Gaussian Copula trong SmartPLS: Cách chạy và đọc kết quả

Gaussian Copula trong SmartPLS dùng để làm gì

Bạn dùng Gaussian Copula trong SmartPLS để kiểm tra khả năng tồn tại của endogeneity, thường được dịch là nội sinh, trong mô hình PLS-SEM. Vấn đề xuất hiện khi một biến độc lập có liên hệ với phần sai số của phương trình biến phụ thuộc. Khi đó, path coefficient có thể bị lệch và kết luận về tác động giữa các biến trở nên kém đáng tin cậy.

Ví dụ, bạn xây dựng mô hình trong đó Chất lượng dịch vụ ảnh hưởng đến Sự hài lòng. Có thể tồn tại một yếu tố chưa đưa vào mô hình, chẳng hạn trải nghiệm trước đây của khách hàng, vừa ảnh hưởng đến Chất lượng dịch vụ vừa ảnh hưởng đến Sự hài lòng. Gaussian Copula giúp bạn kiểm tra rủi ro này bằng cách thêm một biến Copula được tính từ biến dự báo.

Trong SmartPLS, quy trình này không thay thế mô hình PLS-SEM ban đầu. Bạn chạy mô hình cơ sở, tạo Copula cho các biến dự báo có khả năng nội sinh, đưa Copula vào mô hình, sau đó xem Copula có tác động có ý nghĩa thống kê hay không. Nếu hệ số của Copula có ý nghĩa, bạn cần thảo luận về nội sinh và thận trọng khi diễn giải quan hệ nhân quả.

Gaussian Copula khác với biến điều tiết trong SmartPLS. Biến điều tiết kiểm tra việc một biến thay đổi cường độ hoặc hướng của quan hệ giữa hai biến, còn Copula tập trung vào chẩn đoán nội sinh. Nó cũng khác với biến giả trong SmartPLS, vốn thường dùng để mã hóa nhóm hoặc đặc điểm phân loại.

Chuẩn bị mô hình và dữ liệu

Trước khi mở SmartPLS, bạn cần xác định rõ biến nào là biến dự báo trong phương trình cấu trúc và biến nào có lý do lý thuyết để nghi ngờ nội sinh. Không nên tạo Copula cho mọi biến chỉ để làm mô hình có thêm kiểm định. Việc lựa chọn phải dựa trên mô hình nghiên cứu, cách đo lường và lập luận về biến bị bỏ sót.

Mô hình đo lường và mô hình cấu trúc vẫn được đánh giá theo thứ tự thông thường. Với mô hình đo lường, bạn kiểm tra outer loading, Cronbach's Alpha, composite reliability, AVE và HTMT. Với mô hình cấu trúc, bạn xem VIF, path coefficient, bootstrapping, R², f² và Q² nếu phù hợp. Quy trình đánh giá theo hai giai đoạn, đo lường trước rồi đến cấu trúc, phù hợp với khuyến nghị của (Anderson và Gerbing, 1988).

Kiểm tra dạng dữ liệu

SmartPLS 4 nhập dữ liệu thuận tiện nhất từ file .csv. Mỗi hàng là một người trả lời, mỗi cột là một biến quan sát. Hàng đầu tiên phải chứa tên biến, chẳng hạn CLDV1, CLDV2, HL1, HL2. Không đặt dấu cách, ký tự đặc biệt hoặc dùng cùng một tên cho hai cột.

Các ô dữ liệu nên chứa số. Nếu bảng hỏi dùng Likert 1 đến 5, hãy giữ nguyên quy ước này trong toàn bộ file. Biến đảo chiều phải được xử lý trước khi chạy mô hình. Bạn không nên để SmartPLS tự hiểu các giá trị như “Đồng ý” hoặc “Không đồng ý”.

Phân biệt mô hình đo lường và mô hình cấu trúc

Copula được tạo dựa trên biến dự báo trong mô hình cấu trúc, nhưng dữ liệu đầu vào thường liên quan đến điểm số của construct. Vì vậy, bạn cần có mô hình đo lường hợp lệ trước khi diễn giải kết quả nội sinh. Nếu thang đo còn nhiều outer loading thấp hoặc HTMT không đạt, việc kết luận về Copula sẽ thiếu nền tảng.

Nếu đề tài có biến kiểm soát, hãy phân biệt biến đó với biến nghi ngờ nội sinh. Bạn có thể xem thêm hướng dẫn về biến kiểm soát là gì để quyết định biến nào cần đưa vào phương trình. Biến kiểm soát không tự động giải quyết nội sinh.

Lưu một bản mô hình cơ sở

Trước khi thêm Copula, hãy lưu mô hình ban đầu với tên dễ nhận biết, chẳng hạn Model_Base. Ghi lại các chỉ số chính: path coefficient, p-value, confidence interval, R² và VIF. Sau đó sao chép mô hình thành Model_Gaussian_Copula để có thể so sánh trước và sau khi kiểm tra.

Các bước thực hiện trong SmartPLS 4

Tên menu trong SmartPLS 3 và SmartPLS 4 có thể khác nhau. Phần dưới đây dùng cách làm việc trong SmartPLS 4. Nếu giao diện của bạn không có đúng tên lệnh, hãy kiểm tra nhóm chức năng tạo construct score, tính toán biến dẫn xuất và chạy PLS Algorithm trước khi tiếp tục.

Bước 1: Chạy mô hình PLS-SEM ban đầu

Mở project, kiểm tra lại các mũi tên trong mô hình rồi chọn Calculate > PLS-SEM Algorithm. Giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp để thay đổi. Lưu kết quả và mở các bảng Outer Loadings, Reliability and Validity, Discriminant Validity, Collinearity Statistics và Path Coefficients.

Ở bước này, bạn chưa kết luận về Gaussian Copula. Mục tiêu là xác nhận mô hình có thể chạy và tạo ra điểm số cho các construct. Nếu một construct không có điểm số hoặc mô hình báo lỗi, hãy sửa mô hình đo lường trước.

Bước 2: Tạo điểm số construct

Trong SmartPLS 4, bạn cần lấy điểm số đại diện cho các construct được đưa vào kiểm tra. Tùy phiên bản và loại mô hình, chức năng này có thể nằm trong phần kết quả hoặc phần xuất dữ liệu. Chọn construct cần dùng, xuất điểm số ra file và đặt tên cột rõ ràng, chẳng hạn X_SCORE.

Giữ nguyên thứ tự dòng khi ghép điểm số với file dữ liệu gốc. Đây là điểm dễ làm sai nhất. Nếu bạn sắp xếp file điểm số theo mã người trả lời nhưng file gốc theo thứ tự nhập liệu, Copula sẽ được ghép cho sai người.

Bước 3: Tính biến Gaussian Copula

Gaussian Copula thường được xây dựng từ thứ hạng hoặc phân phối của biến dự báo, sau đó biến đổi theo hàm phân phối chuẩn. Cách tính cụ thể phụ thuộc vào quy trình bạn đang áp dụng và công cụ hỗ trợ. Bạn cần ghi rõ cách tạo biến, tên biến gốc và phép biến đổi trong file làm việc.

Một số nghiên cứu tạo biến Copula bên ngoài SmartPLS bằng Excel, R hoặc phần mềm thống kê khác, rồi nhập các cột Copula vào SmartPLS. Nếu làm như vậy, hãy lưu lại công thức hoặc syntax. Đừng chỉ giữ một file kết quả cuối cùng, vì người hướng dẫn có thể hỏi Copula được tính từ biến nào.

Khi tính biến, bạn có thể tạo COP_X từ X_SCORE, COP_Z từ Z_SCORE và đặt tên nhất quán. Không dùng cùng một cột Copula cho hai biến dự báo khác nhau. Mỗi biến nghi ngờ nội sinh cần có biến Copula tương ứng nếu thiết kế kiểm định của bạn yêu cầu.

Bước 4: Nhập các biến Copula vào SmartPLS 4

Mở phần dữ liệu của project và nhập lại file .csv đã có các cột Copula, hoặc tạo một data file mới với cùng số dòng và cùng thứ tự người trả lời. Kiểm tra xem SmartPLS nhận các cột Copula là biến số liên tục, không phải biến phân loại.

Trong mô hình sao chép, tạo các construct đại diện cho Copula nếu thiết kế phân tích của bạn dùng construct một chỉ báo. Nối COP_X đến biến phụ thuộc tương ứng. Không nối Copula đến tất cả biến phụ thuộc theo thói quen. Mũi tên phải phản ánh phương trình mà bạn đang kiểm tra.

Bước 5: Chạy bootstrapping

Chọn Calculate > Bootstrapping trong SmartPLS 4. Sử dụng số lượng bootstrap theo thiết kế nghiên cứu và ghi lại thiết lập đã chọn. Khi cần theo khuyến nghị PLS-SEM hiện hành, 5.000 bootstrap subsamples là mốc thường được báo cáo (Hair và cộng sự, 2022).

Mở Path Coefficients, T Statistics, P Values và Confidence Intervals. Tập trung vào đường dẫn từ Copula đến biến phụ thuộc. Bạn cũng cần quan sát thay đổi của hệ số gốc sau khi thêm Copula, nhưng không được chỉ dựa vào việc hệ số tăng hay giảm để kết luận nội sinh.

Đọc bảng kết quả

Kết quả Gaussian Copula thường không nằm trong một bảng có tên duy nhất là “Gaussian Copula”. Bạn cần đọc đường dẫn của biến Copula trong các bảng kết quả cấu trúc. Hãy kiểm tra đúng tên construct, tên biến phụ thuộc và thiết lập bootstrapping trước khi ghi số liệu.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm bảng mà SmartPLS thường hiển thị. Bạn cần thay bằng số liệu trong file của mình.

| Quan hệ trong mô hình | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics (|O/STDEV|) | P Values | 95% Confidence Interval | Diễn giải minh họa | |---|---:|---:|---:|---:|---:|---|---| | Chất lượng dịch vụ -> Sự hài lòng | 0.421 | 0.425 | 0.071 | 5.930 | 0.000 | [0.281; 0.556] | Tác động dương, có ý nghĩa | | COP_CLDV -> Sự hài lòng | 0.118 | 0.121 | 0.052 | 2.269 | 0.023 | [0.017; 0.220] | Copula có ý nghĩa, cần thảo luận nội sinh | | Giá trị cảm nhận -> Sự hài lòng | 0.267 | 0.270 | 0.083 | 3.217 | 0.001 | [0.104; 0.430] | Tác động dương, có ý nghĩa |

Nếu COP_CLDV có p-value nhỏ hơn mức ý nghĩa bạn đã chọn và khoảng tin cậy không chứa 0, kết quả gợi ý rằng quan hệ từ Chất lượng dịch vụ đến Sự hài lòng có dấu hiệu nội sinh. Cụm “gợi ý” rất quan trọng. Gaussian Copula là một kiểm tra dựa trên mô hình và giả định, không phải bằng chứng rằng bạn đã xác định được biến bị bỏ sót cụ thể nào.

Nếu Copula không có ý nghĩa, bạn có thể báo cáo rằng kiểm định không tìm thấy bằng chứng thống kê về nội sinh đối với quan hệ đã kiểm tra. Cách viết này chính xác hơn câu “mô hình hoàn toàn không có nội sinh”. Bạn vẫn phải xem xét lập luận lý thuyết, thiết kế nghiên cứu và các biến quan trọng chưa được đưa vào mô hình.

Ngưỡng đánh giá

Không có một ngưỡng duy nhất quyết định Gaussian Copula đạt hay không đạt. Bạn cần tách ba nhóm: chất lượng đo lường, chất lượng mô hình cấu trúc và ý nghĩa của đường dẫn Copula. Các ngưỡng PLS-SEM dưới đây giúp bạn kiểm tra nền tảng, còn kết luận nội sinh phải dựa vào hệ số, p-value và khoảng tin cậy của Copula.

Không đưa CFI, TLI hoặc RMSEA vào bảng đánh giá Gaussian Copula trong SmartPLS. Các fit indices này thuộc nhóm CB-SEM và thường gắn với AMOS hoặc các công cụ covariance-based SEM. Việc lấy ngưỡng của CB-SEM để kết luận cho PLS-SEM làm phần phương pháp dễ bị hỏi lại.

Bạn cũng có thể tham khảo chủ đề SmartPLS khi cần đối chiếu quy trình đánh giá outer model và inner model. Nếu mô hình có nhiều nhóm dữ liệu hoặc cấu trúc không đồng nhất, FIMIX-PLS là một hướng phân tích khác, nhưng không nên dùng nó để thay thế kiểm tra nội sinh.

Cách trình bày trong chương 4

Trước hết, mô tả ngắn lý do bạn kiểm tra nội sinh. Nêu biến dự báo, biến phụ thuộc, cơ sở lý thuyết khiến bạn nghi ngờ nội sinh và cách tạo biến Copula. Sau đó trình bày bảng kết quả với hệ số, t-value, p-value và confidence interval của từng Copula.

Cách viết vào luận văn: “Kết quả kiểm tra Gaussian Copula cho thấy đường dẫn từ [tên biến Copula] đến [tên biến phụ thuộc] có hệ số [β = ...], t-value = [...], p-value = [...], khoảng tin cậy 95% là [...]. Vì khoảng tin cậy [có/không có] chứa 0, kết quả [cho thấy/chưa cho thấy] bằng chứng thống kê về nội sinh trong quan hệ [biến dự báo] và [biến phụ thuộc].”

Nếu Copula có ý nghĩa, hãy nói rõ hệ số của quan hệ gốc sau khi thêm Copula và giải thích rằng kết quả cần được diễn giải thận trọng. Bạn có thể thảo luận khả năng biến bị bỏ sót, sai lệch đo lường hoặc quan hệ hai chiều, nhưng không được tự xác định nguyên nhân nếu dữ liệu không kiểm tra được nguyên nhân đó.

Nếu Copula không có ý nghĩa, báo cáo kết quả âm tính cùng với các kiểm định chính. Không xóa Copula khỏi file rồi chỉ trình bày mô hình đẹp hơn. Hãy lưu cả hai mô hình và ghi tên phiên bản để người đọc biết bạn đã thực hiện kiểm tra.

Lỗi thường gặp

Tạo Copula cho mọi biến

Việc tạo quá nhiều Copula làm bảng kết quả khó đọc và có thể tạo ra các kiểm định không cần thiết. Hãy bắt đầu từ các quan hệ có lý do lý thuyết rõ ràng. Nếu chưa có lập luận, trao đổi với người hướng dẫn trước khi thêm biến.

Ghép sai thứ tự dòng

Đây là lỗi nghiêm trọng vì SmartPLS vẫn có thể chạy và trả về kết quả. Kiểm tra số dòng, mã người trả lời và thứ tự dữ liệu trước khi ghép điểm số. Giữ một cột ID tạm thời trong file xử lý, dù không đưa ID vào mô hình.

Nhầm Copula với biến điều tiết

Copula không phải interaction term. Bạn không nhân hai biến để tạo Copula, cũng không đọc hệ số Copula như một tác động điều tiết. Nếu mục tiêu của bạn là kiểm tra moderator, hãy dùng quy trình dành cho biến điều tiết, không dùng Gaussian Copula.

Chỉ nhìn p-value của mô hình gốc

Sau khi thêm Copula, bạn phải xem chính đường dẫn của Copula. Một path coefficient gốc có p-value nhỏ không chứng minh mô hình không có nội sinh. Ngược lại, Copula không có ý nghĩa cũng không chứng minh mọi giả định nhân quả đều đúng.

Dùng nhầm ngưỡng của AMOS

SmartPLS và AMOS dựa trên hai họ phương pháp khác nhau. Không đưa CFI, TLI, RMSEA vào phần đánh giá PLS-SEM nếu bạn không chạy CB-SEM. Khi cần so sánh hai hướng, hãy ghi rõ phần nào là PLS-SEM và phần nào là CB-SEM.

Câu hỏi thường gặp

Gaussian Copula trong SmartPLS là gì

Đây là cách kiểm tra khả năng nội sinh trong mô hình PLS-SEM bằng cách thêm biến Copula được tạo từ biến dự báo. Bạn xem đường dẫn từ Copula đến biến phụ thuộc trong kết quả bootstrapping để đánh giá bằng chứng thống kê.

Gaussian Copula có bắt buộc trong mọi đề tài không

Không. Bạn chỉ nên dùng khi có lập luận rằng một hoặc nhiều biến dự báo có thể liên hệ với phần sai số của biến phụ thuộc. Nếu thêm Copula chỉ vì thấy đây là kỹ thuật mới, phần phương pháp sẽ khó giải thích.

Copula có p-value lớn thì kết luận thế nào

Bạn có thể viết rằng kiểm định chưa cho thấy bằng chứng thống kê về nội sinh đối với quan hệ đã kiểm tra, dựa trên mức ý nghĩa và khoảng tin cậy đã chọn. Tránh viết rằng mô hình chắc chắn không có nội sinh, vì kiểm định vẫn phụ thuộc vào dữ liệu, cách tạo Copula và đặc tả mô hình.

Gaussian Copula có chạy trực tiếp trong SmartPLS 4 không

SmartPLS 4 hỗ trợ xây dựng và ước lượng mô hình PLS-SEM, nhưng cách tạo biến Copula có thể cần bước xử lý dữ liệu riêng tùy quy trình và phiên bản. Bạn cần kiểm tra đúng chức năng đang có trong bản cài đặt, lưu công thức tạo biến và nhập các cột Copula theo đúng thứ tự dòng.

Có thể dùng Excel để tạo Gaussian Copula không

Có thể, nếu bạn hiểu rõ công thức, kiểm soát giá trị thiếu và lưu lại toàn bộ các bước biến đổi. Với dữ liệu lớn hoặc công thức dễ sai, R hoặc một quy trình có syntax sẽ dễ kiểm tra lại hơn. Công cụ nào cũng phải bảo đảm Copula được ghép đúng với người trả lời.

Có cần xóa đường dẫn Copula sau khi kiểm định không

Không nên xóa khỏi file gốc. Hãy lưu mô hình cơ sở và mô hình có Copula thành hai phiên bản. Trong chương 4, trình bày lý do kiểm tra, kết quả Copula và mô hình được dùng để kết luận giả thuyết. Tiếp theo, mở file của bạn, lưu một bản sao mô hình, kiểm tra thứ tự dòng của file CSV và ghi riêng hệ số Copula cùng khoảng tin cậy trước khi viết chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng module M4 tại DoThesis.