Path coefficient trong SmartPLS: cách đọc và đánh giá
Path coefficient trong SmartPLS dùng để làm gì
Bạn mở SmartPLS lên, chạy mô hình cấu trúc và thấy bảng Path Coefficients xuất hiện với các cột Original Sample (O), Sample Mean (M), Standard Deviation (STDEV), T Statistics và P Values. Con số bạn đang tìm là Original Sample (O). Đây chính là path coefficient, thường được ký hiệu là β, cho biết chiều và mức độ liên hệ ước lượng giữa một biến tiềm ẩn nguyên nhân với một biến tiềm ẩn kết quả.
Ví dụ, mô hình có đường CLDV -> HL, trong đó CLDV là chất lượng dịch vụ và HL là sự hài lòng. Nếu path coefficient bằng 0.42, mối quan hệ ước lượng có chiều dương. Khi chất lượng dịch vụ tăng, sự hài lòng có xu hướng tăng theo mô hình của bạn. Con số 0.42 không tự nó chứng minh giả thuyết được chấp nhận. Bạn còn phải xem T Statistics, P Values, khoảng tin cậy từ bootstrapping và bối cảnh lý thuyết.
Path coefficient thuộc phần đánh giá structural model. Nó khác với outer loading, vốn cho biết một biến quan sát phản ánh biến tiềm ẩn tốt đến đâu. Nó cũng khác với R², là tỷ lệ biến thiên của biến nội sinh được các biến dự báo giải thích. Nếu bạn đang kiểm tra ảnh hưởng của nhiều biến độc lập, nên đọc thêm hướng dẫn về R square trong SmartPLS để không nhầm β với mức độ giải thích của toàn mô hình.
Chuẩn bị mô hình và dữ liệu
Trước khi đọc path coefficient, bạn cần bảo đảm mô hình đo lường và mô hình cấu trúc được dựng đúng. Measurement model nối biến tiềm ẩn với các indicator, chẳng hạn CLDV1, CLDV2, CLDV3. Structural model nối các biến tiềm ẩn với nhau bằng mũi tên giả thuyết, chẳng hạn CLDV -> HL.
Tên indicator nên ngắn, không có khoảng trắng, dấu tiếng Việt hoặc ký tự đặc biệt. Trong file .csv, mỗi dòng thường là một người trả lời và mỗi cột là một biến quan sát. Dòng đầu tiên chứa tên biến. Các ô dữ liệu phải là số theo cùng một quy ước, chẳng hạn Likert từ 1 đến 5. Nếu có biến đảo chiều, bạn xử lý trước khi nhập hoặc ghi rõ quy tắc mã hóa để không làm sai hướng của path coefficient.
SmartPLS có thể nhập .csv, nhưng lỗi dấu phân cách, ô trống và ký tự thừa vẫn làm kết quả sai. Trước khi import, hãy kiểm tra số dòng, tên cột, giá trị thiếu và các cột không liên quan như thời gian gửi bảng hỏi. Nếu dữ liệu đã được xử lý trong SPSS, hãy xuất một bản .csv riêng cho SmartPLS, giữ nguyên file .sav gốc để có thể đối chiếu.
Bạn cũng cần kiểm tra collinearity trước khi diễn giải các đường dẫn. VIF quá cao có thể làm hệ số đường dẫn không ổn định. Có thể xem hướng dẫn VIF là gì và cách chạy VIF trong SmartPLS 4 trước khi kết luận về tác động của biến độc lập.
Các bước thực hiện trong SmartPLS 4
Các bước dưới đây dùng cho SmartPLS 4. Một số tên nút và vị trí menu khác SmartPLS 3, vì vậy bạn không nên đối chiếu máy móc với ảnh chụp của phiên bản cũ.
Bước 1: Tạo project và nhập file dữ liệu
Mở SmartPLS 4, tạo project mới rồi chọn nhập dữ liệu. Chọn file .csv đã chuẩn bị. Sau khi import, mở phần dữ liệu để kiểm tra số quan sát, tên indicator và kiểu dữ liệu. Nếu SmartPLS báo lỗi, xử lý file nguồn trước, không nên cố chạy mô hình trên một file chưa biết có bao nhiêu giá trị thiếu.
Bước 2: Tạo mô hình đo lường
Tạo các construct bằng cách kéo indicator vào từng biến tiềm ẩn. Kiểm tra lại mã biến. Một indicator gắn nhầm construct có thể làm thay đổi outer loading, CR, AVE và cả path coefficient ở structural model.
Với construct reflective, mũi tên thường đi từ construct đến indicator theo quy ước của phần mềm. Với construct formative, hướng diễn giải và tiêu chí đánh giá khác. Bạn cần xác định loại measurement model từ mô hình lý thuyết trước khi chạy, thay vì chọn loại mô hình chỉ vì kết quả đẹp hơn.
Bước 3: Vẽ các đường dẫn giả thuyết
Dùng công cụ nối construct để vẽ mũi tên theo từng giả thuyết. Ví dụ, H1 có thể là CLDV -> HL, H2 là GT -> HL, trong đó GT là giá trị cảm nhận. Kiểm tra chiều mũi tên và tên construct bằng cách đối chiếu với sơ đồ nghiên cứu.
Mỗi path coefficient phải trả lời được một câu hỏi nghiên cứu cụ thể. Nếu có biến trung gian, mô hình cần có cả đường từ biến nguyên nhân đến mediator và từ mediator đến biến kết quả. Đừng xóa một đường chỉ vì p-value chưa đạt, nếu đường đó đã được nêu trong mô hình và giả thuyết ban đầu.
Bước 4: Chạy PLS-SEM Algorithm
Chọn mô hình, mở thao tác chạy và chọn PLS-SEM Algorithm. Giữ các thiết lập mặc định nếu đề cương không yêu cầu khác, sau đó chạy mô hình. Kết quả bước này cho bạn hệ số ước lượng ban đầu, outer loading, CR, AVE, R² và các bảng liên quan.
Ở vòng đầu, hãy đánh giá measurement model trước. Xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity và VIF. Path coefficient của một mô hình có thang đo chưa đạt chỉ nên xem là kết quả tạm thời.
Bước 5: Chạy bootstrapping
Chọn Bootstrapping trong SmartPLS 4. Phần cài đặt cho phép chọn số subsamples, loại kiểm định và khoảng tin cậy. Theo hướng dẫn PLS-SEM hiện hành, có thể dùng 5.000 bootstrap subsamples (Hair và cộng sự, 2022). Chọn kiểm định hai phía nếu giả thuyết của bạn không quy định trước một chiều, rồi chạy bootstrapping.
Sau khi chạy xong, mở bảng Path Coefficients trong kết quả bootstrapping. Đây là nơi bạn xem T Statistics, P Values và khoảng tin cậy, thay vì chỉ nhìn vào con số β trong sơ đồ mô hình.
Bước 6: Xuất và lưu kết quả
Lưu project, đặt tên cho từng lần chạy và xuất các bảng cần đưa vào chương 4. Bạn nên lưu riêng kết quả trước và sau khi loại indicator, nếu có điều chỉnh. Việc này giúp bạn giải trình khi giảng viên hỏi vì sao hệ số ở bản cuối khác với lần chạy đầu.
Đọc bảng kết quả
Bảng Path Coefficients trong SmartPLS thường có các cột thể hiện ước lượng gốc, trung bình bootstrap, độ lệch chuẩn, t-value và p-value. Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
| Quan hệ | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values | Diễn giải minh họa |
|---|---|---|---|---|---|---|
| CLDV -> HL | 0.428 | 0.431 | 0.071 | 6.028 | 0.000 | Tác động dương, có ý nghĩa thống kê trong ví dụ |
| GT -> HL | 0.186 | 0.184 | 0.083 | 2.241 | 0.025 | Tác động dương, p-value dưới 0.05 trong ví dụ |
| DTC -> HL | -0.074 | -0.069 | 0.067 | 1.104 | 0.270 | Chưa có bằng chứng đủ để kết luận tác động trong ví dụ |
Original Sample (O) là hệ số path coefficient được báo cáo. Dấu dương cho thấy hai biến thay đổi cùng chiều trong mô hình, còn dấu âm cho thấy quan hệ ngược chiều. Độ lớn của β cần được đặt trong bối cảnh thang đo, dữ liệu và các đường dẫn còn lại. Không nên viết rằng β = 0.428 nghĩa là biến kết quả chắc chắn tăng 42.8 phần trăm, vì path coefficient không phải tỷ lệ phần trăm tăng trực tiếp.
T Statistics được tính từ hệ số và sai số chuẩn trong quá trình bootstrap. P Values giúp bạn đánh giá bằng chứng chống lại giả thuyết không có tác động, nhưng ngưỡng p-value cụ thể phải theo quy ước trong đề cương hoặc hướng dẫn của khoa. Khoảng tin cậy bootstrap không chứa 0 là một cách kiểm tra thường được dùng khi đánh giá tác động, đặc biệt với indirect effect (Preacher và Hayes, 2008).
Bạn cũng nên mở bảng R Square để biết biến nội sinh được giải thích ở mức nào, bảng f Square để xem đóng góp riêng của từng biến và bảng Construct Crossvalidated Redundancy hoặc Q² khi phù hợp. Hướng dẫn về f square trong SmartPLS giúp bạn tách câu hỏi “đường dẫn có ý nghĩa không” khỏi câu hỏi “đường dẫn đóng góp lớn đến đâu”.
Ngưỡng đánh giá
Không có một con số duy nhất đủ để quyết định một path coefficient tốt hay xấu. Bạn cần đánh giá cả dấu β, p-value hoặc khoảng tin cậy, độ lớn hiệu ứng, R², VIF và sự phù hợp với giả thuyết. Bảng dưới đây tổng hợp các ngưỡng thường được dùng trong PLS-SEM, kèm nguồn cho từng dòng.
| Chỉ số | Mốc tham khảo | Cách dùng khi đọc kết quả | Nguồn |
|---|---|---|---|
| Outer loading | Từ 0.7 trở lên | Đánh giá mức phản ánh của indicator trong mô hình reflective | (Chin, 1998) |
| CR | Từ 0.7 trở lên | Đánh giá độ tin cậy tổng hợp của construct | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | Đánh giá giá trị hội tụ | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | Đánh giá giá trị phân biệt | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | Kiểm tra collinearity trước khi diễn giải path coefficient | (Hair và cộng sự, 2019) |
| R² | 0.75 lớn, 0.50 vừa, 0.25 yếu | Đánh giá mức giải thích của mô hình đối với biến nội sinh | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | Đánh giá đóng góp của một biến dự báo | (Cohen, 1988) |
| Q² | Lớn hơn 0 | Đánh giá khả năng dự báo theo logic cross-validation | (Stone, 1974) |
| Bootstrap subsamples | 5.000 mẫu | Thiết lập số lần lấy mẫu lặp khi chạy bootstrapping | (Hair và cộng sự, 2022) |
Các mốc trong bảng là căn cứ tham khảo, không phải lý do để chỉnh dữ liệu cho đẹp. Đặc biệt, R² không phải tiêu chí thay thế cho kiểm định path coefficient. Một đường dẫn có p-value đạt vẫn có thể có f² nhỏ. Ngược lại, R² của biến kết quả có thể khá cao do nhiều đường dẫn cộng lại, dù một đường riêng lẻ không có ý nghĩa.
Bạn không đưa CFI, TLI hoặc RMSEA vào bảng đánh giá SmartPLS. Các chỉ số này thuộc nhóm CB-SEM và thường gắn với AMOS hoặc các phần mềm SEM hiệp phương sai. Nếu bài của bạn dùng SmartPLS, hãy giữ nhóm chỉ số nhất quán với PLS-SEM, gồm path coefficient, outer loading, CR, AVE, HTMT, VIF, R², f² và Q².
Cách trình bày trong chương 4
Bạn nên trình bày theo thứ tự: kết quả measurement model, collinearity, structural model, path coefficient và kết luận giả thuyết. Mỗi giả thuyết cần có mã, quan hệ giữa hai construct, β, t-value hoặc p-value, rồi mới kết luận chấp nhận hay không chấp nhận theo quy ước nghiên cứu.
Cách viết vào luận văn: “Kết quả bootstrapping cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có path coefficient bằng [β], t-value bằng [t] và p-value bằng [p]. Vì [p-value nhỏ hơn hoặc lớn hơn] [mức ý nghĩa], giả thuyết [H1] được [chấp nhận hoặc không được chấp nhận]. Dấu của hệ số cho thấy tác động [cùng chiều hoặc ngược chiều].”
Bạn thay toàn bộ phần trong ngoặc vuông bằng số liệu thật trong file của mình. Nếu dùng khoảng tin cậy, có thể thêm câu: “Khoảng tin cậy bootstrap [2.5%, 97.5%] là [cận dưới, cận trên] và [không chứa hoặc chứa] giá trị 0.” Đừng ghi p-value là 0 tuyệt đối khi SmartPLS hiển thị 0.000; nên viết p < 0.001 nếu bảng kết quả chỉ hiển thị ba chữ số thập phân.
Một bảng tóm tắt trong chương 4 có thể gồm mã giả thuyết, quan hệ, β, t-value, p-value và kết luận. Sau bảng, viết một đoạn giải thích những giả thuyết nổi bật, đường dẫn có dấu âm hoặc kết quả khác với kỳ vọng. Phần thảo luận lý do cần quay lại mô hình lý thuyết và bối cảnh dữ liệu, không chỉ lặp lại các con số.
Lỗi thường gặp
Lỗi đầu tiên là đọc hệ số trên mũi tên rồi kết luận ngay rằng giả thuyết được chấp nhận. β chỉ cho biết hướng và độ lớn ước lượng. Bạn cần xem kết quả bootstrapping và mức ý nghĩa đã chọn.
Lỗi thứ hai là nhầm Sample Mean (M) với Original Sample (O). Trong bảng bootstrap, M là trung bình của các mẫu lặp. Khi báo cáo path coefficient, thông thường bạn dùng O, đồng thời báo cáo t-value, p-value hoặc khoảng tin cậy phù hợp.
Lỗi thứ ba là đảo chiều biến quan sát nhưng không kiểm tra mã hóa. Một nhóm indicator đáng lẽ cùng chiều có thể tạo outer loading âm, làm kết quả measurement model và structural model khó diễn giải. Kiểm tra bảng mã trước khi xóa biến.
Lỗi thứ tư là xóa đường dẫn không đạt chỉ để mô hình còn toàn kết quả có ý nghĩa. Nếu bỏ một path, bạn phải ghi rõ căn cứ lý thuyết và quy trình điều chỉnh. Xóa nhiều đường sau khi xem p-value làm tăng rủi ro overfitting và khiến hội đồng hỏi về mô hình ban đầu.
Lỗi thứ năm là đưa mọi chỉ số vào cùng một bảng. VIF, R², f², Q² và HTMT trả lời các câu hỏi khác nhau. Cách trình bày tốt là đặt mỗi chỉ số vào đúng mục, ghi nguồn ngưỡng và giải thích ngắn gọn ý nghĩa của nó.
Câu hỏi thường gặp
Path coefficient trong SmartPLS bao nhiêu là đạt
Không có mốc β tối thiểu áp dụng cho mọi đề tài. Bạn đọc đồng thời dấu của β, p-value hoặc khoảng tin cậy bootstrap, f² và sự phù hợp với giả thuyết. Một β lớn nhưng không có bằng chứng thống kê đủ vẫn chưa cho phép kết luận tác động có ý nghĩa.
P-value trong SmartPLS bao nhiêu thì chấp nhận giả thuyết
Mức 0.05 thường được dùng trong nhiều luận văn, nhưng bạn cần theo quy ước đã nêu trong phương pháp nghiên cứu. Nếu p-value nhỏ hơn mức ý nghĩa, kết quả cung cấp bằng chứng chống lại giả thuyết không có tác động. Hãy xem thêm p-value bootstrap trong SmartPLS để đọc đúng bảng và khoảng tin cậy.
Path coefficient âm có phải chạy sai không
Chưa chắc. Hệ số âm có thể phản ánh quan hệ ngược chiều đúng với lý thuyết, hoặc xuất hiện do mã hóa biến đảo chiều, collinearity, mẫu dữ liệu và cách dựng mũi tên. Kiểm tra mã hóa, outer loading, VIF và sơ đồ giả thuyết trước khi sửa dữ liệu.
SmartPLS 3 và SmartPLS 4 đọc path coefficient có khác nhau không
Ý nghĩa thống kê của path coefficient vẫn dựa trên hệ số đường dẫn và kết quả bootstrap. Điểm cần chú ý là vị trí thao tác, tên màn hình và cách xuất bảng có thể khác giữa hai phiên bản. Bài này dùng đường dẫn thao tác của SmartPLS 4, vì vậy bạn nên xác nhận phiên bản đang mở trước khi làm theo.
Có cần báo cáo cả R² và path coefficient không
Có, nếu mô hình của bạn có biến nội sinh. Path coefficient cho biết từng quan hệ giữa các construct, còn R² cho biết tổng mức giải thích đối với biến nội sinh. Hai chỉ số bổ sung cho nhau và không nên thay thế cho nhau.
Mở project của bạn, kiểm tra lại chiều mũi tên và file .csv, chạy PLS-SEM Algorithm, sau đó chạy bootstrapping với thiết lập đã ghi trong phương pháp trước khi chép số vào chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.