Thang đo bậc hai trong SmartPLS: Cách chạy và đọc kết quả
Thang đo bậc hai trong SmartPLS dùng để làm gì
Bạn dùng thang đo bậc hai khi một khái niệm lớn được tạo thành từ nhiều khái niệm thành phần. Ví dụ, chất lượng dịch vụ có thể gồm độ tin cậy, khả năng đáp ứng, năng lực phục vụ và sự đồng cảm. Các khái niệm thành phần là construct bậc một, còn chất lượng dịch vụ là construct bậc hai.
Trong SmartPLS, thang đo bậc hai còn được gọi là higher-order construct, HOC. Những construct thành phần được gọi là lower-order construct, LOC. Mô hình này giúp bạn tránh vẽ quá nhiều đường dẫn trực tiếp từ từng khía cạnh đến biến kết quả, đồng thời thể hiện đúng cấu trúc lý thuyết nếu khái niệm tổng quát thực sự bao gồm các thành phần đó.
Có hai câu hỏi cần tách riêng. Thứ nhất, các biến quan sát phản ánh construct hay tạo ra construct. Thứ hai, quan hệ giữa construct bậc hai và các construct bậc một là phản ánh hay cấu tạo. Vì vậy, thang đo bậc hai trong SmartPLS có thể là reflective-reflective, reflective-formative, formative-reflective hoặc formative-formative. Mỗi loại cần cách đánh giá khác nhau.
SmartPLS phù hợp với PLS-SEM, vì vậy bạn tập trung vào outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q². Các chỉ số CFI, TLI và RMSEA thuộc nhóm đánh giá CB-SEM, không đưa vào quy trình SmartPLS. Bạn có thể xem thêm các chủ đề liên quan trong chuyên mục SmartPLS trước khi dựng mô hình.
Chuẩn bị mô hình và dữ liệu
Trước khi mở SmartPLS, hãy vẽ mô hình khái niệm trên giấy hoặc trong file sơ đồ. Ghi rõ construct bậc hai, các construct bậc một, biến quan sát của từng construct và hướng mũi tên. Nếu bạn chưa xác định được mũi tên đi từ chỉ báo vào construct hay từ construct vào chỉ báo, chưa nên chạy mô hình.
Với thang đo phản ánh trong SmartPLS, construct được xem là nguyên nhân tạo ra các biểu hiện quan sát được. Các biến quan sát thường có tương quan và một biến có thể được loại bỏ nếu outer loading thấp mà vẫn giữ được ý nghĩa nội dung. Với thang đo cấu tạo trong SmartPLS, các thành phần tạo nên construct. Việc bỏ một thành phần có thể làm thay đổi phạm vi khái niệm, vì vậy bạn không loại biến chỉ để làm chỉ số đẹp hơn.
Bạn nên đặt tên chỉ báo ngắn, không dấu và không có khoảng trắng, chẳng hạn REL1, REL2, RES1, RES2. Mỗi dòng trong file .csv là một người trả lời, mỗi cột là một biến quan sát. Hàng đầu tiên chứa tên biến. Không để dòng tiêu đề nghiên cứu, ghi chú, ô gộp hoặc ký tự lạ trong vùng dữ liệu.
Kiểm tra thêm bốn việc trước khi import:
- Các câu trả lời Likert đã được mã hóa thành số theo cùng một chiều chưa.
- Biến đảo chiều đã được recode trước khi nhập vào SmartPLS chưa.
- Giá trị thiếu có được xử lý nhất quán không.
- Mỗi biến quan sát có thuộc đúng construct bậc một không.
Tên construct bậc hai nên thể hiện khái niệm tổng quát, chẳng hạn SERVICE_QUALITY. Các construct bậc một có thể là RELIABILITY, RESPONSIVENESS và EMPATHY. Đừng đặt một biến quan sát trực tiếp vào construct bậc hai nếu mô hình lý thuyết của bạn chỉ cho phép construct bậc hai nhận các construct bậc một.
Các bước thực hiện trong SmartPLS 4
Bước 1: Tạo project và import file dữ liệu
Mở SmartPLS 4, tạo project mới rồi import file .csv. Kiểm tra phần Data View để chắc chắn SmartPLS nhận đúng số dòng, số cột và kiểu dữ liệu. Nếu một cột bị đọc thành text, kiểm tra dấu phân cách, ký tự thập phân và các ô chứa chữ.
Bước 2: Dựng các construct bậc một
Tạo mô hình mới trong phần Modeling. Kéo từng biến quan sát vào construct tương ứng. Với thang đo phản ánh, mũi tên thường đi từ construct đến indicator trong cách hiển thị của SmartPLS. Với thang đo cấu tạo, chọn loại quan hệ phù hợp để mũi tên đi từ indicator vào construct.
Ở bước này, hãy chạy riêng mô hình đo lường bậc một trước. Chọn Calculate > PLS-SEM Algorithm. Kiểm tra outer loading, Cronbach's Alpha, rho_A, CR, AVE và HTMT. Bạn có thể đối chiếu cách đọc AVE qua bài AVE là gì hoặc xem quy trình chạy AVE trong SmartPLS 4.
Bước 3: Tạo construct bậc hai
Trong mô hình, tạo thêm construct tổng quát, ví dụ SERVICE_QUALITY. Sau đó nối construct bậc hai với các construct bậc một theo hướng lý thuyết. Nếu chất lượng dịch vụ được tạo thành từ các khía cạnh, quan hệ giữa bậc hai và bậc một thường là formative. Nếu các khía cạnh là biểu hiện của cùng một khái niệm tổng quát, quan hệ đó có thể là reflective.
Đừng chọn reflective hoặc formative chỉ vì một loại cho kết quả dễ đạt hơn. Bạn cần dựa vào thứ tự nhân quả, khả năng thay thế giữa các thành phần, mức độ tương quan giữa thành phần và phạm vi nội dung của construct.
Bước 4: Chọn phương pháp ước lượng bậc hai
SmartPLS 4 thường được dùng với ba cách tiếp cận: repeated indicators, two-stage và hybrid. Repeated indicators gán toàn bộ indicator của các construct bậc một cho construct bậc hai. Cách này dễ hình dung nhưng có thể làm construct bậc hai nhận nhiều indicator và gây mất cân bằng khi số indicator giữa các thành phần chênh lệch lớn.
Two-stage chạy mô hình bậc một ở giai đoạn đầu, sau đó dùng latent variable scores của construct bậc một để tạo construct bậc hai ở giai đoạn sau. Đây là lựa chọn thực tế khi mô hình có nhiều construct hoặc có quan hệ formative. Trong SmartPLS 4, bạn cần lưu latent variable scores sau giai đoạn đầu rồi đưa các score đó vào mô hình giai đoạn hai.
Hybrid kết hợp hai cách trên trong một số thiết kế phức tạp. Nếu đề cương không yêu cầu một cách cụ thể, two-stage thường dễ giải thích hơn trong luận văn vì bạn có thể trình bày rõ kết quả đo lường bậc một và kết quả cấu trúc bậc hai.
Bước 5: Chạy PLS-SEM Algorithm
Chọn Calculate > PLS-SEM Algorithm. Trong kết quả, mở các nhóm Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Collinearity Statistics. Ở giai đoạn hai, nếu construct bậc hai là formative, chú ý VIF của các thành phần và outer weights của từng đường dẫn.
Nếu cần kiểm định ý nghĩa thống kê, chọn Calculate > Bootstrapping. Dùng số lượng bootstrap theo thiết kế đã chọn và ghi lại cấu hình. Với quy trình PLS-SEM hiện hành, 5.000 bootstrap subsamples được khuyến nghị trong hướng dẫn của (Hair và cộng sự, 2022). Khi chạy thật, lưu cả file kết quả và ảnh chụp cấu hình để có thể giải trình.
Bước 6: Kiểm tra lại mô hình sau khi loại biến
Không loại indicator chỉ vì outer loading thấp hơn một con số. Đọc cùng lúc loading, CR, AVE, nội dung biến quan sát và sự thay đổi của mô hình. Nếu loại một biến làm construct mất một khía cạnh quan trọng, kết quả đẹp hơn có thể làm mô hình kém hợp lệ về nội dung.
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 nhóm output thường gặp trong SmartPLS 4. Giả sử SERVICE_QUALITY là construct bậc hai formative, được tạo bởi ba construct bậc một.
| Construct hoặc quan hệ | Outer Loading | Outer Weight | VIF | Path Coefficient | P Values |
|---|---|---|---|---|---|
| RELIABILITY → SERVICE_QUALITY | 0.842 | 0.391 | 2.14 | 0.391 | 0.001 |
| RESPONSIVENESS → SERVICE_QUALITY | 0.793 | 0.326 | 2.47 | 0.326 | 0.004 |
| EMPATHY → SERVICE_QUALITY | 0.756 | 0.284 | 2.08 | 0.284 | 0.019 |
| SERVICE_QUALITY → SATISFACTION | Không áp dụng | Không áp dụng | 2.31 | 0.618 | 0.000 |
| SATISFACTION → LOYALTY | Không áp dụng | Không áp dụng | 2.31 | 0.447 | 0.002 |
Với quan hệ formative, outer weight cho biết đóng góp tương đối của từng thành phần sau khi xét các thành phần còn lại. P Values nhỏ hơn mức ý nghĩa bạn đã chọn cho thấy trọng số có ý nghĩa thống kê. Nếu outer weight không có ý nghĩa nhưng outer loading vẫn cao, bạn cần xem xét đóng góp tuyệt đối của thành phần và cơ sở lý thuyết, thay vì xóa tự động.
Nếu construct bậc hai là reflective, bạn đọc outer loading của các thành phần như các chỉ báo phản ánh. Khi đó, CR và AVE của construct bậc hai cũng cần được xem xét. Bạn có thể đối chiếu thêm cách đọc độ tin cậy tổng hợp trong SmartPLS và cross loading trong SmartPLS.
Ở structural model, Path Coefficients cho biết hướng và mức độ quan hệ giữa các construct. R-Square cho biết tỷ lệ biến thiên của biến nội sinh được giải thích bởi các biến dự báo. f-Square cho biết mức thay đổi của R² khi một biến dự báo được đưa vào hoặc loại khỏi mô hình. Q-Square dương cho thấy mô hình có khả năng dự báo theo logic cross-validated redundancy.
Ngưỡng đánh giá
Không có một ngưỡng duy nhất áp dụng cho mọi loại thang đo. Bảng dưới đây tách các tiêu chí theo nhóm và ghi nguồn ngay trong từng dòng để bạn không chép một con số mà quên căn cứ.
| Nhóm kiểm tra | Tiêu chí tham khảo | Nguồn |
|---|---|---|
| Outer loading, reflective | Từ 0.7 trở lên thường được xem là đạt | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với construct gần nhau về nội dung | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Bootstrap | 5.000 bootstrap subsamples | (Hair và cộng sự, 2022) |
Với formative construct, bạn ưu tiên kiểm tra collinearity giữa các thành phần bằng VIF, ý nghĩa của outer weight và ý nghĩa nội dung. Không dùng AVE và Cronbach's Alpha như tiêu chí duy nhất cho một construct formative, vì các chỉ số này được thiết kế chủ yếu cho logic reflective.
Với reflective construct, đọc outer loading, Cronbach's Alpha, rho_A, CR và AVE. Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978). Trong thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng bạn cần giải thích bối cảnh và không dùng con số này để hợp thức hóa việc giữ mọi biến.
Đánh giá discriminant validity bằng HTMT cần đặt cạnh nội dung lý thuyết. Nếu HTMT vượt ngưỡng, kiểm tra các biến quan sát có diễn đạt quá giống nhau, construct có bị chồng lấn khái niệm hoặc dữ liệu có vấn đề hay không. Việc xem AVE trong SmartPLS chỉ là một phần của quy trình, không thay thế HTMT.
Cách trình bày trong chương 4
Bạn nên trình bày theo hai tầng. Tầng thứ nhất báo cáo measurement model của các construct bậc một. Tầng thứ hai báo cáo construct bậc hai và structural model. Nếu dùng two-stage, nói rõ giai đoạn một dùng latent variable scores của các construct bậc một để tạo dữ liệu cho giai đoạn hai.
Cách viết vào luận văn: “Kết quả PLS-SEM cho thấy construct bậc hai [TÊN CONSTRUCT] được cấu thành bởi [SỐ LƯỢNG] construct bậc một gồm [TÊN CÁC CONSTRUCT]. VIF của các thành phần dao động từ [GIÁ TRỊ THẤP] đến [GIÁ TRỊ CAO], đều [đạt/không đạt] tiêu chí [NGƯỠNG] theo (Hair và cộng sự, 2019). Các outer weight có giá trị từ [GIÁ TRỊ] đến [GIÁ TRỊ], trong đó [NÊU THÀNH PHẦN] có đóng góp tương đối cao nhất.”
Sau đoạn này, đưa bảng gồm VIF, outer weight, standard deviation, T Statistics và P Values. Nếu một weight không có ý nghĩa, ghi rõ kết quả thay vì chỉ báo cáo các đường dẫn đạt. Bạn có thể giải thích rằng quyết định giữ hoặc loại thành phần dựa trên kết quả thống kê kết hợp với cơ sở lý thuyết và phạm vi nội dung của construct.
Phần structural model cần có path coefficient, t-value hoặc confidence interval, p-value, R² của biến nội sinh và f² khi phù hợp. Nếu bạn dùng bootstrapping để kết luận giả thuyết, hãy ghi số bootstrap subsamples và cách đọc khoảng tin cậy. Không viết “thang đo đạt” chung chung khi chỉ một nhóm chỉ số đạt.
Lỗi thường gặp
Gộp toàn bộ indicator vào construct bậc hai mà không kiểm tra loại đo lường
Repeated indicators không phải lựa chọn mặc định cho mọi mô hình. Khi bậc hai formative hoặc các construct bậc một có số indicator chênh lệch lớn, two-stage thường dễ kiểm soát hơn.
Đánh giá formative bằng Cronbach's Alpha và AVE
Các thành phần formative không nhất thiết phải tương quan cao. Nếu bạn xóa một thành phần chỉ vì Alpha thấp, construct có thể mất một phần định nghĩa. Hãy kiểm tra VIF, outer weight và giá trị nội dung.
Chạy structural model trước khi kiểm tra measurement model
Đường dẫn có p-value đẹp không cứu được một thang đo thiếu độ tin cậy hoặc thiếu giá trị phân biệt. Lưu output theo thứ tự: dữ liệu, measurement model bậc một, construct bậc hai, rồi structural model.
Dùng CFI, TLI hoặc RMSEA cho SmartPLS
Đây là lỗi trộn CB-SEM với PLS-SEM. Các ngưỡng CFI, TLI, RMSEA và SRMR trong (Hu và Bentler, 1999) thuộc CB-SEM. Trong SmartPLS, hãy tập trung vào họ chỉ số PLS-SEM phù hợp với thiết kế của bạn.
Đổi loại reflective hoặc formative sau khi thấy kết quả xấu
Việc đổi mô hình đo lường phải có lý do lý thuyết, không phải thao tác sửa output. Ghi lại từng phiên bản mô hình, số biến bị loại và lý do để khi giảng viên hỏi, bạn có thể giải thích bằng quy trình cụ thể.
Câu hỏi thường gặp
Thang đo bậc hai có bắt buộc phải dùng SmartPLS không
Không bắt buộc. Bạn có thể sử dụng AMOS hoặc phần mềm SEM khác nếu thiết kế nghiên cứu phù hợp. SmartPLS hữu ích khi mô hình có construct formative, mô hình phức tạp hoặc mục tiêu nghiên cứu thiên về dự báo. Công cụ chỉ là một phần, cách xác định mô hình đo lường mới quyết định quy trình.
Thang đo cấu tạo trong SmartPLS khác thang đo phản ánh thế nào
Thang đo phản ánh xem construct là nguyên nhân của indicator, còn thang đo cấu tạo xem indicator hoặc thành phần tạo nên construct. Với phản ánh, các indicator thường có thể thay thế tương đối và có tương quan. Với cấu tạo, mỗi thành phần có thể đại diện cho một khía cạnh riêng, nên xóa biến cần được cân nhắc về nội dung.
Nên chọn repeated indicators hay two-stage
Repeated indicators phù hợp với mô hình đơn giản, số indicator giữa các construct tương đối cân bằng và cách chỉ định không gây vấn đề. Two-stage thường dễ trình bày khi mô hình có nhiều construct bậc một, construct bậc hai formative hoặc số indicator lớn. Hãy chọn theo loại đo lường và cấu trúc mô hình, không chọn theo kết quả nào có p-value thấp hơn.
Outer weight không có ý nghĩa thì có phải xóa thành phần không
Chưa chắc. Xem thêm outer loading, VIF và vai trò lý thuyết của thành phần. Một thành phần có weight không có ý nghĩa nhưng vẫn có loading đáng kể và cần thiết cho phạm vi nội dung có thể được giữ lại nếu bạn giải thích rõ. Ngược lại, VIF cao hoặc thành phần trùng lặp nội dung có thể là dấu hiệu cần xử lý.
Có thể chạy thẳng mô hình bậc hai với dữ liệu Likert không
Có thể dùng dữ liệu Likert đã được mã hóa số nếu bảng hỏi và quy trình làm sạch dữ liệu phù hợp. Bạn vẫn cần kiểm tra biến đảo chiều, giá trị thiếu, câu trả lời bất thường và cách phân bổ dữ liệu. SmartPLS không thay thế bước kiểm tra dữ liệu ban đầu.
Bây giờ bạn mở lại file .csv, đánh dấu construct bậc một, loại đo lường và cách tiếp cận dự kiến, rồi chạy measurement model trước khi nối các giả thuyết. Nếu muốn chạy phân tích trên chính file .sav hoặc .csv và giữ lại toàn bộ output để viết chương 4, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.