Common method bias (sai lệch phương pháp chung, CMB) là phần tương quan giữa các biến sinh ra do cách đo (cùng một người trả lời, cùng một bảng hỏi, cùng thời điểm) chứ không do quan hệ thật. Kiểm định hay dùng nhất là Harman một nhân tố: chạy EFA không xoay trên toàn bộ biến quan sát, nếu nhân tố đầu tiên giải thích dưới 50% phương sai thì CMB không nghiêm trọng. Với PLS-SEM, báo cáo thêm VIF toàn phần của Kock (2015), ngưỡng ≤ 3,3.
Harman là kiểm tra thô và yếu (Podsakoff et al., 2003; Fuller et al., 2016), nhưng hội đồng và người phản biện vẫn hỏi, nên bạn cần biết làm, biết đọc và biết nói đúng giới hạn của nó. Bài dùng dữ liệu thật để minh hoạ.
Common method bias là gì và vì sao khoá luận hay bị hỏi?
Khoá luận định lượng điển hình đo cả biến độc lập lẫn biến phụ thuộc bằng một bảng hỏi Likert, do cùng một người trả lời trong một lần. Khi đó các yếu tố như mong muốn trả lời "đẹp", tâm trạng lúc làm phiếu, thói quen chọn mức đồng ý, cách đặt câu hỏi giống nhau đều đẩy các câu trả lời đi cùng nhau. Tương quan giữa X và Y bị thổi phồng, và hệ số hồi quy có thể lớn hơn thực tế (Podsakoff et al., 2012).
Các nguồn CMB chính theo Podsakoff et al. (2003):
- Cùng người trả lời: mong muốn xã hội, xu hướng đồng ý, muốn trả lời nhất quán.
- Đặc điểm câu hỏi: cùng thang đo, câu mơ hồ, câu dẫn dắt.
- Bối cảnh câu hỏi: thứ tự câu, câu đặt cạnh nhau, độ dài bảng hỏi.
- Bối cảnh đo: cùng thời điểm, cùng địa điểm, cùng phương tiện.
Cách chạy kiểm định Harman một nhân tố trong SPSS
- Vào Analyze → Dimension Reduction → Factor.
- Đưa tất cả biến quan sát của mọi khái niệm vào ô Variables, cả biến độc lập, trung gian và phụ thuộc. Không đưa biến nhân khẩu học.
- Extraction: chọn Principal components (hoặc Principal axis factoring), mục Extract chọn Fixed number of factors = 1.
- Rotation: None.
- Đọc bảng Total Variance Explained, cột % of Variance của nhân tố 1 (phần Extraction Sums of Squared Loadings).
Không có SPSS? Công cụ phân tích dữ liệu của Góc Nghiên Cứu chạy EFA ngay trên trình duyệt; bảng Total Variance Explained ở chế độ PCA cho cùng % phương sai của nhân tố đầu.
Cách đọc: nhân tố đầu dưới 50% thì kết luận CMB không phải vấn đề nghiêm trọng. Một số bài dùng ngưỡng chặt hơn là 40%. Nếu nhân tố đầu chiếm đa số phương sai, có dấu hiệu CMB (Podsakoff et al., 2003). Ngưỡng 50% là quy ước thực hành, không có nguồn gốc lý thuyết chặt chẽ.
Ví dụ thật: 24 biến quan sát của bộ dữ liệu mobi
Bộ mobi (gói R seminr) gồm 250 khách hàng điện thoại di động trả lời 24 câu hỏi thang 1–10 theo mô hình ECSI (Tenenhaus et al., 2005): hình ảnh (5 câu), kỳ vọng (3), chất lượng cảm nhận (7), giá trị cảm nhận (2), hài lòng (3), khiếu nại (1), trung thành (3). Tất cả đo bằng một bảng hỏi, đúng tình huống CMB điển hình. Tải mobi.csv ở trang kiểm chứng.
| Thành phần | Eigenvalue | % phương sai | % tích luỹ |
|---|---|---|---|
| 1 | 9,475 | 39,48 | 39,48 |
| 2 | 1,595 | 6,65 | 46,13 |
| 3 | 1,219 | 5,08 | 51,20 |
| 4 | 1,092 | 4,55 | 55,75 |
| 5 | 1,050 | 4,38 | 60,13 |
Nhân tố đầu giải thích 39,48% phương sai (eigenvalue 9,475 trên tổng 24), dưới ngưỡng 50% và sát ngưỡng chặt 40%. Theo quy ước, kết luận CMB không nghiêm trọng. Số được tính bằng phân tích thành phần chính trên ma trận tương quan của 24 biến, khớp với SPSS khi chọn Principal components.
Nhưng hãy để ý: eigenvalue thứ nhất lớn gấp sáu lần thứ hai. Đó không nhất thiết là CMB, vì các khái niệm của ECSI vốn tương quan chặt về mặt lý thuyết (hài lòng và chất lượng cảm nhận có r = 0,788 khi lấy điểm trung bình). Harman không tách được tương quan thật và tương quan do phương pháp. Đây chính là điểm yếu của nó.
Vì sao Harman bị coi là kiểm định yếu?
- Podsakoff et al. (2003) nhận xét Harman không kiểm soát được CMB và rất khó cho ra một nhân tố duy nhất khi có nhiều biến, nên "đạt" gần như mặc nhiên.
- Fuller et al. (2016) mô phỏng và thấy Harman chỉ phát hiện được khi sai lệch phương pháp rất lớn, lớn đến mức hiếm gặp; ở mức CMB thường gặp, kết quả hồi quy đã bị sai lệch nhưng Harman vẫn báo "đạt".
- Kết quả Harman phụ thuộc số khái niệm và độ tin cậy thang đo, không chỉ phụ thuộc CMB.
Vì vậy, viết "không có CMB" là sai. Viết đúng là "kết quả Harman không cho thấy CMB nghiêm trọng", kèm các biện pháp thiết kế đã áp dụng.
VIF toàn phần (full collinearity VIF) của Kock
Kock (2015) đề xuất dùng VIF toàn phần cho PLS-SEM: hồi quy từng biến tiềm ẩn lên tất cả biến tiềm ẩn còn lại (kể cả biến phụ thuộc). VIF nào lớn hơn 3,3 là dấu hiệu đa cộng tuyến bệnh lý, có thể do CMB. Trong SmartPLS, cách làm thường thấy là tạo một biến giả ngẫu nhiên làm biến phụ thuộc, nối mọi khái niệm vào nó và đọc inner VIF.
Với dữ liệu mobi, tính gần đúng bằng điểm trung bình (thay cho điểm biến tiềm ẩn PLS) cho VIF toàn phần: hình ảnh 2,39; kỳ vọng 1,49; chất lượng cảm nhận 3,50; giá trị cảm nhận 1,70; hài lòng 3,28; trung thành 1,59. Chất lượng cảm nhận vượt 3,3 một chút. Kết quả này lại cho thấy cùng vấn đề: chất lượng cảm nhận và hài lòng tương quan rất chặt, có thể do lý thuyết, có thể do phương pháp, và không kiểm định thống kê nào tự phân biệt được hai lý do. Nếu gặp tình huống này, báo cáo trung thực và kiểm tra thêm giá trị phân biệt bằng HTMT. Phân biệt VIF toàn phần với VIF thông thường ở bài hệ số VIF và đa cộng tuyến.
Các cách kiểm tra CMB tốt hơn Harman
| Cách | Ý tưởng | Cần gì |
|---|---|---|
| Biến đánh dấu (marker variable) | Thêm một biến không liên quan lý thuyết; tương quan của nó với các biến khác ước lượng CMB, rồi trừ ra (Lindell & Whitney, 2001) | Phải thiết kế câu marker vào bảng hỏi từ trước |
| Nhân tố phương pháp tiềm ẩn (ULMC) trong CFA | Thêm một nhân tố chung mà mọi biến quan sát cùng tải lên, so sánh mô hình có và không có | AMOS hoặc lavaan; xem bài CFA trong AMOS |
| VIF toàn phần | VIF giữa các biến tiềm ẩn ≤ 3,3 (Kock, 2015) | SmartPLS, hoặc công cụ PLS-SEM |
Phòng ngừa CMB ngay từ bảng hỏi
Podsakoff et al. (2012) nhấn mạnh phòng ngừa bằng thiết kế quan trọng hơn kiểm định sau khi thu dữ liệu. Những việc khoá luận làm được:
- Bảo đảm ẩn danh và nói rõ "không có câu trả lời đúng hay sai" ở phần mở đầu.
- Không đặt các câu của biến phụ thuộc ngay sau biến độc lập; xen các phần khác vào giữa.
- Viết câu ngắn, rõ, không dẫn dắt; dùng câu đảo chiều có cân nhắc.
- Nếu được, thu biến phụ thuộc ở thời điểm khác (cách nhau vài tuần) hoặc từ nguồn khác (đánh giá của quản lý, dữ liệu hành vi thật).
- Thêm một câu marker không liên quan đến mô hình để có thể kiểm tra bằng phương pháp Lindell và Whitney.
Bộ khảo sát của Góc Nghiên Cứu gợi ý cách sắp xếp các khối câu hỏi, và bài cách thiết kế bảng hỏi có thêm danh sách kiểm tra.
Viết vào chương 3 và chương 4
Chương 3 nêu biện pháp phòng ngừa; chương 4 báo cáo kiểm định. Câu mẫu cho chương 4:
Để đánh giá sai lệch phương pháp chung, kiểm định một nhân tố của Harman được thực hiện bằng phân tích thành phần chính không xoay trên toàn bộ 24 biến quan sát. Nhân tố đầu tiên giải thích 39,48% tổng phương sai, thấp hơn ngưỡng 50%, cho thấy sai lệch phương pháp chung không phải là vấn đề nghiêm trọng (Podsakoff et al., 2003). Do kiểm định Harman có độ nhạy thấp (Fuller et al., 2016), nghiên cứu đồng thời áp dụng các biện pháp phòng ngừa trong thiết kế bảng hỏi đã trình bày ở chương 3.
Đã có % phương sai của nhân tố đầu và VIF toàn phần? Nhập vào Bác sĩ kết quả, mục "Phân phối và sai lệch phương pháp chung", để được nhận xét và câu viết.
Câu hỏi thường gặp
Kiểm định Harman ngưỡng 40% hay 50%?
50% là ngưỡng phổ biến nhất; một số tác giả dùng 40% cho chặt hơn. Chọn một ngưỡng, ghi rõ trong bài, và đừng đổi ngưỡng sau khi thấy kết quả.
Harman dùng PCA hay PAF, có xoay không?
Không xoay, trích một nhân tố. PCA phổ biến hơn trong các bài báo; PAF cho % phương sai thấp hơn một chút. Ghi rõ phương pháp bạn dùng.
Nhân tố đầu vượt 50% thì làm sao?
Báo cáo trung thực, kiểm tra thêm bằng ULMC hoặc biến marker nếu có, xem lại giá trị phân biệt, và nêu trong phần hạn chế rằng kết quả có thể bị thổi phồng do CMB. Không xoá câu hỏi chỉ để hạ con số này.
Đưa biến nhân khẩu học vào Harman có được không?
Không nên. Harman kiểm tra các thang đo tri giác đo cùng phương pháp; biến như tuổi, giới tính làm tăng số biến và hạ giả tạo % của nhân tố đầu.
Harman khác EFA thông thường thế nào?
EFA thông thường chạy riêng theo nhóm thang đo, có xoay, để kiểm tra cấu trúc nhân tố. Harman chạy gộp mọi biến, không xoay, ép một nhân tố. Cách đọc EFA thông thường có ở bài cách đọc kết quả EFA trong SPSS.
Tài liệu tham khảo
- Fuller, C. M., Simmering, M. J., Atinc, G., Atinc, Y., & Babin, B. J. (2016). Common methods variance detection in business research. Journal of Business Research, 69(8), 3192–3198. https://doi.org/10.1016/j.jbusres.2015.12.008
- 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
- Lindell, M. K., & Whitney, D. J. (2001). Accounting for common method variance in cross-sectional research designs. Journal of Applied Psychology, 86(1), 114–121. https://doi.org/10.1037/0021-9010.86.1.114
- 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), 879–903. 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
- Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205. https://doi.org/10.1016/j.csda.2004.03.005