Đánh giá Common Method Bias bằng Full Collinearity VIF trong SmartPLS 4
Full Collinearity VIF không phải là bảng Inner VIF có sẵn trong mô hình nghiên cứu. Muốn áp dụng đúng đề xuất của Kock, người dùng cần đưa điểm số của tất cả biến tiềm ẩn vào cùng một hồi quy phụ và đọc VIF theo ngưỡng 3,3.
Mỗi biến tiềm ẩn cần có một Full Collinearity VIF được tính từ toàn bộ các biến tiềm ẩn còn lại. Khi mọi giá trị không vượt quá 3,3, có thể nói CMB không phải là mối quan ngại nghiêm trọng theo thủ tục này. Kết quả không chứng minh dữ liệu hoàn toàn không có CMB.
1. Full Collinearity VIF là gì?
Common method bias (CMB) là sai lệch có hệ thống phát sinh từ phương pháp đo lường thay vì từ mạng lưới quan hệ lý thuyết giữa các biến. Với khảo sát tự báo cáo, cách hướng dẫn người tham gia, mong muốn trả lời theo chuẩn mực xã hội, cách diễn đạt item hoặc việc đo nhiều khái niệm bằng cùng một định dạng có thể tạo phần biến thiên chung.
Kock và Lynn (2012) phân biệt cộng tuyến dọc giữa các biến dự báo của cùng một biến kết quả với cộng tuyến ngang giữa biến dự báo và biến tiêu chí. Full collinearity assessment được thiết kế để chẩn đoán đồng thời hai dạng này. Mỗi biến tiềm ẩn lần lượt được xem là biến cần giải thích bởi tất cả biến tiềm ẩn còn lại.
Đây là chẩn đoán ở cấp biến tiềm ẩn. Nó không phải VIF của từng item, không phải p-value và cũng không tự xác định nguồn gây ra một VIF cao.
2. Phân biệt ba loại VIF trong SmartPLS
Lỗi phổ biến nhất là nhìn bảng Inner VIF của mô hình chính rồi kết luận đã kiểm tra CMB. Bảng đó chỉ đánh giá cộng tuyến giữa những biến đang cùng dự báo một biến nội sinh cụ thể.
| Chỉ số | Đơn vị đánh giá | Mục đích | Kiểm tra CMB theo Kock? |
|---|---|---|---|
| Outer VIF | Các chỉ báo formative | Cộng tuyến giữa chỉ báo tạo thành cùng một composite | Không |
| Inner VIF | Các biến dự báo của từng biến nội sinh | Cộng tuyến trong một phương trình cấu trúc | Thông thường là không |
| Full Collinearity VIF | Từng biến tiềm ẩn so với tất cả biến còn lại | Chẩn đoán cộng tuyến dọc và ngang | Có |
Outer VIF trả lời câu hỏi về cộng tuyến giữa các chỉ báo formative. Full Collinearity VIF trả lời một câu hỏi khác ở cấp biến tiềm ẩn.
3. Bằng chứng trong Kock (2015) và giới hạn diễn giải
Kock (2015) dùng hai bộ dữ liệu mô phỏng, mỗi bộ có 300 quan sát, ba biến tiềm ẩn và sáu chỉ báo cho mỗi biến. Bộ dữ liệu có thêm phương sai phương pháp chung tạo ra một Full Collinearity VIF đạt 3,720, vượt ngưỡng 3,3. Trong khi đó, các giá trị của mô hình không bị CMB dao động từ 1,472 đến 1,739.
Một VIF cao không tự động chứng minh nguyên nhân là CMB. Sự chồng lấn thật giữa các khái niệm, đặc tả mô hình chưa tốt hoặc cấu trúc bậc cao cũng có thể làm tăng VIF. Thủ tục này cần đặt cạnh các biện pháp phòng ngừa từ thiết kế bảng hỏi (Podsakoff et al., 2003, 2012).
4. Quy trình thực hiện trên SmartPLS 4
Các bước dưới đây dùng chức năng xuất điểm số và hồi quy trong SmartPLS 4; tên lệnh có thể thay đổi theo phiên bản nên cần đối chiếu tài liệu hiện hành (SmartPLS, n.d.).
Tạo cột RANDOM trong dữ liệu
Thêm một cột có giá trị ngẫu nhiên, sau đó dán dưới dạng giá trị để cố định. Cột cần có biến thiên và không có dữ liệu thiếu.
Chạy mô hình PLS-SEM chính
Import dữ liệu, chạy PLS-SEM Algorithm và giữ kết quả chuẩn hóa. Cột RANDOM không cần xuất hiện trong mô hình nghiên cứu chính.
Tạo dữ liệu từ construct scores
Xuất điểm số biến tiềm ẩn từ đúng mô hình chính. Giữ lại construct scores, cột RANDOM và mã quan sát nếu cần đối chiếu.
Tạo mô hình REGRESSION mới
Đặt RANDOM làm biến phụ thuộc. Đưa toàn bộ điểm số biến tiềm ẩn vào mô hình như các biến độc lập.
Chạy Regression Analysis
Giữ intercept và thiết lập mặc định. Không cần bootstrapping vì mục tiêu là đọc VIF gốc, không phải kiểm định hệ số hồi quy.
Đọc Collinearity Statistics
Ghi một VIF cho mỗi biến tiềm ẩn, lập bảng và đối chiếu trực tiếp với ngưỡng 3,3 của Kock (2015).
VIF của một biến độc lập được xác định từ việc hồi quy biến đó theo các biến độc lập còn lại. Biến phụ thuộc không xuất hiện trong công thức. RANDOM chỉ giúp hoàn thiện hồi quy phụ và không mang ý nghĩa lý thuyết.
5. Đọc và diễn giải kết quả
| Kết quả | Diễn giải nên dùng | Việc cần làm |
|---|---|---|
| Mọi VIF ≤ 3,3 | Không phát hiện dấu hiệu CMB nghiêm trọng theo thủ tục này. | Báo cáo khoảng giá trị và các biện pháp thiết kế đã áp dụng. |
| Có VIF > 3,3 | Có dấu hiệu cộng tuyến đáng quan tâm; CMB là một khả năng. | Kiểm tra chồng lấn khái niệm, nội dung item và đặc tả mô hình. |
| VIF rất cao hoặc không tính được | Có thể có gần cộng tuyến hoàn hảo hoặc biến trùng lặp. | Rà dữ liệu và mô hình trước khi diễn giải. |
Mẫu báo cáo tiếng Việt
Sai lệch phương pháp chung được đánh giá bằng thủ tục full collinearity của Kock (2015). Điểm số của các biến tiềm ẩn được đưa đồng thời vào một mô hình hồi quy phụ trong SmartPLS 4. Các giá trị Full Collinearity VIF dao động từ [VIF nhỏ nhất] đến [VIF lớn nhất], đều không vượt quá ngưỡng 3,3. Kết quả cho thấy CMB không phải là mối quan ngại nghiêm trọng đối với các quan hệ được phân tích trong nghiên cứu này.
6. Các lỗi thường gặp
| Cách làm hoặc cách viết yếu | Vì sao chưa đúng | Cách sửa |
|---|---|---|
| Inner VIF đều dưới 3,3 nên không có CMB. | Inner VIF chỉ xét từng tập biến cùng dự báo một biến nội sinh. | Tính Full Collinearity VIF với toàn bộ construct scores. |
| Outer VIF dưới 3,3 nên mô hình không bị CMB. | Outer VIF là chẩn đoán ở cấp chỉ báo formative. | Dùng điểm số biến tiềm ẩn, không dùng VIF của item. |
| Đưa RANDOM vào mô hình chính và diễn giải đường dẫn. | RANDOM không có vai trò lý thuyết. | Tách hồi quy phụ và chỉ giữ bảng VIF. |
| Mọi VIF dưới 3,3 chứng minh dữ liệu hoàn toàn sạch CMB. | Đây là chẩn đoán gián tiếp, không nhận diện nguồn sai lệch cụ thể. | Viết rằng CMB không phải mối quan ngại nghiêm trọng theo tiêu chí đã áp dụng. |
7. Bảng kiểm trước khi công bố
- Dùng đúng construct scores từ mô hình PLS-SEM cần báo cáo.
- Cột RANDOM có biến thiên, không thiếu dữ liệu và đã được cố định giá trị.
- Đưa đồng thời các cấu trúc nội dung phù hợp vào cùng hồi quy phụ.
- Loại ID, biến phân nhóm và các cột kỹ thuật khỏi tập biến độc lập.
- Không đưa đồng thời cấu trúc bậc cao và toàn bộ thành phần bậc thấp tạo nên nó.
- Không đưa interaction term hoặc product indicator vào phép đánh giá này.
- Đọc VIF từ Collinearity Statistics, không dùng Outer VIF hoặc Inner VIF của mô hình chính.
- Báo cáo khoảng VIF nhỏ nhất đến lớn nhất và tránh tuyên bố tuyệt đối rằng dữ liệu hoàn toàn không có CMB.
Kết luận
Full collinearity assessment là một thủ tục gọn khi logic của VIF được giữ đúng. Trong SmartPLS 4, cách dễ kiểm tra nhất là dùng điểm số biến tiềm ẩn từ mô hình chính, đặt tất cả điểm số vào cùng một hồi quy phụ với biến phụ thuộc ngẫu nhiên và đọc VIF theo ngưỡng 3,3.
Kết quả dưới ngưỡng chỉ là một mảnh bằng chứng hậu kiểm. Bài nghiên cứu vẫn cần giải thích nguồn rủi ro, thiết kế bảng hỏi, quy trình thu thập và giới hạn của dữ liệu cùng nguồn.
Tài liệu tham khảo
Nguồn phương pháp chính
- Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10. https://doi.org/10.4018/ijec.2015100101
- Kock, N., & Lynn, G. S. (2012). Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. Journal of the Association for Information Systems, 13(7), 546–580. https://doi.org/10.17705/1jais.00302
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539–569. https://doi.org/10.1146/annurev-psych-120710-100452
Tài liệu SmartPLS 4
- SmartPLS. (n.d.). Your first regression model. https://www.smartpls.com/documentation/tutorials/first-regression-model/
Ghi chú học thuật: Bài viết hướng dẫn triển khai thủ tục của Kock (2015) trong SmartPLS 4. Full Collinearity VIF là chẩn đoán hậu kiểm, không thay thế biện pháp thiết kế nhằm giảm sai lệch phương pháp chung.