Mô hình không hội tụ phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn mở SmartPLS 4, chạy PLS-SEM hoặc bootstrapping, rồi thấy mô hình không hội tụ. Màn hình có thể báo lỗi khi chạy, kết quả không xuất hiện, một số construct có AVE thấp, outer loading âm hoặc rất thấp, hay bảng Discriminant Validity cho thấy các khái niệm bị trùng lặp.

Cụm “không hội tụ” thường đang chỉ nhiều vấn đề khác nhau. Có trường hợp thuật toán PLS không hoàn tất. Có trường hợp thuật toán chạy xong nhưng mô hình đo lường không đạt giá trị hội tụ. Cũng có trường hợp mô hình đo lường đạt nhưng mô hình cấu trúc có VIF cao, đường dẫn không ổn định hoặc bootstrapping bị lỗi.

Trước khi xóa biến, bạn cần xác định đúng bảng đang có vấn đề. Outer Loadings liên quan đến mức đóng góp của biến quan sát. Construct Reliability and Validity cho biết Cronbach's Alpha, rho_A, Composite Reliability và AVE. Discriminant Validity dùng để xem các biến tiềm ẩn có phân biệt với nhau hay không. Nếu bạn đang vướng riêng ở AVE, xem thêm hướng dẫn AVE nhỏ hơn 0.5 phải làm sao. Bạn cũng có thể xem chủ đề SmartPLS để đối chiếu quy trình tổng thể.

Nguyên nhân thường gặp

Đừng bắt đầu bằng việc xóa hàng loạt biến quan sát. Hãy ghi lại thông báo lỗi, tên construct và chỉ số bị ảnh hưởng trước. Bảng dưới đây giúp bạn khoanh vùng nhanh hơn.

Trong PLS-SEM, bạn nên đánh giá theo hai tầng: mô hình đo lường trước, mô hình cấu trúc sau. Cách tiếp cận đánh giá mô hình đo lường rồi mới đánh giá mô hình cấu trúc được trình bày trong (Anderson và Gerbing, 1988). Vì vậy, đừng vội kết luận giả thuyết bị bác bỏ chỉ vì mô hình chưa đạt ở tầng đo lường.

Cách xử lý theo thứ tự ưu tiên

Kiểm tra file dữ liệu và tên biến

Trong SmartPLS 4, mở phần dữ liệu và kiểm tra xem mỗi cột có đúng một biến quan sát hay không. Tên cột nên ngắn, không có khoảng trắng, không trùng nhau và không chứa ký tự khiến phần mềm đọc thành một kiểu dữ liệu khác. Các ô của biến Likert phải là số, chẳng hạn từ 1 đến 5, thay vì có giá trị như “đồng ý” hoặc “không áp dụng”.

Kiểm tra cả các dòng bị bỏ trống. Một vài giá trị thiếu có thể xử lý theo thiết lập phù hợp, nhưng nhiều ô trống tập trung ở một biến thường cho thấy bảng hỏi hoặc quá trình nhập dữ liệu có vấn đề. Với file .csv, hãy mở bằng Excel hoặc trình soạn thảo văn bản để xem dấu phân cách và định dạng số. Sau đó nạp lại file vào SmartPLS, thay vì chỉ sửa mô hình trên giao diện.

Kiểm tra biến đảo chiều và thang Likert

Nếu bảng hỏi có biến đảo chiều, bạn phải recode trước khi chạy. Với thang 1 đến 5, giá trị mới thường được tạo theo nguyên tắc 6 trừ giá trị cũ. Với thang 1 đến 7, công thức tương ứng là 8 trừ giá trị cũ. Hãy dùng đúng thang đo trong bảng hỏi của bạn và lưu một bản dữ liệu gốc trước khi sửa.

Một biến đảo chiều chưa recode có thể làm tương quan giữa các biến trong cùng construct bị âm. Khi đó outer loading giảm mạnh, Cronbach's Alpha thấp và AVE không đạt. Sau khi recode, bạn cần chạy lại toàn bộ mô hình đo lường, không chỉ nhìn vào một biến đã tăng loading.

Xem bảng Outer Loadings

Chạy PLS-SEM Algorithm, sau đó mở Results > Outer Loadings. Xem loading theo từng construct và ghi lại biến nào thấp, âm hoặc khác biệt bất thường. Trong PLS-SEM, outer loading từ 0.7 trở lên thường được sử dụng làm mốc tham khảo (Chin, 1998) và cũng được trình bày trong (Hair và cộng sự, 2022).

Không nên xóa ngay mọi biến dưới 0.7. Nếu loading nằm khoảng giữa và biến có cơ sở lý thuyết rõ, bạn cần xem tác động của việc xóa biến lên Composite Reliability và AVE. Việc loại biến chỉ có lý do thống kê mà không xét nội dung có thể làm construct mất một khía cạnh quan trọng.

Loại từng biến có lý do và chạy lại

Nếu một biến có loading rất thấp, âm, hoặc rõ ràng không cùng nội dung với các biến còn lại, hãy thử loại từng biến một. Mỗi vòng cần ghi lại: biến bị loại, loading trước khi loại, AVE trước và sau, Composite Reliability trước và sau. Không xóa ba hoặc bốn biến cùng lúc vì bạn sẽ không biết biến nào thực sự gây ra vấn đề.

Sau mỗi lần chạy, xem lại Construct Reliability and Validity. AVE từ 0.5 trở lên và Composite Reliability từ 0.7 trở lên là các mốc thường được dẫn theo (Fornell và Larcker, 1981). Với thang đo mới hoặc nghiên cứu khám phá, alpha từ 0.6 có thể được xem xét theo (Hair và cộng sự, 2010), nhưng bạn vẫn cần giải trình bối cảnh và không nên dùng mốc này như cách hợp thức hóa một thang đo yếu.

Kiểm tra giá trị phân biệt

Một mô hình có thể đạt AVE nhưng vẫn không hội tụ tốt ở cấp độ khái niệm nếu các construct quá giống nhau. Mở Discriminant Validity và xem HTMT. Mốc HTMT dưới 0.85, hoặc dưới 0.90 với các construct gần nhau về mặt khái niệm, được dẫn theo (Henseler và cộng sự, 2015).

Nếu HTMT cao, đọc lại các biến có nội dung gần như trùng nhau. Bạn có thể đang tách hai construct trên sơ đồ nhưng bảng hỏi lại đo cùng một ý. Với trường hợp này, tham khảo giá trị phân biệt không đạt phải làm sao và HTMT lớn hơn 0.9 phải làm sao.

Kiểm tra mô hình cấu trúc và VIF

Sau khi mô hình đo lường đạt, xem Inner VIF Values hoặc bảng collinearity của mô hình cấu trúc. VIF dưới 5 là mốc được báo cáo trong (Hair và cộng sự, 2019). VIF cao cho thấy các biến dự báo có thể chồng lấn, làm path coefficient không ổn định và khiến bootstrapping khó diễn giải.

Kiểm tra lại các đường nối trong mô hình. Một construct ngoại sinh không nên nối vào chính nó. Các đường dẫn phải phản ánh đúng giả thuyết đã viết trong chương 2 và chương 3. Nếu bạn sửa mô hình chỉ để phần mềm chạy được nhưng không cập nhật giả thuyết, phần kết quả sẽ không còn khớp với thiết kế nghiên cứu.

Chạy lại bootstrapping sau khi mô hình đo lường ổn định

Chỉ chạy bootstrapping sau khi Outer Loadings, AVE, Composite Reliability và HTMT đã được kiểm tra. Trong SmartPLS 4, chọn Calculate > Bootstrapping, đặt số subsamples theo thiết kế nghiên cứu. Quy trình PLS-SEM hiện hành thường dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022).

Nếu bootstrapping vẫn lỗi, kiểm tra hướng dẫn bootstrapping bị lỗi phải làm sao. Đừng đổi liên tục các tùy chọn để lấy một bảng kết quả đẹp. Mỗi thay đổi cần được ghi lại vì giảng viên có thể hỏi bạn đã chạy bao nhiêu vòng và vì sao chọn kết quả cuối cùng.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm chỉ giúp bạn kiểm tra hoặc xử lý một số lỗi kỹ thuật. Nó không thể biến một bảng hỏi đo sai khái niệm thành một thang đo tốt. Nếu nhiều biến trong cùng construct có loading thấp, câu chữ mơ hồ hoặc người trả lời hiểu theo nhiều cách, nguyên nhân nằm ở thiết kế thang đo và dữ liệu chứ không nằm ở nút Calculate.

Bạn nên cân nhắc thu thêm dữ liệu khi số quan sát hợp lệ quá ít, nhiều dòng phải loại vì trả lời thiếu, một nhóm đối tượng bị thu lệch nghiêm trọng, hoặc kết quả không ổn định giữa các nhóm dữ liệu. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát có thể được tham khảo theo (Hair và cộng sự, 2010), nhưng đây là quy tắc định hướng, không phải giấy phép thêm dữ liệu ngẫu nhiên.

Nếu chỉ một biến có loading thấp và việc loại biến vẫn giữ được ý nghĩa khái niệm, bạn có thể xử lý trong bộ dữ liệu hiện tại. Nếu phải xóa phần lớn biến, gộp hai construct hoặc loại nhiều phiếu để đạt chỉ số đẹp, hãy dừng lại và trao đổi với giảng viên. Thu thêm dữ liệu cũng không giải quyết được một thang đo được dịch sai hoặc một mô hình lý thuyết chồng lấn.

Cách giải trình với giảng viên hướng dẫn

Bạn cần chuẩn bị một bảng theo dõi từng vòng chạy, không chỉ gửi ảnh chụp kết quả cuối cùng. Bảng nên có tên biến, lý do xem xét, chỉ số trước và sau, cùng quyết định giữ hoặc loại. Cách này giúp giảng viên nhìn thấy quy trình thay vì có cảm giác bạn đã thử nhiều lần cho đến khi kết quả đạt.

Cách viết vào luận văn: “Sau khi chạy PLS-SEM Algorithm, biến [mã biến] có outer loading là [giá trị], thấp hơn tiêu chí tham khảo [mốc] theo [nguồn]. Nhóm nghiên cứu loại biến này vì [lý do thống kê và lý thuyết], sau đó chạy lại mô hình. Kết quả sau điều chỉnh cho thấy [AVE/Composite Reliability] của construct [tên construct] là [giá trị].”

Bạn có thể trình bày số liệu minh họa theo hình thức gần với bảng SmartPLS như sau. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể.

Trong ví dụ này, HL1 có loading thấp hơn 0.7 nhưng chưa đủ căn cứ để xóa chỉ từ một con số. Cần xem nội dung biến, tác động đến AVE và Composite Reliability, cùng độ bao phủ khái niệm. Khi viết chương 4, bạn phải thay toàn bộ số liệu minh họa bằng số liệu từ file của mình.

Cách phòng từ bước thiết kế

Ngay từ lúc thiết kế bảng hỏi, hãy lập một bảng ánh xạ giữa construct, nguồn thang đo, mã biến và câu chữ tiếng Việt. Mỗi construct cần có định nghĩa rõ, các biến quan sát cùng hướng đo lường và ghi chú riêng cho biến đảo chiều. Đừng đặt hai construct khác nhau nhưng dùng những câu gần như đồng nghĩa.

Trước khi thu chính thức, kiểm tra bảng hỏi trên một nhóm nhỏ để phát hiện câu khó hiểu, thang Likert không nhất quán và lỗi hiển thị. Với dữ liệu chính thức, đặt mã biến cố định ngay từ đầu, lưu file gốc chỉ đọc và tạo một bản làm sạch riêng. Khi nhập vào SmartPLS, hãy kiểm tra .csv trước khi vẽ mô hình.

Bạn cũng nên xác định trước tiêu chí loại biến trong phương pháp nghiên cứu. Ví dụ, quyết định xem sẽ xem xét loading, độ tin cậy, AVE và giá trị phân biệt theo thứ tự nào. Việc xác định trước giúp bạn tránh thay đổi tiêu chí sau mỗi lần chạy vì kết quả chưa đạt kỳ vọng.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa biến chỉ vì loading thấp hơn 0.7, trong khi chưa xem nội dung thang đo. Lỗi thứ hai là xóa biến liên tục cho đến khi AVE tăng, dù construct cuối cùng chỉ còn một hoặc hai biến và không còn đại diện đầy đủ cho khái niệm.

Lỗi thứ ba là nhầm giữa mô hình đo lường reflective và formative. Với formative construct, việc đánh giá không thể áp dụng máy móc cùng cách với reflective construct. Bạn cần xác định loại mô hình đo lường ngay từ phần phương pháp.

Lỗi thứ tư là đưa các chỉ số của CB-SEM vào báo cáo SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM theo (Hu và Bentler, 1999), không nên dùng để kết luận một mô hình PLS-SEM hội tụ hay không. Lỗi cuối cùng là sửa dữ liệu gốc để làm chỉ số đẹp. Hãy giữ nguyên dữ liệu ban đầu và ghi rõ mọi trường hợp loại phiếu hoặc recode.

Câu hỏi thường gặp

Mô hình SmartPLS không hội tụ có phải do cỡ mẫu nhỏ không?

Cỡ mẫu nhỏ có thể làm ước lượng kém ổn định và bootstrapping khó diễn giải, nhưng đó không phải nguyên nhân duy nhất. Hãy kiểm tra dữ liệu thiếu, biến đảo chiều, outer loading và cấu trúc mô hình trước khi kết luận do cỡ mẫu.

Bạn cũng cần phân biệt “không đủ cỡ mẫu” với “mô hình đo lường không đạt”. Một mẫu lớn vẫn có thể cho AVE thấp nếu các biến quan sát đo không cùng một construct.

Có nên xóa biến có outer loading dưới 0.7 không?

Không nên xóa tự động. Loading từ 0.7 trở lên là mốc tham khảo theo (Chin, 1998), nhưng quyết định loại cần xem thêm AVE, Composite Reliability, nội dung biến và tính đầy đủ của construct.

Nếu biến có loading thấp nhưng giữ một khía cạnh quan trọng, bạn có thể giữ và giải trình. Nếu biến có loading rất thấp, nội dung lệch khái niệm hoặc làm giảm rõ rệt chất lượng thang đo, việc loại biến có thể hợp lý hơn.

AVE đạt nhưng HTMT vẫn cao thì mô hình đã hội tụ chưa?

AVE phản ánh giá trị hội tụ trong từng construct, còn HTMT kiểm tra giá trị phân biệt giữa các construct. Vì vậy, AVE đạt không có nghĩa là hai construct đã phân biệt tốt.

Khi HTMT cao, hãy đọc lại định nghĩa và các biến quan sát của hai construct. Bạn có thể cần điều chỉnh mô hình lý thuyết, loại một biến trùng nội dung có cơ sở, hoặc thừa nhận rằng hai khái niệm chưa tách biệt trong bối cảnh nghiên cứu.

Chạy SmartPLS bao nhiêu lần thì được xóa biến?

Không có số lần chạy cố định. Mỗi lần chạy nên trả lời một câu hỏi cụ thể, chẳng hạn biến nào có loading thấp và việc loại biến đó ảnh hưởng thế nào đến AVE. Xóa từng biến một và lưu bảng theo dõi sẽ dễ bảo vệ hơn việc chạy nhiều vòng không có tiêu chí.

Nếu phải xóa quá nhiều biến hoặc kết quả thay đổi mạnh giữa các vòng, nên trao đổi với giảng viên trước khi tiếp tục. Khi cần đối chiếu lỗi AVE trong dữ liệu SPSS, bạn có thể xem thêm lỗi AVE nhỏ hơn 0.5 SPSS.

Có thể đổi sang SPSS khi SmartPLS không hội tụ không?

SPSS và SmartPLS xử lý các quy trình khác nhau. SPSS phù hợp với Cronbach's Alpha, EFA, hồi quy và nhiều kiểm định thống kê; SmartPLS phù hợp với PLS-SEM gồm mô hình đo lường và mô hình cấu trúc. Đổi phần mềm không sửa được một thang đo hoặc mô hình lý thuyết có vấn đề.

Bạn nên chọn phần mềm dựa trên câu hỏi nghiên cứu, loại mô hình và yêu cầu của giảng viên. Trước mắt, hãy lưu file dữ liệu gốc, ghi lại vòng chạy hiện tại và kiểm tra theo thứ tự trong bài này. Sau đó mở chính file của bạn để đối chiếu Outer Loadings, Construct Reliability and Validity, HTMT và VIF; nếu cần chạy toàn bộ quy trình trên dữ liệu thật, bạn có thể dùng module M4 phân tích dữ liệu bằng SPSS và SmartPLS.