SRMR trong SmartPLS: Cách đọc và đánh giá đúng

SRMR trong SmartPLS dùng để làm gì

SRMR là viết tắt của Standardized Root Mean Square Residual, một chỉ số dùng để xem mức chênh lệch trung bình giữa ma trận tương quan quan sát được và ma trận tương quan được mô hình ước lượng. Trong SmartPLS, SRMR thường xuất hiện khi bạn đánh giá model fit, bên cạnh NFI và một số chỉ số khác.

Giá trị SRMR càng nhỏ thì phần chênh lệch giữa dữ liệu và mô hình càng thấp. Tuy vậy, bạn không nên nhìn SRMR một mình rồi kết luận mô hình tốt hay xấu. Với PLS-SEM, quy trình hợp lý là đánh giá measurement model trước, sau đó kiểm tra structural model bằng các chỉ số như path coefficient, R², f², Q² và bootstrapping. Bạn có thể xem thêm các bài thuộc chủ đề SmartPLS nếu đang ở giai đoạn ghép toàn bộ quy trình.

SRMR khác với R². R² cho biết mức độ giải thích của biến độc lập đối với biến phụ thuộc. SRMR lại phản ánh độ lệch tổng quát giữa tương quan trong dữ liệu và tương quan do mô hình tái tạo. Vì vậy, một mô hình có R² khá nhưng SRMR chưa phù hợp vẫn cần được kiểm tra lại về cấu trúc, thang đo và các quan hệ giữa biến tiềm ẩn.

Trong bài này, các con số ở bảng minh họa chỉ là dữ liệu giả lập để hướng dẫn cách đọc giao diện. Chúng không phải kết quả của một nghiên cứu cụ thể và không được chép vào luận văn của bạn.

Chuẩn bị mô hình và dữ liệu

Trước khi xem SRMR, bạn cần có một mô hình PLS-SEM chạy được trong SmartPLS 4. Mô hình gồm measurement model và structural model. Measurement model nối biến tiềm ẩn với các indicator, còn structural model thể hiện các mũi tên giả thuyết giữa những biến tiềm ẩn. Nếu indicator bị đặt sai construct, thiếu dữ liệu hoặc mũi tên đi sai hướng, chỉ số SRMR sau cùng cũng không giúp bạn sửa được nguyên nhân ban đầu.

Tên indicator nên ngắn, nhất quán và không chứa ký tự gây lỗi. Ví dụ, các biến quan sát của construct Chất lượng dịch vụ có thể đặt là CLDV1, CLDV2, CLDV3. Biến kết quả Hài lòng có thể đặt là HL1, HL2, HL3. Không nên dùng một tên cho hai indicator hoặc đổi tên cột sau khi đã lập mô hình nếu bạn chưa cập nhật lại dữ liệu.

SmartPLS 4 thường nhận dữ liệu dạng .csv. Hàng đầu tiên là tên biến, mỗi hàng tiếp theo là một người trả lời, mỗi cột là một indicator. Các ô dữ liệu nên chứa số, chẳng hạn thang Likert từ 1 đến 5. Không đặt chữ như “không trả lời” vào giữa cột số. Giá trị thiếu cần được xử lý có chủ đích và ghi lại trước khi import.

Bạn cũng cần kiểm tra các biến đảo chiều. Nếu một indicator có nội dung phủ định nhưng chưa được reverse-code, tương quan giữa indicator đó với các biến cùng construct có thể bị giảm. Khi đó outer loading, Cronbach's Alpha, CR, AVE và cả những đánh giá liên quan đến mô hình đều có thể bị ảnh hưởng.

Nếu đang đánh giá mô hình đo lường, hãy kiểm tra Outer Loadings, Reliability, Convergent Validity và Discriminant Validity trước. Với mô hình cấu trúc, cần kiểm tra VIF, Path Coefficients, R², f², Q² và kết quả bootstrapping. SRMR là một mảnh trong bức tranh đó, không phải giấy thông hành để bỏ qua các bước còn lại.

Các bước thực hiện SRMR trong SmartPLS 4

Bước 1: Tạo project và import file dữ liệu

Mở SmartPLS 4, tạo project mới rồi chọn import dữ liệu. Chọn file .csv đã chuẩn bị. Kiểm tra xem SmartPLS nhận đúng số dòng, số cột và kiểu dữ liệu hay chưa. Nếu tên indicator bị cắt hoặc có cột không được nhận dạng, dừng ở bước này để sửa file gốc.

Bước 2: Tạo mô hình PLS-SEM

Tạo một model mới từ bộ dữ liệu đã import. Kéo các biến tiềm ẩn vào canvas, sau đó kéo indicator vào đúng construct. Vẽ các mũi tên giữa construct theo mô hình nghiên cứu và giả thuyết đã xây dựng. Xác định construct là reflective hay formative theo cơ sở lý thuyết, không chọn chỉ vì một tùy chọn cho ra kết quả đẹp hơn.

Bước 3: Chạy PLS-SEM Algorithm

Trong cửa sổ model, chọn Calculate, sau đó chọn PLS-SEM Algorithm. Với lần chạy đầu, giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp học để thay đổi. Nhấn Start Calculation và chờ SmartPLS hoàn tất. Bạn cần chắc chắn mô hình không báo lỗi hội tụ hoặc indicator chưa được gán.

Bước 4: Mở phần Model Fit

Sau khi tính toán xong, mở kết quả của lần chạy. Trong nhóm kết quả, tìm mục Model Fit. SmartPLS 4 thường hiển thị các dòng liên quan đến SRMR cho Saturated Model và Estimated Model. Hai cột này cần được đọc riêng, vì chúng đại diện cho hai cách tái tạo ma trận tương quan.

Bước 5: Kiểm tra SRMR bằng bootstrapping khi cần

SRMR thường được báo cáo từ kết quả PLS-SEM Algorithm. Khi đề tài yêu cầu đánh giá ý nghĩa thống kê hoặc cần khoảng tin cậy, bạn chạy thêm Calculate > Bootstrapping. Trong phần thiết lập, chọn số subsamples phù hợp với quy trình đã nêu trong phương pháp. Với quy trình PLS-SEM hiện hành, 5.000 bootstrap subsamples được khuyến nghị trong (Hair và cộng sự, 2022).

Bootstrapping không biến một SRMR cao thành SRMR đạt. Nó giúp bạn xem độ ổn định của ước lượng và kiểm định các quan hệ cần kiểm định. Kết quả SRMR vẫn phải được đọc cùng logic đánh giá model fit và chất lượng thang đo.

Bước 6: Xuất và lưu kết quả

Lưu file project SmartPLS, đặt tên lần chạy theo ngày hoặc phiên bản mô hình, chẳng hạn PLS_algorithm_v03. Xuất bảng Model Fit hoặc chụp lại kết quả để lưu trong thư mục phân tích. Nếu bạn loại indicator, hãy tạo phiên bản mới thay vì ghi đè toàn bộ kết quả cũ. Điều này giúp bạn giải thích được vì sao SRMR thay đổi qua từng vòng.

Đọc bảng kết quả SRMR

Bảng dưới đây là số liệu minh họa, mô phỏng cách một phần kết quả Model Fit có thể được trình bày sau khi chạy SmartPLS 4. Tên mô hình và giá trị chỉ nhằm hướng dẫn cách đọc, không phải phát hiện từ nghiên cứu thật.

Trong bảng này, SRMR của Saturated Model là 0.062, còn SRMR của Estimated Model là 0.078. Saturated Model cho phép các construct có liên hệ theo cách đầy đủ hơn, trong khi Estimated Model phản ánh các quan hệ đúng với cấu trúc bạn đã vẽ. Vì vậy, hai con số có thể khác nhau.

Khi báo cáo, bạn cần ghi rõ mình đang đọc cột nào. Nếu chỉ viết “SRMR của mô hình là 0.062” mà không nói đó là Saturated Model, người đọc không biết bạn đã chọn kết quả nào. Với một mô hình có SRMR Saturated Model thấp nhưng Estimated Model cao hơn, hãy kiểm tra lại các quan hệ cấu trúc, các construct có tương quan yếu và những indicator đang có outer loading thấp.

NFI cũng có thể xuất hiện trong bảng Model Fit. Bạn có thể xem hướng dẫn riêng về cách chạy NFI SmartPLS 4. Tuy nhiên, không nên dùng NFI để thay thế cho SRMR hoặc gộp các chỉ số thành một điểm tổng hợp không có cơ sở.

Cần phân biệt SRMR với CFI, TLI và RMSEA. CFI, TLI và RMSEA thường thuộc nhóm fit indices của CB-SEM, chẳng hạn khi dùng AMOS, và ngưỡng trong (Hu và Bentler, 1999) được nêu cho CB-SEM. Bạn không nên bê nguyên nhóm chỉ số đó vào bài viết kết quả SmartPLS rồi gọi đó là tiêu chí PLS-SEM.

Ngưỡng đánh giá SRMR trong SmartPLS

Ngưỡng thường được sinh viên tìm kiếm là SRMR dưới 0.08. Tuy nhiên, khi viết luận văn, bạn cần nêu rõ nguồn của ngưỡng và tránh diễn đạt rằng một giá trị vượt ngưỡng chắc chắn làm toàn bộ nghiên cứu vô giá trị. Model fit là một nội dung đánh giá, còn chất lượng kết luận còn phụ thuộc vào lý thuyết, dữ liệu, measurement model và structural model.

Trong danh mục nguồn cho bài này, (Hu và Bentler, 1999) cung cấp ngưỡng SRMR ở mức 0.08 hoặc thấp hơn trong bối cảnh CB-SEM. Khi dùng nguồn này để tham khảo cách diễn giải fit, bạn phải nói rõ giới hạn bối cảnh. Với PLS-SEM, (Hair và cộng sự, 2022) là nguồn phù hợp hơn để trình bày quy trình PLS-SEM hiện hành, nhưng không nên tự gán cho nguồn một ngưỡng mà nguồn không nêu.

Với SmartPLS, không có một con số SRMR thấp nào tự động chứng minh mô hình lý thuyết đúng. Nếu SRMR đạt nhưng HTMT vượt ngưỡng, hai construct có thể chưa phân biệt tốt. Nếu SRMR đạt nhưng VIF cao, ước lượng đường dẫn vẫn có thể bị ảnh hưởng bởi đa cộng tuyến. Nếu R² thấp, mô hình có thể giải thích ít biến thiên của biến phụ thuộc dù chỉ số fit nhìn ổn.

Đối với Q², bạn có thể xem thêm bài blindfolding trong SmartPLS để hiểu cách kiểm tra khả năng dự báo. Với các đường dẫn và p-value, hãy dùng bootstrapping trong SmartPLS, không suy luận ý nghĩa thống kê chỉ từ SRMR.

Cách trình bày trong chương 4

Bạn nên trình bày SRMR sau phần đánh giá measurement model và trước hoặc cùng nhóm với phần đánh giá structural model, tùy cấu trúc chương 4 của đề tài. Đầu tiên, nêu công cụ và phiên bản sử dụng. Sau đó, ghi rõ giá trị SRMR của Saturated Model và Estimated Model, tiếp theo là cách bạn đối chiếu với ngưỡng tham khảo.

Cách viết vào luận văn: “Kết quả từ SmartPLS 4 cho thấy SRMR của Saturated Model đạt [giá trị], trong khi SRMR của Estimated Model đạt [giá trị]. Các giá trị này được đối chiếu với mốc tham khảo [ngưỡng] theo [nguồn]. Vì vậy, mức độ phù hợp của mô hình được đánh giá là [phù hợp trong phạm vi tiêu chí đã chọn/chưa đạt tiêu chí tham khảo]. Kết quả này được xem xét đồng thời với [R², f², Q², VIF và HTMT] trước khi kết luận về mô hình nghiên cứu.”

Bạn không nên viết “mô hình hoàn hảo” hoặc “mô hình đúng tuyệt đối”. Cách diễn đạt an toàn hơn là “đáp ứng mốc tham khảo về SRMR” và nói rõ các kiểm định tiếp theo. Nếu SRMR Estimated Model là 0.091, hãy báo cáo đúng con số đó, giải thích rằng nó vượt mốc bạn đã chọn, rồi kiểm tra nguyên nhân. Không được sửa bảng hoặc làm tròn theo hướng biến 0.091 thành 0.09 rồi gọi là đạt.

Một bảng chương 4 có thể đặt các cột Chỉ số, Saturated Model, Estimated Model, Ngưỡng tham khảo và Đánh giá. Phần chú thích phải nêu nguồn. Nếu luận văn có nhiều mô hình, báo cáo cùng một quy tắc làm tròn cho tất cả mô hình để người đọc so sánh được.

Lỗi thường gặp

Chỉ nhìn Saturated Model

Saturated Model thường có giá trị thuận lợi hơn vì không bị giới hạn hoàn toàn bởi các quan hệ cấu trúc bạn vẽ. Nếu mục tiêu là đánh giá mô hình nghiên cứu, bạn cần báo cáo cả Estimated Model và giải thích sự khác nhau.

Dùng SRMR để kết luận giả thuyết

SRMR không cho biết H1, H2 hay H3 có được chấp nhận hay không. Muốn kết luận giả thuyết, bạn cần xem path coefficient, t-statistics, p-value hoặc khoảng tin cậy từ bootstrapping theo thiết kế phân tích của mình.

Trộn tiêu chí CB-SEM với PLS-SEM

Đưa CFI, TLI và RMSEA vào một bảng SmartPLS mà không giải thích nguồn gốc sẽ làm phần phương pháp thiếu nhất quán. Nếu đề tài dùng PLS-SEM, hãy giữ nhóm chỉ số phù hợp với PLS-SEM và nói rõ chỉ số nào dùng cho mục đích nào.

Xóa indicator chỉ để SRMR giảm

Indicator chỉ nên bị loại khi có lý do phương pháp, lý thuyết và kết quả đo lường hỗ trợ. Bạn cần xem outer loading, corrected item-total correlation trong giai đoạn SPSS nếu có, CR, AVE, HTMT và nội dung của indicator. Việc xóa liên tục cho đến khi SRMR đẹp có thể làm mô hình mất ý nghĩa.

Nhầm phiên bản SmartPLS

SmartPLS 3 và SmartPLS 4 có giao diện và vị trí menu khác nhau. Bài này dùng đường dẫn Calculate > PLS-SEM Algorithm và Calculate > Bootstrapping theo SmartPLS 4. Nếu bạn dùng SmartPLS 3, hãy kiểm tra tên nút tương đương thay vì làm theo vị trí màn hình một cách máy móc.

Nếu đang đánh giá PLS-SEM nhất quán, bạn có thể tham khảo thêm consistent PLS trong SmartPLS, nhưng chỉ thay đổi thủ tục khi mô hình và lập luận phương pháp của bạn phù hợp. Một bài viết về điểm biến tiềm ẩn trong SmartPLS cũng hữu ích khi bạn cần hiểu dữ liệu được tổng hợp ở cấp construct như thế nào.

Đọc thêm: blindfolding trong smartpls, bootstrapping trong smartpls, cách chạy nfi smartpls 4, consistent pls trong smartpls, điểm biến tiềm ẩn trong smartpls, chủ đề smartpls.

Câu hỏi thường gặp

SRMR bao nhiêu là đạt trong SmartPLS

Mốc thường được dùng để tham khảo là SRMR ở mức 0.08 hoặc thấp hơn. Nguồn (Hu và Bentler, 1999) gắn mốc này với đánh giá model fit trong CB-SEM, nên khi áp dụng cho SmartPLS bạn cần ghi rõ đây là mốc tham khảo và không dùng nó như điều kiện duy nhất.

Nên đọc SRMR của Saturated Model hay Estimated Model

Bạn nên báo cáo cả hai nếu SmartPLS hiển thị cả hai. Estimated Model phản ánh cấu trúc quan hệ bạn đã vẽ, còn Saturated Model cho góc nhìn ít bị giới hạn hơn về quan hệ giữa các construct. Luôn ghi tên cột cùng giá trị để người đọc không hiểu nhầm.

SRMR cao thì có phải bỏ mô hình không

Chưa thể kết luận ngay như vậy. Kiểm tra lại file dữ liệu, indicator đảo chiều, indicator gán sai construct, cấu trúc mũi tên, HTMT, VIF và các kết quả measurement model. Nếu sau khi kiểm tra, SRMR vẫn cao, hãy trao đổi với giảng viên về việc điều chỉnh mô hình dựa trên lý thuyết, thay vì loại biến theo kiểu thử sai.

SRMR đạt nhưng R² thấp thì giải thích thế nào

Hai chỉ số trả lời hai câu hỏi khác nhau. SRMR nói về mức chênh lệch giữa ma trận tương quan quan sát và ma trận được mô hình tái tạo, còn R² nói về mức độ giải thích biến nội sinh. Vì vậy, SRMR đạt không bảo đảm R² cao. Bạn cần báo cáo và diễn giải cả hai theo đúng vai trò.

Có cần chạy bootstrapping để có SRMR không

SRMR thường được xem trong kết quả PLS-SEM Algorithm. Bootstrapping cần thiết cho việc đánh giá độ ổn định và ý nghĩa của các ước lượng như path coefficient, nhưng không phải cách sửa một SRMR không phù hợp. Hãy lưu riêng kết quả Algorithm và Bootstrapping để tránh nhầm hai loại output.

Mở file project của bạn, kiểm tra lại tên indicator, chạy PLS-SEM Algorithm trong SmartPLS 4 và ghi riêng SRMR của Saturated Model cùng Estimated Model trước khi viết chương 4; nếu cần chạy toàn bộ phân tích trên file .sav hoặc .csv của mình, bạn có thể dùng module M4 tại DoThesis.