F square là gì? Cách đọc và đánh giá trong SmartPLS

F square là gì

Bạn mở kết quả PLS-SEM trong SmartPLS và thấy cột f² nằm cạnh các quan hệ giữa biến độc lập và biến phụ thuộc. f square, thường viết là f², là chỉ số effect size dùng để đánh giá mức độ đóng góp của một biến dự báo vào R² của biến phụ thuộc. Nói cách khác, f² cho biết R² của biến phụ thuộc thay đổi như thế nào khi một biến độc lập được đưa vào hoặc loại khỏi mô hình.

Trong SmartPLS, f² được tính bằng cách so sánh R² của mô hình đầy đủ với R² của mô hình khi bỏ biến dự báo đang xét:

f² = (R² đầy đủ - R² khi loại biến dự báo) / (1 - R² đầy đủ)

Ví dụ, mô hình đầy đủ có R² của biến phụ thuộc là 0,52. Khi loại biến X, R² giảm còn 0,44. Khi đó, f² bằng (0,52 - 0,44) / (1 - 0,52) = 0,167, xấp xỉ 0,17. Số liệu này chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.

Bạn có thể xem thêm chủ đề SmartPLS nếu đang cần nối f² với các chỉ số khác trong quy trình PLS-SEM. f² thuộc nhóm đánh giá mô hình cấu trúc, nên thường được đọc sau khi đã kiểm tra measurement model.

Ý nghĩa của f square trong nghiên cứu định lượng

f² trả lời một câu hỏi cụ thể: một biến độc lập đang đóng góp bao nhiêu vào khả năng giải thích biến phụ thuộc. Hệ số đường dẫn cho biết quan hệ có cùng chiều hay ngược chiều và có ý nghĩa thống kê hay không. R² cho biết toàn bộ nhóm biến độc lập giải thích được bao nhiêu phần biến thiên của biến phụ thuộc. f² bổ sung góc nhìn về đóng góp riêng của từng biến.

Điều này giúp bạn tránh kết luận quá rộng từ một p-value. Một biến có path coefficient có ý nghĩa thống kê nhưng f² rất nhỏ vẫn có thể chỉ đóng góp hạn chế về mặt thực tiễn. Ngược lại, một effect size lớn cho thấy việc giữ biến đó trong mô hình có ảnh hưởng đáng kể đến R² của biến phụ thuộc, dù bạn vẫn phải xem confidence interval và kết quả bootstrapping trước khi kết luận về giả thuyết.

f² được dùng trong PLS-SEM, không phải chỉ số fit index của CB-SEM. Nếu bạn đang phân biệt hai hướng tiếp cận, có thể đọc SEM là gì, PLS-SEM và CB-SEM là gì. Các chỉ số như CFI, TLI, RMSEA và SRMR thuộc nhóm đánh giá model fit của CB-SEM theo (Hu và Bentler, 1999), không nên đưa vào bài đọc kết quả SmartPLS như thể chúng là tiêu chí của f².

Trong một mô hình có nhiều biến tiềm ẩn, f² còn giúp bạn ưu tiên phần thảo luận. Bạn có thể nêu biến nào tạo ra đóng góp lớn, biến nào chỉ có đóng góp nhỏ, rồi liên hệ với cơ sở lý thuyết và bối cảnh nghiên cứu. Tuy nhiên, f² không tự chứng minh quan hệ nhân quả. Bạn vẫn cần dựa vào thiết kế nghiên cứu, giả thuyết, path coefficient và bootstrapping.

F square bao nhiêu là đạt

Câu hỏi “f square bao nhiêu là tốt” thường dẫn đến một ngưỡng duy nhất, nhưng cách diễn giải phù hợp hơn là phân loại effect size. Theo (Cohen, 1988), f² ở mức 0,02 biểu thị effect size nhỏ, 0,15 là mức trung bình và 0,35 là mức lớn. Giá trị dưới 0,02 thường được xem là rất nhỏ hoặc gần như không có đóng góp đáng kể theo cách diễn giải này.

Các ngưỡng dưới đây dùng cho việc đọc f² trong PLS-SEM. Mỗi dòng ghi rõ nguồn để bạn có thể giải thích tiêu chí trong chương 4.

Bạn nên dùng các mốc này như hướng dẫn diễn giải, không biến chúng thành điều kiện cứng để giữ hoặc loại một giả thuyết. Một f² bằng 0,08 không có nghĩa mô hình sai. Nó cho thấy biến dự báo có effect size nhỏ, trong khi path coefficient và p-value vẫn cần được xem riêng.

Cũng cần tách hai ý “đạt” và “lớn”. Một biến có f² nhỏ vẫn có thể được giữ lại nếu có nền tảng lý thuyết, path coefficient phù hợp, khoảng tin cậy bootstrapping không chứa zero và đóng góp của biến phù hợp với mục tiêu nghiên cứu. Quyết định loại biến chỉ vì f² dưới 0,15 dễ bị hỏi lại, đặc biệt khi biến đó đã xuất hiện trong mô hình lý thuyết và thang đo được xây dựng có căn cứ.

f² không có ngưỡng đạt giống Cronbach's Alpha, AVE hay HTMT. Bạn không nên viết “f² phải lớn hơn 0,15 thì giả thuyết được chấp nhận”. f² là effect size, còn việc chấp nhận hay bác bỏ giả thuyết thường dựa vào hệ số đường dẫn, p-value hoặc khoảng tin cậy của bootstrapping theo thiết kế phân tích của bạn.

Cách đọc f square trên output SmartPLS

Trong SmartPLS 4, bạn chạy mô hình PLS Algorithm trước để có kết quả R² và các chỉ số của mô hình cấu trúc. Sau đó mở phần kết quả của biến phụ thuộc và tìm bảng f Square. Tên bảng có thể hiển thị là f Square trong khu vực kết quả chất lượng mô hình hoặc trong báo cáo xuất ra. Hàng thường là quan hệ từ biến dự báo đến biến phụ thuộc, chẳng hạn PU -> BI.

Bảng minh họa dưới đây mô phỏng cách đọc kết quả. Đây là số liệu minh họa, không phải phát hiện từ dữ liệu thật.

Với dòng PU -> BI, f² bằng 0,178, cao hơn 0,15 nhưng thấp hơn 0,35. Bạn có thể mô tả đây là effect size trung bình. Dòng PEU -> BI có f² bằng 0,061, nên đóng góp của PEU vào R² của BI ở mức nhỏ. Dòng TR -> BI có giá trị 0,012, cho thấy đóng góp riêng rất thấp theo mốc (Cohen, 1988).

Đừng đọc f² như hệ số tương quan. f² không có dấu âm và không cho biết quan hệ cùng chiều hay ngược chiều. Muốn biết hướng tác động, bạn xem Path Coefficients, cột Original Sample (O) hoặc hệ số đường dẫn tương ứng. Muốn biết quan hệ có ý nghĩa thống kê hay không, bạn xem kết quả Bootstrapping, gồm T Statistics, P Values và khoảng tin cậy.

Một quy trình đọc hợp lý là đi theo thứ tự: kiểm tra VIF, đọc path coefficient, xem p-value hoặc confidence interval, đọc R² của biến phụ thuộc, rồi mới diễn giải f² và Q². VIF dưới 5 là mức được đề cập trong hướng dẫn PLS-SEM của (Hair và cộng sự, 2019). Q² lớn hơn 0 thường được dùng để xem mô hình có predictive relevance theo (Stone, 1974) hoặc (Hair và cộng sự, 2022).

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau theo bảng kết quả thật của mình: “Kết quả đánh giá effect size cho thấy biến [X] có f² = [giá trị] đối với biến [Y], tương ứng với mức đóng góp [nhỏ/trung bình/lớn] theo (Cohen, 1988). Kết quả này được diễn giải cùng với path coefficient, p-value và R² của [Y], thay vì dùng f² như tiêu chí duy nhất để kết luận giả thuyết.”

Khi f square không đạt thì xử lý thế nào

Nếu f² dưới 0,02, việc đầu tiên là kiểm tra bạn đang đọc đúng biến và đúng mô hình. Một lỗi thường gặp là lấy giá trị của bảng khác, đọc nhầm cột hoặc so sánh f² với ngưỡng của outer loading. Bạn hãy lưu lại mô hình đầy đủ, tên biến, R² và bảng f Square trước khi thay đổi dữ liệu.

Tiếp theo, xem path coefficient và bootstrapping. Nếu path coefficient không có ý nghĩa, confidence interval chứa zero và f² rất thấp, giả thuyết có cơ sở để bị bác bỏ. Khi đó, bạn trình bày kết quả trung thực, không xóa biến chỉ để bảng kết quả đẹp hơn.

Nếu path coefficient có ý nghĩa nhưng f² nhỏ, bạn có thể giữ biến nếu biến đó có cơ sở lý thuyết và phù hợp với mô hình nghiên cứu. Trong chương thảo luận, hãy ghi rõ biến có tác động thống kê nhưng đóng góp giải thích riêng ở mức nhỏ. Cách viết này chính xác hơn việc gọi mọi quan hệ có p-value nhỏ là “tác động mạnh”.

Nếu có vấn đề ở measurement model, bạn cần xử lý measurement model trước khi đánh giá lại f². Kiểm tra outer loading, CR, AVE và HTMT, đồng thời xem nội dung biến quan sát có bị nhập sai hoặc đảo chiều chưa. Việc xóa biến quan sát chỉ để tăng f² của một quan hệ là lựa chọn khó bảo vệ nếu không có lý do đo lường rõ ràng.

Sau khi có lý do phương pháp hợp lý, bạn có thể chạy lại mô hình. Hãy ghi lại từng vòng chỉnh sửa: biến nào được loại, vì sao loại, R² và f² thay đổi thế nào. Nếu chỉ số vẫn thấp, kết quả đó có thể phản ánh đúng dữ liệu và bối cảnh mẫu. Không có thao tác SmartPLS nào bảo đảm f² sẽ tăng sau khi bạn xóa biến.

Theo (Hair và cộng sự, 2022), quy trình PLS-SEM cần đánh giá lần lượt measurement model và structural model, đồng thời có thể sử dụng 5.000 bootstrap subsamples khi thực hiện bootstrapping. Con số bootstrap không làm một f² nhỏ tự động trở thành lớn, vì nó phục vụ việc đánh giá độ ổn định và ý nghĩa của kết quả suy luận.

Phân biệt f square với các chỉ số dễ nhầm

f² thường bị nhầm với R², path coefficient, p-value và outer loading. Bạn có thể xem mô hình SEM để đặt các chỉ số này vào đúng vị trí của mô hình, đặc biệt khi bài nghiên cứu có nhiều biến tiềm ẩn.

R² là tỷ lệ biến thiên của một biến phụ thuộc được giải thích bởi toàn bộ các biến dự báo trong mô hình. R² bằng 0,50 không nói riêng biến nào tạo ra phần đóng góp đó. f² được tính theo từng biến dự báo bằng cách so sánh R² trước và sau khi bỏ biến đó.

Path coefficient là hệ số đường dẫn, có thể mang dấu dương hoặc âm. Nó cho biết hướng và mức thay đổi tương đối của quan hệ trong mô hình. f² luôn được đọc như effect size của việc loại một biến dự báo khỏi khả năng giải thích biến phụ thuộc, nên hai chỉ số này trả lời hai câu hỏi khác nhau.

p-value và confidence interval phục vụ đánh giá ý nghĩa thống kê. Một f² trung bình không thay thế cho kiểm định ý nghĩa của path coefficient. Ngược lại, một path coefficient có ý nghĩa không đồng nghĩa với effect size lớn.

Outer loading phản ánh mức liên hệ giữa biến quan sát và biến tiềm ẩn trong measurement model. Trong PLS-SEM, outer loading từ 0,7 trở lên thường được tham chiếu theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). f² thuộc structural model, nên bạn không dùng ngưỡng outer loading để đọc f². Nếu chưa rõ biến tiềm ẩn là gì, bạn có thể đọc biến tiềm ẩn là gì.

Lỗi thường gặp

Nhầm f² với R². Bạn thấy R² của biến phụ thuộc là 0,52 rồi ghi đó là f². Hãy mở đúng bảng f Square, vì R² và f² có ý nghĩa khác nhau.

Dùng f² để kết luận giả thuyết. f² cho biết effect size, không thay thế path coefficient, p-value hoặc confidence interval. Kết luận giả thuyết cần dựa vào tiêu chí đã nêu trong phương pháp nghiên cứu.

Gọi f² = 0,08 là không đạt. Giá trị này nhỏ hơn 0,15 nhưng vẫn nằm trên mốc 0,02. Cách diễn giải phù hợp là effect size nhỏ, không phải mô hình chắc chắn thất bại.

Xóa biến chỉ vì f² thấp. Việc loại biến phải xem lý thuyết, measurement model, collinearity và kết quả cấu trúc. Xóa nhiều biến sau mỗi lần chạy khiến mô hình khó giải trình.

Đưa CFI, TLI hoặc RMSEA vào đánh giá f² của SmartPLS. Đây là nhóm chỉ số gắn với CB-SEM theo (Hu và Bentler, 1999). SmartPLS và AMOS có logic đánh giá khác nhau, nên bạn cần ghi đúng phần mềm và phương pháp đã dùng.

Báo cáo một con số mà không nói biến nào bị loại khi tính. Trong chương 4, hãy ghi rõ f² của quan hệ nào, biến phụ thuộc nào và cách diễn giải theo nguồn. Người đọc cần biết giá trị đó gắn với đường dẫn cụ thể nào trong mô hình.

Câu hỏi thường gặp

F square là gì trong SmartPLS?

f² là effect size trong mô hình cấu trúc PLS-SEM. Chỉ số này cho biết R² của một biến phụ thuộc thay đổi ra sao khi loại một biến dự báo khỏi mô hình. Bạn đọc f² theo từng quan hệ, chẳng hạn PU -> BI, thay vì đọc như một chỉ số chung cho toàn bộ mô hình.

F square bao nhiêu là tốt?

Theo (Cohen, 1988), các mốc thường dùng là 0,02 cho effect size nhỏ, 0,15 cho mức trung bình và 0,35 cho mức lớn. “Tốt” còn tùy bối cảnh, cơ sở lý thuyết và vai trò của biến trong mô hình. Bạn không nên dùng riêng f² để chấp nhận hoặc bác bỏ giả thuyết.

F square trong SPSS có xem được không?

SPSS không hiển thị bảng f² theo cách SmartPLS làm. Trong SPSS, bạn thường đánh giá hồi quy bằng R², hệ số hồi quy, p-value, VIF và các kiểm tra giả định. Nếu cần effect size theo cách của f² trong PLS-SEM, bạn phải tính từ R² của mô hình đầy đủ và mô hình rút biến, hoặc thực hiện trong phần mềm phù hợp với quy trình PLS-SEM.

F square nhỏ nhưng p-value có ý nghĩa thì xử lý thế nào?

Bạn có thể giữ quan hệ nếu nó có cơ sở lý thuyết và kết quả bootstrapping phù hợp. Khi viết, hãy nói quan hệ có ý nghĩa thống kê nhưng đóng góp giải thích riêng ở mức nhỏ. Hai kết luận này không mâu thuẫn vì p-value và f² đo hai khía cạnh khác nhau.

F square không hiện trong SmartPLS thì làm sao?

Bạn kiểm tra đã chạy PLS Algorithm chưa, mô hình có biến phụ thuộc nội sinh không và đang mở đúng khu vực kết quả chưa. f² chỉ có ý nghĩa cho quan hệ dự báo đến biến nội sinh. Nếu mô hình chỉ có biến ngoại sinh hoặc đường dẫn chưa nối đúng, bảng có thể không chứa giá trị bạn cần.

Có cần báo cáo f square trong luận văn không?

Nếu nghiên cứu sử dụng PLS-SEM và mục tiêu có đánh giá structural model, bạn nên báo cáo f² cùng R², path coefficient, kết quả bootstrapping, VIF và Q² khi phù hợp. Hãy dùng bảng tổng hợp theo từng đường dẫn, ghi nguồn diễn giải và tránh chỉ liệt kê con số mà không nói effect size ở mức nào.

Bạn hãy mở lại báo cáo SmartPLS của chính mình, xác định từng dòng trong bảng f Square, đối chiếu với path coefficient và kết quả bootstrapping, rồi viết nhận xét theo mẫu có chỗ trống ở trên. Nếu cần chạy và đọc toàn bộ phân tích trên file .sav hoặc .csv, bạn có thể xem M4 phân tích dữ liệu.