Bootstrap SmartPLS là thủ tục lấy mẫu lặp có hoàn lại từ chính dữ liệu của bạn, thường từ 5.000 đến 10.000 lần, để ước lượng sai số chuẩn, giá trị t, p và khoảng tin cậy cho từng hệ số. Vì PLS-SEM không giả định dữ liệu phân phối chuẩn, đây là cách chính để kết luận một giả thuyết có được dữ liệu ủng hộ hay không.
Bài viết đi qua bốn việc: hiểu bootstrap kiểm định những gì, thiết lập hộp thoại trong SmartPLS 4, đọc đúng từng cột kết quả và viết câu báo cáo. Bạn cũng sẽ biết cách đọc tác động gián tiếp, phần mà nhiều luận văn trình bày còn thiếu căn cứ.
Tóm tắt nhanh: dùng ít nhất 5.000 mẫu con, kiểm định hai phía nếu giả thuyết không nêu chiều, và cố định hạt giống ngẫu nhiên để tái lập.
Kết luận dựa trên cả giá trị p lẫn khoảng tin cậy; khoảng không chứa 0 thì hệ số có ý nghĩa ở mức đã chọn.
Mục đích của bootstrap SmartPLS
PLS-SEM ước lượng hệ số nhưng không tự cho sai số chuẩn theo công thức như hồi quy thông thường. Bootstrap giải quyết việc này bằng cách tạo nhiều mẫu con cùng cỡ với mẫu gốc, ước lượng lại mô hình trên từng mẫu và lấy độ phân tán của các hệ số làm sai số chuẩn. Hair và cộng sự (2022) xem đây là bước bắt buộc trong đánh giá mô hình.
Bootstrap SmartPLS kiểm định được những gì?
- Hệ số đường dẫn: căn cứ chính để kết luận các giả thuyết về quan hệ trực tiếp.
- Tác động gián tiếp và tổng: dùng cho giả thuyết trung gian.
- Trọng số ngoài của thang đo nguyên nhân (formative).
- Khoảng tin cậy của HTMT: bổ sung bằng chứng cho giá trị phân biệt.
- R² và f²: kiểm tra mức giải thích có khác 0 một cách có ý nghĩa hay không.
Thiết lập bootstrap SmartPLS 4
Trong SmartPLS 4, bạn chọn Calculate, sau đó chọn Bootstrapping và điền các thông số trong hộp thoại. Tên mục có thể khác đôi chút giữa các phiên bản, nên hãy đối chiếu tài liệu hướng dẫn của SmartPLS nếu giao diện của bạn không giống mô tả dưới đây.
| Thiết lập | Lựa chọn gợi ý | Lý do |
|---|---|---|
| Subsamples | 5.000 khi thử, 10.000 cho kết quả cuối | Hair và cộng sự (2022) khuyến nghị số mẫu con lớn để ổn định |
| Amount of results | Complete khi cần tác động gián tiếp | Bản rút gọn có thể thiếu một số bảng |
| Confidence interval method | Percentile bootstrap | Phương án được Hair và cộng sự (2022) khuyến nghị |
| Test type | Two tailed, trừ khi giả thuyết có chiều | Thận trọng hơn, phổ biến trong luận văn |
| Significance level | 0,05 | Mức quy ước, đổi nếu giảng viên yêu cầu |
| Random number generator | Fixed seed | Chạy lại cho ra đúng kết quả cũ |
Số mẫu con bao nhiêu là đủ?
Số mẫu con càng lớn, kết quả càng ổn định giữa các lần chạy, đổi lại thời gian tính lâu hơn. Mốc 5.000 phù hợp khi bạn còn điều chỉnh mô hình. Ở lần chạy cuối dùng cho luận văn, 10.000 mẫu con là lựa chọn an toàn và bạn cần ghi rõ con số này trong phần phương pháp.
Loại khoảng tin cậy và loại kiểm định
SmartPLS 4 cho chọn khoảng tin cậy percentile, studentized hoặc hiệu chỉnh sai lệch và gia tốc (BCa). Percentile là lựa chọn mặc định hợp lý cho đa số luận văn. Dù chọn loại nào, hãy dùng thống nhất cho mọi hệ số và nêu tên phương pháp khi báo cáo.
Một phía hay hai phía?
Kiểm định một phía chỉ hợp lý khi giả thuyết nêu rõ chiều tác động và bạn có cơ sở lý thuyết mạnh. Nhiều giảng viên vẫn ưu tiên hai phía vì thận trọng hơn. Đừng đổi từ hai phía sang một phía sau khi thấy p gần 0,05, vì đó là một dạng điều chỉnh phân tích theo kết quả mong muốn.
Đọc hệ số, giá trị t và p trong kết quả bootstrap SmartPLS
Bảng Path coefficients của báo cáo bootstrap có năm cột chính. Original sample (O) là hệ số ước lượng trên mẫu gốc, con số bạn báo cáo. Sample mean (M) là trung bình hệ số qua các mẫu con. Standard deviation (STDEV) chính là sai số chuẩn bootstrap.
T statistics là tỷ số giữa hệ số gốc và độ lệch chuẩn, còn P values là xác suất tương ứng. Với kiểm định hai phía ở mức 5%, t lớn hơn 1,96 tương đương p nhỏ hơn 0,05. Khi O và M chênh nhau nhiều, hãy xem lại dữ liệu ngoại lai hoặc cỡ mẫu, vì phân phối bootstrap có thể đang lệch.
Một lưu ý quan trọng là giá trị p chỉ trả lời câu hỏi hệ số có khác 0 hay không. Độ lớn và ý nghĩa thực tiễn của quan hệ phải đọc từ hệ số gốc và f², như trình bày trong bài đánh giá mô hình cấu trúc trên SmartPLS.
Đọc khoảng tin cậy và tác động trung gian
Mục Confidence intervals hiển thị cận dưới 2,5% và cận trên 97,5% cho khoảng tin cậy 95%. Nếu cả hai cận cùng dấu, khoảng không chứa 0 và hệ số có ý nghĩa. Nếu chọn BCa, bạn đọc ở mục Confidence intervals bias corrected thay vì mục thông thường.
Đọc khoảng tin cậy của HTMT
Với HTMT, bạn không xét khoảng có chứa 0 mà xét cận trên có thấp hơn 1 hoặc thấp hơn ngưỡng 0,85 hay 0,90 theo Henseler và cộng sự (2015). Cách diễn giải này bổ trợ cho bước giá trị phân biệt trong quy trình đánh giá mô hình đo lường PLS-SEM.
Kiểm định tác động gián tiếp
Tác động trung gian được đọc ở bảng Specific indirect effects của kết quả bootstrap SmartPLS. Theo cách phân loại của Zhao và cộng sự (2010) mà Hair và cộng sự (2022) sử dụng, nếu cả tác động gián tiếp và trực tiếp đều có ý nghĩa, đó là trung gian bổ sung hoặc cạnh tranh tùy dấu. Nếu chỉ tác động gián tiếp có ý nghĩa, đó là trung gian toàn phần.
Báo cáo kết quả bootstrap SmartPLS
Thông tin về bootstrap nằm rải rác ở hai chương, nên bạn cần kiểm tra cả hai nơi:
- Chương phương pháp: số mẫu con, loại khoảng tin cậy, loại kiểm định, mức ý nghĩa và cách xử lý hạt giống ngẫu nhiên.
- Chương kết quả: bảng gồm hệ số gốc, độ lệch chuẩn, t, p và khoảng tin cậy 95% cho từng giả thuyết.
- Kết luận giả thuyết: ghi ủng hộ hay không ủng hộ, kể cả với những quan hệ trái kỳ vọng.
Mẫu câu tham khảo: “Kết quả bootstrap SmartPLS với 10.000 mẫu con, kiểm định hai phía, cho thấy tác động của [biến A] đến [biến B] có ý nghĩa thống kê (β = [giá trị], t = [giá trị], p = [giá trị]; khoảng tin cậy 95% từ [a] đến [b]). Giả thuyết H2 vì vậy được dữ liệu ủng hộ.”
Kinh nghiệm từ Luận Văn 360: khi đối chiếu bảng giả thuyết với file kết quả, chúng tôi hay gặp trường hợp số liệu lấy từ các lần chạy khác nhau do không cố định hạt giống.
Hãy xuất toàn bộ báo cáo của lần chạy cuối, lưu kèm file dự án và chỉ lấy số từ đúng báo cáo đó.
Nếu bảng của bạn có kết quả khó giải thích, chẳng hạn hệ số đổi dấu so với giả thuyết, dịch vụ tư vấn phân tích SmartPLS của Luận Văn 360 có thể cùng bạn rà lại thiết lập và cách diễn giải. Kết quả được giữ đúng như dữ liệu phản ánh, không điều chỉnh để giả thuyết được ủng hộ.
Câu hỏi thường gặp
Mỗi lần chạy cho giá trị p khác nhau là lỗi?
Không phải lỗi, vì mẫu con được rút ngẫu nhiên. Với số mẫu con đủ lớn, khác biệt thường rất nhỏ. Chọn Fixed seed giúp bạn và người kiểm tra tái lập đúng kết quả đã báo cáo.
Giá trị p bằng 0,000 thì ghi thế nào?
Theo quy ước trình bày phổ biến như APA, bạn nên ghi p < 0,001 thay vì p = 0,000, vì xác suất không thể bằng đúng 0.
Kết luận
Bootstrap SmartPLS là bước quyết định kết luận về giả thuyết, nên cần được thiết lập có chủ đích: đủ mẫu con, chọn loại khoảng tin cậy và loại kiểm định trước khi xem kết quả, cố định hạt giống để tái lập. Khi đọc, hãy kết hợp giá trị p, khoảng tin cậy và độ lớn hệ số thay vì chỉ nhìn một cột.
Để rà soát toàn bộ chương kết quả, bạn có thể dùng checklist báo cáo kết quả PLS-SEM. Nếu cần một lượt góp ý độc lập trước buổi bảo vệ, hãy tìm hiểu dịch vụ phân tích dữ liệu bằng SmartPLS của Luận Văn 360.
