Kiểm định hoán vị permutation trong SmartPLS 4
Kiểm định hoán vị permutation trong SmartPLS dùng để làm gì
Bạn dùng kiểm định hoán vị, thường gọi là permutation test, khi muốn xem hai nhóm trong dữ liệu có khác nhau có ý nghĩa thống kê hay không. Ví dụ, bạn muốn so sánh tác động của Chất lượng dịch vụ lên Sự hài lòng giữa nhóm nam và nữ, giữa khách hàng trẻ và lớn tuổi, hoặc giữa người dùng mới và người dùng lâu năm.
Trong SmartPLS, permutation test thường xuất hiện trong bối cảnh Multi-Group Analysis, viết tắt là MGA. Phần mềm hoán vị nhãn nhóm nhiều lần, sau đó tạo ra phân phối của chênh lệch giữa hai nhóm. Kết quả giúp bạn đánh giá liệu chênh lệch quan sát được giữa hai path coefficient có đủ lớn để xem là khác biệt giữa nhóm hay chỉ do dao động lấy mẫu.
Bạn cần phân biệt thủ tục này với việc kiểm định một path coefficient trong toàn bộ mẫu. Một đường dẫn có p-value nhỏ trong nhóm A và lớn trong nhóm B chưa đủ để kết luận hai nhóm khác nhau. Câu hỏi chính của permutation test là: chênh lệch giữa hai hệ số đường dẫn có ý nghĩa hay không.
SmartPLS là một trong các công cụ bạn có thể dùng cho PLS-SEM, bên cạnh SPSS, AMOS và R. Bạn có thể xem thêm các chủ đề liên quan trong chuyên mục SmartPLS, nhất là khi chưa chắc nên chạy mô hình đo lường hay mô hình cấu trúc trước.
Chuẩn bị mô hình và dữ liệu
Trước khi chạy permutation test, mô hình PLS-SEM của bạn phải được thiết lập và kiểm tra ở mức cơ bản. Permutation test không sửa được một mô hình đo lường có outer loading thấp, HTMT quá cao hoặc dữ liệu phân nhóm bị mã hóa sai.
Xác định biến nhóm
Bạn cần một biến phân loại dùng để chia mẫu, chẳng hạn giới tính, độ tuổi hoặc loại khách hàng. Biến này phải có mã rõ ràng trong file dữ liệu. Ví dụ, giới tính có thể được mã hóa 1 và 2, còn nhóm tuổi có thể được mã hóa 1, 2 và 3.
Permutation test trong SmartPLS thường được dùng để so sánh hai nhóm. Nếu biến nhóm có ba nhóm trở lên, bạn cần xác định cách so sánh từng cặp hoặc dùng một thủ tục MGA phù hợp với thiết kế nghiên cứu. Đừng gộp nhóm chỉ vì một nhóm có ít quan sát mà không ghi lại lý do.
Nếu bạn nghiên cứu tác động thay đổi theo một biến liên tục, đó có thể là bài toán về biến điều tiết. Hãy xem biến điều tiết trong SmartPLS để phân biệt moderation với so sánh nhóm. Khi biến nhóm là biến phân loại được mã hóa thành các dummy, cách xử lý có thể liên quan đến biến giả trong SmartPLS.
Kiểm tra mô hình đo lường
Với mô hình reflective, bạn nên kiểm tra outer loading, CR, AVE và HTMT trước khi diễn giải khác biệt giữa các nhóm. Outer loading từ 0.7 trở lên là mức thường được sử dụng trong PLS-SEM (Chin, 1998). CR từ 0.7 trở lên và AVE từ 0.5 trở lên là các mốc thường dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981).
Bạn cũng cần kiểm tra giá trị phân biệt. HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau về mặt lý thuyết, là các mốc được đề xuất (Henseler và cộng sự, 2015). Nếu thang đo không ổn định ở một nhóm, kết quả so sánh path giữa các nhóm sẽ khó giải thích.
Chuẩn bị file CSV
SmartPLS 4 có thể nhập dữ liệu dạng CSV. Hàng đầu tiên nên chứa tên biến, các hàng tiếp theo là quan sát. Tên biến nên ngắn, không có dấu cách và nhất quán với indicator trong mô hình, chẳng hạn PU1, PU2, SAT1, GENDER.
Mỗi dòng là một người trả lời. Không đặt chữ như “nam”, “nữ” lẫn với mã số nếu bạn đã khai báo biến nhóm bằng số. Kiểm tra missing value, dòng trống và các trường hợp chỉ chọn một mức cho toàn bộ bảng hỏi. Sau khi nhập file, mở phần Data để xác nhận SmartPLS đọc đúng kiểu dữ liệu và số nhóm.
Các bước thực hiện kiểm định hoán vị trong SmartPLS 4
Tên menu dưới đây áp dụng cho SmartPLS 4. Một số vị trí trong SmartPLS 3 có thể khác, vì vậy bạn nên kiểm tra phiên bản đang mở trước khi đối chiếu ảnh hướng dẫn cũ.
Bước 1: Import dữ liệu và tạo project
Mở SmartPLS 4, tạo project mới rồi import file CSV. Chọn dấu phân cách đúng với file của bạn, thường là comma hoặc semicolon. Kiểm tra số lượng dòng, số lượng biến và tên cột trước khi chuyển sang phần thiết kế mô hình.
Nếu dữ liệu của bạn đang ở dạng .sav, hãy kiểm tra khả năng đọc của phiên bản đang dùng hoặc lưu một bản CSV từ SPSS. Khi xuất CSV, giữ lại mã số của biến nhóm và không thay đổi thứ tự dòng giữa các lần xuất file.
Bước 2: Vẽ mô hình đo lường và mô hình cấu trúc
Tạo latent variable, kéo các indicator vào từng construct, sau đó nối các mũi tên theo giả thuyết. Hãy phân biệt measurement model với structural model. Indicator thuộc construct nào phải được gán đúng construct đó, còn mũi tên giữa các construct phải phản ánh mô hình lý thuyết đã viết trong chương 2 và chương 3.
Chạy PLS-SEM trước khi chạy so sánh nhóm. Bạn cần biết mô hình có hội tụ, có vấn đề về collinearity hay không và các path coefficient đang có hướng như thế nào. VIF dưới 5 là một mốc thường được dùng trong báo cáo PLS-SEM (Hair và cộng sự, 2019).
Bước 3: Chạy kiểm tra measurement invariance nếu cần
Nếu bạn muốn so sánh nhóm một cách chặt chẽ, hãy xem xét measurement invariance trước khi diễn giải khác biệt cấu trúc. Việc này trả lời câu hỏi liệu cùng một thang đo có được hiểu và đo lường tương đương giữa các nhóm hay không.
Trong SmartPLS, thủ tục thường được biết đến là MICOM, gồm các bước đánh giá cấu hình, compositional invariance và sự tương đương về giá trị trung bình hoặc phương sai tùy thiết kế. Bạn cần lưu lại kết quả từng bước, không chỉ chụp bảng p-value cuối cùng.
Bước 4: Chia nhóm trong dữ liệu
Trong khu vực Data hoặc phần thiết lập nhóm của project, chọn biến phân nhóm và xác định các giá trị tạo thành Group 1 và Group 2. Đặt tên nhóm có ý nghĩa, chẳng hạn Nu và Nam, thay vì để tên mặc định khiến bạn dễ đọc nhầm output.
Kiểm tra số quan sát của từng nhóm. Nếu một nhóm quá nhỏ, kết quả permutation có thể thiếu ổn định và khó thuyết phục khi bảo vệ. Cỡ mẫu tối thiểu không nên được quyết định chỉ bằng một con số máy móc, mà cần gắn với số biến quan sát, số đường dẫn và thiết kế nghiên cứu. Với phân tích nhân tố, quy tắc 5 đến 10 quan sát cho một biến quan sát thường được trích dẫn (Hair và cộng sự, 2010).
Bước 5: Chạy permutation test
Trong SmartPLS 4, mở phần kết quả hoặc nhóm công cụ phân tích so sánh nhóm, chọn thủ tục Permutation. Chọn biến nhóm, cặp nhóm cần so sánh và số lần hoán vị theo thiết lập của phần mềm. Kiểm tra lại Group 1 và Group 2 trước khi bấm chạy, vì đảo thứ tự nhóm sẽ làm đổi dấu của chênh lệch, dù ý nghĩa tuyệt đối của chênh lệch vẫn cần được đọc cùng p-value.
Khi kết quả hoàn tất, mở bảng so sánh path coefficient. Ghi lại hệ số ở từng nhóm, chênh lệch giữa hai nhóm, t-value hoặc p-value mà SmartPLS hiển thị, cùng khoảng tin cậy nếu bảng có cung cấp. Lưu project và xuất bảng ra file để không phải chạy lại chỉ vì đóng cửa sổ kết quả.
Bước 6: Đối chiếu với giả thuyết
Giả thuyết về khác biệt nhóm phải được viết riêng với giả thuyết về tác động. Ví dụ, H1 nói rằng Niềm tin ảnh hưởng tích cực đến Ý định sử dụng. H2 có thể nói rằng tác động này khác nhau giữa nhóm nam và nữ. H1 được kiểm tra bằng path coefficient của mô hình, còn H2 cần dựa vào chênh lệch giữa hai nhóm.
Nếu permutation p-value dưới mức ý nghĩa bạn đã chọn, bạn có cơ sở thống kê để kết luận chênh lệch giữa hai nhóm có ý nghĩa. Nếu p-value không đạt, hãy viết rằng chưa có đủ bằng chứng về sự khác biệt, thay vì viết hai nhóm hoàn toàn giống nhau.
Đọc bảng kết quả permutation test
Bảng quan trọng nhất thường chứa tên quan hệ, hệ số đường dẫn của từng nhóm, chênh lệch giữa hai nhóm và mức ý nghĩa của chênh lệch. Bạn phải đọc theo hàng của từng path, không lấy p-value của một nhóm thay cho p-value so sánh nhóm.
Bảng Path Coefficients và Permutation
| Quan hệ | Group 1 path coefficient | Group 2 path coefficient | Difference | Permutation p-value | Diễn giải |
|---|---|---|---|---|---|
| Trust → Intention | 0.482 | 0.301 | 0.181 | 0.032 | Chênh lệch có ý nghĩa ở mức 5% trong số liệu minh họa |
| Service Quality → Satisfaction | 0.417 | 0.391 | 0.026 | 0.641 | Chưa có bằng chứng về khác biệt trong số liệu minh họa |
| Perceived Risk → Intention | -0.216 | -0.098 | -0.118 | 0.087 | Chưa đạt mức 5% trong số liệu minh họa |
Bảng số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột có thể thay đổi nhẹ theo phiên bản SmartPLS và loại bảng bạn mở. Ở hàng đầu tiên, Group 1 có path coefficient lớn hơn Group 2 và p-value của chênh lệch là 0.032. Bạn có thể báo cáo rằng tác động của Trust lên Intention khác nhau giữa hai nhóm ở mức ý nghĩa 5%, nếu thiết kế giả thuyết và mức ý nghĩa của bạn đã được xác định trước.
Ở hàng thứ hai, hai hệ số khá gần nhau nhưng điều quan trọng vẫn là p-value của chênh lệch. Ở hàng thứ ba, Group 1 có tác động âm mạnh hơn về trị tuyệt đối, nhưng p-value 0.087 chưa đủ để kết luận khác biệt ở mức 5%. Không nên đổi cách diễn giải chỉ vì dấu âm hoặc vì một nhóm riêng lẻ có kết quả có ý nghĩa.
Phân biệt chênh lệch hệ số với độ lớn tác động
Difference cho biết khoảng cách giữa hai path coefficient. Nó chưa nói trực tiếp rằng tác động là lớn hay nhỏ theo nghĩa effect size. Khi cần báo cáo effect size trong PLS-SEM, f² ở mức 0.02, 0.15 và 0.35 thường lần lượt được diễn giải là nhỏ, vừa và lớn (Cohen, 1988).
R² cũng là chỉ số của khả năng giải thích phương sai cho biến nội sinh, không phải kiểm định khác biệt nhóm. Trong PLS-SEM, R² ở mức 0.75, 0.50 và 0.25 thường được diễn giải lần lượt là đáng kể, trung bình và yếu (Hair và cộng sự, 2011). Bạn không nên lấy R² của Group 1 và Group 2 rồi tự kết luận có moderation nếu chưa kiểm định chênh lệch.
Ngưỡng đánh giá và cách ra quyết định
Permutation test không cần bạn trộn các chỉ số fit của CB-SEM vào báo cáo PLS-SEM. CFI, TLI và RMSEA gắn với CB-SEM, không phải nhóm chỉ số cốt lõi của SmartPLS. Với SmartPLS, tập trung vào outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q² theo đúng vai trò của từng chỉ số.
Bảng dưới đây giúp bạn kiểm tra các ngưỡng thường xuất hiện trong cùng một báo cáo. Mỗi ngưỡng cần được đặt trong bối cảnh mô hình và nguồn trích dẫn, không dùng như điều kiện tự động loại hoặc giữ biến.
| Chỉ số hoặc tiêu chí | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998) |
| 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) |
| R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Số lần bootstrap | 5.000 mẫu lặp | (Hair và cộng sự, 2022) |
Với permutation test, bạn cần ghi rõ mức ý nghĩa đã chọn, cách chia nhóm, số quan sát của mỗi nhóm và p-value của chênh lệch. Mức 0.05 được nhiều luận văn dùng, nhưng bạn nên thống nhất với quy ước trong đề cương và trình bày đúng cách đã đăng ký. Nếu bảng có confidence interval, hãy báo cáo thêm khoảng này thay vì chỉ ghi “có sự khác biệt”.
Cách trình bày trong chương 4
Khi viết chương 4, trình tự dễ theo dõi là: mô tả nhóm, kiểm tra mô hình đo lường, kiểm tra mô hình cấu trúc, kiểm tra measurement invariance nếu có, rồi báo cáo permutation test. Đừng đưa bảng so sánh nhóm lên trước khi người đọc biết các construct và indicator đã đạt yêu cầu cơ bản.
Cách viết vào luận văn: “Kết quả permutation test cho thấy tác động của [biến độc lập] lên [biến phụ thuộc] ở nhóm [tên nhóm 1] đạt [hệ số 1], trong khi ở nhóm [tên nhóm 2] đạt [hệ số 2]. Chênh lệch giữa hai hệ số là [difference], với p-value = [p-value]. Vì p-value [nhỏ hơn/lớn hơn] [mức ý nghĩa], giả thuyết [mã giả thuyết] về sự khác biệt giữa hai nhóm [được ủng hộ/chưa được ủng hộ].”
Nếu kết quả không có ý nghĩa, câu viết cần giữ đúng giới hạn: “Chưa có đủ bằng chứng thống kê để khẳng định tác động của [X] lên [Y] khác nhau giữa [nhóm 1] và [nhóm 2].” Bạn không nên viết “hai nhóm có tác động giống hệt nhau”, vì kiểm định không có ý nghĩa không chứng minh sự bằng nhau tuyệt đối.
Nếu đang viết phần thảo luận, hãy quay lại cơ chế lý thuyết để giải thích vì sao một nhóm có hệ số lớn hơn. Không suy diễn rằng nhóm có hệ số cao hơn chắc chắn có hành vi thực tế mạnh hơn nếu mẫu, thang đo hoặc bối cảnh thu thập chưa hỗ trợ kết luận đó.
Lỗi thường gặp
Dùng p-value của từng nhóm thay cho p-value của chênh lệch
Đây là lỗi phổ biến nhất. Group 1 có p-value 0.001 và Group 2 có p-value 0.240 không tự động chứng minh hai path khác nhau. Bạn phải đọc bảng permutation hoặc MGA có chứa kiểm định trực tiếp của chênh lệch.
Chọn sai biến phân nhóm
Nếu mã 1 và 2 trong file bị đảo so với bảng mô tả mẫu, dấu Difference sẽ bị hiểu ngược. Hãy mở bảng tần số trong SPSS hoặc kiểm tra Data view trước khi chạy, sau đó ghi rõ nhóm nào là Group 1.
Chạy trên mô hình chưa kiểm tra
Một path khác nhau giữa hai nhóm có thể bị ảnh hưởng bởi thang đo hoạt động khác nhau. Hãy kiểm tra measurement invariance khi thiết kế nghiên cứu yêu cầu so sánh nhóm. Nếu cần chạy FIMIX-PLS để tìm phân khúc tiềm ẩn, đó là một thủ tục khác, bạn có thể xem cách chạy FIMIX trong SmartPLS 4.
Tưởng permutation test là kiểm định biến điều tiết
Permutation test so sánh nhóm được quan sát. Mô hình điều tiết kiểm tra sự thay đổi của tác động theo moderator và có thể được thiết lập theo cách khác. Nếu biến của bạn là moderator, hãy đối chiếu với bài biến điều tiết là gì trước khi chọn thủ tục.
Chỉ báo cáo một con số p-value
Một p-value không cho người đọc biết nhóm nào có hệ số cao hơn, chênh lệch bao nhiêu và cỡ mẫu của mỗi nhóm. Tối thiểu, bảng chương 4 nên có tên quan hệ, path coefficient của hai nhóm, Difference, p-value và kết luận cho giả thuyết.
Câu hỏi thường gặp
Kiểm định permutation trong SmartPLS có phải là MGA không
Permutation test là một cách thực hiện so sánh nhóm trong nhóm thủ tục Multi-Group Analysis. MGA là khái niệm rộng hơn, còn permutation là phương pháp tạo phân phối tham chiếu bằng cách hoán vị nhãn nhóm để đánh giá chênh lệch giữa các hệ số.
Bạn nên ghi rõ tên thủ tục đã dùng trong SmartPLS, thay vì chỉ viết chung là “đã chạy MGA”.
Có cần chạy bootstrap trước permutation test không
Bạn nên chạy PLS Algorithm và kiểm tra mô hình trước. Bootstrap thường được dùng để đánh giá ý nghĩa của path coefficient trong từng mẫu hoặc từng nhóm, còn permutation test tập trung vào chênh lệch giữa nhóm.
Hai kết quả trả lời hai câu hỏi khác nhau, nên bootstrap không thay thế permutation test và ngược lại.
Nếu p-value permutation lớn hơn 0.05 thì có được kết luận hai nhóm giống nhau không
Bạn chỉ nên kết luận rằng chưa có đủ bằng chứng thống kê về sự khác biệt giữa hai nhóm ở mức ý nghĩa đã chọn. Không nên chuyển câu này thành khẳng định hai nhóm giống nhau hoàn toàn.
Hãy báo cáo thêm hai path coefficient, Difference và số quan sát mỗi nhóm để người đọc thấy quy mô chênh lệch.
SmartPLS 3 và SmartPLS 4 có cách chạy giống nhau không
Logic phân tích tương tự, nhưng vị trí menu, cách hiển thị kết quả và tên một số khu vực có thể thay đổi. Bài hướng dẫn này mô tả SmartPLS 4, nên bạn cần kiểm tra phiên bản nếu đang dùng hướng dẫn cho SmartPLS 3.
Khi đối chiếu output, hãy ưu tiên tên bảng và cột đang xuất hiện trong project của bạn, không cố tìm đúng vị trí của một ảnh chụp màn hình cũ.
Có thể dùng permutation test cho ba nhóm trở lên không
Bạn cần kiểm tra thủ tục và cách so sánh mà phiên bản SmartPLS của bạn hỗ trợ. Với nhiều nhóm, có thể phải thực hiện các so sánh cặp và kiểm soát cách diễn giải để tránh biến nhiều phép thử thành nhiều kết luận rời rạc.
Trong luận văn, ghi rõ số nhóm, từng cặp được so sánh và lý do chọn cách báo cáo. Không gom tất cả thành một p-value duy nhất nếu output không cung cấp kiểm định đó.
Hãy mở project SmartPLS, kiểm tra lại biến nhóm, chạy PLS Algorithm và lưu bảng Path Coefficients trước khi thực hiện permutation test; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích dữ liệu của DoThesis hỗ trợ bước này.