Bị hỏi vì sao chọn PLS-SEM thì làm gì?
Hiện tượng bạn đang gặp
Bạn đã chạy mô hình trên SmartPLS, có bảng Outer Loadings, Reliability and Validity, Discriminant Validity, Path Coefficients và Bootstrapping. Khi trình bày, giảng viên hoặc hội đồng hỏi: “Vì sao em chọn PLS-SEM mà không chọn CB-SEM, hồi quy SPSS hoặc AMOS?”. Nếu bạn chỉ trả lời “vì nhiều bài trước dùng SmartPLS” hoặc “vì cỡ mẫu của em nhỏ”, lập luận sẽ khá yếu.
Câu hỏi này thường không có nghĩa rằng bạn chọn sai phần mềm. Người hỏi muốn biết lựa chọn phương pháp có xuất phát từ câu hỏi nghiên cứu và đặc điểm dữ liệu hay chỉ là lựa chọn theo thói quen. Bạn cần quay lại bốn điểm: mục tiêu nghiên cứu, cấu trúc mô hình, yêu cầu dự báo, đặc điểm dữ liệu và quy trình kiểm định đã thực hiện.
PLS-SEM phù hợp hơn khi đề tài thiên về giải thích phương sai của biến phụ thuộc, phát triển hoặc mở rộng mô hình, có nhiều biến tiềm ẩn và cần đánh giá đồng thời mô hình đo lường với mô hình cấu trúc. Đây là lập luận phương pháp, còn câu “SmartPLS dễ chạy” chỉ là lý do kỹ thuật và không nên dùng làm lý do chính.
Nếu câu hỏi xuất hiện cùng với nghi ngờ về cỡ mẫu, bạn nên xem thêm hướng xử lý trong bài hội đồng hỏi về cỡ mẫu phải làm sao. Cỡ mẫu không tự động chứng minh PLS-SEM đúng, cũng không tự động làm cho lựa chọn này sai.
Nguyên nhân thường gặp
Có bốn nhóm nguyên nhân khiến phần giải trình PLS-SEM bị hỏi sâu. Bạn hãy đối chiếu với đề cương, bảng hỏi và file .csv trước khi sửa câu trả lời.
| Dấu hiệu khi bị hỏi | Nguyên nhân thường gặp | Cách kiểm tra trong hồ sơ nghiên cứu |
|---|---|---|
| Bạn nói “PLS-SEM dùng được với mẫu nhỏ” nhưng không nói mục tiêu nghiên cứu | Chọn phương pháp dựa trên một ngưỡng cỡ mẫu đơn lẻ | Đọc lại mục tiêu, giả thuyết và biến phụ thuộc chính |
| Mô hình có nhiều biến tiềm ẩn nhưng bảng hỏi chưa giải thích nguồn thang đo | Mô hình đo lường chưa được chuẩn bị | Kiểm tra mã biến, nguồn thang đo, biến phản ánh và biến tạo thành |
| Kết quả có quá nhiều đường dẫn đều có ý nghĩa | Có thể đã sửa mô hình theo p-value nhiều lần | Mở lịch sử các lần chạy, ghi lại biến bị loại và lý do loại |
| Bạn dùng các chỉ số CFI, TLI, RMSEA để giải thích SmartPLS | Trộn tiêu chí của CB-SEM vào PLS-SEM | Kiểm tra lại chương phương pháp và bảng kết quả |
| Hội đồng hỏi số liệu có thật không | Không lưu được quy trình làm sạch và dữ liệu gốc | Đối chiếu file khảo sát, file .csv, mã hóa và nhật ký xử lý |
| Mô hình đổi sau khi xem kết quả | Có nguy cơ điều chỉnh theo dữ liệu mà không nêu rõ | So sánh mô hình giả thuyết ban đầu với mô hình báo cáo |
Một nguyên nhân khác là bạn dùng cụm “PLS-SEM không yêu cầu dữ liệu phân phối chuẩn” như một câu trả lời tuyệt đối. Câu này không đủ để bảo vệ lựa chọn. Dữ liệu vẫn phải được kiểm tra về mã hóa, giá trị thiếu, câu trả lời lặp, outlier, độ hợp lệ của biến và sự phù hợp giữa thang đo với khái niệm.
Nếu giảng viên yêu cầu đổi mô hình, vấn đề có thể nằm ở cơ sở lý thuyết chứ không nằm ở SmartPLS. Bạn có thể tham khảo cách xử lý trong bài giảng viên yêu cầu đổi mô hình thì làm gì, sau đó tách rõ phần nào là thay đổi lý thuyết và phần nào là thay đổi kỹ thuật.
Cách xử lý theo thứ tự ưu tiên
1. Viết lại lý do chọn PLS-SEM thành một lập luận có cấu trúc
Hãy viết câu trả lời theo thứ tự: nghiên cứu muốn làm gì, mô hình có đặc điểm gì, dữ liệu có đặc điểm gì, PLS-SEM giúp kiểm định điều gì. Ví dụ, nếu mục tiêu là đánh giá các yếu tố ảnh hưởng đến ý định sử dụng một dịch vụ, bạn có thể giải thích rằng mô hình gồm nhiều biến tiềm ẩn đo bằng nhiều biến quan sát, đồng thời cần đánh giá mô hình đo lường và các quan hệ cấu trúc trong cùng một quy trình.
PLS-SEM có thể được lựa chọn khi nghiên cứu nhấn mạnh khả năng giải thích và dự báo biến phụ thuộc, mô hình có tính khám phá hoặc mở rộng, và dữ liệu không đáp ứng tốt các điều kiện thường đặt ra trong CB-SEM. Bạn vẫn phải trình bày lý do gắn với đề tài cụ thể, không biến đây thành tuyên bố rằng PLS-SEM luôn tốt hơn AMOS hay hồi quy.
Cách nói an toàn hơn là: “Em chọn PLS-SEM vì mục tiêu của đề tài là giải thích mức độ tác động của các biến tiềm ẩn lên biến kết quả, mô hình có nhiều cấu trúc đo bằng biến quan sát, và quy trình này cho phép đánh giá lần lượt mô hình đo lường và mô hình cấu trúc. Em kiểm tra chất lượng thang đo trước, sau đó mới diễn giải các đường dẫn”.
2. Phân biệt PLS-SEM với CB-SEM và hồi quy SPSS
Bạn không cần học thuộc một bảng so sánh dài. Chỉ cần hiểu lựa chọn nào trả lời tốt hơn cho câu hỏi nghiên cứu của bạn.
Hồi quy SPSS phù hợp khi các biến đưa vào mô hình đã được tổng hợp thành biến quan sát hoặc điểm trung bình, còn PLS-SEM phù hợp khi bạn muốn mô hình hóa biến tiềm ẩn và các biến quan sát của chúng. AMOS và CB-SEM thường được dùng khi trọng tâm là kiểm định mức độ phù hợp của một mô hình lý thuyết đã xác lập. PLS-SEM tập trung mạnh vào phương sai giải thích, dự báo và đánh giá các quan hệ trong mô hình cấu trúc.
Bạn không nên nói “PLS-SEM dùng cho mọi trường hợp mẫu nhỏ”. Cũng không nên lấy việc phần mềm miễn phí, giao diện dễ dùng hoặc chạy nhanh làm lý do học thuật chính. Chi phí phần mềm là yếu tố thực tế, nhưng không thay thế được lập luận phương pháp.
3. Kiểm tra lại mô hình đo lường trước khi bảo vệ
Trong SmartPLS 4, hãy kiểm tra tên biến, hướng mũi tên, loại thang đo và mối liên hệ giữa construct với indicator. Với thang đo reflective, bạn thường xem Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Với thang đo formative, cách đánh giá khác, vì vậy không nên áp dụng máy móc toàn bộ tiêu chí của reflective measurement.
Các ngưỡng thường được trình bày như sau. Mỗi con số cần đi kèm nguồn trong chương phương pháp, đồng thời bạn nên báo cáo giá trị thực tế của nghiên cứu.
| Chỉ số | Mức tham khảo | Nguồn canonical |
|---|---|---|
| Outer loading | Từ 0.70 trở lên | (Chin, 1998) |
| Composite Reliability | Từ 0.70 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.50 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrap | 5.000 mẫu lặp là mức thường dùng | (Hair và cộng sự, 2022) |
Các ngưỡng này là mốc diễn giải, không phải giấy phép loại biến để làm đẹp bảng. Nếu loại một indicator, bạn cần xem đồng thời loading, nội dung khái niệm, độ tin cậy và lý do lý thuyết. Một biến có loading thấp nhưng phản ánh nội dung quan trọng không nên bị loại chỉ vì muốn tăng AVE.
4. Lưu lại dữ liệu và các vòng chạy để trả lời nghi ngờ số liệu
Khi bị nghi ngờ số liệu không thật, việc cần làm là đưa ra quy trình có thể kiểm tra. Giữ bản dữ liệu thô, bản đã làm sạch, file .csv nhập vào SmartPLS, bảng mã biến, tiêu chí loại phản hồi và ảnh chụp hoặc file xuất kết quả. Không sửa trực tiếp file gốc rồi chỉ nộp một bảng kết quả cuối cùng.
Bạn cũng cần giải thích cách xử lý phản hồi không hợp lệ. Ví dụ, một dòng có toàn bộ câu trả lời giống nhau, thời gian trả lời quá ngắn hoặc bỏ trống nhiều biến có thể được xem xét theo tiêu chí đã đặt trước. Hãy ghi số lượng phản hồi ban đầu, số lượng bị loại và số lượng còn lại. Con số phải khớp giữa chương phương pháp, phần mô tả mẫu và file dữ liệu.
Nếu kết quả quá đẹp, hãy tự kiểm tra trước khi chờ hội đồng hỏi. Xem các đường dẫn có bị nhập nhầm chiều không, biến có bị sao chép không, các dòng dữ liệu có trùng hoàn toàn không, thang đo đảo chiều đã mã hóa chưa và file SmartPLS có đang dùng đúng bản dữ liệu cuối cùng không.
5. Chạy lại bootstrapping và xuất đúng bảng kết quả
Trong SmartPLS 4, bạn chạy mô hình, kiểm tra mô hình đo lường, sau đó chọn Bootstrapping để đánh giá ý nghĩa thống kê của Path Coefficients, Outer Loadings và các quan hệ cần báo cáo. Ghi rõ số bootstrap subsamples, loại khoảng tin cậy và cách kết luận. Theo (Hair và cộng sự, 2022), 5.000 bootstrap subsamples là mức thường dùng trong quy trình PLS-SEM.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được sắp theo dạng bạn thường gặp trong kết quả SmartPLS. Khi viết luận văn, hãy thay bằng số liệu trong chính file của bạn.
| Quan hệ | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|
| Chất lượng dịch vụ → Hài lòng | 0.382 | 0.385 | 0.071 | 5.380 | 0.000 |
| Hài lòng → Ý định tiếp tục | 0.447 | 0.449 | 0.064 | 6.984 | 0.000 |
| Giá trị cảm nhận → Ý định tiếp tục | 0.126 | 0.129 | 0.059 | 2.136 | 0.033 |
| Chi phí cảm nhận → Ý định tiếp tục | -0.081 | -0.078 | 0.052 | 1.558 | 0.119 |
Với bảng minh họa này, quan hệ cuối có P Values bằng 0.119 nên không có đủ bằng chứng để kết luận có tác động ở mức ý nghĩa 5 phần trăm. Bạn không được biến kết quả không có ý nghĩa thành giả thuyết được chấp nhận chỉ vì hệ số có dấu đúng như dự kiến.
6. Chuẩn bị câu trả lời ngắn nếu hội đồng hỏi trực tiếp
Câu trả lời nên dài khoảng 30 đến 60 giây, sau đó bạn dừng lại để người hỏi hỏi tiếp. Một phiên bản có thể điều chỉnh là: “Đề tài của em sử dụng nhiều biến tiềm ẩn được đo bằng các biến quan sát và mục tiêu chính là giải thích, dự báo biến kết quả. Vì vậy, em chọn PLS-SEM để đánh giá trước mô hình đo lường, sau đó đánh giá mô hình cấu trúc. Em không chọn chỉ vì cỡ mẫu, mà căn cứ vào mục tiêu nghiên cứu, cấu trúc mô hình và quy trình kiểm định. Em đã lưu dữ liệu gốc, tiêu chí làm sạch và các bước chạy để có thể đối chiếu”.
Nếu bị hỏi tại sao không dùng AMOS, hãy trả lời theo phạm vi nghiên cứu: “AMOS hoặc CB-SEM cũng là lựa chọn có thể cân nhắc nếu trọng tâm là kiểm định độ phù hợp của mô hình lý thuyết và dữ liệu đáp ứng các điều kiện phù hợp. Trong đề tài này, em tập trung vào khả năng giải thích và dự báo, nên PLS-SEM phù hợp hơn với mục tiêu đã đặt ra”.
Khi nào phải quay lại thu thêm dữ liệu
Phần mềm không thể chữa một mẫu không đại diện, phản hồi giả, bảng hỏi sai đối tượng hoặc tỷ lệ dữ liệu thiếu quá lớn. Bạn nên cân nhắc thu thêm dữ liệu khi số quan sát hợp lệ không đủ cho mô hình dự kiến, nhiều nhóm đối tượng quan trọng bị thiếu, hoặc dữ liệu bị loại vì các lỗi thu thập đã xảy ra trên diện rộng.
Cỡ mẫu cần được giải trình theo mô hình và phương pháp, không chỉ theo câu “SmartPLS chạy được”. Nếu đề tài có nhiều nhóm so sánh, mediator hoặc moderator, hãy xem cỡ mẫu cần thiết cho từng phân tích. Khi hội đồng hỏi về cỡ mẫu SPSS, bài lỗi hội đồng hỏi về cỡ mẫu spss có thể giúp bạn phân biệt lỗi tính toán với lỗi trình bày.
Thu thêm dữ liệu không phải cách sửa mặc định cho một p-value lớn. Nếu một giả thuyết không có ý nghĩa, bạn cần báo cáo kết quả đó và thảo luận hợp lý. Bạn có thể xem thêm kết quả trái với giả thuyết thì làm gì để tránh sửa dữ liệu chỉ nhằm làm kết quả đẹp hơn.
Cách giải trình với giảng viên hướng dẫn
Bạn nên mang đến buổi gặp một bộ tài liệu ngắn gồm mô hình ban đầu, bảng mã biến, lý do chọn PLS-SEM, quy trình làm sạch dữ liệu, bảng đánh giá measurement model, bảng đánh giá structural model và nhật ký các lần chạy. Khi có tài liệu, cuộc trao đổi chuyển từ “em thấy phần mềm này dễ dùng” sang “đây là quyết định và bằng chứng của từng bước”.
Cách viết vào luận văn: “Nghiên cứu lựa chọn PLS-SEM vì mô hình bao gồm các biến tiềm ẩn được đo lường bằng nhiều biến quan sát và mục tiêu nghiên cứu tập trung vào giải thích [biến phụ thuộc] thông qua các quan hệ giữa [các biến độc lập]. Quy trình phân tích gồm đánh giá mô hình đo lường và mô hình cấu trúc. Các tiêu chí đánh giá được lựa chọn dựa trên [nguồn phương pháp], trong khi dữ liệu được kiểm tra về [dữ liệu thiếu, phản hồi không hợp lệ và mã hóa biến] trước khi phân tích.”
Bạn thay các phần trong ngoặc vuông bằng thông tin thật. Đừng ghi “dữ liệu phù hợp” nếu chưa có bảng kiểm tra. Đừng ghi “mô hình đạt tất cả tiêu chí” nếu một chỉ số vẫn dưới ngưỡng. Hội đồng thường hỏi tiếp đúng vào chỗ mà câu văn khẳng định quá rộng.
Cách phòng từ bước thiết kế
Ngay từ đề cương, hãy ghi rõ vì sao dùng PLS-SEM, biến nào là construct, mỗi construct có những indicator nào, giả thuyết nào cần kiểm định và tiêu chí đánh giá dự kiến. Nếu đổi mô hình sau khi xem dữ liệu, bạn cần ghi nhận đó là điều chỉnh sau phân tích, không trình bày như thể đã được dự kiến từ đầu.
Bảng hỏi cần có nguồn thang đo, cách dịch và điều chỉnh, thang Likert, câu hỏi sàng lọc và tiêu chí loại phản hồi. Tên biến nên nhất quán từ bảng hỏi đến Excel, .csv và SmartPLS. Một mã như SAT1, SAT2, SAT3 dễ kiểm tra hơn những tên cột dài, có dấu hoặc thay đổi giữa các file.
Bạn cũng nên lưu một bảng nhật ký gồm ngày chạy, bản dữ liệu, thay đổi, biến bị loại, lý do và người duyệt. Nếu đề tài bị trùng hoặc mô hình quá giống nghiên cứu trước, hãy xử lý từ sớm theo hướng dẫn đề tài bị trùng thì làm gì, thay vì thay đổi mô hình vội sau khi đã thu dữ liệu.
Lỗi thường gặp khi sửa
Lỗi đầu tiên là học thuộc câu trả lời rằng PLS-SEM phù hợp với cỡ mẫu nhỏ. Cỡ mẫu chỉ là một phần của lập luận. Lỗi thứ hai là dùng mọi chỉ số có trong tài liệu SEM, kể cả CFI, TLI và RMSEA, để báo cáo cho SmartPLS. Các chỉ số này thuộc nhóm đánh giá CB-SEM theo (Hu và Bentler, 1999), vì vậy cần giữ đúng phạm vi phương pháp.
Lỗi thứ ba là loại liên tục các indicator cho đến khi Alpha, AVE và p-value đều đẹp. Cách làm này có thể làm mất nội dung của khái niệm và tạo ra mô hình khó giải thích. Mỗi lần loại biến phải có lý do, được ghi lại và được xem xét cùng lý thuyết.
Lỗi thứ tư là nói số liệu “được thu hoàn toàn ngẫu nhiên” khi bạn không có thiết kế lấy mẫu xác suất. Hãy mô tả đúng cách tiếp cận, đối tượng, kênh phát bảng hỏi và tiêu chí chọn mẫu. Lỗi cuối là nộp bảng kết quả không khớp với file dữ liệu. Chỉ cần một biến có số quan sát khác giữa các bảng, nghi ngờ về độ tin cậy sẽ tăng lên.
Câu hỏi thường gặp
Bị hỏi vì sao chọn PLS-SEM phải làm sao nếu cỡ mẫu của tôi không lớn?
Bạn hãy trình bày cỡ mẫu như một điều kiện cần kiểm tra, không phải lý do duy nhất. Nêu mục tiêu dự báo, số biến tiềm ẩn, cấu trúc mô hình, số đường dẫn vào biến phụ thuộc và quy trình đánh giá đã thực hiện. Sau đó đưa bảng cỡ mẫu hợp lệ và cách bạn loại phản hồi.
Có nên nói PLS-SEM dễ chạy hơn AMOS không?
Bạn có thể nói giao diện hoặc quy trình thao tác phù hợp với năng lực và thời gian của mình, nhưng đó chỉ là lý do thực tế. Lý do chính phải liên quan đến mục tiêu nghiên cứu, đặc điểm mô hình, measurement model, structural model và loại kết quả cần diễn giải.
Bị nghi ngờ số liệu không thật phải làm sao?
Hãy mở dữ liệu gốc, dữ liệu đã làm sạch, bảng mã hóa và nhật ký xử lý. Bạn cần chứng minh số phiếu ban đầu, số phiếu bị loại, lý do loại, số phiếu cuối cùng và sự khớp nhau giữa file dữ liệu với các bảng kết quả.
Nếu không thể giải thích nguồn của một dòng dữ liệu hoặc đã sửa trực tiếp file gốc nhiều lần, hãy nói rõ giới hạn đó và rà soát lại trước khi nộp. Tuyệt đối không tạo thêm dòng dữ liệu để làm đẹp kết quả.
PLS-SEM có cần kiểm định phân phối chuẩn không?
Bạn vẫn cần kiểm tra chất lượng dữ liệu và các vấn đề có thể ảnh hưởng đến kết quả. Câu trả lời “PLS-SEM không cần dữ liệu chuẩn” không thay thế cho việc kiểm tra missing value, outlier, mã hóa đảo chiều, phản hồi lặp và sự phù hợp của thang đo.
Nếu một giả thuyết không có ý nghĩa thì có phải đổi sang AMOS không?
Không. Việc một đường dẫn không có ý nghĩa có thể là kết quả thực nghiệm hợp lệ. Bạn chỉ cân nhắc đổi phương pháp khi mục tiêu, mô hình hoặc yêu cầu kiểm định ban đầu thực sự phù hợp hơn với phương pháp khác, không phải vì muốn p-value nhỏ hơn.
Có thể dùng cả SPSS và SmartPLS trong cùng một luận văn không?
Có thể, nếu mỗi công cụ phục vụ một phần rõ ràng. SPSS có thể dùng để làm sạch dữ liệu, mô tả mẫu hoặc kiểm tra sơ bộ; SmartPLS dùng cho measurement model và structural model. Bạn cần ghi rõ dữ liệu đầu vào, thứ tự xử lý và lý do không trộn các tiêu chí đánh giá của hai phương pháp.
Mở lại file dữ liệu của bạn ngay bây giờ, lập một trang giải trình gồm mục tiêu nghiên cứu, lý do chọn PLS-SEM, cỡ mẫu hợp lệ, quy trình làm sạch và các bảng SmartPLS chính, rồi đối chiếu từng con số trước buổi gặp. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và lưu lại quy trình, bạn có thể xem module M4 phân tích dữ liệu của DoThesis.