NFI là gì trong SmartPLS và đọc kết quả thế nào

SmartPLS·12 tháng 10, 2026·16 phút đọc

NFI là gì

NFI là viết tắt của Normed Fit Index, một chỉ số dùng để đánh giá mức độ phù hợp tổng thể của mô hình với dữ liệu quan sát. Trong SmartPLS, NFI thường xuất hiện trong nhóm kết quả Model Fit sau khi bạn chạy mô hình PLS-SEM. Chỉ số này so sánh mô hình đang xét với một mô hình cơ sở, thường được gọi là null model hoặc independence model, trong đó các biến quan sát không có mối liên hệ với nhau.

Về trực giác, NFI hỏi rằng mô hình của bạn cải thiện mức độ giải thích so với mô hình cơ sở đến đâu. NFI càng cao thì mô hình đang xét càng gần với dữ liệu hơn so với mô hình cơ sở. Tuy nhiên, NFI không cho biết từng giả thuyết H1, H2 hay H3 có được chấp nhận hay không. Nó cũng không thay thế cho việc đánh giá outer loading, CR, AVE, HTMT, VIF, R² và path coefficient.

Cách hiểu khái quát của NFI có thể viết như sau:

NFI = (mức độ không phù hợp của mô hình cơ sở - mức độ không phù hợp của mô hình đề xuất) / mức độ không phù hợp của mô hình cơ sở

Bạn không cần tự tính công thức này khi sử dụng SmartPLS. Phần mềm tính NFI từ các đại lượng phù hợp của mô hình và hiển thị kết quả trong bảng Model Fit. Điều bạn cần làm là xác định đúng loại mô hình đang dùng, đọc đúng bảng, rồi đặt NFI vào toàn bộ quy trình đánh giá PLS-SEM. Nếu mới làm quen với thuật ngữ SEM, bạn có thể xem thêm bài SEM là gì và bài về PLS-SEM.

Ý nghĩa của NFI trong nghiên cứu định lượng

NFI cung cấp một góc nhìn ở cấp độ toàn mô hình. Ví dụ, mô hình của bạn có các biến tiềm ẩn như Chất lượng dịch vụ, Sự hài lòng và Ý định mua lại. NFI không trả lời riêng Chất lượng dịch vụ có tác động đến Sự hài lòng hay không. Nó chỉ cho biết mô hình gồm các mối quan hệ và thang đo đó có cải thiện độ phù hợp so với mô hình cơ sở hay không.

Điểm này rất quan trọng vì một mô hình có NFI cao vẫn có thể có một giả thuyết không có ý nghĩa thống kê. Ngược lại, một đường dẫn có p-value đạt yêu cầu không đủ để kết luận toàn bộ mô hình phù hợp. Bạn cần đọc hai tầng kết quả: mô hình đo lường trước, sau đó là mô hình cấu trúc. Cách tiếp cận đánh giá mô hình đo lường trước mô hình cấu trúc phù hợp với quy trình hai bước thường được dùng trong SEM (Anderson và Gerbing, 1988).

Trong SmartPLS, NFI thường được xem cùng các chỉ số Model Fit khác. Với PLS-SEM, bạn nên ưu tiên báo cáo các chỉ số đúng với họ phương pháp này, chẳng hạn SRMR, d_ULS, d_G và NFI khi phiên bản phần mềm hiển thị. Các chỉ số này chỉ là một phần của đánh giá mô hình. Một mô hình có NFI khá nhưng HTMT vượt ngưỡng, VIF cao hoặc outer loading yếu vẫn cần được xem xét lại.

Bạn cũng nên phân biệt PLS-SEM với CB-SEM. PLS-SEM tập trung nhiều vào năng lực dự báo, phương sai được giải thích và các quan hệ cấu trúc. CB-SEM thường được đánh giá với các chỉ số như CFI, TLI, RMSEA và SRMR. Các ngưỡng CFI, TLI, RMSEA theo (Hu và Bentler, 1999) thuộc bối cảnh CB-SEM, vì vậy không nên lấy nguyên cụm ngưỡng đó để kết luận cho một mô hình SmartPLS. Bài CB-SEM là gì giúp bạn tách hai cách tiếp cận này trước khi đọc output.

NFI bao nhiêu là đạt

Câu hỏi “NFI bao nhiêu là tốt” thường xuất hiện vì nhiều tài liệu trên mạng đưa ra một con số cố định. Khi viết luận văn, bạn cần thận trọng với cách dùng này. NFI không nên được sử dụng như một chiếc nút đạt hoặc không đạt duy nhất. Ngưỡng cần được giải thích theo tài liệu phương pháp, loại mô hình, cỡ mẫu, dữ liệu và mục tiêu nghiên cứu.

Bảng dưới đây giúp bạn tránh trộn lẫn các chỉ số. Những dòng có ngưỡng cụ thể đều ghi rõ nguồn. Riêng NFI, không nên tự gán một con số nếu tài liệu mà bạn đang sử dụng không nêu rõ cơ sở của ngưỡng đó.

Chỉ số hoặc quyết định	Cách sử dụng thận trọng	Nguồn
NFI	Đọc như chỉ số so sánh độ phù hợp của mô hình với mô hình cơ sở; không kết luận chỉ bằng NFI và không tự gán ngưỡng khi chưa có nguồn phù hợp	(Hair và cộng sự, 2022)
SRMR trong bối cảnh CB-SEM	Có thể tham khảo mức 0.08 hoặc thấp hơn trong hệ chỉ số fit của CB-SEM	(Hu và Bentler, 1999)
R²	Diễn giải mức độ phương sai của biến nội sinh được mô hình giải thích; các mức 0.75, 0.50 và 0.25 được dùng như mốc substantial, moderate và weak trong PLS-SEM	(Hair và cộng sự, 2011)
VIF	Kiểm tra cộng tuyến giữa các biến dự báo; VIF dưới 5 là mốc thường dùng	(Hair và cộng sự, 2019)
Q²	Giá trị lớn hơn 0 cho thấy mô hình có liên quan dự báo theo logic blindfolding	(Stone, 1974)
f²	0.02, 0.15 và 0.35 lần lượt là mức ảnh hưởng nhỏ, vừa và lớn	(Cohen, 1988)

Vì vậy, câu trả lời thực tế cho “NFI bao nhiêu là đạt” là: bạn phải xem nguồn phương pháp đã chọn và báo cáo NFI cùng các chỉ số liên quan, thay vì chỉ viết “NFI lớn hơn một mức nào đó nên mô hình đạt”. (Hair và cộng sự, 2022) nhấn mạnh việc đánh giá PLS-SEM theo một quy trình gồm mô hình đo lường và mô hình cấu trúc, không dựa vào một con số riêng lẻ.

Nếu giảng viên yêu cầu một ngưỡng NFI cụ thể, hãy hỏi lại nguồn mà khoa hoặc nhóm nghiên cứu đang sử dụng. Bạn có thể ghi rõ trong phương pháp rằng ngưỡng được lấy từ tài liệu nào, áp dụng cho loại SEM nào và vì sao phù hợp với mô hình của mình. Cách giải trình có nguồn sẽ an toàn hơn việc chép một ngưỡng từ một bài hướng dẫn không rõ xuất xứ.

Cách đọc NFI trên output SmartPLS

Trong SmartPLS 4, bạn cần chạy mô hình PLS Algorithm trước, sau đó mở phần kết quả liên quan đến Model Fit. Tên bảng và vị trí hiển thị có thể thay đổi nhẹ theo phiên bản, nhưng các bước kiểm tra dữ liệu và mô hình vẫn giữ cùng logic.

Kiểm tra mô hình trước khi chạy

Mở file .csv trong SmartPLS và kiểm tra tên cột biến quan sát. Mỗi cột nên tương ứng với một indicator, tên cột không bị trùng và dữ liệu số được nhập đúng. Các ô trống, ký tự chữ lẫn trong thang Likert hoặc biến đảo chiều chưa xử lý có thể làm kết quả khó diễn giải.

Tiếp theo, kiểm tra mô hình đo lường và mô hình cấu trúc. Mũi tên phải đi đúng hướng, mỗi indicator gắn với đúng biến tiềm ẩn, và các biến nội sinh, ngoại sinh được xác định theo mô hình lý thuyết. Nếu cần ôn lại khái niệm này, bạn có thể đọc bài biến tiềm ẩn là gì.

Chạy PLS Algorithm

Chọn Calculate, sau đó chọn PLS-SEM Algorithm. Bạn giữ thiết lập mặc định ở lần chạy đầu nếu chưa có lý do phương pháp để thay đổi. Sau khi SmartPLS hoàn tất, mở các nhóm kết quả liên quan đến chất lượng mô hình và Model Fit.

Ở bước này, đừng vội nhìn NFI rồi xóa biến. PLS Algorithm còn giúp bạn kiểm tra outer loading, Cronbach's Alpha, rho_A, composite reliability và AVE. Một indicator có loading thấp cần được xem xét cùng nội dung thang đo, không nên loại chỉ vì muốn làm NFI tăng.

Mở bảng Model Fit

Trong kết quả mô hình, tìm bảng có tên Model Fit hoặc nhóm chỉ số Model Fit. Cột thường chứa tên chỉ số và giá trị ước lượng. Tùy thiết lập, SmartPLS có thể hiển thị saturated model và estimated model. Saturated model cho phép các cấu trúc liên hệ theo cách rộng hơn, còn estimated model phản ánh cấu trúc bạn đã vẽ.

So sánh NFI giữa các cột

Nếu output có hai cột Saturated Model và Estimated Model, hãy ghi lại cả hai giá trị. Sự khác nhau giữa chúng có thể cho bạn biết cấu trúc các quan hệ trong mô hình ảnh hưởng thế nào đến mức độ phù hợp. Bạn không nên chỉ lấy cột có số cao hơn để báo cáo mà bỏ qua tên mô hình.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong output SmartPLS để bạn biết cần tìm gì trong file của mình.

Model Fit	Saturated Model	Estimated Model
SRMR	0.067	0.081
d_ULS	0.412	0.593
d_G	0.198	0.246
NFI	0.842	0.801

Với bảng minh họa này, NFI của Saturated Model là 0.842 và của Estimated Model là 0.801. Đây chỉ là cách đọc số và cách trình bày, không phải kết luận rằng mô hình của bạn sẽ có kết quả tương tự. Bạn cần đối chiếu với nguồn phương pháp, các chỉ số đo lường và mục tiêu nghiên cứu trước khi viết nhận xét.

NFI cũng không phải p-value. Bạn không đọc NFI theo kiểu “p nhỏ hơn 0.05 nên có ý nghĩa”. Đây là chỉ số mô tả mức độ phù hợp tương đối. Các kiểm định giả thuyết đường dẫn cần được đọc trong Path Coefficients hoặc kết quả Bootstrapping, với beta, t-value, p-value và khoảng tin cậy phù hợp.

Khi NFI không đạt thì xử lý thế nào

NFI thấp không đồng nghĩa bạn phải xóa ngay một biến quan sát. Hãy xử lý theo thứ tự từ việc kiểm tra lỗi nhập liệu đến việc xem lại mô hình lý thuyết. Xóa biến chỉ để làm đẹp một chỉ số có thể khiến thang đo mất nội dung và làm bạn khó giải trình khi bảo vệ.

Kiểm tra dữ liệu và sơ đồ mô hình

Mở lại file .csv, kiểm tra giá trị thiếu, mã hóa biến đảo chiều, tên indicator và loại dữ liệu. Sau đó kiểm tra mũi tên giữa các biến tiềm ẩn. Một quan hệ bị nối nhầm hoặc một indicator gắn sai construct có thể ảnh hưởng đến toàn bộ output.

Kiểm tra mô hình đo lường

Xem Outer Loadings, Cronbach's Alpha, rho_A, CR, AVE và HTMT. Outer loading từ 0.7 trở lên thường được tham khảo trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các mốc thường được dùng để đánh giá độ tin cậy và giá trị hội tụ (Fornell và Larcker, 1981). HTMT cần được xem xét theo mốc 0.85 hoặc 0.90 tùy mức độ gần nhau về khái niệm (Henseler và cộng sự, 2015).

Nếu một biến có loading thấp, bạn đọc thêm cột tác động khi loại biến và xem nội dung biến đó có trùng lặp, khó hiểu hoặc lệch khái niệm không. Việc loại biến cần có lý do phương pháp, được ghi lại theo từng vòng chạy và được giảng viên chấp thuận khi cần.

Kiểm tra mô hình cấu trúc

Xem VIF của các biến dự báo. VIF dưới 5 là mốc tham khảo trong báo cáo PLS-SEM (Hair và cộng sự, 2019). Sau đó xem R² của biến nội sinh, f² của từng đường dẫn và Q² nếu quy trình của bạn có sử dụng. Những chỉ số này cho biết mô hình giải thích và dự báo thế nào, trong khi NFI chỉ phản ánh một mặt của độ phù hợp.

Chạy lại sau khi có lý do rõ ràng

Nếu bạn sửa dữ liệu do phát hiện lỗi nhập hoặc loại một indicator có cơ sở, hãy chạy lại PLS Algorithm và lưu từng phiên bản output. Đặt tên file theo vòng chạy, chẳng hạn model_v1, model_v2, để khi viết chương 4 bạn không nhầm số liệu cũ với số liệu cuối.

Nếu NFI vẫn thấp, hãy báo cáo trung thực kết quả và giải thích phạm vi đánh giá của nghiên cứu. Một mô hình có hạn chế được nêu rõ thường dễ bảo vệ hơn một mô hình bị chỉnh sửa nhiều lần chỉ để đạt một con số.

Phân biệt NFI với các chỉ số dễ nhầm

NFI dễ bị nhầm với các chỉ số fit khác vì chúng thường nằm gần nhau trong bảng Model Fit. Mỗi chỉ số trả lời một câu hỏi khác nhau.

NFI là chỉ số so sánh tương đối giữa mô hình đề xuất và mô hình cơ sở. SRMR phản ánh mức chênh lệch chuẩn hóa giữa tương quan quan sát và tương quan được mô hình dự đoán. R² cho biết biến nội sinh được giải thích bao nhiêu bởi các biến dự báo. Q² hướng đến khả năng liên quan dự báo. VIF kiểm tra vấn đề cộng tuyến, không phải độ phù hợp tổng thể.

NFI cũng dễ bị nhầm với CFI, TLI và RMSEA vì đây đều là tên quen thuộc trong SEM. Tuy nhiên, các chỉ số CFI, TLI và RMSEA theo (Hu và Bentler, 1999) thường được trình bày trong CB-SEM. Khi bạn đang chạy SmartPLS, hãy giữ đúng hệ chỉ số của PLS-SEM và không đưa các ngưỡng CB-SEM vào phần kết quả mà không giải thích.

Bạn cũng cần phân biệt NFI với AVE. AVE là chỉ số ở cấp biến tiềm ẩn, dùng để đánh giá giá trị hội tụ của mô hình đo lường. NFI là chỉ số ở cấp toàn mô hình. Một cái không thể thay thế cho cái kia.

Lỗi thường gặp

Lỗi đầu tiên là viết “NFI đạt” nhưng không ghi giá trị, không nêu cột Saturated Model hay Estimated Model và không có nguồn cho ngưỡng. Người đọc luận văn không thể kiểm tra bạn đã lấy số ở đâu.

Lỗi thứ hai là dùng NFI để kết luận giả thuyết. NFI không cho biết đường dẫn X đến Y có ý nghĩa thống kê. Muốn kết luận giả thuyết, bạn phải đọc Path Coefficients và Bootstrapping.

Lỗi thứ ba là xóa nhiều indicator chỉ vì NFI thấp. Mỗi lần loại biến cần xem xét nội dung thang đo, độ tin cậy, giá trị hội tụ, giá trị phân biệt và cơ sở lý thuyết. Nếu thang đo bị rút gọn quá mức, mô hình có thể mất một phần khái niệm cần đo.

Lỗi thứ tư là lấy ngưỡng CFI, TLI hoặc RMSEA của CB-SEM áp vào SmartPLS. Bạn có thể xem thêm mô hình SEM để phân biệt cấp độ mô hình, nhưng khi viết kết quả vẫn phải ghi rõ bạn đang dùng PLS-SEM hay CB-SEM.

Lỗi cuối là copy một bảng Model Fit minh họa vào luận văn như thể đó là số liệu thật. Bảng trong bài này chỉ có nhãn số liệu minh họa. Trong file của bạn, hãy xuất đúng kết quả từ mô hình và lưu lại ngày chạy, phiên bản dữ liệu cùng các thay đổi đã thực hiện.

Câu hỏi thường gặp

NFI là gì trong SmartPLS

NFI là Normed Fit Index, dùng để so sánh độ phù hợp tương đối của mô hình với mô hình cơ sở. Trong SmartPLS, NFI thường nằm trong nhóm Model Fit và cần được đọc cùng các chỉ số đo lường, cấu trúc và dự báo khác.

NFI bao nhiêu là tốt

Không nên trả lời bằng một con số duy nhất nếu bạn chưa xác định tài liệu phương pháp và bối cảnh SEM áp dụng. Hãy ghi rõ NFI của Saturated Model hoặc Estimated Model, nêu nguồn ngưỡng nếu có, rồi đánh giá cùng SRMR, chất lượng thang đo, R², Q² và các chỉ số liên quan.

NFI trong SPSS có không

SPSS thông thường không hiển thị NFI trong các phân tích như Cronbach's Alpha, EFA hay hồi quy tuyến tính. NFI thường xuất hiện trong phần mềm SEM như SmartPLS hoặc AMOS, tùy loại mô hình và quy trình bạn chạy. Nếu bạn chỉ có file SPSS, có thể cần chuyển dữ liệu sang SmartPLS hoặc dùng phần mềm SEM phù hợp trước khi đọc NFI.

NFI thấp có phải bỏ mô hình không

NFI thấp là tín hiệu cần kiểm tra, chưa phải căn cứ duy nhất để bỏ mô hình. Bạn nên kiểm tra dữ liệu, sơ đồ quan hệ, thang đo, HTMT, VIF, R² và lý do lý thuyết của từng đường dẫn trước khi quyết định sửa mô hình.

Có được xóa biến để NFI tăng không

Bạn chỉ nên xóa biến khi có cơ sở từ nội dung thang đo, chỉ số đo lường và lý thuyết. Hãy lưu từng vòng chạy, ghi rõ biến nào bị loại và vì sao. Xóa biến chỉ để tăng NFI có thể làm thay đổi ý nghĩa construct và tạo câu hỏi khi bảo vệ.

Trước khi chốt phần kết quả, bạn hãy mở lại dự án SmartPLS, ghi NFI theo đúng cột Model Fit, kiểm tra toàn bộ bảng đo lường và cấu trúc, rồi chép số liệu thật vào chương 4; nếu cần hỗ trợ chạy phân tích trên file .sav hoặc .csv, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.