Điểm biến tiềm ẩn trong SmartPLS: Cách chạy và đọc kết quả
Điểm biến tiềm ẩn trong SmartPLS dùng để làm gì
Bạn mở SmartPLS lên, mô hình đã chạy xong nhưng chưa biết lấy giá trị đại diện cho các biến như Chất lượng dịch vụ, Sự hài lòng hay Ý định mua ở đâu. Trong trường hợp này, điểm biến tiềm ẩn, thường hiển thị dưới tên Latent Variable Scores, là giá trị số được SmartPLS tính cho từng quan sát dựa trên các biến quan sát của một construct.
Mỗi dòng điểm dữ liệu tương ứng với một người trả lời. Mỗi cột thường tương ứng với một biến tiềm ẩn trong mô hình. Bạn có thể dùng bảng điểm này để kiểm tra dữ liệu, xuất sang .csv, tiếp tục phân tích trong SPSS hoặc thực hiện một số phân tích bổ sung. Tuy nhiên, điểm biến tiềm ẩn không phải là một thang đo mới được người nghiên cứu tự đặt tên. Nó là kết quả ước lượng từ mô hình PLS-SEM sau khi SmartPLS xem xét trọng số và tải ngoài của các biến quan sát.
Cần phân biệt điểm biến tiềm ẩn với outer loading. Outer loading cho biết mức độ liên hệ giữa một biến quan sát và construct, còn điểm biến tiềm ẩn là giá trị đại diện của construct ở từng dòng dữ liệu. Khi bạn muốn đánh giá mô hình đo lường, hãy xem Outer Loadings, Composite Reliability, AVE và HTMT. Khi bạn cần dữ liệu đại diện cho từng construct, hãy tìm Latent Variable Scores.
Bạn có thể xem thêm các hướng dẫn liên quan trong chủ đề SmartPLS, đặc biệt nếu bạn đang phân biệt giữa mô hình đo lường và mô hình cấu trúc.
Chuẩn bị mô hình và dữ liệu
Trước khi tìm điểm biến tiềm ẩn, bạn cần bảo đảm mô hình và file dữ liệu không có lỗi căn bản. SmartPLS 4 thường nhận file .csv, trong đó hàng đầu tiên là tên biến và mỗi hàng tiếp theo là một người trả lời. Các biến quan sát nên có tên ngắn, không dấu, không chứa ký tự đặc biệt và không trùng nhau.
Ví dụ, các biến của construct Sự hài lòng có thể đặt là SAT1, SAT2, SAT3, còn Ý định mua có thể đặt là PI1, PI2, PI3. Không nên đặt tên kiểu Sự hài lòng câu 1 hoặc dùng cùng một tên cho hai cột. Nếu dữ liệu ban đầu nằm trong Excel, hãy kiểm tra lại dấu thập phân, ô trống và kiểu dữ liệu trước khi lưu dưới dạng CSV UTF-8.
Phân biệt measurement model và structural model
Measurement model cho biết các biến quan sát đo construct nào. Với thang đo reflective, mũi tên thường đi từ construct đến các biến quan sát. Structural model thể hiện quan hệ giả thuyết giữa các construct, chẳng hạn Chất lượng dịch vụ ảnh hưởng đến Sự hài lòng.
Điểm biến tiềm ẩn được tính từ phần measurement model, sau đó được dùng trong việc ước lượng các quan hệ của structural model. Nếu bạn nối nhầm biến quan sát vào construct hoặc bỏ sót một biến quan sát, điểm được tính ra sẽ không còn đại diện đúng cho khái niệm nghiên cứu.
Kiểm tra tên indicator và dữ liệu đầu vào
Bạn nên mở file .csv bằng Excel hoặc trình soạn thảo văn bản để kiểm tra hàng đầu tiên. Không để dòng tiêu đề phụ, ghi chú hoặc ô gộp trước hàng tên biến. Các ô dữ liệu nên là số, chẳng hạn từ 1 đến 5 đối với thang Likert năm mức. Nếu một biến quan sát được mã hóa bằng chữ như Đồng ý hoặc Không đồng ý, SmartPLS có thể không đọc được theo cách bạn muốn.
Các biến đảo chiều cần được xử lý trước khi chạy mô hình. Ví dụ, thang đo có một biến mang ý nghĩa tiêu cực nhưng những biến còn lại mang ý nghĩa tích cực, bạn cần xác định quy tắc mã hóa và ghi lại trong file làm việc. Đừng xóa một biến chỉ vì thấy outer loading thấp trước khi kiểm tra nội dung câu hỏi, mã hóa và dữ liệu gốc.
Kiểm tra dữ liệu sau khi import
Sau khi import, đối chiếu số dòng trong SmartPLS với số phiếu hợp lệ. Kiểm tra các giá trị thiếu, giá trị ngoài khoảng của thang đo và những dòng có cùng một câu trả lời cho toàn bộ biến. Một dòng trả lời bất thường có thể làm thay đổi điểm biến tiềm ẩn và kết quả bootstrapping.
Nếu bạn chỉ cần điểm của construct sau khi mô hình đã được đánh giá, hãy lưu một bản dữ liệu gốc và một bản dữ liệu đã làm sạch. Việc này giúp bạn giải trình khi giảng viên hỏi vì sao số quan sát giữa các bảng khác nhau.
Các bước thực hiện trong SmartPLS 4
Quy trình dưới đây áp dụng cho SmartPLS 4. Tên nút và vị trí một số chức năng có thể khác SmartPLS 3, vì vậy bạn không nên máy móc tìm đúng vị trí của phiên bản cũ.
Bước 1: Tạo project và import file dữ liệu
Mở SmartPLS 4, tạo project mới rồi chọn import dữ liệu. Chọn file .csv đã chuẩn bị. Sau khi import, kiểm tra danh sách indicator và số quan sát được nhận diện. Nếu SmartPLS báo lỗi, quay lại kiểm tra dòng tiêu đề, dấu phân cách giữa các cột và ô dữ liệu không phải số.
Bước 2: Tạo mô hình PLS-SEM
Tạo model mới trong project, kéo các indicator vào construct tương ứng và đặt tên cho các biến tiềm ẩn. Nối các construct theo giả thuyết nghiên cứu. Chọn đúng loại measurement model, thường là reflective hoặc formative theo cơ sở lý thuyết của đề tài.
Ở bước này, bạn không nên nối các biến chỉ vì muốn kết quả đẹp. Sơ đồ phải bám vào mô hình nghiên cứu đã trình bày trong chương 2 và chương 3. Nếu mô hình có mediator hoặc moderator, hãy kiểm tra lại hướng mũi tên trước khi chạy.
Bước 3: Chạy PLS-SEM Algorithm
Trong SmartPLS 4, chọn model rồi chạy PLS-SEM Algorithm. Giữ các thiết lập mặc định nếu bạn chưa có lý do phương pháp luận để thay đổi. Sau khi chạy xong, SmartPLS hiển thị các nhóm kết quả như Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients và R Square.
Điểm biến tiềm ẩn được sinh ra từ lần ước lượng này. Nếu bạn thay đổi indicator, loại một biến quan sát hoặc sửa dữ liệu, cần chạy lại algorithm trước khi xuất điểm. File điểm cũ không còn phù hợp với mô hình mới.
Bước 4: Mở phần kết quả của construct
Trong cửa sổ kết quả, chọn construct cần xem và tìm mục liên quan đến scores hoặc dữ liệu quan sát. Tùy giao diện SmartPLS 4 và loại kết quả đang mở, điểm có thể xuất hiện trong khu vực kết quả dữ liệu hoặc trong chức năng xuất kết quả. Nếu chưa thấy, dùng chức năng export của project và kiểm tra các file kết quả được tạo.
Tên cột thường được tạo theo tên construct. Chẳng hạn, construct SAT có thể xuất thành cột SAT. Đối chiếu số dòng với mã người trả lời trong file gốc. Không sắp xếp riêng bảng điểm nếu bạn chưa có một cột mã định danh, vì thao tác đó có thể làm lệch điểm với người trả lời.
Bước 5: Xuất điểm ra file để phân tích tiếp
Chọn chức năng export dữ liệu hoặc kết quả phù hợp trong SmartPLS 4, lưu dưới dạng .csv và đặt tên thể hiện rõ phiên bản mô hình. Ví dụ, bạn có thể dùng tên latent_scores_model_v2.csv. Mở file sau khi xuất để chắc chắn các cột construct và số dòng được giữ nguyên.
Nếu đưa file sang SPSS, kiểm tra lại tên biến và kiểu đo lường. Nếu dùng các điểm này cho hồi quy bổ sung, bạn cần ghi rõ điểm được tạo từ mô hình PLS-SEM và không trình bày nó như dữ liệu khảo sát ban đầu.
Bước 6: Chạy bootstrapping cho giả thuyết
Điểm biến tiềm ẩn không thay thế cho kiểm định giả thuyết. Để kết luận về path coefficient, p-value và khoảng tin cậy, bạn cần chạy Bootstrapping trong SmartPLS 4. Có thể xem hướng dẫn riêng về bootstrapping trong SmartPLS.
Theo (Hair và cộng sự, 2022), quy trình PLS-SEM có thể dùng 5.000 bootstrap subsamples để đánh giá độ ổn định của ước lượng. Khi báo cáo, bạn cần ghi số subsamples, loại khoảng tin cậy và tiêu chí kết luận, thay vì chỉ chụp một phần sơ đồ mô hình.
Đọc bảng kết quả
Khi đọc kết quả, bạn cần tách ba câu hỏi. Thứ nhất, các biến quan sát có đo construct ổn định không. Thứ hai, các construct có phân biệt với nhau không. Thứ ba, các quan hệ giữa construct có ủng hộ giả thuyết không. Điểm biến tiềm ẩn liên quan đến cả ba phần nhưng không phải chỉ số duy nhất để kết luận.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được sắp theo dạng thường gặp khi bạn xuất điểm và xem kết quả construct trong SmartPLS.
| Case ID | SAT | LOY | PU | BI |
|---|---|---|---|---|
| 001 | 0.421 | 0.385 | 0.517 | 0.463 |
| 002 | -0.118 | -0.204 | 0.071 | -0.095 |
| 003 | 0.856 | 0.732 | 0.641 | 0.804 |
| 004 | -0.633 | -0.510 | -0.448 | -0.590 |
| 005 | 0.176 | 0.229 | -0.062 | 0.104 |
Trong bảng minh họa, SAT, LOY, PU và BI là tên construct do người nghiên cứu đặt. Điểm dương hay âm không nên được diễn giải ngay là mức độ hài lòng cao hay thấp theo thang Likert. SmartPLS có thể chuẩn hóa điểm quanh giá trị trung bình, vì vậy giá trị 0.856 thường chỉ cho biết quan sát đó nằm cao hơn trung bình tương đối, không phải người trả lời chọn 0.856 trên bảng hỏi năm mức.
Bạn cũng nên xem bảng Outer Loadings. Nếu một biến quan sát có loading thấp, hãy kiểm tra nội dung, mã hóa và tác động của việc loại biến. Với mô hình reflective, outer loading từ 0.7 trở lên thường được dùng làm mốc tham khảo (Chin, 1998). Trong nghiên cứu khám phá, việc xử lý một loading thấp cần dựa trên lý thuyết và ảnh hưởng đến CR, AVE, không chỉ dựa vào một con số.
Ở phần structural model, đọc Path Coefficients, T Statistics, P Values và khoảng tin cậy từ bootstrapping. Một path coefficient dương cho biết hướng quan hệ dương theo cách mô hình được mã hóa. Kết luận giả thuyết cần dựa thêm vào p-value hoặc khoảng tin cậy, không chỉ nhìn mũi tên màu trên sơ đồ.
Ngưỡng đánh giá
Bạn có thể dùng bảng dưới đây như checklist khi đọc kết quả. Mỗi ngưỡng có nguồn đi kèm. Đây là các mốc tham khảo trong PLS-SEM, không phải lý do tự động để xóa biến hoặc sửa mô hình.
| Chỉ số trong SmartPLS | Ngưỡng 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 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
Trong SmartPLS, bạn sẽ gặp R² ở construct nội sinh, f² ở tác động của một construct lên construct nội sinh và Q² khi đánh giá khả năng dự báo. Không dùng CFI, TLI hoặc RMSEA để đánh giá một mô hình PLS-SEM theo cách của CB-SEM. Các chỉ số đó gắn với CB-SEM và không nên đưa vào bài viết chỉ vì chúng xuất hiện trong tài liệu về AMOS.
Nếu bạn dùng blindfolding trong SmartPLS, hãy ghi rõ cách tạo Q² và điều kiện áp dụng của quy trình. Nếu mục tiêu là đánh giá khả năng dự báo ngoài mẫu, cần xem thêm quy trình dự báo phù hợp thay vì diễn giải Q² như tỷ lệ phần trăm giải thích biến thiên.
Có thể dùng consistent PLS trong SmartPLS khi thiết kế nghiên cứu và loại construct của bạn phù hợp với phương pháp đó. Đừng chạy nhiều thuật toán chỉ để chọn bảng có chỉ số đẹp hơn. Giảng viên có thể hỏi vì sao bạn chọn một biến thể PLS thay vì PLS-SEM thông thường.
Cách trình bày trong chương 4
Khi viết chương 4, hãy trình bày theo thứ tự: mô tả mẫu, đánh giá mô hình đo lường, đánh giá mô hình cấu trúc và kiểm định giả thuyết. Điểm biến tiềm ẩn thường được mô tả ở phần phương pháp xử lý dữ liệu hoặc dùng như nền tảng kỹ thuật cho các kết quả tiếp theo. Không cần đưa toàn bộ điểm của từng người trả lời vào luận văn nếu đề cương không yêu cầu.
Cách viết vào luận văn: “Kết quả PLS-SEM cho thấy outer loading của các biến quan sát thuộc construct [TÊN CONSTRUCT] nằm trong khoảng [GIÁ TRỊ THẤP NHẤT] đến [GIÁ TRỊ CAO NHẤT]. Composite Reliability đạt [GIÁ TRỊ] và AVE đạt [GIÁ TRỊ], do đó thang đo [ĐẠT/CHƯA ĐẠT] các tiêu chí đánh giá được lựa chọn.”
Bạn có thể thêm câu mô tả dữ liệu như sau: “Latent Variable Scores được SmartPLS 4 ước lượng cho từng construct và được sử dụng để phân tích các quan hệ trong mô hình cấu trúc. Các giá trị này là điểm ước lượng chuẩn hóa, không phải điểm trả lời trực tiếp trên thang Likert.”
Nếu báo cáo giả thuyết, hãy lập bảng có các cột Hypothesis, Path Coefficient, T Statistics, P Values, Confidence Interval và Decision. Điền số từ output thật của bạn. Không dùng bảng minh họa trong bài hướng dẫn để thay thế cho số liệu nghiên cứu.
Một cách kiểm tra hữu ích là đối chiếu ba nơi: file .csv gốc, file latent scores xuất ra và bảng kết quả SmartPLS. Nếu số dòng khác nhau, dừng lại trước khi chạy hồi quy hoặc viết chương 4. Nếu bạn cần một chỉ số NFI, xem hướng dẫn cách chạy NFI SmartPLS 4, nhưng hãy đặt nó đúng vị trí và nói rõ giới hạn diễn giải.
Lỗi thường gặp
Lỗi đầu tiên là hiểu điểm biến tiềm ẩn như điểm Likert. Điểm SAT = 0.421 không có nghĩa người trả lời chọn mức 0.421. Nó là giá trị ước lượng theo mô hình và cách chuẩn hóa của phần mềm.
Lỗi thứ hai là xuất điểm trước khi chốt measurement model. Nếu bạn đã xóa SAT2 rồi lại dùng file điểm được tạo từ mô hình cũ, các kết quả sau đó không còn nhất quán. Mỗi lần thay đổi indicator, hãy chạy lại algorithm và lưu phiên bản mới.
Lỗi thứ ba là đảo thứ tự dòng khi ghép điểm với thông tin cá nhân. Luôn giữ Case ID hoặc một mã định danh riêng. Không dùng số thứ tự của Excel làm mã nếu bạn thường xuyên lọc và sắp xếp bảng.
Lỗi thứ tư là xem một ngưỡng như luật cứng. Outer loading thấp có thể do vấn đề câu chữ, mẫu, mã hóa hoặc construct chưa phù hợp. Hãy ghi lại lý do loại biến, số biến còn lại và thay đổi của CR, AVE, HTMT sau mỗi vòng chạy.
Lỗi thứ năm là đưa mọi chỉ số từng thấy trên Internet vào một bảng. PLS-SEM và CB-SEM có hệ chỉ số khác nhau. Việc thêm CFI, TLI hoặc RMSEA vào bảng SmartPLS mà không giải thích nguồn gốc sẽ khiến phần phương pháp thiếu nhất quán.
Đọc thêm: blindfolding trong smartpls, bootstrapping trong smartpls, cách chạy nfi smartpls 4, consistent pls trong smartpls, ipma trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
Điểm biến tiềm ẩn trong SmartPLS là gì
Đó là giá trị đại diện cho một construct ở từng dòng dữ liệu, được ước lượng từ các biến quan sát và mô hình PLS-SEM. Tên tiếng Anh thường gặp là Latent Variable Scores.
Giá trị này không phải câu trả lời gốc trên thang Likert. Bạn dùng nó để xem dữ liệu đại diện theo construct hoặc phục vụ một phân tích tiếp theo, còn đánh giá chất lượng thang đo vẫn cần xem loading, CR, AVE và HTMT.
Vì sao điểm biến tiềm ẩn có thể mang giá trị âm
SmartPLS có thể chuẩn hóa điểm quanh trung bình. Vì vậy, số âm thường chỉ cho biết điểm của một quan sát thấp hơn mức trung bình tương đối của construct, không có nghĩa dữ liệu bị nhập sai.
Bạn chỉ cần kiểm tra kỹ hơn nếu giá trị xuất hiện ngoài logic của quy trình, số dòng bị thiếu hoặc construct có dấu hiệu bị đảo chiều do mã hóa sai.
Có cần xuất điểm biến tiềm ẩn sang SPSS không
Không phải nghiên cứu nào cũng cần. Nếu toàn bộ kiểm định nằm trong SmartPLS, bạn có thể đọc trực tiếp các bảng Path Coefficients, R Square, f Square, Construct Reliability and Validity và Discriminant Validity.
Bạn có thể xuất sang SPSS khi cần mô tả, kiểm tra bổ sung hoặc thực hiện phân tích mà SmartPLS không hỗ trợ theo thiết kế của đề tài. Khi đó, hãy ghi rõ điểm được ước lượng từ SmartPLS, không gọi nó là dữ liệu khảo sát ban đầu.
Điểm biến tiềm ẩn có cần đạt ngưỡng nào không
Bản thân điểm của từng người trả lời không có một ngưỡng đạt chung như CR, AVE hay HTMT. Bạn đánh giá chất lượng construct thông qua mô hình đo lường, sau đó đánh giá quan hệ cấu trúc bằng path coefficient, p-value, khoảng tin cậy, R², f² hoặc Q² tùy mục tiêu.
Nếu bạn đang kiểm tra một bảng điểm có giá trị âm, đừng loại dòng chỉ vì dấu âm. Hãy kiểm tra cách chuẩn hóa, mã hóa biến và sự nhất quán giữa file gốc với file xuất.
SmartPLS 3 và SmartPLS 4 có cho kết quả giống nhau không
Hai phiên bản có cùng logic PLS-SEM nhưng giao diện, tên menu và cách xuất kết quả có thể khác. Bạn nên ghi rõ phiên bản sử dụng, giữ lại file project và chụp hoặc lưu bảng output tại thời điểm chạy.
Nếu bạn chuyển project giữa hai phiên bản, hãy chạy lại mô hình và so sánh số quan sát, indicator, thiết lập thuật toán và kết quả chính trước khi viết chương 4.
Bạn có thể mở file dữ liệu của mình ngay bây giờ, kiểm tra tên indicator, chạy lại PLS-SEM Algorithm, rồi đối chiếu bảng latent scores với Case ID trước khi đưa số liệu vào chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv, xem M4 phân tích của DoThesis.