Đầu trang
Bỏ qua đến nội dung chính
Liên hệ tư vấn

Confirmatory Composite Analysis (CCA): Bốn Bước Kiểm Định Mô Hình Thành Phần, Và Vì Sao Chính Tác Giả Gốc Không Xem Đây Là Lựa Chọn Hàng Đầu

CCA đóng vai trò tương tự phân tích nhân tố khẳng định (CFA) nhưng dành cho mô hình thành phần (composite) trong PLS-SEM và GSCA. Quy trình có bốn bước rõ ràng, nhưng giới hạn về ngưỡng cắt cho các chỉ số phù hợp khiến ngay cả các tác giả phát triển phương pháp cũng không khuyến nghị dùng CCA như cách đánh giá mô hình đo lường chính.

PLS-SEM & SMARTPLSBiên soạn: Lê Minh6 phút
Bắt đầu đọc

Đánh giá composite cần đặc tả và bằng chứng phù hợp

  1. Khái niệm

    Làm rõ vai trò composite

  2. Đặc tả

    Biện minh cách tạo thành

  3. Đánh giá

    Đối chiếu bằng chứng tương ứng

  4. Giới hạn

    Nêu phạm vi cách tiếp cận

Sơ đồ khái niệm. Không hoán đổi mặc định tiêu chuẩn common factor và composite.

Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.

1. CCA là gì và vai trò tương tự CFA

Confirmatory Composite Analysis (CCA) là thủ tục kiểm định mô hình đo lường mang tính xác nhận dành cho mô hình thành phần (composite), áp dụng được cho cả mô hình đo lường dạng phản ánh lẫn dạng hình thành. Schuberth, Henseler và Dijkstra (2018) xây dựng CCA theo cùng logic bốn bước của phân tích nhân tố khẳng định (CFA) trong CB-SEM, nhưng thay thế mô hình nhân tố chung (common factor) bằng mô hình thành phần.

CCA phù hợp với các phương pháp ước lượng dựa trên thành phần như PLS-SEM và GSCA, nơi biến tiềm ẩn được xây dựng như tổ hợp có trọng số của các chỉ báo thay vì một nhân tố chung đứng sau các chỉ báo đó.

2. Bước 1: Đặc tả mô hình thành phần

Mỗi khái niệm nghiên cứu được mô hình hóa như một thành phần, tức một tổ hợp có trọng số của các chỉ báo quan sát thuộc về nó, với mỗi chỉ báo chỉ thuộc về đúng một thành phần. Hiệp phương sai giữa các chỉ báo trong cùng một khối được để tự do, trong khi hiệp phương sai giữa các khối chỉ báo khác nhau bị ràng buộc theo cấu trúc hạng một (rank-one), nghĩa là toàn bộ thông tin giữa hai khối phải đi qua các thành phần tương ứng của chúng.

3. Bước 2: Kiểm tra nhận dạng

Mỗi vector trọng số được chuẩn hóa sao cho thành phần tương ứng có phương sai bằng một. Mỗi thành phần cần được kết nối với ít nhất một thành phần hoặc biến khác trong mô hình để đảm bảo nhận dạng về mặt lý thuyết. Bậc tự do của mô hình được tính bằng số phần tử hiệp phương sai không trùng lặp trừ đi số tham số tự do, cộng thêm số khối chỉ báo; mô hình cần có bậc tự do dương (over-identified) thì mới kiểm định được độ phù hợp tổng thể.

4. Bước 3: Ước lượng mô hình

Trọng số và tương quan giữa các thành phần được ước lượng bằng phân tích tương quan canonical tổng quát hóa (generalized canonical correlation analysis), theo tùy chọn maxvar dưới ràng buộc phương sai đơn vị; maxvar tối đa hóa giá trị riêng lớn nhất của ma trận tương quan giữa các thành phần. Các tùy chọn ước lượng khác như sumcor, ssqcor, minvar, genvar, PCA hay PLS-PM cũng được nhắc đến trong tài liệu gốc nhưng không phải lựa chọn chính được khuyến nghị cho bước này.

5. Bước 4: Đánh giá mô hình

Bước đánh giá gồm hai phần: kiểm định phù hợp tổng thể dựa trên bootstrap, và các chỉ số phù hợp mang tính gợi ý (heuristic).

5.1. Kiểm định phù hợp tổng thể dựa trên bootstrap

Kiểm định này đặt giả thuyết không rằng ma trận hiệp phương sai tổng thể bằng ma trận hiệp phương sai mô hình ngụ ý. Dữ liệu được biến đổi sao cho ma trận hiệp phương sai mẫu bằng với ma trận mô hình ngụ ý, sau đó một phân phối tham chiếu của độ lệch được dựng bằng bootstrap trên dữ liệu đã biến đổi này, theo logic bootstrap Bollen-Stine (Bollen & Stine, 1992; dựa trên Beran & Srivastava, 1985). Giả thuyết không bị bác bỏ nếu độ lệch quan sát được vượt quá giá trị tới hạn, thường lấy ở phân vị 95% hoặc 99%.

Ba thước đo độ lệch thường dùng là khoảng cách Euclid bình phương (dL), khoảng cách địa lý (geodesic distance, dG, dựa trên Swain, 1975), và SRMR (dựa trên Hu & Bentler, 1999). Với dữ liệu đã chuẩn hóa, dL và SRMR cho kết quả giống nhau.

5.2. Chỉ số phù hợp mang tính gợi ý

Bảng 1
Chỉ sốNguồn gốcCách đọc
SRMRHu & Bentler (1998)Giá trị dưới 0,10, hoặc thận trọng hơn là dưới 0,08, thường được dẫn lại, nhưng ngưỡng này ban đầu được đề xuất cho mô hình nhân tố chung, chưa được kiểm chứng riêng cho mô hình thành phần.
NFIBentler & Bonett (1980)So sánh mô hình ước lượng với một mô hình nền trong đó các chỉ báo không tương quan với nhau; giá trị gần một cho thấy phù hợp tốt.
RMSthetaLohmöller (1989)Căn bậc hai trung bình bình phương của phần dư tương quan giữa các khối, không tính phần dư trong cùng một khối; giá trị gần không cho thấy phù hợp tốt.
Ngưỡng cắt cho mô hình thành phần chưa được xác lập chắc chắn

Schuberth, Henseler và Dijkstra (2018) nêu rõ: "ngưỡng cắt cho các chỉ số phù hợp cần được xác định cho CCA", hàm ý các ngưỡng mượn từ mô hình nhân tố chung chưa chắc phù hợp cho mô hình thành phần. Việc áp dụng máy móc ngưỡng SRMR dưới 0,08 quen thuộc từ CFA sang CCA là một cách diễn giải chưa có cơ sở chắc chắn.

6. Tranh luận học thuật và khuyến nghị thận trọng

Crittenden, Sarstedt, Astrachan, Hair và Lourenco (2020) ghi nhận rằng cách thực hiện CCA và mối quan hệ giữa các quan điểm khác nhau về phương pháp này vẫn còn gây tranh cãi trong giới học thuật. Phản ánh đúng mức độ chưa thống nhất này, tài liệu hướng dẫn chính thức của SmartPLS nêu rõ các tác giả "không khuyến nghị CCA như cách tiếp cận chính để đánh giá mô hình đo lường".

CCA là một công cụ bổ sung, không phải lựa chọn mặc định

Với vị trí này, hợp lý nhất là xem CCA như một phân tích bổ sung hoặc đối chiếu, dùng cùng với các tiêu chí đánh giá mô hình đo lường quen thuộc hơn của PLS-SEM như độ tin cậy, AVE và HTMT, thay vì thay thế hoàn toàn các tiêu chí đó bằng một phép kiểm định phù hợp tổng thể duy nhất.

Dù vậy, CCA vẫn có ứng dụng thực tế được công bố. Ciavolino và cộng sự (2022) dùng CCA để xác nhận phiên bản tiếng Ý của một thang đo tâm lý (Interactions Anxiousness Scale), cho thấy phương pháp có giá trị trong những tình huống nghiên cứu cụ thể, miễn là giới hạn về ngưỡng cắt được nêu rõ khi báo cáo.

7. Lỗi thường gặp

Bảng 2
Cách viết yếuVì sao chưa phù hợpCách viết nên dùng
"SRMR dưới 0,08 nên mô hình thành phần phù hợp tốt, giống như kết luận trong CFA."Ngưỡng 0,08 được đề xuất ban đầu cho mô hình nhân tố chung, chưa được xác lập riêng cho mô hình thành phần.Báo cáo giá trị SRMR cùng với lưu ý rằng ngưỡng cắt cho mô hình thành phần chưa được xác lập chắc chắn.
"Đã chạy CCA nên không cần đánh giá độ tin cậy, AVE hay HTMT nữa."SmartPLS không khuyến nghị CCA như phương pháp đánh giá mô hình đo lường chính, nên không nên thay thế hoàn toàn các tiêu chí quen thuộc.Trình bày CCA như một phân tích bổ sung bên cạnh các tiêu chí đánh giá mô hình đo lường tiêu chuẩn của PLS-SEM.
"Mô hình có bậc tự do âm vẫn chạy được kiểm định phù hợp tổng thể."Mô hình cần có bậc tự do dương (over-identified) thì mới kiểm định được độ phù hợp tổng thể một cách có ý nghĩa.Kiểm tra bậc tự do trước khi diễn giải kết quả kiểm định phù hợp tổng thể.

8. Bảng kiểm trước khi báo cáo

  • Đã mô tả rõ cách đặc tả mô hình thành phần (ràng buộc hạng một giữa các khối) chưa?
  • Đã kiểm tra bậc tự do và xác nhận mô hình over-identified chưa?
  • Đã báo cáo phương pháp ước lượng (ví dụ maxvar) đã dùng chưa?
  • Đã báo cáo kết quả kiểm định phù hợp tổng thể dựa trên bootstrap, kèm thước đo độ lệch đã dùng (dL, dG hoặc SRMR) chưa?
  • Đã nêu rõ giới hạn về ngưỡng cắt cho mô hình thành phần khi báo cáo các chỉ số heuristic chưa?
  • Đã trình bày CCA như một phân tích bổ sung, không thay thế các tiêu chí đánh giá mô hình đo lường tiêu chuẩn, chưa?

Kết luận

CCA mang đến một khung kiểm định mô hình thành phần có cấu trúc rõ ràng theo bốn bước quen thuộc từ CFA, cùng một phép kiểm định phù hợp tổng thể dựa trên bootstrap. Giá trị thực tiễn của phương pháp bị giới hạn bởi một điểm quan trọng: ngưỡng cắt cho các chỉ số phù hợp của mô hình thành phần chưa được xác lập chắc chắn như trong CFA.

Chính vì giới hạn này, nên xem CCA như một công cụ bổ sung cho bộ tiêu chí đánh giá mô hình đo lường quen thuộc của PLS-SEM, chứ không phải một phép kiểm định thay thế hoàn toàn. Đây cũng là lập trường mà chính tài liệu hướng dẫn của SmartPLS đã nêu rõ.

Tài liệu tham khảo

  • Schuberth, F., Henseler, J., & Dijkstra, T. K. (2018). Confirmatory composite analysis. Frontiers in Psychology, 9, Article 2541. https://doi.org/10.3389/fpsyg.2018.02541
  • Henseler, J., & Schuberth, F. (2020). Using confirmatory composite analysis to assess emergent variables in business research. Journal of Business Research, 120, 147-156. https://doi.org/10.1016/j.jbusres.2020.07.026
  • Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101-110. https://doi.org/10.1016/j.jbusres.2019.11.069
  • Crittenden, V., Sarstedt, M., Astrachan, C., Hair, J., & Lourenco, C. E. (2020). Guest editorial: Measurement and scaling methodologies. Journal of Product & Brand Management, 29(4), 409-414. https://doi.org/10.1108/JPBM-07-2020-009
  • Ciavolino, E., Ferrante, L., Sternativo, G. A., Cheah, J.-H., Rollo, S., Marinaci, T., & Venuleo, C. (2022). A confirmatory composite analysis for the Italian validation of the Interactions Anxiousness Scale: A higher-order version. Behaviormetrika, 49(1), 23-46. https://doi.org/10.1007/s41237-021-00151-x

Ghi chú học thuật: Bài viết trình bày quy trình bốn bước của CCA theo Schuberth, Henseler và Dijkstra (2018), kết hợp với lập trường thận trọng mà tài liệu hướng dẫn của SmartPLS đã nêu công khai. Người đọc cần tham khảo trực tiếp các nguồn trích dẫn nếu áp dụng CCA cho một mô hình nghiên cứu cụ thể, đặc biệt về phần ngưỡng cắt chưa được xác lập chắc chắn cho mô hình thành phần.