Blindfolding là gì trong SmartPLS? Cách đọc Q² và xử lý khi không đạt
Blindfolding là gì
Blindfolding là thủ tục trong PLS-SEM dùng để đánh giá khả năng dự báo ngoài mẫu của mô hình cấu trúc. SmartPLS lần lượt bỏ một phần giá trị quan sát của biến nội sinh, ước lượng lại mô hình để dự đoán các giá trị bị bỏ, sau đó so sánh giá trị dự đoán với giá trị thực tế. Kết quả thường được đọc qua chỉ số Q², còn gọi là Stone-Geisser's Q².
Bạn có thể hình dung đơn giản như sau: mô hình được huấn luyện từ phần dữ liệu còn lại, rồi phải dự đoán được phần dữ liệu đã tạm che đi. Nếu sai số dự đoán đủ nhỏ, mô hình có khả năng dự báo cho biến nội sinh đó. Logic đánh giá dự báo này gắn với blindfolding và Q² trong PLS-SEM (Stone, 1974).
Blindfolding áp dụng cho các biến nội sinh, tức biến có ít nhất một mũi tên đi vào trong mô hình. Một biến ngoại sinh chỉ có mũi tên đi ra sẽ không có phương trình cấu trúc để đánh giá Q² bằng thủ tục này. Trong SmartPLS 4, bạn thường chạy blindfolding sau khi đã kiểm tra measurement model và structural model ở mức cơ bản.
Nếu bạn đang ôn lại bức tranh lớn hơn, có thể xem phần PLS-SEM là gì và mô hình SEM là gì. Hai khái niệm này giúp bạn phân biệt blindfolding với các chỉ số đánh giá độ phù hợp của mô hình trong CB-SEM.
Ý nghĩa của blindfolding trong nghiên cứu định lượng
Blindfolding trả lời một câu hỏi cụ thể: mô hình của bạn có tạo ra giá trị dự báo cho biến nội sinh hay chỉ giải thích tốt chính phần dữ liệu đang có. Đây là điểm khác với R². R² cho biết mức độ biến thiên của biến nội sinh được giải thích bởi các biến dự báo trong mẫu hiện tại. Q² bổ sung góc nhìn về khả năng dự báo bằng cách dùng cơ chế bỏ và dự đoán lại một phần quan sát.
Trong một đề tài về ý định sử dụng ứng dụng, chẳng hạn, Ý định sử dụng có thể là biến nội sinh. Mô hình có thể có R² tương đối cao, nhưng Q² vẫn cần được xem xét để biết các biến như nhận thức hữu ích, nhận thức dễ sử dụng và ảnh hưởng xã hội có giúp mô hình dự báo các quan sát bị che đi hay không.
Q² không chứng minh quan hệ nhân quả, cũng không tự quyết định giả thuyết H1, H2 hay H3 được chấp nhận. Muốn kết luận một đường dẫn có ý nghĩa, bạn vẫn phải đọc Path Coefficients, T Statistics, P Values hoặc khoảng tin cậy từ Bootstrapping. Blindfolding chỉ tập trung vào khả năng dự báo của biến nội sinh.
Bạn cũng cần đặt blindfolding đúng chỗ trong quy trình PLS-SEM. Trước đó, hãy kiểm tra outer loading, Cronbach's Alpha hoặc rho_A, Composite Reliability, AVE và HTMT. Sau đó kiểm tra VIF, path coefficient, R², f² và Q². Quy trình đánh giá measurement model trước structural model phù hợp với cách trình bày PLS-SEM được khuyến nghị (Hair và cộng sự, 2022).
Q² có giá trị thực tế khi bạn muốn giải thích rằng mô hình có khả năng dự báo, nhưng không nên viết quá mức rằng mô hình sẽ dự đoán chính xác mọi cá nhân ngoài mẫu. Kết quả vẫn phụ thuộc vào thiết kế bảng hỏi, chất lượng dữ liệu, cỡ mẫu, cách chọn mẫu và mức độ phù hợp của thang đo.
Blindfolding bao nhiêu là đạt
Quy tắc quyết định cơ bản là Q² lớn hơn 0 cho thấy mô hình có relevance dự báo đối với biến nội sinh được đánh giá. Q² bằng 0 hoặc thấp hơn cho thấy mô hình chưa thể hiện khả năng dự báo theo thủ tục blindfolding. Nguồn kinh điển cho logic Q² là (Stone, 1974), còn quy trình báo cáo PLS-SEM hiện đại có thể tham chiếu (Hair và cộng sự, 2022).
Một số tài liệu dùng các mức diễn giải bổ sung cho Q², nhưng bạn nên tránh biến một ngưỡng diễn giải thành tiêu chuẩn bắt buộc cho mọi đề tài. Điều quan trọng trước tiên là xác định Q² có lớn hơn 0 hay không, sau đó xem xét cùng R², f², hệ số đường dẫn và bối cảnh nghiên cứu.
| Kết quả Q² | Cách đọc | Nguồn canonical |
|---|---|---|
| Q² lớn hơn 0 | Mô hình có relevance dự báo cho biến nội sinh | (Stone, 1974) |
| Q² bằng 0 | Chưa có bằng chứng về relevance dự báo theo tiêu chí này | (Stone, 1974) |
| Q² nhỏ hơn 0 | Mô hình không thể hiện relevance dự báo cho biến nội sinh đó | (Stone, 1974) |
| Q² được tạo từ blindfolding | Đánh giá dự báo dựa trên cơ chế bỏ và tái dự đoán các giá trị quan sát | (Hair và cộng sự, 2022) |
Câu hỏi “blindfolding bao nhiêu là tốt” vì vậy cần được trả lời theo hai tầng. Tầng đầu là Q² phải lớn hơn 0. Tầng sau là mức độ dự báo có đáng kể về mặt thực tiễn hay không, điều này phải đặt cạnh R² và mục tiêu nghiên cứu. Đừng chỉ nhìn một con số Q² rồi tuyên bố toàn bộ mô hình tốt.
Bạn cũng đừng lấy ngưỡng CFI, TLI hoặc RMSEA để đánh giá blindfolding. Những chỉ số đó thuộc nhóm fit index thường dùng trong CB-SEM, không phải bộ tiêu chí chính của PLS-SEM. Sự khác nhau giữa hai hướng SEM được giải thích rõ hơn trong bài CB-SEM là gì.
Cách đọc blindfolding trên output
Trong SmartPLS, kết quả blindfolding thường xuất hiện ở bảng Construct Crossvalidated Redundancy. Cột bạn cần chú ý là Q² (=1-SSE/SSO). SSO là tổng bình phương quan sát ban đầu, còn SSE là tổng bình phương sai số dự đoán. Công thức thường được trình bày là:
Q² = 1 - SSE / SSO
Nếu SSE nhỏ hơn SSO, Q² sẽ lớn hơn 0. Khi đó, sai số dự đoán của các giá trị bị che nhỏ hơn tổng biến thiên dùng làm mốc so sánh. Bạn đọc từng dòng theo từng biến nội sinh, vì mỗi biến có thể có Q² khác nhau.
Số liệu minh họa
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được mô phỏng theo output SmartPLS để bạn đối chiếu với file của mình.
| Construct | SSO | SSE | Q² (=1-SSE/SSO) | Diễn giải minh họa |
|---|---|---|---|---|
| Ý định sử dụng | 480.000 | 356.400 | 0.258 | Có relevance dự báo |
| Sự hài lòng | 360.000 | 320.400 | 0.110 | Có relevance dự báo |
| Niềm tin | 240.000 | 248.800 | -0.037 | Chưa có relevance dự báo |
Trong ví dụ này, Ý định sử dụng có Q² bằng 0.258, lớn hơn 0. Bạn có thể ghi nhận mô hình có relevance dự báo cho biến này. Niềm tin có Q² âm, vì vậy không nên viết rằng mô hình dự báo tốt cho biến đó.
Hãy kiểm tra đúng bảng trước khi chép số. Một số sinh viên nhìn nhầm SSO, SSE hoặc Q² (=1-SSE/SSO) với bảng R Square và đưa nhầm vào chương 4. R Square trả lời mức độ giải thích phương sai, còn Q² trong Construct Crossvalidated Redundancy trả lời về relevance dự báo.
Blindfolding trong SPSS có không là câu hỏi khá phổ biến. SPSS có thể chạy hồi quy, kiểm định, EFA, PROCESS và nhiều thủ tục khác, nhưng blindfolding theo nghĩa PLS-SEM không nằm trong menu chuẩn của SPSS. Nếu mô hình của bạn là PLS-SEM, hãy chạy thủ tục này trong SmartPLS. SPSS có thể được dùng ở các bước tiền xử lý hoặc phân tích bổ sung, nhưng bạn không nên tìm một bảng Q² blindfolding trong output SPSS.
Khi blindfolding không đạt thì xử lý thế nào
Khi Q² bằng 0 hoặc âm, đừng xóa ngay biến nội sinh hoặc chỉnh dữ liệu để con số tăng lên. Hãy xử lý theo thứ tự từ kiểm tra thao tác đến xem lại mô hình.
Kiểm tra lại cách chạy và loại biến
Trước hết, xác nhận bạn đã chọn đúng mô hình, đúng biến nội sinh và đúng loại kết quả. Kiểm tra dữ liệu có bị mã hóa sai, giá trị thiếu, biến đảo chiều chưa xử lý hoặc cột định danh bị nhập thành biến phân tích hay không. Nếu dữ liệu .csv có dấu phân cách, tên biến hoặc giá trị trống không đúng, SmartPLS có thể đọc dữ liệu khác với dự định của bạn.
Bạn cũng nên xem cách chọn omission distance. Giá trị này phải phù hợp với cỡ mẫu và số quan sát có thể dùng trong thủ tục. Nếu bạn thay đổi thiết lập, hãy ghi lại lần chạy và giải thích nhất quán trong phương pháp nghiên cứu. Đừng thử hàng loạt giá trị chỉ để tìm Q² dương mà không có lý do phương pháp.
Kiểm tra measurement model
Q² thấp có thể đi cùng thang đo yếu. Hãy xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Một biến quan sát có loading thấp, thang đo có AVE thấp hoặc các khái niệm không phân biệt được có thể làm mô hình dự báo kém.
Việc loại biến phải dựa trên cả lý thuyết và chỉ số thống kê. Nếu loại một biến làm thay đổi nội dung khái niệm, bạn cần báo cáo lý do và xem lại thang đo gốc. Không nên xóa biến chỉ vì nó làm Q² thấp.
Kiểm tra structural model
Sau đó đọc R Square, Path Coefficients, VIF và f Square. VIF dưới 5 là ngưỡng thường được dùng để xem xét vấn đề cộng tuyến trong PLS-SEM (Hair và cộng sự, 2019). R² cho biết mức độ giải thích, nhưng R² cao không bảo đảm Q² sẽ cao.
Nếu một biến nội sinh có R² thấp, không có đường dẫn đáng kể và Q² âm, bạn có thể phải xem lại giả thuyết, cơ sở lý thuyết hoặc cách mô hình hóa. Quyết định này cần trao đổi với giảng viên hướng dẫn. Việc thêm đường dẫn tùy ý sau khi xem output làm tăng rủi ro mô hình trở thành kết quả chạy thử hơn là mô hình có căn cứ.
Xem lại dữ liệu và cỡ mẫu
Nếu dữ liệu có quá nhiều câu trả lời thiếu, straight-lining, mẫu không đúng đối tượng hoặc phân phối bất thường, khả năng dự báo có thể giảm. Khi phát hiện vấn đề, hãy lập bảng ghi rõ số phiếu bị loại, tiêu chí loại và số quan sát còn lại.
Thu thập thêm dữ liệu chỉ có ý nghĩa khi nguyên nhân thực sự là cỡ mẫu hoặc độ đa dạng của mẫu chưa đủ. Thêm dữ liệu không thể tự động sửa một thang đo đo sai khái niệm hoặc một mô hình thiếu cơ sở lý thuyết. Đây là giới hạn cần nói rõ với người hướng dẫn.
Phân biệt blindfolding với R² và bootstrapping
Blindfolding, R² và bootstrapping đều xuất hiện trong quy trình PLS-SEM nhưng phục vụ các câu hỏi khác nhau. Nhầm ba phần này là nguyên nhân khiến nhiều chương 4 viết sai kết luận.
| Thành phần | Câu hỏi chính | Bảng hoặc kết quả thường đọc |
|---|---|---|
| Blindfolding | Mô hình có relevance dự báo cho biến nội sinh không | Construct Crossvalidated Redundancy, Q² |
| R² | Các biến dự báo giải thích bao nhiêu phương sai của biến nội sinh | R Square |
| Bootstrapping | Hệ số đường dẫn hoặc hiệu ứng gián tiếp có ổn định và có ý nghĩa không | Path Coefficients, T Statistics, P Values, confidence interval |
| f² | Một biến dự báo đóng góp thế nào vào R² khi được đưa vào hoặc bỏ ra | f Square hoặc f Square |
Trong PLS-SEM, R² ở mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu theo một quy ước được trích dẫn (Hair và cộng sự, 2011). Đây là ngưỡng của R², không phải ngưỡng Q².
Với bootstrapping, SmartPLS tạo nhiều mẫu tái lập để ước lượng độ ổn định của kết quả. Quy trình PLS-SEM thường dùng 5.000 bootstrap subsamples (Hair và cộng sự, 2022). Nếu nghiên cứu có mediation, hiệu ứng gián tiếp được xem xét qua khoảng tin cậy bootstrap, trong đó khoảng không chứa 0 là điều kiện thường được dùng (Preacher và Hayes, 2008).
Nếu bạn muốn xem tổng quan các khái niệm liên quan, SEM là gì và biến tiềm ẩn là gì sẽ giúp bạn phân biệt construct, biến quan sát, biến ngoại sinh và biến nội sinh.
Lỗi thường gặp
Lỗi đầu tiên là báo cáo Q² cho biến ngoại sinh. Blindfolding tập trung vào các construct nội sinh, vì vậy hãy đọc mũi tên trong mô hình trước khi chọn dòng kết quả.
Lỗi thứ hai là viết “Q² càng cao thì mô hình càng tốt” mà không kiểm tra R², f², VIF và ý nghĩa của các đường dẫn. Q² chỉ là một mảnh của structural model. Kết luận cần dựa trên toàn bộ bộ chỉ số phù hợp với câu hỏi nghiên cứu.
Lỗi thứ ba là dùng ngưỡng của CB-SEM cho SmartPLS. CFI, TLI và RMSEA không thay thế Q² trong PLS-SEM. Nếu bạn dùng AMOS hoặc một phần mềm CB-SEM, hãy trình bày bộ chỉ số phù hợp với hướng đó, thay vì trộn hai hệ tiêu chí.
Lỗi thứ tư là chạy lại nhiều lần rồi chỉ giữ kết quả đẹp nhất. Bạn nên lưu từng phiên bản mô hình, ghi rõ biến bị loại, lý do loại và thay đổi trong kết quả. Hội đồng có thể hỏi vì sao một biến quan sát biến mất, chứ không chỉ hỏi Q² cuối cùng.
Cách viết vào luận văn
Bạn có thể điều chỉnh câu sau theo số liệu thật: “Kết quả blindfolding cho thấy chỉ số Q² của biến [tên biến nội sinh] đạt [giá trị Q²], lớn hơn 0, cho thấy mô hình có relevance dự báo đối với biến này theo tiêu chí của (Stone, 1974). Kết quả này được xem xét cùng với R², f² và các hệ số đường dẫn trong mô hình cấu trúc.”
Nếu Q² âm, hãy viết trung thực: “Chỉ số Q² của biến [tên biến] đạt [giá trị], nhỏ hơn 0, do đó mô hình chưa thể hiện relevance dự báo cho biến này theo thủ tục blindfolding. Kết quả được giữ lại để thảo luận cùng các chỉ số structural model và giới hạn của dữ liệu.”
Câu hỏi thường gặp
Blindfolding là gì trong SmartPLS?
Blindfolding là thủ tục đánh giá khả năng dự báo ngoài mẫu của mô hình PLS-SEM bằng cách tạm bỏ một phần giá trị quan sát, dự đoán lại và tính Q². Thủ tục này áp dụng cho biến nội sinh trong mô hình.
Blindfolding bao nhiêu là tốt?
Q² lớn hơn 0 cho thấy mô hình có relevance dự báo cho biến nội sinh đó (Stone, 1974). Bạn không nên chỉ dùng một con số Q² để kết luận mô hình tốt, mà cần đọc cùng R², f², VIF và path coefficient.
Blindfolding trong SPSS có chạy được không?
SPSS không có thủ tục blindfolding PLS-SEM trong menu chuẩn. Bạn nên chạy blindfolding bằng SmartPLS nếu đề tài dùng PLS-SEM. SPSS vẫn có thể hỗ trợ làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA hoặc hồi quy tùy thiết kế nghiên cứu.
Q² âm thì phải làm sao?
Kiểm tra lại dữ liệu, biến đảo chiều, giá trị thiếu, measurement model, VIF và cấu trúc đường dẫn trước khi sửa mô hình. Q² âm không phải lý do đủ để xóa biến hoặc chỉnh dữ liệu. Nếu mô hình vẫn không có relevance dự báo, hãy báo cáo kết quả và thảo luận giới hạn cùng giảng viên.
Q² và R² có giống nhau không?
Hai chỉ số khác nhau. R² phản ánh mức độ phương sai của biến nội sinh được giải thích bởi các biến dự báo trong mẫu. Q² đánh giá relevance dự báo qua cơ chế blindfolding, vì vậy một mô hình có R² dương vẫn có thể có Q² thấp hoặc âm.
Có bắt buộc chạy blindfolding trong mọi đề tài SmartPLS không?
Bạn cần xem mục tiêu nghiên cứu và hướng dẫn của khoa. Nếu luận văn sử dụng PLS-SEM và muốn báo cáo khả năng dự báo, blindfolding là một thủ tục phù hợp. Tuy nhiên, không nên chạy chỉ để điền thêm một bảng nếu bạn không giải thích được Q² và mối liên hệ của nó với mô hình.
Bạn hãy mở đúng file SmartPLS, vào Construct Crossvalidated Redundancy, ghi lại Q² của từng biến nội sinh và đối chiếu với R², f², VIF trước khi viết chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của mình, bạn có thể xem module M4 phân tích dữ liệu.