Khi thực hiện phân tích mô hình đo lường (Measurement Model), Outer Loading (Hệ số tải ngoài) là chỉ số đầu tiên bạn cần kiểm tra.

1. Outer Loading là gì? Trong mô hình phản chiếu (reflective), Outer Loading đo lường mức độ liên kết giữa một biến quan sát (câu hỏi khảo sát) và biến tiềm ẩn mà nó đại diện. Nó cho biết câu hỏi đó đóng góp bao nhiêu phần trăm vào việc giải thích khái niệm nghiên cứu.

2. Các con số "vàng" cần nhớ:

• > 0.708 (Lý tưởng): Biến quan sát đạt độ tin cậy tốt. Lúc này, biến tiềm ẩn giải thích được hơn 50% phương sai của chỉ báo.

• 0.4 - 0.7: Mức "cân nhắc". Bạn chỉ nên giữ lại nếu việc loại bỏ không làm tăng đáng kể chỉ số AVE hoặc độ tin cậy tổng hợp (CR).

• < 0.4: Nên loại bỏ ngay vì câu hỏi này không đại diện tốt cho biến nghiên cứu.

Quy trình xử lý Outer Loading (0.4 - 0.7)

Bước 1: Kiểm tra độ tin cậy tổng thể (CR và AVE) Trước khi xóa bất kỳ biến nào, bạn hãy nhìn vào chỉ số AVE (Average Variance Extracted) và CR (Composite Reliability) của nhân tố đó:

• Nếu AVE > 0.5 và CR > 0.7: Điều này có nghĩa là dù có một vài biến tải thấp, nhưng tổng thể nhóm câu hỏi vẫn đảm bảo độ tin cậy và giá trị hội tụ. Bạn có thể giữ lại biến đó để bảo toàn nội dung của thang đo.

Bước 2: Phân tích tác động khi loại bỏ (Trial Removal) Nếu AVE hoặc CR chưa đạt chuẩn, bạn hãy thử chạy lại mô hình (Run Algorithm) sau khi tạm thời xóa biến có loading thấp đó đi:

• Trường hợp A: Sau khi xóa, chỉ số AVE và CR tăng lên đáng kể và vượt ngưỡng chuẩn (0.5 và 0.7). => Quyết định: Nên xóa biến đó.

• Trường hợp B: Sau khi xóa, các chỉ số này không tăng hoặc tăng không đáng kể. => Quyết định: Nên giữ lại biến đó để đảm bảo tính toàn vẹn của nội dung nghiên cứu (Content Validity).

Bước 3: Xem xét ý nghĩa nội dung Đây là bước cực kỳ quan trọng. Hãy tự hỏi: "Nếu xóa câu hỏi này, khái niệm nghiên cứu có còn đầy đủ ý nghĩa không?"

• Nếu biến đó đại diện cho một khía cạnh quan trọng mà các câu hỏi khác không có, hãy cố gắng giữ lại (miễn là loading > 0.4).

3. Tại sao chỉ số này quan trọng? Outer Loading là nền tảng để đánh giá Giá trị hội tụ (Convergent Validity). Nếu hệ số này quá thấp, kết quả nghiên cứu của bạn sẽ thiếu tính chính xác và không đáng tin cậy. Hãy luôn ưu tiên kiểm tra bảng "Outer Loadings" trước khi tiến hành phân tích mô hình cấu trúc (Structural Model)