Chạy PLS-SEM online: mô hình đo lường, cấu trúc, bootstrap

Cách dùng

1. Chuẩn bị file. Mỗi dòng một phiếu, mỗi cột một biến quan sát, tên cột theo mã khái niệm + số (CL1, CL2, HL1…). File đã làm sạch bằng công cụ làm sạch dữ liệu dùng được ngay. Câu đảo chiều khai báo ở ô riêng để công cụ đảo điểm.
2. Mô hình đo lường. Công cụ tự nhóm biến theo tên cột; bỏ các biến đã loại. Mặc định mọi khái niệm là kết quả (reflective, Mode A). Chỉ ghi vào ô “khái niệm cấu tạo” khi thang đo gốc thiết kế dạng formative.
3. Mô hình cấu trúc. Mỗi dòng một đường X -> Y theo thứ tự giả thuyết H1, H2… Nếu đã vẽ ở Vẽ mô hình nghiên cứu, bấm “Lấy mô hình từ Vẽ mô hình” để mang các mũi tên sang (mã khái niệm trong sơ đồ phải trùng mã cột dữ liệu).
4. Bootstrap. Giữ 5.000 mẫu và ghi lại seed: cùng dữ liệu, cùng seed cho cùng kết quả. Bootstrap chạy nền nên trang không bị treo; 300 phiếu, 18 biến mất vài giây trên máy tính thông thường.
5. Xuất kết quả. Tải Word (bảng, hình mô hình, đoạn diễn giải và tài liệu tham khảo), tải bảng dạng CSV hoặc điểm khái niệm để chạy tiếp ở phần mềm khác. Đổi số mục, số bảng cho khớp chương 4.

Công cụ tính những gì

• Thuật toán PLS (Lohmöller, 1989) với các mặc định của SmartPLS: lược đồ trọng số đường dẫn (path weighting), dữ liệu chuẩn hoá, trọng số khởi đầu bằng 1, dừng khi tổng thay đổi trọng số nhỏ hơn 10⁻⁷ hoặc sau 300 vòng lặp; báo số vòng lặp và có hội tụ hay không. Giá trị thiếu thay bằng trung bình của biến (mặc định SmartPLS) hoặc loại phiếu.
• Mô hình đo lường: hệ số tải ngoài, trọng số ngoài, độ tin cậy biến quan sát (λ²), Cronbach's alpha, rho_A (Dijkstra & Henseler, 2015), độ tin cậy tổng hợp rho_c, AVE, Fornell–Larcker, HTMT, hệ số tải chéo, VIF của biến quan sát; với khái niệm cấu tạo là trọng số, ý nghĩa của trọng số và VIF.
• Mô hình cấu trúc: hệ số đường dẫn, R², R² hiệu chỉnh, f², VIF giữa các khái niệm, tác động gián tiếp riêng theo từng chuỗi, gián tiếp tổng và tác động tổng; Q² bằng blindfolding (khoảng cách bỏ D = 7).
• PLSpredict (Shmueli và cộng sự, 2016, 2019): kiểm định chéo 10 nhóm, lặp 10 lần (mặc định SmartPLS, chia nhóm theo seed), Q²_predict, RMSE và MAE của PLS so với mô hình hồi quy tuyến tính (LM) cho từng biến quan sát của khái niệm nội sinh, kèm bảng đọc mức khả năng dự báo cao, trung bình, thấp. Chạy nền cùng lúc với bootstrap.
• SRMR của mô hình bão hoà và mô hình ước lượng, ngưỡng < 0,08 (Henseler và cộng sự, 2014; Hu & Bentler, 1999); tuỳ chọn HTMT2 (Roemer và cộng sự, 2021) thay cho HTMT.
• Bootstrap (mặc định 5.000 mẫu, seed cố định): độ lệch chuẩn, t, p hai phía, khoảng tin cậy percentile hoặc BCa cho hệ số đường dẫn, hệ số tải, trọng số, R², tác động gián tiếp, tác động tổng và HTMT.

Mỗi chỉ số được đánh giá theo ngưỡng ở trang ngưỡng chấp nhận PLS-SEM (Hair và cộng sự, 2019, 2022; Henseler và cộng sự, 2015), kèm nguồn để trích.

Đọc kết quả theo thứ tự nào

1. Hệ số tải ngoài từ 0,708. Biến từ 0,40 đến 0,708 chỉ loại khi việc loại làm CR hoặc AVE đạt ngưỡng; dưới 0,40 thì loại. Loại xong phải chạy lại.
2. Độ tin cậy (alpha, rho_A, rho_c) từ 0,70 và không vượt 0,95; AVE từ 0,50.
3. Giá trị phân biệt: HTMT dưới 0,85 (0,90 với khái niệm gần nghĩa) là tiêu chí chính; Fornell–Larcker và hệ số tải chéo chỉ để tham khảo. Đọc thêm HTMT và giá trị phân biệt.
4. Mô hình cấu trúc: VIF giữa các khái niệm dưới 3, rồi hệ số đường dẫn và p (hoặc khoảng tin cậy không chứa 0), R², f², Q². Tác động gián tiếp được kết luận theo khoảng tin cậy bootstrap, phân loại trung gian theo Zhao và cộng sự (2010).
5. Khả năng dự báo ngoài mẫu (PLSpredict): trước hết mọi Q²_predict phải lớn hơn 0; rồi đếm số biến quan sát có RMSE của PLS nhỏ hơn LM (dùng MAE nếu sai số dự báo lệch mạnh): tất cả là khả năng dự báo cao, đa số là trung bình, số ít là thấp, không biến nào là không có. SRMR dưới 0,08 chỉ báo cáo bổ sung.

Chỉ số nào không đạt, xem cách xử lý hợp lệ ở Bác sĩ kết quả thay vì đổi sang ngưỡng lỏng hơn cho vừa kết quả.

Khác gì so với SmartPLS

Ước lượng điểm (hệ số tải, trọng số, hệ số đường dẫn, R², alpha, rho_A, rho_c, AVE, HTMT, VIF) theo đúng thuật toán PLS chuẩn nên chỉ có thể lệch SmartPLS ở phần làm tròn. Bootstrap thì khác nhau một chút giữa mọi phần mềm, kể cả giữa hai lần chạy SmartPLS với seed khác nhau, vì mẫu lặp được rút ngẫu nhiên; độ lệch chuẩn thường chỉ khác ở chữ số thứ ba và kết luận giả thuyết hiếm khi đổi, trừ khi p sát 0,05. Q² bằng blindfolding có thể lệch nhẹ do cách thay giá trị bị bỏ khác nhau giữa các phần mềm (SmartPLS 4 đã thay blindfolding bằng PLSpredict). PLSpredict cũng chia nhóm ngẫu nhiên nên RMSE, MAE và Q²_predict chênh SmartPLS cỡ vài phần nghìn, còn kết luận về mức dự báo hầu như không đổi. SRMR tính theo cách của gói cSEM (mô hình bão hoà và mô hình ước lượng); SmartPLS có thể lệch nhẹ ở chữ số thứ ba nếu dùng ma trận tương quan ngụ ý khác. Công cụ chưa có PLSc, mô hình bậc hai, biến điều tiết dạng tương tác, phân tích đa nhóm (MGA) và kiểm định bất biến đo lường (MICOM).

Công cụ tính đúng các con số; việc chọn mô hình, quyết định loại biến và diễn giải kết quả vẫn là trách nhiệm của bạn. Nếu khoa yêu cầu kết quả từ SmartPLS, hãy dùng công cụ để kiểm tra trước rồi chạy SmartPLS với cùng mô hình.

Câu hỏi thường gặp

Có cần cài SmartPLS không?

Không cần để ước lượng mô hình: thuật toán chạy ngay trong trình duyệt, không cần giấy phép, và dữ liệu không rời khỏi máy bạn. Công cụ đã có PLSpredict, SRMR và HTMT2 nhưng chưa có PLSc, mô hình bậc hai, MGA hay MICOM; đề tài cần các phần đó vẫn phải dùng SmartPLS hoặc gói seminr, cSEM của R.

Cỡ mẫu bao nhiêu là đủ cho PLS-SEM?

Quy tắc “gấp 10 lần số mũi tên” đã bị phê phán; nên tính bằng phương pháp căn bậc hai nghịch đảo (Kock & Hadaya) hoặc G*Power ở máy tính cỡ mẫu.

Chọn PLS-SEM hay CB-SEM (AMOS)?

PLS-SEM hợp với mục tiêu dự báo, mô hình nhiều khái niệm, có khái niệm cấu tạo hoặc mẫu nhỏ; CB-SEM hợp khi kiểm định lý thuyết và cần chỉ số phù hợp mô hình như CFI, RMSEA. Trả lời vài câu ở chọn phương pháp phân tích để biết đề tài của bạn hợp cách nào.

PLSpredict khác Q² blindfolding thế nào?

Q² blindfolding dự báo lại các điểm dữ liệu bị che nhưng vẫn ước lượng mô hình trên gần như toàn bộ mẫu, nên chưa phải dự báo ngoài mẫu thật. PLSpredict chia mẫu thành 10 nhóm, ước lượng trên 9 nhóm rồi dự báo nhóm còn lại, lặp lại 10 lần, và so sai số với một hồi quy tuyến tính đơn giản. Hair và cộng sự (2019) khuyên báo cáo PLSpredict khi đề tài có mục tiêu dự báo; Q²_predict > 0 là điều kiện đầu tiên, RMSE (hoặc MAE) thấp hơn LM ở càng nhiều biến thì khả năng dự báo càng cao.

SRMR có bắt buộc báo cáo không?

Không bắt buộc. SRMR dưới 0,08 (Henseler và cộng sự, 2014) thường được báo cáo như chỉ số phù hợp mô hình, nhưng Hair và cộng sự (2022) lưu ý các chỉ số phù hợp trong PLS-SEM còn đang phát triển, nên chỉ dùng bổ sung chứ không thay cho đánh giá mô hình đo lường và cấu trúc. Nếu hội đồng hỏi, báo cáo SRMR của mô hình bão hoà.

Vì sao kết quả bootstrap của tôi khác bạn cùng nhóm?

Do seed hoặc số mẫu bootstrap khác nhau. Cùng dữ liệu, cùng mô hình, cùng số mẫu và cùng seed thì công cụ cho kết quả giống hệt đến từng chữ số; ghi seed vào chương 3 để người khác tái lập được.

Biến trung gian có cần chạy PROCESS riêng không?

Không: trong PLS-SEM, tác động gián tiếp được kiểm định ngay trong mô hình bằng bootstrap. Công cụ trung gian và điều tiết kiểu PROCESS dành cho đề tài dùng hồi quy trên điểm trung bình, hoặc khi cần biến điều tiết.

Kiểm chứng

Bộ kiểm tra tự động (scripts/check-pls.mjs, chạy trước mỗi lần cập nhật trang) so lõi tính toán của công cụ với hai gói R độc lập, seminr 2.6 và cSEM 0.7, và một bản cài đặt riêng bằng Python/numpy, trên dữ liệu mẫu của trang và một bộ dữ liệu mô phỏng có khái niệm cấu tạo, khái niệm một biến và giá trị thiếu. Hệ số tải, trọng số, hệ số tải chéo, hệ số đường dẫn, R², R² hiệu chỉnh, alpha, rho_A, rho_c, AVE, Fornell–Larcker, HTMT, VIF, tác động tổng và gián tiếp khớp seminr với sai lệch lớn nhất cỡ 10⁻¹⁴ và khớp cSEM tới 10⁻⁹; f² khớp cSEM tới 10⁻¹⁰. Q² và khoảng tin cậy BCa khớp bản Python tới 10⁻⁹. Bootstrap khớp bản Python tuyệt đối khi dùng cùng chuỗi số ngẫu nhiên; so với bootstrap 5.000 mẫu của seminr (bộ sinh số khác), độ lệch chuẩn chênh tối đa 3,3% và cận khoảng tin cậy chênh dưới 0,16 lần độ lệch chuẩn, đúng mức sai số Monte Carlo.

SRMR (mô hình bão hoà và mô hình ước lượng) và HTMT2 khớp cSEM với sai lệch dưới 10⁻¹⁰. PLSpredict được kiểm tra hai cách: với cùng cách chia nhóm mà công cụ rút, mỗi nhóm ước lượng bằng seminr (estimate_pls và predict, cách dự báo theo khái niệm ngoại sinh) và hồi quy lm của R, RMSE, MAE, Q²_predict của PLS và LM khớp tới 10⁻¹⁴; so với predict() của cSEM tự chia nhóm (10 nhóm × 10 lần lặp), RMSE và MAE của PLS chênh dưới 0,5% và Q²_predict chênh dưới 0,004.

Riêng f²: công cụ tính từ điểm khái niệm của mô hình đầy đủ, như cSEM. seminr ước lượng lại toàn bộ mô hình khi bỏ từng đường dẫn nên f² của nó lệch tới 0,004; nếu số f² của bạn ở phần mềm khác lệch ở chữ số thứ ba, đó là lý do, còn mức nhỏ, vừa, lớn hầu như không đổi.

Tài trợ · Genius Data
Chưa đủ phiếu để chạy mô hình? PLS-SEM vẫn cần cỡ mẫu theo số mũi tên và hệ số đường dẫn kỳ vọng, tính bằng máy tính cỡ mẫu. Nếu kênh miễn phí đã cạn, Genius Data (link giới thiệu) cho chọn nhóm người trả lời, tự đặt mức thưởng mỗi câu và chỉ trả tiền cho phản hồi được duyệt.

Tài liệu tham khảo

• Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
• Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101–107. https://doi.org/10.1093/biomet/61.1.101
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203
• Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Jr., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182–209. https://doi.org/10.1177/1094428114526928
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares. Physica-Verlag. https://doi.org/10.1007/978-3-642-52512-4
• Roemer, E., Schuberth, F., & Henseler, J. (2021). HTMT2–an improved criterion for assessing discriminant validity in structural equation modeling. Industrial Management & Data Systems, 121(12), 2637–2650. https://doi.org/10.1108/IMDS-02-2021-0082
• Shmueli, G., Ray, S., Velasquez Estrada, J. M., & Chatla, S. B. (2016). The elephant in the room: Predictive performance of PLS models. Journal of Business Research, 69(10), 4552–4564. https://doi.org/10.1016/j.jbusres.2016.03.049
• Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189
• Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111–133. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x
• Streukens, S., & Leroi-Werelds, S. (2016). Bootstrapping and PLS-SEM: A step-by-step guide to get more out of your bootstrap results. European Management Journal, 34(6), 618–632. https://doi.org/10.1016/j.emj.2016.06.003
• Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257