PLS Predict là gì? Cách đọc và đánh giá trong SmartPLS

PLS Predict là gì

PLS Predict là thủ tục trong SmartPLS dùng để đánh giá khả năng dự báo của mô hình PLS-SEM đối với các biến quan sát của biến nội sinh. Thay vì chỉ hỏi mô hình giải thích được bao nhiêu phần trăm phương sai trong chính bộ dữ liệu đã dùng để ước lượng, PLS Predict kiểm tra xem mô hình dự báo tốt đến đâu trên các phần dữ liệu được giữ lại trong quá trình dự báo.

Khi chạy thủ tục này, SmartPLS chia dữ liệu thành các phần huấn luyện và kiểm tra theo cơ chế cross-validation. Mô hình được ước lượng trên phần huấn luyện, sau đó tạo giá trị dự báo cho phần kiểm tra. Kết quả thường có các cột như Q²_predict, RMSE, MAE, PLS-SEM_RMSE và LM_RMSE. Tên cột có thể thay đổi đôi chút theo phiên bản SmartPLS và thiết lập bạn chọn.

Bạn nên phân biệt PLS Predict với R². R² cho biết mức độ giải thích biến thiên của biến nội sinh trong mẫu đang phân tích. PLS Predict đi thêm một bước, đó là xem dự báo của mô hình có hữu ích khi áp dụng cho những quan sát chưa được dùng trực tiếp để ước lượng hay không. Đây là một nội dung thuộc PLS-SEM, không phải một thủ tục chạy trong SPSS.

Công thức khái quát của Q²_predict có dạng:

Q²_predict = 1 - SSE / SSO

Trong đó, SSE là tổng bình phương sai số dự báo và SSO là tổng bình phương sai số của một mô hình chuẩn dùng để so sánh. Giá trị dương cho thấy mô hình có năng lực dự báo tốt hơn mốc so sánh trong cách tính của SmartPLS. Bạn không cần tự tính bằng tay nếu đã chạy đúng thủ tục, nhưng cần hiểu các chỉ số trước khi đưa vào chương 4.

Ý nghĩa của PLS Predict trong nghiên cứu định lượng

PLS Predict trả lời câu hỏi thực tế: mô hình của bạn có thể dự báo biến kết quả cho những trường hợp mới ở mức nào. Ví dụ, đề tài nghiên cứu ý định tiếp tục sử dụng một ứng dụng có thể có R² cao cho biến ý định. Tuy vậy, nếu sai số dự báo vẫn lớn hơn mô hình hồi quy tuyến tính đơn giản, bạn cần thận trọng khi nói rằng mô hình có năng lực dự báo tốt.

Trong báo cáo PLS-SEM, bạn thường đánh giá mô hình theo hai phần. Phần thứ nhất là measurement model, gồm outer loading, Cronbach's Alpha, composite reliability, AVE và giá trị phân biệt. Phần thứ hai là structural model, gồm path coefficient, p-value, R², f², Q² và khả năng dự báo. Cách tiếp cận đánh giá measurement model trước rồi mới đánh giá structural model phù hợp với quy trình hai bước được đề cập trong (Anderson và Gerbing, 1988).

PLS Predict đặc biệt có ích khi mục tiêu nghiên cứu thiên về dự báo, chẳng hạn dự báo ý định mua, mức độ chấp nhận công nghệ hoặc hành vi sử dụng. Nó cũng giúp bạn tránh cách diễn giải quá rộng từ một chỉ số R². Một mô hình có R² ở mức vừa phải vẫn có thể tạo ra dự báo hữu ích, trong khi một mô hình có R² cao chưa chắc có sai số dự báo thấp.

Bạn có thể xem thêm phần giải thích nền tảng tại bài SEM là gì, hoặc bài mô hình SEM nếu đang chưa phân biệt được mô hình đo lường và mô hình cấu trúc. PLS Predict chỉ nên được đọc sau khi bạn đã kiểm tra dữ liệu, mô hình và các chỉ số cơ bản của PLS-SEM.

PLS Predict bao nhiêu là đạt

Không nên tìm một con số duy nhất để kết luận PLS Predict đạt hay không đạt. Có ít nhất ba lớp thông tin cần đọc: Q²_predict có dương hay không, sai số của PLS-SEM so với mô hình benchmark như linear model, và kích thước sai số giữa các biến quan sát trong cùng một cấu trúc.

Bảng dưới đây là quy tắc đọc thường dùng, với nguồn đi kèm cho từng ngưỡng. Các ngưỡng này không thay thế việc xem toàn bộ bảng output và bối cảnh đề tài.

Trong thực hành, một kết luận chặt chẽ thường có dạng: Q²_predict của các chỉ báo đều dương, sau đó so sánh RMSE hoặc MAE của PLS-SEM với linear model. Nếu chỉ một phần chỉ báo có sai số thấp hơn benchmark, bạn nên viết mô hình có năng lực dự báo ở mức chỉ báo, thay vì tuyên bố toàn bộ mô hình dự báo tốt.

Q²_predict khác với Q² được tính từ blindfolding. Hai chỉ số đều liên quan đến năng lực dự báo, nhưng thủ tục và cách sử dụng trong báo cáo không hoàn toàn giống nhau. Nếu bạn đang xem kết quả PLS-SEM tổng thể, hãy ghi rõ mình đang dùng Q²_predict từ PLS Predict hay Q² từ blindfolding. (Hair và cộng sự, 2022) là nguồn phù hợp để trình bày quy trình PLS-SEM hiện hành.

Cách đọc PLS Predict trên output SmartPLS

Trong SmartPLS 4, bạn mở mô hình, chọn phần kết quả của mô hình PLS-SEM rồi tìm thủ tục PLS Predict. Tùy giao diện và bản cập nhật, đường dẫn có thể nằm trong nhóm kết quả dự báo hoặc được mở từ menu tính toán. Chọn số folds phù hợp với thiết lập của bạn, giữ seed nhất quán nếu cần tái lập kết quả, rồi chạy tính toán.

Kết quả thường có các bảng như PLS Predict: Indicator Prediction, Prediction Summary hoặc bảng hiển thị kết quả dự báo theo từng chỉ báo. Khi đọc, hãy xác định trước biến nội sinh và các chỉ báo thuộc biến đó. Bạn không nên lấy một giá trị ở biến ngoại sinh rồi gọi đó là kết quả PLS Predict của biến phụ thuộc.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong output SmartPLS để bạn đối chiếu với file của mình.

Với dòng YD1, Q²_predict = 0.214 là giá trị dương. PLS-SEM_RMSE = 0.681 thấp hơn LM_RMSE = 0.742, nên PLS-SEM có sai số thấp hơn linear model ở chỉ báo này. Ở dòng YD2, RMSE của PLS-SEM cao hơn linear model, vì vậy kết quả dự báo của mô hình yếu hơn benchmark tại chỉ báo đó.

Bạn cần đọc cả RMSE và MAE khi chúng được SmartPLS cung cấp. RMSE phạt các sai số lớn mạnh hơn, còn MAE thể hiện sai số tuyệt đối trung bình theo cách dễ diễn giải hơn. Nếu hai chỉ số cho kết luận khác nhau, hãy báo cáo cả hai và tránh chọn riêng chỉ số có kết quả thuận lợi.

Một bảng output khác có thể hiển thị PLS-SEM_RMSE và LM_RMSE thay vì cột RMSE chung. Bạn nên giữ nguyên tên cột của phần mềm trong bảng kết quả, sau đó thêm cột Kết luận do mình tự tạo để người đọc không phải đoán ý nghĩa.

Khi PLS Predict không đạt thì xử lý thế nào

Nếu Q²_predict âm hoặc sai số PLS-SEM thường xuyên cao hơn linear model, bạn xử lý theo thứ tự sau.

Kiểm tra lại cách chạy và dữ liệu

Trước tiên, kiểm tra dữ liệu .csv, mã hóa biến, giá trị thiếu, biến đảo chiều và các dòng bị nhập sai. Một chỉ báo có thang đo ngược nhưng chưa recode có thể làm yếu outer loading, làm sai quan hệ cấu trúc và kéo theo dự báo kém. Kiểm tra thêm các giá trị cực đoan, vì RMSE nhạy với sai số lớn.

Kiểm tra measurement model

Xem lại Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên là ngưỡng thường được tham khảo trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được trình bày theo (Fornell và Larcker, 1981). Tuy nhiên, bạn không nên xóa biến chỉ để làm đẹp Q²_predict.

Nếu xóa một biến quan sát, cần xem nội dung thang đo, ý nghĩa lý thuyết và sự thay đổi của các chỉ số trước và sau khi xóa. Việc loại biến phải có lý do phương pháp rõ ràng, được ghi lại trong luận văn. Xóa liên tục nhiều biến dựa trên một kết quả bất lợi có thể làm mô hình mất giá trị nội dung.

Kiểm tra structural model

Xem lại path coefficient, bootstrapping, R², f² và VIF. VIF dưới 5 là ngưỡng được (Hair và cộng sự, 2019) sử dụng trong báo cáo PLS-SEM. Nếu các biến dự báo tương quan quá mạnh, mô hình có thể gặp vấn đề đa cộng tuyến và tạo dự báo không ổn định.

f² giúp xem một biến dự báo đóng góp bao nhiêu vào R² của biến nội sinh. Theo (Cohen, 1988), các mốc 0.02, 0.15 và 0.35 thường được diễn giải lần lượt là hiệu ứng nhỏ, vừa và lớn. Kết quả f² thấp không tự động chứng minh mô hình sai, nhưng cho bạn biết biến nào đóng góp ít vào năng lực giải thích.

Xem xét cỡ mẫu và tính đại diện

PLS Predict không thể sửa một bộ dữ liệu quá nhỏ, quá đồng nhất hoặc thu thập lệch khỏi đối tượng nghiên cứu. Nếu hầu hết người trả lời có cùng một đặc điểm, biến thiên của biến phụ thuộc sẽ thấp và mô hình khó dự báo trường hợp mới. Bạn nên ghi nhận giới hạn này thay vì chạy lại nhiều lần cho tới khi xuất hiện một con số thuận lợi.

EFA, hồi quy trong SPSS và PLS-SEM có mục đích khác nhau. Từ khóa pls sem trong spss dễ gây nhầm, vì PLS-SEM thường được chạy trong SmartPLS, còn SPSS có thể dùng cho làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA hoặc hồi quy. Bài SmartPLS sẽ giúp bạn đặt các thủ tục vào đúng phần mềm.

Phân biệt PLS Predict với R² và Q²

R² cho biết biến nội sinh được mô hình giải thích bao nhiêu phần trăm phương sai. Nó được tính trong mẫu dùng để ước lượng mô hình, nên không thể tự mình chứng minh khả năng dự báo ngoài mẫu.

Q² thường xuất hiện trong kết quả blindfolding và phản ánh khả năng dự báo theo cơ chế loại một phần giá trị rồi tái tạo. Q²_predict trong PLS Predict dựa trên quy trình chia dữ liệu thành các folds để đánh giá dự báo trên phần quan sát được giữ lại. Vì vậy, bạn không nên dùng ba chỉ số này thay thế cho nhau khi viết kết quả.

PLS Predict cũng khác với PLS-PM hoặc tên gọi chung PLS-SEM. PLS-SEM là phương pháp ước lượng mô hình phương trình cấu trúc dựa trên phương sai. PLS Predict là một thủ tục đánh giá khả năng dự báo được thực hiện sau hoặc trong quy trình phân tích PLS-SEM.

Cuối cùng, PLS Predict không phải là CB-SEM. CB-SEM thường được thực hiện bằng AMOS, lavaan trong R hoặc phần mềm tương tự, với nhóm chỉ số độ phù hợp như CFI, TLI, RMSEA và SRMR. Các ngưỡng này thuộc CB-SEM theo (Hu và Bentler, 1999), không nên đưa vào bảng đánh giá PLS-SEM hoặc gọi chúng là tiêu chí của PLS Predict. Bạn có thể xem bài CB-SEM là gì để phân biệt hai hướng tiếp cận.

Lỗi thường gặp khi đọc PLS Predict

Gọi mọi giá trị dương là dự báo tốt

Q²_predict dương là tín hiệu có năng lực dự báo theo chỉ số này, nhưng chưa đủ để kết luận PLS-SEM vượt trội. Bạn vẫn phải so sánh RMSE hoặc MAE với linear model và xem kết quả theo từng chỉ báo.

Chỉ báo cáo R²

Một số luận văn ghi R² rồi kết luận mô hình có khả năng dự báo. Cách viết đó bỏ qua phần đánh giá ngoài mẫu. Nếu đã chạy PLS Predict, hãy thêm bảng có Q²_predict, RMSE hoặc MAE và phần so sánh với benchmark.

Đưa số liệu minh họa vào kết quả thật

Bảng trong bài hướng dẫn chỉ có mục đích minh họa. Khi viết luận văn, bạn phải thay bằng số liệu từ file của mình, ghi rõ số folds, thiết lập chạy và các biến nội sinh được đánh giá. Không sao chép con số trong một bài mẫu vào chương 4.

Nhầm PLS Predict trong SPSS

SPSS không phải nơi bạn chạy trực tiếp mô hình PLS-SEM theo cách SmartPLS thực hiện. Bạn có thể dùng SPSS để kiểm tra dữ liệu và chạy một số phân tích bổ trợ, sau đó xuất .csv sang SmartPLS. Đừng lấy bảng Model Summary của hồi quy SPSS rồi gọi đó là output PLS Predict.

Câu hỏi thường gặp

PLS Predict là gì và dùng để làm gì?

PLS Predict là thủ tục trong SmartPLS đánh giá khả năng dự báo của mô hình PLS-SEM đối với các chỉ báo của biến nội sinh. Nó tạo dự báo trên phần dữ liệu kiểm tra, sau đó cho bạn xem Q²_predict, RMSE và MAE.

PLS Predict bao nhiêu là tốt?

Q²_predict lớn hơn 0 là dấu hiệu mô hình có năng lực dự báo theo mốc so sánh của thủ tục. Để nói kết quả tốt hơn linear model, bạn cần xem PLS-SEM_RMSE hoặc PLS-SEM_MAE có thấp hơn chỉ số tương ứng của linear model hay không.

PLS Predict có chạy được trong SPSS không?

PLS Predict thường được chạy trong SmartPLS, không phải trong SPSS. SPSS có thể hỗ trợ làm sạch dữ liệu, Cronbach's Alpha, EFA hoặc hồi quy. Từ khóa pls predict trong spss thường xuất hiện do người học đang tìm cách nối quy trình SPSS với SmartPLS.

Q²_predict âm thì phải làm sao?

Bạn nên kiểm tra lại dữ liệu, cách mã hóa biến, giá trị thiếu, outer loading, VIF, cỡ mẫu và thiết lập cross-validation. Nếu sau khi kiểm tra hợp lý mà chỉ số vẫn âm, hãy báo cáo trung thực rằng mô hình chưa cho thấy năng lực dự báo theo tiêu chí này, thay vì xóa biến tùy ý.

Có cần chạy PLS Predict trong mọi đề tài không?

Điều này phụ thuộc mục tiêu nghiên cứu và yêu cầu của giảng viên hướng dẫn. Nếu đề tài nhấn mạnh dự báo hoặc bạn muốn đánh giá sâu structural model, PLS Predict là phần nên cân nhắc. Nếu chỉ chạy các kiểm định cơ bản theo thiết kế nghiên cứu, hãy thống nhất trước phạm vi báo cáo để tránh thêm phân tích không cần thiết.

Mở file SmartPLS của bạn, ghi lại Q²_predict, RMSE và MAE theo từng chỉ báo, sau đó đối chiếu với linear model trước khi viết kết luận. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv và xuất bảng kết quả, M4 phân tích của DoThesis thực hiện bước này bằng SPSS và SmartPLS.