Tiếp cận hai giai đoạn trong SmartPLS 4: Cách thực hiện và đọc kết quả
Tiếp cận hai giai đoạn trong SmartPLS dùng để làm gì
Tiếp cận hai giai đoạn là cách đánh giá mô hình PLS-SEM theo thứ tự: kiểm tra mô hình đo lường trước, sau đó mới đánh giá mô hình cấu trúc. Ở giai đoạn đầu, bạn xem các biến quan sát có đo ổn định cho biến tiềm ẩn hay không. Ở giai đoạn sau, bạn kiểm tra quan hệ giữa các biến tiềm ẩn, gồm path coefficient, mức giải thích R², tác động f², khả năng dự báo Q² và ý nghĩa thống kê của các giả thuyết.
Cách làm này phù hợp khi đề tài có mô hình gồm nhiều biến tiềm ẩn đo bằng thang đo phản xạ, hoặc khi bạn muốn tránh việc diễn giải quan hệ giữa các biến trước khi biết thang đo có đạt yêu cầu. Hair và cộng sự (2022) trình bày quy trình PLS-SEM theo hướng đánh giá lần lượt measurement model và structural model. (Anderson và Gerbing, 1988) cũng được dùng để giải thích logic đánh giá mô hình đo lường trước mô hình cấu trúc.
Bạn có thể xem thêm các hướng dẫn thực hành trong chủ đề SmartPLS, đặc biệt nếu đây là lần đầu bạn mở SmartPLS 4. Tiếp cận hai giai đoạn không có nghĩa là chạy hai phần mềm hoặc chia dữ liệu thành hai mẫu. Thông thường, bạn dùng cùng một bộ dữ liệu, cùng một mô hình, nhưng đọc kết quả theo hai thời điểm phân tích khác nhau.
Chuẩn bị mô hình và dữ liệu
Trước khi mở SmartPLS, bạn cần phân biệt rõ hai phần của mô hình. Measurement model mô tả mối quan hệ giữa biến tiềm ẩn và các indicator. Structural model mô tả mũi tên giữa các biến tiềm ẩn, chẳng hạn Nhận thức hữu ích ảnh hưởng đến Ý định sử dụng.
Xác định loại mô hình đo lường
Với thang đo phản xạ, biến tiềm ẩn được xem là nguyên nhân tạo ra các indicator. Các indicator thường có nội dung tương tự nhau và có thể loại một indicator mà khái niệm chung vẫn còn ý nghĩa. Đây là trường hợp phổ biến trong các đề tài hành vi người tiêu dùng, chấp nhận công nghệ và chất lượng dịch vụ.
Nếu mô hình có construct tạo thành từ các thành phần hoặc chỉ báo, bạn cần cân nhắc mô hình formative. Cách đánh giá formative khác với reflective, vì trọng tâm không chỉ là outer loading mà còn có collinearity và ý nghĩa của weight. Không nên áp dụng nguyên một bộ tiêu chí reflective cho mọi construct.
Đặt tên indicator nhất quán
Mỗi cột trong file .csv nên là một indicator, còn mỗi dòng là một người trả lời. Tên cột nên ngắn, không dấu, không có khoảng trắng và thể hiện rõ construct, ví dụ PU1, PU2, PEOU1, INT1. Không đặt tên kiểu Câu 1: Ứng dụng dễ sử dụng vì dấu hai chấm và ký tự đặc biệt có thể gây khó khăn khi nhập dữ liệu.
Bạn kiểm tra thêm các biến đảo chiều trước khi nhập file. Nếu bảng hỏi có indicator mang ý nghĩa phủ định, cần mã hóa ngược theo thang đo đã chọn. Một indicator chưa đảo chiều sẽ làm outer loading thấp hoặc âm, sau đó khiến bạn tưởng rằng phải loại biến.
Kiểm tra file CSV
SmartPLS 4 có thể nhập dữ liệu dạng .csv. Dòng đầu tiên nên chứa tên biến, các dòng tiếp theo chứa giá trị số. Với thang Likert, giá trị thường được mã hóa bằng số nguyên theo quy ước trong bảng hỏi. Bạn không nên để chữ như Đồng ý, Không đồng ý trong các cột indicator.
Trước khi import, kiểm tra ô trống, giá trị ngoài khoảng đo và các dòng bị lặp. Giữ lại một bản dữ liệu gốc, sau đó tạo bản làm việc riêng. Nếu bạn đang dùng SPSS, có thể xuất dữ liệu sang .csv sau khi hoàn tất làm sạch. File .sav không phải định dạng nhập trực tiếp phù hợp cho mọi quy trình SmartPLS 4.
Các bước thực hiện trong SmartPLS 4
Các đường dẫn dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có thể đặt một số lệnh ở vị trí khác, nên bạn cần nhìn tên phân tích thay vì cố tìm đúng từng nút.
Bước 1: Tạo project và nhập dữ liệu
Mở SmartPLS 4, tạo project mới rồi chọn nhập file dữ liệu. Chọn file .csv đã chuẩn bị và kiểm tra phần preview. Nếu tên cột bị cắt hoặc giá trị bị đọc thành text, dừng lại để sửa file nguồn trước khi dựng mô hình.
Sau khi dữ liệu được nhập, tạo một model mới trong project. Kéo các biến quan sát vào canvas để tạo construct. Đặt tên construct theo mô hình lý thuyết, chẳng hạn PU, PEOU, ATT và INT, thay vì dùng tên dài gây khó quan sát trên sơ đồ.
Bước 2: Dựng measurement model
Tạo từng biến tiềm ẩn rồi đưa các indicator tương ứng vào. Kiểm tra mũi tên giữa construct và indicator. Với reflective measurement model, hướng quan hệ phải thể hiện construct tác động đến indicator theo quy ước của phần mềm.
Đừng nối các indicator của hai construct khác nhau chỉ để sơ đồ trông đầy đủ. Mỗi indicator cần thuộc construct đã được xác định từ mô hình và thang đo trong chương phương pháp. Nếu bạn đang phân biệt biến độc lập, phụ thuộc, trung gian hoặc điều tiết, có thể xem thêm bài về biến điều tiết trong SmartPLS và biến giả trong SmartPLS.
Bước 3: Dựng structural model
Dùng công cụ nối mũi tên để tạo quan hệ giữa các biến tiềm ẩn theo giả thuyết. Ví dụ, nếu H1 đề xuất Nhận thức dễ sử dụng ảnh hưởng đến Nhận thức hữu ích, mũi tên phải đi từ PEOU đến PU. Nếu mô hình có mediator, tạo cả đường trực tiếp và các đường cần thiết cho giả thuyết gián tiếp.
Kiểm tra lại chiều mũi tên bằng danh sách giả thuyết. Sai chiều mũi tên có thể khiến path coefficient không trả lời đúng câu hỏi nghiên cứu, dù các chỉ số khác vẫn hiện ra bình thường. Nếu mô hình có biến điều tiết, cấu hình moderation đúng theo loại biến và đọc riêng interaction effect, không gộp vào tác động trực tiếp.
Bước 4: Chạy PLS-SEM Algorithm
Chọn mô hình, sau đó chạy PLS-SEM Algorithm. Ở lần chạy đầu, giữ cấu hình mặc định nếu bạn chưa có lý do phương pháp luận để thay đổi. Mục tiêu của bước này là lấy outer loadings, Cronbach's Alpha, rho_A, Composite Reliability, AVE, VIF và R² ban đầu.
Mở kết quả theo nhóm Quality Criteria, Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Ghi lại indicator nào có loading thấp, construct nào có AVE chưa đạt và cặp construct nào có HTMT cao. Đừng xóa biến ngay chỉ vì một con số chưa đẹp.
Bước 5: Đánh giá measurement model
Xem outer loading của từng indicator trước. Với thang đo phản xạ, outer loading từ 0.7 trở lên thường được kỳ vọng theo (Chin, 1998). Indicator thấp hơn có thể được cân nhắc loại, nhưng bạn phải xem nội dung biến, CR và AVE sau khi loại. Việc xóa liên tục để tìm bảng đẹp làm mất tính hợp lệ nội dung của thang đo.
Tiếp theo, xem Construct Reliability and Validity. Cronbach's Alpha, rho_A và Composite Reliability cho biết độ nhất quán nội tại. AVE phản ánh giá trị hội tụ. CR từ 0.7 và AVE từ 0.5 trở lên được dùng trong nhiều nghiên cứu theo (Fornell và Larcker, 1981).
Cuối cùng, mở Discriminant Validity. Kiểm tra HTMT giữa các cặp construct. HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, là các ngưỡng thường được báo cáo theo (Henseler và cộng sự, 2015). Chỉ chuyển sang đánh giá structural model sau khi có lý do hợp lý để giữ bộ indicator hiện tại.
Bước 6: Chạy Bootstrapping
Sau khi measurement model được chấp nhận, chọn Bootstrapping trong SmartPLS 4. Đặt số lượng bootstrap subsamples là 5.000 theo khuyến nghị của (Hair và cộng sự, 2022). Chọn kiểm định hai phía nếu giả thuyết của bạn không quy định hướng một phía, sau đó chạy và chờ phần mềm hoàn tất.
Trong kết quả bootstrapping, mở Path Coefficients, Total Effects, Specific Indirect Effects hoặc phần liên quan đến moderation. Ghi lại Original Sample, t Statistics, p Values và khoảng tin cậy. Với tác động gián tiếp, khoảng tin cậy bootstrap không chứa 0 là căn cứ để kết luận có ý nghĩa theo (Preacher và Hayes, 2008).
Đọc bảng kết quả
Bạn nên lưu kết quả của hai giai đoạn riêng biệt. Giai đoạn một trả lời câu hỏi thang đo có đáng tin cậy và có giá trị hay không. Giai đoạn hai trả lời giả thuyết giữa các construct có được ủng hộ hay không.
Bảng kết quả measurement model
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được viết theo nhóm kết quả thường thấy trong SmartPLS 4.
| Construct | Indicator | Outer loading | Cronbach's Alpha | Composite Reliability | AVE |
|---|---|---|---|---|---|
| PU | PU1 | 0.812 | 0.861 | 0.907 | 0.709 |
| PU | PU2 | 0.846 | |||
| PU | PU3 | 0.874 | |||
| INT | INT1 | 0.784 | 0.824 | 0.895 | 0.740 |
| INT | INT2 | 0.903 | |||
| INT | INT3 | 0.864 |
Khi đọc bảng, bạn không lấy Alpha của từng indicator. Alpha, CR và AVE là kết quả ở cấp construct. Outer loading được đọc ở cấp indicator. Nếu một indicator có loading thấp, xem thêm tác động của nó đến AVE và CR sau khi loại, rồi đối chiếu nội dung thang đo với cơ sở lý thuyết.
Bảng kết quả structural model
Bảng tiếp theo cũng là số liệu minh họa. Nó mô phỏng các cột bạn thường dùng khi đọc Path Coefficients sau bootstrapping.
| Giả thuyết | Path | Original Sample (O) | T Statistics | p Values | Kết luận minh họa |
|---|---|---|---|---|---|
| H1 | PEOU → PU | 0.318 | 4.762 | 0.000 | Ủng hộ |
| H2 | PU → INT | 0.427 | 6.185 | 0.000 | Ủng hộ |
| H3 | PEOU → INT | 0.096 | 1.421 | 0.156 | Chưa ủng hộ |
| H4 | PU → INT qua mediator | 0.136 | 2.984 | 0.003 | Có tác động gián tiếp |
Original Sample (O) là hệ số đường dẫn ước lượng từ mẫu ban đầu. T Statistics và p Values trong bảng bootstrapping giúp bạn đánh giá ý nghĩa thống kê. Bạn cần đặt các con số này cạnh giả thuyết, chiều tác động dự kiến và khoảng tin cậy, không chỉ nhìn p-value một cách tách rời.
Sau đó, mở R Square để xem mức độ giải thích của các biến độc lập đối với construct phụ thuộc. Mở f Square để đánh giá mức đóng góp của từng quan hệ, và Q Square nếu quy trình dự báo của bạn tạo ra chỉ số này. Với PLS-SEM, không đưa CFI, TLI hoặc RMSEA vào phần đánh giá mô hình vì các chỉ số đó thuộc nhóm CB-SEM, không phải bộ chỉ số cốt lõi của SmartPLS.
Ngưỡng đánh giá
Ngưỡng chỉ là điểm tham chiếu để đọc kết quả, không phải lý do tự động xóa biến. Mỗi dòng dưới đây nêu rõ nguồn để bạn có thể giải trình khi giảng viên hỏi.
| Chỉ số | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998); (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 | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| f² | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) |
| R² | 0.25 yếu, 0.50 vừa, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrap subsamples | 5.000 mẫu lặp | (Hair và cộng sự, 2022) |
Cronbach's Alpha từ 0.7 trở lên thường được xem là đạt theo (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên được nêu trong (Nunnally và Bernstein, 1994), nhưng chỉ số này thường được kiểm tra ở SPSS trước hoặc song song với việc đánh giá thang đo.
Bạn cũng cần xem VIF trước khi diễn giải path coefficient. VIF cao có thể cho thấy các biến dự báo chồng lấn, khiến hệ số đường dẫn thiếu ổn định. Khi có kết quả không đạt, hãy kiểm tra dữ liệu, cách mã hóa và mô hình lý thuyết trước khi thực hiện điều chỉnh.
Cách trình bày trong chương 4
Trình bày theo đúng trình tự bạn đã chạy. Phần đầu báo cáo đặc điểm mẫu nếu đề tài có yêu cầu. Tiếp theo là measurement model, gồm outer loading, độ tin cậy, AVE và discriminant validity. Sau đó mới đến structural model, gồm VIF, R², f², Q², path coefficient và kết quả kiểm định giả thuyết.
Cách viết vào luận văn: “Kết quả đánh giá mô hình đo lường cho thấy các outer loading của các indicator nằm trong khoảng [giá trị thấp nhất] đến [giá trị cao nhất]. Composite Reliability của các construct dao động từ [giá trị] đến [giá trị], trong khi AVE dao động từ [giá trị] đến [giá trị]. Vì vậy, mô hình đo lường được [chấp nhận/điều chỉnh] trước khi đánh giá mô hình cấu trúc.”
Một đoạn khác có thể viết: “Kết quả bootstrapping với [5.000] subsamples cho thấy quan hệ [X → Y] có path coefficient bằng [β], t Statistics bằng [t] và p Values bằng [p]. Do p Values [nhỏ hơn/lớn hơn] [mức ý nghĩa], giả thuyết H[ ] được [ủng hộ/không được ủng hộ].” Bạn thay placeholder bằng số liệu trong file của mình, không chép số minh họa ở trên.
Khi báo cáo tác động trung gian, ghi riêng tác động trực tiếp, tác động gián tiếp và tác động tổng. Nếu có điều tiết, ghi rõ interaction effect và cách biến điều tiết làm thay đổi quan hệ nào. Nội dung này khác với biến điều tiết, vì biến trung gian giải thích cơ chế truyền tác động còn biến điều tiết làm thay đổi độ mạnh hoặc hướng của quan hệ.
Lỗi thường gặp
Chạy bootstrapping trước khi kiểm tra thang đo
Bootstrapping không sửa được indicator sai, dữ liệu mã hóa nhầm hoặc construct có HTMT quá cao. Hãy lưu kết quả PLS-SEM Algorithm, rà soát measurement model rồi mới chạy bootstrapping.
Xóa indicator chỉ vì loading thấp
Một indicator thấp có thể làm bạn chú ý, nhưng quyết định loại phải dựa trên nội dung thang đo, CR, AVE và sự phù hợp với nghiên cứu. Ghi lại từng vòng điều chỉnh để khi bị hỏi, bạn giải thích được biến nào bị loại và vì sao.
Đánh giá PLS-SEM bằng CFI, TLI và RMSEA
Đây là lỗi trộn tiêu chí giữa CB-SEM và PLS-SEM. Nếu bạn dùng SmartPLS để đánh giá PLS-SEM, tập trung vào nhóm chỉ số phù hợp như outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.
Nhập file có chữ hoặc ô trống không kiểm soát
Một cột indicator có cả số và chữ dễ khiến dữ liệu được đọc sai kiểu. Hãy mở lại phần data preview, lọc từng cột trong Excel hoặc SPSS, kiểm tra missing value và xuất một file .csv sạch trước khi chạy.
Chỉ báo cáo p-value
p-value không cho biết độ mạnh của tác động. Một kết quả đầy đủ cần có path coefficient, t Statistics hoặc khoảng tin cậy, p Values và kết luận đối với giả thuyết. Với mô hình có nhiều đường dẫn, hãy lập bảng tổng hợp thay vì viết từng con số rời rạc.
Đọc thêm: biến kiểm soát là gì, biến điều tiết, biến điều tiết trong smartpls, biến giả trong smartpls, cách chạy fimix smartpls 4, chủ đề smartpls.
Câu hỏi thường gặp
Tiếp cận hai giai đoạn trong SmartPLS có cần chia dữ liệu thành hai file không?
Thông thường không cần. Hai giai đoạn nói về thứ tự đánh giá measurement model rồi structural model trên cùng mô hình và bộ dữ liệu. Chỉ chia mẫu khi thiết kế nghiên cứu của bạn có lý do riêng, chẳng hạn kiểm định ngoài mẫu hoặc so sánh nhóm.
Có thể chạy thẳng Bootstrapping ngay từ đầu không?
Bạn có thể chạy về mặt kỹ thuật, nhưng cách báo cáo sẽ thiếu logic nếu chưa kiểm tra thang đo. Hãy chạy PLS-SEM Algorithm trước, xem outer loading, CR, AVE, HTMT và VIF, sau đó mới dùng Bootstrapping để kiểm định các đường dẫn.
Outer loading dưới 0.7 có phải xóa ngay không?
Không. 0.7 là ngưỡng tham khảo cho thang đo phản xạ, nhưng bạn cần xem indicator đó có quan trọng về nội dung hay không và việc loại có cải thiện CR, AVE không. Xóa nhiều indicator có thể làm construct mất phạm vi nội dung ban đầu.
SmartPLS có dùng CFI, TLI và RMSEA trong tiếp cận này không?
Tiếp cận PLS-SEM trong SmartPLS không đánh giá mô hình bằng cách trộn toàn bộ chỉ số của CB-SEM. CFI, TLI và RMSEA thuộc nhóm chỉ số thường dùng cho CB-SEM theo (Hu và Bentler, 1999). Với SmartPLS, bạn nên trình bày đúng nhóm chỉ số PLS-SEM và lý do chọn phương pháp.
Nếu HTMT không đạt thì phải xử lý thế nào?
Trước tiên, kiểm tra hai construct có đang đo các khái niệm quá giống nhau không, sau đó xem lại nội dung indicator và cách mã hóa. Bạn có thể cân nhắc loại indicator có cơ sở phương pháp luận rõ ràng, gộp hoặc điều chỉnh mô hình chỉ khi phù hợp với lý thuyết. Không nên xóa biến theo từng cặp HTMT chỉ để đạt một con số.
SmartPLS 3 và SmartPLS 4 có khác nhau khi thực hiện quy trình không?
Logic phân tích gần như giữ nguyên, nhưng vị trí menu và cách trình bày kết quả có thể khác. Hướng dẫn trên dùng SmartPLS 4, vì vậy bạn nên tìm các lệnh PLS-SEM Algorithm, Bootstrapping, Quality Criteria và Path Coefficients theo tên chức năng nếu giao diện đang dùng là SmartPLS 3.
Bạn hãy mở lại file .csv, ghi riêng các kết quả measurement model và structural model, rồi điền số thật vào các câu mẫu trong chương 4; nếu cần chạy toàn bộ phân tích trên dữ liệu .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích của DoThesis.