PLS-SEM là gì? Cách đọc kết quả và ngưỡng đánh giá
PLS-SEM là gì
PLS-SEM, viết đầy đủ là Partial Least Squares Structural Equation Modeling, là phương pháp mô hình phương trình cấu trúc dựa trên phương sai. Trong luận văn định lượng, bạn dùng PLS-SEM để kiểm định đồng thời hai phần: mô hình đo lường và mô hình cấu trúc.
Mô hình đo lường cho biết các biến quan sát có đo đúng biến tiềm ẩn hay không. Mô hình cấu trúc cho biết các biến tiềm ẩn tác động với nhau như thế nào, tác động có ý nghĩa thống kê không, và mô hình giải thích được bao nhiêu phần biến thiên của biến phụ thuộc. Nếu bạn đang cần phân biệt các khái niệm nền tảng, có thể xem thêm bài biến tiềm ẩn là gì và mô hình SEM.
PLS-SEM thường được chạy bằng SmartPLS. Phần mềm nhận dữ liệu dạng .csv, sau đó ước lượng outer loading, Cronbach's Alpha, rho_A, Composite Reliability, AVE, HTMT, VIF, path coefficient, R², f² và Q². Với bootstrapping, SmartPLS còn cho biết standard deviation, T statistics và p-value của từng đường tác động.
Về logic, PLS-SEM tối ưu khả năng dự đoán các biến nội sinh. Bạn bắt đầu bằng mô hình đo lường, kiểm tra chất lượng thang đo, rồi mới đánh giá mô hình cấu trúc và các giả thuyết. Quy trình hai bước, đo lường trước rồi đến cấu trúc, phù hợp với khuyến nghị của (Anderson và Gerbing, 1988).
Ý nghĩa của PLS-SEM trong nghiên cứu định lượng
PLS-SEM giúp bạn trả lời một nhóm câu hỏi nghiên cứu có nhiều biến tiềm ẩn và nhiều mối quan hệ cùng lúc. Ví dụ, đề tài có thể kiểm định liệu Perceived Usefulness và Perceived Ease of Use có ảnh hưởng đến Intention to Use hay không, hoặc Service Quality tác động đến Satisfaction rồi đến Loyalty như thế nào.
Điểm mạnh thực tế của PLS-SEM là khả năng xử lý mô hình dự đoán, mô hình có mediator hoặc moderator, và mô hình gồm nhiều biến quan sát. Bạn cũng không cần tạo một biến trung bình cho mỗi khái niệm rồi chạy hồi quy riêng lẻ. SmartPLS ước lượng trực tiếp quan hệ giữa biến tiềm ẩn và các biến quan sát của nó.
PLS-SEM phù hợp hơn khi mục tiêu của đề tài là dự đoán, khám phá mô hình hoặc kiểm định mô hình trong bối cảnh còn mới. PLS-SEM cũng hữu ích khi mô hình có nhiều cấu trúc, cỡ mẫu vừa phải, hoặc dữ liệu chưa đáp ứng tốt các giả định nghiêm ngặt của CB-SEM. Tuy vậy, lựa chọn phương pháp vẫn phải dựa trên câu hỏi nghiên cứu, lý thuyết và thiết kế dữ liệu, không nên chọn chỉ vì SmartPLS dễ thao tác.
CB-SEM, thường chạy bằng AMOS, tập trung mạnh vào mức độ phù hợp tổng thể giữa mô hình lý thuyết và ma trận hiệp phương sai. PLS-SEM tập trung hơn vào phương sai giải thích và sức mạnh dự đoán. Nếu bạn muốn tìm hiểu riêng khái niệm CB-SEM là gì, cần nhớ rằng các chỉ số CFI, TLI, RMSEA và SRMR thuộc nhóm đánh giá CB-SEM, không được đưa vào bảng tiêu chí PLS-SEM một cách máy móc.
Với PLS-SEM, quyết định nghiên cứu thường đi theo chuỗi sau: thang đo có đáng tin không, có giá trị hội tụ và phân biệt không, các biến độc lập có đa cộng tuyến không, đường tác động có ý nghĩa không, rồi mô hình giải thích và dự đoán được bao nhiêu. Một chỉ số đẹp riêng lẻ chưa đủ để kết luận mô hình đạt.
PLS-SEM bao nhiêu là đạt
Không có một con số duy nhất trả lời cho câu hỏi “PLS-SEM bao nhiêu là tốt”. Bạn cần đọc đúng nhóm chỉ số. Outer loading và AVE đánh giá giá trị hội tụ, HTMT đánh giá giá trị phân biệt, R² đánh giá năng lực giải thích, còn p-value và khoảng tin cậy dùng để kết luận giả thuyết.
Bảng dưới đây tóm tắt các ngưỡng thường dùng. Mỗi dòng kèm nguồn để bạn có thể truy lại khi viết chương 4.
| Nhóm đánh giá | Chỉ số trên SmartPLS | Ngưỡng tham khảo | Nguồn |
|---|---|---|---|
| Độ tin cậy | Cronbach's Alpha | Từ 0.70; nghiên cứu khám phá có thể từ 0.60 | (Nunnally, 1978); (Hair và cộng sự, 2010) |
| Độ tin cậy | rho_A | Thường xem cùng nhóm chỉ số độ tin cậy | (Dijkstra và Henseler, 2015) |
| Độ tin cậy | Composite Reliability | Từ 0.70 | (Fornell và Larcker, 1981) |
| Giá trị hội tụ | Outer Loading | Từ 0.70; có thể xem xét biến thấp hơn theo bối cảnh | (Chin, 1998); (Hair và cộng sự, 2022) |
| Giá trị hội tụ | AVE | Từ 0.50 | (Fornell và Larcker, 1981) |
| Đa cộng tuyến | VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| Giá trị phân biệt | HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| Mô hình cấu trúc | R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| Kích thước tác động | f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) |
| Khả năng dự đoán | Q² | Lớn hơn 0 | (Stone, 1974); (Hair và cộng sự, 2022) |
| Bootstrapping | Số mẫu bootstrap | 5.000 mẫu | (Hair và cộng sự, 2022) |
Các ngưỡng trên là điểm tham chiếu, không phải giấy phép loại biến tự động. Chẳng hạn, outer loading 0.68 không nên bị xóa ngay nếu việc xóa làm thay đổi nội dung khái niệm hoặc làm thang đo mất tính bao quát. Bạn cần xem đồng thời AVE, Composite Reliability, HTMT, cơ sở lý thuyết và ý kiến của giảng viên.
Tài liệu PLS-SEM hiện hành thường khuyến nghị đánh giá mô hình đo lường trước, sau đó đánh giá mô hình cấu trúc và khả năng dự đoán (Hair và cộng sự, 2022). Khi trình bày, bạn nên nêu nguồn của tiêu chí thay vì ghi “theo chuẩn thông thường”.
Cách đọc PLS-SEM trên output SmartPLS
Sau khi chạy PLS Algorithm, SmartPLS hiển thị các bảng của mô hình đo lường. Sau khi chạy Bootstrapping, bạn đọc các bảng liên quan đến đường tác động. Dưới đây là một khối số liệu minh họa, các con số chỉ nhằm hướng dẫn cách đọc và không phải kết quả của một nghiên cứu thật.
Đọc bảng Outer Loadings
Outer Loadings cho biết mỗi biến quan sát liên hệ với biến tiềm ẩn tương ứng ở mức nào. Ví dụ, PU1 có loading 0.812 nghĩa là PU1 đại diện khá tốt cho cấu trúc PU trong mô hình minh họa.
Đọc bảng Construct Reliability and Validity
Bạn đọc Cronbach's Alpha, rho_A, Composite Reliability và AVE theo từng construct. Một construct có Alpha 0.836, Composite Reliability 0.887 và AVE 0.610 đang vượt các ngưỡng tham khảo tương ứng. Kết luận cuối cùng vẫn cần đi cùng nội dung thang đo.
Đọc bảng Path Coefficients
Path Coefficients cho biết hướng và độ lớn tác động. Nếu hệ số dương, biến độc lập có quan hệ cùng chiều với biến phụ thuộc trong mẫu. Để kết luận giả thuyết, mở thêm T Statistics, P Values và khoảng tin cậy từ kết quả bootstrapping.
| Bảng SmartPLS | Construct hoặc quan hệ | Chỉ số | Số liệu minh họa | Cách đọc |
|---|---|---|---|---|
| Outer Loadings | PU1 → PU | Outer Loading | 0.812 | Biến quan sát có loading cao |
| Construct Reliability and Validity | PU | Cronbach's Alpha | 0.836 | Độ tin cậy đạt theo ngưỡng tham khảo |
| Construct Reliability and Validity | PU | Composite Reliability | 0.887 | Độ tin cậy tổng hợp đạt |
| Construct Reliability and Validity | PU | Average Variance Extracted | 0.610 | Giá trị hội tụ đạt |
| Discriminant Validity | PU và PEU | HTMT | 0.742 | Giá trị phân biệt đạt theo ngưỡng 0.85 |
| Path Coefficients | PU → INT | Original Sample | 0.284 | Tác động cùng chiều |
| Bootstrapping | PU → INT | T Statistics | 3.421 | Cần đọc cùng p-value và CI |
| Bootstrapping | PU → INT | P Values | 0.001 | Có ý nghĩa theo mức alpha được chọn |
| R Square | INT | R² | 0.508 | Mô hình giải thích khoảng 50.8% phương sai của INT |
| f Square | PU → INT | f² | 0.117 | Kích thước tác động nằm giữa mức nhỏ và vừa |
| Construct Crossvalidated Redundancy | INT | Q² | 0.291 | Khả năng dự đoán có giá trị dương |
Ở bảng minh họa, p-value 0.001 được đọc cùng mức ý nghĩa mà bạn đã chọn trong phương pháp nghiên cứu. Đừng chỉ nhìn Original Sample rồi kết luận giả thuyết được chấp nhận. Hệ số có thể dương nhưng không có ý nghĩa thống kê.
R Square của INT bằng 0.508 được diễn giải là các biến dự báo trong mô hình giải thích khoảng 50.8% phương sai của INT trong mẫu minh họa. R² không nói rằng một biến riêng lẻ giải thích 50.8%. Muốn biết đóng góp riêng, bạn xem f² và path coefficient.
Khi PLS-SEM không đạt thì xử lý thế nào
Bạn nên xử lý theo thứ tự từ kiểm tra dữ liệu đến điều chỉnh mô hình, tránh xóa biến hàng loạt chỉ để bảng số liệu đẹp hơn.
Kiểm tra dữ liệu và cách mã hóa
Mở file .csv và kiểm tra tên cột, giá trị thiếu, biến đảo chiều, kiểu dữ liệu và các dòng trả lời bất thường. Một biến đảo chiều chưa được recode có thể làm loading thấp và làm tương quan giữa các biến quan sát bị sai hướng.
Xem outer loading và lý do lý thuyết
Nếu loading thấp, kiểm tra nội dung biến quan sát, tương quan của biến với các item còn lại và ảnh hưởng của việc xóa biến đến AVE, Composite Reliability. Chỉ xóa khi có lý do phương pháp rõ ràng và khái niệm vẫn được đo đầy đủ. Bạn cần ghi lại biến nào bị loại, ở vòng chạy nào và vì sao.
Kiểm tra HTMT và nội dung khái niệm
HTMT cao có thể cho thấy hai construct chưa phân biệt rõ. Trước khi sửa mô hình, xem lại câu chữ của các biến quan sát và cơ sở lý thuyết. Không nên gộp hai biến tiềm ẩn chỉ vì HTMT vượt ngưỡng, nếu giả thuyết và định nghĩa ban đầu tách biệt chúng.
Kiểm tra đường tác động và bootstrap
Nếu path không có ý nghĩa, xem dấu của hệ số, p-value, khoảng tin cậy và VIF. Kết quả không có ý nghĩa vẫn là kết quả hợp lệ. Bạn có thể bác bỏ giả thuyết hoặc thảo luận rằng dữ liệu chưa cung cấp đủ bằng chứng, thay vì đổi giả thuyết sau khi thấy output.
Chạy lại mô hình một cách có kiểm soát
Sau mỗi thay đổi, lưu một phiên bản mô hình riêng, chẳng hạn model_v1, model_v2. Việc này giúp bạn giải trình với giảng viên và tránh nhầm bảng kết quả. Xóa nhiều biến cùng lúc khiến bạn không biết thay đổi nào đã làm chỉ số cải thiện.
Phân biệt PLS-SEM với CB-SEM và SEM
SEM là tên rộng cho nhóm mô hình phương trình cấu trúc. SEM là gì sẽ giúp bạn hiểu quan hệ giữa biến quan sát, biến tiềm ẩn, mô hình đo lường và mô hình cấu trúc. PLS-SEM và CB-SEM là hai hướng tiếp cận trong nhóm này.
| Tiêu chí | PLS-SEM | CB-SEM |
|---|---|---|
| Mục tiêu chính | Dự đoán và tối đa hóa phương sai giải thích | Kiểm định mức phù hợp của mô hình lý thuyết |
| Phần mềm thường gặp | SmartPLS | AMOS, lavaan trong R |
| Kết quả trọng tâm | Outer loading, HTMT, R², f², Q², path coefficient | Chi-square, CFI, TLI, RMSEA, SRMR và các chỉ số fit |
| Mô hình phù hợp | Mô hình dự đoán, khám phá, nhiều cấu trúc | Mô hình lý thuyết đã phát triển và cần kiểm định fit |
| Cách đánh giá | Đo lường trước, cấu trúc sau, rồi xem dự đoán | Đánh giá mô hình đo lường và độ phù hợp tổng thể |
Bạn nên dùng SmartPLS khi câu hỏi nghiên cứu nhấn mạnh dự đoán, mô hình có nhiều quan hệ, hoặc mục tiêu là giải thích phương sai của biến nội sinh. Bạn nên cân nhắc AMOS hoặc CB-SEM khi đề tài đặt trọng tâm vào việc kiểm định một mô hình lý thuyết đã xác lập và cần báo cáo model fit. Các ngưỡng CFI, TLI, RMSEA và SRMR từ (Hu và Bentler, 1999) chỉ áp dụng cho CB-SEM.
Một lỗi thường gặp là chạy SmartPLS nhưng chèn CFI, TLI và RMSEA vào bảng tiêu chí chính, hoặc dùng PLS-SEM rồi gọi R² là “độ phù hợp tổng thể”. Hai nhóm chỉ số trả lời các câu hỏi khác nhau.
Lỗi thường gặp
Chọn PLS-SEM chỉ vì cỡ mẫu nhỏ. Cỡ mẫu phải gắn với số biến dự báo, cấu trúc mô hình và mục tiêu kiểm định. Nếu đề tài dùng hồi quy, quy tắc tham khảo về cỡ mẫu có thể xem ở (Tabachnick và Fidell, 2013), nhưng không nên chuyển nguyên xi thành quy tắc cho mọi mô hình PLS.
Không phân biệt measurement model và structural model. Outer loading, Alpha, CR, AVE và HTMT thuộc đánh giá thang đo. Path coefficient, p-value, R², f² và Q² thuộc đánh giá cấu trúc hoặc năng lực dự đoán. Trình bày lẫn hai nhóm khiến chương 4 khó theo dõi.
Xóa biến đến khi mọi chỉ số đều đẹp. Thao tác này có thể làm thang đo mất nội dung và tạo ra mô hình không còn giống mô hình đã đề xuất. Mỗi lần loại biến phải có lý do, số liệu trước và sau, cùng sự nhất quán với cơ sở lý thuyết.
Dùng p-value mà không nêu quy trình bootstrap. Hãy ghi số lượng bootstrap subsamples, mức ý nghĩa, loại khoảng tin cậy nếu bạn báo cáo, và bảng SmartPLS được dùng. (Hair và cộng sự, 2022) khuyến nghị 5.000 bootstrap subsamples trong quy trình PLS-SEM.
Ghi nhận kết quả minh họa như kết quả nghiên cứu. Bảng trong bài này có nhãn “số liệu minh họa”. Khi viết luận văn, bạn phải thay bằng số liệu từ file của mình, lưu output gốc và đối chiếu đúng tên construct.
Câu hỏi thường gặp
PLS-SEM là gì và PLS SEM có khác nhau không?
PLS-SEM là tên viết tắt của Partial Least Squares Structural Equation Modeling. Cách viết PLS SEM hoặc PLS-SEM thường chỉ cùng một phương pháp, trong đó dấu gạch nối là cách trình bày phổ biến hơn trong tài liệu học thuật.
PLS-SEM bao nhiêu là tốt?
Bạn cần xét từng chỉ số. Outer loading thường từ 0.70, CR từ 0.70, AVE từ 0.50, HTMT dưới 0.85 hoặc 0.90, VIF dưới 5, Q² lớn hơn 0 và R² được diễn giải theo bối cảnh. Các ngưỡng này cần đi kèm nguồn như (Hair và cộng sự, 2022), (Fornell và Larcker, 1981) và (Henseler và cộng sự, 2015).
Khi nào nên dùng SmartPLS thay vì AMOS?
SmartPLS phù hợp khi bạn quan tâm đến dự đoán, phương sai giải thích và mô hình có nhiều biến tiềm ẩn hoặc quan hệ. AMOS phù hợp hơn khi bạn dùng CB-SEM và cần đánh giá model fit theo hướng hiệp phương sai. Quyết định nên dựa vào mục tiêu nghiên cứu, không chỉ dựa vào việc phần mềm nào dễ chạy hơn.
PLS-SEM bị HTMT cao thì làm sao?
Trước hết, kiểm tra xem hai construct có định nghĩa quá gần nhau hay không, sau đó xem từng biến quan sát và bối cảnh bảng hỏi. Bạn có thể cân nhắc loại biến nếu có cơ sở phương pháp và lý thuyết, nhưng không nên gộp construct hoặc xóa item chỉ để HTMT xuống dưới ngưỡng.
PLS-SEM có cần chạy Cronbach's Alpha không?
Có. Cronbach's Alpha là một chỉ số độ tin cậy nội tại, nhưng trong PLS-SEM bạn nên đọc cùng rho_A và Composite Reliability. Sau đó kiểm tra AVE, outer loading và HTMT để đánh giá đầy đủ hơn chất lượng thang đo.
Bạn hãy mở lại mô hình SmartPLS của mình, xuất riêng các bảng Outer Loadings, Construct Reliability and Validity, Discriminant Validity, VIF, Path Coefficients, R², f² và Q², rồi đối chiếu từng dòng với nguồn và ngưỡng tương ứng. 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 cho bước này.