HTMT vượt 0,90: phân biệt khoảng tin cậy dưới 1 và kiểm định theo ngưỡng

Một cặp khái niệm có HTMT bằng 0,92 và khoảng tin cậy nằm dưới 1 vẫn chưa đáp ứng tiêu chí HTMT dưới 0,90. Hai kết luận này trả lời hai câu hỏi thống kê khác nhau. Khi báo cáo giá trị phân biệt, cần xác định trước câu hỏi và ngưỡng đánh giá, thay vì chọn tiêu chí thuận lợi sau khi thấy kết quả.

HTMT đánh giá điều gì?

HTMT (heterotrait-monotrait ratio of correlations) được dùng để đánh giá sự phân biệt về mặt thực nghiệm giữa các khái niệm đo lường phản chiếu. Henseler, Ringle và Sarstedt (2015) đề xuất chỉ số này và cho thấy Fornell–Larcker cùng cross-loading có thể bỏ sót vấn đề giá trị phân biệt trong các tình huống mô phỏng. Bài báo gốc phân biệt tiêu chí điểm HTMT với kiểm định suy luận dựa trên bootstrap.

HTMT cao là lý do để xem lại sự phân biệt giữa hai khái niệm và nội dung chỉ báo. Nó không tự chỉ ra phải xóa một chỉ báo cụ thể, cũng không thay thế việc xác định mô hình đo lường từ lý thuyết.

Ba cách đọc cần tách riêng

• So sánh điểm ước lượng: xác định trước ngưỡng như 0,85 hoặc 0,90 phù hợp với cơ sở khái niệm và tài liệu phương pháp. Henseler và cộng sự (2015) thảo luận cả hai quy tắc.
• Kiểm định so với 1: xem bằng chứng có hỗ trợ HTMT nhỏ hơn 1 hay không. Đây là câu hỏi được trình bày trong thủ tục suy luận ban đầu của Henseler và cộng sự (2015).
• Kiểm định so với ngưỡng đã chọn: xem HTMT có nhỏ hơn 0,85 hoặc 0,90 với mức bất định đã xét hay không. Tài liệu SmartPLS hướng dẫn kiểm tra cận trên bootstrap so với ngưỡng 0,90, theo Franke và Sarstedt (2019).

Một khoảng tin cậy nằm hoàn toàn dưới 1 có thể vẫn chứa 0,90 hoặc nằm hoàn toàn trên 0,90. Vì thế, bằng chứng chống lại giá trị 1 không tương đương bằng chứng cho tiêu chí 0,90.

Ví dụ giả định

Giả sử HTMT = 0,92 và khoảng bootstrap minh họa là [0,89; 0,95]. Các số này được tạo để giải thích, không phải dữ liệu của một nghiên cứu đã công bố. Cận trên 0,95 nhỏ hơn 1 nhưng lớn hơn 0,90. Với tiêu chí cận trên dưới 0,90, kết quả chưa hỗ trợ giá trị phân biệt. Một lập luận lý thuyết tốt cần được trình bày, nhưng không làm cho 0,95 trở thành nhỏ hơn 0,90.

Ngược lại, một điểm HTMT = 0,88 có thể dưới 0,90 trong khi cận trên bootstrap vẫn vượt 0,90. Đây là lý do cần báo cáo cả ước lượng lẫn bất định. Không nên suy luận rằng điểm dưới ngưỡng thì không cần xem bootstrap.

Quy trình trong SmartPLS

1. Kiểm tra loại mô hình đo lường, định nghĩa hai khái niệm, mã hóa đảo chiều và các chỉ báo có nội dung gần nhau. Không áp dụng HTMT máy móc cho mọi cặp cấu trúc hình thành.
2. Ghi trước ngưỡng và căn cứ phương pháp. Giữ cùng nguyên tắc cho các cặp tương ứng, không đổi từ 0,85 sang 0,90 chỉ vì một kết quả chưa đạt.
3. Chạy Calculate → Bootstrapping. Tài liệu SmartPLS hướng dẫn chọn Complete (slower) và One-tailed để có kết quả suy luận HTMT. Kiểm tra loại khoảng tin cậy trong phiên bản đang dùng.
4. Trong Quality Criteria, đọc HTMT gốc và cận trên của khoảng bias-corrected theo hướng dẫn SmartPLS, rồi so với ngưỡng đã chọn. Ghi số mẫu lặp, mức ý nghĩa, kiểu kiểm định và kiểu khoảng tin cậy.
5. Nếu chưa có bằng chứng phù hợp, xem lại lý thuyết, nội dung thang đo, chất lượng dữ liệu và thiết kế nghiên cứu. Mọi thay đổi chỉ báo hoặc cấu trúc phải có lý do và được báo cáo; không gộp biến chỉ để làm đẹp bảng.

Kiểm định một phía ở mức 5% và khoảng hai phía 95% không phải hai thiết lập tự động tương đương. Cần ghi chính xác thiết lập đã dùng; bài gốc cũng bàn về kiểm định nhiều cặp. Không nên chép một nhãn “95% CI” vào mọi bảng HTMT.

Cách viết kết quả

Ví dụ giả định: HTMT giữa A và B là 0,92. Cận trên bootstrap là 0,95, vượt ngưỡng 0,90 được xác định trước. Vì vậy, kết quả chưa hỗ trợ giá trị phân biệt theo tiêu chí suy luận đã chọn, mặc dù khoảng minh họa nằm dưới 1. Nghiên cứu tiếp tục xem xét sự phân biệt khái niệm và nội dung chỉ báo.

Không dùng Fornell–Larcker hoặc cross-loading thuận lợi để tự động phủ nhận một vấn đề mà HTMT đã phát hiện. Trình bày đầy đủ bằng chứng và giới hạn của mô hình, kể cả khi chưa thể đưa ra kết luận chắc chắn.

Tài liệu tham khảo

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. DOI 10.1007/s11747-014-0403-8.

Franke, G. R., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing: A comparison of four procedures. Internet Research, 29(3), 430–447. DOI 10.1108/IntR-12-2017-0515.

SmartPLS. (n.d.). Discriminant validity assessment and HTMT.