Blindfolding trong SmartPLS: cách chạy và đọc kết quả

Blindfolding trong SmartPLS dùng để làm gì

Bạn mở SmartPLS lên, mô hình đã chạy PLS Algorithm và Bootstrapping, nhưng chưa biết bảng Construct Crossvalidated Redundancy dùng để kết luận điều gì. Đây là phần Blindfolding trong SmartPLS. Thủ tục này tạo ra các phần tử bị bỏ lại trong dữ liệu, sau đó dùng mô hình để dự đoán chúng. Kết quả thường được đọc qua chỉ số Q², còn gọi là cross-validated predictive relevance.

Q² trả lời một câu hỏi hẹp: mô hình có khả năng dự đoán các biến quan sát của một biến nội sinh tốt hơn một giá trị tham chiếu đơn giản hay không. Nếu Q² lớn hơn 0, mô hình có predictive relevance đối với cấu trúc nội sinh đó. Logic cross-validation này được gắn với công trình của Stone và thường được trích dẫn là (Stone, 1974).

Blindfolding phù hợp với mô hình PLS-SEM có biến nội sinh, chẳng hạn Sự hài lòng, Ý định mua hoặc Ý định sử dụng. Nó không dùng để kiểm định p-value của path coefficient, không thay thế Bootstrapping và cũng không cho bạn biết giả thuyết H1 có được chấp nhận hay không. Muốn kiểm định đường dẫn, bạn vẫn cần xem kết quả Bootstrapping. Bạn có thể xem thêm hướng dẫn về bootstrapping trong SmartPLS để tách rõ hai mục đích này.

Một điểm cần giữ đúng trong chương phương pháp là Blindfolding thuộc nhóm đánh giá predictive relevance trong PLS-SEM. Các chỉ số CFI, TLI, RMSEA và SRMR thường được dùng trong CB-SEM, vì vậy không nên đưa chúng vào phần đọc kết quả Blindfolding của SmartPLS.

Chuẩn bị mô hình và dữ liệu

Trước khi bấm Blindfolding, bạn cần kiểm tra cả measurement model và structural model. Measurement model cho biết các biến quan sát đo biến tiềm ẩn ra sao. Structural model cho biết các biến tiềm ẩn tác động lên nhau như thế nào. Nếu mô hình còn sai tên indicator, thiếu liên kết hoặc chưa xác định biến nội sinh, kết quả Q² không có nhiều giá trị để diễn giải.

Dữ liệu nhập vào SmartPLS thường là file .csv. Mỗi dòng đại diện cho một người trả lời, mỗi cột là một biến quan sát. Hàng đầu nên chứa tên indicator, chẳng hạn PU1, PU2, BI1, BI2. Các ô dữ liệu cần ở dạng số, không trộn chữ như Đồng ý, Không trả lời hoặc ký hiệu phần trăm trong cùng cột. Nếu dùng thang Likert, hãy mã hóa các mức trả lời thành số trước khi nhập.

Bạn cũng nên rà soát biến đảo chiều trước khi xuất .csv. Nếu một biến quan sát có nội dung phủ định nhưng chưa reverse code, Blindfolding có thể vẫn chạy, nhưng Q² khi đó chỉ phản ánh dữ liệu đã chuẩn bị sai. Việc chạy được phần mềm không đồng nghĩa mô hình đã sẵn sàng để báo cáo.

Blindfolding thường được chạy sau khi bạn đã xem reliability, convergent validity và discriminant validity. Trong SmartPLS, bạn có thể tham khảo cách chạy PLS Algorithm trong SmartPLS trước, vì PLS Algorithm là bước nền để kiểm tra outer loading, CR, AVE và R². Blindfolding không sửa được một measurement model có vấn đề.

Các bước thực hiện trong SmartPLS 4

Các đường dẫn dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có thể đặt lệnh ở vị trí khác, nên bạn không nên đối chiếu tên nút một cách máy móc giữa hai phiên bản.

Bước 1: Mở project và kiểm tra mô hình

Mở project trong SmartPLS 4, chọn mô hình đã kết nối với dataset .csv. Nhìn lại các construct, indicator và mũi tên giữa các biến. Đặc biệt, hãy xác định những construct nào là biến nội sinh, vì Q² chủ yếu được báo cáo cho các construct có biến phụ thuộc trong structural model.

Nếu bạn đang dùng mô hình formative, hãy kiểm tra specification của construct trước khi chạy. Blindfolding vẫn có thể xuất hiện trong quy trình PLS-SEM, nhưng cách đánh giá measurement model formative khác reflective. Đừng dùng một ngưỡng outer loading của reflective measurement model để kết luận cho formative construct.

Bước 2: Chọn Blindfolding trong SmartPLS 4

Trong khu vực làm việc của mô hình, chọn Calculate rồi chọn Blindfolding. SmartPLS 4 sẽ mở hộp thoại thiết lập. Chọn dataset đúng với dữ liệu bạn đang phân tích, sau đó chọn các thiết lập liên quan đến omission distance.

Omission distance là khoảng cách dùng để tạo các phần tử bị bỏ lại trong dữ liệu. Giá trị này cần được chọn sao cho phù hợp với kích thước mẫu và cấu trúc dữ liệu. Nếu phần mềm cảnh báo rằng lựa chọn không hợp lệ, đọc nguyên nhân hiển thị trong hộp thoại thay vì cố chạy nhiều lần với các số ngẫu nhiên.

Bước 3: Đặt omission distance

Trong SmartPLS 4, bạn nhập omission distance trong hộp thoại Blindfolding. Giá trị này không nên chia hết cho số quan sát, vì cách chia đó có thể làm quy trình bỏ dữ liệu không đúng thiết kế. Bạn có thể bắt đầu bằng một giá trị hợp lệ do phần mềm chấp nhận, sau đó ghi rõ giá trị đã dùng trong syntax hoặc bảng phương pháp của mình.

Omission distance không phải là ngưỡng để kết luận Q². Nó là tham số kỹ thuật của quy trình. Hai nghiên cứu có thể dùng giá trị omission distance khác nhau vì cỡ mẫu, mô hình và thiết kế phân tích khác nhau. Điều bạn cần giữ là ghi lại thông số, dataset và phiên bản SmartPLS để có thể tái hiện kết quả.

Bước 4: Chạy và mở kết quả

Bấm Calculate để SmartPLS thực hiện Blindfolding. Khi kết quả xuất hiện, mở nhóm kết quả liên quan đến Construct Crossvalidated Redundancy. Đây là bảng cần ưu tiên nếu mục tiêu của bạn là báo cáo Q² cho các biến nội sinh trong mô hình cấu trúc.

Bạn cũng có thể thấy các bảng liên quan đến cross-validated communality. Hai loại chỉ số này không nên gộp thành một con số. Crossvalidated redundancy gắn với khả năng dự đoán construct nội sinh dựa trên cả measurement và structural model. Crossvalidated communality tập trung vào phần measurement model.

Bước 5: Lưu thông số và kết quả

Xuất hoặc chụp lại bảng kết quả cùng với tên dataset, ngày chạy, phiên bản SmartPLS và omission distance. Khi bị hỏi vì sao Q² của luận văn khác một file cũ, các thông tin này giúp bạn truy lại đúng vòng phân tích.

Nếu bạn đã thay đổi indicator, loại respondent hoặc sửa dữ liệu sau khi chạy, hãy tạo một kết quả mới thay vì ghi đè lên file cũ. Việc lưu từng vòng phân tích đặc biệt hữu ích khi Q² thay đổi sau khi bạn loại một biến quan sát.

Đọc bảng kết quả

Trong output của SmartPLS, bạn sẽ gặp các cột như SSO, SSE và Q² (= 1 - SSE/SSO). SSO là tổng bình phương quan sát ban đầu, SSE là tổng bình phương sai số dự đoán, còn Q² được tính từ mối quan hệ giữa hai đại lượng này. Khi SSE nhỏ hơn SSO, Q² có xu hướng lớn hơn 0.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên bảng và cột được trình bày theo dạng bạn thường gặp trong SmartPLS. Hãy thay bằng số liệu trong file của bạn, không sao chép các con số này vào luận văn.

Bảng Construct Crossvalidated Redundancy

Ví dụ, với construct Sự hài lòng, Q² bằng 1 - 641.250/900.000, xấp xỉ 0.287. Bạn có thể kết luận rằng mô hình có predictive relevance đối với construct này theo quy tắc Q² lớn hơn 0. Tuy nhiên, câu kết luận chỉ nói về khả năng dự đoán của mô hình đối với construct, không nói rằng từng path coefficient đều có ý nghĩa thống kê.

Đừng đọc cột SSO như một chỉ số chất lượng mô hình. SSO thường liên quan đến số lượng indicator và số quan sát hợp lệ. SSE là phần sai số dự đoán. Cột Q² mới là cột dùng để kết luận predictive relevance, trong phạm vi construct mà bảng đang hiển thị.

Q² dương cũng không chứng minh quan hệ nhân quả. Để kết luận H1, bạn cần xem path coefficient, t-value, p-value hoặc khoảng tin cậy bootstrap. Nếu nghiên cứu có mediator, hãy xem thêm indirect effect. Nếu có moderator, hãy kiểm tra interaction effect theo quy trình phù hợp. Blindfolding chỉ bổ sung một mảnh thông tin về dự đoán.

Ngưỡng đánh giá

Ngưỡng cốt lõi của Blindfolding là Q² lớn hơn 0. Nguồn của quy tắc cross-validated predictive relevance là (Stone, 1974). Một số tài liệu PLS-SEM hiện đại cũng trình bày Q² trong quy trình đánh giá mô hình, trong đó có (Hair và cộng sự, 2022). Khi viết, bạn nên nêu rõ đây là tiêu chí có hoặc không có predictive relevance, thay vì tự đặt các mức Q² 0.10, 0.25 hoặc 0.50 nếu không có nguồn phù hợp trong khung tài liệu của mình.

Trong bảng trên, R² và f² không phải là kết quả của Blindfolding theo nghĩa hẹp. Chúng được đặt cạnh Q² vì khi viết chương 4, bạn thường phải đọc cả nhóm đánh giá structural model. R² ở mức 0.75, 0.50 và 0.25 lần lượt được diễn giải theo các mức substantial, moderate và weak trong bối cảnh PLS-SEM theo (Hair và cộng sự, 2011). f² ở mức 0.02, 0.15 và 0.35 thường được diễn giải là nhỏ, vừa và lớn theo (Cohen, 1988).

Độ lớn Q² không nên được diễn giải như phần trăm tác động. Q² bằng 0.287 không có nghĩa biến độc lập làm tăng 28.7% sự hài lòng. Nó là chỉ số predictive relevance tính theo cơ chế cross-validation. Nếu muốn nói về mức giải thích, hãy chuyển sang R². Nếu muốn nói về đóng góp của một predictor, hãy xem f².

Khi đánh giá toàn bộ PLS-SEM, bạn cũng cần kiểm tra outer loading, CR, AVE, HTMT và VIF theo đúng loại construct. Outer loading từ 0.7 trở lên có thể được tham khảo theo (Chin, 1998) hoặc (Hair và cộng sự, 2022), CR từ 0.7 và AVE từ 0.5 theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc 0.90 theo (Henseler và cộng sự, 2015), VIF dưới 5 theo (Hair và cộng sự, 2019). Những chỉ số này không được thay thế bằng Q².

Cách trình bày trong chương 4

Bạn nên trình bày theo thứ tự: mô tả mô hình và dữ liệu, đánh giá measurement model, đánh giá structural model, sau đó báo cáo predictive relevance. Nếu đưa Blindfolding lên trước khi chứng minh thang đo đạt độ tin cậy và giá trị, người đọc có thể hỏi vì sao bạn dùng một mô hình chưa được kiểm tra để dự đoán.

Cách viết vào luận văn: “Kết quả Blindfolding cho thấy chỉ số Q² của construct [TÊN BIẾN NỘI SINH] đạt [Q²], lớn hơn 0. Theo (Stone, 1974), mô hình có predictive relevance đối với construct [TÊN BIẾN]. Kết quả này được diễn giải cùng với R², f² và kết quả Bootstrapping, không dùng để thay thế kiểm định ý nghĩa của các path coefficient.”

Bạn thay các placeholder [TÊN BIẾN NỘI SINH] và [Q²] bằng đúng tên construct và số trong output. Nếu có nhiều construct nội sinh, viết từng construct hoặc lập một bảng tổng hợp. Không nên viết “mô hình đạt Q²” nếu chỉ một construct có Q² dương, vì kết luận đó không cho biết construct nào đang được nói đến.

Khi báo cáo path coefficient, hãy thêm hệ số đường dẫn, t-value, p-value hoặc khoảng tin cậy bootstrap. Phần Blindfolding chỉ nên trả lời câu hỏi mô hình có predictive relevance hay không. Nếu bạn cần xem một kỹ thuật khác trong nhóm phân tích PLS-SEM, có thể đối chiếu với bài IPMA trong SmartPLS, nhưng đừng trộn bảng Importance-Performance với bảng Q².

Lỗi thường gặp

Dùng Blindfolding để kết luận giả thuyết. Q² dương không đồng nghĩa H1 được chấp nhận. H1 cần được kết luận từ path coefficient và kiểm định bootstrap theo hướng quan hệ đã đặt ra.

Nhập omission distance tùy ý rồi không ghi lại. Tham số này ảnh hưởng cách tạo phần dữ liệu bị bỏ lại. Hãy lưu giá trị đã dùng, cùng dataset và phiên bản SmartPLS.

Chỉ nhìn một construct và viết kết luận cho toàn mô hình. Mở bảng, liệt kê từng biến nội sinh và ghi Q² tương ứng. Nếu một biến có Q² bằng 0 hoặc âm, hãy báo cáo đúng kết quả đó.

Nhầm Q² với R². R² nói về phần biến thiên được giải thích trong mẫu. Q² nói về predictive relevance qua quy trình cross-validation. Hai chỉ số có liên quan trong đánh giá structural model nhưng không cùng ý nghĩa.

Đưa CFI, TLI hoặc RMSEA vào output SmartPLS. Đây là nhóm fit index thường gắn với CB-SEM, không phải bộ tiêu chí cốt lõi để đọc Blindfolding trong PLS-SEM. Nếu bạn đang cân nhắc các quy trình khác, bài consistent PLS trong SmartPLS có thể giúp phân biệt thêm giữa các cách ước lượng.

Không phân biệt Blindfolding với PLSpredict. Blindfolding cung cấp Q² theo cơ chế bỏ lại một phần dữ liệu trong mẫu. PLSpredict tập trung hơn vào dự đoán ngoài mẫu và so sánh sai số dự báo. Vì vậy, bạn không nên gọi hai kết quả này là một thủ tục.

Đọc thêm: cách chạy ipma smartpls 4, chủ đề smartpls.

Câu hỏi thường gặp

Blindfolding trong SmartPLS là gì?

Blindfolding là thủ tục dùng trong PLS-SEM để đánh giá predictive relevance của các construct nội sinh. Kết quả thường được đọc qua Q², dựa trên việc bỏ lại một phần quan sát rồi dự đoán chúng từ mô hình.

Nếu Q² lớn hơn 0, construct được xem là có predictive relevance theo tiêu chí của (Stone, 1974). Chỉ số này không thay thế p-value hoặc kết quả Bootstrapping.

Q² bao nhiêu là đạt trong SmartPLS?

Tiêu chí cơ bản là Q² lớn hơn 0. Bạn không nên tự dùng một mốc 0.10, 0.25 hoặc 0.50 nếu chưa có nguồn lý thuyết phù hợp. Khi báo cáo, ghi rõ Q² của từng construct nội sinh và dẫn nguồn (Stone, 1974).

Q² dương chỉ cho biết có predictive relevance. Nó không có nghĩa mô hình mạnh ở mọi mặt, cũng không chứng minh một giả thuyết cụ thể được chấp nhận.

Blindfolding có thay thế Bootstrapping không?

Không. Blindfolding tập trung vào predictive relevance, còn Bootstrapping dùng để suy luận về ý nghĩa thống kê của path coefficient, indirect effect hoặc interaction effect. Bạn có thể cần cả hai trong một quy trình PLS-SEM hoàn chỉnh.

Khi viết chương 4, hãy đặt Q² ở phần đánh giá khả năng dự đoán và đặt p-value, t-value hoặc confidence interval ở phần kiểm định giả thuyết.

Vì sao SmartPLS không cho chạy Blindfolding?

Các nguyên nhân thường gặp là bạn chưa chọn dataset, mô hình chưa có construct nội sinh, omission distance không hợp lệ hoặc file dữ liệu có vấn đề. Kiểm tra lại mũi tên đi vào các biến phụ thuộc, tên indicator và các ô dữ liệu thiếu.

Nếu đã sửa dữ liệu, hãy chạy lại PLS Algorithm trước để chắc rằng mô hình và dataset đang được kết nối đúng. Sau đó mở lại Calculate và chọn Blindfolding trong SmartPLS 4.

Có cần chạy Blindfolding cho mọi luận văn dùng SmartPLS không?

Bạn cần xem mục tiêu, mô hình và yêu cầu của người hướng dẫn. Nếu luận văn muốn đánh giá predictive relevance của các biến nội sinh trong PLS-SEM, Blindfolding có thể là một phần phù hợp. Nếu chỉ cần kiểm định quan hệ giữa các biến, trọng tâm vẫn là structural model và Bootstrapping.

Đừng chạy một thủ tục chỉ để có thêm bảng. Hãy ghi rõ câu hỏi phân tích mà Q² đang trả lời, sau đó báo cáo đúng construct và đúng nguồn.

Mở file SmartPLS của bạn, kiểm tra dataset, chạy lại PLS Algorithm nếu cần, rồi thực hiện Blindfolding trong SmartPLS 4 với omission distance được ghi lại. Nếu bạn muốn chạy toàn bộ phân tích trên chính file .sav hoặc .csv và nối kết quả với cách viết chương 4, M4 phân tích của DoThesis hỗ trợ bước này.