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 SmartPLS 4 cần đưa điểm số của tất cả biến tiềm ẩn vào cùng một hồi quy phụ và đọc VIF theo ngưỡng 3,3.
Để kiểm tra CMB theo Kock (2015), phải tính một VIF cho từng biến tiềm ẩn dựa trên toàn bộ các biến tiềm ẩn còn lại. Trong SmartPLS 4, quy trình minh bạch nhất là xuất điểm số biến tiềm ẩn từ mô hình chính, tạo một biến phụ thuộc ngẫu nhiên, sau đó chạy hồi quy với tất cả điểm số làm biến độc lập. Kết quả được xem là ít đáng lo ngại về CMB khi mọi full collinearity VIF không vượt quá 3,3.
1. Full collinearity assessment 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. Trong 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 giữa các chỉ báo. Kock (2015) lập luận rằng phần biến thiên chung này được tổng hợp vào điểm số biến tiềm ẩn và có thể làm tăng mức độ cộng tuyến giữa các biến.
Kock và Lynn (2012) phân biệt cộng tuyến dọc, tức cộng tuyến giữa các biến dự báo của cùng một biến kết quả, với cộng tuyến ngang, tức sự chồng lấn giữa biến dự báo và biến tiêu chí. Full collinearity assessment được xây dựng để đánh giá đồng thời cả hai dạng. Với mỗi biến tiềm ẩn, phương pháp xem biến đó như biến cần được giải thích bởi tất cả biến tiềm ẩn còn lại, sau đó chuyển hệ số xác định thành VIF.
Trong công thức trên, Rj2 là hệ số xác định khi biến tiềm ẩn thứ j được hồi quy theo toàn bộ các biến tiềm ẩn khác. Định nghĩa này phù hợp với cách SmartPLS mô tả VIF: VIF của một biến được tính từ R2 khi biến đó được hồi quy theo các biến còn lại trong cùng tập hợp (SmartPLS, n.d.-a).
Full collinearity VIF là chẩn đoán ở cấp biến tiềm ẩn. Nó không phải VIF của từng item và cũng không phải một kiểm định p-value. Giá trị cần báo cáo là VIF gốc của từng biến tiềm ẩn.
2. Bằng chứng trong Kock (2015)
Kock (2015) sử dụng hai bộ dữ liệu mô phỏng, một bộ không bị CMB và một bộ được tạo thêm phương sai phương pháp chung. Mỗi bộ có 300 quan sát, ba biến tiềm ẩn và sáu chỉ báo cho mỗi biến. Hệ số tải tổng thể được đặt ở mức 0,70; hệ số đường dẫn tổng thể là 0,45; trọng số phương pháp chung trong bộ dữ liệu bị nhiễm được đặt ở mức 0,60.
Cả hai mô hình đều vượt qua các đánh giá truyền thống về giá trị hội tụ và giá trị phân biệt. Tuy nhiên, full collinearity VIF của mô hình không bị CMB chỉ dao động từ 1,472 đến 1,739, trong khi mô hình bị CMB có một giá trị đạt 3,720. Kết quả mô phỏng minh họa vì sao tải ngoài đẹp, AVE đạt và giá trị phân biệt chấp nhận được chưa đủ để loại trừ CMB (Kock, 2015).
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 các cấu trúc bậc cao cũng có thể làm tăng VIF. Full collinearity assessment nên được xem là chẩn đoán hậu kiểm và cần đặt cạnh các biện pháp phòng ngừa từ thiết kế bảng hỏi (Podsakoff et al., 2003, 2012).
3. Phân biệt ba loại VIF trong SmartPLS
Lỗi phổ biến nhất là mở kết quả mô hình PLS-SEM chính, nhìn bảng Inner VIF rồi kết luận đã kiểm tra CMB. Bảng này chỉ đánh giá cộng tuyến giữa những biến đang cùng dự báo một biến nội sinh cụ thể. Nó không bảo đảm mỗi biến tiềm ẩn đã được đối chiếu với toàn bộ biến tiềm ẩn còn lại.
| Chỉ số | Đơn vị đánh giá | Mục đích chính | Có phải kiểm tra CMB theo Kock? |
|---|---|---|---|
| Outer VIF | Các chỉ báo trong mô hình đo lường formative | Kiểm tra cộng tuyến giữa các chỉ báo tạo thành cùng một composite. | Không. |
| Inner VIF của mô hình chính | Các biến dự báo của từng biến nội sinh | Kiểm tra cộng tuyến trong từng phương trình cấu trúc. | Không, trừ trường hợp hiếm khi một biến nội sinh được dự báo bởi toàn bộ biến còn lại. |
| Full collinearity VIF | Từng biến tiềm ẩn so với tất cả biến tiềm ẩn còn lại | Chẩn đoán cộng tuyến dọc và ngang trên toàn bộ tập biến. | Có. |
Outer VIF trả lời câu hỏi về cộng tuyến giữa các chỉ báo formative. Full collinearity VIF trả lời câu hỏi khác, ở cấp biến tiềm ẩn. Hai bảng có thể cùng mang nhãn VIF nhưng không thể thay thế cho nhau.
4. Vì sao dùng biến phụ thuộc ngẫu nhiên?
Trong một hồi quy đa biến, VIF của biến độc lập Xj được xác định bằng cách hồi quy Xj theo tất cả biến độc lập còn lại. Biến phụ thuộc của mô hình hồi quy không xuất hiện trong công thức này. Vì vậy, nếu toàn bộ điểm số biến tiềm ẩn được đặt làm biến độc lập trong cùng một hồi quy, SmartPLS có thể xuất full collinearity VIF cho tất cả biến chỉ trong một lần chạy.
Một biến ngẫu nhiên được dùng làm biến phụ thuộc để hoàn thiện mô hình mà không gán cho nó ý nghĩa lý thuyết. Hệ số đường dẫn, R2, p-value và khả năng dự báo biến ngẫu nhiên đều không được diễn giải. Chỉ bảng VIF của các biến độc lập được giữ lại.
Xuất điểm số từ mô hình nghiên cứu chính giúp phép kiểm tra sử dụng đúng các điểm số đã tạo ra kết quả PLS-SEM cần báo cáo. Nếu vẽ lại toàn bộ thang đo trong một mô hình phụ rồi nối tất cả cấu trúc vào RANDOM, thuật toán có thể ước lượng lại trọng số dưới một cấu trúc nội khác. Cách dùng điểm số vì thế dễ kiểm tra và dễ tái lập hơn.
5. Quy trình thực hiện trên SmartPLS 4
SmartPLS 4 cho phép chạy PLS-SEM, tạo file dữ liệu từ kết quả và xây dựng mô hình hồi quy trực tiếp trong cùng project. Các bước bên dưới kết hợp các chức năng này thành một quy trình full collinearity assessment có thể lưu lại để kiểm tra sau (SmartPLS, n.d.-b, n.d.-c, n.d.-e).
Tạo cột RANDOM trong dữ liệu
Mở dữ liệu bằng Excel, thêm cột RANDOM, nhập =RAND() và kéo xuống đủ số quan sát. Sau đó sao chép cột và dùng Paste Special > Values để cố định giá trị. Cột phải có biến thiên và không có dữ liệu thiếu.
Chạy mô hình PLS-SEM chính
Import dữ liệu đã có cột RANDOM, mở mô hình nghiên cứu, chọn Calculate > PLS-SEM Algorithm và dùng kết quả Standardized. Cột RANDOM không cần xuất hiện trong mô hình chính.
Tạo file dữ liệu chứa construct scores
Trong cửa sổ kết quả, chọn Create Data File hoặc Generate Data File. Giữ lại Construct Scores hay Latent Variable Scores, cột RANDOM và mã quan sát nếu cần. Nếu phiên bản đang dùng không đưa cột RANDOM vào file mới, xuất điểm số ra Excel, thêm RANDOM rồi import lại.
Tạo mô hình REGRESSION mới
Chọn project, nhấn REGRESSION trên thanh công cụ và đặt tên, chẳng hạn CMB Full Collinearity. Kéo RANDOM vào canvas làm biến phụ thuộc, sau đó kéo toàn bộ cột điểm số biến tiềm ẩn vào RANDOM làm biến độc lập. SmartPLS mô tả thao tác kéo biến độc lập vào biến phụ thuộc trong hướng dẫn mô hình hồi quy (SmartPLS, n.d.-c).
Chạy Regression Analysis
Chọn Calculate > Regression Analysis, giữ intercept và các thiết lập mặc định rồi chạy. Bootstrapping không cần thiết cho mục tiêu này vì tiêu chí cần đọc là mức VIF gốc, không phải ý nghĩa thống kê của hệ số.
Mở bảng Collinearity Statistics
Trong báo cáo hồi quy, tìm Collinearity Statistics hoặc VIF. Ghi một giá trị cho mỗi điểm số biến tiềm ẩn. Không diễn giải coefficient, R2, ANOVA hay p-value của phương trình RANDOM.
Lập bảng và đối chiếu ngưỡng 3,3
Đưa tên cấu trúc, VIF và quyết định vào một bảng riêng. Nếu mọi VIF không vượt quá 3,3, có thể kết luận CMB không phải là mối quan ngại nghiêm trọng theo tiêu chí của Kock (2015).
Mã ID thường tăng tuần tự theo thứ tự nhập liệu, thời gian hoặc nhóm thu thập. Nó có thể mang cấu trúc ngoài ý muốn. Một dãy số ngẫu nhiên đã được cố định là lựa chọn sạch hơn cho hồi quy phụ.
6. Đọc và diễn giải kết quả
Kock (2015) đề xuất xem VIF lớn hơn 3,3 là dấu hiệu của cộng tuyến bệnh lý và là chỉ báo rằng mô hình có thể bị CMB. Nếu tất cả full collinearity VIF bằng hoặc thấp hơn 3,3, mô hình có thể được xem là không có dấu hiệu CMB nghiêm trọng theo thủ tục này.
| Kết quả | Diễn giải nên dùng | Việc cần làm |
|---|---|---|
| Tất cả VIF ≤ 3,3 | Không phát hiện dấu hiệu CMB nghiêm trọng theo full collinearity assessment. | Báo cáo khoảng giá trị và nhắc lại các biện pháp thiết kế đã áp dụng. |
| Một hoặc nhiều VIF > 3,3 | Có dấu hiệu cộng tuyến đáng quan tâm; CMB là một khả năng, chưa phải nguyên nhân đã được xác nhận. | Kiểm tra chồng lấn khái niệm, nội dung item, mô hình bậc cao, đặc tả thang đo và quy trình thu thập dữ liệu. |
| VIF rất cao hoặc không tính được | Có thể tồn tại gần cộng tuyến hoàn hảo, biến trùng lặp hoặc cấu trúc được tạo cơ học. | Rà dữ liệu và mô hình trước khi diễn giải CMB. |
SmartPLS hiện tô màu VIF theo hướng dẫn chung: giá trị đến 3,0 thường được đánh dấu thuận lợi, từ trên 3,0 đến 5,0 cần xem xét và trên 5,0 là nghiêm trọng (SmartPLS, n.d.-d). Màu hiển thị này không thay đổi ngưỡng 3,3 của thủ tục CMB. Người nghiên cứu phải đối chiếu con số, không dựa riêng vào màu.
Kock (2015) ghi nhận rằng ngưỡng 5 có thể được cân nhắc khi dùng thuật toán factor-based có mô hình hóa sai số đo lường. Nếu nghiên cứu chạy PLS-SEM chuẩn trong SmartPLS và tuyên bố làm theo Kock (2015), ngưỡng 3,3 là lựa chọn nhất quán hơn. Không nên đổi sang 5 sau khi đã thấy kết quả vượt 3,3.
7. Các trường hợp đặc biệt
7.1. Mô hình có cấu trúc bậc cao
Nếu dùng two-stage approach, hãy thực hiện full collinearity assessment trên các cấu trúc xuất hiện ở mô hình giai đoạn cuối. Không đưa đồng thời cấu trúc bậc cao và toàn bộ thành phần bậc thấp tạo nên nó vào cùng hồi quy phụ, vì quan hệ cấu thành có thể làm VIF tăng theo cơ học.
7.2. Mô hình có biến điều tiết
Không đưa interaction term hoặc product indicator vào tập full collinearity VIF. Biến tương tác được tạo từ các biến gốc và dễ mang cộng tuyến do cách xây dựng. Kiểm tra CMB nên tập trung vào các cấu trúc đo lường gốc được thu thập từ cùng nguồn.
7.3. Biến kiểm soát và nhân khẩu học
Tuổi, giới tính, loại hình doanh nghiệp và các biến dummy không nhất thiết phải đưa vào nếu chúng không phải thang đo tự báo cáo trọng tâm. Một biến kiểm soát được đo bằng nhiều item, cùng nguồn và cùng thời điểm với các cấu trúc chính có thể được đưa vào khi có lý do rõ.
7.4. Cấu trúc một chỉ báo
Cấu trúc một chỉ báo vẫn có thể được đưa vào nếu đó là biến nghiên cứu trọng tâm và có điểm số hợp lệ. Cần phân biệt nó với biến kỹ thuật như RANDOM, ID hoặc biến phân nhóm.
Tập biến đưa vào hồi quy phụ phải phản ánh các cấu trúc nội dung mà nghiên cứu muốn đánh giá rủi ro phương pháp chung. Không nên gom mọi cột dữ liệu vào chỉ để tạo cảm giác kiểm tra toàn diện.
8. Các lỗi thường gặp khi kiểm tra CMB
| Cách làm hoặc cách viết yếu | Vì sao chưa đúng | Cách sửa |
|---|---|---|
| "Inner VIF của mô hình chính 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 điểm số cấu trúc trong cùng hồi quy phụ. |
| "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 rồi diễn giải hệ số đường dẫn. | RANDOM không có vai trò lý thuyết; đường dẫn chỉ phục vụ tính VIF. | Tách hồi quy phụ và chỉ giữ lại bảng VIF. |
| "Mọi VIF dưới 3,3 chứng minh dữ liệu hoàn toàn không có CMB." | Đây là thủ tục 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. |
| Thấy VIF cao rồi xóa item chỉ để hạ chỉ số. | Xóa item có thể làm suy giảm giá trị nội dung và che khuất chồng lấn lý thuyết. | Kiểm tra nội dung thang đo, cấu trúc khái niệm và thiết kế thu thập trước khi chỉnh mô hình. |
| Đưa HOC, LOC và interaction term vào cùng một lần kiểm tra. | Các biến này có thể phụ thuộc cơ học do cách tạo điểm số. | Chọn cấu trúc ở cấp phân tích cuối và loại biến được tạo từ các cấu trúc gốc. |
9. Mẫu bảng và đoạn báo cáo
Bảng kết quả chỉ cần một dòng cho mỗi biến tiềm ẩn. Không cần trình bày hệ số hồi quy vào RANDOM, R2 của RANDOM hay p-value.
| Biến tiềm ẩn | Full collinearity VIF | Ngưỡng | Kết luận |
|---|---|---|---|
| [X1] | [1,xxx] | ≤ 3,3 | Đạt |
| [X2] | [2,xxx] | ≤ 3,3 | Đạt |
| [Y] | [2,xxx] | ≤ 3,3 | Đạt |
Thay ký hiệu và số liệu trong ngoặc vuông bằng kết quả thực tế. Nguồn ngưỡng: Kock (2015).
Mẫu viết bằng 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 common method bias không phải là mối quan ngại nghiêm trọng đối với các quan hệ được phân tích trong nghiên cứu này.
Mẫu viết bằng tiếng Anh
Common method bias was assessed using the full collinearity procedure proposed by Kock (2015). The latent variable scores were entered simultaneously as predictors in an auxiliary regression model in SmartPLS 4. The resulting full collinearity VIF values ranged from [minimum VIF] to [maximum VIF], all below the threshold of 3.3. These results suggest that common method bias was unlikely to represent a serious concern in the present study.
Không đổi câu cuối thành một kết luận nhị phân rằng dữ liệu "có CMB". Hãy nêu cấu trúc nào vượt ngưỡng, mức vượt bao nhiêu, các nguyên nhân cạnh tranh đã được kiểm tra và liệu kết luận cấu trúc có thay đổi sau phân tích độ nhạy hay không.
10. Bảng kiểm trước khi công bố kết quả
- Đã chạy mô hình PLS-SEM chính và dùng đúng construct scores từ kết quả cần báo cáo chưa?
- Cột RANDOM có biến thiên, không thiếu dữ liệu và đã được cố định giá trị chưa?
- Tất cả cấu trúc nội dung phù hợp đã được đưa đồng thời vào cùng mô hình hồi quy phụ chưa?
- Đã loại ID, biến phân nhóm và các cột kỹ thuật khỏi tập biến độc lập chưa?
- Đã tránh đưa đồng thời HOC và các LOC cấu thành nó chưa?
- Đã loại interaction term hoặc product indicator khỏi full collinearity assessment chưa?
- Đã lấy VIF từ Collinearity Statistics thay vì Outer VIF hoặc Inner VIF của mô hình chính chưa?
- Đã đối chiếu trực tiếp với ngưỡng 3,3 thay vì chỉ nhìn màu của SmartPLS chưa?
- Đã báo cáo khoảng VIF nhỏ nhất đến lớn nhất và bảng VIF theo cấu trúc chưa?
- Đã dùng cách viết thận trọng, tránh tuyên bố tuyệt đối rằng dữ liệu hoàn toàn không có CMB chưa?
- Đã trình bày biện pháp phòng ngừa CMB được thực hiện từ giai đoạn thiết kế khảo sát chưa?
Kết luận
Full collinearity assessment là một thủ tục gọn, nhưng chỉ 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 của Kock (2015).
Kết quả dưới ngưỡng không phải giấy chứng nhận rằng dữ liệu hoàn toàn sạch CMB. Nó là một mảnh bằng chứng hậu kiểm. Bài nghiên cứu vẫn cần giải thích nguồn rủi ro, cách thiết kế bảng hỏi, quy trình thu thập và giới hạn của dữ liệu cùng nguồn. Một kết luận thận trọng thường thuyết phục hơn một câu khẳng định tuyệt đối.
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.-a). PLS-SEM glossary. Retrieved October 1, 2026, from https://www.smartpls.com/documentation/literature/glossary/
- SmartPLS. (n.d.-b). Your first PLS path model. Retrieved October 1, 2026, from https://www.smartpls.com/documentation/tutorials/first-pls-path-model/
- SmartPLS. (n.d.-c). Your first regression model. Retrieved October 1, 2026, from https://www.smartpls.com/documentation/tutorials/first-regression-model/
- SmartPLS. (n.d.-d). Result color thresholds in SmartPLS reports. Retrieved October 1, 2026, from https://www.smartpls.com/documentation/functionalities/thresholds/
- SmartPLS. (n.d.-e). Release notes. Retrieved October 1, 2026, from https://www.smartpls.com/release_notes/
Ghi chú học thuật: Bài viết hướng dẫn triển khai thủ tục của Kock (2015) trong SmartPLS 4. Full collinearity VIF là một chẩn đoán hậu kiểm, không thay thế các biện pháp thiết kế nhằm giảm sai lệch phương pháp chung và không tự xác định nguyên nhân của một VIF cao.
