1. Giới thiệu mô hình cấu trúc PLS-SEM
CB-SEM đã được áp dụng rộng rãi trong lĩnh vực khoa học xã hội trong nhiều thập kỷ qua, và vẫn là phương pháp phân tích dữ liệu được ưa thích hiện nay để xác nhận hoặc bác bỏ các lý thuyết thông qua kiểm tra giả thuyết, đặc biệt là khi kích thước mẫu lớn, dữ liệu thường là phân phối chuẩn, và quan trọng nhất, mô hình được chỉ định chính xác. Đó là, các biến thích hợp được chọn và liên kết với nhau trong quá trình chuyển đổi lý thuyết thành mô hình phương trình cấu trúc (Hair, Ringle, & Smarted, 2011; Hwang và cộng sự, 2010; Reinartz, Haenlein, & Henreler, 2009). Tuy nhiên, nhiều học viên và nhà nghiên cứu lưu ý rằng, trong thực tế, thường rất khó tìm thấy một bộ dữ liệu đáp ứng các yêu cầu này. Hơn nữa, mục tiêu nghiên cứu có thể là khám phá, trong đó chúng ta biết rất ít về các mối quan hệ tồn tại giữa các biến. Trong trường hợp này, các nhà nghiên cứu có thể xem xét PLS.
Phân tích bình phương nhỏ nhất một phần (Partial least squares-PLS) đã được phát triển bởi Herman Wold (Wold, 1975, 1985) cho kinh tế lượng và hóa học. Sau đó, nó đã được mở rộng bởi Johmoller (1988), PLS đã lan rộng sang nghiên cứu về giáo dục (ví dụ, Campbell & Yates, 2011), marketing (ví dụ, Albers, 2010, Henseler và cộng sự, 2009), và khoa học xã hội (ví dụ, Jacobs và cộng sự, 2011), khoa học hành vi (ví dụ, Bass và cộng sự, 2003), hệ thống thông tin quản lý (ví dụ: Ringle và cộng sự, 2012), quản trị chiến lược kinh doanh (ví dụ, Hair và cộng sự, 2012), quản trị kinh doanh quốc tế (ví dụ: Richter và cộng sự, 2016), và quản trị nguồn nhân lực (ví dụ: Ringle và cộng sự., 2018). PLS-SEM đang phát triển như một kỹ thuật mô hình thống kê, và hiện nay có rất nhiều sách, tài liệu giới thiệu về phương pháp này.
Cũng như CB-SEM, PLS-SEM là một kỹ thuật phân tích thay thế cho hồi quy OLS. Tuy nhiên, khác với CB-SEM, PLS-SEM ước lượng các tham số của mô hình dựa trên ma trận phương sai. PLS-SEM là phương pháp được ưa thích đối với nhà nghiên cứu khi mục tiêu nghiên cứu của họ là phát triển lý thuyết và giải thích sự thay đổi của biến phụ thuộc. Ở PLS-SEM, sự tối đa hóa phương sai được giải thích thay vì giảm thiểu sự khác biệt giữa các ma trận hiệp phương sai như CB-SEM.
2. So sánh PLS-SEM và CB-SEM
Phần so sánh giữa PLS-SEM và CB-SEM ở dưới được tổng hợp và trích dẫn từ các công trình của Hsu et al. 2006; Henseler et al. 2009; Hair et al. 2011; Hair et al. 2014.
| CB-SEM (Covariance-Based SEM) | PLS-SEM (Partial Least Squares SEM) |
|---|---|
| Phương pháp xử lý SEM được áp dụng rộng rãi từ trước đến nay | Phương pháp được sử dụng phổ biến trong những năm gần đây |
| Rất phù hợp với các nghiên cứu khẳng định lý thuyết nghiên cứu. | Phù hợp cho các nghiên cứu khám phá, nghiên cứu có nền tảng lý thuyết chưa phát triển. Tuy nhiên, vẫn có thể áp dụng được cho nghiên cứu khẳng định. |
| Biến tiềm ẩn (construct) không được biết đến và cũng không cần thiết trong ước lượng tham số của mô hình. Biến tiềm ẩn và mối quan hệ các biến tiềm ẩn sẽ được xây dựng dựa trên ma trận hiệp phương sai của biến quan sát thuộc biến tiềm ẩn đó và biến quan sát thuộc các biến tiềm ẩn khác. | Biến tiềm ẩn (construct) được hình thành dựa trên trọng số của các biến quan sát của thuộc biến tiềm ẩn đó. |
| Yêu cầu dữ liệu phải có phân phối chuẩn hoặc xấp xỉ chuẩn. | Là phương pháp xử lý phi tham số, có thể xử lý tốt dữ liệu có hoặc không có phân phối chuẩn. |
| Yêu cầu cỡ mẫu lớn, thường tối thiểu là 200. | Cỡ mẫu lớn nhỏ đều có thể xử lý tốt, cỡ mẫu tối thiểu thường là 50. |
| Chỉ xử lý được mô hình đo lường dạng kết quả reflective, không xử lý được dạng mô hình đo lường nguyên nhân formative. | Xử lý tốt cả mô hình đo lường dạng kết quả reflective và mô hình đo lường nguyên nhân formative. |
| Đánh giá được độ phù hợp mô hình tổng thể (good of fitness) với rất nhiều chỉ số thống kê quan trọng, nhờ đó đánh giá rất tốt mô hình so với lý thuyết. | Khả năng đánh giá độ phù hợp mô hình tổng thể thấp nên việc sử dụng nó để kiểm định và khẳng định lý thuyết bị giới hạn. |
| Phần mềm xử lý phổ biến hiện nay là IBM AMOS. | Phần mềm xử lý phổ biến hiện nay là SMARTPLS. |
3. Nhận xét chung về PLS-SEM và CB-SEM
– PLS-SEM và CB-SEM không thay thế cho nhau bởi cả hai phương pháp khác nhau ở quan điểm thống kê, được thiết kế để đạt các mục tiêu khác nhau và dựa trên các lý thuyết đo lường khác nhau. Do đó, không phải kỹ thuật này cao hơn hẳn kỹ thuật còn lại và không phải kỹ thuật nào cũng thích hợp cho mọi tình huống.
– Với tập dữ liệu lớn (cỡ mẫu từ 250 trở lên) kết quả của PLS-SEM và CB-SEM là rất tương đồng.
– Nếu nghiên cứu mà mô hình kế thừa lại từ nghiên cứu trước đó (dạng nghiên cứu khẳng định) thì CB-SEM là một giải pháp tối ưu. Nếu nghiên cứu xuất hiện các biến tiềm ẩn mới, biến quan sát mới thì nên cân nhắc sử dụng PLS-SEM. Nếu dữ liệu không đạt phân phối chuẩn hoặc cỡ mẫu nhỏ thì nên sử dụng PLS-SEM. Nếu cần đánh giá độ phù hợp tổng thể mô hình thì cần sử dụng CB-SEM.