Cách chạy NFI SmartPLS 4 từ PLS Algorithm đến IPMA
NFI trong SmartPLS dùng để làm gì
NFI là viết tắt của Normed Fit Index, một chỉ số dùng để mô tả mức độ cải thiện của mô hình đang xét so với một mô hình cơ sở. Khi bạn tìm cách chạy NFI SmartPLS 4, thực tế bạn đang tìm cách lấy chỉ số model fit sau khi chạy PLS Algorithm hoặc một thủ tục ước lượng phù hợp trong SmartPLS 4.
NFI thường được đọc cùng SRMR trong phần đánh giá model fit. Tuy nhiên, NFI không thay thế cho việc đánh giá measurement model và structural model. Bạn vẫn phải kiểm tra outer loading, Cronbach's Alpha, composite reliability, AVE, HTMT, VIF, path coefficient, R², f² và Q² theo đúng loại mô hình.
SmartPLS 4 có cách bố trí menu khác SmartPLS 3 ở một số vị trí. Vì vậy, nếu bạn xem hướng dẫn cũ rồi không tìm thấy nút Calculate hoặc Model Fit, hãy kiểm tra đúng phiên bản trước khi sửa dữ liệu. Với PLS-SEM, nhóm chỉ số như NFI và SRMR cần được diễn giải trong bối cảnh PLS, không trộn với CFI, TLI và RMSEA của CB-SEM.
Chuẩn bị mô hình và dữ liệu
Phân biệt measurement model và structural model
Measurement model mô tả quan hệ giữa biến tiềm ẩn và các biến quan sát. Ví dụ, biến tiềm ẩn SAT có thể được đo bằng SAT1, SAT2, SAT3. Structural model mô tả các mũi tên giữa các biến tiềm ẩn, chẳng hạn QUA -> SAT -> LOY.
Trước khi chạy NFI, bạn cần hoàn tất cả hai phần. Một mô hình có NFI tương đối tốt nhưng outer loading hoặc HTMT không đạt vẫn chưa đủ cơ sở để kết luận mô hình nghiên cứu tốt. Cách làm an toàn là đánh giá measurement model trước, sau đó mới đọc structural model và model fit.
Đặt tên indicator và biến tiềm ẩn
Tên indicator nên ngắn, không có dấu tiếng Việt, không chứa khoảng trắng và phản ánh đúng biến tiềm ẩn. Bạn có thể dùng PU1, PU2, PU3 cho Perceived Usefulness, hoặc CLDV1, CLDV2 cho chất lượng dịch vụ. Tên trong file dữ liệu phải trùng với indicator đã khai báo trong mô hình.
Nếu một biến quan sát là câu hỏi đảo chiều, bạn phải reverse code trước khi nhập vào SmartPLS. SmartPLS không tự biết thang đo 1 đến 5 của một câu hỏi đảo chiều cần được biến đổi. Chẳng hạn, với thang 1 đến 5, giá trị mới có thể được tính bằng 6 - giá trị cũ.
Chuẩn bị file CSV cho SmartPLS 4
SmartPLS 4 có thể nhập dữ liệu dạng .csv. Hàng đầu tiên là tên biến, mỗi hàng tiếp theo là một người trả lời. Không để tiêu đề nghiên cứu, ghi chú, ô gộp hoặc dòng tổng ở đầu file. Các ô dữ liệu định lượng nên là số, không phải chuỗi như Đồng ý hoặc Rất đồng ý.
Trước khi import, bạn nên kiểm tra missing value, dòng trả lời thiếu quá nhiều, một người trả lời lặp lại và các dòng có cùng một mức điểm cho toàn bộ bảng hỏi. Không tự xóa dữ liệu chỉ vì một kết quả NFI chưa đẹp. Hãy lưu một bản gốc và một bản dữ liệu đã làm sạch để có thể giải trình từng thay đổi.
Nếu cần xem thêm quy trình liên quan, bạn có thể mở chủ đề SmartPLS, điểm biến tiềm ẩn trong SmartPLS và bài về consistent PLS trong SmartPLS sau khi hoàn thành phần cơ bản.
Các bước thực hiện trong SmartPLS 4
Bước 1: Tạo project và import dữ liệu
Mở SmartPLS 4, tạo project mới rồi chọn import dữ liệu. Chọn file .csv đã chuẩn bị. Sau khi nhập, kiểm tra số dòng, số cột và kiểu dữ liệu. Nếu tên indicator trong dữ liệu không khớp với tên trong mô hình, việc kéo biến vào construct sẽ bị thiếu hoặc nhầm.
Khi project đã có dữ liệu, tạo model mới trong khu vực làm việc. Kéo các biến quan sát vào từng biến tiềm ẩn, sau đó nối các construct theo giả thuyết. Mũi tên phải đi đúng chiều. Một mũi tên ngược có thể làm thay đổi toàn bộ path coefficient, R² và kết luận giả thuyết.
Bước 2: Kiểm tra hướng đo và loại construct
Trong SmartPLS 4, construct phản xạ và formative có cách đánh giá khác nhau. Với construct phản xạ, bạn thường quan tâm outer loading, Cronbach's Alpha, rho_A, composite reliability và AVE. Với construct formative, cần chú ý outer weight, significance và collinearity.
Đừng đổi một construct từ reflective sang formative chỉ để làm cho chỉ số đẹp hơn. Hướng đo phải xuất phát từ cách khái niệm được xây dựng trong mô hình và thang đo. Khi có nghi ngờ, hãy đối chiếu định nghĩa biến, nguồn thang đo và giả thuyết trong chương 2, thay vì sửa tùy ý trên phần mềm.
Bước 3: Chạy PLS Algorithm SmartPLS 4
Chọn model cần phân tích, sau đó chọn Calculate và PLS-SEM Algorithm. Giữ thiết lập mặc định ở lần chạy đầu nếu bạn chưa có lý do phương pháp rõ ràng để thay đổi. Nhấn Start Calculation và chờ SmartPLS tạo kết quả.
Đây là cách chạy PLS Algorithm SmartPLS 4 để lấy các kết quả nền như outer loading, path coefficient, R², reliability, AVE và một số chỉ số model fit. Sau khi chạy xong, mở phần Results thay vì chỉ nhìn sơ đồ trên canvas. Sơ đồ thường hiển thị nhanh, còn các bảng mới giúp bạn ghi nhận con số chính xác.
Bước 4: Mở Model Fit và tìm NFI
Trong cửa sổ kết quả, tìm nhóm chỉ số liên quan đến model fit. Tùy bố cục phiên bản và loại kết quả, bạn có thể thấy SRMR, d_ULS, d_G, Chi-square và NFI. NFI thường được hiển thị dưới dạng giá trị cho saturated model và estimated model.
Nếu mục tiêu của bạn là báo cáo NFI, hãy ghi lại cả tên chỉ số, giá trị và loại model đi kèm. Không chụp một con số rời khỏi bảng vì người đọc không biết đó là saturated model hay estimated model. Bạn cũng không nên gọi NFI là p-value, vì đây là chỉ số fit có giá trị nằm trong khoảng khác với kiểm định significance.
Bước 5: Chạy Bootstrapping SmartPLS 4
Chọn Calculate, sau đó chọn Bootstrapping. Trong hộp thoại, chọn số subsamples phù hợp với kế hoạch phân tích. Khi báo cáo theo hướng dẫn PLS-SEM hiện hành, 5.000 bootstrap subsamples là lựa chọn được khuyến nghị trong nhiều quy trình thực hành (Hair và cộng sự, 2022).
Sau khi chạy, mở Path Coefficients, T Statistics, P Values và khoảng tin cậy. Một đường dẫn có p-value nhỏ hơn mức ý nghĩa bạn đã chọn mới có cơ sở để kết luận có ý nghĩa thống kê. NFI không cho bạn biết từng giả thuyết H1, H2 hay H3 có được chấp nhận hay không.
Bạn có thể xem thêm hướng dẫn bootstrapping trong SmartPLS nếu cần phân biệt kết quả total effect, direct effect và indirect effect.
Bước 6: Chạy Blindfolding và PLSpredict
Blindfolding được dùng để đánh giá khả năng predictive relevance thông qua Q² trong những mô hình đáp ứng điều kiện sử dụng. Chọn Calculate, tìm Blindfolding, đặt omission distance theo thiết kế phân tích rồi chạy. Q² lớn hơn 0 thường được xem là có predictive relevance (Stone, 1974).
Nếu mục tiêu là đánh giá dự báo ngoài mẫu, dùng PLSpredict thay vì chỉ dựa vào R². Trong SmartPLS 4, chọn Calculate rồi PLSpredict, khai báo số folds và repetitions theo kế hoạch của bạn. Khi báo cáo, cần nói rõ đây là kết quả dự báo và trình bày các sai số dự báo tương ứng.
Bước 7: Chạy Consistent PLS khi mô hình phù hợp
Consistent PLS, thường gọi là PLSc, được dùng trong một số trường hợp mô hình có construct reflective và mục tiêu là điều chỉnh sự không nhất quán của PLS. Trong SmartPLS 4, bạn vào Calculate và chọn thủ tục consistent PLS nếu phiên bản đang dùng hiển thị tùy chọn này.
Không chạy PLSc chỉ vì tên phương pháp nghe nâng cao hơn. Hãy xác định mô hình của bạn có lý do phương pháp để dùng hay không, sau đó mô tả rõ đã dùng PLS-SEM hay PLSc trong chương phương pháp. Hai kết quả có thể khác nhau, vì vậy không trộn path coefficient của một thủ tục với R² của thủ tục khác.
Bước 8: Chạy IPMA và xem điểm biến tiềm ẩn
IPMA kết hợp importance và performance để giúp bạn xem construct nào có ảnh hưởng đáng kể nhưng mức thực hiện còn thấp. Chọn Calculate, mở Importance-Performance Map Analysis, chọn construct mục tiêu và chạy kết quả.
IPMA không phải là bài kiểm định thay thế cho mô hình cấu trúc. Nó phù hợp hơn với phần hàm ý quản trị sau khi bạn đã xác định được các đường dẫn có ý nghĩa. Khi cần giải thích giá trị trung bình của construct hoặc điểm biến tiềm ẩn, hãy kiểm tra đúng loại điểm mà SmartPLS xuất ra. Xem thêm IPMA trong SmartPLS để tránh nhầm importance với path coefficient.
Đọc bảng kết quả
Sau khi chạy, bạn nên xuất kết quả từ SmartPLS 4 và lưu tên file theo từng lần chạy. Một thư mục có thể chia thành 01_pls_algorithm, 02_bootstrapping, 03_blindfolding và 04_ipma. Cách lưu này giúp bạn đối chiếu khi giảng viên hỏi vì sao một giá trị ở bảng chương 4 khác với ảnh chụp ban đầu.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được mô phỏng theo nhóm kết quả thường gặp trong SmartPLS 4.
| Bảng hoặc chỉ số trong SmartPLS 4 | Construct hoặc quan hệ | Giá trị minh họa | Cách đọc |
|---|---|---|---|
| Outer Loadings | SAT1 -> SAT | 0.781 | Indicator có loading trên 0.7 thường được ưu tiên giữ trong PLS-SEM (Chin, 1998) |
| Cronbach's Alpha | SAT | 0.842 | Độ nhất quán nội bộ của construct |
| Composite Reliability | SAT | 0.891 | Độ tin cậy tổng hợp |
| Average Variance Extracted | SAT | 0.672 | Phương sai trung bình được construct giải thích |
| Path Coefficients | PU -> SAT | 0.436 | Hướng và độ lớn quan hệ cấu trúc |
| R Square | SAT | 0.518 | Tỷ lệ biến thiên của SAT được các biến nguyên nhân giải thích |
| f Square | PU -> SAT | 0.214 | Mức effect size của một quan hệ |
| Q Square | SAT | 0.301 | Predictive relevance lớn hơn 0 trong ví dụ |
| Model Fit, NFI | Estimated model | 0.824 | Chỉ báo fit tương đối, cần đọc cùng các kết quả khác |
| Model Fit, SRMR | Estimated model | 0.071 | Chỉ số sai số xấp xỉ của mô hình |
Ví dụ trên chỉ minh họa cách trình bày. Bạn phải thay bằng số liệu xuất từ chính file của mình. Đừng ghi NFI = 0.824 vào luận văn nếu đó không phải con số trong output của bạn.
Khi đọc NFI, kiểm tra xem bảng có tách saturated model và estimated model hay không. Nếu có, ghi rõ bạn đang dùng giá trị nào và vì sao. NFI nên được xem như một mảnh trong toàn bộ quy trình, không phải căn cứ duy nhất để giữ hoặc bỏ mô hình.
Ngưỡng đánh giá
Các ngưỡng dưới đây là mốc tham khảo có nguồn. Chúng không biến một mô hình phức tạp thành mô hình đạt chỉ bằng cách vượt qua một con số. Bạn cần xét loại construct, cỡ mẫu, thiết kế thang đo, hướng đo và mục tiêu nghiên cứu.
| Chỉ số | Mốc tham khảo | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Cronbach's Alpha | Từ 0.7 | (Nunnally, 1978) |
| Cronbach's Alpha cho thang đo khám phá | Từ 0.6 có thể chấp nhận | (Hair và cộng sự, 2010) |
| Composite Reliability | Từ 0.7 | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Bootstrapping | 5.000 subsamples | (Hair và cộng sự, 2022) |
| NFI | Dùng để so sánh model fit, đọc cùng nhóm chỉ số fit | (Hair và cộng sự, 2022) |
NFI không nên được diễn giải bằng ngưỡng của CFI hoặc TLI. CFI, TLI, RMSEA và SRMR theo bộ tiêu chí (Hu và Bentler, 1999) thuộc bối cảnh CB-SEM. Nếu bạn dùng SmartPLS, hãy giữ hệ chỉ số PLS-SEM nhất quán và không đưa nguyên bảng fit của AMOS vào phần SmartPLS.
Cách trình bày trong chương 4
Bạn có thể chia phần kết quả thành bốn lớp. Lớp đầu là mô tả mẫu và dữ liệu. Lớp thứ hai là measurement model, gồm reliability, convergent validity và discriminant validity. Lớp thứ ba là structural model, gồm VIF, path coefficient, t-value, p-value, R², f² và Q². Lớp cuối là model fit, trong đó NFI và SRMR được báo cáo nếu phù hợp với kế hoạch nghiên cứu.
Cách viết vào luận văn: “Kết quả chạy PLS-SEM trên SmartPLS 4 cho thấy NFI của [saturated model/estimated model] đạt [giá trị NFI], trong khi SRMR đạt [giá trị SRMR]. Các chỉ số này được xem xét cùng kết quả đánh giá measurement model và structural model. Vì vậy, mô hình [đạt/chưa đạt] yêu cầu phân tích tiếp theo theo tiêu chí đã lựa chọn.”
Bạn có thể lập một bảng tổng hợp riêng thay vì chụp toàn bộ màn hình. Cột nên gồm chỉ số, giá trị, ngưỡng tham khảo và kết luận ngắn. Với path coefficient, thêm t-value và p-value từ Bootstrapping. Với giả thuyết, thêm cột Kết luận H1 hoặc Kết luận H2, nhưng chỉ kết luận sau khi nhìn confidence interval hoặc p-value.
Nếu báo cáo IPMA, hãy đặt sau phần kiểm định mô hình. Nêu rõ construct mục tiêu, importance, performance và cách chuyển kết quả thành hàm ý. Không viết rằng NFI cao chứng minh một yếu tố là ưu tiên quản trị, vì NFI và IPMA trả lời hai câu hỏi khác nhau.
Lỗi thường gặp
Không thấy NFI sau khi chạy
Bạn có thể đang nhìn màn hình tổng quan của model thay vì cửa sổ Results. Hãy chạy lại PLS-SEM Algorithm, mở kết quả và tìm nhóm Model Fit. Nếu vẫn không thấy, kiểm tra loại mô hình, phiên bản SmartPLS 4 và trạng thái import dữ liệu.
Dùng NFI để kết luận giả thuyết
NFI nói về mức độ phù hợp tương đối của mô hình. Giả thuyết cần được đánh giá bằng path coefficient, t-value, p-value hoặc khoảng tin cậy từ Bootstrapping. Hai phần này phải được báo cáo tách biệt.
Trộn kết quả PLS-SEM với CB-SEM
Một lỗi dễ gặp là đưa CFI, TLI và RMSEA vào bảng SmartPLS rồi dùng cùng một bộ kết luận. Nếu bạn chạy SmartPLS, hãy sử dụng nhóm chỉ số và cách diễn giải phù hợp với PLS-SEM. Không lấy ngưỡng của phần mềm khác để ép vào output hiện tại.
Xóa indicator chỉ vì loading hơi thấp
Khi một loading thấp, xem thêm CR, AVE, nội dung thang đo và ảnh hưởng của việc loại biến. Việc xóa nhiều indicator sau mỗi lần chạy có thể làm thay đổi ý nghĩa khái niệm. Hãy lưu từng phiên bản và ghi rõ lý do loại biến trong nhật ký phân tích.
Dùng ảnh chụp thay cho bảng số liệu
Ảnh chụp nhỏ thường khó đọc và không cho thấy đầy đủ tên model. Bạn nên xuất bảng, kiểm tra số thập phân rồi đưa bảng rút gọn vào chương 4. Phần phụ lục có thể giữ ảnh hoặc output chi tiết nếu giảng viên yêu cầu.
Đọc thêm: blindfolding trong smartpls, bootstrapping trong smartpls, consistent pls trong smartpls, điểm biến tiềm ẩn trong smartpls, ipma trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
NFI trong SmartPLS 4 bao nhiêu là đạt?
NFI cần được đọc trong toàn bộ bộ chỉ số model fit và bối cảnh nghiên cứu. Không nên dùng một con số đơn lẻ để khẳng định mô hình tốt. Bạn hãy báo cáo NFI cùng SRMR, kết quả measurement model và structural model, đồng thời ghi rõ saturated model hay estimated model.
Có bắt buộc chạy NFI khi dùng SmartPLS 4 không?
Điều này phụ thuộc vào thiết kế phương pháp và yêu cầu của đề tài. NFI có thể được báo cáo như một chỉ số fit, nhưng không thay thế reliability, validity, R², path coefficient hoặc kiểm định giả thuyết. Nếu đề cương đã quy định nhóm chỉ số cụ thể, hãy theo đúng đề cương và giải thích phạm vi của từng chỉ số.
Cách chạy blindfolding SmartPLS 4 có dùng cho mọi mô hình không?
Blindfolding cần điều kiện sử dụng phù hợp và thường được gắn với đánh giá predictive relevance cho construct nội sinh. Bạn nên kiểm tra mô hình trước khi chạy, sau đó đọc Q² cùng R² và các kết quả cấu trúc. Q² lớn hơn 0 được dùng như mốc predictive relevance (Stone, 1974).
Cách chạy consistent PLS SmartPLS 4 khác PLS Algorithm thế nào?
PLS Algorithm là thủ tục ước lượng PLS cơ bản. Consistent PLS là một lựa chọn khác nhằm xử lý một số vấn đề liên quan đến construct reflective trong PLS-SEM. Bạn cần chọn thủ tục trước khi chạy và không trộn các con số từ hai lần chạy trong cùng một bảng.
Có thể dùng điểm biến tiềm ẩn để kết luận biến nào tác động mạnh nhất không?
Điểm biến tiềm ẩn mô tả giá trị đại diện của construct, còn mức tác động thường được đọc qua path coefficient, effect size hoặc IPMA tùy câu hỏi nghiên cứu. Không nên lấy mean score của construct rồi gọi đó là mức ảnh hưởng. Hãy xác định rõ bạn đang phân tích mô tả, quan hệ cấu trúc hay ưu tiên quản trị.
Bạn hãy mở lại file .csv, kiểm tra tên indicator, chạy PLS Algorithm SmartPLS 4 rồi lưu riêng các bảng Model Fit, reliability, validity và structural model trước khi viết chương 4; nếu cần xử lý trọn quy trình trên dữ liệu thật, bạn có thể dùng M4 phân tích của DoThesis.