Mô hình SEM là gì? Cách đọc và đánh giá SEM trong SmartPLS
Mô hình SEM là gì
Mô hình SEM, viết đầy đủ là Structural Equation Modeling, là nhóm phương pháp dùng để kiểm định đồng thời mối quan hệ giữa các khái niệm nghiên cứu và cách các khái niệm đó được đo lường bằng biến quan sát. Khi bạn có một mô hình gồm nhiều biến độc lập, biến phụ thuộc, biến trung gian hoặc biến điều tiết, SEM giúp kiểm tra toàn bộ cấu trúc thay vì chạy từng hồi quy rời rạc.
Một mô hình SEM thường có hai phần. Mô hình đo lường, measurement model, trả lời câu hỏi các biến quan sát có đo đúng biến tiềm ẩn hay không. Mô hình cấu trúc, structural model, kiểm tra các đường dẫn giữa những biến tiềm ẩn, chẳng hạn Chất lượng dịch vụ ảnh hưởng đến Sự hài lòng và Sự hài lòng ảnh hưởng đến Ý định mua lại.
Bạn có thể xem phần giải thích nền tảng tại bài SEM là gì, sau đó xác định mình đang dùng PLS-SEM hay CB-SEM. Hai hướng này đều thuộc SEM nhưng có mục tiêu, phần mềm và nhóm chỉ số báo cáo khác nhau.
Trong SmartPLS, mô hình được biểu diễn bằng các vòng tròn hoặc hình chữ nhật nối với nhau bằng mũi tên. Vòng tròn thường đại diện cho biến tiềm ẩn, còn các chỉ báo đo lường được nối vào biến đó. Kết quả bạn cần đọc gồm outer loadings, Cronbach's Alpha, composite reliability, AVE, HTMT, VIF, path coefficients, R², f² và Q² tùy thiết kế nghiên cứu.
Ý nghĩa của mô hình SEM trong nghiên cứu định lượng
Mô hình SEM giúp bạn kiểm định một chuỗi giả thuyết trong cùng một khung phân tích. Ví dụ, thay vì chỉ hỏi “Độ tin cậy có ảnh hưởng đến Ý định sử dụng không”, bạn có thể kiểm định đồng thời các giả thuyết về Độ tin cậy, Nhận thức hữu ích, Sự hài lòng và Ý định sử dụng.
Điểm quan trọng là SEM tách được hai câu hỏi thường bị trộn lẫn. Thứ nhất, thang đo có đáng tin cậy và có giá trị hay không. Thứ hai, quan hệ giữa các biến trong mô hình có được dữ liệu ủng hộ hay không. Một path coefficient có p-value nhỏ chưa đủ để kết luận mô hình tốt nếu outer loading, AVE hoặc HTMT của thang đo đang có vấn đề.
Với PLS-SEM, bạn thường chọn SmartPLS khi mục tiêu là dự báo, mô hình có nhiều biến tiềm ẩn, dữ liệu không thuận lợi cho các giả định phân phối, hoặc nghiên cứu còn mang tính khám phá. Quy trình hiện đại đánh giá measurement model trước rồi mới đánh giá structural model, phù hợp với khuyến nghị của (Anderson và Gerbing, 1988) và hướng dẫn PLS-SEM của (Hair và cộng sự, 2022).
Với CB-SEM, AMOS, LISREL hoặc một số phần mềm tương tự thường được dùng để kiểm định mức độ phù hợp tổng thể của mô hình lý thuyết. Các chỉ số CFI, TLI, RMSEA và SRMR thuộc nhóm CB-SEM. Bạn có thể đọc thêm về CB-SEM là gì nếu đề cương yêu cầu kiểm định model fit theo hướng hiệp phương sai.
Mô hình SEM cũng giúp diễn giải biến tiềm ẩn, tức những khái niệm không quan sát trực tiếp như Niềm tin, Giá trị cảm nhận hoặc Ý định mua. Nếu chưa rõ cách một biến tiềm ẩn được đo bằng nhiều biến quan sát, hãy xem bài biến tiềm ẩn là gì.
Mô hình SEM bao nhiêu là đạt
Không có một con số duy nhất quyết định toàn bộ mô hình SEM đạt hay không. Bạn cần đánh giá theo thứ tự: chất lượng thang đo, giá trị phân biệt, hiện tượng đa cộng tuyến, năng lực giải thích và ý nghĩa của các đường dẫn. Bảng dưới đây tập trung vào PLS-SEM trong SmartPLS.
| Thành phần cần đánh giá | Chỉ số hoặc tiêu chí thường dùng | Ngưỡng tham khảo | Nguồn |
|---|---|---|---|
| Độ tin cậy nội tại | Cronbach's Alpha | Từ 0.7 trở lên | (Nunnally, 1978) |
| Độ tin cậy nội tại của thang đo khám phá | Cronbach's Alpha | Có thể từ 0.6 | (Hair và cộng sự, 2010) |
| Tương quan biến tổng đã hiệu chỉnh | Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| Độ tin cậy tổng hợp | Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| Giá trị hội tụ | AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| Giá trị hội tụ của chỉ báo | Outer loading | Thường từ 0.7 trở lên | (Chin, 1998) |
| Giá trị phân biệt | HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| Đa cộng tuyến | VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| Mức độ giải thích | R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| Kích thước ảnh hưởng | f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| Khả năng dự báo | Q² | Lớn hơn 0 | (Stone, 1974) |
| Kiểm định ý nghĩa | Bootstrapping | Dùng 5.000 mẫu lặp trong quy trình tham khảo | (Hair và cộng sự, 2022) |
Các ngưỡng trên là mốc diễn giải, không phải giấy phép loại biến máy móc. Chẳng hạn, outer loading hơi thấp có thể được cân nhắc cùng với CR, AVE, ý nghĩa lý thuyết và nội dung của biến quan sát. Khi loại một biến, bạn phải ghi lại lý do và kiểm tra mô hình sau khi loại, thay vì chỉ giữ kết quả đẹp nhất.
Cách đọc mô hình SEM trên output
Trong SmartPLS 4, bạn thường chạy PLS-SEM để đánh giá measurement model, sau đó chạy Bootstrapping để kiểm định các đường dẫn. Hãy đọc output theo hai tầng. Tầng đầu là các chỉ số của biến tiềm ẩn và biến quan sát. Tầng sau là các mũi tên giữa các biến.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm output thường thấy trong SmartPLS.
| SmartPLS output | Construct hoặc path | Original sample (O) | T Statistics | P Values | Diễn giải minh họa |
|---|---|---|---|---|---|
| Outer Loadings | CLDV1 → Chất lượng dịch vụ | 0.782 | Không áp dụng | Không áp dụng | Chỉ báo có loading trên mốc tham khảo |
| Construct Reliability and Validity | Sự hài lòng, Cronbach's Alpha | 0.861 | Không áp dụng | Không áp dụng | Độ tin cậy minh họa đạt |
| Construct Reliability and Validity | Sự hài lòng, Composite Reliability | 0.903 | Không áp dụng | Không áp dụng | CR minh họa đạt |
| Construct Reliability and Validity | Sự hài lòng, AVE | 0.651 | Không áp dụng | Không áp dụng | Giá trị hội tụ minh họa đạt |
| Discriminant Validity | HTMT giữa CLDV và HAILONG | 0.734 | Không áp dụng | Không áp dụng | Chưa có dấu hiệu vượt ngưỡng minh họa |
| Path Coefficients | CLDV → HAILONG | 0.428 | 5.216 | 0.000 | Đường dẫn dương, có ý nghĩa theo ví dụ |
| Path Coefficients | HAILONG → YDINH | 0.517 | 6.841 | 0.000 | Đường dẫn dương, có ý nghĩa theo ví dụ |
| R Square | YDINH | 0.487 | Không áp dụng | Không áp dụng | Mô hình giải thích một phần phương sai |
| f Square | CLDV → HAILONG | 0.214 | Không áp dụng | Không áp dụng | Kích thước ảnh hưởng minh họa ở mức trung bình |
Khi đọc Path Coefficients, dấu của hệ số cho biết hướng tác động. Hệ số dương 0.428 cho thấy khi CLDV tăng thì HAILONG có xu hướng tăng trong mô hình minh họa. T Statistics và P Values cho biết bằng chứng thống kê cho đường dẫn, nhưng kết luận cuối cùng vẫn phải đối chiếu với giả thuyết và mức ý nghĩa bạn đã đăng ký.
R² được đọc theo biến phụ thuộc. Nếu R² của YDINH là 0.487, các biến dự báo trong mô hình giải thích khoảng phần phương sai tương ứng của YDINH trong bộ dữ liệu minh họa. Bạn không nên viết rằng mô hình giải thích nguyên nhân tuyệt đối, vì SEM quan sát thường phản ánh quan hệ theo mô hình và dữ liệu thu thập được.
Đối với biến trung gian, bạn cần xem indirect effect trong kết quả Bootstrapping. Hiệu ứng gián tiếp được xem là có ý nghĩa khi khoảng tin cậy bootstrap không chứa 0, theo (Preacher và Hayes, 2008). Không nên chỉ nhìn p-value của hai đường dẫn thành phần rồi tự kết luận có mediation.
Khi mô hình SEM không đạt thì xử lý thế nào
Hãy xử lý theo thứ tự từ dữ liệu đến mô hình, không xóa biến ngay khi thấy một con số thấp.
Trước hết, kiểm tra file .csv hoặc dữ liệu đã nhập. Tên cột phải khớp với indicator trong SmartPLS, các ô thiếu phải được xử lý có lý do, và những biến đảo chiều phải được recode trước khi chạy. Một biến quan sát bị nhập ngược có thể làm loading thấp và kéo Alpha hoặc AVE xuống.
Tiếp theo, xem Outer Loadings và bảng Construct Reliability and Validity. Nếu một indicator thấp, đọc thêm nội dung câu hỏi, tương quan với các indicator cùng construct và thay đổi của CR, AVE khi loại biến. Chỉ loại khi có căn cứ phương pháp và lý thuyết. Việc loại nhiều biến chỉ để đạt ngưỡng có thể khiến khái niệm ban đầu bị đo thiếu.
Sau đó, kiểm tra HTMT giữa các construct. HTMT cao cho thấy hai khái niệm có thể chưa phân biệt rõ trong dữ liệu hoặc các biến quan sát đang có nội dung trùng nhau. Bạn có thể rà lại wording của bảng hỏi và cơ sở lý thuyết, nhưng không nên gộp hai construct chỉ vì HTMT cao nếu đề tài không có lập luận rõ.
Nếu VIF cao, kiểm tra các biến dự báo cùng một construct nội sinh. Hai khái niệm gần như trùng nhau có thể tạo đa cộng tuyến. Bạn cần xem lại mô hình, cách đo và nguồn dữ liệu, thay vì chỉ báo cáo rằng phần mềm vẫn chạy được.
Cuối cùng, nếu path không có ý nghĩa, hãy giữ kết quả trung thực và đối chiếu với giả thuyết. Có thể thảo luận rằng dữ liệu chưa ủng hộ giả thuyết trong bối cảnh nghiên cứu. Reviewer thường chấp nhận một giả thuyết bị bác bỏ tốt hơn một mô hình bị chỉnh sửa nhiều vòng mà không có nhật ký phân tích.
Nếu thang đo không đạt ngay từ đầu, bạn có thể cần quay lại bảng hỏi hoặc dữ liệu gốc. SmartPLS không sửa được một biến quan sát viết sai khái niệm, mẫu trả lời không phù hợp hoặc dữ liệu bị nhập sai.
Phân biệt mô hình SEM với PLS-SEM và CB-SEM
SEM là tên nhóm phương pháp. PLS-SEM và CB-SEM là hai hướng triển khai thường gặp. PLS-SEM tối ưu các quan hệ dự báo và thường được chạy trong SmartPLS. CB-SEM tập trung nhiều hơn vào việc tái hiện ma trận hiệp phương sai và đánh giá mức độ phù hợp tổng thể của mô hình, thường gặp trong AMOS.
Bạn có thể đọc bài PLS-SEM khi mô hình của mình dùng SmartPLS. Trong PLS-SEM, các chỉ số như outer loading, CR, AVE, HTMT, R², f² và Q² là nhóm chỉ số cần quan tâm. Các chỉ số CFI, TLI và RMSEA thuộc CB-SEM, theo (Hu và Bentler, 1999), vì vậy không nên đưa chúng vào bài báo cáo SmartPLS như thể hai quy trình giống nhau.
SEM cũng khác với hồi quy tuyến tính thông thường ở chỗ có thể mô hình hóa biến tiềm ẩn bằng nhiều indicator và kiểm định mô hình đo lường cùng mô hình cấu trúc. Tuy nhiên, SEM không tự biến dữ liệu quan sát thành bằng chứng nhân quả. Muốn dùng ngôn ngữ nhân quả, bạn cần căn cứ vào thiết kế nghiên cứu, trình tự đo lường và lập luận lý thuyết.
Lỗi thường gặp
Lỗi đầu tiên là vẽ mô hình trước khi xác định rõ construct và biến quan sát. Bạn nên có bảng mã biến, nguồn thang đo, hướng tác động và giả thuyết trước khi mở SmartPLS. Một mũi tên trên màn hình không thay thế được lập luận trong chương 2 và chương 3.
Lỗi thứ hai là trộn ngưỡng của SPSS, AMOS và SmartPLS. Cronbach's Alpha có thể xuất hiện ở nhiều phần mềm, nhưng CFI, TLI và RMSEA không phải chỉ số cốt lõi để đánh giá PLS-SEM. Hãy ghi rõ bạn đang dùng quy trình nào.
Lỗi thứ ba là chạy Bootstrapping với thiết lập mặc định rồi không ghi số subsamples, loại kiểm định và khoảng tin cậy. Quy trình tham khảo PLS-SEM sử dụng 5.000 bootstrap subsamples (Hair và cộng sự, 2022). Trong chương phương pháp, hãy ghi lại thiết lập thực tế bạn đã dùng.
Lỗi thứ tư là xóa biến đến khi mọi p-value đều nhỏ. Việc chỉnh mô hình phải dựa trên lý thuyết, chất lượng đo lường và mục tiêu nghiên cứu. Hãy lưu từng phiên bản file, bảng biến bị loại và lý do loại để có thể giải trình.
Lỗi cuối là viết “mô hình đạt” mà không nói đạt ở khía cạnh nào. Bạn nên tách câu nhận xét về độ tin cậy, giá trị hội tụ, giá trị phân biệt, đa cộng tuyến, năng lực giải thích và giả thuyết.
Câu hỏi thường gặp
Mô hình SEM là gì và dùng khi nào?
Mô hình SEM là phương pháp kiểm định đồng thời mô hình đo lường và mô hình cấu trúc. Bạn dùng SEM khi đề tài có nhiều biến tiềm ẩn, mỗi biến được đo bằng nhiều biến quan sát, và có một mạng lưới giả thuyết cần kiểm định cùng lúc.
Mô hình SEM bao nhiêu là đạt?
Không có một ngưỡng duy nhất cho toàn bộ mô hình. Với PLS-SEM, bạn thường xem outer loading, CR, AVE, HTMT, VIF, R², f², Q² và ý nghĩa của path coefficient. Mỗi chỉ số cần được đối chiếu với nguồn và bối cảnh nghiên cứu, chẳng hạn CR từ 0.7 và AVE từ 0.5 theo (Fornell và Larcker, 1981).
Mô hình SEM nên chạy SPSS hay SmartPLS?
SPSS phù hợp với làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA và hồi quy. SmartPLS phù hợp với PLS-SEM, gồm đánh giá measurement model và structural model. Nếu đề tài yêu cầu CFI, TLI, RMSEA và kiểm định model fit theo CB-SEM, bạn cần cân nhắc AMOS hoặc phần mềm CB-SEM phù hợp.
SmartPLS bị lỗi hoặc mô hình không hội tụ thì làm sao?
Bạn kiểm tra trước tên cột, dữ liệu thiếu, biến đảo chiều, kiểu dữ liệu và liên kết giữa construct với indicator. Sau đó kiểm tra outer loading, VIF và các đường dẫn. Nếu lỗi đến từ thang đo hoặc dữ liệu, việc sửa phần mềm không giải quyết được nguyên nhân, bạn cần ghi nhận và xử lý từ dữ liệu gốc.
Có nên xóa biến quan sát khi loading dưới 0.7 không?
Bạn có thể cân nhắc nhưng không nên xóa tự động. Hãy xem nội dung biến, CR, AVE, HTMT, độ đầy đủ của construct và lập luận lý thuyết. Sau khi xóa, cần chạy lại toàn bộ phần đánh giá liên quan và lưu lý do để trình bày với giảng viên.
Mở file SmartPLS của bạn, kiểm tra lần lượt measurement model rồi structural model, lưu bảng output và ghi lại mọi thay đổi trước khi viết chương 4; nếu cần chạy chính bộ dữ liệu .sav hoặc .csv của bạn theo quy trình này, xem M4 phân tích dữ liệu.