Một bài PLS-SEM qua được phản biện phải nêu lý do chọn PLS-SEM, đánh giá đủ mô hình đo lường (tải nhân tố, độ tin cậy, AVE, HTMT) rồi mới tới mô hình cấu trúc (đa cộng tuyến, hệ số đường dẫn qua bootstrapping, R², f², khả năng dự báo), và không dùng các chỉ số đã bị phê phán như GoF.
SmartPLS làm cho việc chạy mô hình trở nên dễ: vẽ biến tiềm ẩn, nối mũi tên, bấm chạy. Chính vì dễ nên nhiều bản thảo dừng ở bảng hệ số đường dẫn kèm vài con số chép theo ngưỡng của bài khác. Phản biện quen với PLS-SEM sẽ hỏi lại từng bước. Phần dưới đây đi theo đúng thứ tự đánh giá mà tài liệu phương pháp phổ biến về PLS-SEM, như sách hướng dẫn của Hair và cộng sự, đề nghị.
Khi nào PLS-SEM là lựa chọn hợp lý?
Mục tiêu là giải thích và dự báo biến phụ thuộc. PLS-SEM tối đa hoá phương sai được giải thích của các biến nội sinh, phù hợp khi đề tài thiên về dự báo hoặc khám phá mở rộng một lý thuyết sẵn có.
Mô hình có biến tiềm ẩn cấu tạo (formative). Khi các chỉ báo tạo nên khái niệm chứ không phản ánh nó, như chỉ số năng lực số tạo từ nhiều thành phần, PLS-SEM xử lý trực tiếp, trong khi CB-SEM cần thêm điều kiện nhận dạng.
Mô hình phức tạp với nhiều biến và đường dẫn. PLS-SEM ước lượng từng phần nên ổn định với mô hình lớn.
Không phải vì cỡ mẫu nhỏ. Lý do “mẫu nhỏ nên dùng PLS” bị phê phán nhiều: cỡ mẫu vẫn phải đủ cho độ mạnh thống kê. Hãy tính cỡ mẫu tối thiểu theo phương pháp độ mạnh thống kê hoặc phương pháp căn bậc hai nghịch đảo và báo cáo cách tính.
Không phải để kiểm định độ phù hợp tổng thể của lý thuyết. Nếu câu hỏi là mô hình lý thuyết có khớp dữ liệu không, CB-SEM với các chỉ số phù hợp là công cụ đúng hơn.
Đánh giá mô hình đo lường kết quả (reflective)
Bước này phải xong trước khi đọc bất kỳ hệ số đường dẫn nào. Các mốc dưới đây là mốc tham khảo trong tài liệu phương pháp, không phải luật cứng; hãy trích nguồn mốc bạn dùng.
| Tiêu chí | Chỉ số trong SmartPLS | Mốc thường dẫn | Lưu ý |
|---|---|---|---|
| Độ tin cậy chỉ báo | Outer loadings | Từ 0,708 trở lên | Chỉ báo 0,40–0,70 chỉ loại khi việc loại làm tăng AVE hoặc độ tin cậy và không làm hỏng nội dung khái niệm |
| Độ tin cậy nhất quán nội tại | Cronbach alpha, rho_A, rho_c | 0,70 tới 0,95 | Trên 0,95 gợi ý các câu hỏi trùng ý, không phải tốt hơn |
| Giá trị hội tụ | AVE | Từ 0,50 trở lên | Báo cáo cho từng biến tiềm ẩn |
| Giá trị phân biệt | HTMT | Dưới 0,85 hoặc 0,90 tuỳ khái niệm gần hay xa | Kiểm thêm khoảng tin cậy bootstrap của HTMT không chứa 1 |
Tiêu chí Fornell–Larcker và tải chéo vẫn được nhiều bài báo cáo, nhưng nghiên cứu mô phỏng của Henseler, Ringle và Sarstedt cho thấy chúng kém nhạy trong việc phát hiện thiếu giá trị phân biệt. Nếu báo cáo, hãy đặt sau HTMT chứ không thay HTMT.
Biến tiềm ẩn cấu tạo: đừng dùng tiêu chí của biến kết quả
Lỗi gặp rất nhiều: biến cấu tạo bị đánh giá bằng alpha và AVE. Với chỉ báo cấu tạo, các chỉ báo không cần tương quan cao với nhau, nên alpha và AVE vô nghĩa. Thay vào đó cần ba bước: giá trị hội tụ qua phân tích dư thừa (redundancy analysis), tương quan giữa biến cấu tạo và một câu hỏi tổng quát đo cùng khái niệm; đa cộng tuyến giữa các chỉ báo qua VIF; và ý nghĩa cùng độ lớn của trọng số ngoài (outer weights) qua bootstrapping. Chỉ báo có trọng số không ý nghĩa nhưng tải ngoài đủ lớn vẫn có thể giữ lại vì lý do nội dung.
Muốn làm phân tích dư thừa, bảng hỏi phải có sẵn câu hỏi tổng quát đó từ đầu. Đây là việc phải nghĩ ở khâu thiết kế, không bổ sung được sau khi đã thu dữ liệu.
Đánh giá mô hình cấu trúc và chạy bootstrapping
Đa cộng tuyến giữa biến tiềm ẩn
Xem VIF của các biến dự báo cho từng biến nội sinh. VIF cao làm hệ số đường dẫn méo; mốc thường dẫn là dưới 3, trên 5 thì cần xử lý.
Hệ số đường dẫn và ý nghĩa thống kê
SmartPLS ước lượng sai số chuẩn bằng bootstrapping. Chọn số mẫu con đủ lớn, ở mức vài nghìn trở lên cho kết quả cuối, chọn kiểu kiểm định một phía hay hai phía đúng với giả thuyết, và báo cáo khoảng tin cậy chứ không chỉ giá trị p. Ghi rõ số mẫu con và loại khoảng tin cậy trong bài.
R², f² và khả năng dự báo
R² cho biết phần phương sai được giải thích; mốc 0,75, 0,50, 0,25 hay được dẫn chỉ mang tính tham khảo và tuỳ lĩnh vực. f² cho biết mức đóng góp của từng biến dự báo. Với khả năng dự báo ngoài mẫu, dùng PLSpredict để so sai số dự báo của mô hình với mô hình tuyến tính đối chứng; Q² theo cách cũ (blindfolding) ngày càng ít được coi là đủ.
Thiết lập trong SmartPLS cần ghi lại
Các ô trong hộp thoại chạy thuật toán và bootstrapping ảnh hưởng trực tiếp tới con số, nhưng hay bị bỏ qua khi viết bài. Trước khi chạy bản cuối, chụp lại hoặc ghi vào nhật ký dự án:
- Sơ đồ trọng số (weighting scheme) của thuật toán PLS, số vòng lặp tối đa và tiêu chí dừng.
- Cách xử lý giá trị khuyết: thay bằng trung bình hay loại cả trường hợp; với nhiều ô trống, thay bằng trung bình có thể làm méo kết quả và nên được nêu rõ.
- Số mẫu con bootstrap, kiểu khoảng tin cậy (percentile hay hiệu chỉnh lệch), kiểm định một phía hay hai phía, mức ý nghĩa.
- Có dùng hạt giống ngẫu nhiên cố định hay không, nếu bản phần mềm cho chọn.
- Mã hoá các câu hỏi đảo chiều đã được xử lý trước khi nhập dữ liệu hay chưa.
Lưu luôn tệp dự án SmartPLS và tệp dữ liệu đã nhập vào cùng thư mục với bản thảo. Khi phản biện yêu cầu thêm một phân tích, bạn mở lại đúng cấu hình cũ thay vì vẽ lại mô hình, và tránh được chênh lệch nhỏ khó giải thích giữa hai vòng.
Ngưỡng và chỉ số hay bị dùng sai
Phản biện quen PLS-SEM thường bắt các lỗi sau:
| Cách dùng sai | Vấn đề | Nên làm |
|---|---|---|
| Báo cáo GoF như chỉ số phù hợp tổng thể | Henseler và Sarstedt đã chỉ ra GoF không phân biệt được mô hình đúng và sai | Bỏ GoF |
| Coi SRMR dưới 0,08 là mô hình “phù hợp” | Khái niệm độ phù hợp trong PLS-SEM còn tranh luận, ngưỡng mượn từ CB-SEM | Nếu báo cáo, nói rõ chỉ mang tính tham khảo |
| Loại chỉ báo tới khi mọi tải trên 0,708 | Làm nghèo nội dung khái niệm | Cân nhắc nội dung và độ tin cậy tổng thể trước khi loại |
| Chỉ dùng Fornell–Larcker cho giá trị phân biệt | Kém nhạy | Dùng HTMT kèm khoảng tin cậy |
| Báo cáo hệ số mà không có khoảng tin cậy | Người đọc không thấy độ chính xác | Thêm khoảng tin cậy bootstrap |
Bảng kiểm trước khi gửi bản thảo PLS-SEM
Đọc lại bản thảo và đánh dấu từng mục:
- Có câu nêu lý do chọn PLS-SEM gắn với mục tiêu nghiên cứu, không chỉ vì cỡ mẫu.
- Có cách tính cỡ mẫu tối thiểu và trích nguồn.
- Có ghi phần mềm và phiên bản SmartPLS cùng câu trích dẫn do nhà phát triển đề nghị, thiết lập thuật toán, số mẫu con bootstrap.
- Có bảng mô hình đo lường đủ tải, độ tin cậy, AVE, HTMT; biến cấu tạo đánh giá theo đúng tiêu chí riêng.
- Có bảng mô hình cấu trúc gồm VIF, hệ số, khoảng tin cậy, R², f², kết quả PLSpredict.
- Có xử lý sai lệch do phương pháp chung (common method bias), ví dụ bằng VIF toàn phần, và nói rõ giới hạn của cách kiểm tra đó.
- Không còn GoF và không còn câu khẳng định mô hình “phù hợp tốt” dựa trên một ngưỡng duy nhất.
Câu hỏi thường gặp
SmartPLS có miễn phí không?
SmartPLS có bản dùng thử và các gói trả phí theo thời hạn; điều khoản cụ thể xem trên trang của nhà phát triển. Nếu cần công cụ miễn phí, gói seminr trong R cũng ước lượng PLS-SEM.
Cỡ mẫu bao nhiêu là đủ cho PLS-SEM?
Không có con số chung. Hãy tính theo độ mạnh thống kê, cỡ hiệu ứng nhỏ nhất muốn phát hiện và số biến dự báo lớn nhất trỏ vào một biến. Quy tắc “gấp mười lần” cũ không còn được khuyến nghị.
Có nên báo cáo cả Cronbach alpha lẫn độ tin cậy tổng hợp không?
Nên báo cáo cả hai, cùng rho_A nếu có. Alpha thường thấp hơn thực tế, độ tin cậy tổng hợp thường cao hơn, nên giá trị thật nằm giữa.
Kết quả bootstrap mỗi lần chạy khác nhau có sao không?
Khác biệt nhỏ là bình thường vì lấy mẫu ngẫu nhiên. Tăng số mẫu con và cố định hạt giống ngẫu nhiên nếu phần mềm cho phép để kết quả ổn định và tái lập được.
Phản biện yêu cầu kiểm tra độ phù hợp mô hình thì trả lời thế nào?
Giải thích PLS-SEM hướng tới dự báo, trình bày kết quả PLSpredict và R². Nếu báo cáo SRMR, nói rõ đó là chỉ số tham khảo, kèm trích dẫn tài liệu phương pháp.
