KIỂM ĐỊNH CRONBACH'S ALPHA TRONG SPSS/PSPP

Chạy Reliability, đọc tương quan biến tổng và Alpha nếu loại biến, quyết định loại câu và trình bày theo chuẩn luận văn

Bài nên đọc trước

• Mã hóa lại và tính biến đại diện trong SPSS/PSPP

Mỗi khái niệm trong mô hình nghiên cứu được đo bằng nhiều câu hỏi: bốn câu cho Sự hài lòng, bốn câu cho Niềm tin. Trước khi gộp các câu thành một biến đại diện như ở bài tính biến đại diện, cần trả lời một câu hỏi: các câu này có đo nhất quán cùng một thứ không? Nếu một người rất hài lòng trả lời "Hoàn toàn đồng ý" ở câu HL1 nhưng "Không đồng ý" ở câu HL3, trung bình của hai câu này không phản ánh đúng mức hài lòng của họ.

Cronbach's Alpha (Cronbach, 1951) là hệ số phổ biến nhất để đo mức độ nhất quán nội tại đó. Bài viết này hướng dẫn chạy Cronbach's Alpha trong PSPP cho 5 thang đo của bộ dữ liệu mẫu (du_lieu_phan_tich.sav, 267 phiếu), cách đọc từng con số và cách quyết định có nên loại câu hỏi nào không. Ảnh trong bài là ảnh chụp giao diện PSPP 2.0 thật và kết quả thật từ file cú pháp cronbach_alpha.sps đi kèm (Free Software Foundation, 2023).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 11-cronbach-alpha-spss của kho dữ liệu mẫu trên GitHub. Muốn tải cả kho, bấm Code > Download ZIP rồi giải nén và giữ nguyên cấu trúc thư mục.

1. Cronbach's Alpha đo cái gì?

Cronbach's Alpha đo độ nhất quán nội tại (internal consistency): các câu trong một thang đo tương quan với nhau chặt đến mức nào. Công thức dựa trên phương sai của từng câu và phương sai của tổng điểm:

α = k / (k − 1) × (1 − Σ phương sai từng câu / phương sai tổng điểm)

trong đó k là số câu. Khi các câu tương quan chặt với nhau, phương sai của tổng lớn hơn nhiều so với tổng phương sai từng câu và α tiến về 1. Khi các câu không liên quan, α tiến về 0. Alpha cũng có thể âm khi có câu tương quan âm với các câu khác, như bạn sẽ thấy ở mục 5.

Có ba điều Alpha không cho biết:

1. Alpha không chứng minh thang đo đơn hướng. Cortina (1993) chỉ ra rằng một thang đo gồm hai nhóm câu đo hai khái niệm khác nhau vẫn có thể có Alpha cao, nếu đủ nhiều câu. Kiểm tra các câu có cùng đo một khái niệm hay không là việc của EFA (bài phân tích nhân tố khám phá).
2. Alpha không chứng minh thang đo đo đúng khái niệm. Đó là giá trị (validity), một vấn đề khác với độ tin cậy. Một thang đo có thể đo rất nhất quán một thứ không phải là Sự hài lòng.
3. Alpha không phải là thuộc tính cố định của thang đo. Alpha được tính trên một mẫu cụ thể. Cùng bộ câu hỏi có thể cho Alpha khác nhau ở các mẫu khác nhau (Streiner, 2003), nên mỗi nghiên cứu phải tự kiểm định lại, dù thang đo đã được dùng ở nghiên cứu trước.

2. Quy trình đánh giá độ tin cậy

Đánh giá độ tin cậy gồm nhiều bước nối tiếp, từ chuẩn bị dữ liệu đến quyết định giữ hay loại câu (Hình 1).

Hình 1. Năm bước đánh giá độ tin cậy, thực hiện riêng cho từng thang đo.

Nguyên tắc quan trọng nhất: chạy riêng từng thang đo. Đưa cả 20 câu của 5 khái niệm vào một lần chạy sẽ cho một con số Alpha không có ý nghĩa gì, vì 20 câu đó không được thiết kế để đo cùng một thứ. Ngoài ra, câu đảo chiều phải được mã hóa ngược trước, như đã làm với NT4R ở bài tính biến đại diện.

3. Chạy Cronbach's Alpha trong PSPP

Lệnh Reliability chạy được bằng giao diện hoặc bằng cú pháp; hai cách cho cùng kết quả.

Bằng giao diện

Trong PSPP, chọn Analyze > Reliability (Hình 2). Trong SPSS, đường dẫn là Analyze > Scale > Reliability Analysis.

Hình 2. Lệnh Reliability nằm trực tiếp trong menu Analyze của PSPP.

Trong hộp thoại Reliability Analysis (Hình 3):

1. Chọn 4 câu của thang đo Xác nhận kỳ vọng (XN1–XN4) ở danh sách bên trái, bấm mũi tên để đưa sang ô Items (1).
2. Giữ Model là Alpha (2).
3. Đánh dấu ô Show descriptives for scale if item is deleted (3). Đây là tùy chọn quan trọng nhất: nó tạo bảng Item-Total Statistics dùng để quyết định loại câu. Trong SPSS, tùy chọn tương ứng là Statistics > Scale if item deleted.
4. Bấm Paste (4) để lấy cú pháp, hoặc OK để chạy ngay.

Hình 3. Bốn câu XN1–XN4 trong ô Items, mô hình Alpha và tùy chọn hiển thị thống kê khi loại từng câu.

Bằng cú pháp

Cú pháp do PSPP sinh ra khi bấm Paste (Hình 4) rất ngắn. Dòng /SUMMARY = TOTAL ứng với ô đánh dấu ở bước 3.

Hình 4. Cú pháp RELIABILITY khi bấm Paste.

File cronbach_alpha.sps đi kèm thêm /SCALE để đặt tên cho thang đo trong bảng kết quả. Cách này rất tiện khi chạy liên tiếp 5 thang đo:

RELIABILITY /VARIABLES=XN1 XN2 XN3 XN4 /SCALE('Xác nhận kỳ vọng') ALL
  /MODEL=ALPHA /SUMMARY=TOTAL.
RELIABILITY /VARIABLES=NT1 NT2 NT3 NT4R /SCALE('Niềm tin') ALL
  /MODEL=ALPHA /SUMMARY=TOTAL.

4. Đọc kết quả Cronbach's Alpha

Kết quả Reliability gồm ba bảng, mỗi bảng trả lời một câu hỏi khác nhau (Hình 5).

Hình 5. Ba bảng kết quả: số phiếu được dùng (1), hệ số Alpha (2), tương quan biến-tổng hiệu chỉnh (3) và Alpha nếu loại câu (4).

Bảng Case Processing Summary: số phiếu được dùng

RELIABILITY loại theo danh sách (listwise): phiếu thiếu bất kỳ câu nào trong 4 câu XN sẽ bị loại khỏi phép tính. Thang XN dùng 262 phiếu, loại 5 phiếu (1). Con số này khác nhau giữa các thang đo, vì mỗi thang có số ô thiếu khác nhau.

Bảng Reliability Statistics: hệ số Alpha

Thang XN có α = 0,82 (2). PSPP hiển thị hai chữ số thập phân; giá trị đầy đủ là 0,824. Bảng dưới đây tổng hợp các ngưỡng thường được trích dẫn (Bảng 1):

Bảng 1. Ngưỡng đánh giá hệ số Cronbach's Alpha.

Taber (2018) lưu ý rằng các ngưỡng này là quy ước được trích dẫn lại nhiều lần, không phải tiêu chuẩn có cơ sở thống kê chặt chẽ. Một Alpha 0,69 không có nghĩa thang đo "hỏng" và một Alpha 0,71 không có nghĩa thang đo tốt. Hãy đọc Alpha cùng với hai cột ở bảng tiếp theo.

Bảng Item-Total Statistics: đánh giá từng câu

Bảng này có bốn cột. Hai cột quan trọng nhất là hai cột cuối:

Corrected Item-Total Correlation (3), tức tương quan biến-tổng hiệu chỉnh, là tương quan giữa một câu và tổng của các câu còn lại trong thang đo. Chữ "hiệu chỉnh" nghĩa là câu đó không được tính vào tổng, nếu không tương quan sẽ bị thổi phồng. Ngưỡng hay dùng là từ 0,30 trở lên (Nunnally & Bernstein, 1994). Hair và cộng sự (2019) đề xuất ngưỡng chặt hơn là 0,50. Bốn câu XN có tương quan biến-tổng từ 0,61 đến 0,69, đạt cả hai ngưỡng.

Cronbach's Alpha if Item Deleted (4) là Alpha của thang đo nếu bỏ câu đó. Nếu một cột này lớn hơn rõ rệt Alpha hiện tại, câu đó đang làm giảm độ nhất quán của thang đo. Ở thang XN, mọi giá trị (0,76 đến 0,80) đều nhỏ hơn 0,824, nghĩa là bỏ bất kỳ câu nào cũng làm Alpha giảm. Cả 4 câu được giữ lại.

Hai cột đầu, Scale Mean if Item Deleted và Scale Variance if Item Deleted, là trung bình và phương sai của tổng điểm khi bỏ câu đó. Hai cột này ít được dùng để ra quyết định.

5. Kết quả cho cả 5 thang đo

File cú pháp chạy lần lượt 5 thang đo. Kết quả tổng hợp (Bảng 2):

Bảng 2. Độ tin cậy của năm thang đo trong mô hình mẫu.

Cả 5 thang đo đều có Alpha từ 0,79 trở lên, mọi câu có tương quan biến-tổng từ 0,57 trở lên và không có câu nào mà việc loại bỏ làm Alpha tăng. Không câu nào bị loại ở bước này.

Câu có tương quan biến-tổng thấp nhất

Thang Nhận thức hữu ích là ví dụ tốt để luyện cách đọc bảng (Hình 6):

Hình 6. HI4 có tương quan biến-tổng thấp nhất (0,57); Alpha khi loại HI4 là 0,81, thấp hơn Alpha hiện tại 0,83.

HI4 "Nhìn chung, sàn X hữu ích cho nhu cầu mua sắm của tôi" là câu yếu nhất của thang đo, nhưng vẫn vượt xa ngưỡng 0,30. Bỏ HI4 làm Alpha giảm từ 0,825 xuống 0,81. Hơn nữa, HI4 là câu tổng quát, bao trùm ba câu cụ thể về thời gian, giá và so sánh sản phẩm. Loại câu này sẽ làm thang đo hẹp lại về nội dung. Giữ HI4 là quyết định đúng cả về thống kê lẫn nội dung.

6. Câu đảo chiều chưa mã hóa ngược: Alpha giảm còn 0,09

Bài tính biến đại diện đã báo trước rằng quên mã hóa ngược NT4 sẽ làm Alpha giảm mạnh. File cú pháp chạy thêm thang Niềm tin với NT4 gốc để kiểm chứng (Hình 7):

Hình 7. Dùng NT4 gốc, Alpha chỉ còn 0,09 (1). NT4 có tương quan biến-tổng âm (−0,64) và Alpha nếu loại NT4 là 0,79 (2).

So sánh hai cách chạy (Bảng 3):

Bảng 3. Cronbach's Alpha của thang Niềm tin khi dùng NT4 gốc và NT4R.

Bảng kết quả khi dùng NT4 gốc như đang "gợi ý" loại NT4: bỏ NT4 thì Alpha tăng từ 0,09 lên 0,79. Nhiều người sẽ làm theo gợi ý đó và báo cáo thang Niềm tin có 3 câu. Đó là quyết định sai. NT4 không phải là câu kém; nó chỉ ngược chiều. Sau khi mã hóa ngược, NT4R đóng góp ngang các câu khác (tương quan biến-tổng 0,64) và thang đo giữ được đủ 4 câu với Alpha 0,83.

Quy tắc: khi thấy tương quan biến-tổng âm, hãy kiểm tra nội dung câu hỏi trước khi loại. Nếu đó là câu đảo chiều, mã hóa ngược rồi chạy lại. Nếu không phải, có thể đã có lỗi nhập liệu hoặc mã hóa.

7. Những điều cần biết thêm về Alpha

Hệ số Alpha có một số đặc điểm dễ bị hiểu sai khi diễn giải.

Alpha tăng theo số câu

Alpha phụ thuộc vào hai thứ: tương quan trung bình giữa các câu và số câu. Với cùng mức tương quan, thang đo càng nhiều câu thì Alpha càng cao (Cortina, 1993) (Hình 8):

Hình 8. Với tương quan trung bình chỉ 0,20, thang đo 10 câu đã có Alpha vượt 0,70. Thang XN đạt 0,82 với 4 câu nhờ tương quan trung bình 0,54.

Hệ quả thực tế:

• Một thang đo dài có Alpha cao chưa chắc gồm các câu liên quan chặt với nhau. Hãy xem thêm tương quan trung bình giữa các câu. Briggs và Cheek (1986) đề xuất khoảng tối ưu từ 0,20 đến 0,40. Các thang đo trong dữ liệu mẫu có tương quan trung bình từ 0,48 (YD) đến 0,57 (HL), cao hơn khoảng này. Điều đó thường gặp ở các thang đo ngắn trong nghiên cứu kinh doanh, vốn gồm những câu diễn đạt khá gần nhau.
• Một thang đo 2–3 câu khó đạt Alpha 0,70 dù các câu tương quan khá tốt. Với thang đo ngắn, hãy báo cáo thêm tương quan trung bình giữa các câu.
• Sau khi loại một câu, Alpha có thể giảm nhẹ chỉ vì thang đo ngắn hơn.

Alpha và Omega

Alpha giả định mọi câu có hệ số tải bằng nhau lên khái niệm (giả định tương đương tau). Khi giả định này không đúng, Alpha thường đánh giá thấp độ tin cậy thật. Vì vậy, McNeish (2018) và Dunn và cộng sự (2014) khuyến nghị báo cáo thêm hệ số Omega của McDonald, hệ số không đòi hỏi giả định này.

PSPP chưa có lệnh tính Omega. Script tinh_omega.py đi kèm tính Omega từ hệ số tải của phân tích nhân tố một nhân tố trên mỗi thang đo (Bảng 4):

Bảng 4. Hệ số Alpha và Omega của năm thang đo.

Omega chỉ cao hơn Alpha 0,001 đến 0,004, vì các câu trong mỗi thang đo có hệ số tải khá đồng đều. Thang HI có chênh lệch lớn nhất (0,004), đúng với việc hệ số tải của HI dao động rộng nhất (0,63 đến 0,86). Ở cụm bài AMOS, bạn sẽ gặp lại ý tưởng này dưới tên độ tin cậy tổng hợp (Composite Reliability, CR), tính từ hệ số tải trong CFA.

Độ tin cậy hai nửa

PSPP còn có mô hình Split-half, chia thang đo thành hai nửa và tính tương quan giữa chúng:

RELIABILITY /VARIABLES=YD1 YD2 YD3 YD4 /SCALE('Ý định mua lại') ALL /MODEL=SPLIT(2).

Với thang YD, tương quan giữa hai nửa (YD1–YD2 và YD3–YD4) là 0,66 và hệ số Spearman-Brown là 0,79, gần bằng Alpha. Kết quả của mô hình này phụ thuộc vào cách chia hai nửa, nên Alpha (về bản chất là trung bình của mọi cách chia) được dùng phổ biến hơn.

8. Khi nào nên loại câu?

Trong dữ liệu mẫu không có câu nào cần loại, nhưng với dữ liệu thật bạn sẽ gặp tình huống này. Một câu nên được xem xét loại khi có một trong các dấu hiệu sau:

• Tương quan biến-tổng hiệu chỉnh dưới 0,30.
• Alpha nếu loại câu lớn hơn rõ rệt Alpha hiện tại (ví dụ từ 0,72 lên 0,80, không phải từ 0,824 lên 0,826).

Trước khi loại, cân nhắc ba điều:

1. Nội dung. Câu đó có đo một khía cạnh quan trọng của khái niệm không? Loại câu có thể làm thang đo hẹp lại về nội dung.
2. Số câu còn lại. Một thang đo nên có ít nhất 3 câu. Với 2 câu, Alpha không còn nhiều ý nghĩa và CFA ở cụm bài AMOS khó ước lượng.
3. Nguyên nhân. Kiểm tra câu đảo chiều, lỗi mã hóa, hoặc câu bị hiểu sai do diễn đạt.

Nếu quyết định loại, mỗi lần chỉ loại một câu, rồi chạy lại. Alpha nếu loại câu được tính với giả định chỉ bỏ một câu, nên không thể bỏ cùng lúc hai câu dựa trên một bảng. Sau đó, sửa lại công thức biến đại diện ở bài tính biến đại diện và ghi rõ câu bị loại cùng lý do trong báo cáo.

9. Trình bày kết quả trong báo cáo

Bảng kết quả kiểm định độ tin cậy trong luận văn thường gộp cả 5 thang đo (Bảng 5):

Bảng 5. Kết quả kiểm định độ tin cậy trình bày theo chuẩn luận văn.

Ghi chú: Bảng đầy đủ gồm cả HI, HL và YD theo cùng định dạng.

Đoạn văn mẫu: "Kết quả kiểm định Cronbach's Alpha cho thấy cả năm thang đo đều đạt độ tin cậy, với hệ số Alpha từ 0,786 (Ý định mua lại) đến 0,841 (Sự hài lòng), vượt ngưỡng 0,70 (Nunnally & Bernstein, 1994). Tương quan biến-tổng hiệu chỉnh của các câu nằm trong khoảng 0,57 đến 0,74, đều trên 0,30 và không có câu nào mà việc loại bỏ làm tăng hệ số Alpha. Câu NT4 được mã hóa ngược trước khi phân tích. Hệ số Omega của McDonald từ 0,787 đến 0,842, gần với Alpha. Toàn bộ 20 câu được giữ lại cho phân tích nhân tố khám phá."

Năm lỗi thường gặp

Các lỗi dưới đây hay gặp khi kiểm định độ tin cậy trong luận văn.

1. Chạy Alpha cho tất cả câu hỏi cùng lúc thay vì từng thang đo riêng.
2. Loại câu đảo chiều vì tương quan biến-tổng âm thay vì mã hóa ngược rồi chạy lại.
3. Loại nhiều câu cùng lúc dựa trên một bảng Item-Total Statistics.
4. Loại câu để Alpha tăng thêm 0,01 dù Alpha đã đạt yêu cầu, làm thang đo mất nội dung mà không có lợi ích thực tế.
5. Coi Alpha cao là bằng chứng thang đo đơn hướng, bỏ qua bước EFA.

Tài liệu tham khảo

Briggs, S. R., & Cheek, J. M. (1986). The role of factor analysis in the development and evaluation of personality scales. Journal of Personality, 54(1), 106–148. https://doi.org/10.1111/j.1467-6494.1986.tb00391.x

Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78(1), 98–104. https://doi.org/10.1037/0021-9010.78.1.98

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555

Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. https://doi.org/10.1111/bjop.12046

Free Software Foundation. (2023). GNU PSPP (Version 2.0.0) [Computer software]. https://www.gnu.org/software/pspp/

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning. https://www.cengage.co.in/book-list/print/multivariate-data-analysis-8e-2t

McNeish, D. (2018). Thanks coefficient alpha, we'll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

Streiner, D. L. (2003). Starting at the beginning: An introduction to coefficient alpha and internal consistency. Journal of Personality Assessment, 80(1), 99–103. https://doi.org/10.1207/S15327752JPA8001_18

Taber, K. S. (2018). The use of Cronbach's alpha when developing and reporting research instruments in science education. Research in Science Education, 48(6), 1273–1296. https://doi.org/10.1007/s11165-016-9602-2