Chỉ báo lặp lại trong SmartPLS: Cách thiết lập và đọc kết quả

Chỉ báo lặp lại trong SmartPLS dùng để làm gì

Chỉ báo lặp lại, tiếng Anh là repeated indicators, là cách dùng cùng một nhóm biến quan sát để đo cả một khái niệm cấp thấp và một khái niệm cấp cao hơn trong mô hình PLS-SEM. Cách này thường xuất hiện khi bạn xây dựng mô hình bậc cao, chẳng hạn chất lượng dịch vụ là khái niệm cấp cao được hình thành từ các thành phần độ tin cậy, khả năng đáp ứng và sự đồng cảm.

Ví dụ, các biến REL1 đến REL4 đo độ tin cậy, các biến RES1 đến RES4 đo khả năng đáp ứng. Khi tạo cấu trúc cấp cao là chất lượng dịch vụ, bạn có thể đưa toàn bộ REL1 đến REL4 và RES1 đến RES4 vào cấu trúc đó. Như vậy, nhóm biến quan sát được dùng lại ở hai cấp của mô hình, thay vì tạo một bộ câu hỏi mới cho cấp cao.

Chỉ báo lặp lại phù hợp nhất khi bạn có mô hình phân cấp và muốn đánh giá quan hệ giữa khái niệm cấp cao với các khái niệm cấp thấp. Nó không phải là thủ thuật để làm tăng số lượng biến quan sát, cũng không thay thế cho việc xác định đúng mô hình đo lường. Bạn cần phân biệt rõ mô hình đo lường reflective và formative trước khi kéo các chỉ báo vào cấu trúc.

Nếu đây là lần đầu bạn làm PLS-SEM, có thể xem thêm chủ đề SmartPLS để đặt phần chỉ báo lặp lại vào quy trình phân tích tổng thể. Trong bài này, trọng tâm là thao tác trên SmartPLS 4 và cách giải thích kết quả, không phải tạo thêm dữ liệu cho file khảo sát.

Chuẩn bị mô hình và dữ liệu

Trước khi mở SmartPLS, bạn cần biết cấu trúc nào là cấp thấp, cấu trúc nào là cấp cao, và mỗi cấu trúc thuộc loại đo lường nào. Ví dụ, “Chất lượng dịch vụ” có thể là khái niệm cấp cao, còn “Độ tin cậy” và “Khả năng đáp ứng” là các khái niệm cấp thấp. Các mũi tên giữa biến tiềm ẩn và biến quan sát phải phản ánh mô hình lý thuyết của đề tài.

Ở cấp dữ liệu, mỗi dòng là một người trả lời và mỗi cột là một biến quan sát. Hàng đầu tiên nên chứa tên biến duy nhất, không dấu và không có khoảng trắng. Các dòng sau chứa mã số hoặc giá trị Likert đã được mã hóa bằng số. File .csv thường dùng dấu phẩy hoặc dấu chấm phẩy làm dấu phân cách. Nếu SmartPLS đọc dồn toàn bộ dữ liệu vào một cột, bạn cần kiểm tra lại delimiter khi lưu file.

Tên biến nên ngắn và nhất quán, chẳng hạn CLDV1, CLDV2, REL1, REL2. Không đặt hai cột trùng tên. Những biến đảo chiều cần được mã hóa lại trước khi nhập vào SmartPLS, vì phần mềm không tự biết một giá trị 5 đang mang ý nghĩa tích cực hay tiêu cực.

Bạn cũng nên kiểm tra các ô trống, ký tự chữ trong cột số và giá trị ngoài thang đo. Việc lặp một chỉ báo trong mô hình không có nghĩa là bạn được phép lặp cột đó trong file CSV. File dữ liệu chỉ có một cột REL1. Chỉ trong sơ đồ mô hình, bạn mới gán REL1 cho cấu trúc cấp thấp và cấu trúc cấp cao.

Nếu mô hình có biến điều tiết, hãy tách phần đó khỏi logic của chỉ báo lặp lại. Biến điều tiết trong SmartPLS được xử lý bằng quan hệ tương tác, còn chỉ báo lặp lại liên quan đến mô hình phân cấp. Tương tự, biến giả trong SmartPLS là vấn đề mã hóa biến phân loại, không phải một cách tạo cấu trúc cấp cao.

Các bước thực hiện trong SmartPLS 4

Các menu dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có vị trí một số lệnh khác, nên bạn không nên chép nguyên đường dẫn menu của phiên bản cũ vào hướng dẫn phương pháp.

Bước 1: Tạo project và nhập file dữ liệu

Mở SmartPLS 4, chọn tạo project mới rồi thêm file dữ liệu .csv. Sau khi nhập, mở phần dữ liệu để kiểm tra số quan sát, tên cột và kiểu dữ liệu. Nếu tên biến bị cắt hoặc các cột bị dồn, dừng ở bước này và sửa file gốc.

SmartPLS có thể hiển thị các biến được đọc từ file. Hãy đối chiếu danh sách đó với bảng mã biến trong chương 3. Chỉ báo lặp lại không sửa được một file nhập sai. Nếu dữ liệu thiếu nhiều, bạn cần ghi nhận cách xử lý missing values thay vì âm thầm thay đổi giá trị.

Bước 2: Tạo mô hình đo lường cấp thấp

Trong project, tạo mô hình PLS-SEM mới. Kéo các biến tiềm ẩn cấp thấp vào canvas, sau đó kéo nhóm chỉ báo tương ứng từ danh sách dữ liệu vào từng biến. Ví dụ, kéo REL1 đến REL4 vào “Độ tin cậy”, rồi kéo RES1 đến RES4 vào “Khả năng đáp ứng”.

Kiểm tra hướng mũi tên. Với reflective measurement, mũi tên thường đi từ biến tiềm ẩn đến các indicator. Với formative measurement, mũi tên đi từ indicator vào biến tiềm ẩn. Bạn cần giữ đúng đặc tả đã giải thích trong phương pháp nghiên cứu, vì cùng một nhóm biến nhưng đổi hướng mũi tên sẽ tạo ra cách diễn giải khác.

Bước 3: Tạo cấu trúc cấp cao

Tạo thêm biến tiềm ẩn “Chất lượng dịch vụ” trên canvas. Để thiết lập repeated indicators, chọn các chỉ báo cấp thấp cần lặp lại và gán chúng cho cấu trúc cấp cao theo công cụ của SmartPLS 4. Tùy cách bố trí giao diện, bạn có thể chọn thao tác gán indicator cho construct cấp cao từ menu ngữ cảnh hoặc kéo lại indicator từ danh sách dữ liệu.

Điểm cần kiểm tra là cấu trúc cấp cao đã nhận đúng toàn bộ nhóm chỉ báo chưa. Nếu cấu trúc cấp cao chỉ nhận REL1 đến REL4 mà thiếu RES1 đến RES4, kết quả outer loading và chất lượng đo lường sẽ bị diễn giải sai. Chụp lại sơ đồ hoặc lưu phiên bản mô hình trước khi chạy để có dấu vết chỉnh sửa.

Bước 4: Nối mô hình đo lường với mô hình cấu trúc

Vẽ các mũi tên giữa các biến tiềm ẩn theo giả thuyết. Chẳng hạn, “Chất lượng dịch vụ” tác động đến “Sự hài lòng”, rồi “Sự hài lòng” tác động đến “Ý định tiếp tục sử dụng”. Không nối đồng thời cấp thấp và cấp cao vào cùng một quan hệ nếu mô hình lý thuyết của bạn chỉ kiểm định cấp cao.

Nếu muốn so sánh tác động riêng của từng thành phần với tác động của khái niệm tổng quát, đó là một mô hình khác và cần giải thích rõ nguy cơ chồng lấn khái niệm. Repeated indicators không tự quyết định biến nào là biến độc lập hay phụ thuộc.

Bước 5: Chạy PLS Algorithm

Chọn Calculate > PLS-SEM Algorithm trong SmartPLS 4. Ở lần chạy đầu, giữ thiết lập mặc định trừ khi phương pháp nghiên cứu của bạn có lý do cụ thể để thay đổi. Chạy mô hình và mở các kết quả như Outer Loadings, Construct Reliability and Validity, Discriminant Validity và R Square.

Nếu mô hình báo lỗi, kiểm tra trước tên biến, kiểu dữ liệu, chỉ báo chưa được gán và các quan hệ bị bỏ trống. Đừng loại một indicator chỉ vì phần mềm hiển thị cảnh báo. Bạn cần xem loading, cơ sở lý thuyết và ảnh hưởng đến độ tin cậy trước khi quyết định.

Bước 6: Chạy Bootstrapping

Sau khi mô hình đo lường đã được kiểm tra, chọn Calculate > Bootstrapping. Thiết lập số bootstrap theo thiết kế nghiên cứu. Với quy trình PLS-SEM hiện hành, 5.000 bootstrap subsamples là mức thường được dùng theo (Hair và cộng sự, 2022).

Mở các bảng Path Coefficients, Total Effects, Specific Indirect Effects và khoảng tin cậy. Nếu đề tài không có mediator, bạn không cần tạo một diễn giải trung gian chỉ vì bảng kết quả có sẵn. Nếu có mediator, hãy xem riêng tác động trực tiếp, gián tiếp và tổng tác động.

Đọc bảng kết quả

Đầu tiên, xem Outer Loadings của các chỉ báo. Bảng này cho biết mỗi indicator liên hệ với construct nào. Trong mô hình có repeated indicators, cùng một indicator có thể xuất hiện trong phần đánh giá liên quan đến cấu trúc cấp thấp và cấp cao. Bạn cần ghi rõ đang đọc kết quả của cấp nào, tránh lấy loading của cấp thấp để kết luận trực tiếp cho cấp cao.

Tiếp theo, xem Construct Reliability and Validity. Các cột thường gồm Cronbach's Alpha, rho_A, Composite Reliability và Average Variance Extracted, thường được hiển thị là AVE. Một construct cấp cao có thể có kết quả khác construct cấp thấp vì tập indicator được sử dụng và cách đặc tả mô hình khác nhau.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm kết quả thường gặp trong SmartPLS 4 để bạn nhận ra vị trí cần đọc.

Trong bảng minh họa, dòng “REL1, RES1...” chỉ mô tả nhóm chỉ báo lặp lại, không phải một indicator có tên như vậy. Khi xuất kết quả thật, bạn cần giữ tên từng indicator. R² chỉ áp dụng cho biến nội sinh, chẳng hạn “Sự hài lòng”, không áp dụng cho một biến ngoại sinh không có mũi tên đi vào.

Sau đó mở Discriminant Validity. SmartPLS 4 có thể hiển thị HTMT và tiêu chí Fornell-Larcker. Nếu HTMT giữa hai construct quá cao, hãy kiểm tra xem hai khái niệm có thực sự phân biệt về mặt lý thuyết hay không. Việc chỉ đổi tên construct để làm HTMT đẹp hơn không giải quyết vấn đề đo lường.

Cuối cùng, mở Path Coefficients trong kết quả bootstrapping. Bạn đọc hệ số đường dẫn, độ lệch chuẩn, t-value, p-value và khoảng tin cậy. Kết luận giả thuyết phải dựa trên hướng tác động, mức ý nghĩa đã chọn và khoảng tin cậy, không dựa riêng vào R².

Ngưỡng đánh giá

Các ngưỡng dưới đây chỉ là điểm tham chiếu. Bạn cần đặt chúng cạnh đặc tả mô hình, bối cảnh đề tài và lý do loại hoặc giữ indicator. PLS-SEM không dùng nhóm fit indices của CB-SEM để thay thế cho đánh giá measurement model và structural model.

Với reflective construct, outer loading từ 0.7 trở lên thường được xem là đạt theo (Chin, 1998). Khi loading thấp hơn, bạn không nên xóa ngay. Hãy xem AVE, Composite Reliability, nội dung biến quan sát và việc xóa biến có làm thay đổi ý nghĩa khái niệm hay không.

Nếu cấu trúc cấp cao là formative, cách đánh giá sẽ khác. Bạn cần xem collinearity giữa các indicator, outer weights và ý nghĩa thống kê của chúng. Vì vậy, không thể lấy ngưỡng AVE của reflective measurement áp nguyên xi cho formative measurement.

Đừng đưa CFI, TLI hoặc RMSEA vào phần đánh giá SmartPLS. Các ngưỡng CFI và TLI từ 0.90, RMSEA và SRMR không quá 0.08 thuộc CB-SEM theo (Hu và Bentler, 1999), không phải nhóm chỉ số cốt lõi để kết luận một mô hình PLS-SEM.

Cách trình bày trong chương 4

Bạn nên tách phần kết quả thành ba lớp: đánh giá measurement model, đánh giá structural model và kiểm định giả thuyết. Trong lớp đầu, giải thích vì sao mô hình có cấu trúc cấp cao, chỉ báo nào được lặp lại, và repeated indicators được dùng ở bước nào.

Cách viết vào luận văn: “Kết quả đánh giá measurement model cho thấy các outer loading của nhóm chỉ báo lặp lại dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. Composite Reliability của [tên construct] đạt [giá trị], AVE đạt [giá trị], lần lượt được đối chiếu với ngưỡng [ngưỡng] theo [nguồn]. Do đó, [kết luận về độ tin cậy và giá trị hội tụ].”

Ở phần structural model, báo cáo VIF trước khi diễn giải đường dẫn. Sau đó trình bày R² của biến nội sinh, f² nếu bạn đánh giá kích thước tác động, Q² nếu có thực hiện quy trình phù hợp, rồi mới chuyển sang bảng giả thuyết.

Một bảng kết quả nên có mã giả thuyết, đường dẫn, path coefficient, t-value hoặc p-value, khoảng tin cậy và kết luận. Với mô hình phân cấp, tên đường dẫn phải nói rõ cấp nào, chẳng hạn “Chất lượng dịch vụ cấp cao → Sự hài lòng”, thay vì ghi một mã khó hiểu như H3a mà không có chú thích.

Bạn có thể trình bày phần phân biệt với biến điều tiết ở mục riêng nếu đề tài có interaction term. Nếu mô hình có nhiều phân khúc dữ liệu, quy trình FIMIX trong SmartPLS 4 cũng cần được báo cáo riêng, không gộp vào kết quả repeated indicators.

Lỗi thường gặp

Gán thiếu chỉ báo cho cấu trúc cấp cao

Đây là lỗi dễ gặp nhất. Bạn tạo cấu trúc cấp cao nhưng chỉ kéo nhóm indicator của một thành phần vào đó. Hãy lập danh sách các construct cấp thấp và đối chiếu từng mã biến trước khi chạy PLS Algorithm.

Lặp cột trong file CSV

Repeated indicators chỉ là cách gán trong mô hình. Bạn không cần tạo REL1_copy và REL1_copy2 trong file. Việc nhân bản cột có thể khiến bạn tưởng mình có thêm thông tin, trong khi dữ liệu thực tế vẫn là cùng một biến.

Dùng sai loại measurement model

Một số bạn chọn reflective cho tất cả construct vì thấy thao tác nhanh. Nếu cấp cao được hình thành bởi các thành phần khác nhau, bạn cần quay lại lý thuyết để xác định formative hay reflective. Kết quả đẹp không đủ để biện minh cho đặc tả sai.

Xóa indicator chỉ vì loading dưới 0.7

Hãy ghi lại từng vòng chạy, giá trị loading, AVE và Composite Reliability trước và sau khi xóa. Nếu biến quan sát đại diện cho nội dung quan trọng của khái niệm, giữ lại có thể hợp lý hơn việc chạy theo một con số đơn lẻ.

Đọc nhầm kết quả cấp thấp và cấp cao

Trong bảng kết quả có thể xuất hiện cùng mã indicator ở nhiều vị trí. Khi viết chương 4, luôn ghi tên construct đi kèm con số và kiểm tra đường dẫn đang thuộc cấp nào.

Đọc thêm: biến kiểm soát là gì, biến điều tiết, biến điều tiết trong smartpls, biến giả trong smartpls, cách chạy fimix smartpls 4, chủ đề smartpls.

Câu hỏi thường gặp

Chỉ báo lặp lại trong SmartPLS có bắt buộc cho mọi mô hình bậc cao không?

Không. Đây là một cách tiếp cận cho mô hình phân cấp, bên cạnh các cách tiếp cận khác như two-stage approach hoặc hybrid approach. Bạn chọn cách nào phụ thuộc vào loại measurement model, số lượng indicator và logic lý thuyết của đề tài.

Có được dùng cùng một indicator cho hai construct độc lập không?

Bạn cần rất thận trọng. Repeated indicators có mục đích rõ trong cấu trúc cấp cao, còn việc dùng cùng một indicator cho hai construct độc lập có thể làm mờ ranh giới khái niệm và tạo vấn đề về giá trị phân biệt. Nếu không có lập luận phương pháp vững, không nên gán lặp tùy tiện.

SmartPLS báo lỗi khi tạo repeated indicators thì làm sao?

Kiểm tra file CSV, tên cột, ký tự đặc biệt, giá trị không phải số và indicator chưa được gán. Tiếp theo, xóa cấu trúc vừa tạo, lưu mô hình, mở lại project rồi thiết lập từng nhóm một. Bạn cũng nên kiểm tra phiên bản SmartPLS 4 đang dùng vì vị trí menu có thể thay đổi giữa các bản cập nhật.

Có cần chạy Cronbach's Alpha riêng cho nhóm chỉ báo lặp lại không?

Bạn cần báo cáo các chỉ số reliability và validity theo construct mà mô hình đang đánh giá. Nếu chỉ chạy một bảng alpha bằng SPSS cho toàn bộ nhóm biến rồi kết luận cho cấu trúc cấp cao, bạn có thể bỏ sót sự khác biệt giữa cấp thấp và cấp cao. SmartPLS cung cấp các chỉ số phù hợp hơn với quy trình PLS-SEM.

Có thể dùng repeated indicators trong SPSS không?

SPSS có thể hỗ trợ kiểm tra reliability, EFA hoặc hồi quy, nhưng không có cùng cơ chế mô hình hóa cấu trúc cấp cao như SmartPLS. Nếu đề tài dùng PLS-SEM, bạn nên giữ mô hình và kết quả chính trong SmartPLS, còn SPSS chỉ dùng cho bước làm sạch hoặc mô tả dữ liệu khi phương pháp của bạn quy định như vậy.

Khi làm tiếp, bạn hãy mở mô hình SmartPLS 4, lập một bảng đối chiếu construct cấp thấp, construct cấp cao và từng indicator, rồi chạy lại PLS Algorithm trước khi chỉnh sửa kết quả. Nếu cần chạy phân tích trên file .sav hoặc .csv và muốn kiểm tra từng bước trên dữ liệu của mình, bạn có thể dùng module M4 phân tích của DoThesis.