Cách chạy và đọc báo cáo HTML SmartPLS 4

Cách chạy và đọc báo cáo HTML trong SmartPLS 4 dùng để làm gì

Khi chạy PLS-SEM, SmartPLS 4 tạo ra nhiều nhóm kết quả cho mô hình đo lường và mô hình cấu trúc. Báo cáo HTML gom các bảng này vào một file để bạn mở bằng trình duyệt, tìm lại chỉ số và lưu làm bằng chứng cho chương 4. Với một file .csv đã chuẩn bị sẵn, quy trình thường gồm ba việc: chạy mô hình, chạy Bootstrapping, sau đó đọc từng nhóm kết quả theo đúng thứ tự.

Bạn cần phân biệt hai phần ngay từ đầu. Mô hình đo lường trả lời câu hỏi các biến quan sát có đo ổn định cho biến tiềm ẩn hay không. Mô hình cấu trúc trả lời câu hỏi các biến tiềm ẩn có tác động đến nhau như giả thuyết đề xuất hay không. Nếu chỉ nhìn vào bảng Path Coefficients mà bỏ qua Outer Loadings, AVE, CR và HTMT, phần kết luận sẽ thiếu căn cứ.

SmartPLS 4 có cách sắp xếp màn hình khác một số hướng dẫn SmartPLS 3. Bạn có thể xem thêm chủ đề SmartPLS để đối chiếu các thủ tục liên quan, nhưng khi làm theo bài này, hãy ưu tiên tên nút đang hiển thị trong phiên bản 4 trên máy bạn.

Chuẩn bị mô hình và dữ liệu

Trước khi bấm chạy, hãy mở lại mô hình nghiên cứu và file dữ liệu. SmartPLS thường đọc dữ liệu dạng .csv. Hàng đầu tiên nên chứa tên biến, các hàng sau là các quan sát. Mỗi cột là một biến quan sát, chẳng hạn PU1, PU2, PU3 cho một khái niệm và ITU1, ITU2, ITU3 cho khái niệm khác.

Tên biến nên ngắn, không có dấu tiếng Việt, không có khoảng trắng và không trùng nhau. Nếu một cột chứa chữ như “Nam”, “Nữ” hoặc câu trả lời dạng mô tả, bạn cần mã hóa thành giá trị số trước khi nhập. Các biến Likert có thể được mã hóa từ 1 đến 5 hoặc từ 1 đến 7, miễn là cách mã hóa thống nhất với bảng hỏi và phần phương pháp.

Mô hình đo lường cần được xác định trước là reflective hay formative. Với reflective measurement, mũi tên thường đi từ biến tiềm ẩn đến các biến quan sát. Với formative measurement, hướng mũi tên đi từ các biến quan sát vào biến tiềm ẩn. Không nên đổi loại measurement chỉ vì một chỉ số chưa đạt, vì quyết định này phải dựa trên cách khái niệm được hình thành.

Mô hình cấu trúc gồm các đường dẫn giữa các biến tiềm ẩn. Mỗi đường dẫn cần khớp với một giả thuyết, ví dụ PU -> ITU tương ứng với H1. Trước khi chạy, kiểm tra xem có đường dẫn ngược chiều, biến bị bỏ quên hoặc biến quan sát gắn nhầm construct hay không.

Nếu bạn còn lẫn lộn giữa mô hình SEM nói chung và PLS-SEM, có thể đọc phần SEM là gì trước khi diễn giải các bảng trong báo cáo. Việc này giúp bạn không đưa các chỉ số của CB-SEM như CFI, TLI hoặc RMSEA vào báo cáo SmartPLS một cách máy móc.

Các bước thực hiện trong SmartPLS 4

Bước 1: Tạo project và nhập file CSV

Trong SmartPLS 4, chọn tạo project mới, sau đó thêm file dữ liệu .csv vào project. Khi phần mềm hiển thị danh sách cột, hãy kiểm tra số lượng biến và kiểu dữ liệu. Nếu tên cột bị cắt, bị trùng hoặc có ký tự lạ, dừng ở bước này để sửa file gốc rồi nhập lại.

SmartPLS có thể đọc dấu phân cách khác nhau tùy cách bạn lưu file. Nếu toàn bộ dữ liệu dồn vào một cột, nguyên nhân thường là file đang dùng dấu chấm phẩy trong khi phần mềm đang đọc dấu phẩy, hoặc ngược lại. Mở file bằng một trình soạn thảo văn bản để kiểm tra dấu phân cách thực tế, thay vì sửa ngẫu nhiên trong mô hình.

Bước 2: Tạo mô hình và kéo biến vào construct

Tạo một model mới trong project, kéo các construct vào vùng làm việc và đặt tên dễ nhận diện. Từ danh sách indicator, kéo đúng các biến quan sát vào từng construct. Sau đó vẽ các đường dẫn giữa construct theo mô hình nghiên cứu.

Nhấp vào từng construct để kiểm tra measurement type. Kiểm tra lại các indicator bị đảo chiều. Nếu bảng hỏi có biến quan sát nghịch đảo, bạn cần reverse code trong dữ liệu trước khi chạy, chẳng hạn thang 1 đến 5 được chuyển theo công thức 6 - giá trị gốc. Đừng để SmartPLS tự xử lý một biến nghịch đảo mà bạn chưa xác định rõ.

Bước 3: Chạy PLS-SEM Algorithm

Chọn mô hình, mở nhóm tính toán và chạy PLS-SEM Algorithm. Ở lần chạy đầu, bạn có thể giữ thiết lập mặc định nếu chưa có yêu cầu riêng từ người hướng dẫn. Kết quả này cho phép xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity, R-Square và các hệ số đường dẫn ban đầu.

Lưu ý rằng PLS-SEM Algorithm chưa cho bạn p-value đáng tin cậy để kết luận giả thuyết. Muốn đánh giá ý nghĩa thống kê của Path Coefficients, bạn phải chạy Bootstrapping ở bước tiếp theo.

Bước 4: Chạy Bootstrapping

Trong SmartPLS 4, chọn chạy Bootstrapping từ mô hình. Số bootstrap subsamples thường được đặt là 5.000 theo hướng dẫn của (Hair và cộng sự, 2022). Chọn kiểu kiểm định phù hợp với giả thuyết, thường là kiểm định two-tailed nếu bạn không có căn cứ phương pháp để dùng one-tailed.

Sau khi chạy xong, mở phần kết quả của Bootstrapping và xem các bảng Mean, STDEV, T Statistics, P Values và khoảng tin cậy. Nếu mô hình lớn hoặc máy yếu, quá trình có thể mất thời gian. Không nên đóng phần mềm khi thanh tiến trình chưa hoàn tất, cũng không nên lấy kết quả từ lần chạy bị lỗi.

Bước 5: Tạo báo cáo HTML

Trong vùng kết quả, chọn chức năng tạo hoặc xuất báo cáo HTML. Tên nút có thể nằm trong menu kết quả hoặc menu xuất báo cáo tùy giao diện SmartPLS 4. Lưu file vào một thư mục riêng của luận văn, cùng với file dữ liệu và ảnh chụp mô hình.

Mở file HTML bằng trình duyệt. Báo cáo thường có mục lục hoặc các nhóm bảng để bạn nhảy đến phần cần đọc. Nếu file mở trắng, hãy kiểm tra xem file có được tải đầy đủ không, trình duyệt có chặn nội dung cục bộ không, và bạn có đang mở đúng file HTML thay vì một thư mục kết quả hay không.

Bước 6: Xuất kết quả ra Excel khi cần lập bảng chương 4

Nếu cần tổng hợp số liệu, dùng chức năng xuất bảng kết quả ra Excel trong SmartPLS 4. Bạn có thể xem hướng dẫn riêng về cách chạy xuất kết quả ra Excel SmartPLS 4 để lấy đúng bảng thay vì sao chép toàn bộ trang HTML.

Khi đưa sang Excel, giữ lại tên bảng gốc và tên cột của SmartPLS. Mỗi sheet nên tương ứng với một nhóm như độ tin cậy, giá trị hội tụ, giá trị phân biệt hoặc kiểm định giả thuyết. Đừng xóa cột P Values, T Statistics hay khoảng tin cậy trước khi giảng viên kiểm tra, vì đó là phần giúp truy nguyên kết luận.

Đọc bảng kết quả trong báo cáo HTML

Hãy đọc báo cáo theo thứ tự: chất lượng indicator, độ tin cậy và giá trị hội tụ, giá trị phân biệt, collinearity, mức giải thích của mô hình, kích thước tác động và kiểm định đường dẫn. Thứ tự này giúp bạn không diễn giải một giả thuyết trước khi biết thang đo có đạt yêu cầu hay chưa.

Outer Loadings và độ tin cậy

Trong nhóm Outer Loadings, xem loading của từng indicator. Một loading thấp có thể làm giảm độ tin cậy hoặc AVE, nhưng không nên xóa biến ngay chỉ vì một con số. Bạn cần xem ý nghĩa nội dung của biến, số indicator còn lại và sự thay đổi của CR, AVE sau khi loại.

Trong Construct Reliability and Validity, các cột thường gồm Cronbach's Alpha, rho_A, Composite Reliability (rho_C) và Average Variance Extracted (AVE). CR từ 0.7 và AVE từ 0.5 thường được dùng để đánh giá độ tin cậy và giá trị hội tụ theo (Fornell và Larcker, 1981). Nếu thang đo mới hoặc nghiên cứu có tính khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng bạn cần giải thích bối cảnh thay vì chỉ ghi “đạt”.

HTMT và giá trị phân biệt

Mở bảng Discriminant Validity và chọn phần HTMT. HTMT dưới 0.85 thường được dùng, hoặc dưới 0.90 khi hai khái niệm có quan hệ gần về mặt lý thuyết, theo (Henseler và cộng sự, 2015). Nếu HTMT vượt ngưỡng, kiểm tra các indicator có nội dung quá giống nhau, construct có bị định nghĩa chồng lấn hay không, rồi mới cân nhắc điều chỉnh.

R-Square, f-Square và VIF

R-Square cho biết mức độ biến nội sinh được giải thích bởi các biến dự báo trong mô hình. Trong PLS-SEM, các mức 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là substantial, moderate và weak theo (Hair và cộng sự, 2011). Đây là mốc diễn giải, không phải quy tắc để kết luận mô hình tốt hay xấu chỉ bằng một con số.

F-Square cho biết đóng góp của một biến dự báo lên R² của biến nội sinh. Các mức 0.02, 0.15 và 0.35 tương ứng với hiệu ứng nhỏ, vừa và lớn theo (Cohen, 1988). VIF dùng để kiểm tra collinearity giữa các biến dự báo. VIF dưới 5 là ngưỡng được báo cáo trong (Hair và cộng sự, 2019).

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được giữ gần với cách SmartPLS hiển thị để bạn biết cần tìm vị trí nào trong báo cáo HTML.

Path Coefficients và kiểm định giả thuyết

Trong bảng Path Coefficients, Original Sample (O) là hệ số đường dẫn từ mẫu. Dấu dương cho thấy quan hệ cùng chiều trong mô hình, còn dấu âm cho thấy quan hệ ngược chiều. T Statistics, P Values và khoảng tin cậy từ Bootstrapping được đọc cùng nhau.

Một giả thuyết được ủng hộ khi chiều tác động phù hợp với giả thuyết và chỉ số ý nghĩa thống kê đạt tiêu chí mà nghiên cứu đã đặt ra. Nếu khoảng tin cậy bootstrap của tác động gián tiếp không chứa số 0, tác động gián tiếp được xem là có ý nghĩa theo (Preacher và Hayes, 2008). Đối với tác động trực tiếp, hãy ghi rõ hệ số, t-value, p-value và kết luận, thay vì chỉ viết “có ảnh hưởng”.

Ngưỡng đánh giá trong SmartPLS 4

Các ngưỡng dưới đây thuộc nhóm chỉ số PLS-SEM. Bạn cần ghi nguồn ngay trong bảng hoặc đoạn diễn giải để người đọc biết căn cứ của từng quyết định. Không đưa CFI, TLI hoặc RMSEA vào bảng đánh giá SmartPLS chỉ vì bạn thấy chúng trong tài liệu về CB-SEM. Các chỉ số đó thuộc bối cảnh CB-SEM theo (Hu và Bentler, 1999).

Không phải mọi chỉ số đều cần có một ngưỡng duy nhất. Ví dụ, outer loading từ 0.4 đến dưới 0.7 có thể được cân nhắc trong một số trường hợp, nhưng quyết định loại biến phải xem CR, AVE, nội dung thang đo và mô hình lý thuyết. Ghi lại từng vòng chạy để khi bị hỏi, bạn giải thích được vì sao một indicator bị loại.

Cách trình bày trong chương 4

Bạn có thể chia phần kết quả thành bốn bảng chính. Bảng đầu trình bày outer loading, Cronbach's Alpha, rho_A, CR và AVE. Bảng thứ hai trình bày HTMT. Bảng thứ ba trình bày VIF, R² và f². Bảng cuối trình bày hệ số đường dẫn, t-value, p-value và kết luận giả thuyết.

Cách viết vào luận văn: “Kết quả Bootstrapping với 5.000 mẫu lặp cho thấy tác động của [biến độc lập] lên [biến phụ thuộc] có hệ số đường dẫn β = [giá trị], t = [giá trị], p = [giá trị]. Vì [chiều tác động phù hợp hoặc không phù hợp] với giả thuyết H[ số ], giả thuyết này được [chấp nhận hoặc không được chấp nhận].” Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật trong báo cáo của mình.

Sau bảng, viết một đoạn diễn giải ngắn. Ví dụ, nếu PU -> ITU có hệ số dương và p-value đạt tiêu chí, bạn nói PU tác động cùng chiều đến ITU trong mẫu nghiên cứu. Bạn không nên viết rằng PU “chắc chắn gây ra” ITU nếu thiết kế nghiên cứu của bạn chỉ là khảo sát cắt ngang.

Khi trình bày khái niệm AVE, bạn có thể xem thêm bài AVE là gì. Nếu cần đối chiếu giao diện và thuật ngữ, bài Smart PLS cũng có thể giúp bạn nhận diện đúng nhóm kết quả trước khi chép vào Word.

Lỗi thường gặp khi đọc báo cáo HTML

Mở nhầm báo cáo trước khi chạy Bootstrapping

Báo cáo chỉ có kết quả Algorithm sẽ không có p-value Bootstrapping phù hợp để kết luận giả thuyết. Hãy chạy Bootstrapping, chờ hoàn tất rồi tạo báo cáo HTML mới. Đặt ngày hoặc tên lần chạy vào tên file để tránh dùng nhầm bản cũ.

Lấy nhầm cột để kết luận

Nhiều sinh viên lấy Sample Mean thay cho Original Sample, hoặc nhìn Standard Deviation rồi kết luận giả thuyết. Hãy đọc đúng tên cột Original Sample (O), T Statistics, P Values và khoảng tin cậy. Nếu xuất sang Excel, giữ nguyên tiêu đề cột.

Xóa indicator chỉ vì loading thấp

Xóa biến liên tục có thể làm thang đo mất nội dung quan trọng. Kiểm tra corrected content, CR, AVE và HTMT cùng với ý kiến người hướng dẫn. Trong luận văn, ghi rõ indicator nào bị loại và kết quả mô hình thay đổi ra sao.

Đưa chỉ số CB-SEM vào báo cáo PLS-SEM

CFI, TLI và RMSEA thường xuất hiện trong tài liệu AMOS hoặc CB-SEM. SmartPLS không cần bạn dùng các chỉ số này để thay thế cho R², Q², f², HTMT và path coefficients. Nếu đề tài yêu cầu AMOS, đó là một quy trình khác và cần trình bày theo phần mềm tương ứng.

Đọc thêm: đọc báo cáo html trong smartpls, xuất kết quả ra excel trong smartpls, smart pls, sem là gì, ave là gì, chủ đề smartpls.

Câu hỏi thường gặp

Báo cáo HTML SmartPLS 4 là gì

Đó là file báo cáo dạng HTML chứa các bảng và kết quả được SmartPLS tạo sau khi bạn chạy mô hình. Bạn mở bằng trình duyệt để xem lại kết quả, tìm bảng cần dùng và lưu làm tài liệu đối chiếu. File này không thay thế file project hoặc dữ liệu gốc.

Vì sao SmartPLS 4 không hiện P Values

Bạn có thể mới chạy PLS-SEM Algorithm mà chưa chạy Bootstrapping. Hãy chạy Bootstrapping với thiết lập phù hợp, chờ tiến trình hoàn tất rồi mở lại kết quả hoặc tạo báo cáo HTML mới. Nếu vẫn thiếu bảng, kiểm tra xem bạn có đang mở nhầm kết quả của lần chạy trước hay không.

Có thể lấy số liệu từ báo cáo HTML sang Excel không

Có. SmartPLS 4 có chức năng xuất kết quả, nhưng bạn nên chọn đúng nhóm bảng thay vì sao chép cả trang trình duyệt. Khi lập bảng chương 4, giữ tên chỉ số gốc và ghi nguồn của ngưỡng đánh giá trong phần chú thích hoặc đoạn diễn giải.

HTMT bao nhiêu là đạt trong SmartPLS 4

HTMT dưới 0.85 thường được dùng, còn dưới 0.90 có thể được cân nhắc khi hai construct gần nhau về mặt khái niệm theo (Henseler và cộng sự, 2015). Bạn vẫn cần xem định nghĩa construct, indicator và các bằng chứng giá trị phân biệt khác, không nên chỉ xóa biến để ép HTMT xuống ngưỡng.

SmartPLS 4 và SmartPLS 3 có đọc báo cáo giống nhau không

Các nhóm chỉ số cốt lõi tương tự, nhưng vị trí menu, tên nút và cách mở phần kết quả có thể khác. Bài này tập trung vào SmartPLS 4. Nếu bạn đang dùng SmartPLS 3, hãy đối chiếu tên bảng thay vì bấm theo vị trí nút trong ảnh hướng dẫn cũ.

Bây giờ bạn mở lại project, chạy PLS-SEM Algorithm, chạy tiếp Bootstrapping, tạo báo cáo HTML và đánh dấu bốn nhóm bảng cần đưa vào chương 4. Nếu muốn chạy phân tích trên chính file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích dữ liệu SPSS và SmartPLS để kiểm tra quy trình và diễn giải kết quả.