Kết quả bootstrapping thay đổi mỗi lần chạy phải làm sao

Hiện tượng bạn đang gặp

Bạn chạy Bootstrapping trong SmartPLS, xem bảng Path Coefficients và thấy hệ số đường dẫn, t-value hoặc p-value khác lần trước. Có lần một giả thuyết có p-value 0.047, lần sau thành 0.061. Bạn chạy lại nhiều lần, kết quả tiếp tục dao động và bắt đầu nghi ngờ file dữ liệu hoặc mô hình bị lỗi.

Trước hết, cần tách hai trường hợp. Bootstrapping dùng các mẫu tái lập ngẫu nhiên từ dữ liệu gốc, nên một mức dao động nhỏ giữa các lần chạy có thể xảy ra. Ngược lại, nếu kết luận của giả thuyết liên tục đổi từ có ý nghĩa sang không có ý nghĩa, hoặc hệ số thay đổi rất lớn, bạn cần kiểm tra cấu hình, dữ liệu, missing value, outlier và độ ổn định của mô hình.

SmartPLS 4 có nhiều bảng để kiểm tra, gồm Path Coefficients, Total Effects, Specific Indirect Effects, Outer Loadings, Construct Crossvalidated Redundancy và các bảng liên quan đến Confidence Intervals. Nếu bạn đang gặp lỗi dừng giữa chừng thay vì kết quả thay đổi, hãy xem thêm hướng dẫn bootstrapping bị lỗi phải làm sao. Bài này tập trung vào trường hợp chạy được nhưng con số không giống nhau.

Nguyên nhân thường gặp

Không nên sửa mô hình ngay khi thấy một chữ số thập phân thay đổi. Hãy ghi lại cấu hình của từng lần chạy, sau đó kiểm tra theo bảng dưới đây. Cột “dấu hiệu” giúp bạn khoanh vùng trước khi xóa biến hoặc thu thêm dữ liệu.

Một điểm dễ nhầm là bootstrapping không tạo ra dữ liệu mới theo nghĩa thu thập thêm người trả lời. Nó tái lấy mẫu từ chính dữ liệu bạn đã có. Vì vậy, 5.000 bootstrap subsamples không biến một mẫu nhỏ thành 5.000 quan sát độc lập. Số lượng subsamples giúp ước lượng phân phối ổn định hơn, còn chất lượng và kích thước dữ liệu gốc vẫn quyết định phần lớn độ tin cậy của kết quả.

Cách xử lý theo thứ tự ưu tiên

Hãy xử lý từ bước ít can thiệp nhất đến bước có thể làm thay đổi mô hình. Lưu một bản sao dự án trước mỗi thay đổi và ghi vào bảng theo dõi: ngày chạy, số subsamples, khoảng tin cậy, hệ số, p-value và quyết định giữ hay loại giả thuyết.

1. Chụp lại cấu hình và kết quả hiện tại

Trong SmartPLS 4, mở dự án, vào phần chạy Bootstrapping và ghi lại Number of bootstrap samples, cách chọn Sign Changes, loại kiểm định và các tùy chọn khoảng tin cậy. Nếu mục tiêu là kiểm định giả thuyết có hướng, bạn vẫn cần làm theo quy định của đề tài và hướng dẫn của giảng viên, không tự đổi thiết lập chỉ để p-value đẹp hơn.

Lưu riêng báo cáo hoặc ảnh các bảng Path Coefficients, Total Effects, Specific Indirect Effects và Confidence Intervals. Nếu chỉ lưu một con số p-value, bạn sẽ khó giải thích vì sao lần chạy sau khác lần trước.

2. Chạy lại với cấu hình cố định

Đóng các thay đổi không cần thiết trong mô hình, giữ nguyên file dữ liệu và chạy lại với số bootstrap subsamples cố định. Một thiết lập thường được sử dụng trong báo cáo PLS-SEM là 5.000 subsamples (Hair và cộng sự, 2022). Con số này không bảo đảm mọi p-value sẽ đứng yên, nhưng giúp kết quả bớt phụ thuộc vào một số lần tái lấy mẫu quá nhỏ.

Không chạy liên tục rồi chọn lần cho kết quả có lợi. Cách đó tạo ra rủi ro chọn kết quả sau khi đã biết đáp án. Bạn nên chọn một cấu hình trước, chạy theo cấu hình đó và báo cáo nhất quán cho toàn bộ mô hình.

3. Kiểm tra khoảng tin cậy thay vì chỉ nhìn p-value

Mở bảng kết quả và xem khoảng tin cậy của path coefficient hoặc indirect effect. Với tác động gián tiếp, tiêu chí thường được dùng là khoảng tin cậy bootstrap không chứa 0 (Preacher và Hayes, 2008). Nếu khoảng tin cậy rất rộng và cắt qua 0, việc p-value thay đổi quanh 0.05 phản ánh hiệu ứng chưa ổn định, không phải lý do để tự động loại một vài dòng dữ liệu.

Nếu hệ số luôn cùng dấu, độ lớn chỉ dao động nhỏ và khoảng tin cậy vẫn đưa đến cùng một kết luận, bạn có thể xem đây là dao động tính toán có thể giải thích. Nếu dấu của hệ số đổi liên tục hoặc khoảng tin cậy rất rộng, chuyển sang kiểm tra dữ liệu và mô hình.

4. Kiểm tra VIF và đa cộng tuyến

Trong mô hình cấu trúc, mở bảng Collinearity Statistics hoặc bảng VIF tương ứng. VIF dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM (Hair và cộng sự, 2019). VIF cao cho thấy các biến dự báo chồng lấn mạnh, khiến hệ số đường dẫn nhạy với từng mẫu tái lập.

Bạn cũng nên kiểm tra các construct có nội dung gần nhau. Nếu giá trị phân biệt không đạt, xem hướng dẫn giá trị phân biệt không đạt phải làm sao. HTMT trên 0.90 cũng là dấu hiệu cần xem lại với các construct có quan hệ khái niệm gần nhau, theo (Henseler và cộng sự, 2015). Không loại item chỉ vì nó làm p-value của một giả thuyết xấu đi.

5. Kiểm tra độ tin cậy và giá trị hội tụ

Xem Outer Loadings, Composite Reliability và Average Variance Extracted. Outer loading từ 0.7 trở lên là mốc thường được sử dụng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981).

Các mốc này không phải nút “đạt hoặc loại” độc lập. Một loading thấp cần được xem cùng nội dung lý thuyết, CR, AVE và tác động của việc loại item. Nếu AVE đang thấp, bạn có thể tham khảo bài AVE nhỏ hơn 0 5 phải làm sao, nhưng vẫn phải ghi lại lý do loại biến trong luận văn.

6. Kiểm tra dữ liệu gốc và outlier

Mở file .csv hoặc .sav và kiểm tra số dòng trước khi nhập vào SmartPLS. Đảm bảo các cột item có cùng kiểu số, không lẫn chữ, không có ký hiệu đặc biệt và các item đảo chiều đã được mã hóa trước khi chạy. Một dòng trả lời bị thiếu nhiều giá trị hoặc trả lời một mức cho toàn bộ bảng hỏi có thể làm ước lượng kém ổn định.

Kiểm tra outlier bằng cách phù hợp với thiết kế nghiên cứu, đồng thời lưu bằng chứng trước khi loại. Xóa một vài người trả lời chỉ vì chúng làm kết quả đẹp hơn là khó bảo vệ khi hội đồng hỏi. Nếu phát hiện dữ liệu lỗi do nhập liệu, sửa theo nguồn bảng hỏi gốc và ghi rõ quy trình.

7. Đọc một lần chạy minh họa đúng cách

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm kết quả SmartPLS thường hiển thị. Khi đọc file của bạn, hãy chú ý cả dấu của Original Sample, độ lệch chuẩn, T Statistics, P Values và khoảng tin cậy.

Nếu lần chạy thứ nhất của bạn có SAT -> LOY bằng 0.286 và lần thứ hai bằng 0.279, đó chưa phải vấn đề lớn nếu kết luận, dấu hệ số và khoảng tin cậy giữ ổn định. Nếu p-value đổi từ 0.002 sang 0.38, hãy kiểm tra bạn có đang xem cùng mô hình, cùng dữ liệu, cùng cấu hình và cùng cách xử lý missing value hay không.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một hiệu ứng yếu hoặc một mẫu không đại diện. Bạn nên trao đổi để thu thêm dữ liệu khi khoảng tin cậy rất rộng, kết quả đổi dấu nhiều lần, nhiều giả thuyết cùng không ổn định hoặc dữ liệu hợp lệ bị giảm mạnh sau khi làm sạch.

Trước khi thu thêm, xác định vấn đề nằm ở thiếu số lượng hay sai thiết kế. Nếu bảng hỏi có item mơ hồ, thêm người trả lời mà không sửa công cụ có thể lặp lại cùng lỗi. Nếu nhóm đối tượng quan trọng chưa xuất hiện trong mẫu, cần điều chỉnh kế hoạch tiếp cận và ghi rõ tiêu chí chọn mẫu.

Bạn cũng cần phân biệt “có thêm dữ liệu” với “chạy thêm lần”. Chạy Bootstrapping 20 lần trên cùng một file không làm tăng cỡ mẫu nghiên cứu. Cỡ mẫu và số biến dự báo cần được giải thích theo thiết kế, chẳng hạn quy tắc hồi quy từ 50 + 8m quan sát trở lên (Tabachnick và Fidell, 2013), nhưng không nên dùng một quy tắc duy nhất để biện minh cho mọi mô hình PLS-SEM.

Cách giải trình với giảng viên hướng dẫn

Khi gửi kết quả, đừng viết rằng “SmartPLS bị random nên em chọn lần chạy đẹp nhất”. Hãy gửi cấu hình, số subsamples, bảng kết quả trước và sau, cùng nhận xét về mức dao động. Cách trình bày này cho thấy bạn kiểm soát quy trình thay vì điều chỉnh kết quả theo mong muốn.

Cách viết vào luận văn: “Nghiên cứu sử dụng Bootstrapping với [5.000] bootstrap subsamples trong SmartPLS 4 để đánh giá ý nghĩa của các path coefficient. Kết quả được kết luận dựa trên [p-value ở mức ý nghĩa ...] và [khoảng tin cậy bootstrap], trong đó tác động [X -> Y] có hệ số [β = ...], [t = ...], [p = ...], khoảng tin cậy [ ... ; ... ], nên giả thuyết [H...] được [chấp nhận hoặc không được chấp nhận].”

Bạn thay các phần trong ngoặc vuông bằng số liệu thật từ cùng một lần chạy đã chọn để báo cáo. Không điền số từ bảng minh họa ở trên vào luận văn. Nếu kết quả nhạy cảm với cấu hình, nói rõ cấu hình và thực hiện phân tích kiểm tra độ ổn định theo yêu cầu của giảng viên.

Cách phòng từ bước thiết kế

Ngay từ đầu, đặt mã biến nhất quán, ghi rõ item đảo chiều và tạo một bảng nhật ký dữ liệu. Giữ một file dữ liệu gốc chỉ đọc, một file đã làm sạch và một file dự án SmartPLS. Tên phiên bản nên có ngày và mô tả ngắn, chẳng hạn data_clean_v02 hoặc pls_boot_5000_v01.

Trước khi chạy mô hình cấu trúc, đánh giá measurement model theo trình tự. Kiểm tra outer loading, độ tin cậy, AVE và giá trị phân biệt trước khi diễn giải path coefficient. Với CR lớn hơn 0.95, bạn có thể xem thêm CR lớn hơn 0 95 phải làm sao, vì mức quá cao đôi khi cho thấy các item trùng lặp nội dung.

Trong SmartPLS 4, giữ nguyên cấu hình giữa các lần chạy và xuất báo cáo sau mỗi thay đổi có lý do. Nếu cần học thêm quy trình theo đúng giao diện phần mềm, bạn có thể xem chủ đề SmartPLS. Khi viết chương 4, báo cáo số bootstrap subsamples, phương pháp đánh giá, hệ số, độ lệch chuẩn, t-value hoặc p-value và khoảng tin cậy phù hợp với kiểm định.

Lỗi thường gặp khi sửa

Chọn lần chạy có p-value đẹp nhất

Đây là lỗi nghiêm trọng về tính nhất quán. Bạn cần chọn cấu hình trước khi xem kết quả, không lặp lại đến khi giả thuyết đạt rồi chỉ giữ lại lần đó.

Tăng số subsamples để ép giả thuyết có ý nghĩa

Tăng từ số thấp lên 5.000 giúp ước lượng ổn định hơn theo quy trình được đề xuất (Hair và cộng sự, 2022), nhưng không tạo ra tác động mới. Nếu p-value vẫn không đạt, hãy báo cáo kết quả đó và giải thích theo cơ sở lý thuyết.

Xóa item chỉ vì một lần bootstrapping

Một item cần được xem xét dựa trên loading, CR, AVE, giá trị phân biệt và nội dung thang đo. Xóa liên tục nhiều item sẽ làm mô hình xa khỏi thang đo ban đầu và làm phần phương pháp khó bảo vệ.

Trộn kết quả của nhiều lần chạy

Không lấy hệ số từ lần một, p-value từ lần hai và khoảng tin cậy từ lần ba. Mọi con số trong một bảng luận văn phải thuộc cùng phiên chạy và cùng cấu hình.

Nhầm bootstrapping với kiểm định độ tin cậy của dữ liệu

Bootstrapping đánh giá sự biến thiên của ước lượng từ mẫu tái lập. Nó không thay thế việc kiểm tra bảng hỏi, làm sạch dữ liệu, độ tin cậy thang đo hay giá trị phân biệt.

Câu hỏi thường gặp

Kết quả bootstrapping thay đổi mỗi lần chạy có phải SmartPLS bị lỗi không?

Chưa chắc. Dao động nhỏ có thể xuất hiện vì các mẫu bootstrap được lấy lại khác nhau. Bạn cần xem mức thay đổi của hệ số, dấu, khoảng tin cậy và kết luận, thay vì chỉ so sánh một chữ số thập phân.

Nếu kết quả đổi rất mạnh, hãy kiểm tra dữ liệu, cấu hình, VIF, outer loading và việc bạn có đang mở đúng phiên bản kết quả hay không. Một lỗi phần mềm thường đi kèm hiện tượng không lưu được kết quả, dừng chạy hoặc báo lỗi, không chỉ là p-value dao động.

Nên chạy bootstrapping bao nhiêu lần trong SmartPLS?

Số cần phân biệt là số bootstrap subsamples trong một lần chạy và số lần bạn bấm chạy lại. Trong báo cáo PLS-SEM, 5.000 bootstrap subsamples là cấu hình thường được khuyến nghị (Hair và cộng sự, 2022). Bạn không cần chạy đi chạy lại để chọn kết quả thuận lợi.

Nếu chạy kiểm tra nhiều lần, hãy ghi lại tất cả và giải thích bạn chọn phiên bản nào theo tiêu chí đã định trước. Số subsamples không thay thế cỡ mẫu gốc.

P-value lúc nhỏ hơn, lúc lớn hơn 0.05 thì kết luận thế nào?

Trước hết xem khoảng tin cậy và độ lớn của dao động. Nếu hiệu ứng nằm sát 0.05, kết luận có thể nhạy với mẫu tái lập. Bạn nên báo cáo đúng kết quả của cấu hình đã định trước, đồng thời thảo luận rằng bằng chứng thống kê chưa thật sự ổn định.

Không nên gọi một giả thuyết là được chấp nhận chỉ vì một lần p-value nhỏ hơn 0.05. Cách kết luận cần thống nhất với mức ý nghĩa, khoảng tin cậy và quy ước của đề tài.

Có cần đổi seed trong SmartPLS không?

Nếu phiên bản SmartPLS hoặc cấu hình của bạn có tùy chọn random seed, hãy ghi lại seed khi chạy kiểm tra. Seed giúp tái lập một chuỗi lấy mẫu cụ thể, nhưng không làm dữ liệu đại diện hơn và cũng không biến một kết quả yếu thành kết quả mạnh.

Khi báo cáo, ưu tiên mô tả đầy đủ cấu hình bootstrapping và tiêu chí kết luận. Nếu giảng viên yêu cầu tái lập, gửi kèm file dự án, dữ liệu đã làm sạch và nhật ký các bước.

Khi kết quả không ổn định, có nên thu thêm dữ liệu ngay không?

Không nên quyết định chỉ từ một p-value. Kiểm tra trước xem mẫu có missing value, outlier, đa cộng tuyến, nhóm trả lời mất cân đối hoặc item có vấn đề hay không.

Sau khi xác định nguyên nhân, bạn mới đánh giá việc thu thêm dữ liệu. Nếu lỗi nằm ở bảng hỏi hoặc tiêu chí chọn mẫu, cần sửa thiết kế trước khi tiếp tục thu thập.

Bạn hãy mở lại file SmartPLS, cố định cấu hình, chạy một phiên bản với 5.000 bootstrap subsamples, lưu các bảng Path Coefficients và Confidence Intervals, rồi đối chiếu với VIF, outer loading, CR, AVE và HTMT. Nếu muốn chạy phân tích trên chính file .sav hoặc .csv và ghi lại từng phiên bản kết quả, M4 phân tích dữ liệu của DoThesis sẽ thực hiện phần này cùng bạn.