Outer Loadings Và Cross-Loading: Đánh Giá Và Kỹ Thuật Biến Trong PLS-SEM

Outer loadings và Cross-loading là hai chỉ số phản ánh mức độ liên kết giữa biến quan sát với biến tiềm ẩn chủ quản và mức độ chồng chéo sang các biến tiềm ẩn khác trong mô hình đo lường phản xạ của PLS-SEM. Trong phân tích mô hình phương trình cấu trúc trên phần mềm SmartPLS, việc đọc hiểu và xử lý chuẩn xác hệ số tải ngoài (Outer Loadings) và ma trận tải chéo (Cross-loadings) là bước làm sạch dữ liệu then chốt nhằm đảm bảo thang đo đạt giá trị hội tụ và giá trị phân biệt trước khi đánh giá mô hình cấu trúc.

Bản chất toán học của hệ số tải ngoài (Outer Loadings)

Trong mô hình đo lường phản xạ (Reflective Measurement Model), chiều mũi tên tác động đi từ biến tiềm ẩn ra các biến quan sát. Hệ số tải ngoài (Outer Loading – λ) chính là hệ số hồi quy chuẩn hóa giữa biến tiềm ẩn và biến quan sát tương ứng:

• Khả năng giải thích phương sai (Indicator Reliability): Bình phương của hệ số tải ngoài (λ²) đo lường tỷ lệ phương sai của biến quan sát được giải thích bởi biến tiềm ẩn, phần còn lại (1 – λ²) là sai số đo lường.
• Ngưỡng chuẩn mực lý tưởng (λ ≥ 0.708): Khi λ = 0.708, giá trị λ² = (0.708)² = 0.501 (chiếm hơn 50% phương sai). Điều này bảo đảm biến tiềm ẩn giải thích phần lớn phương sai của biến chỉ báo, nhiều hơn lượng phương sai sai số đo lường.

“Outer loading đo lường độ gắn kết nội tại của câu hỏi với nhân tố mẹ, trong khi Cross-loading kiểm soát mức độ ‘lăng nhăng’ của câu hỏi đó sang các nhân tố khác trong mô hình.”

Quy tắc xử lý biến trong vùng xám (Loading từ 0.40 đến 0.70) theo Hair et al.

Trong dữ liệu khảo sát thực tế, không phải lúc nào mọi biến quan sát cũng đạt hệ số tải trên 0.708. Các nhà kinh tế lượng hàng đầu (Hair, Hult, Ringle, & Sarstedt, 2022) đã đưa ra quy tắc ứng xử chuẩn xác cho các khoảng giá trị loading:

• Trường hợp Loading < 0.40: Biến quan sát có độ tin cậy quá thấp, chứa đựng sai số đo lường quá lớn. Bắt buộc phải xóa bỏ ngay lập tức ra khỏi mô hình nghiên cứu.
• Trường hợp Loading ≥ 0.708: Biến quan sát đạt chất lượng xuất sắc, giữ lại nguyên vẹn.
• Trường hợp Loading nằm trong vùng xám [0.40 đến 0.70]: Không nên xóa bỏ một cách máy móc. Nhà nghiên cứu chỉ quyết định loại bỏ biến khi việc loại bỏ đó giúp chỉ số Độ tin cậy tổng hợp (CR) hoặc chỉ số Phương sai trích trung bình (AVE) của nhóm nhân tố vượt lên trên ngưỡng chuẩn (CR > 0.70 và AVE > 0.50). Nếu thang đo đã đạt AVE > 0.50 và CR > 0.70, đồng thời việc giữ lại biến giúp bảo toàn giá trị nội dung (Content Validity) của khái niệm thì bạn hoàn toàn được phép giữ lại biến đó.

Bản chất của Ma trận tải chéo (Cross-Loading) và kiểm tra giá trị phân biệt

Bên cạnh hệ số tải ngoài, ma trận tải chéo cung cấp bức tranh đối sánh toàn diện:

• Định nghĩa: Tải chéo là hệ số tương quan giữa một biến quan sát với tất cả các biến tiềm ẩn khác mà nó không trực tiếp thuộc về.
• Nguyên tắc đánh giá: Hệ số tải của một biến quan sát lên biến tiềm ẩn chủ quản bắt buộc phải lớn hơn hệ số tải của chính nó lên tất cả các biến tiềm ẩn khác.
• Quy tắc khoảng cách an toàn (Cross-Loading Gap): Để bảo đảm tính phân biệt rõ nét, độ chênh lệch giữa hệ số tải chính và hệ số tải chéo lớn thứ hai nên đạt tối thiểu từ 0.10 đến 0.20 đơn vị. Nếu khoảng cách này dưới 0.10, biến quan sát đang có hiện tượng tải chéo nặng nề, đe dọa trực tiếp đến tính đơn nhất của thang đo.

Bảng minh họa ma trận tải chéo trước và sau khi xử lý tinh gọn

Dưới đây là bảng dữ liệu thực nghiệm minh họa quá trình phát hiện và xử lý biến tải chéo:

Biến quan sát	Nhân tố 1 (Chất lượng)	Nhân tố 2 (Niềm tin)	Nhân tố 3 (Hài lòng)	Đánh giá & Quyết định xử lý
CL1	0.824	0.285	0.312	Đạt chuẩn xuất sắc (Tải chính cao, tải chéo thấp)
CL2	0.789	0.310	0.295	Đạt chuẩn tốt (Chênh lệch tải chéo > 0.40)
CL3 (Lỗi tải chéo)	0.642	0.598	0.350	Vi phạm tải chéo (Gap = 0.044 < 0.10) → Cần loại bỏ
NT1	0.215	0.865	0.340	Đạt chuẩn xuất sắc
NT2 (Loading thấp)	0.180	0.385	0.210	Loading < 0.40 → Bắt buộc xóa bỏ dứt khoát

Quy trình 4 bước tinh gọn biến bằng Outer Loadings và Cross-loadings trên SmartPLS

Để tối ưu hóa mô hình đo lường trên phần mềm SmartPLS 3 hoặc SmartPLS 4:

1. Bước 1: Chạy thuật toán PLS-SEM Algorithm: Thiết lập Weighting Scheme là Path, Maximum Iterations là 300 và Stop Criterion là 10^-7.
2. Bước 2: Rà soát bảng Outer Loadings: Nhấp vào mục Quality Criteria → Outer Loadings. Quan sát các ô có màu xanh lá cây (> 0.708) và các ô có màu xanh lục nhạt hoặc đỏ (< 0.70). Xóa bỏ ngay các biến có loading < 0.40.
3. Bước 3: Rà soát bảng Discriminant Validity → Cross Loadings: Kiểm tra xem có biến nào tải sang cột khác với khoảng cách gap < 0.10 hay không.
4. Bước 4: Loại bỏ từng biến đơn lẻ và chạy lại thuật toán: Luôn loại bỏ từng biến vi phạm nặng nhất trong mỗi lượt chạy, sau đó kiểm tra xem chỉ số AVE và CR của nhân tố đã vượt ngưỡng hay chưa trước khi quyết định loại biến tiếp theo.

Nghiên cứu tình huống tinh giản thang đo khảo sát thương mại điện tử bằng Outer Loadings

Để hiểu rõ quy trình vận dụng Outer loadings và Cross-loading trong thực tế, chúng ta xem xét trường hợp làm sạch bộ dữ liệu khảo sát 400 người tiêu dùng mua sắm trực tuyến với bảng hỏi ban đầu gồm 28 biến quan sát đo lường 5 nhân tố:

• Lượt chạy thuật toán ban đầu:

• Biến CSKH4 (Hỗ trợ qua điện thoại) có Outer Loading = 0.38 (dưới ngưỡng 0.40). Biến này lập tức bị xóa bỏ khỏi mô hình vì sai số đo lường vượt quá 85%.
• Biến TT3 (Đa dạng cổng thanh toán) có Outer Loading = 0.58 (rơi vào vùng xám 0.40 – 0.70). Tuy nhiên, chỉ số AVE của nhân tố Thanh toán lúc này chỉ đạt 0.47 (chưa đạt ngưỡng 0.50). Tác giả quyết định loại bỏ biến TT3; ngay sau đó, chỉ số AVE của nhân tố này tăng vọt lên 0.56 và CR đạt 0.84.
• Biến KM2 (Mã giảm giá hấp dẫn) có Outer Loading lên nhân tố Khuyến mại là 0.69, nhưng lại tải lên nhân tố Giá cả cảm nhận với hệ số 0.65 trong bảng Cross-loadings (khoảng cách gap chỉ bằng 0.04 < 0.10). Do hiện tượng tải chéo nghiêm trọng làm mất tính phân biệt, tác giả quyết định loại bỏ biến KM2.
• Kết quả sau 3 lượt lọc biến: Bảng câu hỏi được tinh gọn xuống còn 25 biến quan sát hoàn hảo. Tất cả các biến còn lại đều có Outer Loadings dao động từ 0.72 đến 0.88, triệt tiêu hoàn toàn hiện tượng tải chéo, giúp hệ thống thang đo đạt chuẩn mực khoa học xuất sắc.

Phân biệt Outer Loadings trong mô hình phản xạ và Outer Weights trong mô hình định hình

Nhà nghiên cứu cần lưu ý rằng hệ số tải ngoài (Outer Loadings) chỉ áp dụng cho mô hình đo lường phản xạ (Reflective). Đối với mô hình đo lường định hình (Formative), chiều mũi tên đi từ biến chỉ báo vào biến tiềm ẩn, khi đó:

• Chỉ số đánh giá chính là Trọng số ngoài (Outer Weights) phản ánh mức độ đóng góp độc lập của biến chỉ báo cấu thành nên khái niệm.
• Đánh giá hiện tượng đa cộng tuyến bằng Hệ số phóng đại phương sai VIF của các biến chỉ báo (yêu cầu VIF < 3.0).
• Nếu một biến định hình có Outer Weight không có ý nghĩa thống kê (p > 0.05), bạn mới kiểm tra Outer Loading: Nếu loading > 0.50 thì vẫn giữ lại biến để bảo toàn nội hàm khái niệm.

Câu hỏi thường gặp về outer loadings và cross-loading (FAQ)

Nếu loại bỏ một biến quan sát làm AVE tăng nhưng làm mất một khía cạnh lý thuyết thì nên làm gì?

Nếu câu hỏi đó mang tính đại diện lý thuyết không thể thay thế, bạn nên cân nhắc giữ lại nếu loading của nó vẫn trên 0.60 và chỉ số AVE tổng thể của nhân tố vẫn đạt trên 0.50.

Biến có loading âm trong bảng Outer Loadings phản ánh lỗi gì?

Loading mang giá trị âm là dấu hiệu chắc chắn bạn chưa đảo ngược điểm số của câu hỏi mang tính phủ định (Reverse-coded item) trước khi đưa vào phần mềm SmartPLS.

Mô hình định hình (Formative Model) có đánh giá Outer Loadings không?

Không, mô hình định hình không đánh giá Outer Loadings mà đánh giá trọng số ngoài Outer Weights và hệ số đa cộng tuyến VIF của các biến chỉ báo.

Kết luận và định hướng thực hành

Nắm vững kỹ thuật phân tích Outer loadings và Cross-loading giúp nhà nghiên cứu làm sạch bộ dữ liệu khảo sát chuẩn mực, nâng cao độ tin cậy của mô hình đo lường và tạo bước đệm hoàn hảo cho các phân tích cấu trúc chuyên sâu. Để tải về các bộ dữ liệu mẫu SmartPLS đạt chuẩn và tài liệu hướng dẫn tinh gọn biến, mời quý bạn đọc ghé thăm thầy Phương.