Sự khác biệt giữa Composite Reliability rho_a và rho_c trong SmartPLS

Mục lục

Khi chạy phân tích SmartPLS sẽ có 2 khái niệm độ tin cậy tổng hợp Composite Reliability rho_a và rho_c trong bảng kết quả, bài này sẽ làm rõ hơn về vấn đề này nhé.

1. Độ tin cậy tổng hợp trong SmartPLS

Trong phân tích mô hình SEM bằng SmartPLS, độ tin cậy tổng hợp của thang đo là một yếu tố quan trọng để đánh giá tính ổn định và chính xác của mô hình đo lường.

Hai chỉ số thường được sử dụng để đo lường độ tin cậy tổng hợp là Composite Reliability (CR), bao gồm rho_a và rho_c.

Cả hai chỉ số này đều giúp đánh giá mức độ nhất quán của các biến quan sát trong việc đo lường một khái niệm tiềm ẩn. Tuy nhiên, chúng có cách tính và ý nghĩa khác nhau.

2. Composite Reliability (rho_c) – Độ tin cậy tổng hợp truyền thống

2.1. Định nghĩa Composite Reliability (rho_c)

Composite Reliability (rho_c), còn được gọi là Jöreskog’s rho (ρc), là một thước đo truyền thống trong PLS-SEM để đánh giá độ tin cậy của thang đo phản ánh (reflective measurement model). Chỉ số này phản ánh mức độ mà các biến quan sát phản ánh cùng một khái niệm tiềm ẩn.

(Karl G. Jöreskog là một nhà thống kê và nhà phương pháp học nổi tiếng trong lĩnh vực phân tích dữ liệu và mô hình phương trình cấu trúc. Ông sinh năm 1935 tại Thụy Điển và là giáo sư danh dự tại Đại học Uppsala.)

2.2. Công thức tính

Công thức tính độ tin cậy tổng hợp được tính dựa trên giá trị factor loadings như sau:

(với lamda là factor loadings)

2.3. Tiêu chí đánh giá

ρc>=0.7: Độ tin cậy tốt.
ρc>=0.6: Có thể chấp nhận trong nghiên cứu khám phá.
ρc<0.6: Không đạt yêu cầu, cần xem xét lại thang đo hoặc số liệu

2.4. Ưu điểm và hạn chế

Ưu điểm: Dễ tính toán, phổ biến trong nghiên cứu SEM.

Hạn chế: Có thể đánh giá quá mức độ tin cậy nếu hệ số tải factor loadingscủa một số biến quan sát quá cao.

3. Composite Reliability (rho_a) – Độ tin cậy điều chỉnh

3.1. Định nghĩa Composite Reliability (rho_a)

Composite Reliability (rho_a) là một thước đo được đề xuất bởi Dijkstra & Henseler (2015) nhằm cải thiện độ chính xác của rho_c. Chỉ số này sử dụng trung bình hình học của các hệ số tải để cân bằng sự khác biệt giữa các biến quan sát.

3.2. Công thức tính

Công thức của rho_a phức tạp hơn rho_c vì nó sử dụng phương pháp nội suy để điều chỉnh độ tin cậy dựa trên ma trận phương sai covariance. Tuy nhiên, phần mềm SmartPLS sẽ tự động tính toán giá trị này cho bạn.

3.3. Tiêu chí đánh giá

ρa>=0.7: Độ tin cậy tốt.
ρa>=0.6: Có thể chấp nhận được.
ρa<0.6: Không đạt yêu cầu, cần kiểm tra lại thang đo.

3.4. Ưu điểm và hạn chế

Ưu điểm: Cung cấp một ước lượng chính xác hơn so với rho_c, đặc biệt hữu ích khi hệ số tải có độ lệch lớn.

Hạn chế: Ít được sử dụng hơn rho_c trong các nghiên cứu trước đây, vì vậy có thể gây khó khăn trong việc so sánh với các nghiên cứu khác.

4. So sánh nhanh giữa rho_a và rho_c

Tiêu chí	rho_a	rho_c
Cách tính	Trung bình hình học của hệ số tải	Tổng bình phương hệ số tải
Độ chính xác	Chính xác hơn, ít bị ảnh hưởng bởi hệ số tải cao	Có thể bị đánh giá quá mức khi hệ số tải không đồng đều
Khuyến nghị	Nên dùng khi có dữ liệu phức tạp hoặc biến quan sát không đồng nhất	Được sử dụng phổ biến hơn trong PLS-SEM

Khi nào nên sử dụng rho_a hay rho_c?

Nếu bạn đang làm nghiên cứu theo phương pháp truyền thống, rho_c là lựa chọn phổ biến hơn.
Nếu dữ liệu của bạn có độ lệch chuẩn cao giữa các hệ số tải, rho_a sẽ cho kết quả chính xác hơn.

Cả hai chỉ số cần lớn hơn 0.7 để đảm bảo thang đo có độ tin cậy tốt.

5. Cách kiểm tra rho_a và rho_c trong SmartPLS

Bước 1: Chạy mô hình PLS-SEM

Mở SmartPLS và tải dữ liệu của bạn.

Xây dựng mô hình đo lường, ví dụ như sau:

Chạy mô hình bằng cách nhấn Calculate > PLS Algorithm.

Bước 2: Kiểm tra kết quả

Chuyển đến mục Construct reliablity and validity, xem chỉ số Composite reliability(rho_a) và Composite reliability(rho_c) , sau đó đánh giá theo tiêu chí đã đề cập ở trên.

6. Tóm tắt composite reliability rho_a và rho_c

Trong phân tích PLS-SEM, độ tin cậy của thang đo là yếu tố quan trọng để đảm bảo tính chính xác và độ tin cậy của số liệu ứng với một mô hình cụ thể. Hai chỉ số Composite Reliability (rho_c) và Composite Reliability (rho_a) đều giúp đánh giá điều này, nhưng rho_a cung cấp một cái nhìn chính xác hơn trong trường hợp dữ liệu phức tạp.

Nếu bạn đang gặp khó khăn trong việc xử lý số liệu và kiểm định độ tin cậy trong SmartPLS, hãy sử dụng dịch vụ hỗ trợ phân tích dữ liệu của Phân Tích SPSS để có được kết quả chuyên nghiệp và chính xác nhất!