các mình xin phép có 1 số phần lý thuyết được copy từ các bài viết cũ sang. Sử dụng Model Simple có sẵn trong phần mềm SmartPLS3 để minh hoạ
Trước tiên ta tiến hành ước lượng mô hình bằng thủ tuc Caculate > PLS Algorithm
Đánh giá độ tin cậy của thang đo: Reliability
Độ tin cậy thang đo được đánh giá thông qua 3 chỉ số: Hệ số Cronbach’s Alpha, ộ tin cậy tổng hợp (CR), Tổng phương sai rút trích (AVE)
Hệ số Cronbach’s Alpha.
Đã có riếng 1 seri nói về cái này rồi, các bạn đọc lại phần trước, link: https://ungdung.hotronghiencuu.com/he-so-cronbachs-alpha-cach-tinh-va-mot-so-tieu-chuan
Độ tin cậy tổng hợp (CR) và tổng phương sai rút trích (AVE)
Thang đo được đánh giá là đáng tin cậy khi độ tin cậy tổng hợp có ý nghĩa khi có giá trị lớn hơn 0,5 và tổng phương sai rút trích có ý nghĩa khi có giá trị trên 0.5 (Hair & cộng sự 1995; Nunnally, 1978).
Trong 1 bài phân tích nếu gồm nhiều thang đo đơn hướng (trong các bài tiếp theo) thì ta cũng phải kiểm tra vấn đề này cho từng thang đo (biến tiềm ẩn bậc 1)
Đây là công thức tính 2 giá trị này
Xem kết quả trên phần mềm SmartPLS
Để xem kết quả ta click vào mục Construct Reliability And Validity như hình trên phần mềm (Tất nhiên có thể xem trên file excel cũng được. (Xem lại cách xuất output ra excel: https://ungdung.hotronghiencuu.com/trich-dan-ket-qua-tu-phan-mem-smartpls-vao-bai-lam#Cach_3_Xuat_full_output_ra_dinh_dang_exel)
Kết quả thu được cho phép chúng ta xem xét cả 3 chỉ số nói trên
Trường hợp có các chỉ số không thoả mãn (quá nhỏ) thì phần mềm sẽ báo màu đỏ và để thu được kết quả thoả mãn ta cần phải loại đi 1 hoặc 1 số biến quan sát nào đó
Với thang đó có hệ số cronbach’s alpha hay CR màu đỏ, ta có thể chẩn đoán biến quan sát gây lỗi bằng Kỹ thuật phân tích cronbach alpha trên SPSS (có hiển thi tương quan biến-tổng), xem lại cách thực hiện và hiệu chỉnh thang đo tại: https://ungdung.hotronghiencuu.com/thuc-hanh-kiem-tra-he-so-he-so-cronbachs-alpha-tren-spss
Với thang đo có AVE thấp ta có thể chuẩn đoán dựa và hệ số tải ngoài, outer loading (sẽ được đề cập ở phần dưới) hoặc tính phương sai trích AVE trên SPSS để xem biến quan sát nào có hệ số tải nhỏ nhất sẽ ưu tiên loại trước
Tính AVE với thủ tục phân tích EFA bằng cách sau
+ Đưa riêng các biến của từng thang đo vào
+ Chọn phép trích Principal axis factoring và phép xoay Promax
Với kết quả từ phần mềm có thể thấy độ tin cậy của các thang đo đều thoả mãn (Thang đo CUSA có đúng 1 biến quan sát-chỉ có mình nó nên tất cả các chỉ số bằng 1)
Đánh giá tính hội tụ: Convergent Validity
Giá trị hội tụ (Convergent validity) chính là việc một đo lường có tương quan thuận với các đo lường khác trong cùng một khái niệm đo lường. Sử dụng cùng một mô hình mẫu, biến quan sát của khái niệm đo lường kết quả (reflective construct) sẽ được đo lường bởi nhiều cách tiếp cận, vì thế các câu hỏi về cùng một khái niệm sẽ chia sẻ với nhau tỷ lệ phương sai cao. Để đánh giá giá trị hội tụ, nhà nghiên cứu sẽ xem xét hệ số tải ngoài của các biến quan sát, cũng như giá trị phương sai trích trung bình (average variance extracted - AVE).
Hai tiêu chí đánh giá tính hội tụ là hệ số tải ngoài (Outer loading) và phương sai rút trích AVE theo Fornell và Larcker (1981)
Hệ số tải ngoài (Outer loading)
Nếu hệ số tải ngoài đối với khái niệm càng cao, điều đó có nghĩa là biến kết quả sẽ cùng đo lường chung khái niệm, được gọi chung là độ tin cậy biến quan sát (indicator reliability). Tối thiểu, hệ số tải ngoài của các biến số phải có ý nghĩa thống kê. Quy luật chung là hệ số tải ngoài (chuẩn hóa) phải từ 0.708 trở lên bởi hệ số chuẩn hóa có liên quan tới phương sai. Do đó, bình phương của hệ số tải ngoài chuẩn hóa chỉ ra sự khác biệt trong một biến quan sát (item), được giải thích bởi khái niệm nghiên cứu và phương sai trích từ biến đo lường/biến quan sát. Nguyên tắc chung là biến tiềm ẩn phải được giải thích bởi tối thiểu 50% ý nghĩa của phương sai biến quan sát (indicator’s variance). Điều này cũng hàm ý rằng, phương sai sẽ được chia sẻ giữa khái niệm nghiên cứu (construct) và các biến quan sát luôn lớn hơn phương sai của sai số đo lường (measurement error variance). Điều này có nghĩa là, hệ số tải ngoài của từng biến quan sát cao hơn 0.708, (0.708^2=0.5). Trong hầu hết mọi trường hợp,0.70 được xem như gần với 0.708 nên được chấp nhận.
Ở đây các kết quả đều đã tốt cả, hiển thị màu xanh. Nếu có biến quan sat nào đó hiển thì màu đỏ ta có thể xem xét loại bỏ nó ra khoải thang đo để được 1 thang đo thoả mãn tính hội tụ.
AVE (chỉ số này xem ở phần trên)
Ngoài ra, còn một tiêu chí khác để kiểm tra giá trị hội tụ đó là tổng phương sai rút trích (AVE) của các khái niệm. Fornell và Larcker (1981) cho rằng để nhân tố đạt giá trị hội tụ thì AVE đạt từ khoảng 0.5 trở lên.
Một cách đo lường chung đối với giá trị hội tụ lên khái niệm là việc tính giá trị của phương sai trích AVE. Chỉ số này được định nghĩa là tổng giá trị trung bình của bình phương hệ số tải nhân tố của các biến quan sát liên quan đến khái niệm nghiên cứu (tức là, tổng bình phương hệ số tải chia cho số lượng biến quan sát). Vì thế, AVE luôn bằng với phần chung (communality) của khái niệm nghiên cứu. Giá trị AVE từ 0.5 hoặc cao hơn cho thấy, khái niệm nghiên cứu sẽ giải thích nhiều hơn phân nửa phương sai các biến quan sát của nó. Ngược lại, nếu giá trị của AVE nhỏ hơn 0.50, điều này có nghĩa là, trung bình, có nhiều sai số vẫn còn tồn tại trong các biến quan sát hơn là phương sai được giải thích bởi khái niệm nghiên cứu.
Giá trị phân biệt (Discriminant Validity)
Giá trị phân biệt (Discriminant validity) chính là việc xem xét một khái niệm có thực sự khác với so với các khái niệm nghiên cứu khác bởi những tiêu chuẩn thực nghiệm. Vì vậy, việc tính toán giá trị phân biệt nhằm chỉ ra rằng một khái niệm nghiên cứu là duy nhất và phản ánh hiện tượng khác biệt so với các khái niệm nghiên cứu khác trong mô hình
Giá trị phân biệt được đánh giá qua những tiêu chí sau:
(1) Tiểu chuẩn Fornell và Larcker : so sánh giá trị căn bậc 2 của AVE với các hệ số tương quan của một nhân tố với các nhân tố còn lại.
(2) Hệ số tải chéo (Cross Loading)
(3) Chỉ sô HTMT
Tiểu chuẩn Fornell và Larcker (1981)
So sánh giá trị căn bậc 2 của AVE với các hệ số tương quan của một nhân tố với các nhân tố còn lại.
Tiêu chuẩn thỏa mãn khi căn bậc hai của AVE lớn hơn tất cả giá trị tuyệt đối của hệ số tương quan giữa nó với các nhân tố khác
Trên phần mềm chọn Discriminant Validity >Tab Fornell và Larcker Criterion
Ở đây các con số trên đường chéo chính là căn bậc hau của AVE còn các số bên dưới là hệ số tương quan đôi mội giữa các biến. Trong model ví dụ các kết quả là thoả mãn.
Đánh giá hệ số tải chéo (Như với phân tích EFA trên SPSS)
Cách thứ nhất, đánh giá giá trị phân biệt thông qua xem xét hệ số tải chéo (cross loading) của các biến quan sát. Đặc biệt, hệ số tải nhân tố của biến đo lường cần phải lớn hơn tất cả các hệ số tải chéo của các khái niệm nghiên cứu khác. Cách tốt nhất để đánh giá là nhìn vào bảng chéo minh họa hệ số tải với hàng và cột của biến quan sát
Chuyển qua tab Cross Loading, có thể thấy các hệ số tải đều thoả mãn
Các bạn có thể trích dạng excel và làm nổi bât từng nhóm khi đưa vào bài
Chỉ sô HTMT
Tỷ lệ đặc điểm dị biệt – đặc điểm đơn nhất (heterotrait – monotrait – HTMT) của các mối tương quan. Nói ngắn gọn, HTMT là tỷ lệ của các mối tương quan giữa các đặc điểm với các mối tương quan bên trong các đặc điểm. HTMT là trung bình của tất cả các mối tương quan của các biến quan sát của từng khái niệm với khái niệm khác (nghĩa là các mối tương quan đặc điểm dị biệt – phương pháp dị biệt/heterotrait – heteromethod correlations) trong sự so sánh với số trung bình của các tương quan bình quân của các biến quan sát đo lường trong một khái niệm (nghĩa là, các mối tương quan đặc điểm dị biệt – đặc điểm đơn nhất; để xem định nghĩa hoàn chỉnh về thống kê của HTMT). Về mặt kỹ thuật, cách tiếp cận HTMT là một sự dự báo về mối tương quan thật sự có thể tồn tại giữa hai khái niệm nếu chúng được đo lường một cách hoàn hảo (nghĩa là nếu nó có thể tin cậy hoàn toàn). Sự tương quan này cũng đề cập đến các mối tương quan mạnh (deattenuated correlation). Một mối tương quan mạnh giữa hai khái niệm (gần đến 1) phản ánh một sự thiếu giá trị phân biệt.
Nếu HTMT >0.9 thì có thể nói răng 2 khái niệm thiếu sự phân biệt.
Chuyển sang tab HTMT, ở đây thấy tất cả các hệ số đều thoả mãn
Trung tâm Hỗ trợ nghiên cứu
Xin vui lòng chú ý một số điều sau
- Các bạn có thể bình luận với tài khoản Google, tài khoản tùy chọn (tên, địa chỉ) hoặc ẩn danh
- Nếu thực sự quan tâm một chủ đề nào đó, khi bình luận xong hãy nhân vào nút "Thông báo cho tôi" ở góc dưới. Khi đó nếu có các bình luận và thảo luận mới về chủ đề này sẽ có thông báo gửi đến email của bạn
- Nếu cần hỗ trợ, hãy để lại số điện thoại. Nên chủ động gửi tài lệu về Hỗ Trợ Nghiên Cứu
- Các bình luận spam, có lời lẽ không phù hợp sẽ bị chặn
0 nhận xét:
Đăng nhận xét