Partial Least Squares là gì? Cách đọc kết quả PLS-SEM
Partial Least Squares là gì
Partial Least Squares, thường viết tắt là PLS, là một phương pháp ước lượng mô hình quan hệ giữa các biến, đặc biệt phù hợp khi mô hình có biến tiềm ẩn được đo bằng nhiều biến quan sát. Trong luận văn, bạn thường gặp PLS trong cụm PLS-SEM, tức Partial Least Squares Structural Equation Modeling. PLS-SEM dùng dữ liệu từ bảng hỏi để đánh giá đồng thời hai phần: mô hình đo lường và mô hình cấu trúc.
Bạn có thể hình dung quy trình như sau. Các biến quan sát, chẳng hạn như DT1, DT2, DT3, được dùng để đo một biến tiềm ẩn như chất lượng dịch vụ. Sau đó, SmartPLS ước lượng đường tác động từ biến này sang biến khác, chẳng hạn chất lượng dịch vụ tác động đến sự hài lòng. Kết quả thường gồm outer loading, Cronbach's Alpha, Composite Reliability, AVE, HTMT, VIF, path coefficient, R², f² và Q².
Một mô hình PLS-SEM có thể biểu diễn khái quát bằng phương trình cấu trúc:
Y = β1X1 + β2X2 + ... + βkXk + ζ
Trong đó, Y là biến nội sinh, X là các biến dự báo, β là path coefficient và ζ là phần sai số. PLS không chỉ cho bạn biết một tác động có tồn tại hay không. Nó còn cho biết mức độ giải thích của mô hình đối với biến nội sinh thông qua R² và khả năng dự đoán thông qua Q².
Nếu bạn mới làm quen với SmartPLS, có thể xem thêm bài PLS-SEM là gì và trang tổng hợp chủ đề SmartPLS để đặt thuật ngữ này vào toàn bộ quy trình phân tích.
Ý nghĩa của Partial Least Squares trong nghiên cứu định lượng
PLS-SEM giúp bạn trả lời ba nhóm câu hỏi trong luận văn. Thứ nhất, thang đo có đo đúng khái niệm cần đo không. Đây là phần đánh giá mô hình đo lường, gồm outer loading, độ tin cậy, giá trị hội tụ và giá trị phân biệt.
Thứ hai, các giả thuyết trong mô hình có được dữ liệu ủng hộ không. Bạn sẽ xem path coefficient, t-statistics, p-value hoặc khoảng tin cậy từ bootstrapping. Ví dụ, giả thuyết H1 cho rằng chất lượng dịch vụ tác động dương đến sự hài lòng. Đường dẫn từ CLDV đến SHL có hệ số dương và p-value đạt mức bạn chọn thì dữ liệu ủng hộ H1.
Thứ ba, mô hình giải thích và dự đoán biến kết quả ở mức nào. R² cho biết tỷ lệ biến thiên của biến nội sinh được các biến dự báo trong mô hình giải thích. Q² được dùng để xem mô hình có liên quan dự đoán đối với một cấu trúc nội sinh hay không. Vì vậy, PLS-SEM thường được chọn khi mục tiêu của đề tài thiên về giải thích phương sai và dự đoán.
PLS-SEM cũng cho phép bạn xử lý mô hình có nhiều biến tiềm ẩn, nhiều biến quan sát và quan hệ trung gian hoặc điều tiết. Tuy nhiên, nhiều cấu trúc phức tạp không tự động làm cho PLS là lựa chọn đúng. Bạn vẫn phải xác định rõ mô hình lý thuyết, cách đo lường và giả thuyết trước khi mở SmartPLS.
Nếu bạn đang nhầm giữa SEM, CB-SEM và PLS-SEM, bài SEM là gì và bài về mô hình SEM sẽ giúp phân biệt phần khái niệm trước khi đi vào output.
Partial Least Squares bao nhiêu là đạt
Không có một con số duy nhất để kết luận toàn bộ mô hình PLS-SEM đạt hay không. Bạn cần đánh giá lần lượt mô hình đo lường, mô hình cấu trúc và ý nghĩa của từng giả thuyết. Bảng dưới đây là các ngưỡng thường được dùng, kèm nguồn để bạn có thể giải trình trong luận văn.
| Chỉ số hoặc tiêu chí | Ngưỡng tham khảo | Ý nghĩa khi đọc kết quả | Nguồn |
|---|---|---|---|
| Outer loading | Từ 0.7 trở lên | Biến quan sát có mức đại diện tốt cho biến tiềm ẩn | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Composite Reliability | Từ 0.7 trở lên | Độ tin cậy tổng hợp của thang đo | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | Giá trị hội tụ của biến tiềm ẩn | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | Giá trị phân biệt giữa các cấu trúc | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | Không có đa cộng tuyến nghiêm trọng | (Hair và cộng sự, 2019) |
| R² | 0.75 cao, 0.50 trung bình, 0.25 yếu | Mức độ giải thích biến nội sinh | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | Mức đóng góp của một biến dự báo | (Cohen, 1988) |
| Q² | Lớn hơn 0 | Có liên quan dự đoán | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Số lần bootstrap | 5.000 mẫu lặp | Thiết lập thường dùng để suy luận ổn định hơn | (Hair và cộng sự, 2022) |
Các ngưỡng trên là điểm tham chiếu, không phải lý do để xóa biến máy móc. Outer loading thấp có thể gợi ý biến quan sát chưa đại diện tốt, nhưng quyết định loại biến còn phụ thuộc vào nội dung thang đo, CR, AVE và giá trị phân biệt. Bạn cần ghi lại từng lần điều chỉnh để khi giảng viên hỏi, bạn giải thích được vì sao biến bị loại.
PLS-SEM không dùng CFI, TLI và RMSEA theo cách của CB-SEM. Các chỉ số này gắn với đánh giá độ phù hợp mô hình hiệp phương sai và nguồn (Hu và Bentler, 1999) chỉ áp dụng cho CB-SEM. Đưa chúng vào bảng đánh giá SmartPLS mà không giải thích sẽ làm lẫn hai họ phương pháp.
Cách đọc Partial Least Squares trên output
Trong SmartPLS 4, bạn thường chạy mô hình theo hai vòng. Vòng đầu là đánh giá mô hình đo lường. Vòng sau là đánh giá mô hình cấu trúc sau khi thang đo đạt mức chấp nhận được. Hãy đọc đúng tên bảng thay vì chỉ nhìn màu xanh hoặc đỏ trên sơ đồ.
Đọc bảng Outer Loadings và chất lượng thang đo
Bảng Outer Loadings cho biết mỗi biến quan sát tải lên biến tiềm ẩn nào và có hệ số bao nhiêu. Bảng Construct Reliability and Validity thường hiển thị Cronbach's Alpha, rho_A, Composite Reliability và AVE. Bảng Discriminant Validity có thể hiển thị HTMT và tiêu chí Fornell-Larcker tùy phiên bản SmartPLS 4.
Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
| Construct | Indicator | Outer Loadings | Cronbach's Alpha | Composite Reliability | AVE | HTMT cao nhất |
|---|---|---|---|---|---|---|
| Chất lượng dịch vụ | CLDV1 | 0.812 | 0.861 | 0.906 | 0.706 | 0.781 |
| Chất lượng dịch vụ | CLDV2 | 0.846 | 0.861 | 0.906 | 0.706 | 0.781 |
| Chất lượng dịch vụ | CLDV3 | 0.845 | 0.861 | 0.906 | 0.706 | 0.781 |
| Sự hài lòng | SHL1 | 0.784 | 0.824 | 0.889 | 0.727 | 0.781 |
| Sự hài lòng | SHL2 | 0.881 | 0.824 | 0.889 | 0.727 | 0.781 |
| Sự hài lòng | SHL3 | 0.876 | 0.824 | 0.889 | 0.727 | 0.781 |
Với bảng minh họa này, các outer loading đều vượt 0.7, Composite Reliability vượt 0.7 và AVE vượt 0.5. HTMT cao nhất là 0.781, thấp hơn 0.85. Bạn vẫn cần xem ma trận HTMT đầy đủ giữa tất cả cặp cấu trúc, không chỉ lấy một con số đẹp nhất để báo cáo.
Đọc bảng Path Coefficients và R-Square
Bảng Path Coefficients thường có các cột Original Sample (O), Sample Mean (M), Standard Deviation (STDEV), T Statistics và P Values sau khi chạy bootstrapping. Cột Original Sample là hệ số đường dẫn ước lượng từ mẫu. Dấu dương hoặc âm cho biết chiều tác động.
Bảng dưới đây cũng là số liệu minh họa.
| Path | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|
| CLDV → SHL | 0.438 | 0.441 | 0.071 | 6.169 | 0.000 |
| SHL → LTT | 0.527 | 0.529 | 0.064 | 8.234 | 0.000 |
| CLDV → LTT | 0.186 | 0.188 | 0.082 | 2.268 | 0.023 |
Nếu đây là kết quả thật và bạn chọn mức ý nghĩa 5%, cả ba đường dẫn đều có p-value nhỏ hơn 0.05. Khi đó, bạn có thể nói dữ liệu ủng hộ các tác động tương ứng. Tuy nhiên, bảng minh họa không được đưa vào chương 4 như kết quả nghiên cứu của bạn.
Tiếp theo, mở R-Square để xem mức độ giải thích của từng biến nội sinh. Nếu SHL có R² bằng 0.420, các biến dự báo trong mô hình giải thích 42.0% phương sai của sự hài lòng. Bạn không nên viết rằng mô hình giải thích 42.0% mọi hành vi của người trả lời, vì R² chỉ thuộc về biến nội sinh và mẫu dữ liệu đang phân tích.
Khi Partial Least Squares không đạt thì xử lý thế nào
Trước tiên, xác định chỉ số nào không đạt và nó thuộc mô hình đo lường hay mô hình cấu trúc. Nếu outer loading thấp, kiểm tra lại mã biến, biến đảo chiều và cách nhập dữ liệu. Một biến đảo chiều chưa được recode có thể làm tương quan giữa các biến quan sát bị sai.
Tiếp theo, xem xét loại biến có loading thấp nếu việc loại biến có cơ sở về thống kê và nội dung. Sau mỗi lần loại, chạy lại mô hình, kiểm tra CR, AVE, HTMT và nội dung còn lại của thang đo. Không nên xóa liên tiếp nhiều biến chỉ để bảng kết quả có màu xanh, vì thang đo sau đó có thể mất nội dung quan trọng.
Nếu HTMT cao, kiểm tra xem hai biến tiềm ẩn có đang đo cùng một khái niệm hay không. Bạn có thể xem lại câu chữ của biến quan sát, kiểm tra lỗi nhập dữ liệu và cân nhắc cơ sở lý thuyết. Gộp hai cấu trúc hoặc đổi mô hình là quyết định nghiên cứu, không phải thao tác kỹ thuật nên làm chỉ vì một ngưỡng.
Nếu VIF cao, xem các biến dự báo có trùng lặp nội dung hay không. Với R² thấp, đừng tự động kết luận mô hình thất bại. R² phụ thuộc vào bối cảnh, biến kết quả và các biến dự báo đã đưa vào mô hình. Hãy báo cáo trung thực, xem thêm f², Q² và ý nghĩa lý thuyết của đường dẫn.
Khi một giả thuyết không có ý nghĩa thống kê, bạn giữ nguyên kết quả và kết luận giả thuyết không được ủng hộ. Việc đổi dấu dữ liệu, xóa người trả lời chỉ vì họ làm p-value tăng, hoặc chạy lại cho đến khi có ý nghĩa là những cách giải trình rất khó bảo vệ.
Phân biệt Partial Least Squares với CB-SEM
PLS-SEM và CB-SEM đều thuộc nhóm mô hình phương trình cấu trúc, nhưng mục tiêu và cách đánh giá khác nhau. PLS-SEM tập trung vào giải thích phương sai và dự đoán các biến nội sinh. CB-SEM thường tập trung vào mức độ phù hợp giữa ma trận hiệp phương sai quan sát và mô hình lý thuyết.
| Nội dung | PLS-SEM | CB-SEM |
|---|---|---|
| Mục tiêu thường gặp | Dự đoán và giải thích phương sai | Kiểm định mô hình lý thuyết và độ phù hợp tổng thể |
| Phần mềm thường gặp | SmartPLS | AMOS, LISREL, Mplus hoặc R |
| Chỉ số thường báo cáo | Outer loading, CR, AVE, HTMT, R², f², Q² | CFI, TLI, RMSEA, SRMR và các chỉ số phù hợp khác |
| Cỡ mẫu và phân phối | Vẫn phải kiểm tra dữ liệu, thường linh hoạt hơn trong một số thiết kế | Thường đòi hỏi chú ý chặt hơn đến giả định và cỡ mẫu |
| Logic đánh giá | Đo lường trước, cấu trúc sau | Đánh giá mô hình theo khung CB-SEM phù hợp |
Bạn chọn PLS-SEM khi câu hỏi nghiên cứu nhấn mạnh dự đoán, mô hình có nhiều cấu trúc hoặc mục tiêu là giải thích biến nội sinh trong bối cảnh ứng dụng. Bạn cân nhắc CB-SEM khi đề tài cần kiểm định chặt chẽ một mô hình lý thuyết đã xác lập và cần báo cáo fit indices.
Việc chọn phần mềm cũng ảnh hưởng đến cách viết chương 4. SmartPLS không biến một mô hình thiếu cơ sở lý thuyết thành mô hình tốt. Ngược lại, AMOS không tự sửa được bảng hỏi, dữ liệu thiếu hoặc các biến quan sát đo sai khái niệm.
Lỗi thường gặp
Lỗi đầu tiên là gọi mọi phân tích trên SmartPLS là PLS-SEM. Bạn cần có mô hình đo lường, mô hình cấu trúc và các cấu trúc được nối bằng giả thuyết. Nếu chỉ tính trung bình các biến rồi chạy hồi quy, đó là một quy trình khác.
Lỗi thứ hai là báo cáo mỗi path coefficient và p-value nhưng bỏ qua chất lượng thang đo. Hội đồng có thể hỏi vì sao bạn tin vào tác động giữa hai biến khi outer loading, AVE hoặc HTMT chưa được đánh giá.
Lỗi thứ ba là dùng nhầm chỉ số của CB-SEM. CFI, TLI và RMSEA không phải bộ tiêu chí mặc định để kết luận mô hình SmartPLS đạt. Hãy tách rõ phần đo lường, phần cấu trúc và phương pháp bạn đã sử dụng.
Lỗi thứ tư là chỉ chụp sơ đồ SmartPLS rồi đưa vào luận văn. Sơ đồ giúp người đọc nhìn quan hệ giữa các biến, nhưng không thay thế bảng kết quả. Chương 4 nên có bảng outer loading, độ tin cậy, giá trị hội tụ, giá trị phân biệt, VIF, R², path coefficients và kết quả bootstrapping phù hợp với mô hình.
Câu hỏi thường gặp
Partial Least Squares là gì và PLS-SEM có giống nhau không?
Partial Least Squares là phương pháp ước lượng. PLS-SEM là cách dùng phương pháp đó trong mô hình phương trình cấu trúc, gồm mô hình đo lường và mô hình cấu trúc. Trong cách nói thực tế của sinh viên, hai cụm thường được dùng gần như tương đương khi họ nói về việc chạy mô hình trên SmartPLS.
Chạy phân tích mô hình ước lượng SmartPLS gồm những bước nào?
Bạn nhập dữ liệu .csv, vẽ mô hình, gán biến quan sát cho biến tiềm ẩn, chạy PLS-SEM Algorithm, đánh giá mô hình đo lường, sau đó chạy Bootstrapping. Nếu mô hình có yêu cầu dự đoán, bạn có thể xem thêm kết quả liên quan đến Q² hoặc thủ tục dự đoán mà phiên bản SmartPLS bạn dùng hỗ trợ.
PLS-SEM bao nhiêu là đạt?
Không có một điểm tổng duy nhất. Một mô hình thường được xem xét qua outer loading, Composite Reliability, AVE, HTMT, VIF, R², f², Q² và ý nghĩa của path coefficient. Chẳng hạn, CR từ 0.7, AVE từ 0.5 và HTMT dưới 0.85 là các ngưỡng tham khảo có nguồn, nhưng bạn vẫn phải giải thích theo thang đo và mô hình cụ thể.
PLS-SEM có cần dữ liệu phân phối chuẩn không?
PLS-SEM thường được chọn vì ít phụ thuộc hơn vào giả định phân phối chuẩn so với một số cách tiếp cận CB-SEM. Điều đó không có nghĩa dữ liệu có thể sai định dạng, chứa quá nhiều giá trị thiếu hoặc có người trả lời bất thường mà vẫn chạy được. Bạn vẫn cần làm sạch dữ liệu, kiểm tra mã hóa và giải thích cách xử lý trước khi chạy SmartPLS.
PLS-SEM và hồi quy tuyến tính khác nhau thế nào?
Hồi quy thường sử dụng các biến quan sát hoặc điểm tổng hợp đã tính sẵn. PLS-SEM cho phép mô hình hóa biến tiềm ẩn qua nhiều biến quan sát và đánh giá đồng thời phần đo lường với phần cấu trúc. Nếu đề tài chỉ có các biến độc lập và phụ thuộc đã tổng hợp, hồi quy SPSS có thể là lựa chọn phù hợp hơn, tùy câu hỏi nghiên cứu.
Bạn hãy mở file dữ liệu của mình, kiểm tra tên biến và vẽ lại mô hình trước khi chạy PLS-SEM Algorithm, sau đó đối chiếu từng bảng với ngưỡng và nguồn trong bài. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và biết cách trình bày kết quả, xem module M4 phân tích dữ liệu.