PLS-SEM · Bước 1

Đánh giá mô hình đo lường trong SmartPLS: 6 chỉ số và cách xử lý khi không đạt

AVE dưới 0,5, HTMT vượt 0,9, Outer Loading lẹt đẹt 0,6 — loại biến nào để thang đo đạt mà không “phá” mô hình? Đầy đủ ngưỡng theo Hair et al. (2022) kèm cách sửa.

⏱ ~8 phút đọcNguồn: Hair et al. (2022)Cập nhật:

Chạy PLS Algorithm xong, bảng nào cũng có ô đỏ: AVE của một biến chỉ 0,46, HTMT giữa hai khái niệm lên 0,92, vài Outer Loading lẹt đẹt 0,6. Loại biến nào để thang đo đạt mà không “phá” mô hình? Bài viết hướng dẫn đánh giá mô hình đo lường trong SmartPLS theo đúng 6 chỉ số của Hair et al. (2022), kèm ví dụ, ngưỡng đạt và quy trình xử lý khi chỉ số không đạt.

📚 Nguồn tham chiếu

Các tiêu chuẩn được tổng hợp chủ yếu từ Hair, Hult, Ringle & Sarstedt (2022) — A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd Edition. Bài viết áp dụng cho mô hình đo lường phản xạ (reflective).

Biến tiềm ẩn Customer Satisfaction với bốn biến quan sát, CS4 có Outer Loading 0,591 được đánh dấu cân nhắc
CS4 nằm trong vùng cân nhắc, nhưng AVE và CR của thang đo vẫn đạt.

1Outer Loading — hệ số tải ngoài bao nhiêu là đạt?

Outer Loading phản ánh mức độ tương quan giữa mỗi biến quan sát và biến tiềm ẩn mà nó đo lường. Giá trị càng lớn, biến quan sát càng phản ánh đúng khái niệm.

Ví dụ

Biến tiềm ẩn Customer Satisfaction đo bởi bốn biến quan sát:

  • CS1: Tôi hài lòng với chất lượng sản phẩm.
  • CS2: Sản phẩm đáp ứng mong đợi của tôi.
  • CS3: Tôi sẽ tiếp tục sử dụng sản phẩm.
  • CS4: Tôi sẽ giới thiệu sản phẩm cho người khác.
IndicatorOuter Loading
CS10.892
CS20.876
CS30.842
CS40.591

CS1–CS3 phản ánh rất tốt. CS4 (0,591) nằm trong vùng cân nhắc — quyết định giữ hay loại dựa trên tác động đến CR, AVE và ý nghĩa nội dung (xem mục 7).

  • ≥ 0,708 — Đạt yêu cầu
  • 0,40 – 0,708 — Xem xét (giữ hoặc loại)
  • < 0,40 — Loại bỏ

2Cronbach’s Alpha — độ tin cậy nhất quán nội tại

Chỉ số truyền thống đo mức nhất quán giữa các biến quan sát trong cùng một khái niệm. Trong PLS-SEM, Alpha được xem là cận dưới của độ tin cậy vì giả định mọi biến có trọng số như nhau.

Ví dụ

Thang đo “Niềm tin vào thương hiệu” (5 câu): Alpha = 0,865 → các câu nhất quán cao. Nếu Alpha chỉ 0,52 → có câu chưa phù hợp, cần xem lại.

  • 0,70 – 0,95 — Đạt (0,80–0,90 là lý tưởng)
  • 0,60 – 0,70 — Chấp nhận trong nghiên cứu khám phá
  • < 0,60 — Không đạt · > 0,95 — Câu hỏi trùng lặp
📏
Đọc thêm
Cronbach’s Alpha thấp: 6 nguyên nhân & cách xử lý
Câu đảo ngược, mã hóa sai, câu lệch nội dung…
→

3rho_A — độ tin cậy chính xác hơn

Theo Dijkstra & Henseler (2015), được Hair et al. (2022) khuyến nghị, rho_A dùng hệ số tải thực tế của các biến nên nằm giữa Cronbach’s Alpha (cận dưới) và CR (cận trên) — phản ánh độ tin cậy sát thực tế hơn.

Ví dụ

Thang đo “Giá trị cảm nhận”: Alpha = 0,812 · rho_A = 0,847 · CR = 0,886.

  • 0,70 – 0,95 — Đạt yêu cầu
  • < 0,70 — Chưa đạt · > 0,95 — Có thể trùng lặp

4Composite Reliability (CR) — độ tin cậy tổng hợp

CR tính đến mức đóng góp thực tế của từng biến quan sát, phản ánh khả năng toàn bộ các biến cùng đo chính xác một khái niệm.

Ví dụ

Nhân tố “Chất lượng dịch vụ”: SQ1 = 0,88 · SQ2 = 0,84 · SQ3 = 0,86 · SQ4 = 0,91 → CR = 0,93, các biến phối hợp rất tốt.

  • 0,70 – 0,95 — Đạt
  • < 0,70 — Chưa đạt
  • > 0,95 — Các biến quá giống nhau, thông tin dư thừa

5AVE — giá trị hội tụ bao nhiêu là đạt?

Theo Fornell & Larcker (1981), Average Variance Extracted (AVE) là tỷ lệ phương sai của các biến quan sát được biến tiềm ẩn giải thích — cho biết các biến có thực sự “hội tụ” về cùng một khái niệm.

Ví dụ

“Ý định mua hàng”: AVE = 0,684 → giải thích 68,4% phương sai (vượt 50%, đạt hội tụ). Nếu AVE = 0,39 → hơn một nửa phương sai là sai số đo lường.

  • AVE ≥ 0,50 — Đạt giá trị hội tụ
  • AVE < 0,50 — Chưa đạt

6HTMT — giá trị phân biệt bao nhiêu là đạt?

Theo Henseler, Ringle & Sarstedt (2015) — được Hair et al. (2022) xem là tiêu chí chính cho giá trị phân biệt — HTMT cho biết hai khái niệm có thực sự khác nhau hay đang đo cùng một nội dung.

Ví dụ
Cặp khái niệmHTMT
Service Quality ↔ Customer Satisfaction0.73

HTMT = 0,73 (< 0,85) → phân biệt rõ. Nếu HTMT = 0,96 → hai khái niệm có thể đang đo cùng một thứ.

  • < 0,85 — Phân biệt tốt (khái niệm khác xa nhau)
  • < 0,90 — Chấp nhận với khái niệm gần nhau về nội dung
  • ≥ 0,90 — Có dấu hiệu thiếu giá trị phân biệt
🔎 Kiểm tra nâng cao

Xem thêm khoảng tin cậy Bootstrap của HTMT: nếu cận trên của khoảng tin cậy nhỏ hơn ngưỡng (0,85 hoặc 0,90) thì giá trị phân biệt được khẳng định chắc chắn hơn. Fornell–Larcker có thể trình bày bổ sung nhưng không nên là căn cứ duy nhất.

7Chỉ số không đạt: xử lý thế nào cho đúng?

🔁 Quy trình xử lý Outer Loading, AVE, CR
  1. Loại ngay biến có Outer Loading < 0,40.
  2. Với biến 0,40 – 0,708: thử loại một biến thấp nhất và chạy lại.
  3. Chỉ giữ việc loại nếu nó giúp AVE hoặc CR vượt ngưỡng và không làm mất ý nghĩa nội dung của khái niệm.
  4. Lặp lại từng biến một; giữ tối thiểu 3 biến cho mỗi khái niệm khi có thể.

HTMT ≥ 0,90

  • Đọc lại câu hỏi của hai khái niệm — có câu nào “lai” cả hai?
  • Xem Cross Loadings: biến tải cao lên khái niệm kia là ứng viên loại
  • Nếu lý thuyết cho phép, cân nhắc gộp hai khái niệm

Alpha / CR > 0,95

  • Các câu hỏi gần như lặp lại nhau
  • Cân nhắc loại câu trùng nội dung
  • Kiểm tra phiếu trả lời một chiều (cùng mức mọi câu)
⚠️ Không “ép” chỉ số

Mỗi lần loại biến cần có lý do thống kê lẫn nội dung và được ghi lại. Không chỉnh sửa dữ liệu để chỉ số đạt — nếu thang đo vẫn yếu, hãy báo cáo trung thực trong phần hạn chế.

8Trình bày kết quả mô hình đo lường trong luận văn

Thường gồm 3 bảng: (1) Outer Loading; (2) độ tin cậy & hội tụ; (3) HTMT.

Khái niệmAlpharho_ACRAVE
Service Quality0.8960.8990.9280.762
Perceived Value0.8120.8470.8860.722
Purchase Intention0.8460.8510.8960.684

Hình dung bảng kết quả trước khi chạy thật

Vẽ mô hình trên bàn vẽ mô hình của The Light Data, chọn phương pháp SmartPLS để xem bộ bảng Outer Loading, độ tin cậy, AVE, HTMT trên dữ liệu mô phỏng — tiện để luyện đọc và dàn ý chương 4. Dữ liệu mô phỏng không dùng thay dữ liệu thật.

🧭
Miễn phí
Mở bàn vẽ mô hình
Vẽ mô hình, xem bảng SmartPLS mẫu.
→
Sáu chỉ số: Outer Loading, Cronbach’s Alpha, rho_A, Composite Reliability, AVE và HTMT kèm ngưỡng
Sáu chỉ số cần kiểm tra và ngưỡng đạt.
🎯 Checklist thang đo đạt chuẩn
  • Outer Loading ≥ 0,708 · Alpha / rho_A / CR trong 0,70–0,95.
  • AVE ≥ 0,50 (hội tụ) · HTMT < 0,85 hoặc < 0,90 (phân biệt).
  • Loại biến từng bước, có lý do, ghi lại quá trình.
  • Đạt tất cả → sang bước đánh giá mô hình cấu trúc.
②
Bước tiếp theo
Đánh giá mô hình cấu trúc
Kiểm định giả thuyết với VIF, R², f², Q², β, T & P-Value.
→

Câu hỏi thường gặp

Outer Loading dưới 0,708 có phải loại ngay không?

Không. Biến có Outer Loading từ 0,40 đến 0,708 chỉ nên loại khi việc loại giúp CR hoặc AVE vượt ngưỡng và không làm mất ý nghĩa nội dung của khái niệm (Hair et al., 2022). Dưới 0,40 thì nên loại.

AVE nhỏ hơn 0,5 phải làm sao?

Xem các biến có Outer Loading thấp nhất của khái niệm đó và cân nhắc loại từng biến một, chạy lại và kiểm tra AVE, CR sau mỗi lần loại.

HTMT lớn hơn 0,9 xử lý thế nào?

Kiểm tra hai khái niệm có trùng nội dung không; xem xét loại biến quan sát tương quan cao với khái niệm còn lại, hoặc gộp hai khái niệm nếu lý thuyết cho phép. Đồng thời xem khoảng tin cậy bootstrap của HTMT.

Có cần báo cáo Fornell–Larcker nữa không?

Hair et al. (2022) khuyến nghị HTMT là tiêu chí chính. Fornell–Larcker vẫn có thể trình bày bổ sung vì nhiều hội đồng quen thuộc, nhưng không nên là căn cứ duy nhất.

Biến hình thành (formative) có đánh giá giống vậy không?

Không. Biến hình thành được đánh giá bằng giá trị hội tụ (redundancy analysis), đa cộng tuyến VIF giữa các chỉ báo, và ý nghĩa, mức độ liên quan của trọng số ngoài (outer weights).