Bootstrapping bị lỗi phải làm sao trong SmartPLS 4

Hiện tượng bạn đang gặp

Bạn bấm Calculate > Bootstrapping trong SmartPLS 4, chọn số lượng subsamples rồi nhấn Start, nhưng kết quả không xuất hiện hoặc phần mềm báo lỗi. Một số trường hợp khác có thể chạy được nhưng bảng kết quả có dấu cảnh báo, confidence interval không hiển thị, standard error bằng 0, hoặc nhiều path coefficient không có p-value.

Bạn cần xác định mình đang gặp lỗi chạy hay chỉ đang gặp kết quả không đạt. Lỗi chạy thường khiến SmartPLS dừng giữa chừng, hiện thông báo màu đỏ hoặc không tạo được kết quả. Kết quả không đạt vẫn tạo ra báo cáo, nhưng outer loading, HTMT, VIF, R² hoặc path coefficient có thể không đáp ứng tiêu chí nghiên cứu. Hai tình huống này cần xử lý khác nhau.

SmartPLS 4 dùng bootstrapping để ước lượng độ ổn định của hệ số bằng cách lấy mẫu lặp lại từ dữ liệu gốc. Với PLS-SEM, quy trình thường được đánh giá theo measurement model trước rồi mới đến structural model, phù hợp với hướng dẫn của (Hair và cộng sự, 2022). Vì vậy, đừng vội tăng số subsamples khi mô hình hoặc dữ liệu đầu vào còn lỗi.

Nếu bạn mới làm quen với phần mềm, có thể xem thêm chủ đề SmartPLS để đối chiếu quy trình từ import dữ liệu, chạy PLS Algorithm đến bootstrapping.

Nguyên nhân thường gặp

Hãy kiểm tra từ nguyên nhân dễ sửa nhất. Bảng dưới đây giúp bạn đối chiếu dấu hiệu trên màn hình với điểm cần kiểm tra trong file .csv hoặc mô hình SmartPLS.

Một lỗi khá phổ biến là file .csv có dấu phân cách không đúng. SmartPLS thường đọc tốt file dữ liệu dạng bảng, trong đó hàng đầu là tên biến và các hàng sau là quan sát. Tên cột nên ngắn, duy nhất, không chứa ký tự xuống dòng. Các ô dữ liệu cần được lưu dưới dạng số, không trộn 5, năm hoặc 5 điểm trong cùng một cột.

Bạn cũng nên kiểm tra các biến đảo chiều. SmartPLS không tự biết một biến quan sát cần reverse code. Nếu thang đo dùng Likert 1 đến 5, biến đảo chiều thường được chuyển theo công thức mới bằng 6 trừ điểm cũ. Với thang 1 đến 7, công thức tương ứng là 8 trừ điểm cũ. Chỉ thực hiện khi nội dung thang đo và thiết kế bảng hỏi xác nhận đó là biến đảo chiều.

Cách xử lý theo thứ tự ưu tiên

1. Lưu bản gốc và ghi lại thông báo lỗi

Trước khi xóa biến hoặc chỉnh dữ liệu, hãy lưu một bản sao project với tên như model_bootstrap_backup. Chụp màn hình thông báo lỗi, ghi thời điểm chạy, số subsamples, confidence interval method và file dữ liệu đang sử dụng. Việc này giúp bạn biết thay đổi nào đã làm lỗi biến mất, đồng thời có căn cứ giải trình khi giảng viên hỏi vì sao kết quả giữa các lần chạy khác nhau.

Đừng sửa trực tiếp file gốc bằng cách thay hàng loạt giá trị chỉ để SmartPLS chạy được. Nếu có dữ liệu thiếu, outlier hoặc câu trả lời không hợp lệ, bạn cần ghi rõ quy tắc làm sạch trong file theo dõi riêng.

2. Kiểm tra file dữ liệu và biến quan sát

Mở file .csv và kiểm tra các điểm sau: mỗi cột có một tên biến duy nhất, không có cột trống ở giữa bảng, các giá trị số dùng cùng một định dạng, và không có công thức Excel chưa được lưu thành giá trị. Sau đó import lại file vào SmartPLS thay vì chỉ thay tên file bên ngoài project.

Kiểm tra số lượng giá trị khác nhau của từng biến. Nếu một biến có cùng một giá trị cho toàn bộ người trả lời, biến đó không cung cấp thông tin để ước lượng. Một biến như vậy có thể làm ma trận tương quan suy biến và khiến bootstrapping báo lỗi.

Bạn cũng cần kiểm tra missing values. Không nên tự động thay toàn bộ ô trống bằng số 0 nếu thang đo không quy định 0 là một mức trả lời. Việc thay thế tùy tiện có thể tạo ra tương quan giả và làm thay đổi path coefficient.

3. Chạy lại PLS Algorithm trước khi bootstrapping

Trong SmartPLS 4, hãy chạy Calculate > PLS-SEM Algorithm trước. Nếu PLS Algorithm chưa tạo được kết quả, bootstrapping thường cũng không thể chạy ổn định. Kiểm tra Outer Loadings, Construct Reliability and Validity, Collinearity Statistics và R Square.

Nếu AVE nhỏ hơn 0.5, bạn cần xem lại outer loading, CR và nội dung lý thuyết trước khi chạy lại. Hướng dẫn xử lý cụ thể có thể tham khảo bài AVE nhỏ hơn 0.5 phải làm sao. Không nên xóa biến chỉ vì nó có loading thấp hơn biến khác. Việc loại biến cần dựa trên cả thống kê, nội dung đo lường và mô hình lý thuyết.

Nếu các construct có tương quan quá cao, kiểm tra HTMT và Fornell-Larcker criterion. Bạn có thể đối chiếu hướng xử lý tại bài giá trị phân biệt không đạt phải làm sao hoặc trường hợp cụ thể HTMT lớn hơn 0.9 phải làm sao.

4. Kiểm tra cấu hình bootstrapping

Chọn Calculate > Bootstrapping. Với SmartPLS 4, bạn cần kiểm tra số subsamples, loại kiểm định một phía hay hai phía, mức significance level và confidence interval method. Nếu mục tiêu là kiểm định giả thuyết thông thường, two-tailed test ở mức ý nghĩa 5% thường được sử dụng khi hướng tác động chưa được quy định theo một phía trong thiết kế nghiên cứu.

Theo (Hair và cộng sự, 2022), 5.000 bootstrap subsamples là cấu hình thường được khuyến nghị khi báo cáo kết quả PLS-SEM. Khi đang dò lỗi, bạn có thể chạy thử với số subsamples thấp hơn để xem mô hình có khởi động được hay không. Khi đã sửa xong nguyên nhân, hãy chạy lại với cấu hình cuối cùng và dùng chính cấu hình đó để xuất bảng kết quả.

5. Giảm tải để xác định lỗi hệ thống hay lỗi mô hình

Nếu project lớn, hãy đóng các ứng dụng đang dùng nhiều bộ nhớ rồi chạy lại. Bạn có thể tạo một bản sao mô hình nhỏ với vài construct và một phần dữ liệu để kiểm tra. Nếu mô hình nhỏ chạy được nhưng mô hình đầy đủ bị dừng, nguyên nhân có thể nằm ở một construct, một biến quan sát hoặc mức tiêu thụ tài nguyên.

Không dùng việc giảm subsamples như một cách che giấu lỗi trong kết quả cuối cùng. Đây chỉ là bước chẩn đoán. Sau khi xác định được điểm lỗi, bạn cần khôi phục mô hình đầy đủ, sửa nguyên nhân và chạy lại theo cấu hình đã chọn trong phương pháp nghiên cứu.

6. Đọc đúng bảng kết quả sau khi chạy

Sau khi bootstrapping hoàn tất, mở Bootstrapping > Path Coefficients. Bảng thường có các cột Original Sample, Sample Mean, Standard Deviation, T Statistics và P Values. Với tác động gián tiếp, mở Specific Indirect Effects hoặc Total Indirect Effects tùy quan hệ bạn đang kiểm định.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các con số chỉ mô phỏng hình dạng bảng để bạn biết cần đọc cột nào.

| Path | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics (|O/STDEV|) | P Values | |---|---:|---:|---:|---:|---:| | PU -> BI | 0.428 | 0.431 | 0.082 | 5.220 | 0.000 | | PEU -> BI | 0.116 | 0.119 | 0.074 | 1.568 | 0.117 | | BI -> USE | 0.503 | 0.507 | 0.069 | 7.290 | 0.000 |

Trong ví dụ này, path PU -> BI có hệ số dương và p-value hiển thị là 0.000 theo cách làm tròn của phần mềm. Khi viết luận văn, không nên ghi p bằng 0 tuyệt đối. Bạn có thể ghi p < 0.001 nếu bảng SmartPLS hiển thị 0.000 do làm tròn. Path PEU -> BI có p-value 0.117, vì vậy chưa có bằng chứng thống kê ở mức 5% trong bộ số liệu minh họa này.

Bạn không nên chỉ nhìn p-value. Hãy xem thêm confidence interval. Nếu khoảng tin cậy bootstrap của path không bao gồm 0, kết luận về tác động sẽ có cơ sở hơn. Với mediation, indirect effect thường được xem là có ý nghĩa khi bootstrap confidence interval không chứa 0, theo (Preacher và Hayes, 2008).

Khi nào phải quay lại thu thêm dữ liệu

Bootstrapping không tạo thêm người trả lời thật. Nó chỉ lấy mẫu lặp lại từ dữ liệu bạn đã thu. Vì vậy, nếu file chỉ có ít quan sát hợp lệ, nhiều câu trả lời bị thiếu, hoặc các biến gần như không có độ phân tán, việc tăng subsamples không thể thay thế cho dữ liệu mới.

Bạn nên cân nhắc thu thêm dữ liệu khi số quan sát hợp lệ thấp hơn kế hoạch phương pháp, nhiều nhóm đối tượng quan trọng bị thiếu, hoặc kết quả thay đổi mạnh giữa các lần chạy do dữ liệu quá nhạy. Với nghiên cứu hồi quy, một quy tắc tham khảo về cỡ mẫu là n từ 50 cộng 8 lần số biến độc lập trở lên, theo (Tabachnick và Fidell, 2013). Đây là căn cứ tham khảo, không phải giấy phép để thêm dữ liệu tùy tiện sau khi đã xem kết quả.

Cần quay lại bảng hỏi và tiêu chí sàng lọc nếu phát hiện nhiều dòng trả lời quá nhanh, chọn cùng một mức cho toàn bộ biến, hoặc không thuộc đối tượng nghiên cứu. Không giữ những dòng dữ liệu kém chất lượng chỉ để đủ cỡ mẫu. Đồng thời, không loại dữ liệu chỉ vì người trả lời làm cho một giả thuyết bị bác bỏ.

Nếu bạn không thể thu thêm dữ liệu, hãy báo cáo đúng cỡ mẫu hợp lệ, mô tả giới hạn và tránh khẳng định quá rộng. Kết quả bootstrapping không ổn định là thông tin về giới hạn của mẫu, không phải lỗi có thể luôn sửa bằng phần mềm.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể dùng đoạn sau rồi thay các phần trong ngoặc vuông bằng thông tin thật của mình.

Cách viết vào luận văn: “Nghiên cứu thực hiện bootstrapping trên SmartPLS 4 với [số lượng] subsamples, kiểm định [một phía/hai phía] tại mức ý nghĩa [mức ý nghĩa]. Kết quả được đánh giá dựa trên path coefficient, T Statistics, P Values và bootstrap confidence interval. Trong quá trình kiểm tra, [mô tả lỗi hoặc vấn đề dữ liệu], nên nghiên cứu đã [cách xử lý cụ thể]. Các thay đổi đối với biến quan sát được thực hiện dựa trên [căn cứ thống kê và lý thuyết], thay vì chỉ dựa vào việc làm cho p-value đạt ngưỡng.”

Nếu phần mềm dừng do file dữ liệu, hãy trình bày rõ bạn đã kiểm tra định dạng, missing values, biến có phương sai bằng 0 và cấu hình chạy. Nếu kết quả chạy được nhưng giả thuyết không có ý nghĩa, hãy nói đúng là dữ liệu chưa ủng hộ giả thuyết đó. Giảng viên thường sẽ hỏi cách bạn xử lý một kết quả không đạt, chứ không chỉ hỏi cách làm cho bảng kết quả đẹp hơn.

Cách phòng từ bước thiết kế

Ngay từ lúc thiết kế bảng hỏi, hãy đặt mã biến nhất quán theo construct, chẳng hạn PU1, PU2, PEU1, PEU2. Tránh đổi mã biến sau khi đã thu dữ liệu nếu không lưu bảng quy đổi. Tên biến rõ ràng giúp bạn phát hiện một biến bị đưa nhầm sang construct khác.

Hãy chạy thử toàn bộ quy trình với một bản dữ liệu nhỏ trước khi thu chính thức. Quy trình nên gồm import .csv, kiểm tra missing values, chạy PLS Algorithm, xem outer loading và VIF, sau đó mới chạy bootstrapping. Ghi lại ảnh chụp hoặc file xuất kết quả ở mỗi vòng để bạn có lịch sử phân tích.

Về mặt mô hình, hãy phân biệt measurement model và structural model. Outer loading, CR, AVE và HTMT giúp đánh giá thang đo. Path coefficient, R², f², Q² và bootstrapping giúp đánh giá quan hệ trong mô hình. R² có thể được diễn giải theo các mức tham khảo 0.75, 0.50 và 0.25 trong PLS-SEM, theo (Hair và cộng sự, 2011). Không dùng CFI, TLI hoặc RMSEA của CB-SEM để kết luận cho một báo cáo SmartPLS.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa liên tiếp nhiều biến cho đến khi bootstrapping chạy được. Cách này có thể làm thay đổi ý nghĩa của construct và khiến thang đo không còn đủ nội dung. Mỗi lần loại biến cần ghi lại lý do, chỉ số liên quan và tác động lên mô hình.

Lỗi thứ hai là đổi dữ liệu gốc để p-value nhỏ hơn. Đây là hành vi không thể bảo vệ khi bị hỏi về dữ liệu. Bạn chỉ nên chỉnh lỗi nhập liệu có bằng chứng, xử lý missing values theo quy tắc đã định trước và loại dòng không hợp lệ theo tiêu chí đã nêu trong phương pháp.

Lỗi thứ ba là nhầm Original Sample với Sample Mean. Khi báo cáo path coefficient, Original Sample thường là hệ số ước lượng từ mẫu gốc. Sample Mean là giá trị trung bình qua các mẫu bootstrap. Hãy giữ đúng tên cột trong bảng SmartPLS và giải thích cấu hình nếu bảng của bạn dùng cách hiển thị khác.

Lỗi thứ tư là kết luận giả thuyết chỉ dựa vào dấu của hệ số. Một hệ số dương vẫn có thể không có ý nghĩa thống kê. Hãy đọc đồng thời hệ số, T Statistics, P Values và confidence interval, sau đó đối chiếu với giả thuyết đã đặt ra.

Đọc thêm: ave nhỏ hơn 0 5 phải làm sao, giá trị phân biệt không đạt phải làm sao, htmt lớn hơn 0 9 phải làm sao, lỗi ave nhỏ hơn 0 5 spss, mô hình không hội tụ phải làm sao, chủ đề smartpls.

Câu hỏi thường gặp

Bootstrapping trong SmartPLS bị lỗi có phải do cỡ mẫu nhỏ không?

Có thể, nhưng cỡ mẫu nhỏ chỉ là một khả năng. Bạn cần kiểm tra thêm định dạng .csv, missing values, biến có phương sai bằng 0, construct chỉ còn quá ít biến và trạng thái PLS Algorithm. Nếu phần mềm không chạy, hãy xác định lỗi kỹ thuật trước khi kết luận về cỡ mẫu.

Có nên giảm số bootstrap subsamples để phần mềm chạy nhanh hơn không?

Bạn có thể giảm tạm thời trong bước chẩn đoán. Khi báo cáo cuối cùng, hãy dùng số subsamples đã quy định trong phương pháp. (Hair và cộng sự, 2022) nêu 5.000 bootstrap subsamples như một cấu hình thường được sử dụng trong PLS-SEM.

Bootstrapping chạy được nhưng p-value bằng 0 thì ghi thế nào?

Không ghi p bằng 0 tuyệt đối. Giá trị 0.000 trên bảng thường là kết quả làm tròn, nên bạn có thể ghi p < 0.001 nếu cách hiển thị của phần mềm phù hợp. Hãy lưu bảng kết quả gốc để đối chiếu khi viết chương 4.

Outer loading thấp có làm bootstrapping bị lỗi không?

Outer loading thấp thường làm chất lượng measurement model không đạt, nhưng không phải lúc nào cũng khiến phần mềm dừng. Bạn cần xem loading cùng CR, AVE, nội dung biến và lý thuyết. Xóa biến chỉ để bootstrapping chạy có thể làm mô hình mất giá trị đo lường.

Kết quả bootstrapping giữa hai lần chạy khác nhau thì phải làm sao?

Kiểm tra số subsamples, random seed nếu cấu hình có sử dụng, confidence interval method, file dữ liệu và các dòng đã bị lọc. Một mức dao động nhỏ có thể xuất hiện do lấy mẫu lặp lại. Nếu kết luận thay đổi mạnh, hãy báo cáo sự không ổn định và xem lại cỡ mẫu, dữ liệu ngoại lệ cùng chất lượng mô hình.

Bạn hãy mở bản sao project ngay bây giờ, kiểm tra file .csv, chạy lại PLS Algorithm rồi ghi từng thông báo lỗi trước khi chọn cách sửa. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và muốn giữ lại lịch sử xử lý, bạn có thể xem M4 phân tích dữ liệu với SPSS và SmartPLS.