Đánh giá mô hình cấu trúc SmartPLS gồm năm việc chính: kiểm tra đa cộng tuyến giữa các biến tiềm ẩn, kiểm định ý nghĩa của hệ số đường dẫn, xem mức độ giải thích R², đo quy mô tác động f² và đánh giá khả năng dự báo ngoài mẫu. Bạn chỉ nên bắt đầu khi thang đo đã đạt độ tin cậy và giá trị, vì đường dẫn dựa trên thang đo yếu sẽ khó diễn giải.
Bài viết trình bày từng chỉ số theo thứ tự mà Hair và cộng sự (2022) khuyến nghị, chỉ ra bảng tương ứng trong SmartPLS 4 và cách diễn giải cho đúng. Phần cuối có mẫu bảng kiểm định giả thuyết cùng các lỗi hay làm hội đồng đặt câu hỏi.
Tóm tắt nhanh: thứ tự đọc là VIF, hệ số đường dẫn kèm bootstrap, R², f², rồi PLSpredict.
Một giả thuyết được ủng hộ khi hệ số đúng dấu kỳ vọng và khoảng tin cậy không chứa 0, không chỉ nhìn giá trị p.
Điều kiện trước khi đánh giá mô hình cấu trúc SmartPLS
Mô hình cấu trúc (inner model) mô tả quan hệ giữa các khái niệm theo giả thuyết. Trước khi đọc nó, hãy chắc rằng bạn đã hoàn tất quy trình đánh giá mô hình đo lường PLS-SEM và ghi lại các biến đã loại. Sau đó, bạn cần hai lần chạy:
- PLS-SEM algorithm: cho hệ số đường dẫn, R², f² và VIF của mô hình bên trong.
- Bootstrapping: cho sai số chuẩn, giá trị t, p và khoảng tin cậy để kết luận về giả thuyết.
- PLSpredict: cho các chỉ số dự báo ngoài mẫu như Q²predict, RMSE và MAE.
Kiểm tra đa cộng tuyến giữa các biến tiềm ẩn
Hệ số đường dẫn được ước lượng bằng hồi quy giữa các khái niệm. Nếu hai biến độc lập cùng trỏ vào một biến phụ thuộc lại tương quan quá cao, hệ số có thể đổi dấu hoặc mất ý nghĩa một cách khó hiểu. Đó là lý do bước này đứng đầu quy trình.
Đọc bảng Collinearity statistics (VIF)
Trong báo cáo của SmartPLS 4, mục Collinearity statistics (VIF) có hai phần cho mô hình ngoài và mô hình trong. Bạn chỉ cần phần Inner model cho bước này. Theo Hair và cộng sự (2022), VIF dưới 3 là lý tưởng, từ 3 đến 5 có thể có vấn đề, còn từ 5 trở lên là mức nghiêm trọng cần xử lý.
Xử lý khi VIF cao
VIF cao hiếm khi được giải quyết bằng một thao tác kỹ thuật đơn lẻ. Bạn nên cân nhắc lần lượt các hướng sau:
- Rà soát nội dung: xem hai khái niệm có trùng ý không, thường lộ ra khi HTMT giữa chúng cũng cao.
- Gộp khái niệm: nếu lý thuyết cho phép, ghép chúng thành một khái niệm bậc cao.
- Loại một biến độc lập: chỉ dùng khi có lập luận rõ ràng, vì cách này thay đổi mô hình đã đăng ký trong đề cương.
Đánh giá quan hệ giả thuyết
Hệ số đường dẫn chuẩn hóa thường nằm trong khoảng từ -1 đến +1, càng xa 0 thì quan hệ càng mạnh. Tuy nhiên, độ lớn chỉ có ý nghĩa khi đi kèm kiểm định thống kê. Vì PLS-SEM không giả định phân phối chuẩn, kiểm định này dựa vào bootstrap thay vì công thức sai số chuẩn thông thường.
Hệ số đường dẫn và ý nghĩa thống kê
Sau khi chạy bootstrap, mở bảng Path coefficients để xem hệ số gốc, giá trị t và p. Với kiểm định hai phía ở mức 5%, giá trị t lớn hơn 1,96 tương ứng với p nhỏ hơn 0,05. Cách đọc chi tiết từng cột và khoảng tin cậy có trong bài hướng dẫn đọc kết quả bootstrap SmartPLS.
Tác động trực tiếp, gián tiếp và tổng
Khi mô hình có biến trung gian, hãy xem thêm bảng Specific indirect effects và Total effects. Tác động gián tiếp có ý nghĩa khi khoảng tin cậy bootstrap của nó không chứa 0. Báo cáo đủ ba loại tác động giúp người đọc thấy biến trung gian đóng vai trò bổ sung hay thay thế cho đường dẫn trực tiếp.
Mức độ giải thích và khả năng dự báo
Một mô hình có nhiều giả thuyết được ủng hộ vẫn có thể giải thích rất ít biến thiên của biến phụ thuộc. Vì vậy, đánh giá mô hình cấu trúc SmartPLS không dừng ở giá trị p mà cần thêm ba nhóm chỉ số dưới đây.
Hệ số xác định R² và quy mô tác động f²
R² cho biết tỷ lệ phương sai của biến phụ thuộc được giải thích bởi các biến trỏ vào nó. Hair và cộng sự (2011) gợi ý các mốc 0,75, 0,50 và 0,25 tương ứng mức mạnh, trung bình và yếu, nhưng mức chấp nhận được phụ thuộc lĩnh vực. Chỉ số f² đo mức R² giảm đi khi bỏ một biến độc lập, với mốc 0,02, 0,15 và 0,35 theo Cohen (1988).
PLSpredict và Q²predict
R² chỉ phản ánh khả năng giải thích trong mẫu. Để biết mô hình dự báo tốt đến đâu với dữ liệu mới, SmartPLS 4 cung cấp PLSpredict theo đề xuất của Shmueli và cộng sự (2019). Q²predict lớn hơn 0 cho thấy mô hình dự báo tốt hơn việc chỉ dùng giá trị trung bình.
Đọc so sánh sai số với mô hình LM
Tiếp theo, so sánh RMSE hoặc MAE của từng biến quan sát thuộc biến phụ thuộc chính giữa PLS-SEM và mô hình hồi quy tuyến tính chuẩn (LM). Nếu PLS-SEM cho sai số thấp hơn ở tất cả biến, khả năng dự báo cao; ở đa số biến là trung bình; ở thiểu số biến là thấp. Nếu không có biến nào thấp hơn, mô hình thiếu khả năng dự báo.
Trình bày kết quả mô hình cấu trúc SmartPLS
Bảng dưới đây gom các ngưỡng tham khảo để bạn đối chiếu nhanh. Các mốc này mang tính định hướng và bạn vẫn cần kiểm tra yêu cầu của giảng viên hoặc tạp chí.
| Chỉ số | Bảng trong SmartPLS 4 | Ngưỡng tham khảo | Nguồn |
|---|---|---|---|
| VIF mô hình trong | Collinearity statistics, Inner model | < 3 lý tưởng, ≥ 5 nghiêm trọng | Hair và cộng sự (2022) |
| Hệ số đường dẫn | Path coefficients (bootstrap) | p < 0,05, khoảng tin cậy không chứa 0 | Hair và cộng sự (2022) |
| R² | R-square | 0,25 / 0,50 / 0,75 | Hair và cộng sự (2011) |
| f² | f-square | 0,02 / 0,15 / 0,35 | Cohen (1988) |
| Q²predict | PLSpredict | > 0 | Shmueli và cộng sự (2019) |
Bảng kiểm định giả thuyết nên có những cột nào?
Một bảng giả thuyết đầy đủ thường gồm: mã giả thuyết, đường dẫn, hệ số gốc, độ lệch chuẩn, giá trị t, giá trị p, khoảng tin cậy 95%, f² và kết luận ủng hộ hay không ủng hộ. Hãy đặt R² và Q²predict của từng biến phụ thuộc ngay dưới bảng hoặc trên sơ đồ đường dẫn để người đọc nhìn một lần là đủ.
Mẫu câu tham khảo: “Kết quả bootstrap với [số] mẫu con cho thấy [biến độc lập] tác động cùng chiều đến [biến phụ thuộc] (β = [giá trị], p = [giá trị], khoảng tin cậy 95% từ [a] đến [b]), do đó H1 được ủng hộ. Các biến độc lập giải thích [giá trị]% phương sai của [biến phụ thuộc].”
Kinh nghiệm từ Luận Văn 360: nhiều chương kết quả chúng tôi đọc chỉ có bảng p và kết luận chấp nhận hay bác bỏ, bỏ qua f² và khả năng dự báo.
Hội đồng thường hỏi biến nào quan trọng nhất về mặt thực tiễn; f² và hệ số đường dẫn mới là căn cứ trả lời, không phải giá trị p nhỏ nhất.
Nếu bạn muốn có người đọc lại cách diễn giải R², f² hay PLSpredict trước khi gửi giảng viên, dịch vụ hỗ trợ phân tích SmartPLS của Luận Văn 360 có thể góp ý trên chính file kết quả của bạn. Mọi điều chỉnh do bạn quyết định và dữ liệu không bị thay đổi để đổi kết quả.
Lỗi thường gặp khi đọc mô hình cấu trúc
Dùng SRMR như chỉ số phù hợp bắt buộc
SmartPLS 4 có báo cáo SRMR và nhiều bài dùng mốc dưới 0,08. Tuy nhiên, Hair và cộng sự (2022) lưu ý các chỉ số phù hợp tổng thể trong PLS-SEM vẫn còn tranh luận, nên chỉ nên báo cáo thận trọng. Nếu bạn cần so sánh với cách đọc chỉ số phù hợp ở CB-SEM, hãy xem bài ngưỡng CFI, TLI và RMSEA.
Diễn giải R² thấp là mô hình sai
R² khoảng 0,25 vẫn có thể hợp lý với hành vi tiêu dùng hay thái độ, nơi có nhiều yếu tố ngoài mô hình. Hãy so với các nghiên cứu cùng chủ đề thay vì áp cứng mốc chung, và thừa nhận các biến chưa đưa vào ở phần hạn chế.
Kết luận
Đánh giá mô hình cấu trúc SmartPLS đúng cách nghĩa là đọc đủ năm nhóm chỉ số theo thứ tự, không chỉ dừng ở giá trị p. Hãy kiểm tra VIF trước, kết luận giả thuyết bằng bootstrap, rồi bổ sung R², f² và PLSpredict để cho thấy mô hình vừa giải thích vừa dự báo được. Mô tả chi tiết các thuật toán có trong tài liệu chính thức của SmartPLS.
Trước khi nộp chương 4, bạn có thể soát lại toàn bộ bằng bảng kiểm trình bày kết quả PLS-SEM. Khi cần một góc nhìn độc lập về cách trình bày, hãy tham khảo dịch vụ phân tích dữ liệu bằng SmartPLS của Luận Văn 360.
