Outer weight là gì? Cách đọc và đánh giá trong SmartPLS
Outer weight là gì
Outer weight là trọng số của một biến quan sát trong mô hình đo lường formative của PLS-SEM. Chỉ số này cho biết biến quan sát đóng góp tương đối bao nhiêu vào việc hình thành biến tiềm ẩn. Bạn thường thấy nó trong bảng Outer Weights sau khi chạy PLS Algorithm và Bootstrapping trên SmartPLS.
Với một cấu trúc formative, các biến quan sát tạo nên khái niệm theo hướng từ chỉ báo đến biến tiềm ẩn. Có thể hình dung điểm của biến tiềm ẩn được tính theo dạng:
Construct score = w1 × Indicator 1 + w2 × Indicator 2 + ... + wn × Indicator n
Trong đó w là outer weight. Dấu của weight cho biết hướng đóng góp, còn độ lớn của weight cho biết mức đóng góp tương đối khi các biến quan sát cùng xuất hiện trong mô hình. Outer weight không phải là tỷ lệ phần trăm đóng góp và cũng không thể đọc như hệ số hồi quy của mô hình cấu trúc.
Nếu mô hình của bạn là reflective, SmartPLS thường tập trung vào Outer Loadings, Cronbach's Alpha, composite reliability, AVE và HTMT. Bạn có thể đọc thêm bối cảnh rộng hơn trong bài chủ đề SmartPLS, PLS-SEM và mô hình SEM.
Ý nghĩa của outer weight trong nghiên cứu định lượng
Outer weight trả lời câu hỏi: khi các biến quan sát cùng hình thành một biến tiềm ẩn, biến nào có đóng góp riêng đáng kể hơn. Ví dụ, biến tiềm ẩn “chất lượng dịch vụ” trong một mô hình formative có thể được hình thành từ tốc độ phục vụ, độ thuận tiện, cơ sở vật chất và khả năng phản hồi. Mỗi khía cạnh đại diện cho một phần khác nhau của khái niệm, nên bỏ một biến chỉ vì loading thấp có thể làm thay đổi phạm vi nội dung của thang đo.
Trong SmartPLS, outer weight thường được xem cùng với Standard Deviation, T Statistics và P Values trong bảng Outer Weights. Bạn dùng kết quả này để đánh giá hai việc. Thứ nhất, trọng số có khác 0 một cách có ý nghĩa thống kê hay không. Thứ hai, biến quan sát có còn giá trị nội dung và có vấn đề cộng tuyến với các chỉ báo khác hay không.
Một weight lớn chưa tự động chứng minh thang đo tốt. Ngược lại, một weight nhỏ hoặc không có ý nghĩa thống kê cũng chưa đủ để xóa biến ngay. Với formative measurement, bạn cần xem cả lý thuyết, nội dung biến quan sát, outer loading và VIF. Cách tiếp cận đánh giá mô hình đo lường trước rồi mới đánh giá mô hình cấu trúc phù hợp với quy trình hai bước được trình bày bởi (Anderson và Gerbing, 1988). Trong PLS-SEM, quy trình và cách báo cáo có thể đối chiếu với (Hair và cộng sự, 2019) và (Hair và cộng sự, 2022).
Bạn cũng cần phân biệt outer weight với các chỉ số của mô hình cấu trúc. Outer weight nằm giữa biến quan sát và biến tiềm ẩn. Path coefficient nằm giữa các biến tiềm ẩn, dùng để kiểm định quan hệ giả thuyết H1, H2 hoặc các giả thuyết tương tự.
Outer weight bao nhiêu là đạt
Không có một ngưỡng tuyệt đối kiểu “outer weight từ 0.7 trở lên” áp dụng cho mọi mô hình. Con số 0.7 thường được nhắc đến cho outer loading trong mô hình formative hoặc reflective, không phải là ngưỡng bắt buộc của outer weight. Khi đánh giá weight, bạn cần xem p-value hoặc khoảng tin cậy bootstrap, VIF và ý nghĩa nội dung của biến.
Bảng dưới đây tóm tắt các mốc thường dùng trong PLS-SEM. Mỗi dòng có nguồn để bạn không chép một ngưỡng rời khỏi tài liệu tham khảo.
| Chỉ số hoặc quyết định | Mốc tham khảo | Cách dùng khi đọc outer weight | Nguồn |
|---|---|---|---|
| Outer loading của chỉ báo | Từ 0.7 | Dùng để xem mức liên hệ tuyệt đối của chỉ báo với biến tiềm ẩn, không thay thế outer weight | (Chin, 1998) |
| VIF giữa các chỉ báo | Dưới 5 | Kiểm tra cộng tuyến trước khi kết luận weight không có ý nghĩa | (Hair và cộng sự, 2019) |
| Bootstrap subsamples | 5.000 lần | Dùng để ước lượng sai số, t-value và p-value ổn định hơn trong quy trình báo cáo | (Hair và cộng sự, 2022) |
| HTMT giữa các biến tiềm ẩn | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | Kiểm tra giá trị phân biệt của các cấu trúc, không phải ngưỡng trực tiếp của outer weight | (Henseler và cộng sự, 2015) |
| Q² của cấu trúc nội sinh | Lớn hơn 0 | Xem khả năng dự báo của mô hình, không dùng để phán quyết riêng một indicator | (Stone, 1974) |
| R² của biến nội sinh | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | Đánh giá phần mô hình cấu trúc sau khi measurement model hợp lệ | (Hair và cộng sự, 2011) |
Với một outer weight không có ý nghĩa thống kê, hãy xem khoảng tin cậy bootstrap có chứa 0 hay không. Nếu khoảng tin cậy chứa 0, bằng chứng về đóng góp riêng của chỉ báo còn yếu. Tuy vậy, nếu outer loading của biến vẫn cao và biến có ý nghĩa nội dung, bạn có thể giữ lại rồi giải trình thay vì loại máy móc. Nguyên tắc này cần gắn với thiết kế thang đo và mục tiêu đo lường của đề tài.
Câu hỏi “outer weight bao nhiêu là tốt” vì vậy nên được đổi thành ba câu hỏi cụ thể: weight có ý nghĩa thống kê không, các chỉ báo có bị cộng tuyến không, và bỏ biến có làm mất một khía cạnh quan trọng của khái niệm không.
Cách đọc outer weight trên output SmartPLS
Trong SmartPLS 4, bạn cần chạy mô hình theo hai giai đoạn. Kết quả dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
Trước hết, mở mô hình, chọn Calculate > PLS-SEM Algorithm để kiểm tra mô hình đo lường. Sau đó chọn Calculate > Bootstrapping. Nếu bạn cần kiểm định ý nghĩa thống kê, chọn số bootstrap subsamples theo thiết kế phân tích của mình. Mốc 5.000 subsamples thường được dùng trong quy trình PLS-SEM hiện hành (Hair và cộng sự, 2022).
Trong phần kết quả, mở Final Results > Outer Weights. Bảng mẫu có dạng như sau:
Bảng Outer Weights, số liệu minh họa
| Construct | Indicator | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|---|
| Chất lượng dịch vụ | DV1 | 0.421 | 0.418 | 0.122 | 3.451 | 0.001 |
| Chất lượng dịch vụ | DV2 | 0.286 | 0.291 | 0.141 | 2.028 | 0.043 |
| Chất lượng dịch vụ | DV3 | 0.117 | 0.126 | 0.109 | 1.073 | 0.284 |
| Chất lượng dịch vụ | DV4 | 0.198 | 0.194 | 0.130 | 1.523 | 0.128 |
Ở dòng DV1, outer weight bằng 0.421 và p-value bằng 0.001 trong số liệu minh họa. Weight có dấu dương và kết quả bootstrap cho thấy đóng góp riêng có bằng chứng thống kê. DV2 cũng có p-value dưới 0.05 trong ví dụ này.
DV3 và DV4 có p-value lớn hơn 0.05. Bạn chưa nên xóa ngay hai biến này. Hãy mở thêm Outer Loadings, kiểm tra VIF trong Collinearity Statistics và đọc lại nội dung của DV3, DV4. Nếu biến đại diện cho một khía cạnh bắt buộc của khái niệm, giữ lại có thể hợp lý hơn việc chỉ chạy theo p-value.
Nhiều bạn tìm “outer loading trong SPSS” hoặc “outer weight trong SPSS” vì đã quen với SPSS. SPSS không có bảng Outer Weights theo đúng nghĩa của SmartPLS. Trong SPSS, bạn có thể chạy hồi quy, EFA hoặc độ tin cậy thang đo, nhưng không có quy trình PLS-SEM tương đương SmartPLS. AMOS phục vụ CB-SEM, còn SmartPLS phục vụ PLS-SEM. Bạn có thể xem thêm sự khác nhau khi đọc CB-SEM và khái niệm biến tiềm ẩn.
Khi outer weight không đạt thì xử lý thế nào
Bạn có thể xử lý theo thứ tự sau, từ bước kiểm tra ít tác động đến bước thay đổi mô hình.
Kiểm tra lại loại mô hình đo lường
Xem mũi tên trong mô hình có đúng hướng formative hay reflective không. Nếu bạn chọn nhầm loại measurement model, việc diễn giải outer weight sẽ sai từ đầu. Với reflective, các chỉ báo phản ánh cùng một khái niệm và thường được đọc qua outer loading. Với formative, các chỉ báo hợp thành khái niệm và outer weight có vai trò trung tâm hơn.
Kiểm tra VIF của các chỉ báo
VIF cao cho thấy các biến quan sát có thể trùng lặp thông tin. Theo (Hair và cộng sự, 2019), VIF dưới 5 là mốc thường dùng trong báo cáo PLS-SEM. Nếu VIF cao, đọc nội dung từng biến, xem câu chữ có gần như lặp lại nhau không và kiểm tra dữ liệu có bị nhập sai không.
Đọc outer loading cùng outer weight
Một biến có weight không có ý nghĩa nhưng loading cao vẫn có thể đóng góp vào giá trị nội dung của thang đo. Trường hợp weight và loading đều thấp, lý do giữ biến sẽ yếu hơn. Bạn cần ghi lại từng vòng chạy, biến nào bị loại, lý do và kết quả thay đổi ra sao.
Loại biến khi có lý do phương pháp rõ ràng
Chỉ xóa biến khi có căn cứ từ lý thuyết, nội dung đo lường, cộng tuyến và kết quả bootstrap. Sau khi xóa, chạy lại toàn bộ mô hình và kiểm tra các chỉ số liên quan. Việc xóa nhiều biến chỉ để làm p-value đẹp thường dễ bị hỏi ở phần bảo vệ vì thang đo ban đầu đã bị thay đổi.
Giữ biến và giải trình khi biến cần thiết về nội dung
Nếu biến không có weight đạt nhưng đại diện cho một thành phần không thể thay thế, bạn có thể giữ lại. Trong chương 4, trình bày kết quả thống kê, lý do giữ biến và giới hạn của mô hình. Cách này có cơ sở hơn việc khẳng định mọi weight đều phải vượt một con số cố định.
Phân biệt outer weight với outer loading
Outer weight đo đóng góp tương đối của chỉ báo vào biến tiềm ẩn trong measurement model formative. Outer loading đo mức liên hệ tuyệt đối giữa chỉ báo và biến tiềm ẩn. Hai chỉ số có thể cho kết luận khác nhau vì weight chịu ảnh hưởng của các chỉ báo khác trong cùng một construct, còn loading phản ánh mối liên hệ của từng chỉ báo với construct.
| Điểm so sánh | Outer weight | Outer loading |
|---|---|---|
| Mô hình thường dùng | Formative | Reflective, và được xem bổ sung trong formative |
| Câu hỏi chính | Chỉ báo đóng góp riêng bao nhiêu | Chỉ báo liên hệ với construct mạnh đến đâu |
| Bảng SmartPLS | Outer Weights | Outer Loadings |
| Kết quả đi kèm | T Statistics, P Values, VIF | Loading, độ tin cậy và giá trị hội tụ tùy mô hình |
| Cách xử lý khi thấp | Xem p-value, VIF và ý nghĩa nội dung | Xem loading, CR, AVE và nội dung biến |
Vì vậy, câu hỏi “outer loading bao nhiêu là tốt” không thể trả lời thay cho câu hỏi về outer weight. Outer loading từ 0.7 trở lên là mốc thường được trích cho loading trong PLS-SEM (Chin, 1998). Với composite reliability từ 0.7 và AVE từ 0.5, nguồn tham khảo thường dùng là (Fornell và Larcker, 1981). Những mốc này thuộc nhóm đánh giá loading, độ tin cậy và giá trị hội tụ, không biến thành ngưỡng bắt buộc cho weight.
Một lỗi khác là đưa CFI, TLI hoặc RMSEA vào báo cáo SmartPLS. Các chỉ số này thuộc CB-SEM theo (Hu và Bentler, 1999), nên không nên trộn vào phần đánh giá PLS-SEM. Bạn cần xác định công cụ và loại SEM trước khi chọn tiêu chí.
Lỗi thường gặp
Lỗi đầu tiên là đọc p-value của outer weight như p-value của path coefficient. Hai bảng trả lời hai quan hệ khác nhau. Hãy ghi rõ bảng nào liên quan đến indicator và bảng nào liên quan đến giả thuyết giữa các construct.
Lỗi thứ hai là dùng ngưỡng outer loading 0.7 để kết luận outer weight đạt hoặc không đạt. Đây là hai khái niệm khác nhau. Nếu bài của bạn có formative measurement, hãy báo cáo weight, loading, VIF và lập luận nội dung trong cùng một phần.
Lỗi thứ ba là chỉ báo cáo weight lớn nhất mà bỏ qua Standard Deviation, T Statistics và P Values. Người đọc cần biết weight có ổn định qua bootstrap hay chỉ lớn do một mẫu dữ liệu cụ thể.
Lỗi thứ tư là xóa biến sau một lần chạy mà không lưu output. EFA hiếm khi ra đẹp ở lần chạy đầu, và mô hình PLS cũng cần được kiểm tra theo từng vòng. Lưu file, ghi tên biến, lý do thay đổi và các chỉ số trước sau khi xử lý để có thể giải trình.
Lỗi cuối cùng là viết “outer weight đạt chuẩn” nhưng không nói chuẩn nào. Câu viết nên chỉ rõ chỉ số, giá trị, p-value hoặc khoảng tin cậy, VIF và lý do giữ hoặc loại biến.
Câu hỏi thường gặp
Outer weight là gì trong SmartPLS?
Outer weight là trọng số của biến quan sát trong measurement model formative. Nó cho biết đóng góp tương đối của biến quan sát vào biến tiềm ẩn khi các chỉ báo khác cùng nằm trong construct.
Outer weight bao nhiêu là tốt?
Không có một ngưỡng duy nhất áp dụng cho mọi outer weight. Bạn nên xem ý nghĩa thống kê qua bootstrapping, VIF và ý nghĩa nội dung của biến. Mốc 0.7 thường nói về outer loading, không phải tiêu chuẩn bắt buộc cho outer weight.
Outer loading là gì và outer loading bao nhiêu là tốt?
Outer loading phản ánh mức liên hệ giữa biến quan sát và biến tiềm ẩn. Trong PLS-SEM, outer loading từ 0.7 trở lên là mốc thường được tham khảo (Chin, 1998), nhưng quyết định giữ hoặc loại biến vẫn cần xem bối cảnh thang đo, CR và AVE.
Vì sao outer weight có p-value lớn hơn 0.05?
Nguyên nhân có thể là chỉ báo đóng góp riêng yếu, các chỉ báo bị cộng tuyến, cỡ mẫu chưa đủ cho độ ổn định mong muốn hoặc biến vẫn có vai trò nội dung nhưng không tách được khỏi các biến khác. Kiểm tra VIF, outer loading và khoảng tin cậy bootstrap trước khi xóa biến.
Có chạy outer weight trong SPSS được không?
SPSS không xuất bảng Outer Weights của PLS-SEM. Bạn có thể chạy các phân tích như EFA, Cronbach's Alpha hoặc hồi quy trong SPSS, còn outer weight được đọc trong SmartPLS sau PLS Algorithm và Bootstrapping.
Có cần loại biến ngay khi outer weight không đạt không?
Bạn không nên loại ngay chỉ dựa trên p-value. Hãy kiểm tra loại measurement model, VIF, outer loading và vai trò nội dung của biến, sau đó chạy lại mô hình nếu có quyết định loại. Trong luận văn, ghi rõ lý do và kết quả của từng vòng xử lý.
Mở file SmartPLS của bạn, xác định construct đang là formative hay reflective, rồi đối chiếu lần lượt bảng Outer Weights, Outer Loadings, Collinearity Statistics và kết quả Bootstrapping. Nếu bạn cần chạy các bước này trên chính file .sav hoặc .csv của mình, M4 phân tích dữ liệu là module DoThesis phụ trách.