Bootstrapping trong SmartPLS: Cách chạy và đọc kết quả

Bootstrapping trong SmartPLS dùng để làm gì

Bạn dùng Bootstrapping trong SmartPLS để kiểm định mức ý nghĩa của các quan hệ trong mô hình PLS-SEM. Thủ tục này tạo ra nhiều mẫu lặp từ bộ dữ liệu gốc, sau đó ước lượng lại mô hình trên từng mẫu. Kết quả giúp bạn xem path coefficient có khác 0 một cách có ý nghĩa thống kê hay không.

Trong output, bạn thường cần đọc Path Coefficients, t Statistics, p Values và khoảng tin cậy Confidence Intervals. Nếu khoảng tin cậy của một tác động không chứa 0, tác động đó được xem là có ý nghĩa theo mức alpha bạn đã chọn. Cách dùng confidence interval cho indirect effect được trình bày trong (Preacher và Hayes, 2008).

Bootstrapping phù hợp với các giả thuyết dạng “X tác động đến Y”, kiểm định tác động gián tiếp của mediator và một số phân tích liên quan đến moderation. Nó thuộc nhóm đánh giá structural model, nên bạn cần kiểm tra measurement model trước. Quy trình hai bước, đánh giá measurement model rồi mới đánh giá structural model, được đề cập trong (Anderson và Gerbing, 1988).

Nếu bạn mới mở SmartPLS, hãy xem thêm chủ đề SmartPLS để phân biệt Bootstrapping với PLS Algorithm, Blindfolding và các thủ tục khác.

Chuẩn bị mô hình và dữ liệu

Trước khi chạy, mô hình của bạn cần có hai phần rõ ràng. Measurement model nối biến tiềm ẩn với các indicator, chẳng hạn DV1, DV2, DV3 đo biến “Động lực”. Structural model nối các biến tiềm ẩn với nhau, chẳng hạn CLDV -> HL.

Bạn nên đặt tên indicator ngắn, không dấu, không có khoảng trắng và không trùng nhau. Một dòng trong file dữ liệu tương ứng với một người trả lời. Một cột tương ứng với một indicator. File .csv nên có hàng đầu tiên là tên biến, các hàng sau là dữ liệu số. Thang Likert cần được mã hóa thống nhất, ví dụ từ 1 đến 5.

Bạn cần chạy PLS Algorithm trong SmartPLS trước để kiểm tra outer loadings, CR, AVE và các chỉ báo ban đầu của mô hình. Bootstrapping không sửa được một mô hình đặt sai hướng hoặc một bộ dữ liệu chứa lỗi nhập liệu.

Nếu bạn dùng biến trung gian, hãy vẽ đủ đường dẫn trực tiếp và gián tiếp theo mô hình lý thuyết. Nếu mục tiêu là kiểm định tác động điều tiết, hãy chuẩn bị đúng biến tương tác hoặc dùng chức năng moderation của SmartPLS. Đừng kết luận về mediator chỉ từ một đường dẫn X đến Y.

Các bước thực hiện trong SmartPLS 4

Các menu dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có vị trí và cách đặt tên một số lựa chọn khác, nên bạn cần kiểm tra đúng phiên bản đang sử dụng.

Bước 1: Mở project và kiểm tra mô hình

Mở project, chọn model cần phân tích rồi kiểm tra lại tên construct, indicator và mũi tên giữa các construct. Nhấp đúp vào model để vào canvas. Nếu bạn vừa chỉnh file .csv, hãy chắc chắn project đang dùng dữ liệu mới nhất.

Ở bước này, hãy ghi lại số quan sát hợp lệ và các biến được đưa vào mô hình. Một lỗi thường gặp là sinh viên sửa file dữ liệu nhưng vẫn chạy model cũ đã import trước đó.

Bước 2: Chạy PLS Algorithm

Trong SmartPLS 4, nhấp chuột phải vào model hoặc chọn nút Calculate, sau đó chọn PLS-SEM Algorithm. Giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp rõ ràng để thay đổi. Nhấn Start Calculation.

Kiểm tra Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Collinearity Statistics. Nếu measurement model có vấn đề nghiêm trọng, xử lý có lý do trước khi chạy Bootstrapping. Việc xóa indicator chỉ để làm đẹp kết quả có thể khiến thang đo lệch khỏi nội dung ban đầu.

Bước 3: Mở chức năng Bootstrapping

Chọn Calculate, sau đó chọn Bootstrapping. Trong cửa sổ thiết lập của SmartPLS 4, chọn số subsamples. Khi báo cáo nghiên cứu, 5.000 bootstrap subsamples là mức thường được hướng dẫn trong (Hair và cộng sự, 2022).

Chọn Complete nếu bạn muốn ước lượng toàn bộ các quan hệ trong mô hình. Chọn loại kiểm định phù hợp với giả thuyết. Với giả thuyết có hướng, bạn có thể dùng one-tailed nếu cơ sở lý thuyết và kế hoạch phân tích đã quy định rõ. Nếu không có lý do chắc chắn, two-tailed là lựa chọn thận trọng hơn.

Giữ random seed nếu bạn muốn tái lập kết quả ở lần chạy sau. Sau đó nhấn Start Calculation. Thời gian chạy phụ thuộc vào kích thước mẫu, số indicator, số subsamples và cấu hình máy.

Bước 4: Chọn bảng kết quả cần xem

Sau khi chạy xong, mở phần kết quả của lần Bootstrapping. Với kiểm định giả thuyết, đi đến Final Results > Path Coefficients. Tại đây bạn thường thấy các cột Original Sample (O), Sample Mean (M), Standard Deviation (STDEV), T Statistics và P Values.

Với tác động gián tiếp, mở phần Specific Indirect Effects. Với tác động tổng, xem Total Effects. Nếu cần xem khoảng tin cậy, mở Confidence Intervals Bias Corrected hoặc loại confidence interval mà bạn đã chọn trong thiết lập.

Bước 5: Lưu kết quả và ghi lại phiên bản chạy

Xuất bảng bằng chức năng export của SmartPLS hoặc chụp lại màn hình để lưu hồ sơ phân tích. Ghi rõ ngày chạy, file dữ liệu, số subsamples, loại test và random seed. Khi phải loại một indicator rồi chạy lại, lưu riêng kết quả của từng vòng để giải trình với giảng viên.

Bootstrapping hiếm khi là bước “chạy một lần rồi xong”. Nếu bạn thay đổi measurement model, kết quả của structural model cũng có thể thay đổi. Vì vậy, đừng chỉ lưu bảng cuối cùng mà quên lý do các quyết định trước đó.

Đọc bảng kết quả

Bảng quan trọng nhất cho giả thuyết trực tiếp là Path Coefficients. Original Sample (O) chính là ước lượng path coefficient từ mẫu ban đầu. Dấu dương cho thấy quan hệ cùng chiều, dấu âm cho thấy quan hệ ngược chiều. Tuy nhiên, dấu của hệ số chưa đủ để kết luận giả thuyết được chấp nhận.

số liệu minh họa dưới đây mô phỏng hình dạng bảng SmartPLS. Đây không phải kết quả của một nghiên cứu thật và bạn không được chép các con số này vào luận văn.

| | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics (|O/STDEV|) | P Values | |---|---:|---:|---:|---:|---:| | CLDV -> HL | 0.428 | 0.431 | 0.081 | 5.284 | 0.000 | | DTC -> HL | 0.176 | 0.179 | 0.074 | 2.378 | 0.009 | | GC -> HL | -0.063 | -0.061 | 0.069 | 0.913 | 0.361 |

Trong dòng CLDV -> HL, hệ số 0.428 cho thấy quan hệ ước lượng là cùng chiều. T Statistics bằng 5.284 và p-value bằng 0.000 theo cách hiển thị của phần mềm. Khi viết, bạn nên ghi p < 0.001 thay vì hiểu rằng xác suất thực sự bằng 0.

Dòng GC -> HL có hệ số âm, nhưng p-value 0.361. Với mức ý nghĩa 5%, dữ liệu minh họa chưa cung cấp bằng chứng đủ để kết luận tác động khác 0. Bạn cần đối chiếu thêm dấu giả thuyết ban đầu, khoảng tin cậy và quy tắc quyết định đã nêu trong chương phương pháp.

Với mediator, mở Specific Indirect Effects. Ví dụ đường CLDV -> TG -> HL có indirect effect 0.120 và confidence interval từ 0.052 đến 0.205. Vì khoảng này không chứa 0, tác động gián tiếp trong ví dụ có ý nghĩa theo logic bootstrap của (Preacher và Hayes, 2008). Sau đó, bạn mới so sánh với direct effect để mô tả loại mediation một cách thận trọng.

Bootstrapping cũng không thay thế việc xem R Square, f Square, VIF và Q Square. Các chỉ số này trả lời những câu hỏi khác nhau. R² cho biết mức biến thiên của biến phụ thuộc được giải thích, f² cho biết đóng góp của một predictor, VIF liên quan đến collinearity và Q² liên quan đến predictive relevance.

Ngưỡng đánh giá

Bạn nên đặt các ngưỡng trong kế hoạch phân tích trước khi nhìn kết quả. Bảng dưới đây giữ đúng nhóm chỉ số của PLS-SEM. CFI, TLI và RMSEA thuộc cách đánh giá CB-SEM, vì vậy không đưa vào bảng đọc kết quả Bootstrapping trong SmartPLS.

Với p-value, mức 0.05 thường được dùng nếu phương pháp của bạn đã quy định alpha bằng 5%. Khi p-value nhỏ hơn alpha, bạn bác bỏ H0 theo quy tắc đã chọn. Nếu p-value lớn hơn alpha, hãy viết “chưa có đủ bằng chứng thống kê để bác bỏ H0”, thay vì viết rằng H0 chắc chắn đúng.

Bạn cũng cần phân biệt ý nghĩa thống kê và ý nghĩa thực tiễn. Một path coefficient nhỏ vẫn có thể có p-value thấp nếu dữ liệu đủ ổn định, nhưng điều đó không tự động chứng minh tác động có giá trị lớn về mặt quản trị.

Cách trình bày trong chương 4

Phần kết quả nên đi theo thứ tự: mô tả mẫu nếu có, đánh giá measurement model, đánh giá structural model, kiểm định giả thuyết và phân tích mediator hoặc moderator nếu mô hình có. Bạn có thể tham khảo cách trình bày các thủ tục liên quan như consistent PLS trong SmartPLS, nhưng cần giữ đúng thủ tục đã chạy trong dữ liệu của mình.

Cách viết vào luận văn: “Kết quả Bootstrapping với [số bootstrap subsamples] subsamples cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có hệ số β = [hệ số], t = [t-value], p = [p-value]. Vì p [nhỏ hơn/lớn hơn] [mức ý nghĩa], giả thuyết H[ ] được [chấp nhận/chưa được ủng hộ].”

Nếu báo cáo confidence interval, bạn có thể viết: “Khoảng tin cậy Bootstrap của tác động [tên tác động] nằm trong khoảng [cận dưới] đến [cận trên]. Khoảng này [không chứa/có chứa] 0, do đó tác động [có/không có] ý nghĩa thống kê theo tiêu chí đã chọn.”

Không nên viết “Bootstrapping chứng minh X gây ra Y” nếu thiết kế nghiên cứu của bạn là khảo sát cắt ngang. Hãy dùng “X có tác động thống kê đến Y trong mô hình nghiên cứu” hoặc “kết quả ủng hộ giả thuyết về mối quan hệ giữa X và Y”.

Nếu kết quả đi ngược giả thuyết, hãy báo cáo đúng dấu hệ số, p-value và cách diễn giải. Đừng đổi chiều mũi tên sau khi thấy p-value không đạt. Nếu bạn cần kiểm tra thêm phân tích dự báo, có thể xem hướng dẫn về Blindfolding trong SmartPLS, nhưng Blindfolding không thay thế kiểm định ý nghĩa của path coefficient.

Lỗi thường gặp

Chạy Bootstrapping trước khi kiểm tra measurement model. Khi outer loading, CR, AVE hoặc HTMT còn có vấn đề, kết luận structural model dễ bị đặt trên một thang đo chưa ổn định. Hãy lưu lại các vòng xử lý và chỉ loại indicator khi có lý do lý thuyết cùng bằng chứng thống kê.

Dùng sai loại kiểm định. One-tailed cần gắn với giả thuyết có hướng và kế hoạch phân tích phù hợp. Nếu luận văn không nói rõ lý do dùng one-tailed, kết quả có thể bị hỏi lại trong buổi bảo vệ.

Nhìn p-value mà bỏ qua hệ số. p-value cho biết bằng chứng thống kê, còn path coefficient cho biết hướng và độ lớn ước lượng. Một giả thuyết được ủng hộ cần được báo cáo cả hai nhóm thông tin.

Ghi p = 0.000. Đây là cách SmartPLS hiển thị số đã làm tròn. Trong văn bản, dùng p < 0.001 khi bảng hiển thị 0.000.

Trộn chỉ số của CB-SEM vào PLS-SEM. CFI, TLI và RMSEA không phải nhóm chỉ số bạn lấy để đánh giá Bootstrapping trong SmartPLS. Nếu đề tài dùng AMOS, quy trình đánh giá sẽ khác.

Không lưu seed và số subsamples. Khi chạy lại, các con số có thể thay đổi nhẹ. Lưu thiết lập giúp bạn giải thích vì sao hai lần xuất kết quả không hoàn toàn giống nhau.

Nếu bạn đang so sánh nhiều thủ tục, IPMA trong SmartPLS và cách chạy IPMA SmartPLS 4 phục vụ mục tiêu diễn giải importance và performance, không phải kiểm định thay thế cho Bootstrapping.

Đọc thêm: blindfolding trong smartpls, cách chạy ipma smartpls 4, consistent pls trong smartpls, ipma trong smartpls, pls algorithm trong smartpls, chủ đề smartpls.

Câu hỏi thường gặp

Bootstrapping trong SmartPLS là gì?

Đây là thủ tục tạo các mẫu lặp từ dữ liệu gốc để ước lượng sự ổn định của path coefficient, indirect effect và các tham số khác. Bạn dùng kết quả như t-value, p-value và confidence interval để kiểm định giả thuyết.

SmartPLS nên chạy bao nhiêu bootstrap subsamples?

Bạn có thể chọn số subsamples theo kế hoạch phân tích. Khi báo cáo PLS-SEM, 5.000 bootstrap subsamples là mức được nêu trong (Hair và cộng sự, 2022). Hãy ghi con số thực tế bạn đã dùng, không chép một con số mặc định nếu file của bạn chạy thiết lập khác.

P-value bao nhiêu là đạt trong SmartPLS?

Nếu bạn chọn alpha bằng 0.05, p-value nhỏ hơn 0.05 thường được dùng để bác bỏ H0. Tuy nhiên, cần xem cả hướng của hệ số, loại kiểm định one-tailed hoặc two-tailed và nội dung giả thuyết. P-value lớn hơn 0.05 không chứng minh quan hệ chắc chắn bằng 0.

Vì sao Bootstrapping trong SmartPLS bị lỗi?

Kiểm tra file .csv, tên indicator, ô chứa chữ, missing values, dữ liệu không có biến thiên và mô hình có construct chưa nối đường dẫn. Bạn cũng nên kiểm tra dung lượng máy nếu số subsamples và số indicator lớn. Nếu lỗi xuất hiện sau khi sửa dữ liệu, hãy import lại file và chạy PLS Algorithm trước.

Có cần chạy lại Bootstrapping khi xóa indicator không?

Có. Khi xóa indicator, measurement model và các ước lượng của structural model có thể thay đổi. Bạn cần chạy lại PLS Algorithm rồi chạy lại Bootstrapping, đồng thời lưu lý do loại biến và kết quả của vòng mới.

Bootstrapping có chứng minh quan hệ nhân quả không?

Bootstrapping đánh giá độ không chắc chắn của ước lượng trong mô hình, không tự tạo ra bằng chứng nhân quả. Cách diễn giải còn phụ thuộc thiết kế nghiên cứu, cơ sở lý thuyết, cách đo lường và dữ liệu khảo sát. Vì vậy, hãy dùng ngôn ngữ “tác động trong mô hình” khi thiết kế nghiên cứu không cho phép kết luận nhân quả mạnh.

Mở file .csv của bạn ngay bây giờ, kiểm tra tên indicator và ghi lại số subsamples trước khi chạy SmartPLS 4. Nếu bạn muốn xử lý dữ liệu thật, đọc output và hoàn thiện bảng kết quả trong cùng một quy trình, M4 phân tích của DoThesis hỗ trợ bước này trên file .sav hoặc .csv của bạn.