Q Square âm phải làm sao trong SmartPLS

Hiện tượng bạn đang gặp

Bạn chạy mô hình PLS-SEM trong SmartPLS, mở bảng Construct Crossvalidated Redundancy hoặc phần kết quả liên quan đến Q², rồi thấy một biến nội sinh có Q Square âm, chẳng hạn -0.041. Đây là lúc nhiều bạn vội xóa biến, thêm đường dẫn hoặc chạy lại mô hình mà chưa biết nguyên nhân nằm ở đâu.

Q² âm cho thấy mô hình hiện tại không có khả năng dự báo tốt cho construct nội sinh đó theo cách đánh giá đang dùng. Q² không phải là p-value, không phải hệ số tải và cũng không nói trực tiếp rằng giả thuyết có được chấp nhận hay không. Trong PLS-SEM, Q² được dùng để đánh giá predictive relevance, thường gắn với logic blindfolding. Giá trị Q² lớn hơn 0 thường được xem là mô hình có khả năng dự báo cho construct được đánh giá (Stone, 1974).

Trước khi sửa, bạn cần ghi lại tên construct, loại Q² đang đọc, số mẫu, số chỉ báo của construct nội sinh và các thiết lập trong SmartPLS 4. Một giá trị âm có thể đến từ cách chạy, dữ liệu, mô hình đo lường hoặc chính việc mô hình chưa giải thích được construct đó. Nếu bạn đang xử lý các chỉ số PLS-SEM khác, có thể xem thêm chủ đề SmartPLS, bài về AVE nhỏ hơn 0.5 phải làm sao và CR lớn hơn 0.95 phải làm sao.

Nguyên nhân thường gặp

Đừng bắt đầu bằng việc xóa biến. Hãy xác định Q² âm xuất hiện ở construct nào và sau bước nào. Bảng dưới đây giúp bạn khoanh vùng trước khi thay đổi mô hình.

Q² âm cũng có thể xuất hiện khi bạn đọc nhầm loại kết quả hoặc so sánh các mô hình có thiết lập khác nhau. Hãy giữ một bản sao file trước khi sửa. Nếu đã chỉnh sửa mô hình nhiều lần nhưng không lưu lịch sử, bạn sẽ khó giải thích với giảng viên vì sao một biến bị loại.

Một điểm cần phân biệt là Q² không thay thế cho R², f², hệ số đường dẫn hay bootstrapping. R² cho biết mức độ phương sai của construct nội sinh được giải thích trong mô hình. Q² tập trung vào khả năng dự báo theo quy trình đánh giá của PLS-SEM. Các mức R² thường được diễn giải theo các mốc 0.75, 0.50 và 0.25 trong PLS-SEM (Hair và cộng sự, 2011), nhưng không được dùng các mốc này để kết luận Q² đạt hay không đạt.

Cách xử lý theo thứ tự ưu tiên

1. Xác nhận bạn đang đọc đúng bảng Q²

Trong SmartPLS 4, mở project, chạy lại PLS Algorithm, sau đó xem phần kết quả của construct nội sinh. Với blindfolding, vào khu vực tính toán tương ứng trong SmartPLS 4, chọn omission distance phù hợp với dữ liệu rồi chạy lại. Tên menu có thể thay đổi theo phiên bản, vì vậy hãy ghi rõ bạn đang dùng SmartPLS 4 trong phương pháp nghiên cứu.

Q² thường được đọc ở bảng có tên gần với Construct Crossvalidated Redundancy hoặc kết quả predictive relevance. Đừng lấy một con số từ R Square rồi gọi đó là Q². Nếu output chỉ có kết quả dự báo ngoài mẫu, bạn cũng cần ghi đúng tên thủ tục thay vì gộp tất cả dưới tên blindfolding.

2. Kiểm tra dữ liệu gốc trước khi động vào mô hình

Mở file .csv hoặc file dữ liệu nguồn. Mỗi dòng cần tương ứng với một đáp viên, mỗi cột cần tương ứng với một chỉ báo hoặc biến được khai báo trong mô hình. Kiểm tra các lỗi thường gặp: ô trống, ký tự như -, giá trị Likert nằm ngoài khoảng đã thiết kế, chỉ báo bị nhập ngược và hai cột có tên gần giống nhau.

Nếu dùng thang Likert 1 đến 5, hãy kiểm tra xem có giá trị 0, 6 hoặc chuỗi chữ không. Nếu có biến đảo chiều, phải recode trước khi chạy. Việc đổi tên biến hoặc sửa trực tiếp vài ô trong SmartPLS mà không lưu bản dữ liệu mới làm cho quá trình giải trình kém tin cậy.

3. Đánh giá measurement model

Chạy PLS Algorithm và kiểm tra Outer Loadings, Composite Reliability, AVE cùng HTMT. Outer loading từ 0.7 trở lên thường được dùng làm mốc tham khảo trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các mốc thường được trích dẫn cho độ tin cậy và giá trị hội tụ (Fornell và Larcker, 1981).

Nếu AVE thấp, đừng xóa hàng loạt chỉ báo để làm Q² tăng. Xem nội dung thang đo, loading, ý nghĩa lý thuyết và kết quả sau khi loại từng biến. Bạn có thể đối chiếu thêm hướng xử lý khi giá trị phân biệt không đạt hoặc khi HTMT lớn hơn 0.9. HTMT dưới 0.85, hoặc dưới 0.90 với các construct gần nhau về khái niệm, là mốc được đề xuất (Henseler và cộng sự, 2015).

4. Kiểm tra structural model và các đường dẫn vào construct

Xem R Square của construct có Q² âm. Sau đó xem Path Coefficients, p-value và confidence interval từ bootstrapping. Nếu các biến giải thích có đường dẫn rất nhỏ hoặc không có ý nghĩa, mô hình có thể chưa giải thích được construct nội sinh. Tuy nhiên, p-value không đạt không tự động có nghĩa là phải xóa biến.

Kiểm tra thêm collinearity bằng VIF. VIF dưới 5 là mốc thường được dùng trong báo cáo PLS-SEM (Hair và cộng sự, 2019). Nếu VIF cao, các biến dự báo có thể trùng lặp thông tin. Bạn có thể cần xem lại mô hình khái niệm, gộp các construct trùng nội dung theo cơ sở lý thuyết, hoặc giữ mô hình và giải thích giới hạn nếu việc chỉnh sửa không có căn cứ.

5. Chạy lại với thiết lập nhất quán

Ghi lại số mẫu, construct nội sinh, omission distance và phiên bản SmartPLS. Chạy lại cùng một thiết lập sau khi đã kiểm tra dữ liệu. Không nên thử nhiều giá trị rồi chỉ chọn lần cho Q² đẹp nhất. Nếu cần thay đổi omission distance, ghi cả lý do và kết quả của từng lần chạy trong nhật ký phân tích.

Với bootstrapping, thiết lập số subsamples theo quy trình đã chọn. Trong hướng dẫn PLS-SEM hiện hành, 5.000 bootstrap subsamples được nêu như một thiết lập báo cáo (Hair và cộng sự, 2022). Bootstrapping dùng để đánh giá ý nghĩa của đường dẫn, còn Q² là chỉ số đánh giá khả năng dự báo, vì vậy hai thủ tục này không thay thế cho nhau. Nếu thủ tục bootstrap của bạn báo lỗi, xem bootstrapping bị lỗi phải làm sao.

6. So sánh mô hình cơ sở với mô hình lý thuyết

Nếu Q² âm vẫn còn, so sánh mô hình hiện tại với mô hình lý thuyết ban đầu. Hỏi ba câu: construct nội sinh này có thật sự cần được dự báo không, các biến độc lập đã phản ánh đúng giả thuyết chưa, và có biến kiểm soát hoặc biến trung gian nào bị bỏ sót theo cơ sở lý thuyết không.

Bạn chỉ nên thêm đường dẫn khi có giả thuyết hoặc lập luận nghiên cứu rõ ràng. Việc thêm tất cả đường dẫn có thể làm mô hình khó bảo vệ và khiến người đọc tưởng bạn điều chỉnh theo output. Q² âm không phải lý do đủ để thay đổi mô hình sau khi đã xem dữ liệu.

7. Báo cáo kết quả minh bạch

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Cấu trúc cột mô phỏng cách bạn có thể trình bày kết quả trong bảng SmartPLS. Không sao chép các con số này vào luận văn.

Trong ví dụ này, Sự hài lòng có Q² âm dù R² vẫn bằng 0.337. Cách đọc phù hợp là mô hình giải thích một phần phương sai của Sự hài lòng trong mẫu, nhưng chưa cho thấy predictive relevance theo chỉ số Q². Bạn không được viết rằng construct này chắc chắn không quan trọng hoặc toàn bộ mô hình thất bại.

Khi nào phải quay lại thu thêm dữ liệu

Thu thêm dữ liệu chỉ là một lựa chọn khi bạn có lý do phương pháp rõ ràng. Nếu file có nhiều đáp án thiếu, nhiều đáp viên trả lời theo một mẫu lặp lại, nhóm mẫu không đúng đối tượng hoặc số quan sát quá thấp so với thiết kế, việc thu thêm có thể cần thiết. Trước tiên, hãy kiểm tra dữ liệu hiện có và tiêu chí loại đáp viên đã được quy định trong chương phương pháp.

Q² âm do mô hình chưa phù hợp không tự động được giải quyết bằng cách tăng số mẫu. Mẫu lớn hơn có thể giúp ước lượng ổn định hơn, nhưng không sửa được một construct đo sai, câu hỏi mơ hồ hoặc giả thuyết không có cơ sở. Nếu bạn thu thêm, hãy giữ lại bản dữ liệu cũ, ghi ngày thu, tiêu chí chọn mẫu và lý do bổ sung.

Cũng không nên xóa ngẫu nhiên các đáp viên có kết quả làm Q² giảm. Chỉ loại một phản hồi khi có tiêu chí đã định trước, chẳng hạn không hoàn thành bảng hỏi hoặc vi phạm điều kiện sàng lọc. Hành động chọn dữ liệu chỉ vì muốn Q² dương sẽ tạo rủi ro lớn khi hội đồng hỏi về quy trình làm sạch.

Cách giải trình với giảng viên hướng dẫn

Bạn có thể dùng đoạn sau và thay bằng kết quả thật của mình:

Cách viết vào luận văn: “Kết quả đánh giá predictive relevance cho thấy construct [tên construct] có Q² bằng [giá trị Q²]. Theo tiêu chí Q² lớn hơn 0, mô hình [có/chưa có] predictive relevance đối với construct này (Stone, 1974). Kết quả được diễn giải cùng với R² bằng [giá trị R²], VIF bằng [giá trị VIF] và kết quả kiểm định các đường dẫn trong mô hình, thay vì dùng Q² làm căn cứ duy nhất để chấp nhận hoặc bác bỏ giả thuyết.”

Khi trao đổi trực tiếp, hãy đưa cả bảng kết quả trước và sau khi kiểm tra. Nói rõ bạn đã kiểm tra dữ liệu, measurement model, VIF, R², đường dẫn và thiết lập chạy. Nếu Q² vẫn âm, trình bày đây là giới hạn của khả năng dự báo ở construct cụ thể, đồng thời hỏi giảng viên có muốn giữ mô hình lý thuyết ban đầu hay có căn cứ để điều chỉnh.

Cách phòng từ bước thiết kế

Ngay từ lúc lập mô hình, phân biệt measurement model và structural model. Mỗi construct cần có định nghĩa, nguồn thang đo, chỉ báo và quan hệ giả thuyết rõ ràng. Đừng đưa một biến vào mô hình chỉ vì nó xuất hiện trong một bài mẫu. Khi thiết kế bảng hỏi, dùng cùng chiều mã hóa hoặc ghi riêng danh sách biến đảo chiều để tránh lỗi lúc nhập dữ liệu.

Trước khi thu chính thức, kiểm tra thử file dữ liệu với một số dòng giả lập. Đặt tên cột ngắn, không dấu, không khoảng trắng và không trùng nhau. Sau khi thu dữ liệu, lưu ít nhất ba phiên bản: dữ liệu gốc, dữ liệu đã làm sạch và dữ liệu đã import vào SmartPLS.

Bạn cũng nên lập bảng nhật ký gồm ngày chạy, phiên bản mô hình, biến bị loại, lý do loại, R², Q², CR, AVE, HTMT và kết quả bootstrapping. Nhật ký này giúp bạn không lặp lại các vòng chạy cũ và có căn cứ khi viết chương 4. Nếu bạn chưa chắc nên dùng SPSS, SmartPLS hay AMOS, hãy quyết định từ mô hình và loại dữ liệu, không quyết định chỉ vì một chỉ số đang âm.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là coi Q² âm như một lỗi phần mềm. SmartPLS vẫn có thể chạy đúng và trả về giá trị âm vì kết quả đó phản ánh khả năng dự báo chưa đạt trong thiết lập hiện tại. Lỗi thứ hai là lấy R², p-value hoặc outer loading để thay cho Q².

Lỗi thứ ba là xóa chỉ báo có loading thấp mà không xem nội dung thang đo. Lỗi thứ tư là thêm đường dẫn sau khi xem output nhưng không cập nhật giả thuyết và mô hình nghiên cứu. Lỗi thứ năm là báo Q² âm mà không ghi rõ construct nào, thủ tục nào, thiết lập nào và giá trị bao nhiêu.

Một lỗi khác là dùng các chỉ số fit của CB-SEM để kết luận cho SmartPLS. CFI, TLI, RMSEA và SRMR theo mốc của (Hu và Bentler, 1999) thuộc bối cảnh CB-SEM, nên không nên đưa vào bài viết về Q² trong SmartPLS như thể chúng là tiêu chí thay thế. Nếu một chỉ số khác trong mô hình cũng bất thường, hãy xử lý đúng nhóm chỉ số của nó, chẳng hạn CR lớn hơn 0.95 phải làm sao.

Đọc thêm: ave nhỏ hơn 0 5 phải làm sao, bootstrapping bị lỗi phải làm sao, cr lớn hơn 0 95 phải làm sao, giá trị phân biệt không đạt phải làm sao, htmt lớn hơn 0 9 phải làm sao, chủ đề smartpls.

Câu hỏi thường gặp

Q Square âm có nghĩa là mô hình sai hoàn toàn không?

Không. Q² âm cho construct cụ thể cho thấy mô hình chưa có predictive relevance theo đánh giá đó. Bạn vẫn cần xem measurement model, structural model, R², VIF và các đường dẫn trước khi kết luận về toàn bộ mô hình.

Q² bao nhiêu là đạt?

Mốc cơ bản thường dùng là Q² lớn hơn 0, vì giá trị dương cho thấy predictive relevance (Stone, 1974). Q² càng lớn không tự động có nghĩa là mô hình tốt trong mọi bối cảnh. Bạn nên báo giá trị cụ thể, construct tương ứng và cách tính đã dùng.

Có nên xóa biến để Q² từ âm thành dương không?

Chỉ xóa biến khi có căn cứ từ loading, độ tin cậy, giá trị hội tụ, giá trị phân biệt hoặc lý thuyết. Không nên xóa chỉ vì output đẹp hơn. Mỗi vòng loại biến cần được lưu lại và giải thích trong quy trình phân tích.

Q² âm có cần chạy bootstrapping lại không?

Bạn có thể chạy bootstrapping để đánh giá ý nghĩa của path coefficient và các quan hệ cần kiểm định, nhưng bootstrapping không biến Q² âm thành Q² dương. Nếu bootstrapping gặp lỗi, hãy kiểm tra dữ liệu, tên biến, mô hình và thiết lập trước khi chạy lại.

Tăng cỡ mẫu có chắc làm Q² dương không?

Không chắc. Tăng cỡ mẫu chỉ hợp lý khi dữ liệu hiện tại thiếu, mẫu chưa đại diện hoặc thiết kế yêu cầu thêm quan sát. Nếu nguyên nhân nằm ở thang đo hoặc cấu trúc giả thuyết, thêm mẫu không giải quyết được vấn đề cốt lõi.

Hãy mở lại project SmartPLS, ghi riêng construct có Q² âm, lưu bảng kết quả hiện tại, kiểm tra dữ liệu và chạy theo đúng thứ tự từ measurement model đến structural model trước khi sửa mô hình. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi từng vòng xử lý, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.