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.
Thiết kế nghiên cứu cắt ngang (cross-sectional
design) (còn gọi là nghiên cứu tỷ lệ hiện hành, hay tần suất lưu hành) là một
phương pháp thu thập dữ liệu trong nghiên cứu khoa học, trong đó dữ liệu được
thu thập tại một thời điểm cụ thể từ một nhóm người hoặc các đối tượng nghiên cứu.
Thiết kế này cho phép nhà nghiên cứu thu thập thông tin về các biến quan sát tại
một thời điểm duy nhất và phân tích mối quan hệ giữa chúng.
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.
![](https://amosleminh.com/upload/2023/06/12/origin_pls-sem-20230612052813.png)
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.
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.