Cách vẽ mô hình cấu trúc trong SmartPLS 4
Vẽ mô hình cấu trúc trong SmartPLS dùng để làm gì
Khi bạn vẽ mô hình cấu trúc trong SmartPLS, bạn đang mô tả các quan hệ giả thuyết giữa những biến tiềm ẩn. Ví dụ, mô hình có thể gồm Chất lượng dịch vụ tác động đến Sự hài lòng, rồi Sự hài lòng tác động đến Ý định sử dụng. Các mũi tên giữa những biến này chính là phần structural model trong PLS-SEM.
Cần tách hai phần ngay từ đầu. Mô hình đo lường cho biết các biến quan sát đo một biến tiềm ẩn như thế nào. Mô hình cấu trúc cho biết các biến tiềm ẩn liên hệ với nhau ra sao. Vì vậy, vẽ mô hình cấu trúc trong SmartPLS không chỉ là kéo vài hình tròn lên màn hình. Bạn phải có mô hình lý thuyết, mã biến quan sát, chiều mũi tên và giả thuyết tương ứng.
SmartPLS phù hợp khi đề tài của bạn dùng PLS-SEM, có biến tiềm ẩn và cần đánh giá đồng thời measurement model cùng structural model. Nếu bạn chỉ chạy hồi quy với các biến đã tổng hợp thành điểm trung bình, SPSS có thể phù hợp hơn. Nếu bạn cần các chỉ số fit như CFI, TLI hoặc RMSEA, đó là nhóm chỉ số thường gắn với CB-SEM, không nên đưa vào hướng dẫn đánh giá mô hình SmartPLS.
Bạn có thể xem thêm các tài liệu trong chủ đề SmartPLS để phân biệt PLS-SEM với các hướng phân tích khác trước khi bắt đầu.
Chuẩn bị mô hình và dữ liệu
Phân biệt mô hình đo lường và mô hình cấu trúc
Trong mô hình đo lường, mỗi biến tiềm ẩn được nối với các indicator, chẳng hạn PU1, PU2, PU3 đo Perceived Usefulness. Trong mô hình cấu trúc, bạn nối các biến tiềm ẩn với nhau bằng mũi tên một chiều, chẳng hạn PU đến BI. Hai phần này thường xuất hiện trên cùng một canvas của SmartPLS, nhưng chúng trả lời hai câu hỏi khác nhau.
Với reflective measurement model, mũi tên thường đi từ biến tiềm ẩn đến các indicator. Với formative measurement model, hướng mũi tên có thể đi từ indicator vào biến tiềm ẩn. Bạn cần xác định hướng đo lường từ cơ sở lý thuyết và thang đo, không chọn theo cách nhìn thuận mắt trên màn hình.
Đặt tên indicator và biến tiềm ẩn
Tên indicator nên ngắn, không có dấu cách và nhất quán với bảng hỏi, chẳng hạn PU1, PU2, PU3, BI1, BI2. Tên biến tiềm ẩn có thể là PU, BI hoặc tên tiếng Anh ngắn gọn. Nếu dùng tiếng Việt có dấu trong tên cột CSV, bạn dễ gặp lỗi khi nhập hoặc khi đối chiếu output.
Bạn nên lập một bảng mã trước khi vẽ. Bảng này ghi construct, indicator, nội dung biến quan sát và chiều tác động dự kiến. Nếu một biến quan sát được reverse code, hãy xử lý giá trị trước khi nhập vào SmartPLS. Không để SmartPLS tự đoán rằng giá trị 1 và 5 có cùng chiều ý nghĩa.
Kiểm tra file CSV
SmartPLS thường đọc dữ liệu dạng .csv, trong đó hàng đầu tiên là tên cột và mỗi hàng tiếp theo là một đáp viên. Một cột nên tương ứng với một indicator. Không đặt dòng tiêu đề phụ phía trên tên biến, không trộn chữ mô tả vào vùng số liệu và kiểm tra dấu phân cách giữa các cột.
Nếu file của bạn còn ở Excel, hãy lưu thành CSV UTF-8 rồi kiểm tra lại bằng trình soạn thảo hoặc phần mềm bảng tính. Hướng dẫn chi tiết hơn nằm ở bài nhập dữ liệu CSV trong SmartPLS. Trước khi tạo model, bạn cũng nên xem xét missing value, vì dữ liệu trống có thể làm thay đổi số quan sát dùng trong từng phép tính. Có thể tham khảo xử lý missing value trong SmartPLS.
Ước lượng cỡ mẫu và logic giả thuyết
Cỡ mẫu cần được giải thích theo thiết kế nghiên cứu, số mũi tên đi vào biến nội sinh và yêu cầu phân tích. Mốc 5 đến 10 quan sát cho một biến quan sát thường được dùng như tham khảo trong nghiên cứu khám phá (Hair và cộng sự, 2010), nhưng bạn không nên xem đó là bảo đảm mô hình sẽ đạt.
Trước khi mở SmartPLS, hãy viết từng giả thuyết thành câu. Ví dụ: “Chất lượng hệ thống tác động tích cực đến Sự hài lòng”. Câu này quyết định mũi tên đi từ SQ đến SAT, đồng thời giúp bạn đối chiếu với cột Original Sample (O) và P Values sau khi chạy.
Các bước thực hiện trong SmartPLS 4
Bước 1: Tạo project và import dữ liệu
Các đường dẫn dưới đây áp dụng cho SmartPLS 4. Từ màn hình chính, chọn tạo project mới, đặt tên project, sau đó import file CSV vào project. Nếu bạn chưa tạo project, có thể theo hướng dẫn cách chạy tạo dự án mới SmartPLS 4 hoặc xem cách tạo dự án mới trong SmartPLS.
Sau khi import, mở dataset và kiểm tra tên các cột. Nếu SmartPLS đọc một cột số thành dạng text, bạn cần quay lại file nguồn để sửa định dạng. Đừng vội vẽ mô hình khi tên indicator bị cắt, bị trùng hoặc có khoảng trắng bất thường.
Bước 2: Tạo model mới
Trong project, chọn tạo model mới và đặt tên dễ nhận diện, chẳng hạn Model_TAM_Final. Một project có thể có nhiều model, vì vậy tên nên cho biết phiên bản hoặc vòng phân tích. Bạn có thể giữ một model gốc để so sánh trước và sau khi loại indicator.
Khi canvas xuất hiện, xác nhận dataset đã được liên kết với model. Một số phiên bản SmartPLS cho phép chọn dataset trong lúc tạo model. Nếu canvas không hiển thị đúng dữ liệu, kiểm tra lại phần Data Files trước khi kéo biến.
Bước 3: Tạo biến tiềm ẩn
Trên canvas SmartPLS 4, chọn công cụ tạo construct rồi nhấp vào vùng trống. Đặt tên cho construct theo mã đã lập, ví dụ PU, PEOU, SAT và BI. Bạn có thể kéo construct để bố trí từ trái sang phải theo logic nguyên nhân, biến trung gian và kết quả.
Một cách bố trí dễ đọc là đặt biến độc lập ở bên trái, mediator ở giữa và biến phụ thuộc ở bên phải. Cách sắp xếp này không thay thế kiểm định lý thuyết, nhưng giúp bạn phát hiện nhanh một mũi tên đi ngược giả thuyết hoặc một biến bị bỏ quên.
Bước 4: Gán indicator vào construct
Chọn dataset hoặc danh sách indicator, sau đó kéo PU1, PU2, PU3 vào construct PU. Làm tương tự với các construct còn lại. Kiểm tra để mỗi indicator chỉ thuộc đúng một construct trong reflective model, trừ khi cơ sở lý thuyết của bạn có lý do rõ ràng cho mô hình khác.
Sau khi gán, xem lại tên trên canvas. Nếu SAT3 nằm trong PU, lỗi này vẫn có thể cho ra output, nhưng kết quả sẽ không trả lời đúng mô hình nghiên cứu. Hãy đối chiếu từng construct với bảng mã trước khi nối mũi tên.
Bước 5: Nối các biến trong mô hình cấu trúc
Chọn công cụ Connect rồi kéo từ construct nguyên nhân đến construct kết quả. Ví dụ, kéo từ PU đến SAT, từ PEOU đến SAT, và từ SAT đến BI. Mũi tên cần đi đúng chiều giả thuyết. Nếu mô hình có mediator, bạn có thể có cả đường trực tiếp PU -> BI và đường PU -> SAT -> BI, nhưng chỉ giữ đường trực tiếp khi giả thuyết của bạn có nêu.
Sau khi nối xong, kiểm tra từng giả thuyết một lần nữa. Mũi tên từ BI về PU sẽ không tự động báo lỗi phương pháp, nhưng nó có thể trái với lập luận lý thuyết trong chương 2. SmartPLS vẽ được nhiều cấu trúc, còn việc cấu trúc đó có hợp lý hay không thuộc về thiết kế nghiên cứu.
Bước 6: Lưu model và chạy PLS Algorithm
Lưu model trước khi chạy. Chọn Calculate rồi chọn PLS-SEM Algorithm. Trong hộp thoại, giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp để thay đổi. Sau khi chạy, SmartPLS hiển thị outer loadings, path coefficients, R² và các chỉ số liên quan.
Đọc kết quả theo hai giai đoạn. Trước hết đánh giá measurement model, gồm reliability, convergent validity và discriminant validity. Sau đó đánh giá structural model, gồm collinearity, path coefficient, significance, R², f² và Q². Trình tự hai giai đoạn này phù hợp với logic đánh giá measurement rồi mới diễn giải quan hệ cấu trúc (Anderson và Gerbing, 1988).
Bước 7: Chạy Bootstrapping
Chọn Calculate > Bootstrapping trong SmartPLS 4. Chọn số bootstrap subsamples theo thiết kế phân tích. Mốc 5.000 bootstrap subsamples được đề xuất trong quy trình PLS-SEM hiện hành (Hair và cộng sự, 2022). Sau đó chạy và chờ SmartPLS tạo các bảng kết quả về standard deviation, T Statistics và P Values.
Khi kiểm định giả thuyết, bạn cần xem dấu của path coefficient, khoảng tin cậy bootstrap và p-value theo quy ước đã chọn. Một p-value nhỏ không tự chứng minh quan hệ có ý nghĩa lý thuyết, vì bạn vẫn phải kiểm tra chiều tác động và nội dung giả thuyết.
Đọc bảng kết quả
Sau khi chạy PLS Algorithm và Bootstrapping, đừng chỉ chụp hình toàn bộ màn hình. Hãy xuất các bảng cần thiết và ghi lại model version. Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
| Bảng trong SmartPLS 4 | Quan hệ hoặc chỉ số | Giá trị minh họa | Cách đọc |
|---|---|---|---|
| Path Coefficients | PU -> SAT, Original Sample (O) | 0.428 | Quan hệ dương trong mẫu minh họa |
| Path Coefficients | PU -> SAT, T Statistics | 4.216 | Dùng cùng p-value hoặc khoảng tin cậy để đánh giá |
| Path Coefficients | PU -> SAT, P Values | 0.000 | Diễn giải theo ngưỡng ý nghĩa đã đăng ký |
| R Square | SAT | 0.486 | Mức biến thiên của SAT được các biến dự báo giải thích |
| f Square | PU -> SAT | 0.192 | Độ lớn tác động của PU lên SAT |
| Construct Crossvalidated Redundancy | SAT, Q² | 0.301 | Q² dương gợi ý khả năng dự báo của construct |
| Outer Loadings | PU1 thuộc PU | 0.781 | Đánh giá đóng góp của indicator vào construct |
Trong bảng Path Coefficients, Original Sample (O) thường được đọc như hệ số đường dẫn ước lượng từ mẫu. Hệ số dương cho biết quan hệ cùng chiều trong dữ liệu mẫu. Bạn vẫn cần xem T Statistics, P Values hoặc confidence interval của bootstrap để đưa ra kết luận về giả thuyết.
R Square xuất hiện ở các construct nội sinh. Nếu SAT nhận mũi tên từ PU và PEOU, R² của SAT phản ánh phần biến thiên được các biến đó giải thích trong mô hình. R² không phải phần trăm “độ chính xác” của toàn bộ luận văn.
f Square giúp xem một biến dự báo đóng góp bao nhiêu vào R² của construct nội sinh. Q² liên quan đến khả năng dự báo và được diễn giải khi giá trị lớn hơn 0 theo logic cross-validation (Stone, 1974). Với mediation, cần đọc thêm indirect effect và khoảng tin cậy bootstrap, không kết luận chỉ từ đường trực tiếp.
Ngưỡng đánh giá
Ngưỡng dưới đây là các mốc tham khảo thường được dùng. Bạn cần nêu rõ nguồn trong chương phương pháp và xem xét bối cảnh, loại construct, cỡ mẫu cùng lập luận lý thuyết.
| Chỉ số | Mốc tham khảo | Nguồn canonical |
|---|---|---|
| Outer loading | từ 0.70 | (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| Composite Reliability | từ 0.70 | (Fornell và Larcker, 1981) |
| AVE | từ 0.50 | (Fornell và Larcker, 1981) |
| HTMT | dưới 0.85, hoặc dưới 0.90 với khái niệm 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 | 0.75 đáng kể, 0.50 vừa, 0.25 yếu | (Hair và cộng sự, 2011) |
| Q² | lớn hơn 0 | (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
| Bootstrap subsamples | 5.000 | (Hair và cộng sự, 2022) |
Outer loading thấp cần được xem cùng nội dung thang đo, CR, AVE và HTMT. Bạn không nên xóa indicator chỉ để làm đẹp một con số. Việc loại biến phải có lý do phương pháp, được ghi lại theo từng vòng và không làm biến dạng khái niệm ban đầu.
HTMT dùng để đánh giá giá trị phân biệt giữa các construct. Nếu HTMT vượt mốc, kiểm tra các indicator có nội dung trùng nhau, cách mã hóa và mô hình khái niệm. Với VIF, xem collinearity trước khi diễn giải hệ số đường dẫn. Các chỉ số CFI, TLI và RMSEA không thuộc nhóm tiêu chí chính của bài hướng dẫn PLS-SEM này.
Cách trình bày trong chương 4
Bạn nên trình bày theo thứ tự: mô hình đo lường, mô hình cấu trúc, kiểm định giả thuyết và nếu có, phân tích mediation hoặc moderation. Hình mô hình cần có mã construct rõ ràng, còn bảng cần ghi nguồn dữ liệu và cỡ mẫu thực tế.
Cách viết vào luận văn: “Kết quả Bootstrapping với [số lần lặp] lần lặp cho thấy tác động của [biến độc lập] đến [biến phụ thuộc] có hệ số đường dẫn β = [giá trị], t = [giá trị], p = [giá trị]. Do [p-value nhỏ hơn/lớn hơn] [mức ý nghĩa], giả thuyết H[ ] được [chấp nhận/không được ủng hộ] trong mẫu nghiên cứu.”
Bạn thay toàn bộ placeholder bằng số trong file kết quả của mình. Nếu báo cáo khoảng tin cậy, ghi cận dưới và cận trên đúng theo bảng Bootstrapping. Đừng viết “tác động mạnh” khi chỉ có hệ số dương, vì độ lớn còn cần đặt trong bối cảnh các đường dẫn khác và f².
Một bảng chương 4 có thể gồm giả thuyết, quan hệ, β, t, p, kết luận và nguồn. Hình mô hình sau Bootstrapping có thể hiển thị hệ số đường dẫn, nhưng không nên dùng hình thay cho bảng nếu hội đồng cần kiểm tra chi tiết.
Lỗi thường gặp
Lỗi đầu tiên là nối sai chiều mũi tên. Cách sửa là mở danh sách giả thuyết, đánh dấu biến nguyên nhân và biến kết quả trong từng câu, rồi đối chiếu với canvas.
Lỗi thứ hai là nhầm vẽ mô hình đo lường trong SmartPLS với vẽ mô hình cấu trúc. Nếu bạn chỉ kéo indicator vào construct mà chưa nối construct với nhau, structural model chưa hoàn chỉnh. Ngược lại, nếu nối construct nhưng chưa gán indicator, bạn mới chỉ có phần khung lý thuyết.
Lỗi thứ ba là đặt tên cột CSV không trùng với indicator. Hãy kiểm tra ký tự thừa, khoảng trắng, tên trùng và dòng tiêu đề. Một file mở được trong Excel chưa chắc đã có cấu trúc phù hợp để import vào SmartPLS.
Lỗi thứ tư là xóa hàng loạt indicator sau khi thấy loading thấp. Hãy xem lại dữ liệu, reverse coding, nội dung biến quan sát và tác động của việc loại biến đến CR, AVE, HTMT. Nếu cần chỉnh model, lưu thành phiên bản mới để giữ lại lịch sử.
Lỗi thứ năm là chạy Bootstrapping nhưng báo cáo p-value mà không ghi số subsamples hoặc loại kiểm định. Ghi lại thiết lập ngay khi chạy để chương 4 có thể tái lập. Cỡ mẫu, dataset và model version cũng nên được lưu cùng thư mục phân tích.
Lỗi cuối là đưa các chỉ số CB-SEM vào kết luận PLS-SEM. SmartPLS có nhiều chức năng, nhưng bạn phải chọn metric theo phương pháp và thiết kế đã nêu. Không dùng CFI, TLI hoặc RMSEA để lấp chỗ trống trong bảng PLS-SEM.
Câu hỏi thường gặp
Vẽ mô hình cấu trúc trong SmartPLS có cần vẽ mô hình đo lường không?
Có, nếu đề tài của bạn sử dụng biến tiềm ẩn đo bằng nhiều indicator. Mô hình cấu trúc là phần nối giữa các construct, còn mô hình đo lường là phần nối construct với indicator. Hai phần thường nằm chung trong một model để SmartPLS đánh giá cả measurement model và structural model.
Vì sao SmartPLS không cho nối hai biến?
Bạn hãy kiểm tra model đã liên kết với dataset chưa, construct có tồn tại trên canvas không và công cụ đang chọn có phải công cụ Connect hay không. Nếu vẫn lỗi, lưu model, đóng rồi mở lại project. Cũng cần kiểm tra phiên bản SmartPLS 4, vì vị trí biểu tượng và cách gọi menu có thể khác SmartPLS 3.
Có thể vẽ mũi tên hai chiều trong SmartPLS không?
Bạn chỉ nên tạo các đường dẫn phù hợp với giả thuyết và hướng nhân quả trong mô hình. Mũi tên hai chiều không phải cách mặc định để thể hiện hai biến có tương quan trong một structural model PLS-SEM. Nếu thiết kế của bạn cần một quan hệ đặc biệt, hãy kiểm tra lại phương pháp trước khi tạo đường dẫn.
Khi nào nên vẽ mô hình đo lường trong SmartPLS trước?
Nên tạo construct và gán indicator trước, sau đó nối các construct theo giả thuyết. Làm vậy giúp bạn kiểm tra tên biến, số indicator và loại measurement model trước khi chạy structural model. Nếu vẽ mũi tên trước rồi mới xử lý dữ liệu, bạn dễ bỏ sót indicator hoặc gán nhầm biến.
Có phải đường dẫn có p-value nhỏ là giả thuyết chắc chắn đúng không?
P-value chỉ là một phần của kết luận. Bạn còn phải xem dấu và độ lớn của path coefficient, khoảng tin cậy bootstrap, R², f², chất lượng measurement model và sự phù hợp với giả thuyết. Kết luận trong luận văn nên nói “được ủng hộ trong mẫu nghiên cứu” thay vì khẳng định quan hệ đúng trong mọi bối cảnh.
Bước tiếp theo của bạn là mở project SmartPLS 4, kiểm tra lại file CSV, lập danh sách giả thuyết và lưu model trước khi chạy PLS Algorithm; nếu cần xử lý toàn bộ quy trình trên dữ liệu .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích.