P value bootstrap trong SmartPLS: cách đọc và báo cáo
Bạn mở kết quả SmartPLS lên và thấy các cột Original Sample (O), Sample Mean (M), Standard Deviation (STDEV), T Statistics và P Values. Con số ở cột P Values thường quyết định giả thuyết nghiên cứu có được ủng hộ hay không, nhưng chỉ nhìn thấy 0.000 chưa đủ để kết luận. Bạn còn phải kiểm tra chiều tác động, t-value, khoảng tin cậy bootstrap và cách mã hóa giả thuyết.
Bài này tập trung vào p value bootstrap trong SmartPLS, với quy trình trên SmartPLS 4. Các con số trong bảng minh họa chỉ giúp bạn nhận diện hình dạng output, không phải kết quả của một nghiên cứu cụ thể.
P value bootstrap trong SmartPLS dùng để làm gì
Trong PLS-SEM, P Values của một đường dẫn được tính từ phân phối lấy mẫu lặp do thủ tục Bootstrapping tạo ra. Bạn dùng nó để đánh giá liệu path coefficient của quan hệ giữa biến độc lập và biến phụ thuộc có khác 0 một cách có ý nghĩa thống kê hay không.
Ví dụ, mô hình của bạn có giả thuyết H1: Chất lượng dịch vụ tác động cùng chiều đến sự hài lòng. Nếu Original Sample (O) là 0.326, dấu dương cho thấy chiều tác động phù hợp với H1. Nếu P Values nhỏ hơn mức ý nghĩa đã chọn, thường là 0.05, bằng chứng thống kê ủng hộ việc bác bỏ H0 rằng hệ số đường dẫn bằng 0.
P Values không cho biết tác động mạnh hay yếu. Độ lớn và chiều tác động nằm ở Original Sample (O), còn mức độ giải thích của biến phụ thuộc được xem thêm qua R Square trong SmartPLS. Bạn cũng không nên dùng P Values để thay thế cho việc kiểm tra chất lượng thang đo, VIF, R², f² hoặc Q².
SmartPLS hiển thị giá trị 0.000 khi p-value rất nhỏ theo cách làm tròn của phần mềm. Khi viết luận văn, bạn nên ghi p < 0.001 thay vì khẳng định p bằng 0, vì xác suất bằng 0 không phải là cách diễn giải phù hợp cho output này.
Chuẩn bị mô hình và dữ liệu
Trước khi chạy bootstrap, bạn cần phân biệt hai phần của mô hình. Measurement model mô tả quan hệ giữa biến tiềm ẩn và các biến quan sát. Structural model mô tả các mũi tên giữa các biến tiềm ẩn, chẳng hạn Sự tin cậy → Sự hài lòng.
Tên biến quan sát trong file .csv cần nhất quán và không chứa ký tự gây lỗi. Một dòng thường là một người trả lời, một cột là một biến quan sát. Hãy kiểm tra xem file có dòng tiêu đề, các ô trống, giá trị chữ trong cột Likert và biến đảo chiều chưa được mã hóa lại hay không.
| Việc cần kiểm tra | Dấu hiệu dữ liệu phù hợp | Nếu bỏ qua có thể gặp gì |
|---|---|---|
| Một dòng là một đáp viên | Mỗi dòng có cùng cấu trúc cột | SmartPLS đọc sai đơn vị quan sát |
| Một cột là một indicator | Tên cột trùng với tên biến trong mô hình | Indicator bị thiếu hoặc không được nối |
| Thang Likert là số | Các ô chứa giá trị số theo cùng một quy ước | Outer loading và path coefficient không chạy đúng |
| Giá trị khuyết | Đã kiểm tra ô trống và mã như 99, 999 | Kết quả bootstrap bị giảm số quan sát |
| Biến đảo chiều | Đã recode trước khi nhập mô hình | Tải ngoài hoặc quan hệ giữa các biến bị ngược |
Trong measurement model, bạn nên kiểm tra Outer Loadings, Composite Reliability, AVE và HTMT trước khi diễn giải quan hệ cấu trúc. VIF là gì cũng cần được hiểu đúng, vì đa cộng tuyến có thể làm sai lệch độ ổn định của hệ số đường dẫn. Nếu mô hình đã tạo từ trước, hãy lưu một bản dự án trước khi chạy từng lần bootstrap để còn truy lại thiết lập.
Các bước thực hiện trong SmartPLS 4
Các tên nút dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có thể đặt một số mục ở vị trí khác, vì vậy bạn không nên đối chiếu máy móc từng ảnh chụp màn hình giữa hai phiên bản.
Bước 1: Mở dự án và kiểm tra mô hình
Mở project, chọn mô hình PLS-SEM cần phân tích rồi kiểm tra các mũi tên giữa construct. Một giả thuyết phải tương ứng với một quan hệ có hướng trong structural model. Nếu H1 nói X tác động đến Y nhưng mũi tên lại đi từ Y sang X, P Values có thể vẫn hiện ra nhưng ý nghĩa giả thuyết đã bị đảo.
Chạy Calculate > PLS-SEM Algorithm trước. Ở kết quả này, xem Outer Loadings, Path Coefficients, R Square và các chỉ số cần thiết của measurement model. Bootstrap không sửa được một mô hình vẽ sai hoặc dữ liệu nhập sai.
Bước 2: Mở chức năng Bootstrapping
Từ cửa sổ mô hình, chọn Calculate > Bootstrapping. SmartPLS 4 sẽ mở hộp thoại thiết lập. Bạn cần chọn số bootstrap subsamples, loại kiểm định và cách xử lý dấu của construct nếu tùy chọn này xuất hiện trong phiên bản đang dùng.
Theo hướng dẫn báo cáo PLS-SEM, có thể sử dụng 5.000 bootstrap subsamples (Hair và cộng sự, 2022). Nếu giảng viên đã quy định số lần lặp khác, hãy ghi đúng thiết lập thực tế và không thay đổi số lần chạy chỉ để làm P Values đẹp hơn.
Bước 3: Chọn kiểm định hai phía hoặc một phía
Ở mục Test Type, chọn Two Tailed khi giả thuyết của bạn chỉ nói có tác động, chưa xác định chắc chiều tác động từ trước. Với One Tailed, bạn phải có cơ sở lý thuyết rõ ràng cho chiều tác động và giả thuyết phải được viết theo hướng đó.
Mức ý nghĩa thường được đặt ở 0.05. Bạn cần thống nhất giữa mức ý nghĩa, loại kiểm định và cách diễn giải trong chương 3. Đừng chạy hai phía rồi báo cáo như kiểm định một phía vì kết quả p-value có thể khác.
Bước 4: Chọn khoảng tin cậy bootstrap
SmartPLS có thể hiển thị các loại confidence interval, trong đó thường gặp là percentile và bias-corrected. Khi báo cáo, hãy ghi rõ loại khoảng tin cậy nếu bạn sử dụng nó để kết luận. Một quan hệ có ý nghĩa thường được xem xét thêm qua việc khoảng tin cậy của hệ số không chứa 0.
Khoảng tin cậy bootstrap cho bạn thêm thông tin về sự ổn định của ước lượng. P Values nhỏ nhưng khoảng tin cậy rộng vẫn cần được trình bày thận trọng, đặc biệt khi cỡ mẫu không lớn hoặc mô hình có nhiều đường dẫn.
Bước 5: Chạy và lưu kết quả
Nhấn Start Calculation hoặc nút chạy tương ứng trong hộp thoại SmartPLS 4. Khi hoàn tất, mở phần Final Results rồi vào Bootstrapping > Path Coefficients. Bạn có thể xuất bảng sang Excel để đối chiếu với danh sách giả thuyết.
Lưu lại số subsamples, Test Type, mức ý nghĩa, loại confidence interval và ngày chạy. Nếu loại một indicator rồi chạy lại, hãy tạo tên file hoặc ghi chú riêng. EFA hay PLS-SEM hiếm khi ra đúng hình dạng bạn muốn ở lần đầu, nhưng việc loại biến phải dựa trên lý do phương pháp và được ghi lại, không dựa riêng vào P Values.
Đọc bảng kết quả
Bảng quan trọng nhất để kiểm định các quan hệ trực tiếp là Path Coefficients. Bạn đọc theo thứ tự: xác định đường dẫn, xem dấu và độ lớn của Original Sample (O), kiểm tra T Statistics, P Values, sau đó xem confidence interval.
Bảng Path Coefficients, số liệu minh họa:
| Quan hệ | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values | Kết luận minh họa |
|---|---|---|---|---|---|---|
| CHATLUONG → HAILONG | 0.326 | 0.329 | 0.071 | 4.592 | 0.000 | Ủng hộ H1, tác động cùng chiều |
| GIATRI → HAILONG | 0.118 | 0.121 | 0.082 | 1.439 | 0.150 | Không đủ bằng chứng ủng hộ H2 |
| HAILONG → TRUNGTAM | 0.471 | 0.468 | 0.064 | 7.359 | 0.000 | Ủng hộ H3, tác động cùng chiều |
| NIEMTIN → TRUNGTAM | -0.204 | -0.198 | 0.091 | 2.242 | 0.025 | Có ý nghĩa, chiều tác động ngược |
Ở dòng CHATLUONG → HAILONG, hệ số 0.326 mang dấu dương, T Statistics cao và P Values được hiển thị là 0.000. Cách viết thận trọng là p < 0.001, không viết p = 0.000. Nếu H1 dự đoán tác động cùng chiều, kết quả này phù hợp với hướng giả thuyết.
Ở dòng GIATRI → HAILONG, p-value minh họa là 0.150. Với mức ý nghĩa 5%, bạn chưa có đủ bằng chứng thống kê để bác bỏ H0. Bạn không nên viết rằng Giá trị chắc chắn không có tác động, vì kết luận thống kê ở đây chỉ nói dữ liệu chưa cung cấp bằng chứng đủ mạnh theo ngưỡng đã chọn.
P Values cần được đọc cùng Original Sample (O). Một p-value nhỏ với hệ số âm cho thấy quan hệ có ý nghĩa nhưng ngược hướng giả thuyết cùng chiều. Khi đó, giả thuyết có thể bị bác bỏ hoặc cần diễn giải theo chiều âm, tùy câu chữ H1 và cơ sở lý thuyết.
Bạn có thể xem thêm phần Path Coefficient trong SmartPLS để phân biệt hệ số đường dẫn với p-value. Với tác động của một biến lên biến phụ thuộc, hãy đọc thêm R²; với mức đóng góp riêng của một biến dự báo, xem f² trong f² trong SmartPLS.
Ngưỡng đánh giá
Bảng dưới đây tập trung vào nhóm chỉ số thường dùng trong PLS-SEM. Mỗi ngưỡng đều đi kèm nguồn, vì một con số đứng riêng trong luận văn rất khó giải trình khi hội đồng hỏi bạn lấy từ đâu.
| Chỉ số hoặc quyết định | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| P Values của đường dẫn | Nhỏ hơn 0.05 khi chọn mức ý nghĩa 5% | (Hair và cộng sự, 2022) |
| Khoảng tin cậy của indirect effect | Không chứa 0 | (Preacher và Hayes, 2008) |
| Outer loading | Từ 0.7 trở lên | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| 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) hoặc (Hair và cộng sự, 2022) |
Ngưỡng p-value chỉ là quy tắc ra quyết định, không phải thước đo duy nhất của giá trị nghiên cứu. Một tác động có p-value dưới 0.05 nhưng hệ số rất nhỏ vẫn cần được bàn về ý nghĩa thực tiễn. Ngược lại, p-value lớn có thể liên quan đến cỡ mẫu, độ phân tán dữ liệu hoặc sai số đo lường.
Bạn cần giữ sạch họ chỉ số PLS-SEM. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM, không nên đưa vào quy trình đánh giá SmartPLS như thể chúng là cùng một bộ tiêu chí (Hu và Bentler, 1999). Nếu cần kiểm tra đa cộng tuyến trong SmartPLS 4, xem hướng dẫn cách chạy VIF SmartPLS 4.
Cách trình bày trong chương 4
Phần kết quả nên có bảng tổng hợp giả thuyết, trong đó nêu đường dẫn, hệ số, t-value, p-value và kết luận. Bạn không cần chụp toàn bộ giao diện SmartPLS nếu bảng đã đủ thông tin, nhưng nên lưu output gốc để đối chiếu khi được hỏi.
Cách viết vào luận văn: Với các placeholder dưới đây, bạn thay bằng số liệu thật trong file của mình:
“Bootstrapping với [số subsamples] mẫu lặp được thực hiện để kiểm định các quan hệ trong mô hình. Kết quả cho thấy [biến độc lập] tác động [cùng chiều/ngược chiều] đến [biến phụ thuộc] với hệ số đường dẫn β = [hệ số O], t = [T Statistics], p [< hoặc =] [p-value đã làm tròn]. Do p [nhỏ/lớn] hơn 0.05, giả thuyết [H1] được [ủng hộ/không được ủng hộ].”
Khi p-value hiển thị là 0.000, câu mẫu nên dùng p < 0.001. Nếu báo cáo confidence interval, thêm câu: “Khoảng tin cậy bootstrap [loại khoảng tin cậy] ở mức [95%] của hệ số là [cận dưới, cận trên], không chứa 0.” Chỉ điền khoảng này sau khi kiểm tra đúng dòng và đúng loại interval trong SmartPLS.
Bảng tổng hợp nên giữ cùng số chữ số thập phân giữa các dòng. Bạn có thể làm tròn hệ số và t-value đến ba chữ số, nhưng phải dùng một quy tắc nhất quán. Phần thảo luận cần nối kết quả với giả thuyết và nghiên cứu nền tảng, không chỉ lặp lại rằng p nhỏ hơn 0.05.
Lỗi thường gặp
Nhầm P Values với Original Sample
Original Sample (O) là ước lượng hệ số đường dẫn, còn P Values phản ánh bằng chứng chống lại giả thuyết hệ số bằng 0. Một đường dẫn có O dương nhưng p lớn chưa đủ để kết luận giả thuyết được ủng hộ.
Viết p = 0.000
SmartPLS làm tròn số rất nhỏ thành 0.000. Hãy viết p < 0.001 và giữ nguyên thông tin rằng phần mềm hiển thị 0.000 trong bảng dữ liệu gốc.
Đổi Test Type sau khi xem kết quả
Chọn one-tailed chỉ vì two-tailed không đạt là lỗi về logic nghiên cứu. Loại kiểm định phải được quyết định từ giả thuyết và thiết kế phân tích, trước khi bạn nhìn kết quả cuối cùng.
Chỉ nhìn p-value mà bỏ qua dấu âm
Nếu H1 dự đoán tác động cùng chiều nhưng O = -0.204, p = 0.025, quan hệ có ý nghĩa thống kê nhưng không ủng hộ hướng H1. Bạn phải nói rõ cả hai phần này.
Báo cáo thiếu cấu hình bootstrap
Không ghi số subsamples, loại kiểm định và confidence interval khiến người đọc khó tái lập kết quả. Hãy lưu một ảnh hoặc file xuất kết quả, đồng thời ghi các thiết lập trong nhật ký phân tích.
Dùng ngưỡng của CB-SEM cho SmartPLS
Đưa CFI, TLI hoặc RMSEA vào bảng tiêu chí SmartPLS làm lẫn hai trường phái SEM. Với PLS-SEM, hãy tập trung vào measurement model, structural model, path coefficients, R², f², Q² và kiểm tra collinearity phù hợp.
Câu hỏi thường gặp
P value trong SmartPLS bao nhiêu là đạt
Nếu bạn chọn mức ý nghĩa 5%, p-value nhỏ hơn 0.05 thường được dùng để bác bỏ H0 của đường dẫn. Tuy nhiên, cần đọc cùng dấu của Original Sample, khoảng tin cậy và hướng giả thuyết. Ngưỡng này không tự động chứng minh tác động có ý nghĩa thực tiễn.
SmartPLS hiện P Values là 0.000 thì viết thế nào
Bạn viết p < 0.001, không viết p = 0.000. Đây là giá trị đã được phần mềm làm tròn khi hiển thị. Trong bảng phụ lục, bạn có thể giữ cách hiển thị của SmartPLS và giải thích quy ước này trong phần phương pháp hoặc chú thích bảng.
P value lớn hơn 0.05 có phải giả thuyết sai không
P-value lớn hơn 0.05 cho thấy dữ liệu chưa cung cấp đủ bằng chứng để bác bỏ H0 ở mức ý nghĩa 5%. Khi viết, dùng “giả thuyết không được ủng hộ” sẽ thận trọng hơn câu “giả thuyết chắc chắn sai”. Bạn cũng nên kiểm tra cỡ mẫu, chất lượng thang đo, VIF và cách đặc tả mô hình.
Có cần xem T Statistics khi đã có P Values không
Có. T Statistics giúp bạn kiểm tra mức độ tách khỏi 0 của ước lượng, còn P Values hỗ trợ quyết định theo mức ý nghĩa. Hai cột thường được đọc cùng nhau, nhưng không thay thế cho Original Sample và confidence interval.
Nên chọn bootstrap một phía hay hai phía
Chọn Two Tailed khi giả thuyết chỉ nêu có quan hệ hoặc khi bạn chưa có lập luận đủ rõ về chiều tác động. Chọn One Tailed chỉ khi chiều tác động đã được xác định trước bằng lý thuyết và cách viết giả thuyết phù hợp. Không nên chọn loại kiểm định sau khi đã thấy kết quả để làm p-value nhỏ hơn.
Sau khi kiểm tra lại đúng đường dẫn, thiết lập Bootstrapping và bảng Path Coefficients, bạn hãy xuất bảng kết quả thật, đối chiếu từng giả thuyết và điền các placeholder trong đoạn mẫu vào chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích dữ liệu bằng SPSS và SmartPLS là module phù hợp để kiểm tra quy trình và chuyển output thành kết quả có thể giải trình.