Cách chạy tạo dự án mới SmartPLS 4 từ A đến Z
Tạo dự án mới trong SmartPLS 4 dùng để làm gì
Khi bạn mở SmartPLS 4 lần đầu, việc tạo project là bước nối giữa file dữ liệu khảo sát và mô hình PLS-SEM. Một project lưu tên nghiên cứu, file dữ liệu, các biến quan sát, biến tiềm ẩn, mô hình đo lường và mô hình cấu trúc. Tạo sai ở bước này thường dẫn đến lỗi khó nhận ra, chẳng hạn cột dữ liệu không khớp tên indicator, biến bị đọc thành dạng chữ hoặc mô hình không chạy được.
Quy trình đúng trong SmartPLS 4 thường gồm: tạo project mới, nhập file .csv, kiểm tra dữ liệu, tạo mô hình, kéo indicator vào construct, nối các mũi tên cấu trúc, chạy PLS-SEM Algorithm rồi mới chạy Bootstrapping. Bài này tập trung vào toàn bộ chuỗi thao tác đó, với giao diện SmartPLS 4. Một số vị trí menu của SmartPLS 3 khác SmartPLS 4, vì vậy bạn không nên áp dụng nguyên đường dẫn cũ nếu đang mở phiên bản mới.
Nếu bạn chỉ cần xem thao tác tạo project cơ bản, có thể mở thêm bài tạo dự án mới trong SmartPLS. Phần dưới đây đi xa hơn, gồm cả định dạng dữ liệu và cách kiểm tra mô hình trước khi chạy.
Chuẩn bị mô hình và dữ liệu
Trước khi bấm tạo project, bạn cần phân biệt hai phần của mô hình. Measurement model mô tả quan hệ giữa biến tiềm ẩn và các biến quan sát, chẳng hạn biến SAT được đo bằng SAT1, SAT2, SAT3. Structural model mô tả quan hệ giả thuyết giữa các biến tiềm ẩn, chẳng hạn PU tác động đến SAT.
Bạn nên đặt tên indicator ngắn, duy nhất và không có dấu cách. PU1, PU2, SAT1 là các tên dễ kiểm tra hơn câu dài có dấu tiếng Việt. Hàng đầu tiên của file phải là tên biến. Mỗi hàng tiếp theo là một đáp viên. Các ô dữ liệu nên là số, thường là giá trị Likert từ 1 đến 5 hoặc từ 1 đến 7.
File CSV có thể có dạng như sau:
| ID | PU1 | PU2 | PU3 | SAT1 | SAT2 | SAT3 |
|---|---|---|---|---|---|---|
| 001 | 4 | 5 | 4 | 4 | 5 | 4 |
| 002 | 3 | 4 | 3 | 3 | 4 | 3 |
| 003 | 5 | 5 | 4 | 5 | 5 | 5 |
Đây là cấu trúc minh họa. Khi phân tích thật, bạn cần kiểm tra xem các mã biến trong file có đúng với bảng thang đo ở chương 3 hay không. Nếu có biến đảo chiều, hãy xử lý quy đổi trước khi nhập hoặc tạo biến đã quy đổi với tên riêng. Đừng để SmartPLS tự đoán ý nghĩa của một biến đảo chiều.
File .csv nên dùng dấu phẩy làm dấu phân cách và lưu mã hóa UTF-8. Nếu file được xuất từ Excel với dấu chấm phẩy, SmartPLS có thể đọc toàn bộ hàng thành một cột hoặc báo lỗi. Hướng dẫn riêng về cách chạy nhập dữ liệu CSV trong SmartPLS 4 sẽ hữu ích nếu bảng của bạn đang bị dồn cột.
Missing value cần được xử lý trước khi diễn giải kết quả. Bạn có thể kiểm tra ô trống, giá trị NA, ký hiệu - hoặc mã 99, 999 được dùng để biểu thị không trả lời. Các mã này không nên được xem như điểm Likert thật. Xem thêm hướng dẫn cách chạy xử lý missing value trong SmartPLS trước khi chạy Algorithm.
Cỡ mẫu cũng cần được cân nhắc từ lúc thiết kế. Quy tắc 5 đến 10 quan sát cho một biến quan sát thường được dùng trong nghiên cứu khám phá (Hair và cộng sự, 2010), nhưng đây không phải lý do để bỏ qua lập luận về mô hình và bối cảnh. Bạn có thể xem cách xác định cỡ mẫu tối thiểu trong SmartPLS để đối chiếu với số phản hồi thực tế.
Các bước thực hiện trong SmartPLS 4
Bước 1: Mở SmartPLS 4 và tạo project
Mở SmartPLS 4, tại màn hình chính chọn tạo project mới. Tùy bản cài đặt, nút này có thể hiển thị là New Project hoặc nằm trong menu File > New Project. Đặt tên có thể nhận biết, chẳng hạn DeTai_SAT_PLSSEM_2026, rồi chọn thư mục lưu riêng.
Tên project không làm thay đổi kết quả thống kê, nhưng tên rõ ràng giúp bạn phân biệt bản dữ liệu thử, bản dữ liệu chính thức và bản đã loại outlier. Tránh lưu project ngay trong thư mục Downloads vì bạn dễ xóa nhầm khi dọn máy.
Bước 2: Nhập file CSV vào project
Trong project vừa tạo, chọn khu vực dữ liệu và lệnh thêm file dữ liệu. Chọn file .csv từ máy tính, sau đó chờ SmartPLS đọc tên cột và số dòng. Kiểm tra bảng preview trước khi xác nhận. Nếu thấy toàn bộ tiêu đề nằm trong một cột, dừng lại để sửa delimiter trong file, không tiếp tục tạo mô hình.
SmartPLS 4 có thể hiển thị kiểu dữ liệu của từng cột. Indicator Likert cần được đọc như biến số. Nếu một cột bị đọc thành text, kiểm tra dấu cách thừa, ký hiệu chữ, dấu phẩy thập phân hoặc các ô chứa câu trả lời không hợp lệ.
Bước 3: Kiểm tra số dòng, tên biến và missing value
Mở phần thông tin dataset để xem số quan sát và số biến. Đối chiếu số dòng với số phiếu hợp lệ bạn báo cáo ở chương 3. Kiểm tra các biến có tên gần giống nhau, ví dụ PU1 và PU 1, vì chỉ một khoảng trắng cũng tạo thành hai tên khác nhau.
Kiểm tra missing value bằng bảng dữ liệu hoặc phần thống kê mô tả. Nếu số 99 đang được dùng làm mã không trả lời, hãy thay thế hoặc loại theo quy tắc đã nêu trong phương pháp nghiên cứu. Bạn cần ghi lại số phiếu bị loại và lý do, thay vì chỉ sửa file mà không có nhật ký xử lý.
Bước 4: Tạo mô hình đo lường
Trong project, chọn tạo mô hình mới, đặt tên như PLS_Model_Main. Kéo các biến tiềm ẩn vào vùng làm việc. Với mô hình phản xạ, kéo indicator tương ứng từ danh sách dữ liệu vào construct. Ví dụ PU1, PU2, PU3 được đưa vào construct PU; SAT1, SAT2, SAT3 được đưa vào SAT.
Kiểm tra lại số indicator của từng construct với bảng thang đo. Bạn có thể xem cách chạy vẽ mô hình đo lường SmartPLS 4 để đối chiếu cách đặt construct và indicator. Tên hiển thị của construct có thể viết đầy đủ, nhưng tên cột dữ liệu vẫn phải giữ nhất quán.
Bước 5: Vẽ mô hình cấu trúc
Chọn công cụ tạo quan hệ hoặc mũi tên trong vùng canvas, sau đó nối biến độc lập với biến phụ thuộc theo giả thuyết. Nếu giả thuyết là PU tác động đến SAT, mũi tên phải đi từ PU sang SAT. Chiều mũi tên là thông tin phân tích, không chỉ là cách trình bày.
Đừng nối tất cả construct với nhau chỉ để mô hình có nhiều quan hệ. Mỗi path cần xuất phát từ mô hình lý thuyết và giả thuyết đã viết. Bài cách chạy vẽ mô hình cấu trúc SmartPLS 4 có thể dùng để kiểm tra thao tác nối path và phân biệt mô hình đo lường với mô hình cấu trúc.
Bước 6: Chọn loại measurement model
Kiểm tra mỗi construct là reflective hay formative. Với reflective, các indicator phản ánh cùng một khái niệm và thường được đánh giá qua outer loading, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Với formative, cách đánh giá khác, nên không được chọn tùy tiện chỉ vì phần mềm đặt mặc định.
Nếu đề tài của bạn dùng thang đo kế thừa, quyết định này cần bám vào định nghĩa khái niệm và tài liệu phương pháp. Mô hình đo lường sai có thể vẫn chạy ra bảng kết quả, nhưng ý nghĩa của các chỉ số sẽ không còn phù hợp.
Bước 7: Chạy PLS-SEM Algorithm
Sau khi lưu mô hình, chọn chạy PLS-SEM Algorithm. Giữ các thiết lập mặc định nếu bạn chưa có lý do phương pháp để thay đổi. Sau khi chạy xong, kiểm tra outer loading, path coefficient, R², Cronbach's Alpha, rho_A, Composite Reliability và AVE.
Đừng vội xóa indicator chỉ vì một con số thấp. Xem đồng thời nội dung biến, loading, độ tin cậy và giá trị hội tụ. Việc loại biến cần có lập luận và cần ghi lại từng vòng chạy.
Bước 8: Chạy Bootstrapping
Chọn Bootstrapping từ khu vực kết quả của mô hình. Đặt số subsamples theo thiết kế nghiên cứu. Trong tài liệu PLS-SEM, 5.000 bootstrap subsamples được khuyến nghị cho quy trình báo cáo (Hair và cộng sự, 2022). Sau khi chạy, đọc path coefficient, t-value, p-value và khoảng tin cậy của từng quan hệ.
Kết quả bootstrapping minh họa không phải kết quả nghiên cứu của bạn. Kết luận giả thuyết phải dùng bảng output từ chính dataset đã làm sạch.
Đọc bảng kết quả SmartPLS 4
SmartPLS 4 thường chia kết quả thành nhóm measurement model và structural model. Measurement model trả lời câu hỏi các indicator có đo ổn định construct hay không. Structural model trả lời câu hỏi các construct có quan hệ theo giả thuyết hay không và mô hình giải thích được bao nhiêu biến thiên.
số liệu minh họa
Bảng dưới đây là số liệu minh họa, được trình bày theo các nhóm output thường gặp trong SmartPLS 4. Đây không phải kết quả của một nghiên cứu cụ thể và không được chép vào luận văn như số liệu thật.
| Nhóm output | Tên cột trong SmartPLS 4 | Construct hoặc quan hệ | Giá trị minh họa | Cách đọc sơ bộ |
|---|---|---|---|---|
| Outer Loadings | Original Sample (O) | PU1 → PU | 0.782 | Indicator có loading trên mức tham khảo 0.7 |
| Reliability | Cronbach's Alpha | PU | 0.861 | Độ tin cậy nội tại của construct |
| Reliability | Composite Reliability | PU | 0.905 | Độ tin cậy tổng hợp |
| Convergent Validity | Average Variance Extracted (AVE) | PU | 0.762 | Phương sai trích của construct |
| Path Coefficients | Original Sample (O) | PU → SAT | 0.438 | Hệ số tác động cùng chiều |
| Path Coefficients | T Statistics | PU → SAT | 4.917 | Dùng cùng p-value hoặc khoảng tin cậy để kết luận |
| Path Coefficients | P Values | PU → SAT | 0.000 | So với mức ý nghĩa đã chọn |
| R Square | R Square | SAT | 0.472 | Tỷ lệ biến thiên của SAT được giải thích |
Với output thật, bạn cần lưu cả bảng và thông tin cấu hình chạy. Một path coefficient dương không tự động có nghĩa là giả thuyết được chấp nhận. Bạn còn phải xem p-value hoặc khoảng tin cậy bootstrap, chiều tác động có đúng giả thuyết không và quan hệ có phù hợp với mô hình không.
Trong SmartPLS, không đưa CFI, TLI hoặc RMSEA vào đánh giá PLS-SEM như thể chúng là chỉ số bắt buộc của cùng một nhóm phương pháp. Các fit indices này thuộc CB-SEM và nguồn (Hu và Bentler, 1999) được áp dụng cho CB-SEM, không phải lý do để trộn tiêu chí giữa AMOS và SmartPLS.
Ngưỡng đánh giá trong SmartPLS 4
Ngưỡng chỉ là điểm tham chiếu để đọc output. Bạn cần xem bối cảnh, loại construct, cỡ mẫu, nội dung indicator và thiết kế mô hình trước khi quyết định giữ hay loại biến.
| Chỉ số | Ngưỡng hoặc cách diễn giải tham khảo | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với construct 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 cho thấy khả năng dự báo có ý nghĩa | (Stone, 1974) |
| Bootstrapping | 5.000 subsamples trong quy trình tham khảo | (Hair và cộng sự, 2022) |
Cronbach's Alpha từ 0.7 trở lên thường được xem là đạt (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, alpha từ 0.6 có thể được cân nhắc (Hair và cộng sự, 2010), nhưng bạn cần giải thích bối cảnh thay vì chọn nguồn có con số thuận lợi hơn.
HTMT dưới 0.85 hoặc dưới 0.90 với các khái niệm gần nhau được dùng để đánh giá giá trị phân biệt (Henseler và cộng sự, 2015). Khi xem Fornell-Larcker, căn bậc hai AVE của construct cần lớn hơn tương quan với các construct khác (Fornell và Larcker, 1981).
Cách trình bày trong chương 4
Bạn nên trình bày theo thứ tự measurement model trước, structural model sau. Một cấu trúc dễ theo dõi là: đặc điểm mẫu, kiểm định mô hình đo lường, kiểm định mô hình cấu trúc, kiểm định giả thuyết và thảo luận kết quả.
Trong phần measurement model, báo cáo outer loading, Cronbach's Alpha, rho_A nếu sử dụng, Composite Reliability, AVE và HTMT. Nếu loại indicator, nêu mã biến, lý do xử lý và kết quả sau khi chạy lại. Không nên chỉ đưa bảng cuối cùng rồi viết rằng thang đo đạt mà không nói các bước làm sạch quan trọng.
Trong phần structural model, báo cáo VIF, R², f², Q² nếu đã chạy, path coefficient, t-value, p-value và kết luận từng giả thuyết. Với mediation, cần báo cáo indirect effect và khoảng tin cậy bootstrap. Indirect effect được xem là có ý nghĩa khi khoảng tin cậy bootstrap không chứa 0 (Preacher và Hayes, 2008).
Cách viết vào luận văn: “Kết quả PLS-SEM cho thấy mối quan hệ giữa [biến độc lập] và [biến phụ thuộc] có path coefficient = [giá trị], t-value = [giá trị], p-value = [giá trị]. Vì p-value [nhỏ hơn/lớn hơn] [mức ý nghĩa], giả thuyết H[ ] được [chấp nhận/không được chấp nhận].” Bạn thay toàn bộ placeholder bằng số liệu từ output của chính mình.
Khi chèn bảng vào chương 4, đặt tên bảng nhất quán với mục lục và giữ số chữ số thập phân giống nhau. Nếu SmartPLS xuất nhiều bảng, chọn bảng phục vụ đúng câu hỏi nghiên cứu, không dán toàn bộ màn hình kết quả vào luận văn.
Lỗi thường gặp
Tạo project nhưng không thấy file CSV
Kiểm tra bạn đã thêm dataset vào đúng project chưa, file có còn ở vị trí cũ không và phần mở rộng có đúng là .csv không. Nếu đổi tên hoặc di chuyển file sau khi nhập, SmartPLS có thể không truy cập được đường dẫn cũ.
CSV bị dồn thành một cột
Nguyên nhân thường là delimiter của file không khớp thiết lập đọc dữ liệu. Mở CSV bằng trình soạn thảo văn bản để xem các cột được ngăn bằng dấu phẩy hay dấu chấm phẩy, sau đó xuất lại file với định dạng phù hợp.
Indicator không kéo được vào construct
Kiểm tra indicator đã được nhập vào dataset chưa, tên có ký tự đặc biệt không và nó có đang bị nhận dạng thành một trường không hợp lệ không. Việc đổi tên cột sau khi tạo mô hình cũng có thể làm liên kết bị mất.
Mô hình chạy nhưng kết quả không hợp lý
Chạy được không đồng nghĩa mô hình đúng. Kiểm tra chiều path, loại measurement model, biến đảo chiều, missing value và các mã dữ liệu ngoài thang đo. Nếu outer loading, AVE hoặc HTMT không đạt, ghi lại từng vòng xử lý và cân nhắc lại mô hình thay vì xóa hàng loạt indicator.
Cỡ mẫu quá thấp
SmartPLS không thể biến một mẫu nhỏ thành bằng chứng đủ mạnh chỉ bằng cách đổi thiết lập. Nếu số quan sát thấp hơn kế hoạch, bạn cần đối chiếu lại mục tiêu nghiên cứu, số construct, số path và lập luận cỡ mẫu. Không tự thêm dòng dữ liệu giả vào CSV.
Câu hỏi thường gặp
SmartPLS 4 có tạo project từ file Excel được không?
Bạn nên chuẩn bị và nhập file CSV để giảm lỗi định dạng. Nếu dữ liệu đang ở Excel, hãy kiểm tra tên cột, mã missing value và kiểu số, sau đó lưu thành CSV UTF-8 trước khi đưa vào SmartPLS 4.
Tạo project mới SmartPLS 4 có cần đăng nhập không?
Điều này phụ thuộc bản quyền và cấu hình cài đặt của phiên bản bạn đang dùng. Về mặt thao tác dữ liệu, project vẫn cần được lưu trong một thư mục ổn định và có bản sao dự phòng trước khi bạn chạy nhiều phiên bản mô hình.
Có thể đổi tên indicator sau khi đã vẽ mô hình không?
Có thể, nhưng bạn cần kiểm tra lại liên kết giữa indicator và construct sau khi đổi tên. Cách an toàn hơn là thống nhất mã biến trong CSV trước, tạo project bằng file đã kiểm tra rồi mới vẽ mô hình.
SmartPLS 4 có tự xử lý missing value không?
SmartPLS có các cách xử lý tùy thiết lập, nhưng bạn vẫn phải quyết định quy tắc phù hợp với thiết kế nghiên cứu. Hãy xác định ô trống, mã 99 hoặc 999 và số lượng thiếu trước khi chọn cách xử lý, đồng thời ghi lại quyết định trong dữ liệu và chương phương pháp.
Có cần chạy PLS Algorithm trước Bootstrapping không?
Có. PLS-SEM Algorithm giúp bạn kiểm tra các kết quả ban đầu của measurement model và structural model. Sau đó Bootstrapping cung cấp phân phối lấy mẫu để đánh giá độ tin cậy của path coefficient, t-value, p-value và khoảng tin cậy.
SmartPLS 4 có thay thế hoàn toàn SPSS không?
Không. SmartPLS phù hợp với PLS-SEM, còn SPSS thường được dùng cho làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA hoặc hồi quy tùy thiết kế. AMOS phù hợp với CB-SEM, trong khi JASP và R có lợi thế về tính linh hoạt nhưng đòi hỏi cách học khác. Chọn phần mềm theo mô hình và yêu cầu của đề tài, không chọn chỉ vì một phần mềm có nhiều bảng output hơn.
Bạn hãy mở lại file CSV, đối chiếu tên indicator với bảng thang đo, tạo project SmartPLS 4 riêng cho bản dữ liệu chính thức, rồi chạy theo thứ tự kiểm tra dữ liệu, vẽ mô hình, PLS-SEM Algorithm và Bootstrapping. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem module M4 tại DoThesis.