CR, AVE và MSV trong CFA bằng AMOS: từ công thức đến báo cáo
CR, AVE và MSV chỉ có ý nghĩa khi được tính từ một nghiệm CFA hợp lệ. Công thức đúng không cứu được mô hình sai đặc tả, tải nhân tố bất thường hoặc hai cấu trúc chưa phân biệt về nội dung.
Quy trình đáng tin cậy bắt đầu bằng kiểm tra nghiệm CFA, lấy tải và tương quan từ cùng một lần chạy, tính CR và AVE cho từng cấu trúc, tính MSV từ tương quan tiềm ẩn, rồi đối chiếu với bằng chứng bổ sung thay vì kết luận bằng một ngưỡng duy nhất.
1. Mục tiêu học tập và điều kiện đầu vào
Sau chuyên đề này, bạn cần tự lấy đúng bảng từ AMOS, tính CR và AVE cho từng cấu trúc, lập ma trận AVE và MSV, phát hiện lỗi tính phổ biến và viết đoạn kết quả có thể kiểm tra. Ví dụ số dùng tải chuẩn hóa để người đọc theo dõi phép tính, nhưng nghiên cứu thật phải giữ lại file đầu ra và bảng tính gốc.
Điều kiện đầu vào là mô hình CFA đã định danh, ước lượng hội tụ và không có nghiệm không thích hợp như phương sai sai số âm, tải chuẩn hóa vượt phạm vi hợp lý hoặc tương quan nhân tố lớn hơn 1. Nếu nghiệm CFA chưa hợp lệ, hãy dừng trước khi tính các chỉ số tổng hợp (Brown, 2015).
- Mỗi chỉ báo được gán cho cấu trúc theo mô hình lý thuyết.
- AMOS không báo lỗi định danh hoặc không hội tụ.
- Không có phương sai âm hoặc tải chuẩn hóa bất khả thi.
- Tải chuẩn hóa và tương quan nhân tố lấy từ cùng một lần chạy.
- Danh sách chỉ báo dùng để tính khớp với mô hình cuối cùng.
- Các thay đổi mô hình đã được ghi lại và có căn cứ.
2. CR, AVE và MSV trả lời ba câu hỏi khác nhau
Composite reliability (CR) ước lượng tỷ lệ phương sai của điểm tổng hợp có thể quy cho nhân tố chung dưới mô hình đo lường đã đặc tả. Average variance extracted (AVE) mô tả phần phương sai chỉ báo trung bình được nhân tố giải thích. Maximum shared variance (MSV) là bình phương tương quan lớn nhất giữa một nhân tố với một nhân tố khác trong cùng mô hình CFA (Fornell và Larcker, 1981; Raykov, 1997).
CR không đồng nhất với Cronbach's alpha. Alpha dựa trên các giả định chặt hơn về quan hệ giữa các chỉ báo, trong khi CR dùng tải và sai số từ mô hình CFA. Cả hai đều là bằng chứng về độ tin cậy, không phải bằng chứng độc lập rằng thang đo đơn hướng hoặc có giá trị nội dung.
| Chỉ số | Đơn vị đánh giá | Câu hỏi chính | Không được suy diễn thành |
|---|---|---|---|
| CR | Từng cấu trúc | Bộ chỉ báo tạo điểm số đáng tin cậy ở mức nào? | Bằng chứng thang đo chắc chắn đơn hướng |
| AVE | Từng cấu trúc | Nhân tố giải thích trung bình bao nhiêu phương sai chỉ báo? | Độ phù hợp chung của mô hình |
| MSV | Từng cấu trúc so với cấu trúc gần nhất | Phương sai chung lớn nhất với nhân tố khác là bao nhiêu? | Một ngưỡng độc lập để đạt hoặc không đạt |
3. Công thức và giả định đằng sau phép tính
Với tải chuẩn hóa lambda và phương sai sai số theta, công thức thực hành thường dùng là CR = (tổng lambda)² / [(tổng lambda)² + tổng theta] và AVE = tổng lambda² / [tổng lambda² + tổng theta]. Khi chỉ báo được chuẩn hóa và không có đặc tả sai số phức tạp, theta có thể tính bằng 1 - lambda². MSV bằng giá trị lớn nhất của r², với r là tương quan tiềm ẩn giữa cấu trúc đang xét và từng cấu trúc khác.
Công thức rút gọn giả định người dùng đang làm việc với nghiệm chuẩn hóa nhất quán. Khi mô hình có sai số tương quan, tải chéo hoặc cấu trúc phức tạp, độ tin cậy nên được ước lượng trực tiếp từ mô hình với tải chưa chuẩn hóa, phương sai nhân tố và ma trận sai số. Raykov (1997) cho thấy ước lượng độ tin cậy dựa trên mô hình linh hoạt hơn cách coi mọi chỉ báo có tải bằng nhau.
Không làm tròn tải trước khi bình phương. Hãy giữ tối thiểu bốn chữ số trong bảng tính và chỉ làm tròn giá trị báo cáo cuối cùng.
| Chỉ số | Dữ liệu đầu vào | Nguồn trong AMOS | Kiểm tra trước khi tính |
|---|---|---|---|
| CR | Tải và phương sai sai số | Standardized Regression Weights và Variances | Đúng chỉ báo, đúng nghiệm CFA |
| AVE | Bình phương tải và phương sai sai số | Standardized Regression Weights | Không trộn tải chuẩn hóa và chưa chuẩn hóa |
| MSV | Tương quan tiềm ẩn | Correlations hoặc Estimates | Không dùng tương quan điểm tổng thay cho tương quan nhân tố |
4. Lấy đúng số từ AMOS
Trong IBM SPSS Amos 29, mở Analysis Properties và bật Standardized estimates, Squared multiple correlations cùng các bảng Estimates cần thiết. Sau khi chạy mô hình, kiểm tra Notes for Model, Regression Weights, Standardized Regression Weights, Variances và Correlations. IBM Corp. (2022) mô tả các lựa chọn đầu ra này trong hướng dẫn AMOS 29.
Tải chuẩn hóa nằm ở bảng Standardized Regression Weights. Tương quan giữa các nhân tố xuất hiện khi giữa các biến tiềm ẩn có mũi tên hai chiều. Nếu mô hình dùng hiệp phương sai chưa chuẩn hóa, cần chuyển sang bảng Correlations trước khi bình phương để tính MSV.
Nên xuất các giá trị sang một bảng tính có cột cấu trúc, chỉ báo, lambda, lambda² và theta. Thêm một bảng ma trận tương quan nhân tố riêng. Cấu trúc này giúp truy vết từng con số và tránh dán nhầm giữa các mô hình.
Mở Analysis Properties
Trong Output, chọn Standardized estimates, Squared multiple correlations và các bảng estimates cần thiết.
Chạy CFA và đọc cảnh báo
Xác nhận mô hình hội tụ, không có phương sai âm, tải bất khả thi hoặc thông báo lỗi định danh.
Sao chép tải chuẩn hóa
Lấy mỗi đường nhân tố đến chỉ báo từ Standardized Regression Weights và gắn đúng cấu trúc.
Tính phương sai sai số
Với nghiệm chuẩn hóa đơn giản, dùng theta = 1 - lambda²; nếu mô hình phức tạp, lấy và chuẩn hóa theo đặc tả thực tế.
Sao chép tương quan nhân tố
Dùng bảng Correlations, không bình phương covariance chưa chuẩn hóa.
Lưu bảng tính đối chiếu
Ghi tên mô hình, ngày chạy, phiên bản AMOS và danh sách chỉ báo đã dùng.
5. Ví dụ số: tính CR và AVE bằng tay
Ví dụ dưới đây là tình huống minh họa, không phải dữ liệu nghiên cứu thật. Giả sử cấu trúc Niềm tin có ba chỉ báo với tải chuẩn hóa lần lượt là 0,80; 0,75 và 0,70. Bình phương tải là 0,6400; 0,5625 và 0,4900. Phương sai sai số tương ứng là 0,3600; 0,4375 và 0,5100.
Tổng tải bằng 2,25. CR = 2,25² / (2,25² + 1,3075) = 0,795. AVE = 1,6925 / (1,6925 + 1,3075) = 0,564. Kết quả cho thấy độ tin cậy tổng hợp và lượng phương sai hội tụ ở mức thường được xem là thuận lợi, nhưng kết luận cuối vẫn cần chất lượng mô hình và nội dung thang đo.
| Chỉ báo | lambda | lambda² | theta = 1 - lambda² |
|---|---|---|---|
| TRU1 | 0,80 | 0,6400 | 0,3600 |
| TRU2 | 0,75 | 0,5625 | 0,4375 |
| TRU3 | 0,70 | 0,4900 | 0,5100 |
| Tổng | 2,25 | 1,6925 | 1,3075 |
CR dùng bình phương của tổng tải, còn AVE dùng tổng các tải đã bình phương. Nhầm hai biểu thức này là lỗi tính phổ biến và có thể tạo kết quả CR sai đáng kể.
6. Tính MSV và lập ma trận giá trị phân biệt
Tiếp tục ví dụ, giả sử Niềm tin tương quan 0,62 với Sự hài lòng và 0,45 với Chất lượng cảm nhận. Hai phương sai chung lần lượt là 0,3844 và 0,2025, nên MSV của Niềm tin là 0,3844. Vì AVE = 0,564 lớn hơn MSV = 0,3844, tiêu chí so sánh AVE với shared variance được hỗ trợ cho cấu trúc này.
Căn bậc hai của AVE bằng 0,751. Trong ma trận Fornell-Larcker, giá trị này đặt trên đường chéo và được so với trị tuyệt đối của các tương quan ngoài đường chéo. Đây là cách trình bày lại cùng logic AVE lớn hơn squared correlation (Fornell và Larcker, 1981).
MSV của mỗi cấu trúc có thể đến từ một cặp khác nhau. Vì vậy, phải kiểm tra toàn bộ ma trận thay vì chỉ báo cáo một con số chung cho mô hình.
| Cấu trúc | CR | AVE | MSV | Niềm tin | Hài lòng | Chất lượng |
|---|---|---|---|---|---|---|
| Niềm tin | 0,795 | 0,564 | 0,384 | 0,751 | ||
| Hài lòng | 0,842 | 0,640 | 0,384 | 0,620 | 0,800 | |
| Chất lượng | 0,818 | 0,600 | 0,303 | 0,450 | 0,550 | 0,775 |
7. Dùng ngưỡng như hướng dẫn, không dùng như máy chấm điểm
CR khoảng 0,70 và AVE khoảng 0,50 thường được dùng làm mốc thực hành (Fornell và Larcker, 1981; Kline, 2023). Giá trị sát mốc không tạo ranh giới khoa học tuyệt đối. Cần xem cỡ mẫu, sai số chuẩn, số chỉ báo, độ mạnh của tải, độ phù hợp CFA và nội dung khái niệm trước khi quyết định giữ hoặc loại thang đo.
CR rất cao không phải lúc nào cũng tốt. Các chỉ báo có thể trùng lặp nội dung, làm thang đo hẹp hơn định nghĩa khái niệm. Ngược lại, CR đạt nhưng AVE thấp cho thấy các chỉ báo có thể nhất quán trong khi phương sai hội tụ còn hạn chế.
Không xóa chỉ báo chỉ để đưa AVE qua 0,50. Mỗi lần xóa phải được bảo vệ bằng nội dung câu hỏi, bằng chứng tải và ảnh hưởng đến miền khái niệm.
Kiểm tra nghiệm CFA, chất lượng từng chỉ báo và độ phù hợp mô hình trước. Sau đó mới đọc CR, AVE và MSV. Chỉ số tổng hợp là kết quả của mô hình đo lường, không phải công cụ che đi mô hình sai.
8. Fornell-Larcker không phải bằng chứng duy nhất
AVE lớn hơn MSV là một kiểm tra truyền thống, nhưng không nên được dùng một mình để tuyên bố hai cấu trúc chắc chắn phân biệt. Rönkkö và Cho (2022) cho thấy đánh giá giá trị phân biệt cần gắn với định nghĩa khái niệm, tương quan CFA, khoảng tin cậy và so sánh mô hình có ràng buộc khi phù hợp.
Với cặp nhân tố có tương quan cao, hãy xem khoảng tin cậy của tương quan, kiểm tra mô hình trong đó tương quan bị cố định tại một giá trị có ý nghĩa lý thuyết, rà tải chéo hoặc sai số tương quan và đối chiếu nội dung chỉ báo. Nếu khái niệm gần như trùng nhau trên lý thuyết, thêm một kiểm định thống kê không giải quyết được vấn đề định nghĩa.
HTMT có thể là bằng chứng bổ sung trong một số quy trình, nhưng không nên chuyển nguyên xi quy tắc PLS-SEM sang CB-SEM mà không nói rõ cách tính và mục tiêu kiểm định.
Nếu hai nhân tố chưa phân biệt, hãy xác định nguyên nhân: khái niệm chồng lấn, câu hỏi gần giống, phương pháp đo chung, tải chéo hay đặc điểm mẫu. Xóa item theo chỉ số cao nhất có thể làm kết quả đẹp hơn nhưng giảm giá trị nội dung.
9. Khi CR rút gọn chưa đủ: độ tin cậy dựa trên mô hình
CR tính từ tải chuẩn hóa là một cách tóm tắt thuận tiện, nhưng không phải lúc nào cũng là ước lượng tốt nhất cho điểm số thực tế. Nếu chỉ báo có tải chéo, sai số tương quan, trọng số chấm điểm không bằng nhau hoặc mô hình đa chiều, cần xác định rõ điểm số nào đang được đánh giá và dùng mô hình tương ứng để ước lượng độ tin cậy (Raykov, 1997; Kline, 2023).
Trong trường hợp đơn giản, CR và omega dựa trên mô hình thường cùng trả lời câu hỏi về tỷ lệ phương sai điểm số do nhân tố chung giải thích. McDonald (1999) trình bày omega trong khung độ tin cậy dựa trên mô hình nhân tố. Vì vậy, điểm quan trọng không phải chọn tên chỉ số nghe hiện đại hơn, mà là công thức phải khớp với mô hình và cách tạo điểm số. Không nên gọi mọi phép tính từ tải nhân tố là omega nếu chưa nêu rõ dạng omega và giả định.
Nếu mô hình cho phép sai số tương quan, cách thay theta bằng 1 trừ lambda bình phương có thể bỏ qua hiệp phương sai sai số. Khi đó, nên tính độ tin cậy trực tiếp từ ma trận tham số của mô hình hoặc dùng phần mềm có hàm ước lượng độ tin cậy dựa trên CFA, rồi báo cáo rõ phương pháp.
| Tình huống | Cách làm phù hợp | Điểm phải công khai |
|---|---|---|
| Một nhân tố, chỉ báo congeneric, không có sai số tương quan | CR hoặc omega dựa trên tải và sai số | Tải, sai số, công thức và mô hình nguồn |
| Có sai số tương quan | Độ tin cậy từ toàn bộ ma trận tham số | Các cặp sai số, hiệp phương sai và cách tính |
| Có tải chéo hoặc nhiều nhân tố | Độ tin cậy cho đúng điểm số mục tiêu | Điểm tổng hay điểm dưới thang, trọng số tạo điểm |
| So sánh nhóm hoặc thời điểm | Đánh giá bất biến trước khi so điểm | Mức bất biến và giới hạn diễn giải |
CR có thể cao khi các item lặp nội dung hoặc cùng chịu wording effect. Luôn đọc CR cùng cấu trúc nhân tố, residuals, nội dung item và mục đích tạo điểm.
10. Lập bảng tính có thể tái kiểm tra
Một bảng tính tốt phải cho phép người khác đi từ tải chuẩn hóa đến CR, AVE và MSV mà không đoán công thức. Mỗi dòng là một chỉ báo, mỗi cột là tải lambda, lambda bình phương, theta và ghi chú về item. Phần cuối bảng tính tổng hợp theo cấu trúc và liên kết với ma trận tương quan tiềm ẩn.
Không gõ lại số đã làm tròn từ bản PDF nếu còn file AMOS. Hãy xuất số với đủ chữ số, khóa các ô công thức, ghi phiên bản mô hình và lưu bảng cùng output. Brown (2015) nhấn mạnh rằng việc diễn giải CFA phải dựa trên toàn bộ nghiệm và đặc tả, không chỉ một bảng chỉ số.
Bước 1
Tạo một sheet Parameters và nhập tên cấu trúc, tên item, lambda cùng theta từ cùng một nghiệm CFA.
Bước 2
Nếu dùng nghiệm chuẩn hóa đơn giản, tính lambda bình phương và kiểm tra theta xấp xỉ 1 trừ lambda bình phương.
Bước 3
Tính riêng tổng lambda rồi bình phương tổng này cho tử số CR.
Bước 4
Tính tổng lambda bình phương cho tử số AVE, không nhầm với bình phương tổng lambda.
Bước 5
Tạo sheet Latent correlations, nhập ma trận tương quan nhân tố đối xứng.
Bước 6
Bình phương từng tương quan ngoài đường chéo và lấy giá trị lớn nhất theo từng cấu trúc để có MSV.
Bước 7
Đặt kiểm tra cảnh báo cho tải ngoài phạm vi, AVE hoặc CR không hợp lệ và tương quan tuyệt đối vượt 1.
Bước 8
Ghi ngày chạy, tên file AMOS, danh sách item bị loại và lý do để kết quả có thể truy vết.
- Công thức không chứa số gõ cứng ngoài ô tham chiếu.
- Tải và tương quan đến từ cùng phiên bản mô hình.
- Số trung gian giữ đủ chữ số.
- Mỗi thay đổi item tạo một phiên bản bảng tính mới.
- Kết quả cuối được đối chiếu bằng phép tính độc lập hoặc phần mềm thứ hai.
11. Lỗi tính và diễn giải thường gặp
| Cách làm yếu | Vì sao sai | Cách xử lý |
|---|---|---|
| Dùng tải chưa chuẩn hóa trong công thức rút gọn | Sai thang đo của lambda và theta | Dùng nghiệm chuẩn hóa nhất quán hoặc ước lượng reliability từ mô hình |
| CR và AVE dùng hai danh sách item khác nhau | Các chỉ số không còn mô tả cùng cấu trúc | Khóa danh sách chỉ báo của mô hình cuối |
| Bình phương covariance để tính MSV | Covariance phụ thuộc đơn vị đo | Dùng latent correlation |
| AVE > MSV nên kết luận hoàn hảo | Một tiêu chí không bao quát toàn bộ validity | Thêm CI hoặc model comparison và lý thuyết |
| Xóa item để CR tăng | Có thể làm hẹp miền khái niệm | Đánh giá nội dung và xác nhận trên mẫu khác |
| Chỉ báo cáo đạt hoặc không đạt | Không thể kiểm tra phép tính | Báo cáo tải, CR, AVE, MSV và ma trận tương quan |
12. Mẫu báo cáo APA 7 và bảng kiểm hoàn tất
Mẫu dưới đây dùng số giả định. Khi áp dụng, thay toàn bộ số trong ngoặc vuông bằng kết quả từ mô hình CFA cuối cùng và nêu rõ công thức hoặc phần mềm dùng để tính.
Mẫu báo cáo tiếng Việt
Mô hình đo lường được ước lượng bằng IBM SPSS Amos [phiên bản]. Độ tin cậy tổng hợp của các cấu trúc dao động từ CR = [min] đến [max], còn AVE dao động từ [min] đến [max]. Đối với Niềm tin, CR = .795 và AVE = .564. Tương quan tiềm ẩn lớn nhất của cấu trúc này là r = .620, tương ứng MSV = .384; do đó AVE lớn hơn MSV. Ma trận tương quan và căn bậc hai AVE được trình bày trong Bảng [ ]. Giá trị phân biệt còn được đánh giá bằng [khoảng tin cậy tương quan/so sánh mô hình], cho thấy [kết luận có giới hạn].
- Đã kiểm tra nghiệm CFA trước khi tính chỉ số.
- Đã dùng tải và tương quan từ cùng một mô hình.
- Đã phân biệt bình phương tổng tải với tổng bình phương tải.
- Đã giữ đủ chữ số trong phép tính trung gian.
- Đã dùng tương quan tiềm ẩn để tính MSV.
- Đã kiểm tra mọi cặp cấu trúc, không chỉ một cặp thuận lợi.
- Đã bổ sung bằng chứng giá trị phân biệt khi tương quan cao.
- Đã giải thích mọi chỉ báo bị loại bằng nội dung và lý thuyết.
- Đã lưu bảng tính để tái kiểm tra.
- Đã đối chiếu trích dẫn trong bài với tài liệu tham khảo.
Kết luận
CR, AVE và MSV giúp tóm tắt ba mặt khác nhau của mô hình đo lường, nhưng chúng chỉ đáng tin khi xuất phát từ một nghiệm CFA hợp lệ và một quy trình tính có thể truy vết.
Báo cáo tốt không dừng ở chữ đạt. Người đọc cần thấy tải nhân tố, phép tính, ma trận tương quan, tiêu chí bổ sung và lý do lý thuyết cho mọi quyết định giữ hoặc loại chỉ báo.
Tài liệu tham khảo
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.2307/3151312
- Raykov, T. (1997). Estimation of composite reliability for congeneric measures. Applied Psychological Measurement, 21(2), 173-184. https://doi.org/10.1177/01466216970212006
- Rönkkö, M., & Cho, E. (2022). An updated guideline for assessing discriminant validity. Organizational Research Methods, 25(1), 6-47. https://doi.org/10.1177/1094428120968614
- Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press. https://www.guilford.com/books/Confirmatory-Factor-Analysis-for-Applied-Research/Timothy-Brown/9781462515363
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
- McDonald, R. P. (1999). Test theory: A unified treatment. Lawrence Erlbaum Associates. https://www.routledge.com/Test-Theory-A-Unified-Treatment/McDonald/p/book/9781138012547
- IBM Corp. (2022). IBM SPSS Amos 29 user's guide. https://www.ibm.com/docs/en/SSLVMB_29.0.0/pdf/IBM_SPSS_Amos_User_Guide.pdf
Ghi chú học thuật: Các số liệu trong ví dụ được tạo để minh họa công thức và cách diễn giải. Ngưỡng chỉ là hướng dẫn thực hành; kết luận nghiên cứu phải dựa trên đặc tả mô hình, độ bất định, nội dung thang đo và bằng chứng bổ sung.