ĐÁNH GIÁ MÔ HÌNH ĐO LƯỜNG FORMATIVE TRONG SMARTPLS

Dùng phân tích dư thừa, VIF và ý nghĩa trọng số để quyết định giữ hay loại câu hỏi trong thang đo formative

Bài nên đọc trước

• Đánh giá mô hình đo lường reflective trong SmartPLS

Bài đánh giá mô hình đo lường reflective và bài HTMT và giá trị phân biệt đã đánh giá các thang đo kết quả (reflective) của mô hình sàn X. Nhưng không phải khái niệm nào cũng đo theo cách đó. Có những khái niệm được tạo nên từ các thành phần của nó, gọi là thang đo nguyên nhân (formative). Với loại thang đo này, hệ số tải từ 0,708, Cronbach's alpha, AVE hay HTMT không còn áp dụng. Bài này trình bày ba bước đánh giá riêng cho thang đo formative (Hair và cộng sự, 2019).

Năm khái niệm của đề tài sàn X đều là reflective, nên bài dùng project mẫu "Corporate reputation (primer)" đi kèm SmartPLS. Đây là ví dụ kinh điển trong sách của Hair và cộng sự (2022), có bốn thang đo formative được thiết kế bài bản.

Về hình minh họa và con số. Ảnh chụp thật SmartPLS 4.1.2.1 (Ringle và cộng sự, 2026; bản dùng thử) với project mẫu Corporate reputation (primer), 344 người trả lời, ô thiếu xử lý bằng Mean replacement như thiết lập sẵn của project. Ghi chú trích dẫn kèm ảnh bìa sách hiện trong vùng vẽ của project mẫu đã được phủ trắng hoặc cắt bỏ khỏi ảnh. Mọi con số được đối chiếu bằng gói cSEM 0.7.1 (Rademaker & Schuberth, 2026), file danh_gia_formative.R; giá trị p của bootstrap có thể chênh ở chữ số thứ ba giữa hai phần mềm vì mẫu bootstrap ngẫu nhiên khác nhau. Dữ liệu mẫu thuộc SmartPLS nên không kèm trong gói bài; người đọc tự cài project mẫu (bài cài đặt SmartPLS 4, mục 4).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 36-danh-gia-mo-hinh-do-luong-formative 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. Thang đo formative khác reflective thế nào?

Hai loại thang đo khác nhau ở chiều quan hệ giữa khái niệm và câu hỏi, kéo theo cách đánh giá khác nhau (Bảng 1).

Bảng 1. Thang đo reflective và formative.

Ví dụ trong project mẫu: QUAL (chất lượng của doanh nghiệp) được tạo nên từ tám câu hỏi qual_1 đến qual_8, mỗi câu về một khía cạnh chất lượng khác nhau. Một doanh nghiệp có thể rất tốt ở khía cạnh này nhưng kém ở khía cạnh khác: các câu hỏi không nhất thiết đi cùng chiều và mỗi câu đóng góp một phần vào khái niệm chung (Diamantopoulos & Winklhofer, 2001).

Mô hình mở rộng của project mẫu (Hình 1) có bốn khái niệm formative: ATTR (sức hấp dẫn), CSOR (trách nhiệm xã hội), PERF (kết quả hoạt động) và QUAL (chất lượng). Chúng tác động lên hai khía cạnh của uy tín doanh nghiệp là COMP (năng lực) và LIKE (thiện cảm), hai khái niệm reflective; hai khái niệm này lại tác động lên CUSA (sự hài lòng) và CUSL (lòng trung thành) của khách hàng.

Bước 1. Trong khung Workspace, mở project Example – Corporate reputation (primer) và nháy đúp mô hình 2 Extended model.

Hình 1. Mô hình 2 Extended model: (1) khái niệm formative ATTR, mũi tên đi từ câu hỏi vào biến tiềm ẩn, (2) khái niệm reflective COMP, mũi tên đi từ biến tiềm ẩn ra câu hỏi.

Muốn đổi một thang đo từ reflective sang formative hay ngược lại, bấm chuột phải vào biến tiềm ẩn và chọn Invert measurement model (bài nhập dữ liệu và vẽ mô hình trong SmartPLS). Quyết định đo theo cách nào phải dựa trên nội dung lý thuyết của khái niệm, không dựa trên kết quả.

2. Bước 1: Giá trị hội tụ bằng phân tích dư thừa

Thang đo formative có đo đúng khái niệm không? Cách kiểm tra là phân tích dư thừa (redundancy analysis; Chin, 1998): so khái niệm formative với một cách đo khác của cùng khái niệm, thường là một câu hỏi tổng quát. Ví dụ, với ATTR, câu tổng quát attr_global hỏi chung về mức độ hấp dẫn của doanh nghiệp.

Ngưỡng: hệ số đường dẫn giữa hai cách đo từ 0,708, tức R² từ 0,50 (Hair và cộng sự, 2019).

Phân tích dư thừa cần chuẩn bị từ khi thiết kế bảng hỏi: phải có câu hỏi tổng quát cho mỗi khái niệm formative. Không thể bổ sung sau khi đã thu dữ liệu.

Bước 2. Mở mô hình 3a Redundancy analysis ATTR (đã vẽ sẵn trong project mẫu), chọn Calculate > PLS-SEM algorithm và bấm Start calculation (Hình 2, Bảng 2).

Hình 2. Phân tích dư thừa: ATTR_F là ATTR đo bằng ba câu formative, ATTR_G là ATTR đo bằng câu tổng quát attr_global. (1) Hệ số đường dẫn 0,874, (2) R² = 0,764.

Bảng 2. Kết quả phân tích dư thừa của bốn khái niệm formative.

Bốn mô hình 3a đến 3d của project mẫu. R² bằng bình phương hệ số đường dẫn.

Kết quả: cả bốn thang đo formative có hệ số đường dẫn trên 0,708: đạt giá trị hội tụ. Lưu ý trọng số của ba câu ATTR trong mô hình dư thừa (0,573; 0,176; 0,523) khác với trong mô hình đầy đủ, vì trọng số trong PLS-SEM phụ thuộc vào các biến tiềm ẩn mà khái niệm được nối tới. Trọng số dùng để đánh giá ở bước 3 là trọng số của mô hình đầy đủ.

3. Bước 2: Đa cộng tuyến (VIF)

Trọng số của câu hỏi formative được ước lượng như hệ số hồi quy bội. Khi các câu hỏi tương quan quá cao với nhau, trọng số trở nên không ổn định, có thể đổi dấu hoặc mất ý nghĩa. VIF (variance inflation factor) đo mức độ này.

Ngưỡng (Hair và cộng sự, 2019): VIF từ 5 là có vấn đề nghiêm trọng; tốt nhất là dưới 3. VIF từ 3 đến 5 có thể đã gây ảnh hưởng.

Bước 3. Chạy PLS-SEM algorithm trên mô hình 2 Extended model, rồi mở Quality criteria > Collinearity statistics (VIF) > Outer model – List (Hình 3).

Hình 3. VIF của các câu hỏi: (1) mục Outer model – List, (2) VIF cao nhất của câu hỏi formative, qual_3. Một số ô bị rút gọn (2.2...) vì bảng đang thu nhỏ; giá trị đầy đủ ở bảng dưới.

Bảng này liệt kê VIF của mọi câu hỏi. Chỉ đọc VIF của câu hỏi formative; VIF của câu hỏi reflective (comp, like, cusl) không dùng để đánh giá (Bảng 3).

Bảng 3. VIF của các câu hỏi formative.

Kết quả: VIF cao nhất là 2,269, dưới 3: không có vấn đề đa cộng tuyến.

4. Bước 3: Ý nghĩa và mức liên quan của trọng số

Trọng số (outer weight) cho biết đóng góp tương đối của mỗi câu hỏi vào khái niệm, khi kiểm soát các câu còn lại. Hệ số tải cho biết đóng góp tuyệt đối: tương quan của câu hỏi với khái niệm khi đứng riêng (Cenfetelli & Bassellier, 2009). Kiểm định ý nghĩa cần bootstrap.

Bước 4. Chọn Calculate > Bootstrapping, giữ thiết lập của project mẫu (5000 mẫu), bấm Start calculation. Trong báo cáo, mở Final results > Outer weights > Mean, STDEV, T values, p values (Hình 4). Bài bootstrapping trong SmartPLS sẽ trình bày chi tiết các thiết lập bootstrap.

Hình 4. Trọng số và kiểm định bootstrap: (1) mục Outer weights > Mean, STDEV, T values, p values, (2) csor_2 và csor_4, (3) qual_2, qual_3 và qual_4: năm câu có giá trị p lớn hơn 0,05, được SmartPLS tô đỏ.

Năm câu có trọng số không có ý nghĩa (Bảng 4):

Bảng 4. Năm câu có trọng số không có ý nghĩa.

Trọng số và giá trị p từ bootstrap của SmartPLS (5000 mẫu).

Không loại các câu này ngay. Quy tắc quyết định (Hair và cộng sự, 2019) được tóm tắt ở Hình 5:

Hình 5. Quy trình quyết định giữ hay loại một câu hỏi formative.

• Trọng số có ý nghĩa: giữ câu hỏi.
• Trọng số không có ý nghĩa nhưng hệ số tải từ 0,50 hoặc có ý nghĩa: thường vẫn giữ, vì câu hỏi có đóng góp tuyệt đối đáng kể dù đóng góp tương đối nhỏ khi đứng cùng các câu khác.
• Cả trọng số và hệ số tải đều thấp, không có ý nghĩa: cân nhắc loại, nhưng phải xét nội dung: loại câu hỏi formative là bỏ đi một phần định nghĩa của khái niệm.

Bước 5. Trong cùng báo cáo bootstrap, mở Final results > Outer loadings > Mean, STDEV, T values, p values (Hình 6) để xem hệ số tải.

Hình 6. Hệ số tải và kiểm định bootstrap: (1) mục Outer loadings, (2) csor_2 và csor_4, (3) qual_2 đến qual_4: hệ số tải đều từ 0,57 trở lên và có ý nghĩa.

Kết quả: cả năm câu có hệ số tải từ 0,570 đến 0,749, đều có ý nghĩa (p < 0,001): giữ cả năm câu. Hình 7 đặt trọng số cạnh hệ số tải của toàn bộ 21 câu formative.

Hình 7. Trọng số (cột đậm) và hệ số tải (cột nhạt) của 21 câu hỏi formative, tính bằng cSEM. Màu cam là năm câu có trọng số không có ý nghĩa; cả năm đều có hệ số tải trên 0,50.

Hai điểm đáng chú ý trong Hình 7:

• Trọng số âm của qual_4 (−0,005) không có nghĩa là chất lượng ở khía cạnh này làm giảm QUAL. Trọng số gần 0 và không có ý nghĩa; hệ số tải dương (0,664) cho thấy qual_4 vẫn đi cùng chiều với khái niệm.
• Câu có trọng số lớn nhất trong mỗi khái niệm (attr_3, csor_5, perf_1, qual_6) là khía cạnh mà doanh nghiệp nên ưu tiên khi muốn cải thiện khái niệm đó. Đây là cách đọc thực tiễn của trọng số formative.

5. Trình bày kết quả

Bốn thang đo formative được đánh giá theo Hair và cộng sự (2019). Phân tích dư thừa cho hệ số đường dẫn từ 0,805 đến 0,874, vượt ngưỡng 0,708, khẳng định giá trị hội tụ. VIF của các câu hỏi formative từ 1,129 đến 2,269, dưới 3, cho thấy không có đa cộng tuyến. Kiểm định bootstrap (5000 mẫu) cho thấy 16 trên 21 trọng số có ý nghĩa ở mức 5%. Năm câu có trọng số không có ý nghĩa (csor_2, csor_4, qual_2, qual_3, qual_4) đều có hệ số tải từ 0,570 trở lên và có ý nghĩa (p < 0,001), nên được giữ lại vì đóng góp tuyệt đối vào khái niệm.

Bảng trong luận văn nên có, với mỗi câu formative: trọng số, p của trọng số, hệ số tải, p của hệ số tải và VIF; kèm một bảng nhỏ cho phân tích dư thừa.

Năm lỗi thường gặp

Các lỗi dưới đây thường gặp trong luận văn khi làm bước này.

1. Đánh giá thang đo formative bằng alpha, AVE hay HTMT. Các chỉ số này chỉ dành cho reflective.
2. Loại câu hỏi chỉ vì trọng số không có ý nghĩa mà không xem hệ số tải.
3. Chọn formative hay reflective theo kết quả (đổi chiều mũi tên để chỉ số "đẹp" hơn). Cách đo phải xuất phát từ định nghĩa của khái niệm.
4. Không có câu hỏi tổng quát trong bảng hỏi, nên không làm được phân tích dư thừa. Hãy thêm một câu tổng quát cho mỗi khái niệm formative khi thiết kế bảng hỏi.
5. Đọc VIF của câu hỏi reflective để kết luận về đa cộng tuyến của mô hình đo lường formative.

Tài liệu tham khảo

Cenfetelli, R. T., & Bassellier, G. (2009). Interpretation of formative measurement in information systems research. MIS Quarterly, 33(4), 689–707. https://doi.org/10.2307/20650323

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295–336). Lawrence Erlbaum Associates. https://doi.org/10.4324/9781410604385

Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277. https://doi.org/10.1509/jmkr.38.2.269.18845

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications. https://collegepublishing.sagepub.com/products/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem-3-270548

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203

Rademaker, M. E., & Schuberth, F. (2026). cSEM: Composite-based structural equation modeling (R package version 0.7.1) [Computer software]. https://CRAN.R-project.org/package=cSEM

Ringle, C. M., Wende, S., & Becker, J.-M. (2026). SmartPLS 4 (Version 4.1.2.1) [Computer software]. SmartPLS GmbH. https://www.smartpls.com