Một bảng kết quả rất quen trong luận văn: năm thang đo, Cronbach’s alpha lần lượt 0,82; 0,87; 0,91; 0,94; 0,96, kèm câu “tất cả đều lớn hơn 0,7 nên thang đo đạt độ tin cậy tốt”. Người đọc có kinh nghiệm sẽ dừng ở con số 0,96 và mở phụ lục ra xem. Thường thì thang đo đó có tám câu hỏi gần như nói cùng một ý bằng tám cách khác nhau.
Độ tin cậy và độ giá trị là hai câu hỏi khác nhau. Độ tin cậy hỏi: đo lại có ra kết quả nhất quán không? Độ giá trị hỏi: có đang đo đúng thứ định đo không? Một cái cân lúc nào cũng chỉ thừa 2 kg là cân rất tin cậy nhưng không giá trị. Bài này giải thích các chỉ số hay gặp và cách đọc chúng không máy móc.
Cronbach’s alpha: đo gì và không đo gì
Alpha đo tính nhất quán nội tại: các câu hỏi trong cùng một thang có biến thiên cùng nhau không. Ba điều ít được nói tới:
- Alpha tăng theo số câu hỏi. Một thang 20 câu dễ có alpha cao dù các câu chỉ tương quan vừa phải. Một thang 3 câu có alpha 0,68 có thể là thang rất tốt.
- Alpha không chứng minh thang đơn hướng. Hai nhóm câu đo hai khía cạnh khác nhau vẫn có thể cho alpha cao.
- Alpha quá cao (trên khoảng 0,95) thường báo hiệu câu hỏi trùng lặp, không phải thang đo xuất sắc. Người trả lời bị hỏi đi hỏi lại một điều, dễ chán và trả lời thẳng hàng.
McDonald’s omega ngày càng được khuyến nghị thay hoặc bổ sung cho alpha vì nó không giả định mọi câu có hệ số tải bằng nhau. Trong R, gói psych hoặc semTools tính được omega; JASP và jamovi cũng có sẵn.
Cám dỗ “alpha nếu loại biến”
Cột “Cronbach’s alpha if item deleted” trong SPSS khiến nhiều người loại lần lượt từng câu cho đến khi alpha đạt tối đa. Cách làm này có ba vấn đề: thang đo sau khi loại không còn giống thang đã công bố nên không so sánh được; câu bị loại có thể là câu đo một khía cạnh quan trọng của khái niệm; và bạn đang tối ưu theo dữ liệu mẫu này, kết quả khó lặp lại.
Chỉ nên loại câu khi có lý do nội dung đi kèm lý do thống kê: câu bị dịch sai, câu có phủ định kép, câu không phù hợp bối cảnh. Ghi rõ câu nào bị loại và vì sao trong bài.
Các chỉ số thường gặp và cách đọc
| Chỉ số | Kiểm tra điều gì | Ngưỡng hay dùng | Lưu ý |
|---|---|---|---|
| Cronbach’s alpha | Nhất quán nội tại | ≥ 0,70 | Phụ thuộc số câu; trên 0,95 nghi trùng lặp |
| Tương quan biến – tổng hiệu chỉnh | Câu có đi cùng thang không | ≥ 0,30 | Xem nội dung câu trước khi loại |
| KMO | Dữ liệu có phù hợp phân tích nhân tố | ≥ 0,60 | Chỉ là điều kiện cần |
| Hệ số tải nhân tố | Câu đo nhân tố mạnh đến đâu | ≥ 0,50 (tốt hơn 0,70) | Cẩn thận câu tải chéo |
| CR (độ tin cậy tổng hợp) | Tin cậy trong CFA | ≥ 0,70 | Thay alpha khi dùng SEM |
| AVE | Giá trị hội tụ | ≥ 0,50 | Nhạy với câu tải thấp |
| HTMT | Giá trị phân biệt | < 0,85 (hoặc 0,90) | Khuyến nghị hơn tiêu chí căn AVE |
| CFI, TLI / RMSEA, SRMR | Độ phù hợp mô hình CFA | ≥ 0,90–0,95 / ≤ 0,06–0,08 | Không dùng như luật cứng |
Các ngưỡng trong bảng là thông lệ trong tài liệu phương pháp, không phải định luật. Báo cáo con số cụ thể và biện luận khi một chỉ số hơi dưới ngưỡng, thay vì âm thầm loại biến để vượt ngưỡng.
EFA hay CFA, và thứ tự nào
Phân tích nhân tố khám phá (EFA) dùng khi chưa chắc cấu trúc: thang mới, thang dịch sang bối cảnh khác lần đầu. Phân tích nhân tố khẳng định (CFA) dùng khi đã có giả thuyết rõ ràng về cấu trúc, ví dụ thang đã được kiểm định nhiều lần. Một lỗi phổ biến là chạy EFA rồi CFA trên cùng một bộ dữ liệu và coi CFA là bằng chứng xác nhận. Nếu mẫu đủ lớn, chia ngẫu nhiên làm hai nửa: EFA trên nửa đầu, CFA trên nửa sau.
Với EFA, dùng phép trích nhân tố (như principal axis factoring hoặc maximum likelihood) thay vì principal components nếu mục tiêu là tìm biến tiềm ẩn, và phép xoay xiên (oblimin, promax) khi các nhân tố có thể tương quan với nhau — điều gần như luôn đúng trong khoa học xã hội.
Độ giá trị không chỉ là con số
Các chỉ số trên chủ yếu nói về cấu trúc bên trong thang. Một lập luận về độ giá trị đầy đủ còn cần:
- Giá trị nội dung: chuyên gia đánh giá các câu hỏi có bao phủ đủ khái niệm không.
- Giá trị tiêu chí: điểm thang có tương quan với một thước đo độc lập theo cách dự kiến không (ví dụ thang “ý định nghỉ việc” liên hệ với việc nghỉ việc thật sau sáu tháng).
- Giá trị hội tụ và phân biệt với thang khác: tương quan cao với thang đo khái niệm gần, thấp với khái niệm xa.
Sai lệch do phương pháp chung
Khi mọi biến đều đo bằng một bảng hỏi tự báo cáo, cùng một thời điểm, các tương quan có thể bị thổi phồng. Kiểm định một nhân tố của Harman hay được báo cáo nhưng khá yếu: nó chỉ phát hiện trường hợp cực đoan. Cách phòng ngừa tốt hơn nằm ở thiết kế: tách thời điểm đo biến độc lập và phụ thuộc, dùng nguồn dữ liệu khác nhau (ví dụ điểm từ hệ thống), thay đổi định dạng thang, bảo đảm ẩn danh.
Checklist báo cáo thang đo
- Nguồn gốc thang, số câu, số mức Likert, quy trình dịch nếu có.
- Alpha và/hoặc omega cho từng thang, kèm số câu.
- Kết quả EFA hoặc CFA với các chỉ số phù hợp mô hình.
- CR, AVE và HTMT nếu dùng SEM.
- Danh sách câu bị loại, lý do nội dung và lý do thống kê.
- Bằng chứng giá trị ngoài cấu trúc nội tại nếu có.
Việc nên làm tiếp: mở bảng độ tin cậy của bạn, đánh dấu mọi thang có alpha trên 0,93 và đọc lại từng câu trong đó. Nếu có hai câu mà người trả lời gần như không thể chọn khác nhau, cân nhắc bỏ một câu ngay ở bản khảo sát sau — và ghi chú điều đó như một hạn chế trong bài hiện tại.
Câu hỏi thường gặp
Cronbach’s alpha bao nhiêu là đạt?
Thông lệ là từ 0,70 trở lên, nhưng cần xét số câu trong thang. Alpha trên khoảng 0,95 thường gợi ý câu hỏi trùng lặp hơn là thang đo xuất sắc.
Có nên loại biến để tăng Cronbach’s alpha không?
Chỉ khi có lý do nội dung như dịch sai hoặc câu khó hiểu. Loại câu chỉ để tối đa hoá alpha làm thang khác bản gốc, có thể mất một khía cạnh của khái niệm và khó lặp lại.
Khi nào dùng EFA, khi nào dùng CFA?
EFA khi chưa chắc cấu trúc thang, như thang mới hoặc mới dịch. CFA khi đã có giả thuyết rõ ràng về cấu trúc. Không nên coi CFA trên cùng dữ liệu vừa chạy EFA là bằng chứng xác nhận.
AVE và HTMT dùng để làm gì?
AVE đánh giá giá trị hội tụ, tức các câu có cùng đo một khái niệm không. HTMT đánh giá giá trị phân biệt giữa các khái niệm; giá trị thường được khuyến nghị dưới 0,85 hoặc 0,90.
Kiểm định Harman có đủ để loại trừ sai lệch phương pháp chung?
Không. Kiểm định này chỉ phát hiện trường hợp rất nặng. Phòng ngừa ở khâu thiết kế như tách thời điểm đo hay dùng nguồn dữ liệu khác nhau đáng tin hơn.
