GIỚI THIỆU COMMON METHOD VARIANCE (CMV) - CÁCH NHẬN DIỆN VÀ PHÒNG TRÁNH

CMV là gì?

Common method variance (CMV) là phương sai phương pháp chung, là hiện tượng khi một yếu tố chung về phương pháp đo đạc ảnh hưởng đến các đánh giá trong một nghiên cứu. Nó xuất hiện khi các biến trong nghiên cứu được đo đạc bằng cách sử dụng cùng một phương pháp hoặc thông qua cùng một nguồn thông tin. Kết quả là, sự phân biệt giữa các biến trở nên mờ nhạt và khó phân biệt do ảnh hưởng của yếu tố phương pháp chung.

Tóm lại, CMV có thể gây ra các vấn đề trong nghiên cứu như làm sai lệch kết quả, giảm tính chính xác và khả năng diễn giải, hay tạo ra các mối quan hệ giả tưởng giữa các biến.

Cần làm gì để tránh CMV?

Theo Change và cộng sự (2010), có 4 cách để giảm thiểu hoặc tránh CMV cho dữ liệu đầu vào trong nghiên cứu, đó là:

1. Xây dựng thang đo bởi nhiều nguồn thông tin khác nhau (đa dạng nguồn dữ liệu sử dụng để xây dựng thang đo). Change và cộng sự (2010) khuyến cáo rằng, thang đo của các biến độc lập nên sử dụng nguồn thông tin khác với biến phụ thuộc. Các câu hỏi được đặt ra một cách đơn giản, ngắn gọn, dễ hiểu, không nên sử dụng các thuật ngữ khó hiểu, các thuật ngữ chuyên ngành sẽ làm cho người được khảo sát mơ hồ, không hiểu nghĩa và từ đó đưa ra các lựa chọn không chính xác.

2. Bảng hỏi khảo sát nên xáo trộn thứ tự các câu hỏi (điều này tốt cho việc loại bỏ CMV, tuy nhiên có một nhược điểm là sẽ làm dán đoạn dòng suy nghĩ của người trả lời trong cùng một thang đo). Sử dụng các loại thang đo khác nhau, sử dụng các biến kiểm soát để kiểm tra người được khảo sát có thật sự nắm thông tin và trả lời chính xác câu hỏi hay không. Một điều quan trọng là tính bảo mật trong thông tin của người trả lời, điều này giúp cho đáp viên trả lời một cách thành thật, và từ đó giảm được CMV.

3. Thiết kế nghiên cứu cắt ngang (cross-sectional design) sẽ giúp cho người được khảo sát nắm rõ hơn tình hình hiện tại của sản phẩm hay dịch vụ, và đưa ra các câu trả lời chính xác hơn.

4. Áp dụng phương pháp phân tích như kiểm định Harman's one-factor để kiểm tra và điều chỉnh CMV.

Chúng ta nên kết hợp tất cả các biện pháp trên là cách tốt nhất để giảm thiểu hoặc tránh CMV trong nghiên cứu.

Nhận diện CMV

Theo Tehseen và cộng sự (2017) có 4 phương pháp xác định CMV. Đó là:

1. Kiểm định Harman’s Single-Factor

2. Partial Correlation Procedures

   (i) Partialling Out of General Factor

   (ii) Partialling Out a Marker Variable (Lindell & Whitney, 2001)

   (iii) Partialling Out a “Marker” Variable (Podsakoff et al., 2003)

3. Correlation Matrix Procedure

4. The Measured Latent Marker Variable Approach

   (i) Construct Level Correction (CLC) Approach

   (ii) Item level correction (ILC) Approach

Trong đó, phương pháp số 4 được khuyến nghị sử dụng sau khi phân tích các mô hình đo lường và mô hình cấu trúc để quan sát tác động của CMV đối với giá trị R2 và hệ số đường dẫn. Cũng nói thêm với các bạn, các phương pháp này dùng để xác định có hay không có CMV trong dữ liệu nghiên cứu chứ không thể khắc phục hay loại trừ CMV ra khỏi dữ liệu nghiên cứu.

Ở đây chúng tôi xin trình bày 2 cách để nhận diện CMV trong dữ liệu nghiên cứu. Cách thứ nhất thực hiện kiểm định Harman's one-factor bằng SPSS, và cách thứ hai là thực hiện Partial Correlation Procedures bằng SmartPLS.

I. Hướng dẫn thực hiện kiểm định Harman's one-factor bằng SPSS

Đây là một kiểm định phổ biến nhất được các nhà nghiên cứu thực hiện để kiểm tra CMV trong các nghiên cứu của họ. Phân tích Harman's one-factor là một thủ tục post hoc được tiến hành sau khi thu thập dữ liệu để kiểm tra xem liệu một yếu tố duy nhất có chịu trách nhiệm cho sự khác biệt trong dữ liệu hay không (Chang và cộng sự, 2010). Trong phương pháp này, tất cả các biến quan sát đo lường cho các thang đo trong mô hình nghiên cứu đều được đưa vào phân tích nhân tố để kiểm tra xem liệu một nhân tố duy nhất có xuất hiện hay liệu một nhân tố chung duy nhất có dẫn đến phần lớn hiệp phương sai giữa các thước đo hay không; nếu không có yếu tố đơn lẻ nào xuất hiện và chiếm phần lớn hiệp phương sai, điều này có nghĩa là CMV không phải là vấn đề phổ biến trong nghiên cứu (Chang và cộng sự, 2010). Sử dụng phân tích nhân tố trong SPSS để thực hiện kiểm định này. Các bước sau đây được thực hiện khi tiến hành thử nghiệm này:

(1) Nhập tất cả các items vào phân tích nhân tố và chạy phân tích thành phần chính.

(2) Kiểm tra phương sai của thành phần đầu tiên nếu nhỏ hơn 50% (theo Hair (2019, p744) thì ≤ 40%) thì kết luận không có CMV.

Trong trường hợp chúng ta chạy CB SEM bằng AMOS, chúng tôi khuyến nghị các bạn nên thực hiện thêm thủ tục kiểm định độ phù hợp của mô hình cấu trúc đơn yếu tố. Trường hợp model fit thấp thì chứng tỏ rằng, CMV không phải là điều đáng lo ngại trong mô hình nghiên cứu của bạn. Có thể tham khảo thêm Hautala-Kankaanpää (2022).

II. Hướng dẫn thực hiện Partial Correlation Procedures để kiểm tra CMV bằng SmartPLS

Đầu tiên, chúng ta sẽ tạo ra biến General factor bằng cách tạo dữ liệu random cho biến này. 

Chúng ta sẽ tạo ra mối tương quan giữa biến General factor với biến phụ thuộc trong mô hình. Sau đó xem xét R2 của biến phụ thuộc trước và sau khi thêm biến General factor, nếu R2 có sai khác nhiều thì kết luận có hiện tượng CMV trong dữ liệu nghiên cứu, và ngược lại. Lưu ý, với mô hình có nhiều biến phụ thuộc thì tạo thêm các mối quan hệ giữa biến phụ thuộc và biến General factor.

III. Tiếp theo, chúng tôi hướng dẫn các anh chị kiểm tra CMV đối với những mô hình phức tạp sử dụng SmartPLS. Phương pháp này được Kock và Lynn (2012) giới thiệu, và Kock (2015) đưa ra mức VIFs ≤ 3.3.

Chúng ta chuyển mô hình qua dạng đơn nhân tố bằng cách sử dụng giá trị biến tiềm ẩn (latent variables).

Đầu tiên, phân tích mô hình gốc, lấy giá trị biến tiềm ẩn, và tạo thêm biến General factor.

Mô hình lại theo dạng single factor.

Đọc phân tích, chúng ta kiểm tra giá trị VIF của mô hình biến nội sinh (biến nội sinh là biến có mũi tên hướng vào, ở đây là biến General factor). Nếu giá trị VIF này nhỏ hơn 3.3 thì kết luận không có CMV (CMB).

Kết quả cho thấy dữ liệu nghiên cứu không có CMV. Các bạn có thể tham khảo thêm video hướng dẫn thực hành loại này của Dr. Ashulekha Gupta tại đây.

Ngoài ra, về mặt phương pháp, chúng ta có thể không cần chuyển các biến trong mô hình về dạng single factor, tham khảo thêm video thực hành của Dr. James Gaskin cho trường hợp này tại đây.

Tài liệu tham khảo

Change, S., Witteloostuijn, A. V, & Eden, L. (2010). From the editors: Common method variance in international research. Journal of International Business Studies, 41(2), 178–184.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis . Cengage Learning. Hampshire, United Kingdom.

Hautala-Kankaanpää, T. (2022). The impact of digitalization on firm performance: examining the role of digital culture and the effect of supply chain capability. Business Process Management Journal, 28(8), 90–109.

Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of E-Collaboration (Ijec), 11(4), 1–10.

Kock, N., & Lynn, G. (2012). Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations. Journal of the Association for Information Systems, 13(7).

Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86(1), 114.

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.

Tehseen, S., Ramayah, T., & Sajilan, S. (2017). Testing and controlling for common method variance: A review of available methods. Journal of Management Sciences, 4(2), 142–168.