Cách nhập dữ liệu CSV trong SmartPLS 4 đúng định dạng
Nhập dữ liệu CSV trong SmartPLS dùng để làm gì
Nhập dữ liệu CSV trong SmartPLS là bước đưa bảng trả lời khảo sát từ Excel, Google Forms hoặc SPSS sang SmartPLS 4 để chạy mô hình PLS-SEM. File CSV thường chứa các dòng là người trả lời và các cột là biến quan sát, chẳng hạn PU1, PU2, PU3 hoặc SAT1, SAT2, SAT3.
Bạn cần phân biệt hai phần trước khi nhập. Measurement model mô tả quan hệ giữa biến tiềm ẩn và các biến quan sát. Structural model mô tả các đường tác động giữa các biến tiềm ẩn, chẳng hạn PU tác động đến SAT. File CSV chỉ mang dữ liệu quan sát, còn mô hình đo lường và mô hình cấu trúc được thiết lập trong project SmartPLS.
SmartPLS phù hợp khi đề tài của bạn dùng PLS-SEM để đánh giá outer loading, CR, AVE, HTMT, path coefficient, R², f² hoặc Q². Đây là nhóm chỉ số của PLS-SEM. CFI, TLI và RMSEA thuộc hướng CB-SEM, thường được dùng với AMOS, nên không đưa các chỉ số đó vào quy trình đánh giá SmartPLS. Bạn có thể xem thêm các chủ đề liên quan tại chủ đề SmartPLS trước khi bắt đầu.
Chuẩn bị mô hình và dữ liệu
Trước khi mở SmartPLS, hãy kiểm tra file dữ liệu ở chính phần mềm đang tạo ra file đó. Một file đẹp trong Excel vẫn có thể bị đọc sai nếu dùng dấu phân cách không phù hợp, có ô trống giữa bảng hoặc chứa ký tự chữ trong cột lẽ ra phải là số.
Nếu bạn chưa tạo project, hãy xem hướng dẫn cách chạy tạo dự án mới SmartPLS 4. Trường hợp bạn đang dùng giao diện cũ, bài tạo dự án mới trong SmartPLS có thể khác vị trí nút vì SmartPLS 3 và SmartPLS 4 đã thay đổi một số menu.
Kiểm tra cấu trúc measurement model
Mỗi construct cần có các indicator tương ứng. Ví dụ, biến tiềm ẩn Perceived Usefulness có thể được đo bằng PU1, PU2 và PU3. Nếu trong mô hình bạn đặt tên PU1 nhưng file CSV lại có cột PU_1, SmartPLS sẽ không tự hiểu đây là cùng một biến.
Hãy lập danh sách mã biến trước khi nhập. Tên mã nên ngắn, duy nhất, không có dấu tiếng Việt, không có khoảng trắng và không bắt đầu bằng ký tự đặc biệt. Bạn có thể dùng PU1, PU2, PU3 thay cho những tên dài như “Mức độ hữu ích cảm nhận của người dùng 1”.
Chuẩn hóa file CSV
Dòng đầu tiên nên là tên biến. Mỗi dòng sau là một người trả lời. Không chèn tiêu đề đề tài, dòng ghi chú, tổng điểm, biểu đồ hoặc hàng trống vào giữa bảng. Một file phù hợp thường có dạng sau:
ID,PU1,PU2,PU3,SAT1,SAT2,SAT3
001,4,5,4,4,4,5
002,3,4,4,3,4,4
003,5,5,5,5,5,4
Bạn có thể lưu từ Excel bằng định dạng CSV UTF-8. Nếu SmartPLS đọc mỗi dòng thành một cột, nguyên nhân thường là file dùng dấu chấm phẩy nhưng phần mềm đang chờ dấu phẩy, hoặc ngược lại. Hãy mở file bằng trình soạn thảo văn bản để nhìn ký tự ngăn cách thực tế.
| Hạng mục cần kiểm tra | Trạng thái nên có | Dấu hiệu cần sửa |
|---|---|---|
| Dòng đầu tiên | Tên biến quan sát | Dòng đầu là tiêu đề đề tài hoặc số thứ tự |
| Cột dữ liệu | Mỗi cột là một indicator | Một cột chứa nhiều câu trả lời ghép lại |
| Kiểu dữ liệu | Số cho các thang đo Likert | Có chữ “không biết”, “N/A” trong cột số |
| Tên biến | PU1, PU2, SAT1, SAT2 | Có dấu, khoảng trắng hoặc ký tự trùng |
| Missing value | Được mã hóa nhất quán | Ô trống và các mã 99, 999 dùng lẫn nhau |
Nếu dữ liệu được xuất từ Google Forms, hãy bỏ các cột thời gian, email, họ tên hoặc câu trả lời mở nếu chúng không tham gia mô hình. Không xóa cột định danh nếu bạn cần đối chiếu dữ liệu, nhưng cũng không đưa ID vào construct để chạy PLS-SEM.
Các bước thực hiện trong SmartPLS 4
Quy trình dưới đây dùng giao diện SmartPLS 4. Một số tên nút ở SmartPLS 3 có thể nằm ở vị trí khác, vì vậy bạn không nên áp dụng máy móc ảnh hướng dẫn của phiên bản cũ.
Bước 1: Tạo project và mở khu vực dữ liệu
Mở SmartPLS 4, chọn tạo project mới hoặc mở project hiện có. Trong project, tìm khu vực quản lý dữ liệu, thường hiển thị danh sách Data Files. Chọn thao tác thêm dữ liệu rồi duyệt đến file CSV đã lưu.
Nếu project đã có một file dữ liệu cũ, hãy kiểm tra tên file trước khi chọn Replace hoặc Add. Tránh ghi đè file gốc chưa làm sạch. Bạn nên giữ một bản data_raw.csv, một bản data_clean.csv và chỉ đưa bản đã kiểm tra vào project.
Bước 2: Chọn file CSV và kiểm tra dấu phân cách
Khi SmartPLS mở hộp thoại nhập, chọn đúng file CSV. Quan sát phần xem trước dữ liệu nếu phiên bản của bạn hiển thị preview. Các biến phải tách thành nhiều cột, còn mỗi người trả lời phải nằm trên một dòng.
Nếu toàn bộ tiêu đề và dữ liệu dồn vào một cột, hãy quay lại Excel hoặc trình soạn thảo và lưu lại với delimiter phù hợp. Với file xuất từ môi trường tiếng Việt, dấu phân cách có thể là dấu phẩy hoặc dấu chấm phẩy tùy cài đặt vùng của máy.
Bước 3: Xác nhận tên biến và kiểu dữ liệu
Kiểm tra các cột có đúng tên indicator trong mô hình hay chưa. Các biến Likert từ 1 đến 5 hoặc 1 đến 7 cần được đọc dưới dạng số. Nếu một cột bị nhận thành text vì có một ô chứa chữ, bạn cần sửa ô đó trong file CSV rồi nhập lại.
Đừng đổi tên indicator sau khi đã vẽ mô hình nếu chưa kiểm tra liên kết. Một mã bị đổi từ PU1 thành PU01 có thể khiến mô hình thiếu indicator dù dữ liệu vẫn đang nằm trong project.
Bước 4: Tạo measurement model và gắn indicator
Tạo model mới trong project, sau đó kéo các construct vào canvas. Gắn các indicator PU1, PU2, PU3 vào construct PU, rồi gắn SAT1, SAT2, SAT3 vào construct SAT. Kiểm tra loại measurement nếu mô hình của bạn có construct reflective hoặc formative.
Với mô hình reflective, các indicator thường phản ánh cùng một khái niệm và được đánh giá bằng outer loading, CR, AVE. Với formative, cách đánh giá khác, nên bạn cần thống nhất loại đo với mô hình lý thuyết trước khi chạy. Việc chọn loại measurement chỉ vì kết quả đẹp có thể khiến bạn khó giải trình ở buổi bảo vệ.
Bước 5: Vẽ structural model
Dùng công cụ kết nối để vẽ các đường tác động theo giả thuyết. Ví dụ, nối PU đến SAT nếu giả thuyết là Perceived Usefulness tác động tích cực đến Satisfaction. Mỗi đường cần có một giả thuyết tương ứng trong chương 2 hoặc chương 3.
Nếu bạn chưa quen với canvas, hãy xem hướng dẫn vẽ mô hình cấu trúc trong SmartPLS. Sau khi vẽ, kiểm tra lại chiều mũi tên. Một mũi tên ngược chiều có thể làm path coefficient không trả lời đúng giả thuyết.
Bước 6: Chạy PLS Algorithm
Chọn model, chạy PLS Algorithm và xem các bảng kết quả. Ở vòng đầu, tập trung vào outer loading, Cronbach's Alpha, rho_A, Composite Reliability, AVE, VIF và kết quả R². Chưa nên vội kết luận giả thuyết chỉ từ lần chạy này.
Nếu một indicator bị thiếu dữ liệu nhiều, kết quả có thể thay đổi đáng kể. Trước khi loại biến, hãy ghi lại mã biến, lý do loại và kết quả sau khi chạy lại. Việc này giúp bạn trả lời khi giảng viên hỏi vì sao bộ thang đo trong chương 4 khác với bảng hỏi ban đầu.
Bước 7: Chạy Bootstrapping
Sau khi measurement model đạt mức có thể giải trình, chạy Bootstrapping để kiểm tra path coefficient và p-value hoặc khoảng tin cậy. Số bootstrap subsamples thường được thiết lập ở mức 5.000 theo hướng dẫn PLS-SEM của (Hair và cộng sự, 2022).
Chọn cách báo cáo nhất quán. Nếu dùng khoảng tin cậy bootstrap, tác động gián tiếp được xem là có ý nghĩa khi khoảng tin cậy không chứa số 0, theo (Preacher và Hayes, 2008). Không nên vừa dùng p-value vừa dùng một cách diễn giải khác mà không nói rõ tiêu chí.
Đọc bảng kết quả
Sau khi nhập đúng file và chạy mô hình, SmartPLS cung cấp nhiều nhóm kết quả. Bạn nên đọc theo thứ tự measurement model trước, structural model sau. Cách làm này phù hợp với logic đánh giá hai bước, measurement model rồi structural model, được trình bày trong (Anderson và Gerbing, 1988).
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được viết theo nhóm output thường gặp trong SmartPLS 4 để bạn đối chiếu với file của mình.
| Bảng kết quả SmartPLS | Chỉ số minh họa | Cách đọc ban đầu |
|---|---|---|
| Outer Loadings, PU1 | 0.782 | Indicator có loading trên 0.7 thường được xem là tốt theo (Chin, 1998) |
| Composite Reliability, PU | 0.886 | Độ tin cậy tổng hợp đạt mức tham khảo theo (Fornell và Larcker, 1981) |
| Average Variance Extracted, PU | 0.661 | Giá trị hội tụ đạt mức 0.5 theo (Fornell và Larcker, 1981) |
| HTMT, PU với SAT | 0.742 | Giá trị phân biệt đạt dưới 0.85 theo (Henseler và cộng sự, 2015) |
| Path Coefficients, PU -> SAT | 0.418 | Tác động dương trong số liệu minh họa |
| P Values, PU -> SAT | 0.003 | Có thể xem là có ý nghĩa nếu tiêu chí của đề tài dùng p-value dưới 0.05 |
| R Square, SAT | 0.364 | Mức giải thích của các biến dự báo đối với SAT |
Outer Loadings cần được đọc cùng nội dung lý thuyết, không chỉ nhìn vào một con số. Indicator có loading thấp có thể được cân nhắc loại, nhưng bạn cần xem ảnh hưởng đến CR, AVE, giá trị nội dung và sự cân bằng của thang đo.
Trong structural model, path coefficient cho biết chiều và mức độ tác động trong mô hình. R² cho biết tỷ lệ biến thiên của biến nội sinh được giải thích bởi các biến dự báo. Theo (Hair và cộng sự, 2011), R² 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là đáng kể, trung bình và yếu trong bối cảnh PLS-SEM, nhưng bạn vẫn cần đặt kết quả vào bối cảnh đề tài.
Ngưỡng đánh giá
Các ngưỡng dưới đây chỉ là mốc tham khảo có nguồn. Bạn không nên biến chúng thành quy tắc loại biến tự động. Kết quả cần được xem cùng cỡ mẫu, nội dung indicator, mô hình lý thuyết và yêu cầu của giảng viên hướng dẫn.
| Chỉ số | Mốc 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) |
| f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrap subsamples | 5.000 mẫu lặp | (Hair và cộng sự, 2022) |
Cronbach's Alpha có thể được báo cáo cùng rho_A và Composite Reliability. Với thang đo khám phá, Alpha từ 0.6 có thể được chấp nhận theo (Hair và cộng sự, 2010), còn mốc Alpha từ 0.7 thường được dẫn theo (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên được dẫn theo (Nunnally và Bernstein, 1994), nhưng chỉ số này thường được kiểm tra ở SPSS trước khi đưa dữ liệu sang SmartPLS.
Bạn cũng cần kiểm tra cỡ mẫu trước khi diễn giải. Mốc 5 đến 10 quan sát cho mỗi biến quan sát được dẫn theo (Hair và cộng sự, 2010), nhưng một cỡ mẫu đáp ứng mốc này vẫn chưa tự động bảo đảm mô hình có đủ power. Bài cỡ mẫu tối thiểu trong SmartPLS sẽ giúp bạn đối chiếu thêm với số biến và cấu trúc mô hình.
Cách trình bày trong chương 4
Trong chương 4, hãy trình bày theo trình tự: mô tả mẫu, đánh giá measurement model, đánh giá structural model, kiểm định giả thuyết và thảo luận. Bảng kết quả nên giữ tên chỉ số theo SmartPLS, sau đó thêm cột kết luận để người đọc biết tiêu chí nào được dùng.
Cách viết vào luận văn: “Kết quả PLS-SEM cho thấy outer loading của các biến quan sát dao động từ [giá trị nhỏ nhất] đến [giá trị lớn nhất]. Composite Reliability của các construct nằm trong khoảng [khoảng giá trị], trong khi AVE dao động từ [giá trị] đến [giá trị], đáp ứng tiêu chí [tiêu chí và nguồn]. Đối với giả thuyết [H1], path coefficient là [β], p-value là [p], do đó giả thuyết được [chấp nhận/không chấp nhận] theo [tiêu chí đã chọn].”
Khi trình bày HTMT, ghi rõ cặp construct có giá trị cao nhất. Khi trình bày R², ghi biến nội sinh và các biến dự báo của nó. Khi trình bày f² hoặc Q², nêu rõ đây là đánh giá mức đóng góp hoặc khả năng dự báo, không gọi chúng là tỷ lệ tác động trực tiếp.
Nếu file CSV được chỉnh sửa sau khi chạy, hãy lưu lại phiên bản và ngày chỉnh sửa. Một bảng kết quả không có thông tin về phiên bản dữ liệu sẽ khó kiểm tra lại khi số liệu thay đổi.
Lỗi thường gặp
File CSV chỉ hiện một cột
Kiểm tra delimiter. Mở file bằng Notepad hoặc trình soạn thảo văn bản, xem giữa các giá trị là dấu phẩy hay dấu chấm phẩy. Lưu lại dưới dạng CSV UTF-8 rồi nhập lại.
Tên biến trong model không khớp file
Đối chiếu danh sách indicator trong canvas với hàng tiêu đề CSV. Sửa một phía cho giống phía còn lại, không dùng các tên gần giống như PU1 và PU01.
SmartPLS nhận dữ liệu là text
Tìm các ô chứa chữ, dấu cách, ký tự tiền tệ hoặc mã missing không thống nhất. Chuyển cột về số trước khi lưu CSV. Nếu bạn có missing value thực sự, hãy xử lý theo kế hoạch đã ghi trong phương pháp nghiên cứu. Có thể xem thêm hướng dẫn xử lý missing value trong SmartPLS.
Indicator bị thiếu sau khi nhập
Kiểm tra tên cột có ký tự ẩn, khoảng trắng cuối tên hoặc dấu tiếng Việt không. Xóa và gắn lại indicator trong model nếu cần, sau đó chạy PLS Algorithm lại.
Kết quả đẹp nhưng không giải thích được
Đừng loại nhiều indicator chỉ để đưa loading hoặc AVE vượt mốc. Hãy lưu từng vòng chạy, nêu lý do loại biến và kiểm tra xem construct còn đủ nội dung đại diện hay không. Một kết quả đạt ngưỡng nhưng làm thay đổi ý nghĩa thang đo vẫn có thể bị hỏi ở phần bảo vệ.
Câu hỏi thường gặp
SmartPLS 4 có mở được file Excel trực tiếp không
Bạn nên lưu bảng dữ liệu thành CSV trước khi nhập để kiểm soát rõ delimiter, encoding và tên biến. File Excel có thể chứa định dạng, công thức hoặc nhiều sheet khiến dữ liệu không còn ở dạng bảng phẳng mà SmartPLS cần.
File CSV nên dùng dấu phẩy hay dấu chấm phẩy
Không có một dấu phân cách bắt buộc cho mọi máy. Hãy dùng đúng delimiter được tạo ra khi bạn lưu file và kiểm tra phần preview lúc nhập. Nếu tất cả dữ liệu dồn vào một cột, delimiter đang không được nhận đúng.
Có cần đưa cột ID vào SmartPLS không
Bạn có thể giữ ID trong file để đối chiếu người trả lời, nhưng không gắn ID vào construct và không dùng nó như một indicator. Khi báo cáo, không đưa thông tin định danh cá nhân vào bảng kết quả.
Có thể nhập dữ liệu Likert dạng chữ như “Đồng ý” không
Nên mã hóa câu trả lời Likert thành số trước khi nhập, chẳng hạn từ 1 đến 5 theo quy ước trong bảng hỏi. Các giá trị chữ khiến SmartPLS nhận cột là text hoặc không xử lý được như biến số.
Nhập dữ liệu xong có cần chạy SPSS trước không
SmartPLS có thể chạy trực tiếp với CSV nếu dữ liệu đã được làm sạch. Tuy vậy, SPSS hữu ích khi bạn cần kiểm tra tần số, missing value, outlier, Cronbach's Alpha hoặc EFA trước khi chạy PLS-SEM. Việc dùng SPSS hay SmartPLS phụ thuộc vào thiết kế phương pháp, không phải chỉ vì một phần mềm có kết quả đẹp hơn.
Cỡ mẫu ít có thể sửa bằng cách nhập lại CSV không
Không. Nhập lại file chỉ sửa lỗi định dạng, không làm tăng số người trả lời hay cải thiện power của mô hình. Nếu cỡ mẫu chưa phù hợp, bạn cần trao đổi lại với giảng viên về thiết kế thu thập dữ liệu và giới hạn nghiên cứu.
Hãy mở file CSV, kiểm tra hàng tiêu đề, delimiter, kiểu dữ liệu và số dòng trước khi tạo model trong SmartPLS 4, sau đó lưu riêng file gốc và file đã làm sạch để có thể giải trình từng thay đổi. Nếu bạn muốn chạy phân tích trên chính file .csv hoặc .sav của mình theo quy trình có kiểm tra kết quả, xem module M4 phân tích dữ liệu bằng SPSS và SmartPLS.