Outer weight trong SmartPLS: Cách đọc và đánh giá đúng
Outer weight trong SmartPLS dùng để làm gì
Bạn mở kết quả SmartPLS lên và thấy bảng Outer Weights với các cột Original Sample, Sample Mean, Standard Deviation, T Statistics và P Values. Chỉ số này thường gây nhầm với outer loading trong SmartPLS, nhưng chúng trả lời hai câu hỏi khác nhau.
Outer weight cho biết mức đóng góp tương đối của từng biến quan sát vào điểm số của biến tiềm ẩn trong mô hình đo lường formative. Với một construct formative, các biến quan sát tạo thành khái niệm. Vì vậy, trọng số của từng chỉ báo giúp bạn xem chỉ báo nào đóng góp nhiều hơn khi hình thành biến tiềm ẩn.
Outer loading thường được dùng để đánh giá chỉ báo trong mô hình reflective, nơi biến tiềm ẩn được xem là nguyên nhân tạo ra các biến quan sát. Outer weight phù hợp với logic formative. Nếu bạn dùng sai loại mô hình đo lường, việc nhìn vào p-value của outer weight có thể dẫn đến quyết định loại biến không có cơ sở.
Trong SmartPLS, outer weight thường được đánh giá thông qua kết quả bootstrapping. Một weight dương cho thấy chỉ báo đóng góp cùng chiều vào construct. Weight âm cho thấy đóng góp ngược chiều, nhưng chưa thể kết luận ngay rằng biến quan sát phải bị loại. Bạn còn phải xem ý nghĩa lý thuyết, outer loading, VIF và khoảng tin cậy của kết quả.
Nếu bạn đang kiểm tra toàn bộ mô hình đo lường, có thể xem thêm hướng dẫn về chủ đề SmartPLS, AVE trong SmartPLS và độ tin cậy tổng hợp trong SmartPLS. Các chỉ số này thuộc những phần đánh giá khác nhau, không nên gộp thành một tiêu chí duy nhất.
Chuẩn bị mô hình và dữ liệu
Trước khi chạy outer weight, bạn cần xác định construct nào trong mô hình là formative và construct nào là reflective. Đây là quyết định thuộc về lý thuyết và cách xây dựng thang đo, không phải lựa chọn được quyết định chỉ vì một chỉ số trong output đẹp hay xấu. Với mô hình formative, các chỉ báo có thể đại diện cho những khía cạnh khác nhau của cùng một khái niệm, nên việc loại một biến có thể làm thay đổi phạm vi nội dung của construct.
Phân biệt measurement model và structural model
Measurement model nối biến tiềm ẩn với các biến quan sát. Outer weight nằm trong phần đánh giá measurement model. Structural model lại tập trung vào quan hệ giữa các biến tiềm ẩn, thường được đọc qua path coefficient, t-value, p-value, R², f² và Q².
Đừng dùng R² để kết luận một outer weight đạt hay không đạt. R² cho biết mức giải thích của biến nội sinh trong structural model, còn outer weight cho biết đóng góp của một chỉ báo vào construct formative.
Đặt tên indicator nhất quán
Trong file .csv, mỗi cột nên là một biến quan sát và mỗi dòng là một người trả lời. Tên cột nên ngắn, không dấu, không có khoảng trắng và khớp với tên indicator trong mô hình, chẳng hạn CQ1, CQ2, DV1 hoặc DV2. Cột mã người trả lời có thể giữ để đối chiếu dữ liệu, nhưng không kéo vào construct nếu nó không phải biến quan sát.
Bạn cần kiểm tra các giá trị thiếu, mã hóa thang Likert và chiều của biến đảo trước khi nhập dữ liệu. Một biến đảo chưa recode có thể tạo weight âm hoặc làm kết quả khó diễn giải. SmartPLS có thể đọc file nhưng không thể tự quyết định ý nghĩa của mã 1, 2, 3, 4, 5 trong bảng hỏi của bạn.
Chọn đúng loại construct
Trong SmartPLS 4, hãy mở mô hình và kiểm tra thiết lập của từng construct. Nếu construct formative, các mũi tên thường đi từ indicator vào construct. Nếu construct reflective, mũi tên đi từ construct ra indicator. Hướng mũi tên này quyết định loại chỉ số bạn cần ưu tiên khi báo cáo.
Ngoài outer weight, mô hình formative cần được kiểm tra collinearity giữa các indicator. VIF quá cao cho thấy các biến quan sát có thể trùng lặp thông tin, khiến weight thiếu ổn định. VIF dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM theo (Hair và cộng sự, 2019).
Các bước thực hiện trong SmartPLS 4
Các bước dưới đây dùng giao diện SmartPLS 4. SmartPLS 3 có cách sắp xếp cửa sổ khác, nên tên nút và vị trí kết quả có thể không hoàn toàn giống. Bạn nên ghi lại phiên bản phần mềm trong phần phương pháp để người đọc hiểu cách bạn tạo output.
Bước 1: Import file dữ liệu
Từ màn hình dự án, chọn import data và đưa file .csv vào SmartPLS. Kiểm tra số quan sát, số biến và kiểu dữ liệu mà phần mềm nhận diện. Nếu một cột số bị đọc thành text, hãy sửa file gốc rồi import lại thay vì cố tiếp tục với dữ liệu sai kiểu.
Mỗi dòng dữ liệu phải tương ứng với một bảng trả lời hợp lệ. Nếu bạn đưa cả dòng tiêu đề phụ, ghi chú hoặc tổng điểm vào file, SmartPLS có thể coi chúng là quan sát hoặc indicator. Điều này làm thay đổi kết quả mà bạn không dễ nhận ra khi chỉ nhìn vào mô hình.
Bước 2: Tạo project và mô hình
Tạo một project mới, chọn file dữ liệu vừa import, sau đó tạo mô hình PLS-SEM. Kéo các indicator vào đúng construct theo mã biến. Kiểm tra lại từng nhóm, đặc biệt với những mã gần giống nhau như TT1, TT2 và T1, T2.
Nếu construct là formative, thiết lập measurement model theo hướng indicator trỏ vào construct. Nếu bạn đang dùng hierarchical component model, cần xác định outer weight thuộc cấp thấp hay cấp cao trước khi diễn giải.
Bước 3: Chạy PLS-SEM Algorithm
Trong SmartPLS 4, chọn mô hình, mở chức năng chạy PLS-SEM Algorithm rồi giữ thiết lập mặc định nếu đề cương không yêu cầu khác. Kết quả bước này cho các chỉ số ban đầu như outer weights, outer loadings, path coefficients và R².
Sau khi chạy, mở phần kết quả của construct formative và tìm bảng Outer Weights. Ở bước này, bạn có thể xem Original Sample, nhưng chưa nên dùng riêng con số đó để kết luận có ý nghĩa thống kê hay không.
Bước 4: Chạy Bootstrapping
Chọn Bootstrapping trong SmartPLS 4. Số bootstrap subsamples thường được đặt là 5.000 khi báo cáo PLS-SEM theo (Hair và cộng sự, 2022). Giữ random seed nếu bạn cần tái lập kết quả trong lần chạy sau.
Sau khi bootstrapping hoàn tất, mở kết quả Bootstrapping, chọn phần Outer Weights và xem t-value, p-value cùng khoảng tin cậy. Khoảng tin cậy không chứa 0 là dấu hiệu weight có ý nghĩa theo logic kiểm định bootstrap, như cách diễn giải hiệu ứng gián tiếp được trình bày trong (Preacher và Hayes, 2008). Với outer weight, bạn vẫn phải kết hợp tiêu chí thống kê với cơ sở lý thuyết của indicator.
Bước 5: Kiểm tra collinearity và các chỉ số liên quan
Mở bảng VIF của indicator để kiểm tra collinearity. Sau đó đối chiếu với outer loading của chính indicator đó. Bạn có thể xem thêm hướng dẫn cách chạy AVE trong SmartPLS 4, nhưng AVE chủ yếu phục vụ đánh giá giá trị hội tụ của construct reflective và không thay thế việc đọc outer weight của construct formative.
Nếu indicator có weight không có ý nghĩa nhưng loading cao, đừng xóa ngay. Trường hợp này có thể xảy ra khi indicator vẫn đóng góp đáng kể về mặt tuyệt đối nhưng phần đóng góp tương đối bị ảnh hưởng bởi các indicator khác. Quyết định cuối cùng cần dựa trên nội dung thang đo, VIF và yêu cầu của mô hình.
Đọc bảng kết quả
Bảng dưới đây mô phỏng cách một output SmartPLS 4 có thể hiển thị. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột có thể thay đổi đôi chút theo loại kết quả bạn chọn và phiên bản SmartPLS.
| Indicator | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|
| CQ1 | 0.421 | 0.418 | 0.091 | 4.626 | 0.000 |
| CQ2 | 0.318 | 0.321 | 0.126 | 2.524 | 0.012 |
| CQ3 | 0.147 | 0.151 | 0.118 | 1.246 | 0.213 |
| CQ4 | -0.086 | -0.081 | 0.067 | 1.284 | 0.199 |
Original Sample (O) là outer weight ước lượng từ mẫu gốc. Sample Mean (M) là trung bình của các ước lượng qua các mẫu bootstrap. Nếu O và M chênh lệch lớn, kết quả có thể thiếu ổn định và bạn nên kiểm tra thêm phân phối bootstrap.
Standard Deviation (STDEV) là độ lệch chuẩn của các ước lượng bootstrap. T Statistics được tính từ weight và sai số chuẩn. P Values hỗ trợ quyết định về ý nghĩa thống kê, nhưng không nói indicator có quan trọng về nội dung hay không.
Trong ví dụ minh họa, CQ1 và CQ2 có p-value nhỏ hơn 0,05. CQ3 và CQ4 không có ý nghĩa thống kê theo ngưỡng này. CQ4 có weight âm, nhưng dấu âm không tự động chứng minh rằng dữ liệu bị lỗi. Bạn cần xem indicator có phải biến đảo chưa recode, construct có thực sự formative hay không và nội dung CQ4 có cần thiết về mặt khái niệm không.
Outer weight khác outer loading ở chỗ weight thể hiện đóng góp tương đối, còn loading phản ánh tương quan hoặc mức liên hệ của indicator với construct theo logic measurement model tương ứng. Để tránh nhầm, bạn có thể xem bài cross loading trong SmartPLS, nhưng cross loading cũng không phải là outer weight.
Ngưỡng đánh giá
Không có một con số duy nhất đủ để quyết định giữ hoặc loại mọi indicator formative. Bảng dưới đây tóm tắt những ngưỡng thường dùng trong PLS-SEM và nguồn đi kèm. Bạn nên ghi rõ loại chỉ số khi trình bày, vì outer weight, outer loading, VIF, CR và AVE thuộc các câu hỏi đánh giá khác nhau.
| Chỉ số hoặc quyết định | Mức tham khảo | Nguồn |
|---|---|---|
| Outer loading của indicator reflective | Từ 0,7 trở lên | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| VIF giữa các indicator | Dưới 5 | (Hair và cộng sự, 2019) |
| AVE của construct reflective | Từ 0,5 trở lên | (Fornell và Larcker, 1981) |
| Composite Reliability | Từ 0,7 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0,85, hoặc dưới 0,90 với construct gần nhau | (Henseler và cộng sự, 2015) |
| R² trong PLS-SEM | 0,25 yếu, 0,50 trung bình, 0,75 đáng kể | (Hair và cộng sự, 2011) |
| f² | 0,02 nhỏ, 0,15 trung bình, 0,35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Bootstrap subsamples | 5.000 mẫu | (Hair và cộng sự, 2022) |
Với outer weight, điều bạn cần báo cáo là dấu của weight, mức độ lớn, kết quả bootstrap, khoảng tin cậy và lý do giữ hoặc loại indicator. Một weight nhỏ không luôn đồng nghĩa với indicator vô dụng. Nếu indicator có outer loading cao và có ý nghĩa nội dung, nhiều nghiên cứu vẫn cân nhắc giữ lại khi VIF không có vấn đề.
Các ngưỡng CFI, TLI và RMSEA thuộc CB-SEM, chẳng hạn mô hình AMOS, theo (Hu và Bentler, 1999). Bạn không nên đưa các chỉ số này vào bảng đánh giá outer weight của SmartPLS. PLS-SEM cần được đọc với nhóm chỉ số phù hợp gồm outer model, structural model, collinearity, explained variance và predictive relevance.
Cách trình bày trong chương 4
Bạn nên tách phần đánh giá measurement model formative khỏi phần kiểm định structural model. Trình tự dễ theo dõi là mô tả mô hình đo lường, báo cáo VIF, outer weights, bootstrapping, các chỉ số liên quan, sau đó mới chuyển sang path coefficient, R², f² và Q².
Cách viết vào luận văn: “Kết quả bootstrapping cho thấy outer weight của biến quan sát [mã biến] đạt [giá trị], với t-value = [giá trị] và p-value = [giá trị]. Biến [mã biến] được [giữ lại/loại bỏ] do [ý nghĩa thống kê, outer loading, VIF và cơ sở lý thuyết]. Kết quả VIF của các biến quan sát dao động từ [giá trị thấp] đến [giá trị cao], cho thấy [kết luận phù hợp] theo (Hair và cộng sự, 2019).”
Nếu weight không có ý nghĩa, bạn có thể viết thận trọng: “Outer weight của [mã biến] không có ý nghĩa thống kê, tuy nhiên biến được giữ lại vì đại diện cho khía cạnh [nội dung] của construct và không vi phạm yêu cầu collinearity.” Chỉ dùng câu này khi bạn thực sự kiểm tra loading, VIF và cơ sở lý thuyết, không dùng để hợp thức hóa việc giữ mọi biến.
Trong bảng chương 4, nên có các cột Indicator, Outer Weight, t-value, p-value, khoảng tin cậy và quyết định. Nếu số cột quá rộng, tách bảng thành kết quả bootstrap và bảng quyết định giữ hoặc loại. Đừng chụp toàn bộ màn hình SmartPLS rồi đặt vào luận văn mà không giải thích các cột.
Lỗi thường gặp
Dùng outer weight cho construct reflective
Đây là lỗi từ mô hình đo lường, không phải lỗi của SmartPLS. Nếu mũi tên được vẽ sai hướng, toàn bộ cách đọc output có thể sai. Hãy quay lại lý thuyết và mô hình khái niệm trước khi chạy lại.
Chỉ nhìn p-value rồi xóa biến
P-value chỉ cho biết bằng chứng thống kê trong mẫu bootstrap. Nó không đánh giá đầy đủ giá trị nội dung của indicator. Việc xóa biến formative có thể làm construct mất một khía cạnh quan trọng.
Nhầm outer weight với outer loading
Outer loading thường được đọc trong bảng Outer Loadings, còn outer weight được đọc trong bảng Outer Weights. Hai bảng có tên gần nhau nhưng không dùng cùng một câu hỏi đánh giá. Hãy ghi rõ tên bảng khi chụp hoặc trích output.
Bỏ qua VIF
Các indicator có thể cùng đo một nội dung gần như giống nhau. Khi đó weight có thể đổi dấu hoặc mất ý nghĩa vì collinearity. Kiểm tra VIF trước khi kết luận một biến quan sát kém chất lượng.
Chạy bootstrapping nhưng không lưu thiết lập
Nếu bạn đổi số subsamples, confidence interval hoặc random seed giữa các lần chạy mà không ghi lại, việc tái lập kết quả sẽ khó. Hãy lưu file project, export bảng kết quả và ghi phiên bản SmartPLS 4 trong nhật ký phân tích.
Đọc thêm: ave là gì, ave trong smartpls, cách chạy ave smartpls 4, cross loading trong smartpls, độ tin cậy tổng hợp trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
Outer weight trong SmartPLS bao nhiêu là đạt
Outer weight không có một ngưỡng tuyệt đối áp dụng cho mọi construct formative. Bạn cần xem weight có ý nghĩa qua bootstrapping, VIF có phù hợp, loading có hỗ trợ và indicator có cần thiết về mặt nội dung hay không.
Outer weight không có ý nghĩa thì có phải xóa biến không
Chưa chắc. Nếu weight không có ý nghĩa nhưng indicator có loading cao, VIF ổn và đại diện cho một khía cạnh quan trọng, bạn có thể giữ biến và giải thích lý do. Nếu biến vừa không có ý nghĩa, vừa có loading thấp, lại trùng lặp với indicator khác, việc loại biến có thể hợp lý hơn.
Outer loading trong SmartPLS khác outer weight thế nào
Outer loading cho biết mức liên hệ của indicator với construct theo mô hình đo lường, thường được chú ý trong reflective model. Outer weight cho biết đóng góp tương đối của indicator trong formative model. Bạn cần xác định hướng mũi tên và loại construct trước khi chọn chỉ số để báo cáo.
Vì sao outer weight bị âm
Weight âm có thể xuất hiện do tương quan giữa các indicator, collinearity, biến đảo chưa recode hoặc do cấu trúc formative thực sự có đóng góp ngược chiều. Hãy kiểm tra file dữ liệu, cách mã hóa, VIF và ý nghĩa lý thuyết trước khi sửa số liệu.
Có cần báo cáo outer weight trong mọi mô hình SmartPLS không
Bạn cần báo cáo outer weight khi construct được mô hình hóa theo formative và chỉ số này là một phần của đánh giá outer model. Với construct reflective, bảng Outer Loadings và các chỉ số giá trị hội tụ, độ tin cậy, giá trị phân biệt thường phù hợp hơn.
Bạn hãy mở lại project SmartPLS 4, kiểm tra hướng mũi tên của construct, chạy PLS-SEM Algorithm rồi chạy Bootstrapping 5.000 mẫu, sau đó lưu bảng Outer Weights, VIF và phần giải thích quyết định vào thư mục kết quả. Nếu cần chạy phân tích trên file .sav hoặc .csv thật của bạn, M4 phân tích của DoThesis hỗ trợ quy trình SPSS và SmartPLS mà không bịa số.