Mô hình cấu trúc là gì? Cách đọc kết quả SmartPLS

Mô hình cấu trúc là gì

Mô hình cấu trúc, tiếng Anh là structural model, mô tả mối quan hệ giữa các biến tiềm ẩn trong một nghiên cứu định lượng. Nếu đề tài của bạn giả thuyết rằng Chất lượng dịch vụ ảnh hưởng đến Sự hài lòng, còn Sự hài lòng ảnh hưởng đến Ý định mua lại, hai mũi tên giữa các khái niệm này thuộc mô hình cấu trúc.

Trong SmartPLS, mô hình cấu trúc được đánh giá ở phần structural model. Bạn thường xem path coefficient, p-value, t-value, R², f², Q² và VIF. Có thể hình dung phương trình của một biến phụ thuộc như sau:

Y = β1X1 + β2X2 + ε

Trong đó, Y là biến nội sinh, X1 và X2 là các biến dự báo, β là path coefficient và ε là phần sai số. Mô hình cấu trúc trả lời câu hỏi: các biến nào có ảnh hưởng đến biến nào, ảnh hưởng cùng chiều hay ngược chiều, mức độ ảnh hưởng ra sao và mô hình giải thích được bao nhiêu biến thiên của kết quả.

Bạn có thể xem thêm khái niệm nền trong bài biến tiềm ẩn là gì, vì mô hình cấu trúc thường được xây dựng giữa các biến tiềm ẩn chứ không chỉ giữa từng biến quan sát riêng lẻ.

Ý nghĩa của mô hình cấu trúc trong nghiên cứu định lượng

Mô hình cấu trúc là phần dùng để kiểm định các giả thuyết nghiên cứu. Trước khi chạy, bạn phải xác định rõ biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết, nếu đề tài có sử dụng. Mỗi mũi tên trong sơ đồ phải tương ứng với một lập luận lý thuyết và một giả thuyết cụ thể.

Ví dụ, giả thuyết H1 có thể là: “Chất lượng dịch vụ tác động tích cực đến Sự hài lòng của khách hàng”. Khi chạy SmartPLS, đường dẫn ChatLuongDichVu -> SuHaiLong cho ra một path coefficient. Nếu hệ số dương và kiểm định bootstrap cho thấy p-value đạt mức đã chọn, bạn có cơ sở ủng hộ H1 trong mẫu nghiên cứu.

Mô hình cấu trúc cũng cho biết mô hình có giá trị giải thích hay không. R² cho biết các biến dự báo giải thích bao nhiêu phần biến thiên của biến nội sinh. f² cho biết đóng góp riêng của một biến dự báo khi biến đó được đưa vào hoặc loại khỏi phương trình. Q² thường được dùng để xem mô hình có liên quan dự báo hay không.

Trong quy trình PLS-SEM, bạn nên đánh giá mô hình đo lường trước, sau đó mới đánh giá mô hình cấu trúc. Đây là cách tiếp cận hai bước được trình bày trong (Anderson và Gerbing, 1988). Nếu thang đo chưa đạt độ tin cậy hoặc giá trị phân biệt, việc diễn giải các đường dẫn cấu trúc sẽ thiếu cơ sở.

Nếu bạn đang phân vân giữa PLS-SEM và các dạng SEM khác, hãy đọc bài PLS-SEM là gì, SEM là gì và trang chủ đề SmartPLS. Mỗi công cụ có mục tiêu, giả định và cách báo cáo riêng.

Mô hình cấu trúc bao nhiêu là đạt

Không có một con số duy nhất quyết định toàn bộ mô hình cấu trúc đạt hay không. Bạn cần xem đồng thời ý nghĩa của path coefficient, p-value, R², f², Q² và VIF. Các ngưỡng dưới đây là mốc tham khảo từ các nguồn được trích dẫn, không phải quy tắc thay thế cho lập luận lý thuyết.

Vì vậy, câu hỏi “mô hình cấu trúc bao nhiêu là tốt” cần được tách thành nhiều câu hỏi nhỏ. R² cao chưa đủ để kết luận giả thuyết được chấp nhận. Một đường dẫn có R² tốt nhưng p-value không đạt vẫn có thể không ủng hộ giả thuyết. Ngược lại, một đường dẫn có ý nghĩa thống kê nhưng R² thấp vẫn cần được thảo luận về mức độ giải thích của mô hình.

Bạn cũng không nên đưa CFI, TLI, RMSEA vào bảng đánh giá mô hình cấu trúc của SmartPLS theo cách của CB-SEM. Các chỉ số đó thuộc nhóm chỉ số phù hợp mô hình của CB-SEM, với nguồn tham khảo (Hu và Bentler, 1999). Nếu bạn dùng AMOS, hãy xem thêm CB-SEM là gì để tránh trộn hai hệ phương pháp.

Cách đọc mô hình cấu trúc trên output SmartPLS

Trong SmartPLS 4, bạn chạy mô hình bằng cách chọn project, mở mô hình PLS-SEM, kiểm tra sơ đồ rồi chọn Calculate. Kết quả cơ bản nằm ở PLS-SEM Algorithm. Để kiểm định ý nghĩa thống kê của đường dẫn, chọn Calculate > Bootstrapping, đặt số lượng bootstrap subsamples theo thiết kế phân tích, sau đó xem các bảng kết quả tương ứng.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột mô phỏng cách SmartPLS thường hiển thị trong phần kết quả.

| Path Coefficients | Original sample (O) | Sample mean (M) | Standard deviation (STDEV) | T statistics (|O/STDEV|) | P values | |---|---:|---:|---:|---:|---:| | ChatLuongDichVu -> SuHaiLong | 0.428 | 0.431 | 0.071 | 6.028 | 0.000 | | SuHaiLong -> YDinhMuaLai | 0.516 | 0.514 | 0.064 | 8.063 | 0.000 | | GiaCa -> YDinhMuaLai | 0.119 | 0.121 | 0.058 | 2.052 | 0.040 | | KhuyenMai -> YDinhMuaLai | -0.036 | -0.034 | 0.049 | 0.735 | 0.462 |

Cột Original sample (O) là hệ số đường dẫn ước lượng từ mẫu. Hệ số 0.428 cho đường dẫn từ Chất lượng dịch vụ đến Sự hài lòng cho thấy mối quan hệ cùng chiều trong mô hình minh họa. Cột T statistics được tính từ hệ số và sai số chuẩn. Cột P values hỗ trợ quyết định về ý nghĩa thống kê theo mức ý nghĩa mà bạn đã đăng ký trong phương pháp nghiên cứu.

Bạn không nên chỉ nhìn vào màu mũi tên trên sơ đồ. Hãy đối chiếu tên biến, chiều giả thuyết, dấu của hệ số, p-value hoặc khoảng tin cậy bootstrap. Một đường dẫn có hệ số âm không tự động là lỗi. Nó có thể phản ánh tác động ngược chiều, hoặc cho thấy cách mã hóa biến và lập luận giả thuyết cần được kiểm tra lại.

Tiếp theo, mở bảng R Square. Ví dụ, nếu SuHaiLong có R² = 0.42 và YDinhMuaLai có R² = 0.58, bạn trình bày đây là mức phương sai của từng biến nội sinh được các biến dự báo trong mô hình giải thích. Không nên viết rằng mô hình “đúng 42%” hay “sai 58%”, vì R² không phải tỷ lệ câu trả lời đúng.

Trong bảng f Square, bạn xem đóng góp của từng biến vào một biến nội sinh. Bảng Construct Crossvalidated Redundancy hoặc kết quả liên quan đến Q² giúp đánh giá khả năng liên quan dự báo. Với bảng Inner VIF Values, kiểm tra VIF giữa các biến dự báo trước khi diễn giải path coefficient.

Khi mô hình cấu trúc không đạt thì xử lý thế nào

Bạn nên xử lý theo thứ tự từ dữ liệu, mô hình đo lường, mô hình cấu trúc rồi mới cân nhắc thay đổi giả thuyết. Việc xóa một biến hoặc một đường dẫn chỉ để làm p-value đẹp thường tạo rủi ro khi bị hỏi ở buổi bảo vệ.

Kiểm tra dữ liệu và mã hóa biến

Mở lại file .csv hoặc .sav và kiểm tra tên cột, giá trị thiếu, biến đảo chiều, kiểu dữ liệu và các dòng trả lời bất thường. Một biến đảo chiều chưa được mã hóa lại có thể làm giảm outer loading, thay đổi tương quan và kéo theo kết quả cấu trúc khó diễn giải.

Kiểm tra mô hình đo lường trước

Mô hình đo lường là gì? Đây là phần mô tả mối quan hệ giữa biến tiềm ẩn và các biến quan sát dùng để đo biến đó. Khi outer loading, CR, AVE hoặc HTMT chưa đạt, bạn cần xem lại thang đo trước khi kết luận mô hình cấu trúc không tốt.

Câu hỏi “mô hình đo lường bao nhiêu là tốt” thường liên quan đến outer loading từ 0.7 trở lên, CR từ 0.7 và AVE từ 0.5 trở lên. Các mốc này được tham khảo từ (Chin, 1998) và (Fornell và Larcker, 1981). Với thang đo khám phá, bối cảnh và cơ sở lý thuyết cần được nêu rõ khi bạn cân nhắc giữ một biến có loading thấp hơn.

Kiểm tra đa cộng tuyến và ý nghĩa đường dẫn

Nếu VIF cao, các biến dự báo có thể đang chứa thông tin trùng lặp. Bạn kiểm tra lại định nghĩa khái niệm, tương quan giữa các biến và cách thiết kế mô hình. Nếu một đường dẫn không có ý nghĩa, hãy đối chiếu với giả thuyết ban đầu và khoảng tin cậy bootstrap trước khi quyết định giữ hay loại.

Chỉ điều chỉnh mô hình khi có cơ sở

Bạn có thể loại biến quan sát hoặc đường dẫn khi có lý do về lý thuyết, chất lượng đo lường hoặc thiết kế nghiên cứu. Mỗi vòng chạy cần được lưu lại: biến nào bị loại, chỉ số trước và sau khi loại, lý do xử lý. Nếu mô hình liên tục được sửa cho đến khi kết quả đẹp, khả năng khái quát hóa sẽ yếu và hội đồng có thể hỏi bạn đã xây dựng giả thuyết từ đâu.

Phân biệt mô hình cấu trúc với mô hình đo lường

Mô hình đo lường trong SPSS thường được tiếp cận qua Cronbach's Alpha, EFA và các bảng như KMO and Bartlett's Test, Total Variance Explained, Rotated Component Matrix. SPSS giúp bạn đánh giá cấu trúc ban đầu của các biến quan sát. Tuy nhiên, SPSS không hiển thị một sơ đồ PLS-SEM hoàn chỉnh với outer model và inner model như SmartPLS.

Mô hình cấu trúc trong SPSS thường được triển khai bằng hồi quy tuyến tính, PROCESS hoặc các thủ tục liên quan. Bạn xem bảng Coefficients, Model Summary và ANOVA để đánh giá quan hệ giữa biến. Cách này phù hợp khi mô hình được xử lý bằng biến tổng hợp hoặc biến quan sát đã tính điểm. SmartPLS phù hợp hơn khi bạn muốn mô hình hóa đồng thời biến tiềm ẩn, mô hình đo lường và các đường dẫn PLS-SEM.

Bạn có thể đọc thêm mô hình SEM để phân biệt cách tiếp cận mô hình tổng quát với phần mô hình đo lường và mô hình cấu trúc. Hai phần này liên quan với nhau nhưng không dùng cùng một câu hỏi đánh giá.

Lỗi thường gặp

Lỗi đầu tiên là gọi toàn bộ sơ đồ SmartPLS là mô hình cấu trúc. Trên sơ đồ, các mũi tên từ biến tiềm ẩn đến biến quan sát thuộc mô hình đo lường. Các mũi tên giữa các biến tiềm ẩn mới là phần cấu trúc.

Lỗi thứ hai là dùng R² làm tiêu chí duy nhất. R² phụ thuộc vào biến nội sinh và bối cảnh nghiên cứu. Bạn cần trình bày cùng path coefficient, p-value, f², Q² và VIF khi các chỉ số đó thuộc thiết kế phân tích.

Lỗi thứ ba là bê nguyên ngưỡng của CB-SEM sang SmartPLS. CFI, TLI và RMSEA không phải nhóm chỉ số cốt lõi để đánh giá mô hình PLS-SEM. Hãy ghi rõ bạn đang dùng PLS-SEM, phiên bản SmartPLS và quy trình bootstrap nào.

Lỗi thứ tư là thay đổi mô hình sau khi xem kết quả mà không ghi nhận. Nếu một giả thuyết bị bác bỏ, bạn vẫn có thể báo cáo kết quả đó. Phần thảo luận cần giải thích theo bối cảnh, mẫu nghiên cứu và cơ sở lý thuyết thay vì đổi dấu hoặc xóa đường dẫn.

Cách viết vào luận văn

Bạn có thể điều chỉnh câu sau theo output thật: “Kết quả PLS-SEM cho thấy tác động của [BIẾN ĐỘC LẬP] đến [BIẾN PHỤ THUỘC] có hệ số đường dẫn β = [GIÁ TRỊ], t = [GIÁ TRỊ], p = [GIÁ TRỊ]. Do đó, giả thuyết [H1] được [chấp nhận/không được ủng hộ] ở mức ý nghĩa [MỨC Ý NGHĨA]. Mô hình giải thích [R² x 100]% phương sai của [BIẾN NỘI SINH].”

Câu hỏi thường gặp

Mô hình cấu trúc là gì trong SmartPLS?

Đó là phần mô tả và kiểm định quan hệ giữa các biến tiềm ẩn trong mô hình PLS-SEM. Bạn đọc phần này qua path coefficient, p-value, R², f², Q² và VIF, tùy mục tiêu nghiên cứu.

Mô hình cấu trúc bao nhiêu là tốt?

Không có một ngưỡng duy nhất cho toàn bộ mô hình. Bạn cần xem R², f², Q², VIF và ý nghĩa của từng đường dẫn, đồng thời đối chiếu các mốc với nguồn trích dẫn phù hợp.

Mô hình đo lường là gì?

Mô hình đo lường cho biết các biến quan sát đại diện cho biến tiềm ẩn như thế nào. Trong SmartPLS, bạn thường đánh giá outer loading, độ tin cậy, AVE và giá trị phân biệt trước khi đọc mô hình cấu trúc.

Mô hình đo lường trong SPSS có chạy được không?

SPSS có thể hỗ trợ Cronbach's Alpha và EFA để kiểm tra thang đo. Nếu bạn cần đánh giá đồng thời biến tiềm ẩn và các đường dẫn PLS-SEM, SmartPLS phù hợp hơn. Khi dùng SPSS, hãy ghi rõ bạn đang dùng điểm tổng hợp hay điểm trung bình của thang đo.

Mô hình cấu trúc trong SPSS khác gì SmartPLS?

Trong SPSS, mô hình cấu trúc thường được phân tích qua hồi quy hoặc PROCESS với các biến đã tính điểm. SmartPLS cho phép bạn đánh giá mô hình đo lường và mô hình cấu trúc trong cùng một khung PLS-SEM, nhưng cách diễn giải chỉ số và báo cáo cần theo đúng phương pháp đã chọn.

Bạn hãy mở đúng mô hình SmartPLS của mình, kiểm tra lần lượt Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Inner VIF Values, Path Coefficients, R Square, f Square và kết quả bootstrap, sau đó ghi lại từng quyết định xử lý vào bảng theo dõi. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và biến kết quả thành phần viết có thể kiểm tra lại, xem M4 phân tích dữ liệu.