PLS Algorithm trong SmartPLS: Cách chạy và đọc kết quả
Bạn mở SmartPLS lên, mô hình đã vẽ xong nhưng chưa biết phải bấm nút nào để kiểm tra thang đo và mô hình cấu trúc. PLS Algorithm là bước chạy đầu tiên trong SmartPLS 4. Kết quả của bước này giúp bạn xem outer loading, Cronbach's Alpha, rho_A, Composite Reliability, AVE, R² và các hệ số liên quan trước khi chạy bootstrapping.
Bài này tập trung vào quy trình thực tế với file .csv và SmartPLS 4. Các con số minh họa chỉ có mục đích hướng dẫn cách đọc, không phải kết quả của một nghiên cứu cụ thể. Nếu bạn đang tìm các thủ tục khác, có thể xem thêm chủ đề SmartPLS, bootstrapping trong SmartPLS và blindfolding trong SmartPLS.
PLS Algorithm trong SmartPLS dùng để làm gì
PLS Algorithm là thuật toán ước lượng mô hình PLS-SEM. SmartPLS dùng dữ liệu của các biến quan sát để tính điểm cho biến tiềm ẩn, sau đó ước lượng quan hệ giữa các biến trong mô hình cấu trúc. Bạn có thể hình dung quy trình thành hai phần: kiểm tra measurement model và kiểm tra structural model.
Ở measurement model, bạn xem các biến quan sát có đại diện ổn định cho khái niệm hay không. Những bảng thường được mở gồm Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Ở structural model, bạn quan sát Path Coefficients, R², f² và collinearity statistics.
PLS Algorithm chưa cho bạn kết luận đầy đủ về ý nghĩa thống kê của giả thuyết. Path coefficient có thể đã xuất hiện, nhưng p-value và khoảng tin cậy thường cần được kiểm tra bằng bootstrapping. Bạn có thể đọc hướng dẫn riêng về bootstrapping trong SmartPLS sau khi hoàn tất bước PLS Algorithm.
PLS-SEM phù hợp khi đề tài có mô hình dự báo, nhiều biến tiềm ẩn, dữ liệu chưa đáp ứng tốt giả định phân phối hoặc cỡ mẫu hạn chế theo thiết kế nghiên cứu. Việc chọn PLS-SEM cần xuất phát từ câu hỏi nghiên cứu và mô hình, không chỉ vì giao diện SmartPLS dễ sử dụng.
Chuẩn bị mô hình và dữ liệu
Phân biệt measurement model và structural model
Measurement model gồm biến tiềm ẩn và các indicator, chẳng hạn SAT1, SAT2, SAT3 đo sự hài lòng. Structural model gồm các mũi tên giữa biến tiềm ẩn, chẳng hạn PU ảnh hưởng đến SAT. Trước khi chạy, bạn cần kiểm tra hướng mũi tên, loại thang đo reflective hoặc formative và việc mỗi indicator có thuộc đúng construct hay không.
Với thang đo reflective, indicator thường phản ánh cùng một khái niệm. Các chỉ số như outer loading, CR và AVE thường được dùng để đánh giá. Với thang đo formative, cách đánh giá khác, vì indicator tạo nên construct. Bạn không nên áp dụng máy móc ngưỡng của reflective cho formative.
Đặt tên indicator nhất quán
Mỗi cột trong file dữ liệu phải tương ứng với một indicator trên mô hình. Tên nên ngắn, không dấu, không có khoảng trắng và không trùng nhau, ví dụ PU1, PU2, SAT1. Hàng đầu tiên của file .csv là tên biến, các hàng sau là câu trả lời của từng người.
Không để một cột chứa mã người trả lời như một indicator. Nếu có biến giới tính, độ tuổi hoặc nhóm ngành dùng cho mô tả mẫu, bạn có thể giữ trong file nhưng không kéo vào construct khi chạy PLS Algorithm. Các ô trống, ký hiệu chữ trong cột Likert và giá trị ngoài thang đo cần được xử lý trước.
Kiểm tra thang đo đảo chiều và dữ liệu thiếu
Nếu bảng hỏi có indicator đảo chiều, bạn phải recode trước khi nhập hoặc trước khi chạy. Ví dụ thang đo 1 đến 5 có thể chuyển giá trị theo công thức mới bằng 6 trừ giá trị cũ. Một indicator đảo chiều chưa recode thường làm outer loading thấp hoặc âm.
Bạn cũng cần quyết định cách xử lý missing values. Đừng thay toàn bộ ô trống bằng một con số tùy ý rồi xem đó là dữ liệu sạch. Hãy ghi lại số quan sát bị loại, lý do loại và số mẫu cuối cùng để phần phương pháp và chương 4 khớp nhau.
Kiểm tra định dạng .csv
SmartPLS thường đọc tốt file .csv khi dữ liệu được phân cách nhất quán. Trước khi import, mở file bằng trình soạn thảo hoặc Excel để kiểm tra hàng đầu tiên, dấu phân cách, số cột và các giá trị bất thường. Nếu file dùng dấu phẩy trong số thập phân nhưng cũng dùng dấu phẩy để ngăn cột, quá trình đọc có thể bị lệch cột.
Bạn có thể tham khảo thêm các quy trình trong chủ đề SmartPLS, nhưng hãy giữ nguyên logic của mô hình và cấu trúc dữ liệu riêng trong đề tài của bạn.
Các bước thực hiện trong SmartPLS 4
Bước 1: Tạo project và import dữ liệu
Mở SmartPLS 4, chọn tạo project mới rồi import file .csv. Kiểm tra danh sách biến mà phần mềm nhận được. Nếu tên indicator bị cắt, bị đổi hoặc số lượng biến không đủ, dừng tại đây để sửa file dữ liệu.
Khi dữ liệu đã nằm trong project, tạo model mới và kéo các indicator vào construct tương ứng. SmartPLS 4 cho phép bạn chọn dữ liệu từ project khi mở mô hình. Kiểm tra lại số quan sát và tên dataset trước khi chạy.
Bước 2: Vẽ construct và gán indicator
Tạo từng construct theo tên đã dùng trong mô hình nghiên cứu, chẳng hạn PU, PEU, TR và SAT. Kéo mũi tên từ biến độc lập sang biến phụ thuộc đúng theo giả thuyết. Nếu có mediator, vẽ cả đường trực tiếp và đường gián tiếp khi mô hình lý thuyết yêu cầu.
Sau đó kéo từng indicator vào construct. Nhìn lại để chắc chắn PU1 không bị gán sang PEU, hoặc một indicator không bị gán đồng thời cho hai construct ngoài chủ đích. Một sai sót ở bước này sẽ làm kết quả đẹp hoặc xấu theo cách không phản ánh dữ liệu thật.
Bước 3: Mở PLS-SEM Algorithm
Trong SmartPLS 4, mở model, chọn Calculate rồi chọn PLS-SEM Algorithm. Tên menu này thuộc SmartPLS 4. Một số video SmartPLS 3 dùng bố cục khác, vì vậy vị trí nút có thể không giống màn hình của bạn.
Ở hộp thoại cài đặt, giữ các tùy chọn mặc định nếu đề cương không yêu cầu cách tính riêng. Kiểm tra Maximum Iterations và Stop Criterion. Với mô hình thông thường, bạn có thể bắt đầu bằng thiết lập mặc định, sau đó xem cảnh báo convergence hoặc iteration.
Nhấn Start Calculation để chạy. SmartPLS sẽ mở trang kết quả, thường có các nhóm như Final Results, Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients và R Square.
Bước 4: Lưu lại kết quả từng vòng
Xuất hoặc chụp các bảng quan trọng ngay sau mỗi vòng chạy. Nếu phải loại indicator, hãy ghi rõ indicator nào bị loại, vì sao, kết quả sau khi chạy lại và số lượng indicator còn lại. Việc lưu từng vòng giúp bạn giải trình khi giảng viên hỏi vì sao thang đo ban đầu có bốn biến nhưng bảng cuối chỉ còn ba.
Chỉ loại indicator khi có lý do phương pháp và lý thuyết. Xóa liên tục để đạt ngưỡng có thể làm thay đổi nội dung của construct, tạo ra mô hình khó bảo vệ.
Đọc bảng kết quả
Sau khi chạy, bạn nên đọc theo thứ tự measurement model trước, structural model sau. Đừng bắt đầu bằng R² rồi bỏ qua việc thang đo có đạt độ tin cậy và giá trị hay chưa.
Bảng dưới đây là số liệu minh họa, được trình bày theo các nhóm kết quả thường gặp trong SmartPLS 4. Các giá trị không phải phát hiện từ một nghiên cứu thật.
| Nhóm kết quả SmartPLS 4 | Chỉ số hoặc cột cần đọc | Số liệu minh họa | Cách hiểu ban đầu |
|---|---|---|---|
| Outer Loadings | PU1, PU2, PU3 | 0.812; 0.776; 0.684 | PU3 cần được xem xét cùng lý thuyết và các chỉ số khác |
| Construct Reliability and Validity | Cronbach's Alpha, rho_A, Composite Reliability | 0.824; 0.831; 0.881 | Độ tin cậy minh họa ở mức có thể kiểm tra tiếp |
| Construct Reliability and Validity | Average Variance Extracted (AVE) | 0.650 | Có dấu hiệu đạt giá trị hội tụ theo ngưỡng tham khảo |
| Discriminant Validity | HTMT giữa PU và SAT | 0.742 | Cần so với ngưỡng HTMT đã chọn |
| R Square | SAT | 0.517 | Mô hình giải thích khoảng 51,7% phương sai SAT trong ví dụ |
| Path Coefficients | PU → SAT, Original Sample | 0.438 | Quan hệ ước lượng có hướng dương |
| f Square | PU → SAT | 0.196 | Cần diễn giải theo cỡ ảnh hưởng và bối cảnh |
Ở bảng Outer Loadings, xem từng indicator thuộc construct nào và dấu của loading. Một loading thấp không tự động có nghĩa phải xóa ngay. Bạn cần xem CR, AVE, nội dung indicator và lý do lý thuyết. Với structural model, Original Sample là hệ số đường dẫn ước lượng từ mẫu, còn p-value và khoảng tin cậy cần đọc ở kết quả bootstrapping.
R² cho biết mức độ phương sai của biến nội sinh được giải thích bởi các biến dự báo trong mô hình. R² không phải tỷ lệ phần trăm người trả lời đồng ý với một phát biểu. f² cho biết mức đóng góp của một biến dự báo lên R² của biến nội sinh khi biến đó được đưa vào hoặc bỏ ra.
Ngưỡng đánh giá
Các ngưỡng chỉ là mốc tham khảo trong bối cảnh nghiên cứu. Bạn cần báo cáo cả giá trị thực tế, cách xử lý và lập luận, thay vì chỉ ghi đạt hoặc không đạt. Bảng sau giữ riêng nhóm chỉ số PLS-SEM, không trộn với CFI, TLI hoặc RMSEA của CB-SEM.
| Chỉ số | Mốc tham khảo | Nguồn canonical |
|---|---|---|
| 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) |
| Bootstrap subsamples | 5.000 mẫu lặp | (Hair và cộng sự, 2022) |
Outer loading từ 0.7 trở lên thường được dùng làm mốc đánh giá. Một loading trong khoảng thấp hơn mốc này cần được xem cùng CR và AVE, nội dung thang đo và ảnh hưởng của việc loại biến. Với CR và AVE, nguồn thường được trích dẫn là (Fornell và Larcker, 1981).
Để đánh giá giá trị phân biệt, HTMT dưới 0.85 thường được dùng, còn ngưỡng dưới 0.90 có thể áp dụng khi hai khái niệm có quan hệ gần về mặt nội dung (Henseler và cộng sự, 2015). Với collinearity, VIF dưới 5 là mốc được báo cáo trong hướng dẫn PLS-SEM (Hair và cộng sự, 2019).
Q² lớn hơn 0 cho thấy mô hình có khả năng dự báo đối với construct nội sinh theo logic cross-validation (Stone, 1974). Chỉ số này thường được xem sau thủ tục phù hợp, không nên tự suy ra từ R². Nếu bạn muốn đọc sâu hơn về blindfolding, xem blindfolding trong SmartPLS.
SmartPLS không dùng CFI, TLI và RMSEA như bộ chỉ số chính của PLS-SEM. Các ngưỡng đó thuộc CB-SEM và nguồn (Hu và Bentler, 1999). Nếu đề tài của bạn dùng AMOS, đó là một quy trình khác; đừng đưa các chỉ số CB-SEM vào đoạn giải thích PLS Algorithm.
Cách trình bày trong chương 4
Bạn có thể trình bày theo bốn bảng hoặc nhóm bảng: độ tin cậy và giá trị hội tụ, giá trị phân biệt, collinearity và chất lượng mô hình cấu trúc. Mỗi bảng nên có tên construct, chỉ số, giá trị và nhận xét ngắn. Nếu loại indicator, ghi rõ tiêu chí và kết quả sau khi chạy lại.
Cách viết vào luận văn: “Kết quả PLS-SEM cho thấy outer loading của các biến quan sát thuộc thang đo [TÊN CONSTRUCT] dao động từ [GIÁ TRỊ THẤP NHẤT] đến [GIÁ TRỊ CAO NHẤT]. Composite Reliability đạt [GIÁ TRỊ] và AVE đạt [GIÁ TRỊ], lần lượt được đối chiếu với tiêu chí [NGƯỠNG] theo [NGUỒN]. Vì vậy, thang đo [TÊN CONSTRUCT] được [ĐÁNH GIÁ] về độ tin cậy và giá trị hội tụ.”
Khi viết về structural model, hãy tách hệ số đường dẫn khỏi ý nghĩa thống kê. Bạn có thể ghi: “Hệ số đường dẫn từ [BIẾN ĐỘC LẬP] đến [BIẾN PHỤ THUỘC] là [BETA], mang dấu [DƯƠNG/ÂM]. Kết luận giả thuyết dựa trên [p-value/KHOẢNG TIN CẬY] từ kết quả bootstrapping, không chỉ dựa trên dấu của beta.”
Nếu mô hình có tác động gián tiếp, hãy chạy và đọc thủ tục dành cho indirect effect. Consistent PLS trong SmartPLS chỉ phù hợp với trường hợp và mục tiêu phương pháp tương ứng, nên bạn cần giải thích lý do chọn trước khi áp dụng.
Lỗi thường gặp
Import sai cột dữ liệu
Dấu hiệu là SmartPLS báo lỗi, số indicator không khớp hoặc dữ liệu hiển thị thành một cột dài. Kiểm tra delimiter, encoding, hàng tiêu đề và các ô chứa chữ. Mở lại file .csv sau khi xuất từ Excel để chắc chắn dữ liệu vẫn có đúng số cột.
Indicator bị gán nhầm construct
Lỗi này thường xảy ra khi kéo nhiều indicator cùng lúc. Đối chiếu mã PU1, PU2, SAT1 với bảng thang đo trong chương 3. Nếu gán nhầm, kết quả outer loading và HTMT không còn phản ánh mô hình bạn thiết kế.
Loading thấp nhưng xóa ngay
Bạn cần kiểm tra nội dung indicator, CR và AVE trước khi xóa. Nếu indicator đại diện cho một khía cạnh cần thiết của khái niệm, giữ lại có thể hợp lý hơn việc chạy theo một con số. Nếu xóa, lưu lại kết quả trước và sau, đồng thời giải thích trong luận văn.
R² thấp nhưng cố sửa mô hình
R² thấp không chứng minh dữ liệu bị lỗi. Nó có thể cho thấy các biến dự báo hiện tại giải thích hạn chế biến phụ thuộc. Hãy quay về giả thuyết và cơ sở lý thuyết trước khi thêm mũi tên chỉ để tăng R².
Nhầm PLS Algorithm với bootstrapping
PLS Algorithm cho hệ số ước lượng và nhiều chỉ số measurement model. Bootstrapping dùng mẫu lặp để đánh giá độ ổn định, p-value và confidence interval. Hai bước liên quan nhưng không thay thế cho nhau.
Bạn cũng có thể gặp khác biệt giao diện khi xem hướng dẫn cũ. Cách chạy IPMA trong SmartPLS 4 là ví dụ về một quy trình dùng giao diện SmartPLS 4, nhưng IPMA không phải bước thay thế cho PLS Algorithm.
Đọc thêm: blindfolding trong smartpls, bootstrapping trong smartpls, cách chạy ipma smartpls 4, consistent pls trong smartpls, ipma trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
PLS Algorithm trong SmartPLS là gì
Đây là thuật toán dùng để ước lượng measurement model và structural model trong PLS-SEM. Sau khi chạy, bạn có thể xem outer loading, CR, AVE, HTMT, R² và path coefficient. Ý nghĩa thống kê của giả thuyết thường cần được kiểm tra tiếp bằng bootstrapping.
Chạy PLS Algorithm bao nhiêu lần
Bạn chạy ít nhất một lần sau khi hoàn tất mô hình và dữ liệu. Nếu loại indicator có lý do, hãy chạy lại để cập nhật toàn bộ kết quả. Không có số vòng cố định cho mọi đề tài, vì số vòng phụ thuộc chất lượng thang đo và các vấn đề xuất hiện trong dữ liệu.
Outer loading dưới 0.7 có phải xóa không
Chưa thể kết luận chỉ từ một giá trị loading. Hãy xem CR, AVE, nội dung indicator và ảnh hưởng của việc loại biến. Nếu xóa, cần có lập luận phương pháp, lưu kết quả trước và sau, đồng thời tránh xóa hàng loạt chỉ để đạt ngưỡng.
Vì sao chạy PLS Algorithm không có p-value
PLS Algorithm cho hệ số ước lượng từ mẫu hiện tại. p-value và confidence interval thường được lấy từ bootstrapping, một thủ tục riêng. Bạn cần chạy bootstrapping với thiết lập phù hợp rồi đối chiếu path coefficient, t-value, p-value hoặc khoảng tin cậy.
SmartPLS 3 và SmartPLS 4 có chạy giống nhau không
Logic phân tích tương tự, nhưng vị trí menu và cách hiển thị có thể thay đổi. Bài này dùng đường dẫn của SmartPLS 4: mở model, chọn Calculate, chọn PLS-SEM Algorithm. Khi làm theo video SmartPLS 3, hãy đối chiếu tên thủ tục thay vì tìm đúng từng vị trí nút.
Hãy mở lại file dữ liệu, kiểm tra hàng tiêu đề và danh sách indicator trước, sau đó chạy PLS-SEM Algorithm một vòng và lưu các bảng Outer Loadings, Construct Reliability and Validity, Discriminant Validity cùng R Square. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ quy trình SPSS và SmartPLS mà không bịa số.