Hệ số tải ngoài nhân tố là chỉ số được dùng để đánh giá sự tác động của các biến quan sát lên biến tiềm ẩn trong mô hình cấu trúc SEM ở phần mềm Smart PLS. Theo Hair và cộng sự (2016), hệ số tải ngoài nhân tố (outer loadings) nên thỏa điều kiện lớn hơn hoặc bằng 0.7.
1.2. Độ tin cậy thang đo
Trên thực tế, cả Cronbach's Alpha và độ tin cậy tổng hợp (CR) đều được dùng để đánh giá độ tin cậy của thang đo trong mô hình cấu trúc SEM. Tuy nhiên, độ tin cậy tổng hợp lại có xu hướng đánh giá mô hình một cách tổng quát hơn. Do đó, chỉ số này thường được các nhà nghiên cứu sử dụng trong phần mềm Smart PLS.
Theo Hair và cộng sự (2016), ngưỡng đo lường của hệ số Cronbach's Alpha tương ứng với các mức sau:
Cronbach's Alpha ≥ 0.5: Thang đo có độ tin cậy chấp nhận được đối với các nghiên cứu khám phá
Cronbach's Alpha ≥ 0.7: Thang đo có độ tin cậy chấp nhận được đối với các nghiên cứu khẳng định
Cronbach's Alpha ≥ 0.8: Thang đo có độ tin cậy tốt
Do Cronbach's Alpha có xu hướng đánh giá thấp hoặc vượt quá độ tin cậy của thang đo nên CR là chỉ số phù hợp nhất để thay thế. Giao và Vương (2019) đã tổng hợp các mức giá trị tương ứng của CR như sau:
CR ≥ 0.6: Thang đo có độ tin cậy chấp nhận được với nghiên cứu khám phá (Chin, 1998; Höck & Ringle, 2010)
CR ≥ 0.7: Thang đo có độ tin cậy chấp nhận được với nghiên cứu nhân quả (Henseler & Sarstedt, 2013)
CR ≥ 0.8: Thang đo có độ tin cậy tốt với nghiên cứu nhân quả (Daskalakis & Mantas, 2008)
1.3. Tính hội tụ của thang đo
Để đánh giá tính hội tụ của thang đo, bạn cần dựa vào chỉ số phương sai trích trung bình (AVE). Theo Chin (1998) cùng với Höck và Ringle (2010), thang đo chỉ đạt giá trị hội tụ khi phương sai trích trung bình từ 0.5 trở lên. Điều này đảm bảo rằng phương sai được giải thích luôn lớn hơn hoặc bằng phương sai sai số (Fornell & Larcker, 1981).
1.4. Tính phân biệt của thang đo
Ringle và cộng sự (2015) khuyến nghị rằng nên kết hợp cả hai chỉ số sau để đánh giá tính phân biệt của thang đo.
1.4.1. Tiêu chí Fornell & Larcker
Fornell và Larcker (1981) cho rằng thang đo đạt giá trị phân biệt khi căn bậc hai của phương sai trích trung bình (AVE) lớn hơn tương quan giữa các biến tìm ẩn.
1.4.2. Hệ số Heterotrait-Monotrait (HTMT)
Garson (2016) đã khuyến nghị hệ số HTMT nên nhỏ hơn 1 khi đánh giá tính phân biệt của thang đo bằng phần mềm Smart PLS. Tuy nhiên, Henseler và cộng sự (2015) lại cho rằng chỉ số này cần nhỏ hơn 0.9. Do đó, bạn có thể cân nhắc sử dụng 0.9 để làm ngưỡng so sánh vì giá trị này đều thỏa mãn tiêu chuẩn chung của các tác giả.
2. Kiểm định mô hình cấu trúc
Khi tiến hành chạy mô hình SEM, bạn cần phải phân tích lần lượt mô hình đo lường và mô hình cấu trúc của bộ dữ liệu.
Thông thường, việc kiểm định mô hình cấu trúc được thực hiện sau khi kiểm định mô hình đo lường và trước phân tích cấu trúc đa nhóm (MGA).
2.1. Đa cộng tuyến
Theo Hair và cộng sự (2016), hiện tượng đa cộng tuyến xảy ra khi dung sai < 0.2hoặchệ số phóng đại phương sai (VIF) > 5. Khi đánh giá về hiện tượng đa cộng tuyến, bạn có thể sử dụng 1 trong 2 chỉ số trên để kết luận.
2.2. Đánh giá mối quan hệ tác động
Original Sample: hệ số tác động chuẩn hóa của mô hình
Dấu cộng (+): Mối quan hệ tác động dương
Dấu trừ (-): Mối quan hệ tác động âm
P-values: Mức ý nghĩa của phép kiểm định t (< 0.05)
2.3. Hệ số R bình phương và R bình phương hiệu chỉnh
Theo Höck và Ringle (2010), R bình phương được giải thích như sau:
R² ≥ 0.67: Mô hình được giải thích ở mức mạnh
0.33 ≤ R² < 0.67: Mô hình được giải thích ở mức vừa
0.19 ≤ R² < 0.33: Mô hình được giải thích ở mức yếu
2.4. Hệ số f bình phương
Theo Cohen (1988), hệ số f bình phương được chia thành 3 mức độ sau:
F bình phương > 0.4: Kích thước ảnh hưởng lớn
F bình phương từ 0.25 đến 0.4: Kích thước ảnh hưởng trung bình
F bình phương < 0.1: Kích thước ảnh hưởng nhỏ
2.5. Hệ số Q bình phương
Chỉ số này được tính bằng phương pháp Blindfolding trong phần mềm Smart PLS.
Theo Hair và cộng sự (2016), Q² được giải thích như sau:
Q² < 0: Mô hình không có ý nghĩa dự báo
Q² > 0: Mô hình dự báo tốt
Trong trường hợp Q² > 0, ta có thể kết luận mức độ dự báo của mô hình như sau:
0.02 ≤ Q² < 0.15: Dự báo yếu
0.15 ≤ Q² < 0.35: Dự báo trung bình
Q² ≥ 0.35: Dự báo mạnh
3. Phân tích cấu trúc đa nhóm (MGA)
Phân tích cấu trúc đa nhóm (Multi Group Analysis - MGA) là một phương pháp phân tích dữ liệu nâng cao đối với mô hình SEM trong Smart PLS.
Phương pháp này cho phép các nhà nghiên cứu kiểm tra sự khác biệt trong mối quan hệ giữa các biến trong mô hình cấu trúc giữa các nhóm khác nhau như: Giới tính, độ tuổi, thu nhập,...
Thông thường, bạn sẽ tiến hành phân tích cấu trúc đa nhóm sau khi đã đánh giá mô hình đo lường và mô hình cấu trúc của mô hình nghiên cứu.
Khi phân tích cấu trúc đa nhóm, bạn cần quan tâm đến 2 chỉ số chính, bao gồm:
Path Coefficients-diff: Hệ số tác động chênh lệch giữa 2 nhóm so sánh. Giá trị này được tính dựa trên hệ số tác động của Group A trừ cho Group B.
p-Value new: Ngưỡng giá trị kết luận sự khác biệt của mối tác động giữa 2 nhóm.
p-Value new ≤ 0.05: Có sự khác biệt giữa 2 nhóm
p-Value new > 0.05: Không có sự khác biệt giữa 2 nhóm
Trên đây là tất tần tật các bước phân tích dữ liệu với phần mềm Smart PLS. Marketing Du Ký mong rằng bạn đã nắm rõ quy trình cũng như có thể tiến hành các bước phân tích dữ liệu như trên.
