Đầu tiên, mô hình đo lường được đánh giá thông qua đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt của các khái niệm đo lường trong mô hình.
Tiêu chí đầu tiên được đánh giá trong mô hình đo lường là độ tin cậy để đảm bảo tính nhất quán bên trong. Tuy nhiên, tiêu chí truyền thống cho tính nhất quán bên trong là Cronbach's alpha, và giá trị ngưỡng cho Cronbach alpha là 0,60, do độ nhạy của Cronbach alphas đối với số lượng thang đo, Hair và cộng sự. (2017) đề xuất sử dụng hệ số độ tin cậy tổng hợp (Composite reliability – CR) cho mô hình đo lường kết quả. Giá trị ngưỡng của CR là 0,70. Đồng thời, độ tin cậy (reliability) của các biến quan sát phải có hệ số tải ngoài (outer loading) lớn hơn hoặc bằng 0,5 thì đạt yêu cầu về độ tin cậy và hệ số CR phải lớn hơn hoặc bằng 0,7 thì đạt độ tin cậy tổng hợp (Hulland, 1999).
Tiêu chí thứ 2 là đánh giá giá trị hội tụ (convergent validity). Hệ số giá trị hội tụ là mức độ mà một thước đo có tương quan tích cực với các thước đo thay thế có cùng cấu trúc (Hair và cộng sự, 2017) và được sử dụng để đánh giá sự ổn định của thang đo. Để đánh giá giá trị hội tụ của mô hình kết quả, hệ số tải bên ngoài và phương sai trích trung bình (AVE) được đánh giá kiểm định. Theo Fornell and Larcker (1981), hệ số AVE (average variance extracted) phải lớn hơn hoặc bằng 0,5 sẽ khẳng định được độ giá trị hội tụ. Hệ số tải ngoài của mỗi biến quan sát lên nhân tố lớn hơn hoặc bằng 0,7 và có ý nghĩa là bằng chứng về độ tin cậy của các thang đo. Theo Hair và cộng sự (2017), giá trị ngưỡng của hệ số tải ngoài là 0,708. Tuy nhiên, trong khoa học xã hội, tải trọng bên ngoài yếu hơn (<0,70) là thường xuyên. Do đó, các nhà nghiên cứu nên xem xét cẩn thận các giá trị CR và AVE trước khi loại bỏ các mục có tải trọng thấp (Raza, 2021).
Tiêu chí thứ 3 trong đánh giá mô hình đo lường là đánh giá hệ số giá trị phân biệt (discriminant validity). Giá trị phân biệt là mức độ mà một cấu trúc này khác với cấu trúc khác trong mô hình, đo lường độ giá trị phân biệt giúp đảm bảo sự khác biệt, không có mối tương quan giữa các yếu tố sử dụng để đo lường các nhân tố. Để đo lường giá trị phân biệt thì căn bậc hai AVE của mỗi nhân tố đo lường đều lớn hơn hệ số liên hệ (latent variable correlations) giữa nhân tố đó với các nhân tố khác cho thấy độ phân biệt và tính tin cậy của các nhân tố (Fornell and Larcker, 1981). Theo Raza (2021) có ba cách tiếp cận chính để kiểm định giá trị phân biệt, đó là đánh giá hệ số tải chéo, tiêu chí Fornell – Larcker và tỷ lệ heterotrait – monotrait (HTMT). Do những hạn chế của tải chéo và tiêu chí Fornell – Larcker, Henseler et al. (2015) đề xuất sử
dụng tỷ lệ HTMT để đánh giá giá trị phân biệt. Vì vậy, trong nghiên cứu này, chúng tôi sử dụng tỷ lệ HTMT để đánh giá giá trị phân biệt. Với chỉ số HTMT, Garson (2016) cho rằng giá trị phân biệt giữa hai biến tiềm ẩn được đảm bảo khi chỉ số HTMT nhỏ hơn 1. Henseler và cộng sự (2015) đề xuất rằng nếu giá trị này dưới 0.9, giá trị phân biệt sẽ được đảm bảo. Trong khi đó, Clark & Watson (1995) và Kline (2015) sử dụng ngưỡng tiêu chuẩn nghiêm ngặt hơn là 0.85. Trong nghiên cứu này, người 0.85 được sử dụng, vì SMARTPLS ưu tiên lựa chọn ngưỡng là 0.85 trong đánh giá.