SEM là gì? Cách đọc kết quả SEM trên SmartPLS
SEM là gì
SEM, viết đầy đủ là Structural Equation Modeling, hay mô hình cấu trúc tuyến tính, là nhóm phương pháp dùng để kiểm định đồng thời mối quan hệ giữa các khái niệm nghiên cứu. Trong một mô hình SEM, bạn có thể kiểm tra cả phần đo lường, tức các biến quan sát đo lường biến tiềm ẩn, và phần cấu trúc, tức các đường tác động giữa những biến tiềm ẩn đó.
Ví dụ, đề tài của bạn giả thuyết rằng Chất lượng dịch vụ ảnh hưởng đến Sự hài lòng, rồi Sự hài lòng ảnh hưởng đến Ý định mua lại. Nếu mỗi khái niệm được đo bằng nhiều biến quan sát, hồi quy thông thường sẽ không xử lý trọn vẹn sai số đo lường. SEM cho phép bạn mô hình hóa các biến tiềm ẩn và kiểm tra toàn bộ cấu trúc giả thuyết trong cùng một quy trình.
Một mô hình SEM thường có hai phần:
- Mô hình đo lường, còn gọi là measurement model, kiểm tra outer loading, Cronbach's Alpha, Composite Reliability, AVE và HTMT.
- Mô hình cấu trúc, còn gọi là structural model, kiểm tra path coefficient, p-value, t-value, R², f², Q² và VIF.
Bạn có thể xem thêm phần khái niệm nền tảng trong bài mô hình SEM. Khi mở một mô hình SmartPLS, hãy xác định bạn đang đọc chỉ số của phần đo lường hay phần cấu trúc. Nhiều lỗi diễn giải xuất phát từ việc lấy một chỉ số của measurement model để kết luận cho giả thuyết.
Về mặt công thức, một phương trình cấu trúc có thể viết khái quát như sau:
Y = β1X1 + β2X2 + ζ
Trong đó Y là biến phụ thuộc, X1 và X2 là biến dự báo, β là path coefficient, còn ζ là phần sai số. Với mô hình có biến tiềm ẩn, SmartPLS ước lượng thêm mối quan hệ giữa biến tiềm ẩn và các biến quan sát của nó.
Ý nghĩa của SEM trong nghiên cứu định lượng
SEM giúp bạn trả lời một chuỗi câu hỏi nghiên cứu thay vì chỉ kiểm tra từng cặp biến riêng lẻ. Chẳng hạn, bạn có thể biết Niềm tin có tác động đến Ý định sử dụng hay không, tác động mạnh bao nhiêu, và Nhận thức hữu ích có đóng vai trò trung gian giữa hai biến này hay không.
Điểm quan trọng là SEM không tự tạo ra lý thuyết cho đề tài. Bạn vẫn phải xác định mô hình khái niệm, giả thuyết, thang đo và hướng tác động trước khi chạy. Output chỉ cho biết dữ liệu có ủng hộ những giả thuyết đã đặt ra hay không.
Trong nghiên cứu định lượng, SEM thường được dùng cho bốn quyết định:
- Kiểm tra thang đo có đo đúng khái niệm hay không.
- Kiểm tra các biến tiềm ẩn có phân biệt với nhau hay không.
- Kiểm tra chiều và mức độ tác động giữa các biến.
- Đánh giá mô hình giải thích được bao nhiêu biến thiên của biến phụ thuộc.
Nếu bạn dùng SmartPLS, hướng tiếp cận phổ biến là PLS-SEM. PLS-SEM phù hợp khi mục tiêu thiên về dự báo, mô hình có nhiều biến tiềm ẩn hoặc dữ liệu chưa đáp ứng tốt các giả định phân phối. Bạn có thể xem sự khác nhau về quy trình trong bài PLS-SEM.
CB-SEM là hướng tiếp cận khác, thường gắn với việc đánh giá mức độ phù hợp tổng thể của mô hình bằng các chỉ số như CFI, TLI, RMSEA hoặc SRMR. Các chỉ số này thuộc bối cảnh CB-SEM, không nên đưa vào bài đọc kết quả SmartPLS một cách máy móc. Nếu đang phân vân giữa hai hướng, bài CB-SEM là gì sẽ giúp bạn tách rõ hai cách tiếp cận.
SEM bao nhiêu là đạt
Câu hỏi “SEM bao nhiêu là tốt” cần được tách thành từng nhóm chỉ số. SEM không có một con số duy nhất để kết luận toàn bộ mô hình đạt hay không đạt. Một mô hình có R² cao nhưng HTMT vượt ngưỡng vẫn có vấn đề về giá trị phân biệt. Ngược lại, một path coefficient có ý nghĩa thống kê nhưng thang đo kém tin cậy cũng chưa đủ để bảo vệ kết quả.
Bảng dưới đây dùng các ngưỡng thường gặp trong PLS-SEM. Mỗi ngưỡng cần được đọc cùng mục tiêu nghiên cứu, loại thang đo và bối cảnh dữ liệu.
| Nhóm đánh giá | Chỉ số và ngưỡng tham khảo | Cách hiểu | Nguồn |
|---|---|---|---|
| Độ tin cậy | Cronbach's Alpha từ 0.7 trở lên | Thang đo có độ nhất quán nội tại chấp nhận được | (Nunnally, 1978) |
| Độ tin cậy khám phá | Alpha từ 0.6 có thể chấp nhận | Có thể cân nhắc với thang đo mới hoặc nghiên cứu khám phá | (Hair và cộng sự, 2010) |
| Độ tin cậy tổng hợp | CR từ 0.7 trở lên | Các biến quan sát có độ tin cậy tổng hợp phù hợp | (Fornell và Larcker, 1981) |
| Giá trị hội tụ | AVE từ 0.5 trở lên | Biến tiềm ẩn giải thích đủ phương sai của các biến quan sát | (Fornell và Larcker, 1981) |
| Outer loading | Từ 0.7 trở lên | Biến quan sát đóng góp tốt cho biến tiềm ẩn | (Chin, 1998) |
| Giá trị phân biệt | HTMT dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | Hai biến tiềm ẩn có thể phân biệt | (Henseler và cộng sự, 2015) |
| Đa cộng tuyến | VIF dưới 5 | Không có đa cộng tuyến đáng lo ngại theo ngưỡng tham khảo | (Hair và cộng sự, 2019) |
| Mức giải thích | R² 0.75, 0.50, 0.25 lần lượt là đáng kể, trung bình, yếu | Đánh giá khả năng giải thích biến phụ thuộc trong PLS-SEM | (Hair và cộng sự, 2011) |
| Kích thước tác động | f² 0.02, 0.15, 0.35 lần lượt là nhỏ, vừa, lớn | Đánh giá đóng góp của một biến dự báo | (Cohen, 1988) |
| Khả năng dự báo | Q² lớn hơn 0 | Mô hình có mức liên quan dự báo | (Stone, 1974) |
Path coefficient không có một ngưỡng “bao nhiêu là tốt” áp dụng cho mọi đề tài. Bạn cần xem hệ số có đúng chiều giả thuyết hay không, p-value hoặc khoảng tin cậy bootstrap có cho thấy tác động khác 0 hay không, rồi mới đánh giá ý nghĩa thực tiễn dựa trên độ lớn của hệ số.
SmartPLS thường dùng bootstrapping để kiểm tra ý nghĩa của path coefficient. Với quy trình PLS-SEM hiện hành, 5.000 bootstrap subsamples là lựa chọn thường được báo cáo (Hair và cộng sự, 2022). Số này là thiết lập cho thủ tục ước lượng, không phải tiêu chí để kết luận giả thuyết được chấp nhận.
Cách đọc SEM trên output SmartPLS
Sau khi chạy PLS-SEM, bạn nên đọc kết quả theo thứ tự từ measurement model đến structural model. Đừng bắt đầu bằng việc nhìn p-value của H1 rồi bỏ qua outer loading, CR, AVE và HTMT.
Bảng dưới đây là số liệu minh họa, được dựng theo dạng output SmartPLS và không phải kết quả của một nghiên cứu thật.
| Khu vực output SmartPLS | Chỉ số | Giá trị minh họa | Cách đọc |
|---|---|---|---|
| Outer Loadings | CLDV1 | 0.781 | Biến quan sát đạt ngưỡng tham khảo 0.7 |
| Construct Reliability and Validity | Cronbach's Alpha, CLDV | 0.842 | Độ tin cậy nội tại đạt |
| Construct Reliability and Validity | Composite Reliability, CLDV | 0.889 | Độ tin cậy tổng hợp đạt |
| Construct Reliability and Validity | Average Variance Extracted, CLDV | 0.667 | Giá trị hội tụ đạt |
| Discriminant Validity | HTMT, CLDV và HL | 0.812 | Dưới 0.85, đạt theo ngưỡng chặt hơn |
| Collinearity Statistics, VIF | CLDV → HL | 2.146 | Dưới 5, chưa thấy vấn đề đa cộng tuyến |
| Path Coefficients | CLDV → HL | 0.436 | Tác động dương, mức độ cần diễn giải theo bối cảnh |
| T Statistics | CLDV → HL | 5.274 | Dùng cùng p-value hoặc khoảng tin cậy bootstrap |
| P Values | CLDV → HL | 0.000 | Có ý nghĩa theo mức ý nghĩa đã chọn, không ghi p bằng 0 tuyệt đối |
| R Square | HL | 0.528 | Mô hình giải thích 52.8% phương sai của HL |
| f Square | CLDV → HL | 0.241 | Kích thước tác động minh họa ở mức vừa |
| Q Square | HL | 0.316 | Lớn hơn 0, có liên quan dự báo |
Trong bảng Outer Loadings, bạn xem từng biến quan sát có tải lên đúng biến tiềm ẩn hay không. Một loading thấp cần được xem cùng nội dung thang đo, CR và AVE. Không nên xóa ngay biến có loading thấp chỉ để làm bảng kết quả đẹp hơn.
Trong Construct Reliability and Validity, Alpha, rho_A, Composite Reliability và AVE được đọc theo từng biến tiềm ẩn. Nếu Alpha đạt nhưng AVE thấp, thang đo vẫn có thể chưa đạt giá trị hội tụ. Nếu CR quá cao, bạn nên kiểm tra khả năng các biến quan sát đang lặp lại gần như cùng một nội dung.
Trong Discriminant Validity, HTMT là chỉ số cần chú ý. Nếu HTMT vượt ngưỡng, hãy xem lại sự khác biệt về mặt khái niệm giữa hai biến, không chỉ nhìn vào con số. Bạn có thể đọc thêm về biến tiềm ẩn là gì để phân biệt biến tiềm ẩn, biến quan sát và mối quan hệ giữa chúng.
Trong Path Coefficients, dấu dương hoặc âm cho biết chiều tác động. Cột T Statistics, P Values và khoảng tin cậy bootstrap giúp bạn đánh giá ý nghĩa thống kê. R Square nằm ở biến nội sinh, còn f Square cho biết một biến dự báo đóng góp thêm bao nhiêu vào biến phụ thuộc.
Khi SEM không đạt thì xử lý thế nào
Khi một chỉ số không đạt, hãy xử lý theo thứ tự có thể giải trình được. Trước hết, kiểm tra dữ liệu gốc, tên biến, mã hóa thang đo và các biến đảo chiều. Một biến đảo chiều chưa được recode có thể làm loading thấp và làm giảm độ tin cậy của cả thang đo.
Kiểm tra lỗi dữ liệu và mô hình
Xem lại file .csv, dấu phân cách, ô trống, kiểu dữ liệu và việc gán biến quan sát vào đúng biến tiềm ẩn. Sau đó kiểm tra mô hình có mũi tên sai chiều, biến bị nối nhầm hoặc quan hệ giả thuyết bị bỏ sót hay không.
Xem xét loại biến quan sát
Nếu outer loading thấp, bạn có thể cân nhắc loại biến sau khi kiểm tra ý nghĩa lý thuyết và ảnh hưởng đến CR, AVE. Mỗi lần loại chỉ nên loại biến có lý do rõ ràng, chạy lại mô hình và ghi lại thay đổi. Xóa hàng loạt biến theo con số sẽ làm thang đo xa khỏi nguồn gốc ban đầu.
Xem lại giá trị phân biệt
HTMT cao có thể cho thấy hai khái niệm đang chồng lấn. Bạn cần đối chiếu nội dung từng biến quan sát, xem có câu nào gần như trùng nghĩa hoặc người trả lời hiểu hai khái niệm giống nhau không. Việc gộp hai biến tiềm ẩn chỉ hợp lý khi có cơ sở lý thuyết và được giảng viên chấp thuận.
Đánh giá lại mô hình cấu trúc
Nếu VIF cao, kiểm tra các biến dự báo có quá tương đồng hay không. Nếu R² thấp, đừng tự động thêm biến để làm R² tăng. Một mô hình gọn, phù hợp lý thuyết và có khả năng giải thích hợp lý thường dễ bảo vệ hơn mô hình có quá nhiều đường dẫn.
Có những trường hợp phần mềm không thể sửa được vấn đề do thiết kế bảng hỏi hoặc dữ liệu thu thập. Nếu nhiều người trả lời chọn cùng một mức, dữ liệu thiếu biến thiên, hoặc tỷ lệ thiếu dữ liệu quá lớn, bạn cần trao đổi về việc làm sạch, thu thập bổ sung hoặc giới hạn kết luận. Không nên tạo thêm dòng dữ liệu hay sửa câu trả lời để ép SEM đạt.
Phân biệt SEM với PLS-SEM và CB-SEM
SEM là tên gọi rộng của nhóm mô hình. PLS-SEM và CB-SEM là hai hướng tiếp cận thường gặp bên trong nhóm này. SmartPLS chủ yếu được dùng để chạy PLS-SEM, còn AMOS thường được dùng cho CB-SEM. SPSS có thể hỗ trợ hồi quy, kiểm định thang đo và một số quy trình trung gian, nhưng không thay thế đầy đủ phần mềm SEM chuyên dụng.
PLS-SEM tập trung nhiều vào phương sai được giải thích và khả năng dự báo. Bạn sẽ thường thấy các bảng Outer Loadings, Path Coefficients, R Square, f Square, Q Square và HTMT. CB-SEM tập trung vào việc kiểm tra mức độ phù hợp giữa ma trận hiệp phương sai quan sát và mô hình lý thuyết. Vì vậy, các chỉ số CFI, TLI và RMSEA cần được đặt trong bối cảnh CB-SEM.
SEM cũng dễ bị nhầm với hồi quy đa biến. Hồi quy thường dùng biến quan sát hoặc điểm tổng hợp đã tính sẵn, trong khi SEM cho phép mô hình hóa biến tiềm ẩn với nhiều chỉ báo và kiểm tra nhiều phương trình cùng lúc. Nếu đề tài chỉ có một biến phụ thuộc, ít biến dự báo và không có cấu trúc trung gian, hồi quy có thể là lựa chọn gọn hơn.
Bạn cũng nên phân biệt SEM với mediation và moderation. Mediation là một cấu trúc quan hệ bên trong SEM, trong đó biến trung gian truyền một phần hoặc toàn bộ tác động. Moderation kiểm tra việc một biến làm thay đổi độ mạnh hoặc chiều của quan hệ giữa hai biến khác. Đây không phải tên thay thế cho SEM.
Lỗi thường gặp khi đọc SEM
Lỗi đầu tiên là kết luận “SEM đạt” chỉ vì một vài p-value nhỏ. p-value chỉ trả lời câu hỏi về ý nghĩa thống kê của một quan hệ. Bạn vẫn phải đọc chất lượng thang đo, giá trị phân biệt, VIF, R² và khả năng dự báo.
Lỗi thứ hai là dùng ngưỡng của CB-SEM cho SmartPLS. CFI, TLI và RMSEA không phải bộ tiêu chí mặc định của PLS-SEM. Nếu luận văn dùng SmartPLS, hãy báo cáo đúng họ chỉ số PLS-SEM và nêu rõ quy trình đã chạy.
Lỗi thứ ba là ghi p = 0.000. Phần mềm thường hiển thị ba chữ số thập phân, nhưng điều đó không có nghĩa xác suất bằng 0 tuyệt đối. Cách viết phù hợp là p < 0.001 nếu output hiển thị 0.000.
Lỗi thứ tư là xóa biến cho đến khi mọi chỉ số đều đẹp. Mỗi biến quan sát phải có ý nghĩa nội dung và nguồn thang đo. Bạn cần lưu các phiên bản mô hình, ghi lý do loại biến, rồi báo cáo quy trình trong chương 4.
Lỗi cuối là trộn số liệu minh họa với số liệu nghiên cứu thật. Bảng ví dụ chỉ giúp bạn nhận diện vị trí cột và cách diễn giải. Khi viết luận văn, hãy thay bằng output từ chính file dữ liệu của bạn và kiểm tra lại số quan sát, mã biến, đường dẫn giả thuyết.
Câu hỏi thường gặp
SEM là gì trong nghiên cứu định lượng?
SEM là mô hình cấu trúc tuyến tính, dùng để kiểm định đồng thời mô hình đo lường và mô hình cấu trúc. Nó phù hợp khi đề tài có nhiều biến tiềm ẩn, mỗi biến được đo bằng nhiều biến quan sát, và có các quan hệ giả thuyết cần kiểm định cùng lúc.
SEM bao nhiêu là tốt?
Không có một con số chung cho toàn bộ SEM. Bạn cần xem từng nhóm chỉ số, chẳng hạn outer loading, CR, AVE, HTMT, VIF, R², f², Q² và ý nghĩa của path coefficient. Các ngưỡng chỉ là điểm tham khảo có nguồn, còn kết luận cuối cùng phải dựa trên mô hình và dữ liệu cụ thể.
Nên chạy SEM bằng SmartPLS hay SPSS?
SmartPLS phù hợp để chạy PLS-SEM với biến tiềm ẩn, bootstrapping và các chỉ số như HTMT, R², f², Q². SPSS phù hợp hơn cho làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA, tương quan và hồi quy. Bạn có thể dùng hai phần mềm ở các bước khác nhau nếu quy trình phương pháp của đề tài cho phép.
SEM không đạt thì phải làm sao?
Bạn kiểm tra dữ liệu, mã hóa biến, biến đảo chiều, cấu trúc mô hình và cách gán biến quan sát trước. Sau đó mới cân nhắc loại biến có loading thấp hoặc điều chỉnh mô hình, với điều kiện có lý do lý thuyết và ghi lại từng lần chạy. Nếu vấn đề đến từ dữ liệu thiếu biến thiên hoặc bảng hỏi kém, phần mềm không thể sửa thay cho việc xem lại dữ liệu.
R² bao nhiêu là tốt trong SEM?
Trong PLS-SEM, R² 0.75, 0.50 và 0.25 thường được diễn giải lần lượt là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Đây là mức tham khảo, không phải tiêu chuẩn bắt buộc cho mọi lĩnh vực. R² cần được đọc cùng độ lớn path coefficient, f², Q² và mục tiêu dự báo của mô hình.
Có cần báo cáo tất cả chỉ số SEM trong luận văn không?
Bạn nên báo cáo các chỉ số phù hợp với quy trình đã đăng ký, gồm kết quả measurement model, structural model và kiểm định giả thuyết. Không cần đưa toàn bộ bảng output thô vào phần chính nếu chúng làm chương 4 khó đọc, nhưng nên lưu lại để giải trình khi được hỏi.
Mở file SmartPLS của bạn ngay bây giờ, tách kết quả thành hai nhóm measurement model và structural model, rồi đối chiếu từng chỉ số với nguồn trong bảng trên; nếu cần chạy và diễn giải dữ liệu .sav hoặc .csv của chính bạn, xem M4 phân tích.