CTA PLS trong SmartPLS: cách chạy và đọc kết quả
CTA PLS trong SmartPLS dùng để làm gì
CTA PLS thường được dùng để chỉ phân tích tác động điều kiện trong mô hình PLS-SEM, trong đó bạn kiểm tra một biến điều tiết làm thay đổi mức độ hoặc chiều tác động của biến độc lập lên biến phụ thuộc. Trong SmartPLS, kết quả thường được đọc qua interaction term, path coefficient, p-value, confidence interval và các chỉ số của structural model.
Ví dụ, bạn nghiên cứu tác động của Chất lượng dịch vụ lên Sự hài lòng, với Niềm tin là biến điều tiết. Mô hình sẽ có tác động chính từ Chất lượng dịch vụ đến Sự hài lòng, tác động của Niềm tin đến Sự hài lòng, và một interaction term thể hiện tác động kết hợp giữa Chất lượng dịch vụ và Niềm tin. Nếu interaction term có ý nghĩa thống kê, bạn có cơ sở xem xét vai trò điều tiết.
Bạn cần phân biệt CTA PLS với kiểm định tác động trực tiếp hoặc tác động trung gian. Tác động trực tiếp trả lời câu hỏi một biến ảnh hưởng đến biến khác ở mức nào. Tác động trung gian kiểm tra một biến truyền dẫn ảnh hưởng. Tác động điều tiết trả lời câu hỏi mối quan hệ đó có thay đổi theo mức của biến thứ ba hay không. Bạn có thể xem thêm hướng dẫn về biến điều tiết trong SmartPLS trước khi dựng mô hình.
Trong SmartPLS, CTA PLS thuộc nhóm PLS-SEM. Vì vậy, các chỉ số phù hợp gồm path coefficient, R², f², Q², VIF, CR, AVE và HTMT. CFI, TLI và RMSEA thuộc cách đánh giá CB-SEM, không nên đưa vào phần đánh giá một mô hình SmartPLS.
Chuẩn bị mô hình và dữ liệu
Trước khi mở phần Calculate, bạn cần kiểm tra hai lớp của mô hình. Measurement model mô tả quan hệ giữa biến tiềm ẩn và các biến quan sát. Structural model mô tả các mũi tên giữa những biến tiềm ẩn, bao gồm cả biến điều tiết và interaction term.
Nếu biến điều tiết được đo bằng nhiều biến quan sát, hãy tạo một construct riêng, chẳng hạn NT cho Niềm tin, với các chỉ báo NT1, NT2, NT3. Biến độc lập có thể đặt là CLDV, biến phụ thuộc là HL. Tên chỉ báo nên ngắn, không chứa dấu cách, không dùng ký tự đặc biệt. Cách đặt tên nhất quán giúp bạn đối chiếu output với bảng hỏi và file dữ liệu.
SmartPLS 4 thường nhận dữ liệu dạng .csv. Mỗi hàng là một người trả lời, mỗi cột là một biến quan sát. Hàng đầu tiên là tên biến. Các ô dữ liệu nên là số, không trộn chữ như đồng ý, không áp dụng hoặc dấu phẩy trong cùng một cột. Nếu bảng hỏi dùng thang Likert 5 điểm, giá trị nên được mã hóa từ 1 đến 5 theo cùng một quy tắc.
| Việc cần kiểm tra | Dấu hiệu dữ liệu đạt | Cách xử lý nếu có vấn đề |
|---|---|---|
| Tên cột | Trùng với tên indicator trong SmartPLS | Đổi tên trước khi import |
| Kiểu dữ liệu | Giá trị số, không có chữ trong cột chỉ báo | Mã hóa lại câu trả lời |
| Dữ liệu thiếu | Đã xác định ô trống và mã thiếu | Kiểm tra quy tắc loại hoặc thay thế |
| Biến đảo chiều | Đã đảo mã trước khi chạy | Với Likert 1 đến 5, đổi 1 thành 5, 2 thành 4 và giữ 3 |
| Mô hình | Có measurement model và structural model | Kiểm tra lại hướng mũi tên |
Nếu mô hình có biến kiểm soát, hãy đưa chúng vào structural model theo giả thuyết đã nêu, thay vì thêm sau khi nhìn thấy kết quả. Trường hợp bạn dùng giới tính, nhóm tuổi hoặc một biến phân loại, cần mã hóa hợp lý. Xem thêm bài biến giả trong SmartPLS nếu mô hình có nhóm phân loại.
Bạn cũng nên lưu một bản dữ liệu gốc trước khi đổi mã, loại dòng hoặc xử lý missing value. File phân tích cần có nhật ký ngắn: ngày chạy, số quan sát, biến bị loại và lý do. Khi giảng viên hỏi vì sao kết quả giữa hai lần chạy khác nhau, nhật ký này giúp bạn truy lại thay đổi thay vì đoán.
Các bước thực hiện trong SmartPLS 4
Bước 1: Tạo project và import file CSV
Trong SmartPLS 4, chọn tạo project mới, sau đó import file dữ liệu .csv. Kiểm tra preview để chắc rằng SmartPLS nhận đúng hàng đầu là tên biến. Nếu tiếng Việt trong file bị lỗi mã hóa, hãy lưu lại CSV theo UTF-8 rồi import lại.
Sau khi dữ liệu được nạp, tạo một model mới và kéo các construct vào vùng làm việc. Gán indicator bằng cách chọn construct rồi thêm các biến quan sát tương ứng. Kiểm tra lại số indicator của từng construct với bảng thang đo trong chương 3.
Bước 2: Vẽ measurement model và structural model
Kéo mũi tên từ construct nguyên nhân đến construct kết quả theo giả thuyết. Với construct phản xạ, hướng mũi tên đi từ biến tiềm ẩn đến indicator. Với construct hình thành, hướng mũi tên sẽ khác, nên bạn phải đối chiếu mô hình lý thuyết trước khi chạy.
Một mô hình điều tiết cần có biến độc lập, biến phụ thuộc và biến điều tiết. Trong SmartPLS 4, bạn có thể tạo moderation bằng cách chọn mối quan hệ cần điều tiết, sau đó thêm moderator và chọn phương pháp tạo interaction term. Tên hiển thị có thể khác tùy màn hình và phiên bản, vì vậy hãy kiểm tra phần tạo moderation trong cửa sổ model thay vì tự vẽ một construct interaction như một biến quan sát thông thường.
Bước 3: Chạy PLS-SEM Algorithm
Chọn Calculate rồi chọn PLS-SEM Algorithm. Giữ cấu hình mặc định nếu bạn chưa có lý do phương pháp để thay đổi. Sau khi chạy, xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Collinearity Statistics và R Square.
Đây là vòng kiểm tra measurement model. Nếu outer loading thấp, đừng xóa ngay nhiều indicator chỉ để làm bảng đẹp. Đối chiếu nội dung biến quan sát, Cronbach's Alpha, CR, AVE và HTMT. Việc loại indicator phải có lý do phương pháp và cần được ghi lại.
Bước 4: Kiểm tra collinearity và measurement model
Mở Collinearity Statistics để xem VIF. VIF quá cao có thể làm hệ số đường dẫn không ổn định, đặc biệt khi mô hình có interaction term. Kiểm tra cả indicator VIF và inner VIF nếu SmartPLS cung cấp hai cấp kết quả.
Tiếp theo, đọc Outer Loadings, Cronbach's Alpha, rho_A, Composite Reliability và AVE. Đối với giá trị phân biệt, xem HTMT và bảng Fornell-Larcker nếu bạn báo cáo tiêu chí này. Bạn có thể tham khảo tổng hợp về chủ đề SmartPLS để đặt các chỉ số vào đúng thứ tự đánh giá.
Bước 5: Chạy Bootstrapping
Chọn Calculate rồi Bootstrapping trong SmartPLS 4. Số bootstrap subsamples thường được đặt là 5.000 khi báo cáo PLS-SEM, theo khuyến nghị của (Hair và cộng sự, 2022). Chọn kiểm định hai phía nếu giả thuyết của bạn chỉ nêu có tác động, không nêu chiều cụ thể. Nếu giả thuyết có hướng rõ ràng, hãy thống nhất cách chọn one-tailed hoặc two-tailed với giảng viên.
Sau khi chạy, mở Path Coefficients, T Statistics, P Values và Confidence Intervals. Với CTA PLS, dòng quan trọng thường là interaction term. Bạn cần ghi lại hệ số, độ lệch chuẩn, t-value, p-value và khoảng tin cậy bootstrap, không chỉ chụp một con số p-value.
Bước 6: Kiểm tra tác động điều tiết
Đọc interaction term trước. Nếu đường dẫn từ interaction term đến biến phụ thuộc có p-value đạt mức bạn đã quy định và confidence interval không chứa 0, tác động điều tiết có thể được ủng hộ. Tiếp đó, xem biểu đồ Simple Slope hoặc Interaction Plot nếu SmartPLS tạo được biểu đồ tương ứng.
Biểu đồ giúp bạn giải thích hướng điều tiết. Chẳng hạn, nếu đường tác động của CLDV lên HL dốc hơn khi NT cao, Niềm tin làm mạnh hơn quan hệ này. Nếu đường dốc giảm khi NT cao, Niềm tin làm yếu đi quan hệ. Bạn không nên kết luận chiều điều tiết chỉ từ dấu của p-value.
Đọc bảng kết quả
Trong output SmartPLS 4, bạn cần đọc kết quả theo thứ tự measurement model, structural model rồi mới đến interaction term. Một interaction term có ý nghĩa nhưng measurement model không đạt sẽ làm phần giải thích thiếu nền tảng. Ngược lại, measurement model đạt cũng không có nghĩa mọi giả thuyết đều được chấp nhận.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng output thường gặp trong SmartPLS. Khi làm bài, bạn thay số minh họa bằng số trong project của mình.
| Quan hệ trong mô hình | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values | 2.5% | 97.5% |
|---|---|---|---|---|---|---|---|
| CLDV -> HL | 0.418 | 0.421 | 0.071 | 5.887 | 0.000 | 0.276 | 0.552 |
| NT -> HL | 0.236 | 0.239 | 0.078 | 3.026 | 0.002 | 0.081 | 0.386 |
| CLDV x NT -> HL | 0.149 | 0.151 | 0.064 | 2.328 | 0.020 | 0.025 | 0.276 |
Ở dòng CLDV x NT -> HL, hệ số interaction term là 0.149. Số liệu này minh họa một tác động điều tiết cùng chiều, vì hệ số dương. P-value bằng 0.020 và khoảng tin cậy từ 0.025 đến 0.276 không chứa 0, nên trong ví dụ này tác động điều tiết được ủng hộ ở mức ý nghĩa 5 phần trăm. Bạn vẫn phải đối chiếu với giả thuyết và cách đặt mức ý nghĩa trong đề tài.
R² cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến dự báo trong mô hình. f² giúp xem một biến hoặc interaction term đóng góp thêm bao nhiêu vào R². Q² được dùng để xem khả năng dự báo ngoài mẫu theo logic cross-validation. Các chỉ số này bổ sung cho p-value, chứ không thay thế việc kiểm tra ý nghĩa thống kê.
Ngưỡng đánh giá
Không nên gom toàn bộ ngưỡng vào một con số duy nhất. Một mô hình có p-value đạt nhưng VIF cao, HTMT không đạt hoặc measurement model yếu vẫn cần được giải trình. Bảng dưới đây chỉ dùng các chỉ số phù hợp với PLS-SEM.
| Chỉ số | Ngưỡng thường dùng | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998); (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 khái niệm 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 | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974); (Hair và cộng sự, 2022) |
| Bootstrap subsamples | 5.000 lần | (Hair và cộng sự, 2022) |
Path coefficient không có một ngưỡng cố định kiểu lớn hơn 0.5 là đạt. Bạn đánh giá nó qua dấu, độ lớn, t-value, p-value hoặc confidence interval và ý nghĩa lý thuyết. Một hệ số nhỏ vẫn có thể có ý nghĩa, trong khi hệ số lớn nhưng khoảng tin cậy chứa 0 chưa đủ để kết luận có tác động.
Nếu bạn dùng biến điều tiết, nên báo cáo cả tác động chính và interaction term. Việc interaction term có ý nghĩa không làm biến mất tác động chính. Bạn cũng nên mô tả biểu đồ tương tác để người đọc hiểu điều kiện nào làm quan hệ mạnh hơn hoặc yếu hơn.
Cách trình bày trong chương 4
Bạn có thể chia phần kết quả thành bốn đoạn. Đoạn đầu báo cáo độ tin cậy và giá trị hội tụ của measurement model. Đoạn thứ hai báo cáo giá trị phân biệt và collinearity. Đoạn thứ ba trình bày R², f², Q² và kết quả bootstrapping. Đoạn cuối tập trung vào interaction term và kết luận giả thuyết điều tiết.
Cách viết vào luận văn: Với số liệu minh họa ở trên, bạn có thể điều chỉnh câu sau: “Kết quả bootstrapping cho thấy tác động tương tác giữa [BIẾN ĐỘC LẬP] và [BIẾN ĐIỀU TIẾT] lên [BIẾN PHỤ THUỘC] có hệ số [β = ...], t-value = [...], p-value = [...], khoảng tin cậy [...] đến [...]. Do khoảng tin cậy không chứa 0, giả thuyết [H...] về tác động điều tiết được [chấp nhận/ủng hộ].”
Câu viết cần dùng đúng từ theo quy ước của khoa. Nếu p-value không đạt, bạn ghi rõ giả thuyết không được ủng hộ trong mẫu nghiên cứu, thay vì viết rằng biến điều tiết hoàn toàn không tồn tại. Kết quả thống kê phản ánh dữ liệu và mô hình bạn đã kiểm định trong bối cảnh cụ thể.
Bạn nên đặt bảng kết quả sau đoạn giới thiệu chỉ số, ghi rõ đây là kết quả từ SmartPLS 4 và nêu số quan sát hợp lệ. Nếu có loại indicator hoặc loại phiếu, hãy trình bày số liệu trước và sau xử lý. Khi kết quả được xuất sang Word, kiểm tra lại dấu thập phân, tên biến và thứ tự giả thuyết.
Lỗi thường gặp
Lỗi đầu tiên là tạo interaction term nhưng quên kiểm tra biến điều tiết trong measurement model. Nếu moderator là construct phản xạ, các indicator của nó vẫn cần được đánh giá như các construct khác. Lỗi thứ hai là nhập dữ liệu Likert dưới dạng chữ, khiến SmartPLS không nhận đúng kiểu biến hoặc trả về kết quả không dùng được.
Lỗi thứ ba là đọc P Values của tác động chính thay cho dòng interaction term. Khi kiểm tra CTA PLS, bạn phải xác định chính xác dòng có dạng X x M -> Y, hoặc tên interaction term tương ứng trong project. Lỗi thứ tư là chỉ báo cáo hệ số dương rồi kết luận điều tiết, trong khi p-value hoặc confidence interval chưa đạt.
Lỗi thứ năm là dùng CFI, TLI và RMSEA để đánh giá mô hình SmartPLS. Những chỉ số này thuộc CB-SEM và nguồn (Hu và Bentler, 1999) chỉ nên được dùng trong bối cảnh đó. Nếu bạn muốn so sánh các nhóm không quan sát trực tiếp, cần tìm hiểu đúng thủ tục, chẳng hạn cách chạy FIMIX-PLS trong SmartPLS 4, thay vì gọi đó là kiểm định điều tiết.
Cuối cùng, đừng chạy đi chạy lại với nhiều cấu hình cho đến khi p-value đẹp mà không ghi lại. Nếu thay đổi cách mã hóa, loại indicator, số bootstrap hoặc loại quan hệ, hãy lưu phiên bản model và nêu lý do. Dịch vụ chạy SPSS hoặc SmartPLS có thể giúp thao tác nhanh, nhưng bạn vẫn là người phải giải thích mô hình, dữ liệu và quyết định loại biến khi bảo vệ.
Đọc thêm: biến kiểm soát là gì, biến điều tiết.
Câu hỏi thường gặp
CTA PLS trong SmartPLS có phải là kiểm định biến điều tiết không?
Trong cách gọi phổ biến của sinh viên, CTA PLS thường được dùng khi nói về phân tích tác động điều kiện hoặc tác động điều tiết trong PLS-SEM. Tuy nhiên, bạn nên nhìn vào mô hình và interaction term cụ thể, vì tên viết tắt có thể được mỗi tài liệu dùng khác nhau.
Bao nhiêu p-value thì kết luận biến điều tiết có ý nghĩa?
Bạn cần dùng mức ý nghĩa đã đăng ký trong phương pháp, thường là 5 phần trăm nếu đề tài quy định như vậy. Ngoài p-value, hãy xem t-value và bootstrap confidence interval. Một kết luận chắc hơn cần cho thấy khoảng tin cậy của interaction term không chứa 0 và chiều của hệ số phù hợp với giả thuyết.
SmartPLS 3 và SmartPLS 4 chạy CTA PLS có giống nhau không?
Logic phân tích tương tự, nhưng vị trí menu và cách hiển thị kết quả đã thay đổi. Bài này dùng đường dẫn của SmartPLS 4, vì vậy bạn nên kiểm tra đúng tên nút Calculate, PLS-SEM Algorithm và Bootstrapping trên phiên bản đang cài. Đừng chép nguyên vị trí menu của SmartPLS 3 nếu màn hình của bạn không có mục đó.
Có cần chạy bootstrapping 5.000 lần không?
Nếu bạn báo cáo theo quy trình PLS-SEM hiện hành, 5.000 bootstrap subsamples là cấu hình được khuyến nghị trong (Hair và cộng sự, 2022). Bạn vẫn cần ghi cấu hình đã dùng trong phương pháp để người đọc có thể tái lập kết quả. Không nên thay đổi số lần chạy giữa các mô hình mà không nêu lý do.
Interaction term không đạt thì có nên xóa biến điều tiết không?
Chưa nên xóa ngay. Trước hết kiểm tra lại cách mã hóa, hướng mũi tên, chất lượng measurement model, VIF và số quan sát hợp lệ. Nếu quy trình đúng nhưng interaction term không có ý nghĩa, hãy báo cáo kết quả không được ủng hộ và thảo luận theo giới hạn của mẫu, bối cảnh và mô hình, thay vì chỉnh dữ liệu để ép giả thuyết đạt.
Bạn hãy mở lại file .csv, đối chiếu tên indicator với project SmartPLS 4, chạy PLS-SEM Algorithm rồi Bootstrapping và lưu riêng bảng có interaction term trước khi viết chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu của DoThesis.