2. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016)
MỤC LỤC
LỜI MỞ ĐẦU
CHƯƠNG 1: GIỚI THIỆU MÔ HÌNH PHƯƠNG TRÌNH CẤU TRÚC..........................1
1.1 Mô hình phương trình cấu trúc là gì?..................................................................................1
1.2 Các chú ý trong việc sử dụng mô hình phương trình cấu trúc ............................................3
1.2.1 Các biến tổng hợp..........................................................................................................3
1.2.2 Đo lường........................................................................................................................4
1.2.3 Các thang đo ..................................................................................................................6
1.2.4 Mã hoá ...........................................................................................................................7
1.2.5 Phân phối dữ liệu...........................................................................................................8
1.3 Mô hình phương trình cấu trúc với mô hình đường dẫn bình phương tối thiểu riêng phần
(PLS-SEM) ................................................................................................................................9
1.3.1 Mô hình đường dẫn với các biến tiềm ẩn......................................................................9
1.3.2 Lý thuyết đo lường ......................................................................................................11
1.3.3 Lý thuyết cấu trúc........................................................................................................11
1.4 PLS-SEM, CB-SEM và hồi quy dựa trên các điểm tổng ..................................................12
1.4.1 Các đặc điểm dữ liệu ...................................................................................................20
1.4.1.1 Yêu cầu kích thước mẫu tối thiểu...........................................................................20
1.4.1.2 Đặc điểm dữ liệu.....................................................................................................24
1.4.2 Các đặc điểm mô hình .................................................................................................25
CHƯƠNG 2: BIẾN NGUYÊN NHÂN & BIẾN KẾT QUẢ..............................................27
2.1 Mô hình đo lường nguyên nhân & kết quả........................................................................27
2.2 Minh họa tình huống nghiên cứu: xác định mô hình PLS - SEM.....................................33
2.3 Tạo mô hình đường dẫn bằng cách sử dụng phần mềm SmartPLS ..................................39
CHƯƠNG 3: ĐÁNH GIÁ MÔ HÌNH ĐO LƯỜNG KẾT QUẢ .......................................47
3.1 Độ tin cậy nhất quán nội tại...............................................................................................48
3.2 Giá trị hội tụ.......................................................................................................................49
3.3 Giá trị phân biệt.................................................................................................................52
3.4 Minh họa tình huống nghiên cứu – mô hình đo lường kết quả .........................................60
3. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016)
CHƯƠNG 4: ĐÁNH GIÁ MÔ HÌNH ĐO LƯỜNG NGUYÊN NHÂN ...........................69
4.1 Bước 1: Đánh giá Giá trị hội tụ .........................................................................................70
4.2 Bước 2: Đánh giá mô hình đo lường nguyên nhân về vấn đề cộng tuyến ........................72
4.3 Cách đánh giá sự cộng tuyến và xử lý với các mức tới hạn..............................................74
4.4 Bước 3: Đánh giá ý nghĩa và mức độ liên quan của các biến quan sát nguyên nhân .......76
4.5 Hàm ý về số lượng biến quan sát được sử dụng dựa trên trọng số của biến quan sát.......78
4.6 Xử lý trọng số biến quan sát không có ý nghĩa .................................................................79
4.7 Thủ tục Bootstrapping .......................................................................................................82
4.7.1 Khái niệm ....................................................................................................................82
4.7.2 Khoảng tin cậy Bootstrap ............................................................................................86
4.8 Minh họa tình huống nghiên cứu - đánh giá mô hình đo lường nguyên nhân ..................92
4.8.1 Mở rộng mô hình đường dẫn đơn giản........................................................................92
4.8.2 Đánh giá mô hình đo lường kết quả ..........................................................................101
4.8.3 Đánh giá mô hình đo lường nguyên nhân .................................................................106
CHƯƠNG 5: ĐÁNH GIÁ MÔ HÌNH CẤU TRÚC..........................................................120
5.1 Bước 1: Đánh giá sự cộng tuyến .....................................................................................122
5.2 Bước 2: Các hệ số đường dẫn mô hình cấu trúc..............................................................124
5.3 Bước 3: Hệ số xác định (giá trị R2
)..................................................................................128
5.4 Bước 4: Hệ số tác động f2
................................................................................................131
5.5 Bước 5: Phép dò tìm và sự liên quan dự báo Q2
.............................................................132
5.6 Bước 6: Hệ số tác động q2
...............................................................................................137
5.7 Minh họa tình huống nghiên cứu - làm thế nào để báo cáo kết quả mô hình cấu trúc PLS-
SEM? .....................................................................................................................................139
CHƯƠNG 6: MÔ HÌNH BẬC CAO..................................................................................154
6.1 Mô hình bậc cao và mô hình thành phần thứ bậc............................................................154
6.2 Các mô hình thành phần thứ bậc .....................................................................................155
CHƯƠNG 7: PHÂN TÍCH BIẾN TRUNG GIAN & BIẾN ĐIỀU TIẾT ......................160
7.1 Tác động trung gian.........................................................................................................160
7.1.1 Giới thiệu...................................................................................................................160
4. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016)
7.1.2 Các dạng tác động trung gian ....................................................................................165
7.1.3 Kiểm định tác động trung gian ..................................................................................168
7.1.4 Đánh giá Mô hình Đo lường trong Phân tích trung gian...........................................169
7.1.5 Tác động đa trung gian..............................................................................................170
7.1.6 Minh họa tình huống nghiên cứu - tác động trung gian ............................................172
7.2 Tác động điều tiết ............................................................................................................175
7.2.1 Giới thiệu...................................................................................................................175
7.2.2 Các loại biến điều tiết................................................................................................178
7.2.3 Mô hình hóa tác động điều tiết..................................................................................179
7.2.4 Tạo số hạng tương tác................................................................................................181
7.2.5 Cách tiếp cận tích biến quan sát ................................................................................182
7.2.6 Cách tiếp cận trực giao..............................................................................................183
7.2.7 Cách tiếp cận hai giai đoạn........................................................................................185
7.2.7.1 Hướng dẫn tạo Số hạng tương tác ........................................................................186
7.2.7.2 Đánh giá mô hình .................................................................................................189
7.2.7.3 Diễn giải các kết quả ............................................................................................190
7.3 Sự trung gian được điều tiết và Sự điều tiết được trung gian..........................................192
7.4 Minh họa tình huống nghiên cứu – tác động điều tiết.....................................................197
5. LỜI MỞ ĐẦU
GIỚI THIỆU VỀ PLS-SEM
Trong 5 năm gần đây PLS-SEM được sử dụng rộng rãi trong các nghiên cứu về thị
trường, lĩnh vực marketing, du lịch lữ hành, quản trị chiến lược, hệ thống thông tin và dữ
liệu lớn (big data). Thống kê của Hair Jr & cộng sự (2016) cho thấy hơn 500 bài báo khoa
học chuyên ngành marketing, quản trị được công bố cho đến năm 2015 trên ba tạp chí
hàng đầu. Tìm kiếm trên google scholar với từ khóa PLS-SEM, chúng tôi tìm thấy hơn
2.560.000 kết quả và chỉ riêng số bài báo có trích dẫn công trình của nhóm Hair Jr &
cộng sự (2016) đã lên đến con số gần 3800 kết quả. Điều này chứng tỏ PLS-SEM có sự
tin cậy nhất định đối với các nhà nghiên cứu và sử dụng nó trong quá trình kiểm định là
một xu hướng đang được thế giới chấp nhận.
PLS-SEM viết tắt từ cụm thuật ngữ Partial Least Square - Structural Equation
Modeling - Mô hình phương trình cấu trúc dựa trên bình phương tối thiểu riêng phần.
Khác với CB-SEM, PLS-SEM ước lượng các tham số của mô hình dựa trên ma trận
phương sai (variance based matrix). Theo Hair & cộng sự (2016), PLS-SEM áp dụng kỹ
thuật hồi quy bình phương tối thiểu (OLS) với mục tiêu làm giảm thiểu các sai số (tức là
phương sai phần dư) của các biến phụ thuộc. Nói cách khác, PLS-SEM ước lượng các hệ
số (các mối quan hệ mô hình đường dẫn) để tối đa hóa giá trị R2
của biến phụ thuộc (biến
mục tiêu). Tính năng này đạt được mục tiêu dự báo của PLS-SEM. Do đó, PLS-SEM là
phương pháp được ưa thích đối với nhà nghiên cứu khi mục tiêu nghiên cứu của họ là
phát triển lý thuyết và giải thích sự thay đổi của biến phụ thuộc (dự báo biến nghiên cứu).
PLS-SEM không sử dụng các chỉ số đo lường sự phù hợp của mô hình như CB-SEM. Ở
PLS – SEM, sự tối đa hóa phương sai được giải thích thay vì giảm thiểu sự khác biệt giữa
các ma trận hiệp phương sai như CB-SEM. Do đó, khái niệm sự phù hợp không hoàn
toàn hợp lý với PLS-SEM như là phương pháp tìm ra một giải pháp khi ước lượng các
6. tham số mô hình (Hair & cộng sự, 2016). Những năm gần đây, một số nhà toán học đã
phát triển chỉ số căn bậc hai phần dư chuẩn hóa (SRMR) để đánh giá sự phù hợp của mô
hình trong PLS – SEM. Theo Henseler & cộng sự (2014), SRMR được xác định như là sự
khác biệt căn bậc hai giữa các tương quan được quan sát và các tương quan của mô hình
được đánh giá. Bởi vì SRMR là một đo lường về sự phù hợp mô hình tuyệt đối, giá trị
SRMR bằng 0 cho thấy sự phù hợp hoàn hảo. Phiên bản phần mềm SmartPLS 3.2.7 mới
nhất hiện nay cung cấp chỉ số này. PLS-SEM không nhất thiết phải sử dụng cỡ mẫu lớn
như CB-SEM. PLS-SEM dùng cỡ mẫu tối thiểu 10 lần biến quan sát nguyên nhân
(formative observator) lớn nhất được đo lường cho một khái niệm hoặc 10 lần số đường
dẫn lớn nhất tác động đến một khái niệm trong mô hình (Barclay & cộng sự, 1995).
Trong nhiều trường hợp Hair & cộng sự (2016) khuyên nhà nghiên cứu nên chọn công
thức tính cỡ mẫu theo chuẩn của Cohen (1992). Một số nhà nghiên cứu PLS-SEM đã
chứng minh rằng thuật toán của PLS - SEM không tính toán tất cả các mối quan hệ trong
mô hình cấu trúc trong cùng một lúc. Thay vào đó, nó sử dụng hồi quy OLS để ước lượng
các mối quan hệ hồi quy riêng phần của mô hình. Chin và Newsted (1999) đã đánh giá
một cách hệ thống tính hiệu quả của PLS - SEM với các kích thước mẫu nhỏ và đã kết
luận rằng nó hoạt động tốt. Gần đây hơn, nghiên cứu mô phỏng của Reinartz và cộng sự
(2009) đã chỉ ra rằng PLS-SEM là sự lựa chọn tốt khi nhà nghiên cứu chỉ có dữ liệu với
lượng mẫu nhỏ. Đối với sự phân phối của dữ liệu, đặc tính thống kê của PLS-SEM cung
cấp những ước lượng mô hình mạnh mẽ với dữ liệu có đặc tính phân phối chuẩn cũng
như phân phối không chuẩn (Ringle & cộng sự, 2009). Ngoài ra, theo Hair và cộng sự
(2016), PLS-SEM được sử dụng khi nhà nghiên cứu đề xuất mô hình phức tạp. Nghĩa
phức tạp được hiểu ở đây là mô hình có nhiều biến (lớn hơn 4 biến độc lập) và mối quan
hệ trong mô hình chồng chéo, nhiều biến vừa đóng vai trò là biến độc lập, vừa là biến phụ
thuộc.
Tóm lại, PLS-SEM thể hiện nhiều ưu điểm vượt trội so với CB - SEM và các kỹ
thuật phân tích thế hệ thứ nhất khác. Nhà nghiên cứu nên lựa chọn PLS-SEM khi mô
hình nghiên cứu có chứa biến tiềm ẩn được đo lường qua các biến quan sát phản ánh
7. nguyên nhân, cỡ mẫu nhỏ và dữ liệu không phân phối chuẩn. Mô hình phân tích phức tạp
cần nhiều kỹ thuật phân tích nâng cao với thang đo một hay nhiều cấp thì PLS-SEM được
sử dụng rất phù hợp.
GIỚI THIỆU VỀ PHẦN MỀM SMARTPLS 3
Trong nghiên cứu kinh tế liên quan tới việc phân tích các dữ liệu sơ cấp đặc biệt là
các nghiên cứu có sử dụng mô hình phương trình cấu trúc (SEM), AMOS là phần mềm
được các nhà nghiên cứu tại Việt Nam sử dụng rộng rãi. Nhưng hiện nay kỹ thuật phân
tích thế hệ thứ hai đã có những phần mềm thực hiện tốt những yêu cầu trên và hơn hết là
cách sử dụng thân thiện, hiệu quả, trực quan. Một trong số đó phải kể đến phần mềm
SmartPLS 3. Đối với những người bắt đầu nghiên cứu, SmartPLS 3 gây được ấn tượng
mạnh bởi sự gọn nhẹ và trực quan so với các phần mềm cùng loại mà vẫn bảo đảm sự
hiệu quả trong ước lượng mô hình.
Với hơn 2.500 trích dẫn trong các tài liệu học thuật, SmartPLS 3 là một trong
những công cụ phần mềm hàng đầu trong việc ứng dụng và cách tiếp cận phương pháp
PLS trong mô hình ước lượng cấu trúc tuyến tính SEM (PLS-SEM). Nhà nghiên cứu,
sinh viên, học viên, nghiên cứu sinh sẽ nhanh chóng làm quen với SmartPLS 3 và ứng
dụng hiệu quả phương pháp PLS-SEM trong đề tài nghiên cứu nhờ sự trực quan và dễ sử
dụng. Đặc biệt khi so sánh với AMOS – phần mềm cũng có chức năng ước lượng SEM,
SmartPLS tỏ ra có ưu thế hơn về sự đơn giản, trực quan, thân thiện cho người sử dụng.
Ứng dụng của SmartPLS 3:
SmartPLS 3 có thể thực hiện hầu hết các nghiên cứu sử dụng dữ liệu sơ cấp với mô hình
SEM hay các mô hình khác:
- Nghiên cứu tâm lý học: Tâm lý tội phạm, tâm lý học sinh, sinh viên…
8. - Nghiên cứu xã hội học: Đánh giá chất lượng dịch vụ, ý kiến người dân, thống
kê…
- Nghiên cứu thị trường: Nghiên cứu và định hướng phát triển sản phẩm, mở rộng
thị trường, sự hài lòng khách hàng…
- Nghiên cứu kinh doanh: Dự định mua sản phẩm, xu hướng chấp nhận một sản
phẩm, Định vị thương hiệu trên các thuộc tính sản phẩm…
- Nghiên cứu đa dạng sinh học, trong phát triển nông lâm nghiệp…
- Phân tích thực trạng, tìm ra nhân tố ảnh hưởng, dự đoán các xu hướng tiếp theo
Mặc dù có rất nhiều cố gắng nhưng nhóm tác giả cũng rất cần các góp ý và phản hồi
từ các nhà nghiên cứu và người đọc để các thuật ngữ được dịch sát hơn và dễ hiểu hơn.
Mọi góp ý và phản hồi của Quý độc giả xin vui lòng gửi về địa chỉ email:
nqanh76@gmail.com
Rất mong nhận được nhiều ý kiến góp ý và phản hồi của Quý độc giả để các lần phát
hành tiếp theo được sửa chữa và cập nhật tốt hơn.
Trân trọng cảm ơn./.
TM nhóm biên dịch
TS. Nguyễn Quang Anh
Thành viên tham gia Biên dịch:
1. TS. Nguyễn Quang Anh
2. TS. Nguyễn Ngọc Tuyên
3. TS. Phạm Quốc Luyến
4. TS. Nguyễn Ngọc Duy Phương
5. TS. Nguyễn Thanh Vũ
6. ThS. Cao Quốc Việt
7. ThS. Huỳnh Trọng Hiến
9. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 1
CHƢƠNG 1
GIỚI THIỆU MÔ HÌNH PHƢƠNG TRÌNH CẤU TRÚC
1.1 MÔ HÌNH PHƢƠNG TRÌNH CẤU TRÚC LÀ GÌ?
Phân tích thống kê là một công cụ thiết yếu cho các nhà nghiên cứu khoa học xã
hội khoảng hơn một thế kỷ. Những ứng dụng của các phương pháp thống kê được mở
rộng đáng kể bởi sự xuất hiện của phần cứng và phần mềm máy tính, đặc biệt trong
những năm gần đây, với sự phổ biến của nhiều phương pháp nhằm tạo nên một giao diện
thân thiện cho người dùng với sự chuyển giao khoa học công nghệ. Ban đầu, các nhà
nghiên cứu dựa trên các phân tích về đơn biến và đa biến để hiểu và nắm bắt các mối
quan hệ của dữ liệu. Sau đó, để hiểu rõ hơn các mối quan hệ phức tạp liên quan đến các
hướng nghiên cứu trong khoa học xã hội hiện tại, việc ứng dụng của các phương pháp
phân tích dữ liệu đa biến tinh vi hơn ngày càng cần thiết.
Phân tích đa biến bao gồm các ứng dụng của các phương pháp thống kê, và phân
tích đồng thời nhiều biến. Các biến thường đại diện cho sự đo lường liên quan đến các cá
nhân, công ty, sự kiện, hoạt động, tình huống... Các đo lường này thường được thu thập
từ việc khảo sát hoặc quan sát, nó được sử dụng trong khi thu thập dữ liệu sơ cấp, nhưng
cũng có thể được thu thập từ cơ sở dữ liệu của dữ liệu thứ cấp. Phụ lục 1.1 trình bày các
dạng chính của các phương pháp thống kê liên quan đến phân tích dữ liệu đa biến.
Phụ lục 1.1 Sơ đồ tổ chức của các phƣơng pháp đa biến
Khám phá chủ yếu Khẳng định chủ yếu
Các kỹ thuật thế
hệ đầu tiên
Phân tích cụm
Phân tích nhân tố khám
phá
Đo lường đa hướng
Phân tích phương sai
Hồi quy logistic
Hồi quy bội
Phân tích nhân tố khẳng
định
Các kỹ thuật thế
hệ thứ hai
Mô hình SEM sử dụng
kỹ thuật bình phương tối
thiểu từng phần PLS-
SEM
Mô hình SEM sử dụng
hiệp phương sai CB-
SEM
10. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 2
Các phương pháp thống kê thường được sử dụng bởi các nhà khoa học xã hội
thường được gọi là các kỹ thuật thế hệ thứ nhất. Những kỹ thuật này được trình bày ở
phần trên của Phụ lục 1.1, gồm có các phương pháp tiếp cận dựa trên hồi quy như hồi
quy bội, hồi quy logistic và phân tích phương sai cũng như bao gồm phân tích nhân tố
khám phá và phân tích nhân tố khẳng định, phân tích cụm, đo lường đa hướng. Khi áp
dụng vào vấn đề nghiên cứu, các phương pháp này có thể được sử dụng cùng nhau để
khẳng định lý thuyết hoặc xác định mô hình dữ liệu và các mối quan hệ. Cụ thể, chúng
gọi là khẳng định khi kiểm định các giả thuyết của lý thuyết và khái niệm hiện có, và
gọi là khám phá khi chúng tìm kiếm mô hình tiềm ẩn trong dữ liệu trong trường hợp
không có hoặc chỉ có một ít kiến thức trước đó về sự liên quan của các biến.
Điều quan trọng cần lưu ý là sự phân biệt giữa khẳng định và khám phá không
phải lúc nào cũng rõ ràng. Ví dụ, khi chạy phân tích hồi quy, các nhà nghiên cứu thường
chọn các biến phụ thuộc và độc lập dựa trên các lý thuyết và khái niệm trước đó. Mục
tiêu của phân tích hồi quy là kiểm định các lý thuyết và khái niệm này. Tuy nhiên, kỹ
thuật cũng được sử dụng để khám phá các biến độc lập bổ sung chứng minh giá trị cho
việc mở rộng các khái niệm đang được kiểm định. Những phát hiện này thường tập trung
đầu tiên vào các biến độc lập có ý nghĩa thống kê trong việc dự đoán biến phụ thuộc
(khẳng định nhiều hơn) và các biến độc lập có khả năng dự báo tốt hơn cho biến phụ
thuộc (khám phá nhiều hơn). Một cách tương tự, khi phân tích nhân tố khám phá được áp
dụng cho một tập dữ liệu, phương pháp tìm kiếm các mối quan hệ giữa các biến trong
một nỗ lực để giảm đi một số lượng lớn các biến thành các tập hợp nhỏ hơn của các nhân
tố tổng hợp (nghĩa là sự kết hợp các biến). Tập hợp cuối cùng của nhân tố tổng hợp là kết
quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo chúng khi tìm thấy (nếu
có). Tuy nhiên, trong khi kỹ thuật này là khám phá về bản chất (như tên gọi đã được đề
xuất), các nhà nghiên cứu thường có sẵn một nền kiến thức ban đầu để định hướng quyết
định của họ liệu có bao nhiêu nhân tố tổng hợp trích xuất từ dữ liệu. Ngược lại, phân tích
nhân tố khẳng định cho phép kiểm định và chứng minh một nhân tố xác định ban đầu và
gán các biến quan sát của nó.
Các kỹ thuật thế hệ thứ nhất được áp dụng rộng rãi bởi các nhà nghiên cứu khoa
học xã hội. Tuy nhiên, 20 năm qua, ngày càng nhiều nhà nghiên cứu chuyển sang các kỹ
thuật thế hệ thứ hai để khắc phục những nhược điểm của phương pháp thế hệ thứ nhất
(Phụ lục 1.1). Những phương pháp này, gọi là mô hình phương trình cấu trúc (SEM), cho
phép các nhà nghiên cứu kết hợp các biến không quan sát được mà những biến này được
11. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 3
đo lường gián tiếp bởi các biến quan sát. Ngoài ra, chúng còn tính toán được sai số đo
lường trong các biến quan sát.
Có hai loại SEM: CB-SEM (Covariance –Based SEM) và PLS-SEM (Partial
least squares SEM). CB-SEM chủ yếu được sử dụng để khẳng định (hoặc từ chối) lý
thuyết (tức là một tập hợp các mối quan hệ có hệ thống giữa nhiều biến có thể được kiểm
tra bằng thực nghiệm). Nó thực hiện bằng cách xác định mô hình lý thuyết đề xuất có thể
ước lượng ma trận hiệp phương sai cho một tập hợp dữ liệu mẫu. Ngược lại, PLS-SEM
(còn được gọi là mô hình đƣờng dẫn PLS) được sử dụng chủ yếu để phát triển các lý
thuyết trong nghiên cứu khám phá. Nó thực hiện việc này bằng cách tập trung giải thích
phương sai của các biến phụ thuộc khi kiểm tra mô hình. Chúng tôi sẽ giải thích sự khác
biệt này chi tiết hơn nữa trong chương này.
PLS-SEM đang mở ra như một kỹ thuật mô hình thống kê, và trong khi có rất
nhiều bài báo được công bố về phương pháp và ứng dụng nó vào nhiều trường hợp khác
nhau, làm sáng tỏ bản chất cùng vai trò của PLS-SEM trong nghiên cứu khoa học xã hội
và hy vọng các nhà nghiên cứu có được một công cụ cho phép họ theo đuổi các cơ hội
nghiên cứu bằng những cách mới và khác biệt.
1.2 CÁC CHÚ Ý TRONG VIỆC SỬ DỤNG MÔ HÌNH PHƢƠNG TRÌNH CẤU
TRÚC
Tùy thuộc vào câu hỏi nghiên cứu và dữ liệu thực nghiệm sẵn có, các nhà nghiên
cứu sẽ phải lựa chọn phương pháp phân tích đa biến phù hợp. Cho dù các nhà nghiên cứu
sử dụng phương pháp phân tích đa biến thế hệ thứ nhất hay thứ hai, có một số lưu ý cần
thiết trong việc quyết định sử dụng phân tích đa biến, đặc biệt là SEM. Quan trọng nhất là
năm yếu tố sau đây: (1) biến tổng hợp, (2) sự đo lường, (3) thang đo lường, (4) mã hóa,
và (5) phân phối dữ liệu.
1.2.1 Các biến tổng hợp
Các biến tổng hợp là sự kết hợp tuyến tính của nhiều biến, được chọn lựa dựa
trên các vấn đề nghiên cứu có thể thực hiện được. Quá trình kết hợp các biến liên quan
đến việc tính toán một tập các trọng số (giá trị biến), bằng cách nhân trọng số (w1 và w2)
với biến quan sát tương ứng (x1 và x2), và tổng hợp chúng. Công thức toán học cho một
kết hợp tuyến tính với năm biến được hiển thị như sau (lưu ý rằng giá trị biến có thể được
tính toán cho bất kỳ số lượng các biến):
Giá trị biến tổng hợp: x1w1 + x2w2 + … + x5w5 ,
trong đó, x là viết tắt của các biến đơn và w là các trọng số. Tất cả biến x (các câu
12. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 4
hỏi trong bảng câu hỏi) có phần trả lời từ nhiều đáp viên có thể được sắp xếp trong một
ma trận dữ liệu. Phụ lục 1.2 trình bày một ma trận dữ liệu, trong đó i là số lượng câu trả
lời (số mẫu thu thập). Giá trị biến được tính cho mỗi người được hỏi thứ i trong mẫu.
1.2.2 Đo lƣờng
Đo lường là một khái niệm cơ bản trong nghiên cứu khoa học xã hội. Khi chúng ta
nghĩ về đo lường, điều đầu tiên nghĩ đến thường là một thước đo/quy tắc, mà nó có thể
được sử dụng để đo chiều cao hoặc chiều dài của một đồ nội thất. Nhưng có rất nhiều ví
dụ khác về đo lường trong cuộc sống. Khi lái xe, bạn sử dụng công tơ mét để đo tốc độ
chiếc xe, máy đo nhiệt để đo nhiệt độ của động cơ, và đồng hồ để xác định còn bao nhiêu
nhiên liệu trong xe của bạn. Nếu bạn bị bệnh, bạn sử dụng nhiệt kế để đo nhiệt độ, và khi
ăn kiêng, bạn đo cân nặng của mình trên cân sức khỏe.
Đo lường là quá trình gán các số cho một biến dựa trên một tập hợp các quy tắc.
Các quy tắc này được sử dụng để gán các con số đại diện chính xác cho các biến. Với
một số biến, các quy tắc rất dễ làm theo, trong khi với các biến khác, các quy tắc gặp
nhiều khó khăn để áp dụng. Ví dụ, nếu biến đó là giới tính, thì rất dễ dàng để gán 1 cho
nữ giới và 0 cho nam giới. Tương tự như vậy, nếu biến đó là tuổi hoặc chiều cao thì cũng
dễ dàng để gán số. Nhưng nếu biến đó là sự hài lòng hoặc tin tưởng? Đo lường trong
những tình huống này khó khăn hơn vì hiện tượng trên rất trừu tượng, phức tạp và không
trực tiếp quan sát được. Do đó chúng ta sẽ nói về sự đo lường các biến tiềm ẩn (tức là
không quan sát được) hoặc các khái niệm nghiên cứu.
Chúng ta không thể đo lường trực tiếp các khái niệm trừu tượng như sự hài lòng
hoặc sự tin tưởng. Tuy nhiên, chúng ta có thể đo lường các biến chỉ báo hoặc biến quan
sát mà chúng ta đã thống nhất gọi là sự hài lòng hoặc tin tưởng, ví dụ, về mặt thương
hiệu, sản phẩm, hoặc công ty. Cụ thể, khi các khái niệm khó đo lường, có một cách tiếp
cận là đo lường chúng gián tiếp với một tập hợp các biến chỉ báo được dùng như là các
biến đại diện (proxy variables). Mỗi biến quan sát đại diện cho một khía cạnh riêng biệt
của một khái niệm trừu tượng lớn hơn. Ví dụ, nếu khái niệm này là sự hài lòng về nhà
Phụ lục 1.2 Ma trận dữ liệu
Trường hợp x1 x2 ... x5 Giá trị biến
1 x11 x21 ... x51 v1
. . . . .. . .. . .. . .. ...
i x1i x2i ... x5i vi
13. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 5
hàng, thì một số biến đại diện có thể được sử dụng để đo lường khái niệm này như sau:
1.Mùi vị của thực phẩm rất tuyệt vời.
2.Sự phục vụ nhanh chóng đáp ứng được mong đợi của tôi.
3.Nhân viên phục vụ rất am hiểu về các món ăn trong thực đơn.
4.Nhạc nền trong nhà hàng dễ chịu.
5.Chất lượng bữa ăn tương xứng so với giá.
Bằng cách kết hợp một số biến đo lường để tạo thành một thang đo (hoặc chỉ số -
Index), chúng ta có thể gián tiếp đo lường khái niệm tổng thể của sự hài lòng về nhà
hàng. Thông thường, các nhà nghiên cứu sử dụng một số biến đo lường để tạo thành một
thang đo đa biến, gián tiếp đo lường một khái niệm, như sự hài lòng về nhà hàng của ví
dụ trên. Một số biện pháp đo lường được kết hợp để tạo thành một điểm tổng duy nhất
(tức là điểm số của biến). Trong một số trường hợp, điểm số tổng là một tổng hợp đơn
giản của một số biện pháp đo lường. Trong trường hợp khác, điểm số của các đo lường
riêng lẻ được kết hợp để tạo thành một điểm tổng, sử dụng quá trình tuyến tính trọng số
cho các đo lường riêng lẻ. Logic của việc sử dụng các biến số riêng lẻ để đo lường một
khái niệm trừu tượng như là sự hài lòng về nhà hàng sẽ được chính xác hơn. Độ chính
xác mang tính dự đoán được cải thiện dựa trên giả định việc sử dụng một số biến quan
sát để đo lường một khái niệm đơn lẻ có nhiều khả năng đại diện được cho tất cả các khía
cạnh khác nhau của khái niệm. Điều này liên quan đến việc giảm sai số đo lƣờng, đó là
sự khác biệt giữa giá trị thực sự của một biến và giá trị thu được bởi một phép đo. Có rất
nhiều nguyên nhân dẫn đến sai số đo lường, bao gồm các câu hỏi tối nghĩa trong một
cuộc khảo sát, hiểu sai về cách tiếp cận thang đo, và ứng dụng không chính xác phương
pháp thống kê. Thật vậy, tất cả các phép đo sử dụng trong phân tích đa biến có khả năng
chứa một vài sai số đo lường. Do đó, mục tiêu là giảm sai số đo lường càng nhiều càng
tốt.
Thay vì sử dụng nhiều biến quan sát, các nhà nghiên cứu đôi khi lựa chọn việc sử
dụng các biến đơn để đo lường các khái niệm như sự hài lòng hoặc ý định mua. Ví dụ,
chúng ta có thể chỉ sử dụng “Nhìn chung, tôi hài lòng với nhà hàng này” để đo lường sự
hài lòng về nhà hàng thay vì sử dụng tất cả 5 biến được mô tả ở trên. Trong khi đây là
một cách tốt để làm cho bảng câu hỏi ngắn hơn, nhưng nó cũng làm giảm chất lượng đo
lường. Chúng ta sẽ thảo luận về các nguyên tắc cơ bản của đo lường và đánh giá đo
lường trong các chương tiếp theo.
14. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 6
1.2.3 Các thang đo
Thang đo là một công cụ với một số câu hỏi đóng đã xác định trước, được sử dụng
để có được một câu trả lời cho mỗi câu hỏi. Có bốn loại thang đo, mỗi loại đại diện cho
một mức độ đo lường khác nhau gồm: định danh, thứ bậc, khoảng cách, và tỷ lệ. Thang
đo định danh là mức thấp nhất của thang đo bởi vì chúng có nhiều hạn chế nhất về các
loại phân tích có thể được thực hiện. Một thang đo định danh gán số có thể được sử dụng
để xác định và phân loại các đối tượng (ví dụ, con người, công ty, sản phẩm,...) và cũng
được gọi là một thang đo phân loại. Ví dụ, nếu một cuộc khảo sát để xác định nghề
nghiệp của ông ấy hoặc cô ấy là bác sĩ, luật sư, giáo viên hay kỹ sư,..., thì câu hỏi có
thang đo định danh. Thang đo định danh có thể có hai hoặc nhiều phân loại, nhưng mỗi
loại phải được loại trừ lẫn nhau, và tất cả các thể loại phải được tính đến. Một con số có
thể được gán vào để xác định mỗi thể loại, và những con số có thể được sử dụng để đếm
số lượng các trả lời trong mỗi thể loại, hoặc tỷ lệ phần trăm của mỗi loại.
Cấp độ cao hơn của thang đo được gọi là thứ bậc. Nếu chúng ta có một biến được
đo dựa trên một thang đo thứ bậc chúng ta sẽ biết rằng giá trị của biến đó tăng hoặc giảm,
điều này cung cấp những thông tin có ý nghĩa. Ví dụ, nếu chúng ta mã hóa việc sử dụng
sản phẩm của khách hàng là: người không sử dụng = 0, người sử dụng ít = 1, và người sử
dụng nhiều = 2, chúng ta biết rằng nếu giá trị của các biến về việc sử dụng tang lên, mức
độ sử dụng cũng tăng lên. Do đó, đo lường trên một thang đo thứ bậc sẽ cung cấp thông
tin về thứ tự trong các quan sát của chúng ta. Tuy nhiên, chúng ta không thể giả định
rằng sự khác biệt theo thứ bậc có khoảng cách như nhau. Đó là, chúng ta không biết rằng
sự khác biệt giữa “người không sử dụng” và “người sử dụng ít” có tương tự như giữa
“người sử dụng ít” và “người sử dụng nhiều” hay không, mặc dù sự khác biệt trong các
giá trị (tức là, 0-1 và 1- 2) là bằng nhau. Do đó, không thích hợp để tính toán trung bình
hoặc phương sai cho các dữ liệu thứ bậc.
Nếu cái gì đó được đo bằng thang đo khoảng, chúng ta có thông tin chính xác về
thứ tự xếp hạng của chúng, hơn nữa, chúng ta có thể giải thích tầm quan trọng của sự
khác biệt về giá trị một cách trực tiếp. Ví dụ, nếu nhiệt độ là 80°F, chúng ta biết rằng nếu
nó giảm xuống đến 75°F, sự khác biệt chính xác là 5°F. Sự khác biệt 5°F này cũng giống
như sự gia tăng từ 80°F đến 85°F. “Khoảng cách” chính xác này được gọi là khoảng
cách đều nhau và tỷ lệ khoảng cách đều rất cần thiết cho những kỹ thuật phân tích nhất
định, chẳng hạn như SEM. Thang đo khoảng không có một điểm 0 tuyệt đối. Nếu nhiệt
độ là 0°F, trời có thể lạnh, nhưng nhiệt độ có thể giảm hơn nữa. Giá trị 0 do đó không có
nghĩa là không có nhiệt độ. Giá trị của thang đo khoảng thì hầu như bất kỳ loại tính toán
15. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 7
nào cũng có thể được thực hiện, bao gồm cả giá trị trung bình và độ lệch chuẩn. Hơn nữa,
có thể chuyển đổi và mở rộng thang đo khoảng này thành thang đo khoảng khác. Ví dụ,
thay vì °F, nhiều quốc gia có thể sử dụng °C để đo nhiệt độ. Trong khi 0°C đánh dấu
điểm đóng băng, 100°C mô tả điểm sôi của nước. Ta có thể chuyển đổi nhiệt độ từ °F
thành °C bằng cách sử dụng công thức sau: °C= (°F-32) * 5/9. Theo cách tương tự, có thể
chuyển đổi dữ liệu (thông qua việc thay đổi tỷ lệ) của một thang đo từ 1 đến 5 thành dữ
liệu của thang đo từ 0 đến 100: [(điểm dữ liệu của thang đo từ 1 đến 5) -1] / 4 * 100
Thang đo tỷ lệ cung cấp thông tin nhiều nhất. Nếu một điều gì đó được đo bằng
thang đo tỷ lệ, chúng ta biết rằng giá trị 0 có ý nghĩa, nó là một đặc tính cụ thể cho một
biến không hiện diện. Ví dụ, nếu một khách hàng mua không sản phẩm (giá trị = 0), thì
anh ta, cô ta thực sự không mua sản phẩm. Hoặc, nếu chúng ta không chi tiền vào quảng
cáo cho một sản phẩm mới (giá trị = 0), thì chúng ta thực sự không chi tiền. Do đó, điểm
không hay gốc của biến là bằng 0. Các đo lường về chiều dài, khối lượng, âm lượng hay
thời gian đều sử dụng thang đo tỷ lệ. Với thang đo tỷ lệ, tất cả các tính toán số học đều có
thể thực hiện được.
1.2.4 Mã hoá
Việc gán số cho biến đo lường để phân loại được gọi là mã hóa (coding). Trong
nghiên cứu khảo sát, dữ liệu thường được tiền mã hoá (precoding). Tiền mã hoá là gán
các số trước lần trả lời (điểm thang đo) được chỉ định trên bảng câu hỏi. Chẳng hạn như,
thang đo đồng ý - không đồng ý 10 điểm thường sẽ gán số 10 là điểm cuối cao nhất
“đồng ý” và 1 là điểm cuối thấp nhất “không đồng ý”, các điểm giữa sẽ được mã hóa từ 2
đến 9. Hậu mã hoá (postcoding) là gán số để phân loại cho các câu trả lời sau khi dữ
liệu được thu thập. Phần trả lời có thể là câu hỏi mở hoặc đóng được dùng trong khảo sát
định lượng hoặc một cuộc phỏng vấn trong nghiên cứu định tính.
Mã hóa rất quan trọng trong ứng dụng phân tích đa biến vì nó quyết định khi nào
và dạng thang đo nào có thể được sử dụng. Ví dụ, các biến đo bằng thang đo khoảng và
tỷ lệ luôn luôn có thể được sử dụng với phân tích đa biến. Tuy nhiên, khi sử dụng thang
đo thứ bậc như thang đo Likert (phổ biến trong SEM), các nhà nghiên cứu phải đặc biệt
chú ý đến mã hóa để đáp ứng yêu cầu của khoảng cách đều nhau. Ví dụ, khi sử dụng
thang đo Likert 5-điểm với các hạng mức: (1) hoàn toàn không đồng ý, (2) không đồng
ý, (3) vừa đồng ý vừa không đồng ý, (4) đồng ý, và (5) hoàn toàn đồng ý, hàm ý là
“khoảng cách” giữa mức 1 và 2 cũng giống như giữa mức 3 và 4. Ngược lại, cùng một
thang đo Likert nhưng sử dụng các mức độ: (1) không đồng ý, (2) vừa đồng ý vừa không
16. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 8
đồng ý, (3) phần nào đồng ý , (4) đồng ý, và (5) hoàn toàn đồng ý là khoảng cách không
đều nhau, vì chỉ có một mức độ có thể nhận được tỷ lệ dưới mức trung tính “vừa đồng ý
vừa không đồng ý.” Điều này sẽ tạo nên sự thiên lệch cho các kết quả đầu ra. Một thang
đo Likert tốt như ở trên, sẽ trình bày đối xứng qua mức trung gian, đã được xác định rõ
ràng cho mỗi mức độ. Như trong thang đo đối xứng, khoảng cách đều nhau sẽ được quan
sát rõ ràng hơn hoặc, ít nhất là suy ra. Khi một thang đo Likert được coi là đối xứng và
cách đều, thì nó sẽ hoạt động giống như một thang đo khoảng. Vì vậy, trong khi thang đo
Likert là thứ bậc, nếu được trình bày tốt nó có khả năng tương tự với cấp độ đo lường
khoảng, và các biến tương ứng có thể được sử dụng trong SEM.
1.2.5 Phân phối dữ liệu
Khi các nhà nghiên cứu thu thập dữ liệu định lượng, các câu trả lời cho những câu
hỏi được báo cáo dưới dạng phân phối dựa trên các câu trả lời có sẵn (đã được xác định
trước). Ví dụ, nếu câu trả lời được yêu cầu sử dụng theo thang đo đồng ý – không đồng ý
9 - điểm, phân phối các câu trả lời tương ứng với các mức có sẵn (1, 2, 3,…, 9) có thể
được tính toán và trình bày trong bảng hoặc biểu đồ. Phụ lục 1.3 đưa ra một ví dụ về các
tần số của một biến x tương ứng.
Phụ lục 1.3 Phân phối câu trả lời
Có thể thấy, hầu hết các phản hồi chỉ ra mức điểm 5 trên thang 9-điểm, tiếp theo
là điểm 4 và 6, tiếp đến 3 và 7, và vân vân. Nhìn chung, các tần số xuất hiện theo dạng
hình chuông, đường cong đối xứng xung quanh giá trị trung bình là 5. Đường cong hình
chuông này là phân phối chuẩn mà nhiều kỹ thuật phân tích yêu cầu để cho ra kết quả
chính xác.
Trong khi nhiều dạng phân phối khác nhau đang tồn tại (ví dụ, phân phối chuẩn,
17. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 9
nhị thức, Poisson), các nhà nghiên cứu làm việc với SEM thường chỉ cần phân biệt phân
phối chuẩn và phân phối không chuẩn. Phân phối chuẩn thường phù hợp, đặc biệt là khi
làm việc với CB-SEM. Ngược lại, PLS-SEM thường không có giả định về sự phân phối
dữ liệu. Tuy nhiên, vì những lý do được thảo luận trong chương sau, việc xem xét phân
phối vẫn rất cần thiết khi làm việc với PLS-SEM. Để đánh giá xem dữ liệu có phân phối
chuẩn hay không, các nhà nghiên cứu có thể xem lại các kiểm định thống kê chẳng hạn
như kiểm định Kolmogorov-Smirnov và kiểm định Shapiro-Wilk. Ngoài ra, các nhà
nghiên cứu có thể kiểm tra hai đo lường của phân bố - độ lệch và độ nhọn (Chương 2) -
cho phép đánh giá mức độ lệch của dữ liệu so với trạng thái phân phối chuẩn.
1.3 MÔ HÌNH PHƢƠNG TRÌNH CẤU TRÚC VỚI MÔ HÌNH ĐƢỜNG DẪN
BÌNH PHƢƠNG TỐI THIỂU RIÊNG PHẦN (PLS-SEM)
1.3.1 Mô hình đƣờng dẫn với các biến tiềm ẩn
Mô hình đường dẫn là các biểu đồ hiển thị trực quan các mối quan hệ của giả
thuyết và biến, được kiểm tra khi áp dụng SEM. Ví dụ về mô hình đường dẫn sẽ được
trình bày ở Phụ lục 1.4.
Khái niệm nghiên cứu (construct) (tức là các biến không được đo lường một
cách trực tiếp) được thể hiện trong mô hình đường dẫn bằng các hình tròn hoặc hình bầu
dục (Y1 đến Y4). Các biến chỉ báo (Indicator), cũng được gọi là các biến đo lƣờng
(Item) hoặc các biến quan sát (Manifest variable), là những biến đại diện (Proxy
variable) được đo lường trực tiếp, chứa dữ liệu thô. Nó được trình bày trong mô hình
đường dẫn bởi các hình chữ nhật (x1 đến x10). Các mối quan hệ giữa các khái niệm
nghiên cứu cũng như giữa các khái niệm nghiên cứu và các biến chỉ báo của chúng
được thể hiện bằng các mũi tên. Trong PLS-SEM, những mũi tên luôn là một chiều, đại
diện cho mối quan hệ trực tiếp. Những mũi tên một chiều được xem như là những mối
quan hệ dự báo, với sự hỗ trợ mạnh mẽ của lý thuyết, nó có thể được hiểu là những mối
quan hệ nhân quả.
Mô hình đường dẫn PLS bao gồm hai yếu tố. Đầu tiên, đó là Mô hình cấu trúc
(Structural model) (còn gọi là mô hình bên trong trong PLS-SEM) trình bày các khái
niệm nghiên cứu (hình tròn hoặc hình bầu dục). Mô hình cấu trúc cũng hiển thị các mối
quan hệ (đường dẫn) giữa các khái niệm nghiên cứu. Thứ hai, đó là Mô hình đo lƣờng
(Measurement model) (còn gọi là mô hình bên ngoài trong PLS-SEM) của các khái
niệm nghiên cứu, hiển thị các mối quan hệ giữa các khái niệm nghiên cứu và các biến
quan sát (hình chữ nhật).
18. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 10
Phụ lục 1.4 Mô hình đƣờng dẫn đơn giản
Trong Phụ lục 1.4, có hai loại mô hình đo lường: một là các biến tiềm ẩn ngoại
sinh - exogenous latent variable (là những khái niệm nghiên cứu mà nó giải thích cho
những khái niệm nghiên cứu khác trong mô hình) và một là các biến tiềm ẩn nội sinh -
endogenous latent variable (là những khái niệm nghiên cứu đang được giải thích trong
mô hình). Thay vì đề cập đến mô hình đo lường của các biến tiềm ẩn ngoại sinh và nội
sinh, các nhà nghiên cứu thường xuyên tham khảo mô hình đo lường của một biến tiềm
ẩn cụ thể. Ví dụ, x1 tới x3 là các biến quan sát được sử dụng trong mô hình đo lường của
Y1 trong khi Y4 chỉ có biến quan sát x10 trong mô hình đo lường.
Phần sai số (Error term) (ví dụ, e7 hoặc e8 Phụ lục 1.4) được kết nối với khái
niệm (nội sinh) và biến đo lường (kết quả) bằng những mũi tên một chiều. Phần sai số đại
diện cho phương sai không giải thích được khi mô hình đường dẫn được ước lượng.
Trong Phụ lục 1.4, các sai số e7 đến e9 nằm trên những biến quan sát mà mối quan hệ của
nó đi từ khái niệm nghiên cứu đến các biến quan sát (tức là biến quan sát đo lường kết
quả). Ngược lại, các biến đo lường nguyên nhân x1 tới x6, mối quan hệ đi từ các biến quan
sát đến khái niệm nghiên cứu, không có phần sai số. Cuối cùng, đối với khái niệm đơn
biến Y4, hướng của các mối quan hệ giữa khái niệm và biến quan sát không quan trọng
bằng khái niệm và biến quan sát tương đương. Vì lí do đó, không có phần sai số kết nối
với x10. Mô hình cấu trúc cũng chứa phần sai số. Trong Phụ lục 1.4, z3 và z4 có liên quan
đến biến tiềm ẩn nội sinh Y3 và Y4 (lưu ý rằng các sai số trên các khái niệm nghiên cứu và
các biến đo lường được dán nhãn khác nhau). Ngược lại, các biến tiềm ẩn ngoại sinh chỉ
giải thích cho các biến tiềm ẩn khác trong mô hình cấu trúc không có phần sai số.
Mô hình đường dẫn được xây dựng dựa trên lý thuyết. Lý thuyết (Theory) là một
tập hợp các giả thuyết liên quan một cách hệ thống được phát triển theo phương pháp
khoa học, có thể được sử dụng để giải thích và dự báo kết quả. Như vậy, giả thuyết là
19. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 11
phỏng đoán mang tính cá nhân, trong khi lý thuyết gồm nhiều giả thuyết liên kết với nhau
một cách hợp lý và có thể được kiểm tra bằng thực nghiệm. Hai loại lý thuyết cần để xây
dựng mô hình đường dẫn là: Lý thuyết đo lƣờng và lý thuyết cấu trúc. Lý thuyết cấu
trúc xác định cách thức các khái niệm nghiên cứu thể hiện mối liên quan đến nhau trong
mô hình cấu trúc, trong khi lý thuyết đo lường quy định cụ thể cách mỗi khái niệm
nghiên cứu được đo lường.
1.3.2 Lý thuyết đo lƣờng
Lý thuyết đo lường chỉ rõ cách các biến tiềm ẩn (các khái niệm nghiên cứu) được
đo. Nói chung, có hai cách khác nhau để đo lường các biến không quan sát được. Một
cách được gọi là đo lƣờng kết quả (reflective measurement) và cách còn lại được gọi
là đo lƣờng nguyên nhân (formative measurement). Khái niệm nghiên cứu Y1 và Y2
trong Phụ lục 1.4 được mô phỏng dựa trên mô hình đo lƣờng nguyên nhân (formative
measurement model). Lưu ý rằng các mũi tên chỉ hướng đi từ các biến quan sát tới khái
niệm nghiên cứu (x1, x2, x3 đến Y1 và x4, x5, x6 đến Y2), chỉ ra (dự báo) mối quan hệ nhân
quả theo hướng đó.
Ngược lại, Y3 trong hình được mô phỏng dựa trên mô hình đo lƣờng kết quả
(reflective measurement model). Với các biến quan sát kết quả, hướng của các mũi tên
đi từ khái niệm nghiên cứu đến các biến quan sát, chỉ ra giả định rằng khái niệm nghiên
cứu đã dẫn đến sự đo lường (chính xác hơn là sự đồng thay đổi) của biến quan sát. Như
đã trình bày trong Phụ lục 1.4, đo lường kết quả có một phần sai số được kết hợp với mỗi
biến quan sát, trong khi điều này không xảy ra với đo lường nguyên nhân. Đo lường
nguyên nhân được giả định là không có sai số (error free). Cuối cùng, lưu ý rằng Y4
được đo lường chỉ bằng một biến quan sát đơn chứ không phải là đo lường đa biến. Vì
thế, mối quan hệ giữa khái niệm nghiên cứu và biến quan sát là không được định hướng.
Cách tiếp cận mô hình hóa các khái niệm nghiên cứu (nguyên nhân hay kết quả,
đa biến hay đơn biến) là một yếu tố quan trọng trong việc phát triển mô hình đường dẫn.
Những cách tiếp cận nhằm mô hình hóa khái niệm nghiên cứu được giải thích chi tiết
hơn trong Chương 2.
1.3.3 Lý thuyết cấu trúc
Lý thuyết cấu trúc cho thấy cách các biến tiềm ẩn liên quan đến nhau (tức là, nó
cho thấy các khái niệm nghiên cứu và mối quan hệ đường dẫn giữa chúng trong mô hình
cấu trúc). Các vị trí và thứ tự của các khái niệm nghiên cứu được xác định dựa trên lý
thuyết hay kinh nghiệm và kiến thức tích lũy của nhà nghiên cứu. Khi các mô hình
20. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 12
đường dẫn được phát triển, trình tự là từ trái sang phải. Các biến ở phía bên trái của mô
hình đường dẫn là các biến độc lập, và biến bất kỳ ở phía bên phải là biến phụ thuộc.
Hơn nữa, các biến bên trái sẽ hiển thị trước và dự đoán các biến bên phải. Tuy nhiên, các
biến cũng có thể đóng vai trò là cả biến độc lập và phụ thuộc.
Khi các biến tiềm ẩn được dùng như là các biến độc lập, chúng được gọi là các
biến tiềm ẩn ngoại sinh (Y1 và Y2). Khi các biến tiềm ẩn được dùng như là các biến phụ
thuộc (Y4) hoặc là cả biến độc lập và phụ thuộc (Y3), chúng được gọi là các biến tiềm ẩn
nội sinh. Bất kỳ biến tiềm ẩn nào mà chỉ có những mũi tên một chiều đi ra khỏi nó là một
biến tiềm ẩn ngoại sinh. Ngược lại, các biến tiềm ẩn nội sinh có thể có mũi tên một chiều
đi vào và ra khỏi chúng (Y3) hoặc chỉ đi vào chúng (Y4). Lưu ý rằng các biến tiềm ẩn
ngoại sinh Y1 và Y2 không có phần sai số bởi vì các khái niệm nghiên cứu là những thực
thể (biến độc lập) giải thích cho biến phụ thuộc trong mô hình đường dẫn.
1.4 PLS-SEM, CB-SEM VÀ HỒI QUY DỰA TRÊN CÁC ĐIỂM TỔNG
Có hai phương pháp chính để ước lượng các mối quan hệ trong một mô hình cấu
trúc tuyến tính. Một là phương pháp được áp dụng rộng rãi CB-SEM. Hai là PLS-SEM,
trọng tâm của cuốn sách này. Mỗi phương pháp thích hợp cho một bối cảnh nghiên cứu
khác nhau, và các nhà nghiên cứu cần phải hiểu sự khác nhau để áp dụng đúng phương
pháp. Cuối cùng, một số nhà nghiên cứu đã lập luận về việc sử dụng các hồi quy dựa trên
điểm tổng, thay vì một vài trọng số biến quan sát được thực hiện bởi PLS-SEM. Cách
tiếp cận này thực tế không có giá trị ngoài PLS-SEM. Vì lý do đó, chúng ta chỉ thảo luận
điểm tổng một đoạn ngắn và tập trung vào phương pháp PLS-SEM và CB-SEM.
Để trả lời các câu hỏi khi nào thì sử dụng PLS-SEM hoặc CB-SEM, các nhà
nghiên cứu nên tập trung vào các đặc điểm và mục tiêu giúp phân biệt hai phương pháp.
Trong những trường hợp lý thuyết chưa phát triển, các nhà nghiên cứu nên cân nhắc việc
sử dụng các PLS-SEM như một cách tiếp cận thay thế cho CB-SEM. Điều này đặc biệt
đúng nếu mục tiêu chính của việc áp dụng mô hình cấu trúc là dự báo và giải thích về
khái niệm nghiên cứu mục tiêu.
Sự khác biệt về mặt khái niệm quan trọng giữa PLS-SEM và CB-SEM liên quan
đến cách thức mỗi phương pháp xử lý các biến tiềm ẩn trong mô hình. CB-SEM xem xét
các khái niệm nghiên cứu như là các yếu tố chung giải thích sự đồng biến đổi
(covariation) giữa các biến quan sát liên quan của nó. Điểm số của những yếu tố chung
này không được biết đến và cũng không cần thiết trong việc ước lượng các tham số mô
hình. Mặt khác, PLS-SEM sử dụng các đại diện để biểu diễn các khái niệm nghiên cứu
21. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 13
quan tâm, là trọng số hợp nhất của các biến quan sát cho một khái niệm nghiên cứu cụ
thể. Vì lý do này, PLS-SEM hình thành một cách tiếp cận dựa trên sự tổng hợp đến SEM,
làm dịu các giả định mạnh mẽ của CB-SEM rằng tất cả sự biến thiên đồng thời giữa một
tập hợp các biến quan sát được giải thích bằng các yếu tố chung. Đồng thời, sử dụng các
trọng số hợp nhất của các biến quan sát để giải thích các sai số đo lường, do đó làm cho
PLS-SEM vượt trội hơn so với hồi quy sử dụng điểm tổng nhiều lần. Trong trường hợp
hồi quy điểm tổng, nhà nghiên cứu giả định rằng các biến quan sát đều có trọng số bằng
nhau, có nghĩa là mỗi biến quan sát đóng góp như nhau để tạo thành tổng hợp. Xem lại
mô tả của chúng ta về các biến tổng ngay từ đầu của chương này, điều này ngụ ý rằng tất
cả các trọng số w sẽ được đặt thành 1. Công thức toán học cho sự kết hợp tuyến tính với 5
biến quan sát như sau:
Giá trị tổng = 1.x1 +1.x2 +1.x3 +1.x4 +1.x5
Ví dụ, nếu đáp viên cho điểm 4, 5, 4, 6 và 7 cho 5 biến, giá trị tổng tương ứng sẽ
là 26. Trong khi việc áp dụng khá dễ dàng, hồi quy bằng cách sử dụng điểm tổng đã làm
cân bằng bất kỳ sự khác biệt trong các trọng số biến riêng lẻ. Tuy nhiên, những khác biệt
này lại rất phổ biến trong thực tế khi làm nghiên cứu, và đòi hỏi phải bỏ qua những sai
lệch đáng kể trong ước lượng tham số. Hơn nữa, tìm hiểu về trọng số của từng biến riêng
lẻ cung cấp những hiểu biết rất quan trọng như khi nhà nghiên cứu tìm hiểu về tầm quan
trọng của mỗi biến đo lường để tạo thành một tổng hợp, trong một ngữ cảnh nhất định (ví
dụ mối quan hệ của nó với các biến hỗn hợp khác trong mô hình cấu trúc). Ví dụ như khi
đo lường mức độ hài lòng của khách hàng, nhà nghiên cứu sẽ biết được khía cạnh bao
gồm những biến quan sát cụ thể nào sẽ có ý nghĩa đặc biệt đối với việc tạo ra sự hài lòng.
Lưu ý quan trọng là biến đại diện (proxy) được tạo ra bởi PLS-SEM không được
giả định giống nhau với các khái niệm nghiên cứu mà chúng thay thế. Chúng được công
nhận như là một cách tính gần đúng. Kết quả là, một số học giả xem CB-SEM như là một
phương pháp trực tiếp và chính xác hơn để đo lường thực nghiệm các khái niệm lý
thuyết, trong khi PLS-SEM cung cấp các phép tính xấp xỉ, gần đúng. Tuy nhiên, các học
giả khác lại cho rằng quan điểm như vậy khá là thiển cận vì các yếu tố chung trong CB-
SEM cũng không hẳn là tương đương với các khái niệm lý thuyết, trọng tâm của nghiên
cứu. Trên thực tế, luôn tồn tại một khoảng cách lớn về giá trị giữa khái niệm mà nhà
nghiên cứu dự định đo lường và khái niệm được sử dụng để đo lường khái niệm cụ thể
đó.
Trong nghiên cứu khoa học xã hội, xem đo lường như một phép tính xấp xỉ dường
như thực tế hơn, làm cho sự phân biệt giữa PLS-SEM và CB-SEM về việc xử lý các khái
niệm trở nên có vấn đề. Quan điểm này cũng được hỗ trợ bởi cách CB-SEM được áp
22. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 14
dụng trong thực tiễn nghiên cứu. Khi sử dụng CB-SEM, các mô hình giả thuyết ban đầu
gần như luôn luôn thể hiện sự phù hợp không đầy đủ. Trong phần thảo luận, các nhà
nghiên cứu nên từ chối mô hình và xem xét lại nghiên cứu (thường đòi hỏi thu thập dữ
liệu mới), đặc biệt khi nhiều biến phải bị xóa đi để đạt được sự phù hợp. Ngoài ra, thường
xuyên nhắc lại mô hình lý thuyết phát triển ban đầu nhằm nỗ lực cải thiện các chỉ số phù
hợp vượt quá ngưỡng đề xuất. Bằng cách làm như vậy, các nhà nghiên cứu đạt được một
mô hình với sự phù hợp có thể chấp nhận, và họ kết luận là chấp nhận lý thuyết. Thật
không may, lý thuyết được hỗ trợ này gần như không bao giờ áp dụng được trong thực tế.
Thay vào đó, các nhà nghiên cứu phải tham gia vào các nghiên cứu thăm dò khám phá,
trong đó các tập con mô hình được sửa đổi với mục đích đạt đến một mô hình thỏa đáng.
Tuy nhiên, các mô hình là sản phẩm của sự sửa đổi như vậy thường không tương ứng tốt
với các mô hình thực sự và có xu hướng đơn giản hoá.
Ngoài những khác biệt trong triết lý đo lường, cách xử lý khác nhau của các biến
tiềm ẩn, và cụ thể hơn, sự có sẵn của các điểm biến tiềm ẩn cũng có những hậu quả đối
với các lĩnh vực áp dụng của phương pháp. Cụ thể, mặc dù có thể ước tính các điểm biến
tiềm ẩn trong khuôn khổ CB-SEM, nhưng các điểm số ước tính này không phải là duy
nhất. Đó là, một số vô hạn của các tập hợp điểm biến tiềm ẩn khác nhau, phù hợp với mô
hình nhất có thể. Một hệ quả quan trọng của điểm không xác định này là sự tương quan
giữa một yếu tố chung và bất kỳ biến nào bên ngoài mô hình nhân tố là không xác định.
Đó là, chúng có thể là cao hoặc thấp, tùy thuộc vào tập hợp các điểm số nhân tố nào được
chọn. Kết quả là, hạn chế này làm cho CB-SEM cực kỳ không phù hợp để dự báo. Trái
lại, một ưu điểm chính của PLS-SEM là nó luôn luôn tạo ra một điểm số cụ thể (nghĩa là
xác định) cho từng tổng hợp của từng quan sát, ngay khi các trọng số được thiết lập.
Những điểm số xác định này đại diện cho khái niệm được đo, cũng giống như các yếu tố
là đại diện cho biến khái niệm trong CB-SEM. Sử dụng các đại diện này như đầu vào,
PLS-SEM áp dụng hồi quy bình phương tối thiểu (OLS) với mục tiêu làm giảm thiểu các
sai số (tức là phương sai phần dư) của các biến nội sinh. Nói cách khác, PLS-SEM ước
lượng các hệ số (tức là các mối quan hệ mô hình đường dẫn) để tối đa hóa giá trị R2
của
biến nội sinh (mục tiêu). Tính năng này đạt được mục tiêu dự báo của PLS-SEM. Do đó,
PLS-SEM là phương pháp được ưa thích khi mục tiêu nghiên cứu là phát triển lý thuyết
và giải thích phương sai (dự báo biến nghiên cứu). Vì lý do này, PLS-SEM được coi là
phương pháp SEM dựa vào phương sai.
Lưu ý rằng PLS-SEM là tương tự nhưng không tương đương với hồi quy PLS -
một kỹ thuật phân tích dữ liệu đa biến phổ biến khác. Hồi quy PLS là một phương pháp
hồi quy dựa trên việc khám phá các mối quan hệ tuyến tính giữa nhiều biến độc lập với
23. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 15
một hoặc nhiều biến phụ thuộc. Hồi quy PLS khác với hồi quy thông thường, tuy nhiên,
vì trong việc phát triển các mô hình hồi quy, nó xây dựng các yếu tố tổng hợp từ cả nhiều
biến độc lập và nhiều biến phụ thuộc bằng cách phân tích thành phần chính. Mặt khác,
PLS-SEM dựa trên mối quan hệ liên kết giữa các khái niệm nghiên cứu, cũng như giữa
các khái niệm nghiên cứu và các biện pháp đo lường của nó.
Một số cân nhắc quan trọng khi quyết định có hay không áp dụng PLS-SEM.
Những cân nhắc này cũng có nguồn gốc từ đặc điểm của phương pháp. Các tính chất
thống kê của các thuật toán PLS-SEM có các tính năng quan trọng liên quan đến các đặc
tính của dữ liệu và mô hình sử dụng. Hơn nữa, các tính chất của các phương pháp PLS-
SEM cũng ảnh hưởng đến việc đánh giá các kết quả. Có 4 vấn đề quan trọng liên quan
đến việc áp dụng các PLS-SEM: (1) dữ liệu, (2) đặc tính mô hình, (3) thuật toán PLS-
SEM, và (4) các vấn đề đánh giá mô hình. Phụ lục 1.5 tóm tắt các đặc điểm chính của
PLS-SEM. Cái nhìn tổng quan ban đầu của những vấn đề này được quy định trong
chương 1, và lời giải thích chi tiết hơn được cung cấp trong phần sau của cuốn sách, đặc
biệt là khi chúng liên quan đến các thuật toán PLS-SEM và đánh giá kết quả.
PLS-SEM hoạt động hiệu quả với cỡ mẫu nhỏ và các mô hình phức tạp và không
cần giả định về dữ liệu cơ bản. Ví dụ, khác với CB-SEM dựa trên khả năng phù hợp cực
đại (maximum likelihood), CB - SEM đòi hỏi dữ liệu phân phối chuẩn và hồi quy bằng
cách sử dụng các điểm tổng, giả định các phần dư có phân phối chuẩn, thì PLS-SEM
không đưa ra các giả định về phân phối (phi tham số). Ngoài ra, PLS-SEM có thể dễ
dàng xử lý các mô hình đo lường nguyên nhân và kết quả, cũng như khái niệm đơn biến,
không có các vấn đề nhận dạng (identification). Do đó, nó có thể được áp dụng trong một
loạt các tình huống nghiên cứu. Khi áp dụng PLS - SEM, các nhà nghiên cứu cũng được
hưởng lợi từ hiệu quả cao trong ước lượng tham số, được thể hiện ở độ nhạy thống kê
(statistical power) lớn hơn so với phương pháp CB - SEM. Độ nhạy thống kê lớn hơn có
nghĩa là PLS-SEM có nhiều khả năng nêu ra mối quan hệ đặc biệt có ý nghĩa khi nó thực
sự có ý nghĩa thực tế trong tổng thể. Điều này cũng tương tự với các hồi quy dựa trên
điểm tổng, bị tụt hậu so với PLS-SEM về mặt độ nhạy thống kê.
Tuy nhiên, PLS-SEM cũng có một số hạn chế. Kỹ thuật này không thể áp dụng
khi mô hình cấu trúc chứa các vòng lặp nhân quả hoặc các mối quan hệ vòng tròn giữa
các biến tiềm ẩn. Các mở rộng của thuật toán PLS-SEM cơ bản chưa được thực hiện
trong các gói phần mềm PLS-SEM thông thường, tuy nhiên, vẫn cho phép xử lý mối
quan hệ vòng tròn. Hơn nữa, vì PLS-SEM không thiết lập đo lường mức độ phù hợp mô
hình, nên việc sử dụng nó để kiểm định và khẳng định lý thuyết là có giới hạn. Tuy
nhiên, những nghiên cứu gần đây đã bắt đầu phát triển đo lường sự phù hợp với mô hình
24. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 16
trong PLS-SEM, vì vậy mở rộng khả năng của phương pháp này. Chỉ số Căn bậc hai
phần dƣ trung bình chuẩn hóa - Standardized root mean square residual (SRMR),
do sự chênh lệch bình phương giữa các mối quan hệ quan sát được và tương quan mô
hình, như một phương tiện để xác nhận giá trị một mô hình. Phương pháp này cũng đã
được thực hiện trong phần mềm SmartPLS 3 và sẽ được thảo luận trong phần đánh giá
mô hình cấu trúc trong Chương 6. Một đặc điểm khác của PLS-SEM là các ước lượng
tham số không tối ưu về tính nhất quán, được gọi là PLS-SEM chệch (Chương 3). Mặc
dù CB-SEM chủ trương nhấn mạnh sự khác biệt này giữa hai phương pháp, các nghiên
cứu mô phỏng cho thấy rằng sự khác biệt giữa ước lượng CB-SEM và PLS-SEM là rất
nhỏ khi các mô hình đo lường đạt được tiêu chuẩn tối thiểu được đề nghị về số lượng
nhân tố và hệ số tải nhân tố. Cụ thể, khi các mô hình đo lường có bốn hoặc nhiều nhân tố
và hệ số tải nhân tố đáp ứng các tiêu chuẩn chung (>=0.70), thì thực tế không có sự khác
biệt giữa hai phương pháp về độ chính xác của tham số. Do đó, sai chệch PLS-SEM được
thảo luận rộng rãi không phù hợp thực tế đối với phần lớn các ứng dụng. Quan trọng hơn,
sự khác biệt của các ước lượng tham số của PLS-SEM không nên được coi là chệch,
nhưng đưa ra một kết quả khác biệt từ cách xử lý khác nhau của các phương pháp về cách
đo lường khái niệm (các yếu tố chung so với tổng hợp). Hơn nữa, các nghiên cứu gần đây
đã phát triển những sửa đổi của thuật toán PLS-SEM ban đầu, phù hợp với sự khác biệt
PLS-SEM. Đáng chú ý nhất, phương pháp tiếp cận PLS nhất quán (PLSc) cung cấp ước
lượng mô hình chính xác trong khi duy trì tất cả các điểm mạnh của phương pháp PLS,
chẳng hạn như khả năng xử lý các mô hình phức tạp khi kích thước mẫu bị hạn chế, khái
niệm đo lường nguyên nhân và các mối quan hệ phi tuyến.
Tại https://www.smartpls.com/documentation/pls-sem-compared-with-cb-sem,
chúng tôi cung cấp một ước tính so sánh của mô hình chấp nhận công nghệ cao sử
dụng PLS, PLSc và các CB-SEM dựa trên ước tính về khả năng phù hợp cực đại. So sánh
cho thấy rằng PLS, PLSc, và CB-SEM dựa trên khả năng xác suất tối đa có tính tương
ứng chặt chẽ, trong khi các công cụ ước lượng CB-SEM thay thế khác mang lại nhiều kết
quả khác nhau.
Trong những trường hợp nhất định, đặc biệt khi có một chút kiến thức nền tảng về
các mối quan hệ mô hình cấu trúc hoặc các phép đo lường khái niệm nghiên cứu hoặc khi
nhấn mạnh hơn vào việc khám phá hơn là khẳng định, PLS-SEM là một thay thế hấp dẫn
hơn so với CB-SEM. Hơn nữa, khi giả định CB-SEM bị vi phạm về mặt phân phối
chuẩn, kích cỡ mẫu tối thiểu, và mô hình phức tạp tối đa, hoặc bất thường về phương
25. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 17
pháp luận liên quan xảy ra trong quá trình ước lượng mô hình, PLS-SEM là một phương
pháp thay thế tốt để kiểm định lý thuyết.
Phụ lục 1.6 trình bày quy tắc kinh nghiệm hay còn gọi là quy tắc ngón tay cái
(rules of thumb), có thể được áp dụng khi quyết định sử dụng CB-SEM hoặc PLS-SEM.
Có thể thấy, PLS-SEM không được khuyến cáo như là một thay thế phổ biến cho CB-
SEM. Cả hai phương pháp khác nhau ở quan điểm thống kê, được thiết kế để đạt các mục
tiêu khác nhau, và dựa vào các triết lý đo lường khác nhau. Do đó không phải kỹ thuật
này cao hơn hẳn kỹ thuật kia và không phải kỹ thuật nào cũng thích hợp cho tất cả các
tình huống.
Nói chung, thế mạnh của PLS-SEM là điểm yếu của CB-SEM, và ngược lại. Điều
quan trọng là các nhà nghiên cứu phải hiểu được các ứng dụng khác nhau của mỗi
phương pháp để triển khai và sử dụng chúng cho phù hợp. Các nhà nghiên cứu cần áp
dụng các kỹ thuật SEM trong trường hợp phù hợp nhất với mục tiêu nghiên cứu, đặc
điểm dữ liệu, và thiết lập mô hình của họ.
Phụ lục 1.5 Đặc điểm chính của PLS-SEM
Những đặc điểm dữ liệu
Kích thƣớc mẫu Không có các vấn đề nhận dạng với các kích
thước mẫu nhỏ
Các thống kê nói chung đạt độ nhạy thống kê cấp
độ cao với những kích thước mẫu nhỏ.
Các kích thước mẫu lớn tăng độ chính xác (ví dụ,
tính nhất quán) của ước lượng PLS-SEM.
Sự phân phối Không có sự giả định phân phối; PLS-SEM là
phương pháp phi tham số.
Các giá trị khuyết Các giá trị khuyết rõ rệt đều ở cấp độ thấp hơn
mức hợp lý.
Thang đo lƣờng Làm việc với dữ liệu tham số, dữ liệu gần như là
tham số (thứ bậc) và các biến được mã hóa nhị
phân (với các hạn chế nhất định).
Có vài hạn chế khi sử dụng dữ liệu phân loại để
đo lường các biến tiềm ẩn nội sinh.
Những đặc điểm mô hình
26. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 18
Số lƣợng biến quan sát trong
từng mô hình đo lƣờng khái
niệm nghiên cứu
Đo lường khái niệm với đo lường đơn biến và đa
biến
Các mối quan hệ giữa các
khái niệm nghiên cứu và các
biến quan sát của chúng
Dễ dàng kết hợp các mô hình đo lường nguyên
nhân và kết quả.
Độ phức tạp mô hình Xử lý các mô hình phức tạp với nhiều mối quan
hệ mô hình cấu trúc
Thiết lập mô hình Không vòng lặp nhân quả nào được cho phép
trong mô hình cấu trúc
Đặc tính thuật toán của PLS-SEM
Mục tiêu Giảm thiểu phương sai không giải thích được (tức
là, tối đa giá trị R2
)
Hiệu quả Hội tụ sau khi lặp đi lặp lại (thậm chí trong các
tình huống với mô hình phức tạp và/ hoặc tập hợp
dữ liệu lớn) để đưa ra giải pháp tối ưu; thuật toán
hiệu quả
Bản chất của khái niệm
nghiên cứu
Được xem như là các đại diện của khái niệm tiềm
ẩn được điều tra, được đại diện bởi các biến tổng
hợp
Điểm số của khái niệm Ước lượng các tổ hợp tuyến tính của các biến
quan sát
Được xác định
Sử dụng cho mục đích dự đoán
Có thể sử dụng như đầu vào cho phân tích tiếp
theo
Không ảnh hưởng bởi sự thiếu dữ liệu
Ƣớc lƣợng tham số Các quan hệ của mô hình cấu trúc nhìn chung đều
bị đánh giá thấp và các mối quan hệ của mô hình
đo lường nhìn chung được đánh giá cao khi ước
lượng dữ liệu từ những mô hình yếu tố chung
Tính nhất quán cao
Độ nhạy thống kê cao
Vấn đề đánh giá mô hình
29. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 21
phương pháp PLS-SEM và các yêu cầu kỹ thuật của nó về kích thước mẫu tối thiểu.
Tính phức tạp nói chung của mô hình cấu trúc có ảnh hưởng một ít lên yêu cầu
kích thước mẫu cho PLS-SEM. Lý do là thuật toán không tính toán tất cả các mối quan
hệ trong mô hình cấu trúc trong cùng một lúc. Thay vào đó, nó sử dụng hồi quy OLS để
ước lượng các mối quan hệ hồi quy riêng phần của mô hình. Các nghiên cứu ban đầu đã
đánh giá một cách hệ thống tính hiệu quả của PLS-SEM với các kích thước mẫu nhỏ và
đã kết luận rằng nó thực hiện tốt. Gần đây hơn, nghiên cứu mô phỏng đã chỉ ra rằng PLS-
SEM là sự lựa chọn tốt khi kích thước mẫu nhỏ. Hơn nữa, so với kỹ thuật dựa trên hiệp
phương sai đối lập, PLS-SEM có độ nhạy thống kê cao hơn trong các trường hợp cấu
trúc mô hình phức tạp hoặc các kích thước mẫu nhỏ. Tương tự, các giải pháp có thể thu
được với PLS-SEM khi các phương pháp khác không hội tụ hoặc các giải pháp không thể
chấp nhận được. Ví dụ, những vấn đề thường bị gặp phải khi sử dụng CB-SEM trên
những mô hình phức tạp, đặc biệt khi kích cỡ mẫu bị giới hạn. Tương tự, CB-SEM bị các
vấn đề nhận dạng và hội tụ khi đo lường nguyên nhân xuất hiện.
Không may, vài nhà nghiên cứu tin rằng kích thước mẫu nhỏ không đóng vai trò
đặc biệt trong ứng dụng PLS-SEM. Ý kiến này được thúc đẩy bởi quy tắc 10 lần, cho
rằng kích thước mẫu nên bằng hoặc lớn hơn:
1. Mười (10) lần số lớn nhất của các biến quan sát nguyên nhân được sử dụng để
đo lường khái niệm đơn, hoặc
2. Mười (10) lần số lớn nhất của đường dẫn cấu trúc hướng vào một khái niệm
riêng biệt trong mô hình cấu trúc.
Quy tắc kinh nghiệm nói rằng kích thước mẫu tối thiểu nên bằng 10 lần số lớn
nhất của mũi tên trong biến tiềm ẩn ở mọi vị trí trong mô hình cấu trúc PLS. Trong khi
quy định 10 lần đề xuất chỉ dẫn sơ bộ về yêu cầu kích thước mẫu tối thiểu, PLS-SEM -
cũng như các kỹ thuật thống kê khác - yêu cầu nhà nghiên cứu cân nhắc lại kích thước
mẫu với nền tảng mô hình và đặc điểm dữ liệu. Đặc biệt, kích thước mẫu cần thiết nên
được xác định bởi phân tích độ nhạy dựa trên một phần mô hình với số lượng lớn nhất
của biến dự báo.
Vì những kiến nghị kích thước mẫu trong PLS-SEM cơ bản dựa trên đặc tính của
hồi quy OLS, các nhà nghiên cứu có thể dựa trên các quy tắc kinh nghiệm khác trong
phân tích độ nhạy thống kê cho nhiều mô hình hồi quy bội, cung cấp mô hình đo lường
có thể chấp nhận được về mặt hệ số tải ngoài (ví dụ hệ số tải nên ở trên ngưỡng chung là
0.70). Cách khác, các nhà nghiên cứu có thể sử dụng các chương trình như G*Power
(miễn phí tại trang http://www.psycho.uni-duesseldorf.de) để thực hiện phân tích độ nhạy
30. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 22
cụ thể nhằm thiết lập mô hình.
Phụ lục 1.7 chỉ ra những yêu cầu cần thiết về kích thước mẫu tối thiếu để phát hiện
giá trị R2
nhỏ nhất: 0.10, 0.25, 0.50 và 0.75 ở bất cứ khái niệm biến nội sinh nào trong mô
hình cấu trúc với mức ý nghĩa 1%, 5% và 10%, giả định chung việc sử dụng độ nhạy
thống kê 80% và mức độ phức tạp cụ thể của mô hình PLS (tức là số lượng tối đa các
điểm mũi tên tại một khái niệm nghiên cứu trong mô hình PLS). Ví dụ, khi số lượng tối
đa biến độc lập trong mô hình đo lường và mô hình cấu trúc là 5 (năm), sẽ cần 45 quan
sát để đạt được độ nhạy thống kê 80% cho việc phát hiện giá trị R2
nhỏ nhất 0.25 (với xác
suất sai số 5%).
32. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 24
1.4.1.2 Đặc điểm dữ liệu
Như mọi phân tích thống kê khác, các dữ liệu khuyết đều được xử lý khi sử dụng
PLS-SEM. Đối với những giới hạn hợp lý (tức là ít hơn 5% giá trị khuyết trên một quan sát),
giá trị khuyết sẽ được lựa chọn xử lý bằng cách thay thế giá trị trung bình, EM
(Expectation-maximization - thuật toán tối đa hóa kỳ vọng), và các giá trị lân cận gần nhất
kết quả thông thường chỉ khác một ít trong ước lượng PLS. Cách khác, các nhà nghiên cứu
có thể lựa chọn xoá tất cả các quan sát có dữ liệu khuyết, tuy nhiên, sự biến đổi trong dữ liệu
sẽ giảm và có thể gây nên sự thiên lệch khi các nhóm quan sát nhất định bị xoá một cách có
hệ thống.
Việc sử dụng PLS-SEM có hai lợi thế chính liên quan đến đặc điểm dữ liệu (tức là
phân phối và thang đo). Do đó, trong nhiều tình huống khó khăn và không thể đáp ứng được
yêu cầu chặt chẽ của nhiều kỹ thuật đa biến truyền thống (ví dụ, phân phối dữ liệu dạng
chuẩn), PLS-SEM là phương pháp thích hợp hơn. Tính linh hoạt của PLS-SEM được mô tả
bằng tên “mô hình mềm”. Tuy nhiên, lưu ý ở đây, “mềm” chỉ do sự giả định phân phối và
không đề cập đến khái niệm, mô hình, hoặc kỹ thuật ước lượng. Đặc tính thống kê của PLS-
SEM cung cấp những ước lượng mô hình mạnh mẽ với dữ liệu có đặc tính phân phối chuẩn
cũng như cực không chuẩn (tức là độ lệch/độ nhọn). Tuy nhiên, phải ghi nhớ, giá trị ngoại
lai, và cộng tuyến làm ảnh hưởng tới hồi quy OLS trong PLS-SEM, và các nhà nghiên cứu
nên đánh giá dữ liệu và các kết quả của những vấn đề này.
Thuật toán PLS-SEM nhìn chung đòi hỏi dữ liệu dạng số trên thang đo tỷ lệ hoặc
thang đo khoảng đối với các quan sát trong mô hình đo lường. Nhưng phương pháp này
cũng làm việc tốt với thang đo thứ bậc với điểm dữ liệu cách đều (ví dụ thang đo bán tham
số - quasi-metric scale) và dữ liệu mã hoá nhị phân. Cách sử dụng dữ liệu mã hoá nhị phân
thường bao gồm các biến kiểm soát phân loại hoặc các biến điều tiết trong mô hình PLS-
SEM. Nói ngắn gọn, các biến được mã hoá giả (dummy) có thể được tính đến trong mô hình
PLS-SEM nhưng đòi hỏi sự chú ý đặc biệt và không nên được sử dụng như là biến phụ thuộc
cuối cùng. Phụ lục 1.8 tổng hợp các cân nhắc chính liên quan đến đặc điểm dữ liệu.
33. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 25
Phụ lục 1.8 Những cân nhắc về dữ liệu khi áp dụng PLS-SEM
Theo hướng dẫn sơ bộ, kích thước mẫu tối thiểu trong một phân tích PLS-SEM
nên bằng hoặc lớn hơn (quy tắc 10 lần) như sau: (1) 10 lần số lớn nhất của các
biến quan sát nguyên nhân được sử dụng để đo lường khái niệm đơn, hoặc (2) 10
lần số lớn nhất của đường dẫn cấu trúc hướng vào một khái niệm riêng biệt trong
mô hình cấu trúc. Tuy nhiên, các nhà nghiên cứu nên làm theo các khuyến nghị
phức tạp hơn như các khuyến cáo của Cohen (1992), cũng như độ nhạy thống kê
và ảnh hưởng của kích cỡ đến kết quả. Ngoài ra, các nhà nghiên cứu nên chạy
phân tích độ nhạy riêng biệt, sử dụng các chương trình như G*Power.
Với những tập dữ liệu lớn (N=250 và lớn hơn), kết quả của CB-SEM và PLS-SEM
là rất tương đồng khi một số lượng thích hợp của các biến quan sát (4 hoặc nhiều
hơn) được sử dụng để đo lường từng khái niệm (tính nhất quán càng lớn).
PLS-SEM có thể xử lý dữ liệu rất không chuẩn (ví dụ mức độ xiên cao).
Hầu hết các thủ tục xử lý giá trị khuyết (ví dụ: thay thế trung bình, xóa theo cặp,
EM và lấy theo điểm gần nhất) được sử dụng cho các mức dữ liệu bị khuyết hợp lý
(ít hơn 5% khuyết cho mỗi biến quan sát) với hiệu quả hạn chế đối với các kết quả
phân tích.
1.4.2 Các đặc điểm mô hình
PLS-SEM rất linh hoạt trong tính chất mô hình của nó. Thuật toán PLS-SEM đòi hỏi
tất cả các mô hình đều không cho phép có mối quan hệ vòng tròn hoặc vòng lặp các mối
quan hệ giữa các biến tiềm ẩn trong mô hình cấu trúc. Trong khi mô hình có vòng lặp hiếm
khi được định rõ ở nghiên cứu kinh doanh, các đặc điểm này làm giới hạn tính ứng dụng của
PLS-SEM nếu mô hình như vậy được yêu cầu. Các yêu cầu đặc điểm mô hình khác đều bắt
buộc khi sử dụng CB-SEM, như là giả định phân phối, đều không liên quan đến PLS-SEM.
Những khó khăn của mô hình đo lường là một trong những chướng ngại chính trong
việc đạt được một giải pháp đối với CB-SEM. Thí dụ, ước lượng của những mô hình phức
tạp với nhiều biến tiềm ẩn và/hoặc biến chỉ báo thường là không thể với CB-SEM. Ngược
34. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 26
lại, PLS-SEM có thể được sử dụng trong nhiều tình huống vì không bị hạn chế bởi sự xác
định và các vấn đề kỹ thuật khác. Việc cân nhắc mô hình đo lường kết quả và nguyên nhân là
vấn đề chính trong việc áp dụng SEM. PLS-SEM có thể dễ dàng xử lý cả hai mô hình đo
lường nguyên nhân và kết quả và được xem xét như cách tiếp cận ban đầu khi mô hình giả
thuyết kết hợp với đo lường nguyên nhân. CB-SEM có thể chứa các biến chỉ báo nguyên
nhân nhưng để đảm bảo tính xác định của mô hình, chúng phải theo các quy định kỹ thuật
chi tiết riêng biệt. Ngược lại, PLS-SEM không có nhiều yêu cầu, và xử lý được mô hình đo
lường nguyên nhân mà không gặp phải bất kỳ hạn chế nào. Điều này cũng áp dụng cho các
thiết lập mô hình, trong đó các khái niệm nội sinh được đo lường nguyên nhân. Khả năng áp
dụng CB-SEM vào các thiết lập mô hình như vậy đã và đang là một cuộc tranh luận đáng kể,
nhưng do quá trình ước lượng nhiều bước của PLS-SEM, các phân chia đo lường từ ước
lượng mô hình cấu trúc, mà việc đưa vào các khái niệm nội sinh được đo lường nguyên nhân
không phải là một vấn đề trong PLS-SEM. Vấn đề khó khăn duy nhất là tồn tại hiện tượng
cộng tuyến ở cấp độ cao giữa các biến quan sát của mô hình đo lường nguyên nhân.
Cuối cùng, PLS-SEM có khả năng ước lượng những mô hình rất phức tạp. Ví dụ, nếu
giả định lý thuyết hoặc khái niệm hỗ trợ những mô hình lớn và dữ liệu đầy đủ có sẵn (tức là
đáp ứng yêu cầu kích thước mẫu tối thiếu), PLS-SEM có thể xử lý các mô hình với hầu hết
các kích thước mẫu, gồm hàng tá khái niệm nghiên cứu và hàng trăm biến quan sát. Phụ lục
1.9 tóm tắt những quy tắc kinh nghiệm đối với đặc điểm mô hình PLS-SEM.
Phụ lục 1.9 Những cân nhắc mô hình khi chọn PLS-SEM
Những yêu cầu về mô hình đo lường là khá linh hoạt. PLS-SEM có thể xử lý cả mô
hình đo lường nguyên nhân và kết quả cũng như đo lường đơn biến mà không cần
những yêu cầu bổ sung hay ép buộc nào.
Sự phức tạp của mô hình nhìn chung không phải là vấn đề đối với PLS-SEM. Miễn
là các dữ liệu thích hợp đáp ứng các yêu cầu về cỡ mẫu tối thiểu, sự phức tạp của
mô hình cấu trúc hầu như không bị giới hạn.
35. PLS-SEM cơ bản (phiên bản 2 của Hair & cộng sự, 2016) Page 27
CHƢƠNG 2
BIẾN NGUYÊN NHÂN & BIẾN KẾT QUẢ
2.1 MÔ HÌNH ĐO LƢỜNG NGUYÊN NHÂN & KẾT QUẢ
Khi phát triển các khái niệm nghiên cứu, các nhà nghiên cứu phải xem xét đặc điểm
kỹ thuật của 2 mô hình đo lường: mô hình đo lường kết quả và nguyên nhân. Mô hình đo
lƣờng kết quả (còn gọi là đo lường Mode A trong PLS-SEM) có một truyền thống lâu đời
trong khoa học xã hội và trực tiếp dựa trên lý thuyết thử nghiệm cổ điển. Theo lý thuyết này,
các biện pháp đo lường đại diện cho sự tác động (hoặc sự biểu hiện) của một khái niệm
nghiên cứu cơ bản. Vì vậy, quan hệ nhân quả từ khái niệm đến các biến đo lường nó (COMP
trong Phụ lục 2.2). Biến quan sát kết quả (thỉnh thoảng còn được gọi là effect indicators
trong lĩnh vực tâm lý) có thể được xem như là mẫu đại diện cho tất cả biến đo lường thuộc
phạm vi của khái niệm nghiên cứu. Vì vậy, đo lường kết quả chỉ ra rằng tất cả các biến quan
sát được tạo ra bởi cùng khái niệm nghiên cứu (tức là, nó xuất phát từ cùng một nơi), các
biến quan sát liên quan đến một khái niệm nghiên cứu cụ thể cần liên quan chặt chẽ với
nhau. Ngoài ra, các biến quan sát riêng biệt cần được hoán đổi cho nhau, và bất kỳ biến quan
sát đơn lẻ nói chung có thể được bỏ qua mà không thay đổi ý nghĩa của khái niệm nghiên
cứu, miễn là các khái niệm nghiên cứu có đủ độ tin cậy. Thực tế là mối quan hệ đi từ khái
niệm nghiên cứu tới biến đo lường của nó ngụ ý rằng, nếu sự đánh giá đặc tính tiềm ẩn thay
đổi (do thay đổi tiêu chuẩn so sánh), tất cả các biến quan sát sẽ thay đổi đồng thời. Một tập
hợp các đo lường kết quả thường được gọi là một thang đo.
Ngược lại, mô hình đo lƣờng nguyên nhân (còn gọi là Mode B trong PLS-SEM)
được dựa trên giả định rằng các biến quan sát nguyên nhân tạo ra khái niệm nghiên cứu bằng
liên kết tuyến tính. Do đó, các nhà nghiên cứu thường đề cập đến loại mô hình đo lường này
như là một tập hợp các biến quan sát nguyên nhân (Index). Một đặc tính quan trọng của các
biến quan sát nguyên nhân là chúng không hoán đổi lẫn nhau được, điều này xảy ra với các
biến quan sát kết quả. Như vậy, mỗi biến quan sát cho một khái niệm nguyên nhân nắm bắt
