CB-SEM và PLS-SEM đều là phương pháp mô hình cấu trúc tuyến tính, nhưng khác nhau ở mục tiêu ước lượng. CB-SEM tìm tham số để ma trận hiệp phương sai của mô hình khớp nhất với dữ liệu, phù hợp kiểm định lý thuyết. PLS-SEM tối đa hóa phương sai được giải thích của biến phụ thuộc, thiên về giải thích và dự báo.
Bài viết so sánh hai phương pháp theo mục tiêu phân tích, đặc điểm dữ liệu, loại thang đo và giới hạn khi diễn giải. Cuối bài có gợi ý cách viết đoạn lập luận lựa chọn phương pháp trong chương 3, phần mà hội đồng thường hỏi kỹ.
Tóm tắt nhanh: nếu mục tiêu là xác nhận một lý thuyết đã có và cần chỉ số phù hợp tổng thể, CB-SEM thường phù hợp hơn.
Nếu mô hình phức tạp, có thang đo nguyên nhân hoặc trọng tâm là dự báo, PLS-SEM là lựa chọn có cơ sở; cỡ mẫu nhỏ không phải lý do đủ mạnh.
CB-SEM và PLS-SEM khác nhau ở mục tiêu phân tích
Sự khác biệt gốc rễ nằm ở cách mỗi phương pháp định nghĩa khái niệm tiềm ẩn. CB-SEM xem khái niệm là nhân tố chung đứng sau phần phương sai chung của các biến quan sát. PLS-SEM xây khái niệm như tổ hợp có trọng số của các biến, gọi là mô hình tổng hợp (composite). Từ đây, mục tiêu và cách đọc kết quả rẽ theo hai hướng khác nhau.
CB-SEM: xác nhận lý thuyết
CB-SEM, thường thực hiện bằng AMOS, LISREL hoặc gói lavaan trong R, phù hợp khi bạn muốn kiểm tra một lý thuyết có tái tạo được cấu trúc dữ liệu hay không. Kết quả trung tâm là các chỉ số phù hợp như chi bình phương, CFI hay RMSEA. Nếu bạn đi theo hướng này, bài quy trình CFA bằng AMOS là bước khởi đầu nên đọc.
PLS-SEM: giải thích và dự báo
PLS-SEM, phổ biến nhất qua SmartPLS, ước lượng từng phần mô hình theo các vòng lặp hồi quy. Phương pháp này không cố tái tạo ma trận hiệp phương sai, nên trọng tâm đánh giá là R², f² và khả năng dự báo ngoài mẫu. Hair và cộng sự (2019) mô tả PLS-SEM là cách tiếp cận dung hòa giữa giải thích và dự báo.
Đặc điểm dữ liệu và mô hình
Bảng dưới đây tóm tắt sáu tiêu chí phân biệt CB-SEM và PLS-SEM thường được nhắc trong tài liệu phương pháp. Mỗi dòng là xu hướng chung, không phải quy tắc tuyệt đối.
| Tiêu chí | CB-SEM | PLS-SEM |
|---|---|---|
| Mục tiêu chính | Kiểm định, xác nhận lý thuyết | Giải thích phương sai, dự báo |
| Cách hiểu khái niệm | Nhân tố chung | Tổ hợp có trọng số |
| Phân phối dữ liệu | Ước lượng ML giả định chuẩn đa biến | Không giả định, kiểm định bằng bootstrap |
| Thang đo nguyên nhân | Khó đưa vào, cần điều kiện nhận dạng | Xử lý trực tiếp |
| Đánh giá tổng thể | Chi bình phương, CFI, RMSEA, SRMR | R², f², Q²predict; chỉ số phù hợp còn tranh luận |
| Phần mềm phổ biến | AMOS, LISREL, lavaan | SmartPLS, seminr |
Cỡ mẫu và phân phối
PLS-SEM chạy được với mẫu nhỏ hơn, nhưng điều đó không có nghĩa là kết quả đáng tin với mọi cỡ mẫu. Mẫu nhỏ vẫn làm giảm năng lực thống kê và khiến khoảng tin cậy rộng. Hair và cộng sự (2022) khuyên xác định cỡ mẫu bằng phân tích năng lực thống kê hoặc phương pháp căn bậc hai nghịch đảo của Kock và Hadaya (2018).
Quy tắc 10 lần còn dùng được không?
Quy tắc mười lần số mũi tên lớn nhất trỏ vào một khái niệm từng phổ biến, nhưng các nghiên cứu mô phỏng cho thấy nó thường đánh giá thấp cỡ mẫu cần thiết. Bạn có thể nhắc đến quy tắc này như mốc tối thiểu, nhưng nên kèm thêm một căn cứ khác để lập luận chặt chẽ hơn.
Loại thang đo và độ phức tạp mô hình
Với mô hình có nhiều khái niệm, nhiều biến trung gian hoặc khái niệm bậc cao, PLS-SEM thường hội tụ ổn định hơn. Thang đo nguyên nhân cũng được xử lý trực tiếp mà không cần thêm điều kiện nhận dạng như ở CB-SEM. Quy trình đánh giá loại thang đo này được nêu trong bài đánh giá thang đo trong PLS-SEM.
Tiêu chí lựa chọn giữa CB-SEM và PLS-SEM
Lựa chọn nên bắt đầu từ câu hỏi nghiên cứu, không phải từ phần mềm bạn đã quen. Hãy tự trả lời lần lượt các câu dưới đây và ghi lại lập luận ngay khi viết đề cương:
- Mục tiêu: bạn kiểm định một lý thuyết đã có hay khám phá, mở rộng mô hình và dự báo?
- Thang đo: mô hình có khái niệm đo theo kiểu nguyên nhân không?
- Độ phức tạp: có nhiều khái niệm, biến trung gian hay khái niệm bậc cao không?
- Dữ liệu: phân phối có lệch mạnh, cỡ mẫu có đủ cho ước lượng ML không?
- Yêu cầu đầu ra: giảng viên hoặc tạp chí có yêu cầu chỉ số phù hợp tổng thể không?
Nếu phần lớn câu trả lời nghiêng về xác nhận lý thuyết và chỉ số phù hợp, CB-SEM là lựa chọn tự nhiên. Ngược lại, khi trọng tâm là giải thích biến phụ thuộc hoặc mô hình có thang đo nguyên nhân, PLS-SEM có cơ sở vững hơn. Cũng có nghiên cứu dùng cả hai để kiểm tra độ vững, miễn là nêu rõ mục đích.
Giới hạn khi diễn giải kết quả
Cả CB-SEM và PLS-SEM đều có điểm mù riêng, và hội đồng thường hỏi đúng vào chỗ đó. Hiểu giới hạn giúp bạn viết phần thảo luận thận trọng và trả lời phản biện có căn cứ.
Chỉ số phù hợp mô hình
Ở CB-SEM, Hu và Bentler (1999) đề xuất CFI khoảng 0,95 trở lên và RMSEA khoảng 0,06 trở xuống, dù nhiều nghiên cứu dùng mốc nới lỏng hơn. Ở PLS-SEM, SRMR có được báo cáo nhưng không giữ vai trò như ở CB-SEM. Cách đọc nhóm chỉ số này có trong bài đọc chỉ số phù hợp mô hình SEM.
Sai lệch ước lượng và PLSc
Khi lý thuyết xem khái niệm là nhân tố chung nhưng lại dùng PLS-SEM thông thường, hệ số tải có xu hướng bị ước lượng cao và hệ số đường dẫn bị ước lượng thấp. Dijkstra và Henseler (2015) đề xuất PLS nhất quán (PLSc) để hiệu chỉnh sai lệch này. SmartPLS 4 có sẵn thuật toán PLSc nếu bạn cần.
Lập luận lựa chọn phương pháp trong chương 3
Một đoạn lập luận thuyết phục thường có bốn thành phần:
- Mục tiêu nghiên cứu: kiểm định, giải thích hay dự báo.
- Đặc điểm mô hình: số khái niệm, loại thang đo, biến trung gian hoặc bậc cao.
- Đặc điểm dữ liệu: cỡ mẫu và phân phối, đóng vai trò lý do bổ sung.
- Nguồn phương pháp: trích dẫn tài liệu kinh điển làm căn cứ.
Mẫu câu tham khảo: “Nghiên cứu sử dụng PLS-SEM vì mục tiêu là giải thích và dự báo [biến phụ thuộc], mô hình có [số] khái niệm, trong đó [tên khái niệm] được đo theo kiểu nguyên nhân (Hair và cộng sự, 2019).”
Kinh nghiệm từ Luận Văn 360: lý do hay gặp nhất trong các bản thảo chúng tôi đọc là “chọn PLS-SEM vì cỡ mẫu nhỏ và dữ liệu không chuẩn”.
Hội đồng thường không thấy thuyết phục nếu chỉ có lý do đó. Hãy đặt mục tiêu nghiên cứu và đặc điểm mô hình lên trước, xem đặc điểm dữ liệu là lý do bổ sung.
Nếu bạn đang phân vân giữa hai phương pháp cho đề cương, dịch vụ tư vấn phân tích dữ liệu SmartPLS của Luận Văn 360 có thể giúp bạn đối chiếu mô hình với từng tiêu chí. Quyết định cuối cùng và lập luận trong luận văn vẫn do bạn chịu trách nhiệm.
Câu hỏi thường gặp về CB-SEM và PLS-SEM
Có thể chuyển từ AMOS sang SmartPLS khi chỉ số phù hợp không đạt?
Về kỹ thuật thì được, nhưng đổi phương pháp chỉ để có kết quả đẹp hơn là cách làm thiếu minh bạch. Nếu thay đổi, hãy giải thích lý do học thuật và báo cáo trung thực kết quả của cả hai cách.
PLS-SEM có dùng được cho nghiên cứu kiểm định lý thuyết không?
Có, PLS-SEM vẫn kiểm định được các giả thuyết về quan hệ. Điểm khác là bạn không có bộ chỉ số phù hợp tổng thể vững như CB-SEM, nên cần nhấn mạnh khả năng giải thích và dự báo.
Kết luận
CB-SEM và PLS-SEM không thay thế nhau mà phục vụ hai mục tiêu khác nhau. Hãy chọn dựa trên câu hỏi nghiên cứu, loại thang đo, độ phức tạp mô hình và yêu cầu đầu ra, rồi viết lập luận rõ ràng trong chương phương pháp. Thông tin về phần mềm có thể tham khảo tại trang IBM SPSS Amos và tài liệu của SmartPLS.
Nếu đã chọn PLS-SEM, bước tiếp theo là đọc hướng dẫn đánh giá mô hình cấu trúc trên SmartPLS. Khi cần góp ý độc lập cho mô hình của mình, hãy tìm hiểu dịch vụ phân tích dữ liệu bằng SmartPLS của Luận Văn 360.
