Common Method Bias và Common Latent Factor trong AMOS: hiểu đúng, kiểm tra đúng và báo cáo thận trọng
Common Latent Factor thường được dùng như một thủ tục hậu kiểm trong luận văn sử dụng CB-SEM. Tuy nhiên, không có một phép kiểm định đơn lẻ nào có thể chứng minh chắc chắn rằng dữ liệu hoàn toàn không bị sai lệch phương pháp chung. Cách tiếp cận có trách nhiệm hơn là nhận diện nguồn rủi ro, xử lý từ thiết kế nghiên cứu và đánh giá độ nhạy của kết luận.
CMB không phải là một căn bệnh có thể được xác nhận hoặc loại trừ chỉ bằng Harman's single-factor test hay một ngưỡng chênh lệch loading. Harman's test hiện bị khuyến nghị ngừng sử dụng như bằng chứng loại trừ CMB. CLF, tên gọi thực hành của một biến thể unmeasured latent method variable, có thể hữu ích như phân tích độ nhạy nhưng không tự động nhận diện đúng nguồn sai lệch và không nên được dùng như phán quyết duy nhất.
1. Phân biệt CMV, CMB và same-source bias
Ở bài mở đầu của chuỗi, CMV đã được giới thiệu theo hướng nhận diện và thực hành. Bài tiếp nối này điều chỉnh góc nhìn từ câu hỏi đơn giản "có hay không có CMV" sang câu hỏi chặt chẽ hơn: phương pháp đo lường có thể tạo ra sai lệch nào, sai lệch đó tác động đến tham số nào và kết luận nghiên cứu có còn ổn định khi xem xét các giải thích phương pháp hay không?
Trong nghiên cứu khảo sát, các thuật ngữ common method variance (CMV), common method bias (CMB) và same-source bias thường bị dùng thay thế cho nhau. Cách dùng này thuận tiện nhưng thiếu chính xác.
| Thuật ngữ | Ý nghĩa | Điểm cần nhớ |
|---|---|---|
| CMV | Phần phương sai có thể quy cho phương pháp đo lường thay vì khái niệm nghiên cứu. | CMV là thành phần phương sai; sự hiện diện của nó chưa đủ để kết luận các quan hệ đã bị sai lệch nghiêm trọng. |
| CMB | Sai lệch có hệ thống trong ước lượng do một hoặc nhiều đặc điểm của phương pháp đo lường gây ra. | CMB nói đến hậu quả làm méo hệ số tải, độ tin cậy, giá trị đo lường hoặc quan hệ giữa các khái niệm. |
| Same-source bias | Rủi ro phát sinh khi biến dự báo và biến kết quả được cung cấp bởi cùng một nguồn đánh giá. | Cùng nguồn là một điều kiện dễ tạo sai lệch, nhưng không đồng nghĩa mọi dữ liệu cùng nguồn đều chắc chắn bị CMB. |
Về mặt khái niệm, phương sai của một chỉ báo có thể được xem là sự kết hợp của ba thành phần chính:
Nếu phương sai phương pháp không được nhận diện, nó có thể bị gộp vào phương sai của khái niệm. Khi đó, hệ số tải, độ tin cậy tổng hợp, AVE và hệ số đường dẫn đều có khả năng bị diễn giải sai. Tác động cũng không nhất thiết chỉ theo hướng làm tăng tương quan; tùy cấu trúc của các nguồn phương pháp, CMB có thể làm tăng, làm giảm hoặc gần như không thay đổi một quan hệ quan sát được.
Mục tiêu hợp lý không phải là tuyên bố dữ liệu "không có CMB", mà là chứng minh rằng nhóm nghiên cứu đã nhận diện các nguồn rủi ro phù hợp, áp dụng biện pháp phòng ngừa có căn cứ và kiểm tra xem kết luận trọng tâm có nhạy với các giả định về phương pháp đo lường hay không.
2. CMB phát sinh từ đâu?
CMB không phải một yếu tố duy nhất. Tổng quan của Podsakoff và cộng sự phân nhóm nhiều nguồn sai lệch liên quan đến người đánh giá, đặc điểm câu hỏi, bối cảnh trình bày và bối cảnh đo lường. Vì vậy, một "nhân tố phương pháp chung" duy nhất khó có thể đại diện đầy đủ cho tất cả cơ chế đang tác động.
| Nguồn rủi ro | Ví dụ trong khảo sát | Biện pháp nên cân nhắc |
|---|---|---|
| Người trả lời | Mong muốn được xã hội chấp nhận, xu hướng đồng ý, tâm trạng tạm thời, cố giữ câu trả lời nhất quán. | Bảo đảm ẩn danh; giảm cảm giác bị đánh giá; dùng nguồn dữ liệu khác; đo trực tiếp khuynh hướng phản hồi nếu có cơ sở. |
| Đặc điểm item | Câu hỏi mơ hồ, quá phức tạp, phủ định kép, từ ngữ gần như trùng nhau giữa các thang đo. | Thẩm định nội dung; phỏng vấn nhận thức; khảo sát thử; viết câu hỏi ngắn, cụ thể và phù hợp đối tượng. |
| Bối cảnh item | Item của biến dự báo và biến kết quả đặt liền nhau; thứ tự câu hỏi tạo hiệu ứng gợi ý. | Tách các khối câu hỏi về mặt vị trí hoặc tâm lý; thiết kế thứ tự có chủ đích; thận trọng khi trộn item vì có thể làm tăng gánh nặng nhận thức. |
| Bối cảnh đo lường | Tất cả biến được đo cùng người, cùng thời điểm, cùng kênh và cùng dạng thang trả lời. | Tách nguồn; tách thời điểm; dùng dữ liệu khách quan hoặc lưu trữ khi phù hợp; thay đổi phương pháp theo logic lý thuyết, không thay đổi hình thức một cách tùy tiện. |
Biện pháp thiết kế phải phù hợp với cơ chế sai lệch dự kiến. Không có một thủ thuật chung xử lý đồng thời mọi nguồn CMB.
3. Đánh giá các kỹ thuật thường dùng
3.1. Harman's single-factor test
Phiên bản EFA của Harman's test đưa toàn bộ item vào một phân tích nhân tố không xoay và kiểm tra liệu nhân tố đầu tiên có giải thích phần lớn phương sai hay không. Ngưỡng 50% được sử dụng rộng rãi trong thực hành, nhưng đây là ngưỡng quy ước tùy ý, không phải tiêu chuẩn xác nhận đã được kiểm định chắc chắn.
Phép thử này chỉ có khả năng phát hiện một cấu trúc phương pháp rất đơn giản và đủ mạnh để tạo ra một nhân tố chi phối. Nó có thể nhầm phương sai nội dung với phương sai phương pháp, có công suất thấp trong nhiều điều kiện và không kiểm soát CMB. Phiên bản CFA một nhân tố cũng chỉ cho biết mô hình đo lường đề xuất phù hợp hơn mô hình một nhân tố; điều đó không chứng minh CMB vắng mặt.
Tổng quan năm 2024 của Podsakoff và cộng sự khuyến nghị mạnh mẽ ngừng dùng Harman's single-factor test. Vì vậy, câu "nhân tố đầu tiên giải thích dưới 50%, nên dữ liệu không có CMB" không còn là một kết luận đủ sức thuyết phục trong luận văn hoặc bài báo.
3.2. Common Latent Factor trong AMOS
Trong các hướng dẫn AMOS, Common Latent Factor (CLF) thường chỉ một nhân tố không đo lường được nối đến toàn bộ chỉ báo. Trong tài liệu phương pháp, cách tiếp cận gần nhất thường được gọi là unmeasured latent method variable (UMLV) hoặc unmeasured latent method construct (ULMC). Nhân tố này được kỳ vọng hấp thụ phần hiệp phương sai chung không do các khái niệm nội dung giải thích.
CLF có ưu điểm thực dụng: có thể triển khai sau khi đã thu thập dữ liệu và hoạt động ở cấp độ item. Tuy nhiên, cách làm này không cho biết nhân tố ẩn đang đại diện cho cơ chế nào. Nó có thể trộn phương sai phương pháp, phần nội dung bị bỏ sót, quan hệ chéo giữa các khái niệm và sai số đặc thù. Một nhân tố chung cũng là giả định quá đơn giản khi dữ liệu chịu đồng thời nhiều nguồn phương pháp.
So sánh loading chuẩn hóa giữa mô hình CFA cơ sở và mô hình có CLF có thể cung cấp thông tin mô tả. Tuy nhiên, quy tắc "mọi chênh lệch đều dưới 0,20 thì không có CMB" không nên được trình bày như một chuẩn chính thức có giá trị chẩn đoán. Kết luận cần xem đồng thời độ phù hợp mô hình, tính hợp lệ của nghiệm, thay đổi ở các tham số nội dung và độ bền của kết luận nghiên cứu.
Mô hình UMLV còn dễ gặp vấn đề nhận dạng, phương sai âm, sai số chuẩn bất thường hoặc nghiệm không ổn định, đặc biệt khi tỷ lệ số chỉ báo trên số khái niệm thấp hoặc các tải phương pháp gần giống nhau. Nếu nghiệm thay đổi đáng kể khi điều chỉnh giá trị khởi tạo hay ràng buộc nhận dạng, đây là dấu hiệu cần báo cáo và xem xét mô hình là không đủ ổn định; không nên chọn một nghiệm "đẹp" để thay thế cho chẩn đoán phương pháp.
3.3. Marker variable và CFA marker technique
Marker variable là biến được lựa chọn trước, về lý thuyết không liên quan đến các khái niệm nội dung nhưng có đặc điểm đo lường tương tự. Kỹ thuật CFA marker so sánh một chuỗi mô hình có ràng buộc khác nhau nhằm kiểm tra tác động của nhân tố marker lên các item và quan hệ giữa các khái niệm.
So với phép hiệu chỉnh tương quan đơn giản, CFA marker có thể xử lý sai số đo lường và tác động ở cấp item. Dù vậy, giá trị của phương pháp phụ thuộc mạnh vào chất lượng marker. Marker không liên quan về nội dung nhưng khác hẳn về định dạng, mức độ trừu tượng hoặc quá trình nhận thức có thể không phản ánh nguồn phương pháp cần kiểm soát. Một marker đơn lẻ cũng khó bao quát mọi cơ chế CMB.
3.4. Directly measured latent method variable
Khi nhà nghiên cứu có thể xác định một nguồn sai lệch cụ thể, chẳng hạn social desirability hoặc acquiescence, cách tiếp cận directly measured latent method variable (DMLV) đo trực tiếp yếu tố đó bằng các chỉ báo phù hợp. DMLV có lợi thế diễn giải rõ hơn UMLV vì nhân tố phương pháp gắn với một cơ chế được giả thuyết và đo lường. Tuy nhiên, kết quả chỉ áp dụng cho nguồn sai lệch đã đo; nó không loại trừ các nguồn khác.
| Kỹ thuật | Cần thiết kế trước? | Giá trị sử dụng hợp lý | Giới hạn chính |
|---|---|---|---|
| Harman EFA/CFA | Không | Không nên dùng làm bằng chứng loại trừ CMB. | Ngưỡng tùy ý; công suất thấp; không kiểm soát CMB; lẫn phương sai nội dung và phương pháp. |
| CLF/UMLV | Không | Phân tích độ nhạy hậu kiểm, nếu mô hình nhận dạng tốt và kết quả được diễn giải thận trọng. | Không biết nhân tố đại diện nguồn nào; có thể không ổn định; một nhân tố khó phản ánh nhiều cơ chế. |
| CFA marker | Có | Đánh giá tác động của một marker được chọn có cơ sở và triển khai đúng quy trình CFA. | Phụ thuộc lựa chọn marker; khó bao quát tất cả nguồn CMB. |
| DMLV | Có | Kiểm tra một nguồn sai lệch cụ thể có thể xác định và đo trực tiếp. | Không xử lý các nguồn chưa đo; cần thang đo phương pháp có giá trị. |
| MTMM hoặc đa nguồn | Có | Tách trait, method và sai số trong một thiết kế giàu thông tin hơn. | Tốn nguồn lực; cần nhiều trait và nhiều method hoặc nhiều nguồn đánh giá phù hợp. |
4. Bằng chứng phương pháp hiện nay nói gì?
Nghiên cứu mô phỏng của Richardson và cộng sự không xem hiệu quả của một kỹ thuật là một tỷ lệ chính xác cố định cho mọi nghiên cứu. Hiệu năng thay đổi theo lượng phương sai thật, mức CMV, việc tác động phương pháp bằng nhau hay không bằng nhau và chất lượng marker. Kết luận đúng hơn là các kỹ thuật hậu kiểm chứa rủi ro đáng kể khi giả định của chúng không phù hợp dữ liệu.
Tổng quan cập nhật của Podsakoff và cộng sự (2024) đi xa hơn: Harman's test không được khuyến nghị; UMLV và các biến thể marker đều có những giới hạn quan trọng; biện pháp thống kê nên được dùng khi nhà nghiên cứu có thể xác định một yếu tố gây sai lệch cụ thể và đo lường nó. Trọng tâm vì thế chuyển từ "chọn test nào" sang "nguồn sai lệch nào có thể xuất hiện và thiết kế nào làm giảm nguồn đó".
Không nên chuyển từ cực đoan "dữ liệu tự báo cáo luôn bị CMB" sang cực đoan "CLF yếu nên không cần quan tâm CMB". Rủi ro CMB là có thật nhưng phụ thuộc bối cảnh. Mức độ thuyết phục đến từ sự phù hợp giữa lý thuyết về nguồn sai lệch, thiết kế thu thập dữ liệu, mô hình thống kê và tính minh bạch khi báo cáo.
5. Quy trình khuyến nghị cho luận văn và bài báo
Nhận diện nguồn rủi ro trước khi phát bảng hỏi
Lập bảng nối từng quan hệ giả thuyết với nguồn dữ liệu, người trả lời, thời điểm đo, loại thang đo và cơ chế sai lệch có thể xảy ra. Đây là phần lập luận phương pháp, không phải thao tác phần mềm.
Ưu tiên tách nguồn hoặc tách thời điểm khi có thể
Thu biến dự báo và biến kết quả từ các nguồn khác nhau, hoặc triển khai theo nhiều đợt có mã ghép ẩn danh. Chỉ tách thời điểm khi khoảng cách có ý nghĩa với quá trình lý thuyết và đủ để giảm hiệu ứng nhớ hoặc nhất quán.
Giảm động cơ trình bày bản thân và gánh nặng nhận thức
Giải thích không có câu trả lời đúng sai, bảo mật dữ liệu, tránh hỏi mang tính phán xét, dùng câu rõ ràng và khảo sát thử với đúng nhóm đối tượng.
Đo nguồn sai lệch cụ thể nếu có căn cứ
Nếu social desirability, acquiescence hoặc trạng thái cảm xúc là mối đe dọa hợp lý, cân nhắc thang đo trực tiếp hoặc marker được chọn trước. Không thêm một marker ngẫu nhiên chỉ để hoàn tất thủ tục.
Kiểm tra chất lượng phản hồi trước CFA/SEM
Rà soát thời gian trả lời bất thường, long-string, câu kiểm tra chú ý, dữ liệu thiếu và mẫu phản hồi thiếu nỗ lực. Careless responding có thể tạo hiệp phương sai giả nhưng không được giải quyết chỉ bằng CLF.
Thực hiện phân tích độ nhạy phù hợp thiết kế
Nếu có marker hoặc DMLV, dùng mô hình tương ứng. Nếu chỉ có dữ liệu hậu kiểm, CLF/UMLV có thể được dùng thận trọng để xem hệ số trọng tâm thay đổi ra sao, với điều kiện nghiệm hợp lệ và mô hình nhận dạng tốt.
Báo cáo tác động lên kết luận, không chỉ báo cáo một ngưỡng
Trình bày biện pháp thiết kế, mô hình so sánh, cảnh báo hội tụ, sự thay đổi của hệ số đường dẫn và khoảng tin cậy. Nếu kết luận đổi chiều hoặc mất ổn định, cần thảo luận như một hạn chế thực chất.
6. Nếu vẫn cần chạy CLF trong AMOS
Trong nhiều chương trình đào tạo, học viên vẫn được yêu cầu thực hiện CLF. Khi đó, nên xem đây là một phân tích độ nhạy có điều kiện thay vì một giấy chứng nhận dữ liệu "sạch". Quy trình báo cáo tối thiểu có thể gồm các bước sau:
- Ước lượng mô hình CFA cơ sở. Bảo đảm mô hình đo lường có cơ sở lý thuyết, nhận dạng được, hội tụ và không có nghiệm không phù hợp như phương sai âm hoặc hệ số chuẩn hóa vượt phạm vi hợp lý.
- Lưu kết quả nền. Ghi fit indices, loading chuẩn hóa, tương quan giữa các khái niệm và các tham số cấu trúc trọng tâm. Không chỉ lưu ảnh sơ đồ.
- Thêm nhân tố phương pháp theo một đặc tả rõ ràng. Nêu cụ thể CLF nối đến item nào, có trực giao với các nhân tố nội dung hay không và dùng ràng buộc nào để nhận dạng. Các lựa chọn này ảnh hưởng ý nghĩa của mô hình.
- Kiểm tra nhận dạng và nghiệm. Xem convergence, cảnh báo not admissible, phương sai âm, sai số chuẩn rất lớn, tương quan gần 1 và độ nhạy với giá trị khởi tạo hoặc ràng buộc.
- So sánh mô hình một cách phù hợp. Với các mô hình lồng nhau và cùng phương pháp ước lượng, có thể dùng kiểm định chênh lệch chi bình phương cùng các chỉ số phù hợp. Không diễn giải cải thiện fit như bằng chứng tự động rằng nhân tố thêm vào chính là CMB.
- So sánh tham số nội dung. Tập trung vào loading, tương quan latent, đường dẫn giả thuyết, sai số chuẩn và khoảng tin cậy. Câu hỏi chính là kết luận khoa học có thay đổi đáng kể hay không.
- Báo cáo giới hạn. Nêu rõ CLF không xác định nguồn sai lệch và kết quả phụ thuộc đặc tả mô hình. Nếu CLF không hội tụ hoặc nghiệm không hợp lệ, báo cáo điều đó thay vì loại bỏ âm thầm.
Mẫu diễn giải thận trọng
Do các biến trọng tâm được thu thập từ cùng một nguồn và tại cùng một thời điểm, nghiên cứu áp dụng các biện pháp thiết kế gồm bảo đảm ẩn danh, giảm ngôn ngữ mang tính đánh giá và tách vị trí các khối câu hỏi. Sau thu thập, một mô hình có nhân tố phương pháp không đo lường được được ước lượng như phân tích độ nhạy. Mô hình và ràng buộc nhận dạng được mô tả tại Phụ lục X. Việc thêm nhân tố phương pháp [có/không] làm thay đổi đáng kể độ phù hợp mô hình; các hệ số đường dẫn trọng tâm [duy trì/không duy trì] hướng, độ lớn và khoảng tin cậy. Kết quả này không chứng minh CMB hoàn toàn vắng mặt, nhưng cho thấy kết luận chính [ổn định/nhạy] dưới đặc tả phương pháp đã kiểm tra.
Nếu mô hình CLF không nhận dạng, lặp lại cảnh báo phương sai âm, cho sai số chuẩn bất thường hoặc rất nhạy với ràng buộc, không nên tiếp tục "chỉnh cho chạy được" chỉ để đạt một ngưỡng. Khi đó, kết luận phù hợp là phân tích CLF không cung cấp bằng chứng ổn định cho bộ dữ liệu này.
7. Các lỗi diễn giải phổ biến
| Cách viết yếu | Vì sao chưa phù hợp | Cách viết nên dùng |
|---|---|---|
| "Harman dưới 50%, nên không có CMB." | 50% là ngưỡng tùy ý; phép thử có công suất thấp và không kiểm soát CMB. | Không dùng Harman làm bằng chứng loại trừ; trình bày biện pháp thiết kế và phân tích độ nhạy phù hợp. |
| "Chênh loading dưới 0,20 nên dữ liệu không có CMB." | Ngưỡng này không phải tiêu chuẩn chẩn đoán phổ quát; CLF không xác định nguồn sai lệch. | Báo cáo thay đổi tham số và mức ổn định của kết luận dưới mô hình CLF đã đặc tả. |
| "CMB luôn làm tăng hệ số đường dẫn." | CMB có thể làm tăng, giảm hoặc không tạo tác động ròng, tùy cấu trúc phương pháp. | Thảo luận hướng tác động dự kiến dựa trên cơ chế cụ thể. |
| "CLF không hội tụ là do phần mềm lỗi." | Không hội tụ có thể phản ánh nhận dạng yếu, đa cộng tuyến hoặc đặc tả không phù hợp. | Kiểm tra nhận dạng, nghiệm và độ nhạy; báo cáo thất bại ước lượng nếu không khắc phục được bằng lý do phương pháp hợp lệ. |
| "Dùng nhiều test thì kết luận chắc chắn hơn." | Nhiều kỹ thuật cùng dựa trên giả định yếu không tạo ra bằng chứng độc lập. | Chọn biện pháp theo nguồn rủi ro và giải thích giá trị tăng thêm của từng phân tích. |
8. Bảng kiểm trước khi báo cáo CMB
- Đã phân biệt rõ CMV là thành phần phương sai và CMB là hậu quả sai lệch chưa?
- Đã nêu vì sao thiết kế nghiên cứu có hoặc không có nguy cơ common method bias chưa?
- Đã chỉ ra nguồn rủi ro cụ thể: người trả lời, item, bối cảnh item hay bối cảnh đo lường chưa?
- Đã áp dụng biện pháp phòng ngừa từ thiết kế thay vì chỉ dựa vào kiểm định hậu kiểm chưa?
- Nếu dùng marker hoặc DMLV, đã giải thích cơ sở lựa chọn và nguồn sai lệch mà biến đó đại diện chưa?
- Nếu dùng CLF/UMLV, đã mô tả ràng buộc nhận dạng, hội tụ và tính hợp lệ của nghiệm chưa?
- Đã đánh giá thay đổi ở hệ số trọng tâm và khoảng tin cậy, thay vì chỉ nhìn loading hoặc p-value chưa?
- Đã tránh tuyên bố tuyệt đối "không có CMB" chưa?
- Đã báo cáo trung thực các mô hình không hội tụ, nghiệm không phù hợp và giới hạn của kỹ thuật chưa?
- Đã bảo đảm kết luận không vượt quá nguồn sai lệch thực sự được đo hoặc mô hình hóa chưa?
Kết luận
CLF phổ biến trong thực hành AMOS, nhưng mức độ phổ biến không biến nó thành một phép thử quyết định. Giá trị của CLF nằm ở vai trò phân tích độ nhạy, với điều kiện mô hình nhận dạng tốt, nghiệm hợp lệ và kết quả được đặt trong một lập luận rộng hơn về thiết kế nghiên cứu.
Cách xử lý CMB thuyết phục nhất bắt đầu trước khi thu thập dữ liệu: xác định cơ chế sai lệch, tách nguồn hoặc thời điểm khi phù hợp, giảm áp lực đánh giá và đo trực tiếp nguồn sai lệch nếu có thể. Sau thu thập, mục tiêu không phải là tìm một con số để tuyên bố "đã xử lý xong", mà là kiểm tra liệu kết luận khoa học có đứng vững trước các giải thích phương pháp hợp lý hay không.
Nếu cần xem lại phần khái niệm nền tảng và các thao tác thực hành ban đầu, độc giả có thể bắt đầu từ bài thứ nhất về Common Method Variance, sau đó sử dụng bài này như phần cập nhật và mở rộng về giới hạn phương pháp.
Tài liệu tham khảo gợi ý
Nguồn tổng quan chính
- 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
- Podsakoff, P. M., Podsakoff, N. P., Williams, L. J., Huang, C., & Yang, J. (2024). Common method bias: It's bad, it's complex, it's widespread, and it's not easy to fix. Annual Review of Organizational Psychology and Organizational Behavior, 11, 17-61. https://doi.org/10.1146/annurev-orgpsych-110721-040030
Nguồn về kỹ thuật thống kê
- Cote, J. A., & Buckley, M. R. (1987). Estimating trait, method, and error variance: Generalizing across 70 construct validation studies. Journal of Marketing Research, 24(3), 315-318. https://doi.org/10.1177/002224378702400308
- Richardson, H. A., Simmering, M. J., & Sturman, M. C. (2009). A tale of three perspectives: Examining post hoc statistical techniques for detection and correction of common method variance. Organizational Research Methods, 12(4), 762-800. https://doi.org/10.1177/1094428109332834
- Williams, L. J., Cote, J. A., & Buckley, M. R. (1989). Lack of method variance in self-reported affect and perceptions at work: Reality or artifact? Journal of Applied Psychology, 74(3), 462-468. https://doi.org/10.1037/0021-9010.74.3.462
- Williams, L. J., Hartman, N., & Cavazotte, F. (2010). Method variance and marker variables: A review and comprehensive CFA marker technique. Organizational Research Methods, 13(3), 477-514. https://doi.org/10.1177/1094428110366036
- Chin, W. W., Thatcher, J. B., & Wright, R. T. (2012). Assessing common method bias: Problems with the ULMC technique. MIS Quarterly, 36(3), 1003-1019. https://doi.org/10.2307/41703491
Ghi chú học thuật: Bài viết cung cấp định hướng phương pháp chung. Lựa chọn mô hình CMB cần dựa trên thiết kế nghiên cứu, loại thang đo, nguồn dữ liệu, cơ chế sai lệch dự kiến và yêu cầu của tạp chí hoặc cơ sở đào tạo. Không nên áp dụng một quy trình CLF giống nhau cho mọi bộ dữ liệu.
