Bootstrapping là gì trong SmartPLS và SPSS

Bootstrapping là gì

Bootstrapping là kỹ thuật lấy mẫu lặp lại từ chính bộ dữ liệu gốc để ước lượng độ ổn định của một kết quả thống kê. Trong mỗi lần lặp, phần mềm chọn ngẫu nhiên các quan sát từ dữ liệu ban đầu, có hoàn lại, rồi tính lại hệ số cần kiểm định. Sau hàng nghìn lần lặp, phần mềm tạo ra phân phối thực nghiệm của hệ số đó.

Trong SmartPLS, bootstrapping thường được dùng để kiểm định path coefficient, outer loading, total indirect effect, specific indirect effect và total effect. Bạn quan tâm đến việc một hệ số có khác 0 hay không, chứ không chỉ nhìn vào giá trị hệ số ban đầu. Kết quả thường được đọc qua Original Sample (O), Sample Mean (M), Standard Deviation (STDEV), T Statistics và P Values.

Có thể hình dung quy trình như sau: dữ liệu gốc tạo ra nhiều mẫu giả lập, mỗi mẫu cho một ước lượng, sau đó SmartPLS dùng tập hợp các ước lượng này để tính sai số chuẩn, t-value và khoảng tin cậy. Vì vậy, bootstrapping không làm cho mô hình tự nhiên tốt hơn và cũng không thay thế việc kiểm tra thang đo, cỡ mẫu hay logic giả thuyết.

Nếu bạn đang phân biệt PLS-SEM với các nhánh SEM khác, có thể xem thêm bài PLS-SEM là gì, SEM là gì và mô hình SEM. Những khái niệm này giúp bạn biết bootstrapping đang được dùng ở phần mô hình đo lường hay mô hình cấu trúc.

Ý nghĩa của bootstrapping trong nghiên cứu định lượng

Bootstrapping trả lời câu hỏi thực tế trong luận văn: tác động quan sát được có đủ bằng chứng thống kê để kết luận khác 0 hay không. Ví dụ, giả thuyết H1 cho rằng Chất lượng dịch vụ tác động tích cực đến Sự hài lòng. Sau khi chạy mô hình, bạn có một path coefficient dương. Bootstrapping giúp kiểm tra liệu hệ số dương đó có ổn định qua các mẫu lặp hay chỉ xuất hiện do dao động của mẫu khảo sát.

Với tác động trực tiếp, bạn đọc dòng đường dẫn giữa biến độc lập và biến phụ thuộc. Với tác động trung gian, bạn đọc Specific Indirect Effects hoặc Total Indirect Effects. Một biến trung gian có thể làm cho tác động gián tiếp có ý nghĩa dù từng đường dẫn riêng lẻ cần được xem xét trong bối cảnh mô hình đầy đủ.

Trong SmartPLS, bootstrapping thường được đặt ở bước đánh giá mô hình cấu trúc sau khi bạn đã kiểm tra mô hình đo lường. Theo quy trình PLS-SEM hiện hành, có thể sử dụng 5.000 bootstrap subsamples để báo cáo kết quả (Hair và cộng sự, 2022). Khi viết chương 4, bạn nên ghi rõ số subsamples, loại kiểm định một phía hay hai phía, mức ý nghĩa và khoảng tin cậy đã chọn.

Bootstrapping cũng giúp bạn tránh một lỗi phổ biến: kết luận giả thuyết chỉ vì hệ số có dấu dương hoặc âm. Dấu của hệ số cho biết chiều tác động. P Values, T Statistics và khoảng tin cậy cho biết bằng chứng thống kê cho tác động đó. Hai nhóm thông tin này phải được đọc cùng nhau.

Nếu bạn dùng SmartPLS, phần chủ đề SmartPLS có thể giúp bạn nối kết bootstrapping với outer loading, AVE, HTMT, VIF và R². Đây là các chỉ số thuộc những bước khác nhau, không nên gộp thành một tiêu chí duy nhất.

Bootstrapping bao nhiêu là đạt

Cụm tìm kiếm “bootstrapping bao nhiêu là tốt” dễ gây hiểu nhầm. Bootstrapping không có một ngưỡng duy nhất kiểu càng lớn càng đạt. Bạn cần đánh giá số lượng subsamples ở phần cài đặt và đánh giá ý nghĩa thống kê ở phần output.

Bảng trên gồm những tiêu chí liên quan nhưng không thể thay thế nhau. Chẳng hạn, bạn chạy 5.000 subsamples nhưng P Values của đường dẫn vẫn lớn hơn mức ý nghĩa. Khi đó, số lần lặp đã đủ cho quy trình, còn giả thuyết vẫn chưa có bằng chứng để chấp nhận.

Đối với tác động trực tiếp, nhiều luận văn dùng mức ý nghĩa 5%, tương ứng với P Values nhỏ hơn 0.05 trong kiểm định hai phía. Bạn cần trình bày quy ước này trong chương phương pháp thay vì chỉ ghi “p nhỏ hơn 0.05 là đạt” ở chương kết quả. Nếu dùng kiểm định một phía, hướng giả thuyết và lý do chọn một phía phải được xác định trước.

Với tác động gián tiếp, đừng chỉ nhìn p-value. Hãy mở bảng khoảng tin cậy và kiểm tra cận dưới, cận trên. Nếu khoảng tin cậy chứa 0, kết luận về tác động gián tiếp chưa đủ vững theo quy tắc bootstrap confidence interval (Preacher và Hayes, 2008).

Cách đọc bootstrapping trên output

Trong SmartPLS 4, bạn chạy mô hình trước, sau đó chọn chức năng Bootstrapping. Ở hộp thoại, chọn số subsamples, loại kiểm định và khoảng tin cậy. Tên nút có thể thay đổi nhẹ theo phiên bản, vì vậy hãy kiểm tra đúng cửa sổ Calculate và phần kết quả Bootstrapping thay vì làm theo ảnh chụp của SmartPLS 3 một cách máy móc.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cột được trình bày theo dạng thường gặp trong output SmartPLS.

Ở dòng CLDV -> HAILONG, Original Sample (O) bằng 0.418, nghĩa là hệ số tác động ước lượng từ mẫu gốc có chiều dương. T Statistics bằng 5.887 và P Values bằng 0.000 theo cách phần mềm hiển thị, thường nên viết trong luận văn là p < 0.001, không viết p bằng 0 tuyệt đối. Với mức ý nghĩa 5%, giả thuyết về tác động dương có bằng chứng ủng hộ trong số liệu minh họa này.

Ở dòng GIACA -> HAILONG, hệ số vẫn dương nhưng P Values bằng 0.124. Bạn không nên viết rằng giá cả có tác động tích cực chỉ vì O lớn hơn 0. Kết luận phù hợp là chưa có đủ bằng chứng thống kê để khẳng định tác động ở mức ý nghĩa đã chọn.

Sample Mean (M) cho biết trung bình hệ số qua các mẫu bootstrap. So sánh M với O giúp bạn phát hiện mức độ chênh lệch đáng chú ý, nhưng không nên tự đặt ra một ngưỡng chênh lệch nếu chưa có cơ sở phương pháp phù hợp. STDEV là độ lệch chuẩn của phân phối bootstrap, được dùng trong việc hình thành t-value.

Với tác động trung gian, mở Specific Indirect Effects. Ví dụ bảng có dòng CHATLUONG -> HAILONG -> YDINH, bạn đọc Original Sample, T Statistics, P Values và cận của confidence interval. Tác động gián tiếp có thể dương, âm hoặc gần 0. Kết luận phải dựa trên cả hướng tác động và khoảng tin cậy.

Khi bootstrapping không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” đang nói đến phần nào. Nếu bạn chưa chạy đủ số subsamples, hãy chạy lại với thiết lập đã được nêu trong phương pháp. Nếu P Values của một path lớn, vấn đề nằm ở bằng chứng cho giả thuyết, không phải ở việc SmartPLS bị lỗi.

Kiểm tra lại mô hình đo lường

Xem Outer Loadings, Composite Reliability, AVE và HTMT. 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 (Fornell và Larcker, 1981). HTMT nên dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau (Henseler và cộng sự, 2015).

Nếu thang đo chưa đạt, bạn xem lại ý nghĩa lý thuyết của từng biến quan sát và lịch sử loại biến. Không nên xóa hàng loạt biến chỉ để p-value của giả thuyết đẹp hơn. Mỗi biến bị loại cần có lý do phương pháp và cần kiểm tra lại mô hình sau khi loại.

Kiểm tra đa cộng tuyến và dữ liệu

Xem Inner VIF Values hoặc Outer VIF Values. VIF cao có thể làm sai lệch độ ổn định của hệ số và khiến các đường dẫn khó đạt ý nghĩa. Kiểm tra thêm mã hóa biến, giá trị thiếu, các dòng trả lời trùng hoặc mẫu có chất lượng kém.

Nếu dữ liệu có vấn đề, làm sạch theo quy tắc được xác định trước. Việc sửa dữ liệu sau khi thấy giả thuyết không đạt chỉ để tạo p-value nhỏ là rủi ro lớn khi bảo vệ.

Giữ kết quả không đạt và giải thích đúng

Sau khi đã kiểm tra mô hình, thang đo và dữ liệu, một giả thuyết vẫn có thể không được ủng hộ. Khi đó, bạn báo cáo hệ số, t-value, p-value và kết luận theo số liệu. Bạn có thể thảo luận rằng tác động chưa có bằng chứng thống kê trong bối cảnh và mẫu nghiên cứu, nhưng không được biến kết quả không đạt thành đạt bằng cách đổi ngưỡng sau khi xem output.

Phân biệt bootstrapping với p-value và Monte Carlo

Bootstrapping là quy trình tạo các mẫu lặp và phân phối thực nghiệm. P Value là một chỉ số được tính từ kết quả kiểm định, dùng để đánh giá bằng chứng chống lại giả thuyết không. Hai khái niệm xuất hiện cạnh nhau trên output nhưng không đồng nghĩa.

T Statistics cũng không phải bootstrapping. Trong bảng Path Coefficients, t-value thường được tính từ hệ số chia cho sai số chuẩn bootstrap. Vì vậy, t-value là kết quả đọc từ phân phối bootstrap, còn bootstrapping là cơ chế tạo phân phối đó.

Monte Carlo simulation cũng tạo nhiều mẫu giả lập, nhưng cách tạo mẫu và mục đích có thể khác. Bootstrapping lấy lại quan sát từ bộ dữ liệu thực tế có hoàn lại. Bạn không nên dùng hai thuật ngữ như thể chúng là cùng một thao tác trong SmartPLS.

Bootstrapping trong SPSS có thể được thực hiện qua các thủ tục hoặc module khác nhau, chẳng hạn khi kiểm định hồi quy, trung gian hoặc ước lượng khoảng tin cậy. Cách đọc vẫn cần dựa vào loại phân tích và tên bảng output. Kết quả trong SPSS không tự động trở thành kết quả PLS-SEM, vì SmartPLS còn có mô hình đo lường, mô hình cấu trúc và các chỉ số đặc thù của PLS.

Nếu đề tài của bạn dùng AMOS hoặc CB-SEM, cần phân biệt với PLS-SEM trước khi chọn quy trình. Bạn có thể đọc thêm CB-SEM là gì để tránh đưa các chỉ số fit của CB-SEM như CFI, TLI hoặc RMSEA vào bài phân tích SmartPLS.

Lỗi thường gặp khi đọc bootstrapping

Chỉ nhìn p-value và bỏ qua dấu hệ số. p-value nhỏ cho biết có bằng chứng về tác động khác 0, nhưng không cho biết tác động là tích cực hay tiêu cực. Dấu của Original Sample (O) mới cho biết chiều tác động.

Viết p = 0.000. Đây là cách hiển thị giới hạn của phần mềm. Trong luận văn, bạn nên viết p < 0.001 khi output hiển thị 0.000.

Dùng số subsamples như một ngưỡng chất lượng mô hình. 5.000 subsamples là thiết lập được khuyến nghị trong quy trình báo cáo PLS-SEM (Hair và cộng sự, 2022), không có nghĩa mọi giả thuyết đều phải đạt.

Đọc Sample Mean thay cho Original Sample. Mỗi cột có chức năng riêng. Khi trình bày hệ số đường dẫn, thường cần báo cáo O, t-value, p-value và khoảng tin cậy theo cấu trúc output bạn đã dùng.

Không phân biệt tác động trực tiếp và gián tiếp. Một giả thuyết về mediator cần đọc đúng dòng trong Specific Indirect Effects. Đọc dòng path trực tiếp có thể dẫn đến kết luận sai về trung gian.

Chạy lại nhiều lần nhưng không ghi thiết lập. Hãy lưu file kết quả, số subsamples, loại kiểm định, mức ý nghĩa và các biến đã loại. Nếu giảng viên hỏi vì sao hai lần chạy cho kết quả khác nhau, bạn cần chỉ ra sự khác nhau trong thiết lập hoặc dữ liệu.

Cách viết vào luận văn: “Kết quả bootstrapping với [số subsamples] lần lặp cho thấy tác động của [biến độc lập] lên [biến phụ thuộc] có hệ số β = [giá trị], t = [giá trị], p [< hoặc >] [mức ý nghĩa]. Do đó, giả thuyết [H1] được [ủng hộ/không được ủng hộ] trong mẫu nghiên cứu.”

Câu hỏi thường gặp

Bootstrapping là gì trong SmartPLS?

Đó là quy trình lấy mẫu lặp có hoàn lại từ dữ liệu gốc để tạo phân phối của các hệ số. SmartPLS dùng phân phối này để tính sai số chuẩn, t-value, p-value và khoảng tin cậy cho path, outer loading hoặc tác động gián tiếp.

Bootstrapping bao nhiêu là tốt?

Trong PLS-SEM, bạn có thể dùng 5.000 bootstrap subsamples khi báo cáo theo hướng dẫn (Hair và cộng sự, 2022). Tuy nhiên, 5.000 không bảo đảm mọi giả thuyết đạt. Bạn vẫn phải đọc p-value, confidence interval, hệ số tác động và các kiểm tra của mô hình.

Bootstrapping trong SPSS có giống SmartPLS không?

Nguyên lý lấy mẫu lặp có thể tương tự, nhưng thủ tục và loại mô hình khác nhau. SPSS có thể dùng bootstrapping cho hồi quy hoặc phân tích trung gian, còn SmartPLS dùng nó trong PLS-SEM với mô hình đo lường và mô hình cấu trúc.

P-value bootstrapping bao nhiêu là đạt?

Bạn cần xác định mức ý nghĩa trước khi đọc kết quả. Với mức 5% và kiểm định hai phía, p-value nhỏ hơn 0.05 thường được dùng làm bằng chứng thống kê cho tác động khác 0. Hãy báo cáo thêm dấu và độ lớn của hệ số, vì p-value không cho biết tác động mạnh hay yếu.

Khoảng tin cậy bootstrapping chứa 0 thì sao?

Đối với tác động gián tiếp, khoảng tin cậy chứa 0 cho thấy chưa đủ bằng chứng kết luận tác động khác 0 theo tiêu chí này (Preacher và Hayes, 2008). Bạn nên kiểm tra lại mô hình, dữ liệu và cách xác định mediator, sau đó báo cáo kết quả không đạt nếu không có lý do phương pháp hợp lệ để điều chỉnh.

Có cần chạy bootstrapping nhiều lần không?

Bạn có thể chạy lại khi thay đổi thiết lập hợp lệ, làm sạch dữ liệu theo quy tắc đã định trước hoặc điều chỉnh mô hình có cơ sở lý thuyết. Không nên chạy lặp chỉ để tìm một lần p-value nhỏ rồi bỏ qua các lần còn lại. Hãy lưu lịch sử phân tích và ghi rõ phiên bản kết quả được dùng trong luận văn.

Mở file SmartPLS của bạn, kiểm tra đúng bảng Path Coefficients hoặc Specific Indirect Effects, ghi lại số subsamples và đối chiếu từng giả thuyết với p-value cùng khoảng tin cậy. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu cùng DoThesis.