PLSpredict trong SmartPLS: Cách chạy và đọc kết quả
PLSpredict trong SmartPLS dùng để làm gì
Bạn mở SmartPLS lên, mô hình đã có R² và path coefficient, nhưng vẫn chưa biết mô hình dự báo biến phụ thuộc tốt đến đâu. PLSpredict là thủ tục dùng các quan sát bị giữ lại trong quá trình dự báo để so sánh giá trị quan sát với giá trị dự đoán của các chỉ báo nội sinh. Kết quả thường được đọc qua Q²predict, RMSE và MAE.
PLSpredict thuộc nhóm đánh giá khả năng dự báo của mô hình PLS-SEM. Nó bổ sung cho việc đánh giá measurement model và structural model, chứ không thay thế outer loading, CR, AVE, HTMT, VIF hay kiểm định ý nghĩa của path coefficient. Bạn có thể xem thêm các thủ tục liên quan trong chủ đề SmartPLS trước khi chạy.
Ý tưởng cốt lõi là tách một phần dữ liệu thành các tập con, dùng dữ liệu còn lại để ước lượng mô hình, sau đó dự đoán phần đã giữ lại. Nếu sai số dự đoán nhỏ và Q²predict lớn hơn 0, mô hình có thông tin hữu ích cho dự báo ngoài mẫu. Tuy vậy, không nên biến một chỉ số PLSpredict thành tuyên bố rằng mô hình chắc chắn dự báo tốt trong mọi bối cảnh.
Chuẩn bị mô hình và dữ liệu
Phân biệt measurement model và structural model
Measurement model mô tả quan hệ giữa biến tiềm ẩn và biến quan sát. Structural model mô tả các đường dẫn giữa các biến tiềm ẩn, chẳng hạn như Dịch vụ -> Sự hài lòng -> Ý định tiếp tục sử dụng. PLSpredict cần một mô hình đã được vẽ đầy đủ, có biến nội sinh và có ít nhất một mối quan hệ cần đánh giá dự báo.
Trước khi chạy, bạn nên hoàn tất các kiểm tra cơ bản. Với reflective construct, xem outer loading, CR, AVE và HTMT. Với structural model, xem VIF, path coefficient, R² và kết quả bootstrapping. Quy trình đánh giá measurement model trước rồi mới đánh giá structural model phù hợp với logic hai bước được nêu trong (Anderson và Gerbing, 1988).
PLSpredict không làm cho một mô hình đo lường yếu trở thành mô hình dự báo tốt. Nếu biến quan sát có loading thấp, construct có giá trị phân biệt kém hoặc dữ liệu bị nhập sai, kết quả dự báo có thể phản ánh lỗi dữ liệu thay vì năng lực của mô hình.
Đặt tên indicator và kiểm tra dữ liệu
SmartPLS đọc tên cột trong file .csv để nhận diện indicator. Tên cột nên ngắn, nhất quán và không trùng nhau, ví dụ DV1, DV2, HL1, HL2. Mỗi dòng là một người trả lời, mỗi cột là một biến quan sát. Không để dòng tiêu đề phụ, ô gộp, ký tự tiền tệ hoặc ghi chú ở cuối file.
Bạn cần kiểm tra missing value, kiểu dữ liệu và các biến đảo chiều. Nếu bảng hỏi dùng thang Likert từ 1 đến 5, mọi indicator phải nằm trong cùng logic mã hóa trước khi xuất .csv. Một dòng chỉ chứa cùng một mức trả lời cho hầu hết biến cũng cần được xem xét như khả năng trả lời thiếu chú ý, thay vì xóa tự động chỉ để làm đẹp kết quả.
Nếu dữ liệu ban đầu ở SPSS, hãy kiểm tra tên biến và mã hóa trong .sav trước khi xuất sang .csv. Lưu một bản dữ liệu gốc, một bản làm sạch và một bản dùng cho SmartPLS. Cách này giúp bạn giải trình được vì sao số dòng ở SmartPLS khác với số dòng ban đầu.
Kiểm tra kích thước mẫu và biến nội sinh
PLSpredict thường cần đủ số quan sát để chia dữ liệu thành các tập con mà mỗi lần ước lượng vẫn có thông tin ổn định. Không có một con số duy nhất phù hợp cho mọi mô hình. Bạn nên ghi rõ số quan sát hợp lệ, số indicator của từng construct và số biến dự báo trong mô hình.
Đừng dùng CFI, TLI, RMSEA hoặc SRMR để kết luận PLSpredict. Đây là nhóm fit index thường gắn với CB-SEM, trong khi PLSpredict nằm trong hệ PLS-SEM. Với PLS-SEM, các chỉ số như R², f², Q², path coefficient, CR, AVE và HTMT cần được giữ đúng ngữ cảnh. Bạn có thể xem thêm consistent PLS trong SmartPLS nếu mô hình của bạn cần so sánh với cách ước lượng nhất quán hơn.
Các bước thực hiện trong SmartPLS 4
Bước 1: Mở dự án và kiểm tra mô hình
Trong SmartPLS 4, mở project chứa mô hình và dataset. Kiểm tra các indicator đã nối đúng với construct, các mũi tên structural model đi đúng chiều và construct nội sinh có biến dự báo. Nếu bạn đổi tên cột trong .csv sau khi tạo mô hình, hãy kiểm tra lại mapping trước khi chạy.
Bạn nên chạy PLS-SEM trước để SmartPLS xác nhận mô hình có thể ước lượng. Trong khu vực kết quả, xem cảnh báo về missing value, constant column hoặc indicator không được nhận diện. Xử lý cảnh báo ở bước này sẽ dễ hơn việc cố giải thích một bảng PLSpredict trống.
Bước 2: Chọn PLSpredict trong SmartPLS 4
Ở giao diện mô hình, chọn nhóm tính năng tính toán cho mô hình và mở tùy chọn PLSpredict. Tên menu có thể thay đổi nhẹ theo bản cập nhật SmartPLS 4, nhưng bạn cần tìm đúng thủ tục có chữ PLSpredict, không chọn nhầm Blindfolding hoặc Blindfolding-based Predictive Relevance.
Trong hộp thoại, đặt số folds cho cross-validation và số repetitions nếu phiên bản của bạn cung cấp tùy chọn này. Số folds quá thấp có thể làm kết quả nhạy với cách chia dữ liệu, còn số folds quá cao làm mỗi tập huấn luyện nhỏ hơn. Hãy ghi lại các thiết lập đã dùng để lần chạy sau có thể tái lập.
Bước 3: Chọn thiết lập cross-validation
Thiết lập số folds theo hướng dẫn của phiên bản SmartPLS đang dùng và giữ nguyên thiết lập khi so sánh các mô hình. Nếu bạn thay đổi số folds giữa hai mô hình, chênh lệch RMSE hoặc MAE không còn là so sánh hoàn toàn tương đương.
Khi mô hình có dữ liệu không lớn, hãy tránh diễn giải quá mạnh từ một lần chạy. Bạn có thể chạy lại với thiết lập hợp lý để xem kết quả có ổn định về dấu, thứ hạng sai số và Q²predict hay không. Việc chạy lại nhằm kiểm tra độ nhạy, không nhằm chọn lần có kết quả đẹp nhất.
Bước 4: Chạy và lưu kết quả
Xác nhận thiết lập rồi bắt đầu tính toán. SmartPLS sẽ tạo các bảng liên quan đến kết quả dự báo cho từng indicator nội sinh. Lưu ảnh chụp hoặc xuất bảng kết quả cùng với thông tin về dataset, số folds và ngày chạy.
Nếu bạn đã chạy bootstrapping trong SmartPLS, hãy giữ hai nhóm kết quả riêng. Bootstrapping trả lời câu hỏi về độ ổn định và ý nghĩa thống kê của ước lượng, còn PLSpredict tập trung vào sai số dự báo ngoài mẫu. Hai thủ tục có thể xuất hiện trong cùng một chương, nhưng không nên gộp cách diễn giải.
Bước 5: Đọc phần dự đoán cho từng indicator
Mở các bảng có tên liên quan đến PLSpredict, Prediction Summary hoặc bảng dự đoán theo indicator, tùy phiên bản SmartPLS 4. Tập trung vào giá trị thực tế, giá trị dự đoán, sai số và các chỉ số Q²predict, RMSE, MAE nếu chúng được hiển thị.
Ghi lại indicator nào có sai số cao. Một construct có Q²predict dương nhưng vẫn có một indicator dự báo kém có thể cần được xem xét ở cấp indicator. Bạn không nên chỉ nhìn một con số tổng hợp rồi bỏ qua các biến quan sát cụ thể.
Đọc bảng kết quả
Bảng 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 báo cáo PLSpredict của SmartPLS. Khi viết, bạn thay bằng số liệu trong file của mình.
| Indicator | Q²_predict | RMSE | MAE | Linear model RMSE | Linear model MAE |
|---|---|---|---|---|---|
| HL1 | 0.214 | 0.642 | 0.493 | 0.681 | 0.526 |
| HL2 | 0.176 | 0.701 | 0.538 | 0.716 | 0.552 |
| HL3 | 0.098 | 0.759 | 0.581 | 0.733 | 0.566 |
| HL4 | 0.231 | 0.618 | 0.472 | 0.665 | 0.509 |
Q²_predict lớn hơn 0 cho thấy dự đoán của indicator có giá trị dự báo theo logic của thủ tục. RMSE và MAE càng nhỏ thì sai số dự báo càng thấp, nhưng bạn nên so sánh chúng với benchmark được SmartPLS cung cấp, thường là linear model. Trong bảng minh họa, RMSE của HL1, HL2 và HL4 thấp hơn benchmark, còn HL3 cũng có RMSE cao hơn benchmark trong một tình huống khác thì cần được đánh dấu là indicator dự báo yếu.
RMSE phạt các sai số lớn mạnh hơn MAE, vì vậy hai chỉ số có thể cho thứ hạng hơi khác nhau. Khi RMSE cao hơn MAE nhiều, hãy kiểm tra khả năng có một số quan sát dự đoán lệch đáng kể. Bạn không nên tự đặt một ngưỡng RMSE chung cho mọi thang đo, vì RMSE còn phụ thuộc khoảng đo và cách mã hóa indicator.
Q²predict không phải R². R² mô tả tỷ lệ phương sai của biến nội sinh được giải thích trong mẫu ước lượng. Q²predict hướng đến năng lực dự báo qua các quan sát được giữ lại. Một mô hình có R² khá nhưng dự báo ngoài mẫu yếu vẫn có thể xảy ra.
Nếu cần đánh giá thêm predictive relevance theo blindfolding, hãy đọc riêng blindfolding trong SmartPLS. Không nên dùng kết quả blindfolding để thay thế toàn bộ PLSpredict khi mục tiêu của bạn là đánh giá prediction trên dữ liệu giữ lại.
Ngưỡng đánh giá
PLSpredict không nên được đọc bằng một ngưỡng duy nhất. Bạn cần kết hợp dấu của Q²predict, mức sai số và so sánh với benchmark. Các ngưỡng PLS-SEM liên quan dưới đây giúp bạn kiểm tra mô hình trước và sau phần dự báo.
| Chỉ số | Quy tắc tham khảo | Nguồn |
|---|---|---|
| Q²predict | Lớn hơn 0 cho thấy chỉ báo có predictive relevance | (Stone, 1974) |
| R² | 0.75 substantial, 0.50 moderate, 0.25 weak trong PLS-SEM | (Hair và cộng sự, 2011) |
| VIF | Nhỏ hơn 5 | (Hair và cộng sự, 2019) |
| Outer loading | Từ 0.7 trở lên là mức tham khảo phổ biến | (Chin, 1998) |
| CR | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Nhỏ hơn 0.85, hoặc nhỏ hơn 0.90 với construct gần nhau | (Henseler và cộng sự, 2015) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) |
Bảng trên không phải bảng chấm đạt hoặc trượt cho toàn bộ nghiên cứu. Chẳng hạn, Q²predict lớn hơn 0 chỉ nói rằng chỉ báo có thông tin dự báo theo tiêu chí này. Bạn vẫn cần xem RMSE và MAE so với benchmark. Nếu sai số của mô hình cao hơn benchmark ở phần lớn indicator, khả năng dự báo của mô hình cần được mô tả là hạn chế.
Với chỉ số Q² được tính bằng blindfolding, logic diễn giải có liên quan đến giá trị lớn hơn 0, nhưng loại kiểm tra và cách tạo giá trị dự đoán khác với PLSpredict. (Hair và cộng sự, 2022) khuyến nghị đánh giá PLS-SEM theo các bước phù hợp với mục tiêu nghiên cứu, vì vậy hãy ghi rõ bạn đang dùng bảng nào và thủ tục nào.
Cách trình bày trong chương 4
Trình bày thiết lập phân tích
Đầu tiên, ghi số quan sát hợp lệ, dataset được dùng, phiên bản SmartPLS 4, số folds và các tùy chọn chính. Nếu đã loại dòng hoặc indicator trước khi chạy, mô tả việc đó ở phần làm sạch dữ liệu và giữ số liệu nhất quán giữa các bảng.
Trình bày kết quả theo construct và indicator
Bạn nên lập một bảng gồm indicator, Q²predict, RMSE, MAE và benchmark tương ứng. Sau đó nêu xu hướng chung, chẳng hạn phần lớn indicator có Q²predict dương và RMSE thấp hơn benchmark. Nếu một indicator có kết quả ngược lại, hãy nêu rõ thay vì chỉ báo cáo các dòng thuận lợi.
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau theo số liệu thật: “Kết quả PLSpredict trên mô hình [tên mô hình] cho thấy Q²predict của các indicator thuộc [tên construct] dao động từ [giá trị thấp nhất] đến [giá trị cao nhất]. So với benchmark linear model, RMSE của [số lượng hoặc tỷ lệ] indicator thấp hơn, cho thấy mô hình có [mức độ] khả năng dự báo đối với [biến nội sinh]. Tuy nhiên, indicator [mã indicator] có sai số cao hơn benchmark nên kết quả dự báo của indicator này cần được diễn giải thận trọng.”
Câu viết phải phản ánh đúng bảng của bạn. Không ghi “mô hình dự báo rất tốt” chỉ vì một Q²predict dương. Nếu mục tiêu nghiên cứu không phải xây dựng hệ thống dự báo, hãy dùng ngôn ngữ vừa phải như “có bằng chứng về khả năng dự báo đối với một số indicator” và chỉ ra phần còn hạn chế.
Lỗi thường gặp
Chọn nhầm Blindfolding thay cho PLSpredict
Hai thủ tục có liên quan đến predictive relevance nhưng không phải cùng một phân tích. Nếu đề cương hoặc giảng viên yêu cầu PLSpredict, hãy chạy đúng thủ tục có tên đó và ghi tên bảng trong chương 4.
Dùng CFI, TLI hoặc RMSEA để đánh giá PLSpredict
Các chỉ số này thuộc nhóm fit index của CB-SEM và không phải tiêu chí chính của PLSpredict trong SmartPLS. Việc đưa chúng vào cùng bảng có thể khiến người đọc nghi ngờ bạn đang trộn PLS-SEM với CB-SEM.
Chỉ báo cáo Q²predict mà bỏ qua benchmark
Q²predict dương chưa đủ để kết luận mô hình dự báo tốt. Hãy xem RMSE và MAE của mô hình so với linear model, đồng thời kiểm tra các indicator có sai số bất thường.
Xóa indicator chỉ vì sai số cao
Sai số dự báo cao là tín hiệu cần kiểm tra, không phải lý do tự động loại biến. Bạn cần xem lại nội dung indicator, chất lượng dữ liệu, outer loading, HTMT và cơ sở lý thuyết. Việc loại biến sau khi nhìn kết quả nên có lý do phương pháp rõ ràng.
Không lưu thiết lập chạy
Một ảnh chụp bảng kết quả không cho biết bạn dùng bao nhiêu folds hoặc dataset nào. Lưu file dữ liệu, tên mô hình, thiết lập PLSpredict và ngày chạy trong cùng thư mục nghiên cứu để có thể giải trình khi được hỏi.
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
PLSpredict trong SmartPLS là gì
PLSpredict là thủ tục đánh giá khả năng dự báo ngoài mẫu của mô hình PLS-SEM bằng cách giữ lại một phần quan sát, dự đoán chúng rồi tính sai số. Các chỉ số thường được xem gồm Q²predict, RMSE và MAE.
Q²predict bao nhiêu là đạt
Q²predict lớn hơn 0 là dấu hiệu chỉ báo có predictive relevance theo logic của Stone (1974). Tuy nhiên, bạn vẫn phải xem RMSE và MAE so với benchmark, vì Q²predict dương không tự động chứng minh mô hình dự báo tốt.
PLSpredict và Blindfolding có giống nhau không
Hai thủ tục đều liên quan đến khả năng dự báo, nhưng cách tạo và đánh giá giá trị dự đoán khác nhau. PLSpredict phù hợp khi bạn muốn xem sai số dự báo trên các quan sát được giữ lại và so sánh với benchmark. Blindfolding cần được báo cáo như một thủ tục riêng.
Có cần chạy Bootstrapping trước PLSpredict không
Bạn nên đánh giá mô hình đo lường và structural model trước, sau đó chạy bootstrapping để xem ý nghĩa của path coefficient. PLSpredict là phân tích bổ sung cho năng lực dự báo, không phải bước thay thế bootstrapping.
SmartPLS 3 có chạy PLSpredict giống SmartPLS 4 không
Tên thủ tục và vị trí menu có thể khác giữa SmartPLS 3 và SmartPLS 4. Bài này tập trung vào SmartPLS 4. Khi dùng bản khác, hãy kiểm tra tài liệu của đúng phiên bản và ghi phiên bản trong phương pháp nghiên cứu.
Bạn hãy mở lại project SmartPLS 4, kiểm tra .csv, chạy PLSpredict với thiết lập được ghi lại, rồi lập bảng Q²predict, RMSE, MAE và benchmark cho từng indicator nội sinh; nếu cần chạy phân tích trên dữ liệu thật và lưu kết quả có thể dùng M4 phân tích dữ liệu của DoThesis.