Smart PLS là gì? Cách đọc output và ngưỡng đánh giá
Smart PLS là gì
Smart PLS, thường được viết đúng tên phần mềm là SmartPLS, là công cụ dùng để chạy PLS-SEM, một phương pháp mô hình hóa phương trình cấu trúc dựa trên phương sai. Bạn dùng phần mềm này khi mô hình có biến tiềm ẩn được đo bằng nhiều biến quan sát, đồng thời muốn đánh giá cả thang đo và quan hệ giữa các khái niệm trong mô hình.
Trong SmartPLS, bạn đưa dữ liệu khảo sát vào dưới dạng .csv, tạo các construct, kéo mũi tên giữa các construct rồi chạy thuật toán PLS. Kết quả thường được đọc theo hai nhóm. Nhóm thứ nhất là mô hình đo lường, gồm Outer Loadings, Cronbach's Alpha, Composite Reliability, rho_A, AVE và HTMT. Nhóm thứ hai là mô hình cấu trúc, gồm Path Coefficients, R², f², Q², VIF và kết quả Bootstrapping.
Có thể hình dung SmartPLS theo chuỗi sau:
Dữ liệu khảo sát → mô hình đo lường → mô hình cấu trúc → Bootstrapping → kết luận giả thuyết
Nếu bạn mới tiếp cận phương pháp này, có thể xem thêm bài partial least squares là gì để phân biệt PLS với cách tiếp cận SEM dựa trên hiệp phương sai. Bài PLS-SEM phù hợp khi bạn cần xem toàn bộ quy trình từ thiết kế mô hình đến báo cáo kết quả.
Ý nghĩa của Smart PLS trong nghiên cứu định lượng
SmartPLS giúp bạn trả lời hai câu hỏi của một luận văn định lượng. Thứ nhất, các biến quan sát có đo đúng construct mà bạn đặt tên hay không. Thứ hai, các construct có tác động đến nhau theo các giả thuyết nghiên cứu hay không.
Ví dụ, mô hình của bạn có Perceived Usefulness tác động đến Behavioral Intention. Mỗi construct được đo bằng ba hoặc bốn biến quan sát. Trước khi kết luận giả thuyết, bạn cần kiểm tra outer loading, độ tin cậy, AVE và HTMT. Nếu thang đo chưa ổn, việc diễn giải path coefficient sẽ thiếu cơ sở.
Sau khi mô hình đo lường đạt mức có thể chấp nhận, bạn xem Path Coefficients và chạy Bootstrapping. Một đường dẫn có hệ số dương cho biết chiều tác động cùng chiều trong mẫu. Tuy nhiên, dấu dương chưa đủ để kết luận giả thuyết được ủng hộ. Bạn còn phải xem T Statistics, P Values hoặc khoảng tin cậy bootstrap.
SmartPLS phù hợp với PLS-SEM, còn AMOS thường được dùng cho CB-SEM. Vì vậy, các chỉ số như CFI, TLI và RMSEA không nên được đưa vào bài báo cáo SmartPLS như thể chúng là tiêu chí chính của PLS-SEM. Nếu bạn đang nhầm giữa hai hướng SEM, bài SEM là gì sẽ giúp bạn phân biệt phạm vi sử dụng.
Bạn cũng cần biết phần mềm không tự quyết định mô hình có hợp lý về mặt lý thuyết hay không. SmartPLS tính toán từ dữ liệu và cấu trúc bạn nhập. Việc một đường dẫn có p-value nhỏ không chứng minh rằng mô hình phù hợp với mọi bối cảnh. Bạn vẫn phải dựa vào cơ sở lý thuyết, thang đo, cách lấy mẫu và câu hỏi nghiên cứu.
Smart PLS bao nhiêu là đạt
Không có một con số duy nhất để kết luận toàn bộ mô hình SmartPLS đạt hay không. Mỗi nhóm chỉ số có mục đích riêng. Bảng dưới đây dùng các ngưỡng thường được trích dẫn trong luận văn PLS-SEM. Đây là mốc tham khảo để đọc output, không phải quy tắc xóa biến máy móc.
| Nhóm kiểm tra | Chỉ số hoặc tiêu chí | Mốc thường dùng | Nguồn |
|---|---|---|---|
| Độ tin cậy | Cronbach's Alpha | Từ 0.70 trở lên | (Nunnally, 1978) |
| Độ tin cậy | Alpha cho thang đo khám phá | Có thể từ 0.60 | (Hair và cộng sự, 2010) |
| Độ tin cậy | Composite Reliability | Từ 0.70 trở lên | (Fornell và Larcker, 1981) |
| Giá trị hội tụ | Outer loading | Từ 0.70 trở lên | (Chin, 1998) |
| Giá trị hội tụ | AVE | Từ 0.50 trở lên | (Fornell và Larcker, 1981) |
| Giá trị phân biệt | HTMT | Dưới 0.85, hoặc 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| Đa cộng tuyến | VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| Sức mạnh giải thích | 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 trung bình, 0.35 lớn | (Cohen, 1988) |
| Khả năng dự báo | Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrapping | Số mẫu lặp | 5.000 subsamples | (Hair và cộng sự, 2022) |
Với outer loading, mốc 0.70 thường được dùng trong PLS-SEM. Một biến quan sát thấp hơn mốc này chưa tự động phải xóa. Bạn cần xem AVE, độ tin cậy sau khi xóa, nội dung của biến và lý do lý thuyết. Nếu xóa biến chỉ để làm đẹp chỉ số, hội đồng có thể hỏi vì sao biến đó bị loại.
Với HTMT, giá trị dưới 0.85 thường được dùng cho các construct khác biệt rõ. Mốc 0.90 có thể được cân nhắc khi hai khái niệm có nội dung gần nhau, nhưng bạn phải giải thích bối cảnh. Với AVE, mốc 0.50 cho biết construct giải thích được phần đáng kể phương sai của các biến quan sát theo tiêu chí thường dùng trong tài liệu nền tảng, được trình bày bởi AVE là gì.
R² không phải tỷ lệ phần trăm đúng sai của một giả thuyết riêng lẻ. R² cho biết mức độ các biến độc lập trong mô hình giải thích biến phụ thuộc. Ví dụ R² bằng 0.52 có thể được báo cáo là mô hình giải thích 52 phần trăm phương sai của construct phụ thuộc, sau đó đối chiếu mức diễn giải phù hợp.
Cách đọc Smart PLS trên output
Trong SmartPLS 4, bạn thường bắt đầu bằng việc chọn mô hình, chạy PLS-SEM Algorithm, sau đó xem kết quả ở phần Results. Khi đánh giá ý nghĩa thống kê của đường dẫn, chọn Bootstrapping và kiểm tra các bảng kết quả tương ứng. Giao diện SmartPLS 3 và SmartPLS 4 có thể khác vị trí nút, nhưng tên nhóm chỉ số và logic đọc vẫn tương tự.
Bảng sau 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 đang mở.
| Construct / Relationship | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values |
|---|---|---|---|---|---|
| PU → BI | 0.428 | 0.431 | 0.081 | 5.284 | 0.000 |
| EOU → PU | 0.316 | 0.319 | 0.094 | 3.362 | 0.001 |
| TR → BI | 0.117 | 0.120 | 0.073 | 1.603 | 0.109 |
Ở dòng PU → BI, Original Sample (O) bằng 0.428 là hệ số đường dẫn ước lượng từ mẫu gốc. T Statistics bằng 5.284 và P Values hiển thị 0.000 theo cách làm tròn của phần mềm. Khi viết, bạn không nên hiểu 0.000 là xác suất bằng không. Có thể ghi p < 0.001 nếu quy ước báo cáo của trường cho phép.
Dòng TR → BI có hệ số dương nhưng p-value bằng 0.109 trong số liệu minh họa. Nếu ngưỡng kiểm định của bạn là 5 phần trăm, kết quả này chưa cung cấp đủ bằng chứng thống kê để ủng hộ tác động của TR lên BI. Bạn cần ghi rõ kết luận theo dữ liệu, không đổi tên giả thuyết để làm cho kết quả đẹp hơn.
Ở mô hình đo lường, mở Outer Loadings để xem từng biến quan sát. Ví dụ một phần output minh họa có thể được đọc như sau:
| Construct | Indicator | Outer Loadings | Cronbach's Alpha | Composite Reliability | Average Variance Extracted (AVE) |
|---|---|---|---|---|---|
| PU | PU1 | 0.812 | 0.861 | 0.908 | 0.766 |
| PU | PU2 | 0.874 | 0.861 | 0.908 | 0.766 |
| PU | PU3 | 0.903 | 0.861 | 0.908 | 0.766 |
| BI | BI1 | 0.781 | 0.824 | 0.889 | 0.728 |
| BI | BI2 | 0.846 | 0.824 | 0.889 | 0.728 |
| BI | BI3 | 0.892 | 0.824 | 0.889 | 0.728 |
Đây cũng là số liệu minh họa. Các outer loading đều vượt 0.70, Composite Reliability vượt 0.70 và AVE vượt 0.50. Khi đọc file thật, bạn cần kiểm tra từng construct, không chỉ nhìn một dòng tổng hợp. Với giá trị phân biệt, mở Discriminant Validity và xem bảng HTMT. Nếu có construct vượt ngưỡng, đừng chỉ xóa ngay biến có loading thấp, vì vấn đề có thể nằm ở sự trùng lặp nội dung giữa hai construct.
Khi Smart PLS không đạt thì xử lý thế nào
Thứ tự xử lý nên bắt đầu từ dữ liệu, sau đó đến biến quan sát, rồi mới cân nhắc điều chỉnh mô hình. Bạn mở lại file .csv và kiểm tra các cột có đúng tên biến, đúng kiểu số, không có ký tự lạ, không bị lệch dòng hay mã hóa ngược chiều hay không. Một cột bị nhập chữ thay vì số có thể khiến kết quả sai hoặc bị loại khỏi phân tích.
Kiểm tra dữ liệu gốc
Xem missing value, các câu trả lời giống hệt nhau ở mọi biến và các trường hợp có dấu hiệu trả lời thiếu nghiêm túc. Nếu đã có quy tắc làm sạch từ chương phương pháp, áp dụng quy tắc đó nhất quán. Không nên xóa một bản ghi chỉ vì nó làm R² giảm.
Kiểm tra biến quan sát
Nếu outer loading thấp, xem biến đó có được mã hóa đảo chiều đúng chưa và nội dung có thực sự thuộc construct không. Bạn có thể chạy lại mô hình sau khi loại một biến, nhưng phải lưu từng vòng chạy. Việc xóa một biến nên có lý do đo lường hoặc lý thuyết, không chỉ dựa vào mong muốn đạt một con số.
Kiểm tra HTMT và VIF
HTMT cao có thể cho thấy hai construct đang đo nội dung quá giống nhau. Đọc lại định nghĩa, câu chữ của biến quan sát và mô hình lý thuyết. VIF cao cần được xem ở các biến dự báo cùng một construct. Bạn không nên gộp hai construct chỉ vì HTMT không đạt nếu việc gộp không có cơ sở khái niệm.
Chạy Bootstrapping lại
Khi các lựa chọn mô hình đã ổn định, chạy Bootstrapping với 5.000 subsamples theo khuyến nghị được trích dẫn trong PLS-SEM (Hair và cộng sự, 2022). Lưu lại thiết lập, số subsamples, khoảng tin cậy và kết quả cuối cùng. Nếu giả thuyết không được ủng hộ, báo cáo kết quả đó và thảo luận nguyên nhân có thể trong giới hạn dữ liệu.
Nếu vấn đề xuất hiện ở phần mềm, bạn có thể đối chiếu với R hoặc một công cụ SEM khác, nhưng không nên chạy nhiều phần mềm rồi chỉ chọn bảng kết quả thuận lợi hơn. SmartPLS có giao diện dễ tiếp cận hơn với sinh viên mới. R linh hoạt và miễn phí nhưng đòi hỏi bạn quản lý mã lệnh, gói cài đặt và quy trình tái lập. AMOS phù hợp với CB-SEM và có logic đánh giá fit khác. Thuê dịch vụ chạy SmartPLS có thể tiết kiệm thời gian thao tác, nhưng rủi ro lớn là bạn không hiểu output khi bị hỏi tại buổi bảo vệ.
Phân biệt Smart PLS với các chỉ số dễ nhầm
SmartPLS là phần mềm, còn PLS-SEM là phương pháp. Bạn có thể nói mình dùng SmartPLS để thực hiện phân tích PLS-SEM. Việc gọi SmartPLS là một chỉ số sẽ làm câu viết thiếu chính xác.
Outer loading là mức liên hệ giữa biến quan sát và construct trong mô hình đo lường. Path coefficient là hệ số của quan hệ giữa các construct trong mô hình cấu trúc. Hai con số này đều có thể mang dấu dương hoặc âm, nhưng trả lời hai câu hỏi khác nhau.
AVE đánh giá giá trị hội tụ ở cấp construct. HTMT đánh giá giá trị phân biệt giữa các construct. R² đánh giá phần phương sai của biến phụ thuộc được giải thích bởi các biến dự báo. Vì vậy, R² cao không thể thay thế cho HTMT, cũng như AVE đạt không chứng minh giả thuyết cấu trúc có ý nghĩa.
P Values và T Statistics trong bảng Bootstrapping dùng để đánh giá ý nghĩa thống kê của đường dẫn. Chúng không phải là độ lớn tác động. Một hệ số nhỏ vẫn có thể có p-value nhỏ khi độ lệch chuẩn thấp, còn một hệ số lớn trong mẫu nhỏ có thể chưa đạt ý nghĩa thống kê.
SmartPLS cũng khác với mô hình SEM ở cách bạn đánh giá mô hình. Khi đọc PLS-SEM, bạn tập trung vào nhóm chỉ số phù hợp với PLS như outer loading, CR, AVE, HTMT, VIF, R², f² và Q². Không đưa CFI, TLI, RMSEA vào cùng bảng tiêu chí chỉ vì bạn thấy các chỉ số này trong tài liệu về CB-SEM.
Lỗi thường gặp
Lỗi đầu tiên là tải dữ liệu .xlsx rồi kỳ vọng SmartPLS đọc được nguyên trạng. Bạn nên xuất bảng dữ liệu sang .csv, giữ hàng đầu là tên biến và kiểm tra dấu phân cách, ký tự tiếng Việt, ô trống trước khi import.
Lỗi thứ hai là đặt tên biến không nhất quán giữa bảng dữ liệu và mô hình. Nếu cột có tên PU_1 nhưng trong mô hình bạn gọi PU1, hãy kiểm tra lại mapping. Tên construct và tên indicator cần đủ rõ để bạn lần ngược từ output về bảng hỏi.
Lỗi thứ ba là xem ngay Path Coefficients mà bỏ qua mô hình đo lường. Khi một construct có AVE thấp hoặc HTMT cao, kết luận về đường dẫn có thể bị chất vấn. Hãy lưu bảng outer loading, reliability, convergent validity và discriminant validity trước khi chuyển sang diễn giải giả thuyết.
Lỗi thứ tư là ghi p = 0.000. Cách an toàn hơn là ghi p < 0.001 khi bảng của phần mềm làm tròn đến ba chữ số. Đồng thời, trình bày hệ số đường dẫn, t-value hoặc khoảng tin cậy để người đọc có đủ thông tin.
Lỗi thứ năm là xóa liên tục nhiều biến quan sát cho đến khi mọi chỉ số đều đẹp. Cách này làm thay đổi nội dung thang đo và có thể khiến mô hình không còn phù hợp với cơ sở lý thuyết ban đầu. Hãy lưu phiên bản dữ liệu, ghi lý do ở từng lần điều chỉnh và trao đổi với giảng viên khi việc loại biến ảnh hưởng đến cấu trúc thang đo.
Câu hỏi thường gặp
Smart PLS có phải là PLS-SEM không?
SmartPLS là phần mềm, còn PLS-SEM là phương pháp phân tích. Bạn dùng SmartPLS để xây dựng mô hình, chạy PLS-SEM, kiểm tra mô hình đo lường và mô hình cấu trúc. Trong luận văn, nên viết rõ tên phần mềm và tên phương pháp ở phần phương pháp nghiên cứu.
Smart PLS bao nhiêu là đạt?
Không có một ngưỡng chung cho toàn bộ SmartPLS. Bạn cần xem từng nhóm chỉ số, chẳng hạn outer loading, CR, AVE, HTMT, VIF, R², f² và Q². Các mốc trong bảng tiêu chí chỉ là căn cứ tham khảo, còn quyết định cuối cùng phải xét thêm nội dung thang đo và mô hình lý thuyết.
Smart PLS bị lỗi khi import dữ liệu thì làm sao?
Hãy kiểm tra file có phải .csv hay không, hàng đầu có phải tên biến hay không, các cột số có chứa chữ hoặc ký tự đặc biệt hay không. Bạn cũng nên kiểm tra số dòng của các cột, ô trống và cách mã hóa biến đảo chiều. Sau khi sửa bản sao dữ liệu, import lại và đối chiếu số quan sát với file gốc.
Outer loading dưới 0.7 có phải xóa ngay không?
Chưa nên xóa ngay. Hãy xem độ tin cậy và AVE của construct trước và sau khi loại biến, đồng thời đọc lại nội dung biến quan sát. Nếu biến có ý nghĩa lý thuyết quan trọng, giữ lại có thể hợp lý hơn việc xóa chỉ để đạt mốc số học. Lý do xử lý cần được ghi lại để giải trình.
Smart PLS 3 và SmartPLS 4 có khác nhau không?
Hai phiên bản có thể khác giao diện và vị trí một số menu, nhưng quy trình chính vẫn xoay quanh mô hình, PLS-SEM Algorithm, Bootstrapping và các bảng kết quả. Khi viết hướng dẫn thao tác, bạn nên ghi rõ mình đang dùng phiên bản nào. Nếu dùng SmartPLS 4, hãy kiểm tra tên nút trên màn hình thực tế thay vì làm theo ảnh chụp của phiên bản cũ.
Bạn hãy mở file dữ liệu, kiểm tra lại tên biến và lập một bảng ghi từng chỉ số SmartPLS trước khi viết chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv và đọc output theo đúng quy trình, xem M4 phân tích dữ liệu.