Bảng tổng hợp kết quả trong SmartPLS 4: Cách đọc và trình bày
Bảng tổng hợp kết quả trong SmartPLS dùng để làm gì
Khi chạy SmartPLS, bạn nhận được nhiều bảng riêng: Outer Loadings, Construct Reliability and Validity, Discriminant Validity, VIF, R Square, f Square, Path Coefficients và kết quả Bootstrapping. Bảng tổng hợp kết quả trong SmartPLS là bảng do bạn lập lại từ các output đó để người đọc nhìn được toàn bộ quá trình đánh giá mô hình đo lường và mô hình cấu trúc.
Bảng này không phải là một bảng mặc định duy nhất trong phần mềm. Bạn cần xuất hoặc đọc từng nhóm kết quả, chọn đúng chỉ số, sau đó sắp xếp theo logic của luận văn. Với mô hình PLS-SEM, trình tự hợp lý là đánh giá measurement model trước, rồi mới kết luận về structural model. Cách tiếp cận hai bước này được trình bày trong (Anderson và Gerbing, 1988) và cũng phù hợp với quy trình PLS-SEM hiện hành trong (Hair và cộng sự, 2022).
Nếu bạn mới mở SmartPLS, có thể xem thêm chủ đề SmartPLS để xác định nhóm phân tích mình đang làm. Bài này tập trung vào việc gom kết quả, không thay thế cho việc xây dựng mô hình hay xử lý dữ liệu gốc.
Chuẩn bị mô hình và dữ liệu
Trước khi lập bảng, hãy kiểm tra bạn đang có đúng hai phần của mô hình. Measurement model nối biến tiềm ẩn với các biến quan sát, chẳng hạn PU1, PU2, PU3 đo khái niệm Perceived Usefulness. Structural model nối các biến tiềm ẩn với nhau bằng các mũi tên giả thuyết, chẳng hạn PU ảnh hưởng đến BI.
Tên indicator nên ngắn, nhất quán và không trùng nhau. Một indicator chỉ nên thuộc về construct đã được thiết kế trong bảng hỏi. Nếu file có tên biến là PU1, PU2, PU3 ở bảng dữ liệu nhưng trên SmartPLS lại dùng P1, P2, P3, phần mềm có thể không ghép đúng cột dữ liệu.
SmartPLS 4 thường nhận dữ liệu dạng .csv. Mỗi dòng là một đáp viên, mỗi cột là một biến quan sát. Hàng đầu tiên chứa tên biến, các hàng sau chứa giá trị trả lời. Tránh để tiêu đề phụ, ô gộp, ký hiệu phần trăm hoặc chữ trong cột numeric. Các giá trị Likert nên được mã hóa bằng số và những biến đảo chiều phải được xử lý trước khi chạy mô hình.
Bạn có thể đọc thêm hướng dẫn đọc báo cáo HTML trong SmartPLS nếu kết quả của bạn đang nằm trong file báo cáo thay vì trên giao diện chính. Hãy lưu riêng file dự án trước mỗi lần sửa indicator, vì việc xóa biến hoặc đổi tên biến có thể làm bạn khó đối chiếu với bảng hỏi ban đầu.
Các bước thực hiện trong SmartPLS 4
Bước 1: Mở mô hình và kiểm tra dữ liệu
Trong SmartPLS 4, mở project, chọn model rồi kiểm tra danh sách construct và indicator. Nhấp đúp vào mô hình để xem các biến quan sát đã nối đúng chưa. Nếu một construct có indicator bị thiếu, hãy dừng ở bước này và kiểm tra lại file .csv, thay vì tiếp tục chạy rồi sửa bảng sau.
Chọn Calculate > PLS-SEM algorithm. Ở hộp thoại hiện ra, giữ cấu hình mặc định nếu đề cương không yêu cầu cách thiết lập khác, sau đó chọn Start calculation. Kết quả của bước này dùng để đọc outer loading, độ tin cậy, AVE, HTMT, VIF, R² và f².
Bước 2: Đánh giá measurement model
Trong cửa sổ kết quả, mở nhóm Quality Criteria. Các bảng cần ghi lại gồm Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Với HTMT, mở bảng tương ứng trong phần discriminant validity. Nếu dùng tiêu chí Fornell-Larcker, lưu cả bảng correlation và căn bậc hai AVE nếu SmartPLS hiển thị.
Đừng chỉ lấy một con số Cronbach's Alpha để kết luận thang đo. Bạn cần xem đồng thời outer loading, Cronbach's Alpha, rho_A hoặc rho_C, Composite Reliability và AVE. Khi một indicator thấp, hãy kiểm tra ý nghĩa nội dung và tương quan với các indicator khác trước khi xóa. Xóa liên tiếp nhiều biến chỉ để làm bảng đẹp có thể khiến thang đo lệch khỏi mô hình lý thuyết.
Bước 3: Đánh giá structural model
Quay lại kết quả PLS-SEM và mở Quality Criteria > Collinearity Statistics (VIF), R Square, f Square và Path Coefficients. VIF giúp kiểm tra đa cộng tuyến giữa các biến dự báo. R² cho biết mức độ giải thích của các biến nội sinh, còn f² cho biết đóng góp của một biến dự báo vào một biến phụ thuộc.
Để có p-value và khoảng tin cậy, chọn Calculate > Bootstrapping. Trong SmartPLS 4, đặt số bootstrap subsamples theo thiết kế nghiên cứu. Nếu bạn cần theo thông lệ được nêu trong tài liệu PLS-SEM, 5.000 subsamples được đề cập trong (Hair và cộng sự, 2022). Chọn Start calculation, sau đó đọc Path Coefficients, T Statistics, P Values và Confidence Intervals.
Bước 4: Xuất output để đối chiếu
Trong trang kết quả, dùng chức năng export của SmartPLS 4 để lưu báo cáo HTML hoặc Excel tùy mục đích. HTML thuận tiện khi cần xem toàn bộ cấu trúc output, còn Excel dễ lọc và sắp xếp dữ liệu thành bảng chương 4. Hướng dẫn xuất kết quả ra Excel trong SmartPLS sẽ hữu ích khi bạn muốn giữ nguyên tên cột từ phần mềm.
Nên tạo một file làm việc có các sheet riêng: Measurement Model, Discriminant Validity, Structural Model và Hypothesis Testing. Không sửa trực tiếp file export gốc. Bản gốc giúp bạn truy ngược một con số nếu giảng viên hỏi tại sao bảng luận văn lại có kết quả đó.
Bước 5: Lập bảng tổng hợp theo thứ tự luận văn
Bảng tổng hợp nên chia thành ít nhất hai bảng thay vì dồn mọi chỉ số vào một bảng quá rộng. Bảng đầu dành cho measurement model, bảng sau dành cho structural model. Nếu khoa yêu cầu một bảng duy nhất, bạn vẫn có thể dùng các nhóm cột hoặc ghi chú để phân biệt hai phần.
Tên bảng phải nói rõ đây là kết quả minh họa hay kết quả nghiên cứu của bạn. Trong bài hướng dẫn, các số dưới đây chỉ là số liệu minh họa, không phải kết quả của một đề tài cụ thể. Khi làm luận văn, bạn thay toàn bộ số bằng output của chính mình.
Đọc bảng kết quả
Bảng measurement model thường bắt đầu bằng outer loading. Bạn đối chiếu từng indicator với construct tương ứng, sau đó xem độ tin cậy và AVE ở cấp construct. Một dòng nên cho biết indicator nào thuộc construct nào, outer loading bao nhiêu, rồi bảng cấp construct cho biết Alpha, rho_A, Composite Reliability và AVE.
Bảng số liệu minh họa: measurement model trong SmartPLS 4
| Construct | Indicator | Outer loading | Cronbach's Alpha | Composite Reliability | AVE |
|---|---|---|---|---|---|
| PU | PU1 | 0.812 | 0.861 | 0.908 | 0.766 |
| PU | PU2 | 0.884 | 0.861 | 0.908 | 0.766 |
| PU | PU3 | 0.901 | 0.861 | 0.908 | 0.766 |
| BI | BI1 | 0.793 | 0.824 | 0.889 | 0.728 |
| BI | BI2 | 0.871 | 0.824 | 0.889 | 0.728 |
| BI | BI3 | 0.876 | 0.824 | 0.889 | 0.728 |
Với bảng trên, bạn đọc theo chiều ngang để biết mỗi indicator đóng góp thế nào và theo chiều dọc để xem construct có đạt độ tin cậy, giá trị hội tụ hay chưa. Outer loading từ 0.7 trở lên thường được dùng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các mốc thường được trích dẫn từ (Fornell và Larcker, 1981).
Bảng structural model cần có đường dẫn giả thuyết, path coefficient, độ lệch chuẩn hoặc t-value, p-value và kết luận. Nếu có khoảng tin cậy bootstrap, bạn có thể thêm cận dưới và cận trên để giải thích chắc hơn. Đừng đưa CFI, TLI hoặc RMSEA vào bảng SmartPLS. Đây là nhóm fit index của CB-SEM, được trình bày trong (Hu và Bentler, 1999), không phải nhóm chỉ số cốt lõi để đánh giá PLS-SEM.
Bảng số liệu minh họa: structural model và kiểm định giả thuyết
| Giả thuyết | Path | Path coefficient | STDEV | T Statistics | P Values | Kết luận minh họa |
|---|---|---|---|---|---|---|
| H1 | PU -> BI | 0.428 | 0.071 | 6.028 | 0.000 | Ủng hộ |
| H2 | PEU -> BI | 0.216 | 0.083 | 2.602 | 0.009 | Ủng hộ |
| H3 | SN -> BI | 0.074 | 0.069 | 1.072 | 0.284 | Không ủng hộ |
Các số trong bảng chỉ nhằm minh họa hình dạng output và cách trình bày. Bạn không được ghi chúng như phát hiện của nghiên cứu mình. Với mỗi giả thuyết, hãy so sánh p-value hoặc khoảng tin cậy với quy tắc đã được nêu trong đề cương, đồng thời xem dấu của path coefficient có phù hợp với hướng giả thuyết không.
Sau đó, bổ sung R² cho các biến nội sinh, f² cho từng đường dẫn và Q² nếu nghiên cứu của bạn sử dụng chỉ số này. R² ở mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu trong PLS-SEM (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có giá trị dự báo theo logic cross-validation (Stone, 1974).
Ngưỡng đánh giá
Không nên chép mọi ngưỡng bạn từng thấy trên một website vào cùng bảng. Hãy ghi rõ bảng đang đánh giá measurement model hay structural model, vì mỗi chỉ số trả lời một câu hỏi khác nhau. Các mốc dưới đây là mốc tham khảo có nguồn, không phải quy tắc để xóa biến máy móc.
| Nhóm kết quả | Chỉ số và ngưỡng tham khảo | Nguồn |
|---|---|---|
| Measurement model | Outer loading từ 0.7 trở lên | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Measurement model | Composite Reliability từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| Measurement model | AVE từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| Discriminant validity | HTMT dưới 0.85, hoặc dưới 0.90 với construct gần nhau về khái niệm | (Henseler và cộng sự, 2015) |
| Structural model | VIF dưới 5 | (Hair và cộng sự, 2019) |
| Structural model | R² ở mức 0.75, 0.50, 0.25 tương ứng đáng kể, trung bình, yếu | (Hair và cộng sự, 2011) |
| Structural model | f² ở mức 0.02, 0.15, 0.35 tương ứng nhỏ, vừa, lớn | (Cohen, 1988) |
| Structural model | Q² lớn hơn 0 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Bootstrapping | 5.000 bootstrap subsamples | (Hair và cộng sự, 2022) |
Alpha không nên được dùng một mình để quyết định giữ hay loại thang đo. Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn mức từ 0.6 có thể được xem xét với thang đo mới hoặc nghiên cứu khám phá theo (Hair và cộng sự, 2010). Hãy báo cáo lý do và đối chiếu thêm CR, AVE, outer loading cùng nội dung của indicator.
Cách trình bày trong chương 4
Bạn nên viết phần kết quả theo đúng thứ tự đã phân tích. Đầu tiên mô tả measurement model, tiếp theo là discriminant validity, collinearity, R², f² và cuối cùng là kiểm định giả thuyết bằng bootstrapping. Mỗi bảng cần có số thứ tự, tên bảng, nguồn ghi là “Kết quả xử lý dữ liệu bằng SmartPLS 4” nếu đó là dữ liệu của bạn, cùng một đoạn diễn giải ngay bên dưới.
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau với số liệu thật: “Kết quả cho thấy các outer loading của các biến quan sát dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Composite Reliability của các construct nằm trong khoảng [x] đến [y], trong khi AVE dao động từ [x] đến [y], do đó [kết luận về độ tin cậy và giá trị hội tụ] theo (Fornell và Larcker, 1981). Kết quả HTMT giữa các construct dao động từ [x] đến [y], thấp hơn ngưỡng [0.85 hoặc 0.90], cho thấy [kết luận về giá trị phân biệt] theo (Henseler và cộng sự, 2015).”
Với giả thuyết, dùng cấu trúc cụ thể hơn: “Đường dẫn từ [biến độc lập] đến [biến phụ thuộc] có path coefficient bằng [β], t-value bằng [t] và p-value bằng [p]. Vì [p-value hoặc khoảng tin cậy], giả thuyết [H1] được [chấp nhận hoặc không được ủng hộ].” Tránh viết “tác động mạnh” nếu bạn chỉ mới nhìn p-value. Độ lớn, hướng tác động và ý nghĩa thống kê là ba thông tin riêng.
Nếu muốn xem cách đọc báo cáo ở định dạng khác trước khi làm bảng, bạn có thể tham khảo cách chạy và đọc báo cáo HTML SmartPLS 4. Khi nộp luận văn, kiểm tra lại tên construct, số thập phân, ký hiệu mũi tên và mã giả thuyết giữa bảng, hình mô hình và phần diễn giải.
Lỗi thường gặp
Gom nhầm output của PLS-SEM và CB-SEM
CFI, TLI và RMSEA thường xuất hiện trong tài liệu SEM dùng AMOS hoặc CB-SEM. Nếu bạn chạy SmartPLS, hãy tập trung vào nhóm chỉ số PLS-SEM phù hợp với mục tiêu nghiên cứu, như outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.
Chỉ chụp màn hình thay cho bảng tổng hợp
Ảnh chụp giao diện có thể giúp lưu bằng chứng, nhưng không thuận tiện cho người đọc so sánh các construct. Hãy giữ screenshot trong hồ sơ phân tích, còn chương 4 nên có bảng được căn chỉnh, tên cột rõ và chú thích nguồn dữ liệu.
Xóa indicator chỉ vì outer loading thấp
Một indicator thấp có thể kéo giảm AVE hoặc CR, nhưng quyết định xóa phải xét nội dung thang đo, số indicator còn lại và mô hình lý thuyết. Ghi lại từng lần chạy, indicator bị loại và lý do. Nếu xóa quá nhiều biến sau khi nhìn output, bạn cần trao đổi lại với giảng viên thay vì che kết quả.
Đọc p-value nhưng bỏ qua path coefficient
Một p-value nhỏ chỉ cho biết bằng chứng thống kê theo quy tắc bạn chọn. Path coefficient mới cho biết hướng và độ lớn tương đối của đường dẫn trong mô hình. Hai cột này phải xuất hiện cùng nhau trong bảng kiểm định giả thuyết.
Nhập sai dữ liệu hoặc sai tên indicator
Nếu SmartPLS báo thiếu dữ liệu, loading bất thường hoặc nhiều giá trị không hợp lệ, hãy quay lại file .csv. Kiểm tra hàng tiêu đề, mã hóa missing value, biến đảo chiều và kiểu dữ liệu trước khi chạy lại. Đừng sửa số trực tiếp trên bảng kết quả để làm đẹp báo cáo.
Đọc thêm: cách chạy đọc báo cáo html smartpls 4, đọc báo cáo html trong smartpls, xuất kết quả ra excel trong smartpls, smart pls, chủ đề smartpls.
Câu hỏi thường gặp
Bảng tổng hợp kết quả trong SmartPLS gồm những bảng nào
Tối thiểu, bạn nên có nhóm measurement model gồm Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Nhóm structural model thường gồm VIF, R², f² và kết quả Bootstrapping với path coefficient, t-value, p-value.
Không nhất thiết phải đưa mọi output vào một bảng duy nhất. Chia thành hai hoặc ba bảng giúp chương 4 dễ đọc và giảm nguy cơ trộn chỉ số của hai giai đoạn.
Có thể lấy kết quả SmartPLS trực tiếp sang Excel không
Có. Bạn có thể export kết quả từ SmartPLS 4 rồi dùng Excel để lọc, đổi thứ tự cột và gộp các chỉ số cần trình bày. Hãy giữ file export ban đầu riêng, vì bảng Excel đã chỉnh sửa không còn là bản đối chiếu nguyên gốc.
SmartPLS 4 có dùng CFI, TLI và RMSEA không
Các chỉ số này thuộc nhóm đánh giá model fit thường gặp trong CB-SEM. Với bảng tổng hợp PLS-SEM, bạn không nên đưa chúng vào như ngưỡng bắt buộc. Hãy báo cáo nhóm chỉ số phù hợp với quy trình, mục tiêu và tài liệu phương pháp mà đề tài đã chọn.
HTMT vượt 0.90 thì phải xóa biến ngay sao
Chưa nên xóa ngay. HTMT cao cho thấy hai construct có thể chưa phân biệt tốt, nhưng bạn cần xem lại nội dung khái niệm, wording của biến quan sát, ma trận tương quan và cơ sở lý thuyết. Nếu loại biến, ghi rõ tiêu chí, số vòng chạy và tác động lên mô hình.
Số liệu trong bảng minh họa có thể dùng cho luận văn không
Không. Các số trong bảng minh họa chỉ cho bạn thấy hình dạng cột và cách diễn giải. Bạn phải thay bằng kết quả từ file .sav hoặc .csv của mình, lưu output gốc và không ghi nhận số minh họa như phát hiện nghiên cứu.
Mở project SmartPLS 4 của bạn, chạy lại PLS-SEM và Bootstrapping, sau đó lập riêng hai bảng measurement model và structural model trước khi viết diễn giải. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và gom kết quả thành chương 4, bạn có thể xem module M4 phân tích dữ liệu của DoThesis.