Consistent PLS trong SmartPLS: cách chạy và đọc kết quả
Bạn mở SmartPLS lên, mô hình đã vẽ xong nhưng vẫn phân vân nên chọn PLS-SEM hay Consistent PLS. Điểm cần nhớ là Consistent PLS, thường được viết là PLSc, được dùng trong SmartPLS để ước lượng mô hình PLS-SEM khi các construct phản ánh được xem là những khái niệm chung đứng phía sau các biến quan sát. Thủ tục này điều chỉnh mức tương quan giữa các indicator phản xạ, từ đó hướng kết quả gần hơn với mô hình nhân tố chung.
PLSc không phải một kiểm định riêng thay thế toàn bộ quy trình PLS-SEM. Bạn vẫn phải đánh giá measurement model, structural model, độ tin cậy, giá trị hội tụ, giá trị phân biệt và ý nghĩa của các path. Bài này đi theo SmartPLS 4, với dữ liệu thật của bạn trong file .csv.
Consistent PLS trong SmartPLS dùng để làm gì
Trong PLS-SEM thông thường, construct được ước lượng theo logic composite. Với construct phản xạ, cách này có thể làm hệ số tương quan giữa các construct bị lệch so với quan hệ giữa các nhân tố chung. Consistent PLS, hay PLSc, bổ sung một bước hiệu chỉnh cho phần measurement model phản xạ.
Bạn có thể hình dung ba tình huống. Nếu mô hình có construct tạo thành từ các thành phần hoặc chỉ số, PLS-SEM thông thường thường phù hợp hơn. Nếu construct được xem là nguyên nhân tạo ra các biến quan sát, chẳng hạn thái độ, niềm tin hoặc ý định, PLSc có thể là lựa chọn cần cân nhắc. Nếu mô hình có cả construct phản xạ và formative, bạn cần kiểm tra từng phần thay vì bật PLSc theo thói quen cho toàn bộ mô hình.
SmartPLS vẫn tạo ra các kết quả quen thuộc như Path Coefficients, Outer Loadings, Construct Reliability and Validity, Discriminant Validity, R Square và f Square. Điểm khác nằm ở thuật toán ước lượng và các cột kết quả liên quan đến consistent reliability, chẳng hạn rho_A hoặc kết quả đã hiệu chỉnh cho construct phản xạ.
Bạn nên đọc thêm phần tổng quan về chủ đề SmartPLS nếu chưa phân biệt measurement model với structural model. PLSc chỉ có ý nghĩa khi bạn xác định đúng loại đo lường trước khi chạy.
Chuẩn bị mô hình và dữ liệu
Phân biệt measurement model và structural model
Measurement model mô tả quan hệ giữa construct và indicator. Structural model mô tả mũi tên giữa các construct, chẳng hạn Niềm tin → Ý định sử dụng. Trước khi chọn PLSc, bạn cần xem mũi tên giữa construct và indicator là reflective hay formative.
Ở mô hình reflective, construct được giả định tạo ra sự biến thiên của các indicator. Các biến quan sát thường có nội dung gần nhau, có thể tương quan và có khả năng loại một indicator mà không làm thay đổi hoàn toàn ý nghĩa construct. Ở mô hình formative, các indicator cùng tạo thành construct và việc xóa một indicator có thể làm mất một khía cạnh nội dung.
PLSc chủ yếu phù hợp với phần reflective. Nếu bạn chưa có cơ sở lý thuyết để quyết định, đừng dựa riêng vào việc SmartPLS cho phép chọn một tùy chọn. Hãy đối chiếu định nghĩa construct, nguồn thang đo và cách bạn viết giả thuyết trong chương 2, chương 3.
Đặt tên indicator nhất quán
Tên cột trong file .csv phải trùng với tên indicator trong mô hình. Bạn nên dùng dạng PU1, PU2, PU3 hoặc NI1, NI2, NI3, không dùng dấu cách, ký tự đặc biệt và tên quá dài. Mỗi dòng thường là một người trả lời, mỗi cột là một indicator hoặc biến nền.
Nếu bảng hỏi dùng thang Likert 1 đến 5, hãy bảo đảm các giá trị đã được mã hóa cùng chiều. Một biến đảo chiều phải được recode trước khi nhập vào SmartPLS. Nếu để nguyên một indicator đảo chiều, outer loading có thể âm hoặc thấp, sau đó bạn sẽ tưởng rằng PLSc chạy lỗi.
Kiểm tra file .csv
Mở file bằng Excel hoặc trình soạn thảo văn bản để kiểm tra dòng đầu tiên là tên biến. Không để tiêu đề nghiên cứu, ghi chú hoặc dòng trống nằm phía trên header. Các ô dữ liệu nên là số; giá trị thiếu cần được xử lý thống nhất thay vì trộn giữa ô trống, chữ NA và ký hiệu khác.
| Hạng mục kiểm tra | Điều bạn cần xác nhận | Hậu quả nếu bỏ qua |
|---|---|---|
| Tên cột | Trùng với indicator trong SmartPLS | Indicator không được nhận diện |
| Kiểu dữ liệu | Giá trị Likert là số | SmartPLS đọc sai hoặc loại dòng |
| Biến đảo chiều | Đã recode cùng chiều | Loading âm hoặc thấp |
| Giá trị thiếu | Có quy tắc xử lý rõ ràng | Kết quả không ổn định |
| Loại construct | Reflective hoặc formative đã được xác định | Chọn PLSc sai logic |
Bạn có thể chạy PLS Algorithm trước để kiểm tra mô hình cơ bản. Quy trình PLS Algorithm trong SmartPLS được trình bày riêng tại bài PLS Algorithm trong SmartPLS. Khi mô hình chưa có lỗi kết nối, hãy chuyển sang Consistent PLS.
Các bước thực hiện trong SmartPLS 4
Bước 1: Mở project và kiểm tra mô hình
Trong SmartPLS 4, mở project chứa mô hình, kiểm tra tên construct, indicator và hướng mũi tên. Nhấp đúp vào từng construct để xem loại đo lường. Với mô hình có construct phản xạ, hãy xác nhận các indicator đang nối từ construct ra indicator theo quy ước của mô hình bạn.
Nếu mô hình có higher-order construct, two-stage hoặc repeated indicators, hãy ghi lại cách bạn đang xây dựng mô hình. PLSc ở mô hình phân cấp có thể cần cách thiết lập khác với mô hình một tầng, vì vậy đừng chỉ nhìn vào tên thủ tục.
Bước 2: Chọn Consistent PLS trong SmartPLS 4
Trong cửa sổ mô hình SmartPLS 4, chọn Calculate trên thanh công cụ. Tùy phiên bản và giao diện, bạn sẽ thấy nhóm lựa chọn liên quan đến PLS-SEM Algorithm hoặc Consistent PLS-SEM Algorithm. Chọn Consistent PLS-SEM Algorithm, sau đó kiểm tra lại phần thiết lập trước khi chạy.
Một số phiên bản đặt PLSc trong menu mở rộng của PLS-SEM Algorithm. Nếu không thấy đúng tên, kiểm tra menu Calculate thay vì tìm trong phần Bootstrapping. Bootstrapping dùng để kiểm tra ý nghĩa thống kê, còn PLSc là lựa chọn của thuật toán ước lượng.
Bước 3: Kiểm tra cài đặt thuật toán
Trong hộp thoại cài đặt, giữ lại các thiết lập mặc định nếu bạn chưa có lý do phương pháp luận để thay đổi. Chú ý maximum iterations, stop criterion và scheme. Nếu thay đổi, ghi lại thiết lập trong file theo dõi phân tích để có thể giải trình.
Chọn Start Calculation hoặc nút chạy tương đương. SmartPLS sẽ tạo một kết quả mới trong khu vực kết quả của project. Đặt tên kết quả có ngày chạy, chẳng hạn PLSc_2026_09_08, để không nhầm với kết quả PLS Algorithm thông thường.
Bước 4: Chạy bootstrapping cho PLSc
Sau khi kiểm tra kết quả thuật toán, chọn Calculate > Bootstrapping. Chọn mô hình và kết quả PLSc làm đầu vào nếu SmartPLS yêu cầu. Với quy trình PLS-SEM hiện hành, có thể dùng 5.000 bootstrap subsamples theo khuyến nghị của (Hair và cộng sự, 2022).
Chọn loại khoảng tin cậy phù hợp với cách trường hoặc giảng viên yêu cầu, sau đó chạy bootstrapping. Kết quả cần đọc gồm Path Coefficients, Total Effects, Specific Indirect Effects, Outer Loadings và khoảng tin cậy. Bài Bootstrapping trong SmartPLS giải thích sâu hơn cách đọc t-value, p-value và confidence interval.
Bước 5: Lưu và xuất bảng kết quả
Trong khu vực kết quả, dùng chức năng export để lưu bảng cần đưa vào luận văn. Không chụp toàn bộ màn hình SmartPLS rồi dán vào chương 4. Hãy chọn đúng bảng, kiểm tra số chữ số thập phân và đặt tên bảng theo construct hoặc nhóm giả thuyết.
Bạn cũng nên lưu phiên bản dữ liệu, mô hình và kết quả trong cùng một thư mục. Nếu loại indicator sau khi xem outer loading, hãy ghi lý do và chạy lại toàn bộ quy trình. Không lấy path coefficient của lần chạy trước ghép với R² của lần chạy sau.
Đọc bảng kết quả
Sau khi chạy PLSc, hãy đọc theo thứ tự measurement model rồi structural model. Với measurement model, xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Với structural model, xem R Square, f Square, Path Coefficients và kết quả bootstrapping.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể. Tên cột được viết theo cách SmartPLS thường hiển thị để bạn đối chiếu với file của mình.
| Construct / Relationship | Outer Loading | Cronbach's Alpha | rho_A | Composite Reliability | AVE | Path Coefficient | p-value |
|---|---|---|---|---|---|---|---|
| Niềm tin | 0.742 đến 0.861 | 0.824 | 0.831 | 0.878 | 0.643 | ||
| Nhận thức hữu ích | 0.716 đến 0.844 | 0.801 | 0.809 | 0.866 | 0.619 | ||
| Niềm tin → Ý định sử dụng | 0.386 | 0.003 | |||||
| Nhận thức hữu ích → Ý định sử dụng | 0.291 | 0.018 | |||||
| Ý định sử dụng, R² | 0.472 |
Trong ví dụ này, 0.386 là path coefficient, không phải p-value. Kết luận về giả thuyết cần dựa đồng thời vào dấu của hệ số, p-value hoặc khoảng tin cậy bootstrap và hướng giả thuyết đã đặt ra. Một hệ số dương nhưng khoảng tin cậy chứa số 0 chưa đủ để kết luận quan hệ có ý nghĩa.
PLSc cũng có thể làm một số chỉ số khác với PLS Algorithm thông thường. Bạn không nên so sánh hai kết quả chỉ bằng cách chọn con số lớn hơn. Hãy ghi rõ thuật toán đã dùng, construct nào reflective và kết quả nào được dùng để kiểm định giả thuyết.
Ngưỡng đánh giá
Các ngưỡng dưới đây giúp bạn sàng lọc kết quả, nhưng không thay thế lập luận lý thuyết. Một indicator thấp chưa tự động có nghĩa phải xóa ngay. Bạn cần xem nội dung biến quan sát, tác động đến CR và AVE, giá trị phân biệt, cũng như yêu cầu của thang đo gốc.
| Chỉ số | Ngưỡng tham khảo | Nguồn canonical |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998) và (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) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) |
| R² | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) và (Hair và cộng sự, 2022) |
| Bootstrap subsamples | 5.000 mẫu lặp | (Hair và cộng sự, 2022) |
rho_A là chỉ số độ tin cậy thường được báo cáo trong PLS-SEM. Khi viết chương 4, hãy báo cáo nó cùng các chỉ số phù hợp khác nếu SmartPLS xuất bảng, thay vì chỉ giữ lại chỉ số đạt ngưỡng. Nếu một chỉ số không đạt, cần nêu cách xử lý và lý do.
PLSc vẫn dùng logic PLS-SEM nên bạn cần giữ đúng nhóm chỉ số. CFI, TLI và RMSEA thuộc nhóm đánh giá fit thường dùng trong CB-SEM, chẳng hạn AMOS. Không đưa các chỉ số này vào bảng PLSc chỉ vì bạn thấy chúng trong một mẫu luận văn khác.
Cách trình bày trong chương 4
Bạn có thể trình bày theo bốn đoạn. Đoạn đầu nói rõ mô hình được ước lượng bằng Consistent PLS trong SmartPLS 4 và construct phản xạ nào được áp dụng. Đoạn thứ hai báo cáo độ tin cậy và giá trị hội tụ. Đoạn thứ ba báo cáo HTMT hoặc tiêu chí giá trị phân biệt. Đoạn cuối trình bày R², f², path coefficient và kết quả bootstrapping.
Cách viết vào luận văn: “Mô hình được ước lượng bằng Consistent PLS trên SmartPLS 4 do các construct [TÊN CONSTRUCT] được đặc tả theo hướng reflective. Kết quả cho thấy Composite Reliability của các construct dao động từ [GIÁ TRỊ THẤP NHẤT] đến [GIÁ TRỊ CAO NHẤT], AVE dao động từ [GIÁ TRỊ] đến [GIÁ TRỊ], qua đó [đạt/chưa đạt] tiêu chí tham khảo.”
Bạn có thể viết phần giả thuyết như sau: “Kết quả bootstrapping cho thấy tác động của [BIẾN ĐỘC LẬP] đến [BIẾN PHỤ THUỘC] có path coefficient là [β], p-value là [p] và khoảng tin cậy [CẤP ĐỘ]% là [[CẬN DƯỚI], [CẬN TRÊN]]. Do khoảng tin cậy [không chứa/có chứa] 0, giả thuyết H[ SỐ ] được [chấp nhận/không được ủng hộ].” Hãy thay toàn bộ placeholder bằng số liệu trong chính output của bạn.
Nếu nghiên cứu có mediation, hãy xem Specific Indirect Effects, không suy luận chỉ từ việc hai path trực tiếp đều có ý nghĩa. Với indirect effect, khoảng tin cậy bootstrap không chứa 0 là căn cứ quan trọng theo (Preacher và Hayes, 2008). Nếu có moderation, cần đọc interaction effect và cách diễn giải simple slope theo thiết kế phân tích của bạn.
Lỗi thường gặp
Bật PLSc cho mọi mô hình
PLSc không phải tùy chọn mặc định cho mọi đề tài. Nếu construct là formative hoặc composite, việc bật PLSc có thể không phù hợp với đặc tả đo lường. Hãy sửa mô hình trước khi chạy lại.
Dùng nhầm kết quả PLS Algorithm
Bạn có thể chạy cả PLS Algorithm và PLSc trong cùng project. Khi xuất bảng, hãy kiểm tra tên calculation ở đầu trang kết quả. Ghi rõ Consistent PLS-SEM Algorithm trong bảng hoặc phần phương pháp để tránh lấy nhầm path coefficient.
Xóa indicator chỉ vì loading thấp
Xóa biến quan sát làm thay đổi nội dung thang đo. Trước khi xóa, kiểm tra corrected item-total correlation ở bước SPSS, nguồn thang đo, CR, AVE và HTMT sau khi loại. Nếu indicator đại diện cho một khía cạnh cần thiết, hãy trao đổi với giảng viên thay vì xóa để làm đẹp bảng.
Trộn kết quả giữa các vòng chạy
Sau mỗi lần loại indicator, hãy chạy lại PLSc và bootstrapping. Lưu từng vòng với tên riêng. Đặc biệt, R² và path coefficient phải đến từ cùng một mô hình cuối cùng.
Đánh giá mô hình bằng CFI hoặc RMSEA
Đây là lỗi do trộn CB-SEM với PLS-SEM. Nếu bạn cần các fit index như CFI, TLI hoặc RMSEA, hãy xác định lại mục tiêu và phần mềm, chẳng hạn AMOS. Với PLSc, hãy tập trung vào nhóm chỉ số phù hợp với PLS-SEM.
Đọc thêm: blindfolding trong smartpls, bootstrapping trong smartpls, cách chạy ipma smartpls 4, ipma trong smartpls, pls algorithm trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
Consistent PLS trong SmartPLS là gì
Consistent PLS, viết tắt là PLSc, là thuật toán trong SmartPLS dùng để hiệu chỉnh ước lượng cho các construct reflective. Nó giúp kết quả phù hợp hơn với giả định construct là nhân tố chung đứng sau các indicator.
PLSc vẫn thuộc quy trình PLS-SEM. Bạn vẫn cần kiểm tra measurement model, structural model và bootstrapping.
Khi nào nên dùng Consistent PLS thay cho PLS Algorithm
Bạn nên cân nhắc PLSc khi các construct trong mô hình được đặc tả reflective và mục tiêu nghiên cứu cần ước lượng quan hệ giữa các nhân tố chung. Nếu construct là formative hoặc composite, cần xem lại đặc tả trước khi chọn.
Quyết định này nên dựa vào lý thuyết và nguồn thang đo, không dựa vào việc một thuật toán tạo ra con số đẹp hơn.
Consistent PLS có phải là CB-SEM không
Không. PLSc vẫn là một thủ tục trong họ PLS-SEM. Vì vậy bạn không lấy CFI, TLI hoặc RMSEA làm ngưỡng chính để đánh giá kết quả PLSc.
Các chỉ số thường cần đọc gồm outer loading, CR, AVE, HTMT, VIF, R², f², Q², path coefficient và kết quả bootstrapping.
Chạy PLSc rồi có cần bootstrapping không
Có, nếu bạn cần kiểm định ý nghĩa của path coefficient, outer loading hoặc indirect effect. PLSc tạo ra ước lượng, còn bootstrapping cung cấp phân phối lặp để đánh giá p-value và khoảng tin cậy.
Bạn có thể xem thêm Blindfolding trong SmartPLS khi nghiên cứu yêu cầu đánh giá Q², nhưng hãy kiểm tra thủ tục phù hợp với phiên bản SmartPLS và loại mô hình của bạn.
SmartPLS 3 và SmartPLS 4 có giống nhau không
Logic phương pháp gần nhau nhưng vị trí menu và tên thao tác có thể thay đổi. Bài này dùng SmartPLS 4, trong đó bạn bắt đầu từ Calculate và tìm lựa chọn Consistent PLS-SEM Algorithm. Khi dùng SmartPLS 3, hãy đối chiếu tên menu trên chính giao diện của phiên bản đó.
Bây giờ bạn nên tạo một bản sao project, chạy Consistent PLS-SEM Algorithm, lưu tên calculation riêng, rồi đối chiếu lần lượt Construct Reliability and Validity, Discriminant Validity, R Square và Path Coefficients; nếu cần chạy toàn bộ phân tích trên file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.