Vẽ mô hình nghiên cứu online

Cách dùng

Khung vẽ làm việc giống SmartPLS: khái niệm là các ô kéo thả được, mũi tên kéo từ ô này sang ô kia, giả thuyết và cỡ mẫu cập nhật ngay ở cột bên phải (bên dưới trên điện thoại).

1. Thêm khái niệm. Nhấp đúp vào chỗ trống trên khung (điện thoại: chạm hai lần), gõ tên rồi Enter. Ô gõ gợi ý khái niệm gần nghĩa trong Thư viện thang đo; chọn gợi ý để có mã biến gốc (PU, PEOU, BI…), số biến quan sát và thang đo có trích dẫn, hoặc giữ tên bạn gõ. Cũng có thể tìm ở ô “Thư viện khái niệm” bên trái rồi kéo kết quả vào khung, hoặc bấm vào kết quả. Con số ở góc ô là số biến quan sát của thang đo gốc; số màu cam là dưới 3 biến.
2. Nối mũi tên. Rê chuột lên một ô, kéo chấm tròn bên phải ô thả vào ô đích. Hoặc bật chế độ “Nối mũi tên” trên thanh công cụ rồi kéo (hoặc bấm ô nguồn, bấm ô đích). Mũi tên đi thẳng giữa hai viền ô và tự uốn cong khi có ô khác chắn đường.
3. Đổi chiều, xoá, sắp xếp. Bấm nhãn H1 + trên mũi tên để đổi giữa cùng chiều (+) và ngược chiều (−, nét đứt màu cam). Chuột phải (điện thoại: giữ lâu) trên ô hoặc mũi tên để đổi tên, đổi mã viết tắt, đảo hướng, đưa giả thuyết lên trước hoặc xoá. Kéo chỗ trống để di chuyển khung, lăn chuột hoặc hai ngón để thu phóng; Shift + kéo để chọn nhiều ô rồi kéo cả nhóm. “Xếp tự động” đặt biến độc lập bên trái, trung gian ở giữa, phụ thuộc bên phải. Mọi thao tác hoàn tác được.
4. Chép giả thuyết vào cuối chương 2 và viết lập luận cho từng giả thuyết. Thứ tự H1, H2… là thứ tự nối mũi tên; dùng nút ↑ trong danh sách giả thuyết để đổi. Cột bên phải cũng báo vòng lặp, khái niệm chưa nối và thang đo dưới 3 biến.
5. Tải hình và mở tiếp. Tải PNG (độ phân giải gấp 3 lần, đủ nét khi in) để chèn vào Word, hoặc SVG để chỉnh trong PowerPoint, Inkscape, draw.io. Bấm “Mở trong Bộ khảo sát” để chuyển các khái niệm từ thư viện, số mũi tên lớn nhất và biến phụ thuộc sangBộ khảo sát để ghép bảng hỏi, tính cỡ mẫu và viết đoạn chương 3.

Quen gõ hơn kéo thả? Mở mục “Nhập bằng văn bản” ở cột bên phải, mỗi dòng một quan hệ: PEOU -> PU, PU, PEOU -> BI,PR -> BI (-) cho quan hệ ngược chiều. Tên chưa có thành khái niệm mới và được đặt vào chỗ trống trên khung.

Phím tắt

Ví dụ: mô hình TAM

Bấm “Nạp ví dụ TAM” ở cột trái. Mô hình chấp nhận công nghệ của Davis (1989) có ba khái niệm: Nhận thức tính dễ sử dụng (PEOU), Nhận thức sự hữu ích (PU) và Ý định sử dụng (BI), với ba mũi tên PEOU → PU, PU → BI và PEOU → BI. Công cụ viết ra:

• H1: Nhận thức tính dễ sử dụng (PEOU) có tác động cùng chiều đến nhận thức sự hữu ích (PU).
• H2: Nhận thức sự hữu ích (PU) có tác động cùng chiều đến ý định sử dụng (BI).
• H3: Nhận thức tính dễ sử dụng (PEOU) có tác động cùng chiều đến ý định sử dụng (BI).
• H4: Nhận thức sự hữu ích (PU) đóng vai trò trung gian trong mối quan hệ giữa nhận thức tính dễ sử dụng (PEOU) và ý định sử dụng (BI).

BI nhận nhiều mũi tên nhất (2), nên G*Power (hồi quy bội, f² = 0,15, α = 0,05, power = 0,80, 2 biến dự báo) cho 68 quan sát; phương pháp căn bậc hai nghịch đảo của Kock và Hadaya (2018) với hệ số đường dẫn nhỏ nhất 0,20 cho 155. Cỡ mẫu tối thiểu là số lớn hơn, 155 phiếu hợp lệ; dự phòng 15% phiếu bị loại thì cần thu khoảng 183 phiếu.

Mô hình mở rộng: bậc cao, điều tiết, trung gian, đa nhóm, kiểm soát

Ngoài quan hệ trực tiếp, khung vẽ có năm loại phần tử thường gặp trong luận văn dùng PLS-SEM. Mỗi loại có giả thuyết viết sẵn và được tính vào cỡ mẫu theo đúng cách mô hình được ước lượng.

Khái niệm bậc cao (higher-order construct)

Khi nào dùng. Khi một khái niệm trừu tượng gồm nhiều khía cạnh, mỗi khía cạnh đã có thang đo riêng, ví dụ chất lượng dịch vụ gồm phương tiện hữu hình, độ tin cậy, khả năng đáp ứng, sự đảm bảo và sự đồng cảm. Mô hình bậc cao gọn hơn và tránh đa cộng tuyến khi các khía cạnh tương quan cao. Có hai loại hay gặp (Sarstedt và cộng sự, 2019):

• Phản ánh–phản ánh (R–R): khái niệm bậc cao là nguyên nhân chung của các thành phần; mũi tên đi từ bậc cao sang từng thành phần.
• Phản ánh–cấu tạo (R–F): các thành phần cùng tạo nên khái niệm bậc cao và không thay thế được cho nhau; mũi tên đi từ từng thành phần sang bậc cao.

Cách vẽ. Shift + bấm (hoặc Shift + kéo khung) để chọn các khái niệm thành phần, rồi bấm nút Bậc cao (phím H) và đặt tên. Hoặc bật chế độ Bậc cao, bấm chỗ trống để đặt ô bậc cao, rồi kéo từng khái niệm thả vào ô đó. Ô bậc cao có viền đôi và nhãn R–R hoặc R–F; chuột phải để đổi loại, tách một thành phần ra hoặc bỏ bậc cao. Mũi tên cấu trúc (giả thuyết) gắn vào ô bậc cao; nối vào một thành phần thì công cụ tự chuyển sang bậc cao của nó.

Cỡ mẫu. Bậc cao R–R chỉ tính các mũi tên cấu trúc như bình thường. Bậc cao R–F ước lượng bằng cách lặp lại biến quan sát hoặc hai giai đoạn: ở bước đầu, bậc cao là biến nội sinh nhận một mũi tên từ mỗi thành phần, cộng với các mũi tên cấu trúc trỏ vào nó. Ví dụ chất lượng dịch vụ R–F có 5 thành phần và 1 mũi tên từ hình ảnh thương hiệu thì nhận 6 biến dự báo, và con số này được đưa vào phép đếm “nhiều biến dự báo nhất”. Khi bậc cao R–F có mũi tên trỏ vào, hãy dùng cách tiếp cận hai giai đoạn, vì khi lặp lại biến quan sát các thành phần đã giải thích gần hết phương sai của bậc cao và hệ số của mũi tên trỏ vào gần bằng 0 (Becker và cộng sự, 2012). Bộ khảo sát nhận các khái niệm thành phần, vì biến quan sát của chúng là thứ được hỏi trên phiếu.

Biến điều tiết (moderator)

Khi nào dùng. Khi lý thuyết cho rằng tác động của X lên Y mạnh hay yếu tuỳ theo mức của W, ví dụ thu nhập làm suy yếu tác động của giá cảm nhận lên ý định mua.

Cách vẽ. Kéo chấm tròn bên phải ô W thả vào giữa mũi tên X → Y (hoặc bật chế độ Điều tiết rồi kéo từ cả ô W; trên điện thoại giữ lâu mũi tên rồi chọn “Thêm biến điều tiết…”; bàn phím: chọn ô W, bấmM rồi chọn mũi tên). Mũi tên điều tiết chạm vào giữa đường X → Y. Giả thuyết có dạng “W điều tiết tác động của X lên Y theo hướng tăng cường”; bấm nhãn + / − trên mũi tên điều tiết để đổi sang “làm suy yếu”. “Xếp tự động” đặt biến điều tiết phía trên mũi tên nó điều tiết.

Cỡ mẫu. Khi ước lượng, Y nhận thêm hai biến dự báo: W và biến tương tác X×W, nên công cụ cộng 2 vào số mũi tên trỏ vào Y (W đã có mũi tên vào Y thì chỉ cộng biến tương tác). Hiệu ứng tương tác thường rất nhỏ: f² khoảng 0,005–0,035, và tổng quan 30 năm của Aguinis và cộng sự (2005) có f² trung bình chỉ 0,009. Bật “Tính cỡ mẫu cho giả thuyết điều tiết với f² = 0,02” để lấy cỡ mẫu đủ phát hiện riêng biến tương tác (G*Power, hồi quy bội, R² tăng thêm, 1 biến được kiểm định, α = 0,05, power = 0,80): khoảng 395 quan sát. Ước lượng bằng cách tiếp cận hai giai đoạn (Becker, Ringle và Sarstedt, 2018): giai đoạn 1 lấy điểm của X và W, giai đoạn 2 đưa X, W và X×W vào Y.

Biến trung gian (mediator)

Khi nào dùng. Khi X tác động lên Y thông qua M. Không cần vẽ gì thêm: có chuỗi X → M → Y là công cụ viết giả thuyết “M đóng vai trò trung gian trong mối quan hệ giữa X và Y” (bỏ dấu tích nếu không cần). Kiểm định tác động gián tiếp a × b bằng bootstrap, không theo các bước của Baron và Kenny (Zhao và cộng sự, 2010).

Cỡ mẫu. M và Y được tính như mọi biến nội sinh. Riêng tác động gián tiếp, Fritz và MacKinnon (2007) cho thấy với bootstrap, khi cả hai đường a và b đều nhỏ (0,14) cần khoảng 460–560 quan sát để đạt power 0,80; khi cả hai ở mức trung bình (0,39) chỉ cần khoảng 70–80.

So sánh đa nhóm (multigroup analysis)

Khi nào dùng. Khi muốn biết các hệ số đường dẫn có khác nhau giữa các nhóm hay không, ví dụ nam và nữ, doanh nghiệp nhà nước và tư nhân.

Cách vẽ. Ở cột bên phải, tích “So sánh đa nhóm (MGA)”, gõ tên biến phân nhóm và 2–4 nhóm ngăn bằng dấu chấm phẩy. Mặc định mọi mũi tên đều được so sánh; bỏ tích những mũi tên không cần. Mỗi mũi tên được so sánh có một giả thuyết dạng “Tác động của X lên Y khác nhau giữa nhóm Nam và nhóm Nữ”. Hình xuất ra có dòng chú thích các nhóm.

Cỡ mẫu. Mô hình được ước lượng riêng trên từng nhóm, nên mỗi nhóm phải tự đạt cỡ mẫu tối thiểu; tổng cỡ mẫu bằng cỡ mẫu tối thiểu nhân số nhóm. Trước khi so sánh hệ số, kiểm tra tính bất biến đo lường của các khái niệm bằng quy trình MICOM (Henseler, Ringle và Sarstedt, 2016), rồi so sánh bằng PLS-MGA hoặc kiểm định hoán vị.

Biến kiểm soát (control variable)

Khi nào dùng. Khi một biến như tuổi, giới tính, quy mô doanh nghiệp có thể ảnh hưởng đến biến phụ thuộc nhưng không phải trọng tâm của đề tài.

Cách vẽ. Bật chế độ Kiểm soát (phím K), bấm chỗ trống, đặt tên rồi nối mũi tên từ nó vào biến phụ thuộc; hoặc chuột phải trên một ô có sẵn, chọn “Đặt làm biến kiểm soát”. Ô có viền đứt, mũi tên chấm và nhãn KS. Biến kiểm soát không có giả thuyết, được liệt kê riêng dưới mục “Biến kiểm soát”, không nhận mũi tên trỏ vào và không làm biến điều tiết.

Cỡ mẫu. Mỗi mũi tên từ biến kiểm soát là một biến dự báo của biến phụ thuộc, nên được tính vào phép đếm. “Mở trong Bộ khảo sát” mang tên biến kiểm soát và biến phân nhóm sang để thành câu hỏi ở phần thông tin chung của phiếu.

Đếm mũi tên và cỡ mẫu

Trong PLS-SEM, mỗi biến nội sinh được ước lượng bằng một phương trình hồi quy với các biến trỏ vào nó. Phương trình có nhiều biến dự báo nhất quyết định cỡ mẫu cần cho phân tích power, vì vậy công cụ đếm số mũi tên nhiều nhất trỏ vào một khái niệm (Hair và cộng sự, 2022). Phần tính toán giống hệt Máy tính cỡ mẫu và Bộ khảo sát: kiểm định F của hồi quy bội như G*Power 3.1 (Faul và cộng sự, 2009) với cỡ hiệu ứng trung bình f² = 0,15 theo Cohen (1992), đối chiếu với phương pháp căn bậc hai nghịch đảo. Đề tài dùng hồi quy trong SPSS thì đổi phương pháp ở Máy tính cỡ mẫu.

Câu hỏi thường gặp

Khi nào ghi “cùng chiều”, khi nào “ngược chiều”?

Theo lý thuyết và nghiên cứu trước: biến này tăng thì biến kia tăng là cùng chiều (tích cực); tăng thì giảm là ngược chiều (tiêu cực), ví dụ rủi ro cảm nhận làm giảm ý định mua. Chiều của giả thuyết phải khớp dấu hệ số bạn kỳ vọng ở chương 4; giả thuyết bị bác bỏ khi hệ số không có ý nghĩa thống kê hoặc ngược dấu.

Biến điều tiết vẽ thế nào?

Kéo chấm tròn bên phải ô W thả vào giữa mũi tên X → Y (chi tiết ở mục Biến điều tiết bên trên). Cách chọn kỹ thuật kiểm định trung gian, điều tiết xem ở Chọn phương pháp phân tích.

Biến kiểm soát có cần giả thuyết không?

Không. Biến kiểm soát được đưa vào để loại bớt cách giải thích khác; báo cáo hệ số của nó cạnh các giả thuyết, không kết luận “ủng hộ” hay “bác bỏ”.

Có nên thêm giả thuyết trung gian?

Chỉ khi đề tài thật sự muốn kiểm định tác động gián tiếp. Khi đó báo cáo tác động gián tiếp bằng bootstrap thay cho các bước của Baron và Kenny (Zhao và cộng sự, 2010). Bỏ dấu tích “Thêm giả thuyết trung gian” nếu không cần.

Công cụ báo mô hình có vòng lặp?

A → B → C → A là mô hình không đệ quy; PLS-SEM và hồi quy thông thường không ước lượng được. Bỏ một mũi tên trong vòng, thường là mũi tên ít cơ sở lý thuyết nhất.

Dữ liệu mô hình có được gửi đi đâu không?

Không. Mọi thứ chạy trong trình duyệt; mô hình (kể cả vị trí các ô) được lưu trong đường link (nút Link trên thanh công cụ) và bộ nhớ của trình duyệt để lần sau mở lại.

Tài liệu tham khảo

• Aguinis, H., Beaty, J. C., Boik, R. J., & Pierce, C. A. (2005). Effect size and power in assessing moderating effects of categorical variables using multiple regression: A 30-year review. Journal of Applied Psychology, 90(1), 94–107. https://doi.org/10.1037/0021-9010.90.1.94
• Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5–6), 359–394. https://doi.org/10.1016/j.lrp.2012.10.001
• Becker, J.-M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects in PLS-SEM and PLSc-SEM: Interaction term generation*data treatment. Journal of Applied Structural Equation Modeling, 2(2), 1–21. https://doi.org/10.47263/JASEM.2(2)01
• Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. https://doi.org/10.1037/0033-2909.112.1.155
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
• Fritz, M. S., & MacKinnon, D. P. (2007). Required sample size to detect the mediated effect. Psychological Science, 18(3), 233–239. https://doi.org/10.1111/j.1467-9280.2007.01882.x
• 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.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304
• Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods.Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131
• Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211. https://doi.org/10.1016/j.ausmj.2019.05.003
• 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