Giai đoạn thứ nhất là đánh giá mô hình đo lường (measurement model), tập trung kiểm định chất lượng thang đo thông qua các tiêu chí như độ tin cậy, giá trị hội tụ và giá trị phân biệt.
Giai đoạn thứ hai là đánh giá mô hình cấu trúc (structural model), nhằm kiểm tra ý nghĩa thống kê của các mối quan hệ giữa các biến, mức độ giải thích của mô hình, hiện tượng đa cộng tuyến, cũng như các hiệu ứng gián tiếp, điều tiết và phân tích đa nhóm (MGA).
Hai giai đoạn này phải được thực hiện theo đúng trình tự. Chỉ khi mô hình đo lường đạt yêu cầu thì bạn mới tiếp tục đánh giá mô hình cấu trúc, bởi nếu thang đo không đảm bảo chất lượng thì các kết luận từ mô hình cấu trúc sẽ không có giá trị khoa học.
I. Cách diễn giải kết quả SMARTPLS 4: Mô hình đo lường (Measurement Model)
Giai đoạn này nhằm đánh giá độ tin cậy và giá trị của các thang đo được sử dụng để đo lường các biến tiềm ẩn trong mô hình nghiên cứu. Trọng tâm là xác định bộ chỉ báo có phản ánh chính xác khái niệm lý thuyết hay không. Những biến quan sát không đáp ứng tiêu chuẩn sẽ bị loại bỏ trước khi chuyển sang phân tích mô hình cấu trúc.
Trong PLS-SEM, các cấu trúc tiềm ẩn có thể được đo lường theo hai dạng: reflective và formative. Tuy nhiên, việc trình bày đồng thời cả hai loại thang đo trong cùng một nội dung thường làm giảm tính rõ ràng và gây khó khăn trong việc theo dõi lập luận.
Do thang đo reflective được sử dụng phổ biến trong phần lớn các nghiên cứu thực nghiệm, nội dung dưới đây chỉ tập trung vào cách đánh giá mô hình đo lường đối với loại thang đo này.
Trong trường hợp bạn cần tìm hiểu chi tiết về cách đánh giá thang đo formative, bạn nên tham khảo các tài liệu chuyên sâu riêng biệt về chủ đề này.
Xét một mô hình nghiên cứu minh họa:
1. Đánh giá độ tin cậy của biến quan sát (indicator reliability)
Việc đánh giá độ tin cậy của các biến quan sát nhằm xác định mức độ mà các chỉ báo phản ánh chính xác biến tiềm ẩn tương ứng. Thông qua bước này, bạn có thể phát hiện các biến có hệ số tải thấp, từ đó loại bỏ các chỉ báo không phù hợp và giữ lại những biến có khả năng đại diện tốt cho khái niệm nghiên cứu.
Ngưỡng đánh giá thường được sử dụng như sau:
– Từ 0.7 trở lên: biến quan sát đạt độ tin cậy tốt
– Dưới 0.4: nên loại bỏ khỏi mô hình
– Từ 0.4 đến dưới 0.7: cần cân nhắc dựa trên các tiêu chí bổ sung, do đây là khoảng giá trị chưa có sự thống nhất tuyệt đối trong nghiên cứu
- Cụ thể, nếu chỉ số CR hoặc AVE chưa đạt yêu cầu, việc loại bỏ biến có thể giúp cải thiện các chỉ số này thì nên thực hiện loại bỏ.
- Ngược lại, nếu CR và AVE đã đạt ngưỡng chấp nhận, bạn có thể giữ lại biến quan sát nếu nó có ý nghĩa về mặt lý thuyết.
Ví dụ: Trong SMARTPLS 4, bạn có thể xem hệ số tải ngoài bằng cách truy cập kết quả từ PLS-SEM Algorithm và chọn mục Outer loadings.
Trong ví dụ này, tác giả lựa chọn tiêu chí loại bỏ tất cả các biến quan sát có hệ số tải ngoài dưới 0.7 và chỉ giữ lại các biến có giá trị từ 0.7 trở lên. Kết quả phân tích cho thấy hai biến BH6 và QH1 có hệ số tải ngoài thấp hơn ngưỡng này, do đó chúng được loại khỏi mô hình và tiến hành phân tích lại ở lần tiếp theo.
2. Độ tin cậy thang đo (Scale Reliability)
Trong SMARTPLS, độ tin cậy thang đo, hay còn gọi là độ tin cậy nhất quán nội bộ, được đánh giá thông qua ba chỉ số chính gồm Cronbach’s Alpha, Composite Reliability rho_a và Composite Reliability rho_c.
Theo Hair, J. F., Hult, G. T. M., Ringle, C. M. và Sarstedt, M. (2022), Cronbach’s Alpha có xu hướng đánh giá thấp độ tin cậy của thang đo, trong khi Composite Reliability rho_c lại có xu hướng đánh giá cao hơn mức thực tế. Do đó, mức độ tin cậy thực sự của một cấu trúc tiềm ẩn thường được xem là nằm trong khoảng giữa hai chỉ số này.
Trong bối cảnh đó, rho_a (Dillon–Goldstein’s rho) được xem là chỉ số phản ánh độ tin cậy chính xác hơn, bởi giá trị của nó thường nằm giữa Cronbach’s Alpha và rho_c, qua đó thể hiện hợp lý hơn mức độ nhất quán nội tại của thang đo. Đây cũng là điểm khác biệt cốt lõi giữa rho_a và rho_c, khi rho_a thường được ưu tiên sử dụng như một thước đo đáng tin cậy hơn. Tuy nhiên, trong một số trường hợp, rho_a có thể nhạy cảm với dữ liệu và cho ra giá trị vượt quá 1.
Ngưỡng đánh giá chung cho ba chỉ số độ tin cậy như sau:
- ≥ 0.70 cho thấy thang đo đạt độ tin cậy tốt
- ≥ 0.60 có thể chấp nhận trong các nghiên cứu mang tính khám phá
- 0.95 hàm ý khả năng trùng lặp giữa các biến quan sát
Giá trị âm hoặc lớn hơn 1 thường phản ánh vấn đề sai lệch dữ liệu hoặc lỗi trong quá trình xử lý
Ví dụ: Từ kết quả phân tích PLS-SEM, bạn truy cập mục Construct reliability and validity để xem các chỉ số liên quan trong mô hình đo lường.
Kết quả thực nghiệm cho thấy tất cả các cấu trúc nhân tố đều đạt độ tin cậy cao khi Cronbach’s Alpha và Composite Reliability rho_c đều vượt ngưỡng 0.70. Điều này chứng tỏ các biến quan sát trong mỗi thang đo có mức độ nhất quán nội tại tốt và cùng đo lường hiệu quả một khái niệm tiềm ẩn.
Trong trường hợp một cấu trúc nhân tố không đạt ngưỡng độ tin cậy tối thiểu, quy trình xử lý được thực hiện bằng cách loại bỏ dần các biến quan sát có hệ số tải ngoài thấp nhất. Sau mỗi lần loại biến, bạn cần chạy lại mô hình PLS-SEM để kiểm tra lại độ tin cậy. Quá trình này được lặp lại cho đến khi cấu trúc nhân tố đạt yêu cầu.
Nếu sau khi loại biến, thang đo vẫn còn ít nhất hai biến quan sát và đạt ngưỡng độ tin cậy, có thể kết luận cấu trúc nhân tố đạt yêu cầu. Ngược lại, nếu số lượng biến quan sát giảm xuống còn hai nhưng vẫn không đạt ngưỡng, cấu trúc đó được xem là không đảm bảo độ tin cậy và cần cân nhắc loại khỏi mô hình. Trong một số trường hợp đặc biệt, thang đo chỉ gồm một biến quan sát vẫn có thể được chấp nhận, tuy nhiên việc này cần được hạn chế tối đa.
3. Tính hội tụ thang đo (Convergent Validity)
Để đánh giá tính hội tụ của thang đo trong SMARTPLS, chỉ số được sử dụng là phương sai trung bình trích (Average Variance Extracted – AVE). Theo Hock và Ringle (2010), một thang đo được xem là đạt tính hội tụ khi AVE đạt từ 0.50 trở lên. Ngưỡng này hàm ý rằng biến tiềm ẩn có khả năng giải thích tối thiểu 50 phần trăm phương sai của các biến quan sát liên quan.
Ngưỡng đánh giá:
- ≥ 0.50 cho thấy thang đo đạt tính hội tụ
Ví dụ: Từ kết quả phân tích PLS-SEM, bạn cũng truy cập mục Construct reliability and validity và quan sát cột AVE để đánh giá mức độ hội tụ của từng thang đo.
Kết quả phân tích cho thấy tất cả các cấu trúc nhân tố đều đạt tính hội tụ khi giá trị AVE của các thang đo đều lớn hơn hoặc bằng 0.50.
Trong trường hợp một thang đo có AVE nhỏ hơn 0.50, cần tiến hành loại bỏ lần lượt các biến quan sát có hệ số tải ngoài thấp nhất nhằm cải thiện giá trị AVE. Quá trình này được thực hiện lặp lại cho đến khi AVE đạt ngưỡng yêu cầu.
Nếu sau khi loại biến, thang đo vẫn còn tối thiểu hai biến quan sát và AVE đạt từ 0.50 trở lên, có thể kết luận thang đo đảm bảo tính hội tụ.
Ngược lại, nếu thang đo chỉ còn hai biến quan sát nhưng AVE vẫn dưới 0.50, khi đó thang đo không đạt tính hội tụ và cần loại bỏ toàn bộ cấu trúc nhân tố khỏi mô hình nghiên cứu.
4. Tính phân biệt của thang đo (Discriminant Validity)
Tính phân biệt được sử dụng nhằm bảo đảm rằng mỗi biến tiềm ẩn trong mô hình đại diện cho một khái niệm riêng biệt và không trùng lặp với các biến khác. Một thang đo được xem là đạt tính phân biệt khi nó không phản ánh cùng một nội dung khái niệm với bất kỳ thang đo nào khác trong mô hình nghiên cứu.
Trong trường hợp tính phân biệt không được đảm bảo, bạn không thể kết luận rằng các cấu trúc trong mô hình là độc lập với nhau. Điều này dẫn đến sai lệch trong ước lượng của mô hình cấu trúc, đồng thời làm suy giảm giá trị giải thích và độ tin cậy của kết quả nghiên cứu.
Trong phần mềm SMARTPLS 4, tính phân biệt thường được đánh giá thông qua hai phương pháp chủ yếu như sau:
a. Tiêu chí Fornell–Larcker
Theo phương pháp này, tính phân biệt được xác nhận khi căn bậc hai của giá trị AVE của một biến tiềm ẩn lớn hơn tất cả các hệ số tương quan giữa biến đó với các biến tiềm ẩn còn lại trong mô hình.
Ngưỡng đánh giá cụ thể:
- Căn bậc hai AVE lớn hơn toàn bộ các hệ số tương quan trong cùng hàng hoặc cột cho thấy thang đo đạt tính phân biệt.
- Nếu tồn tại bất kỳ hệ số tương quan nào lớn hơn hoặc bằng căn bậc hai AVE, điều này phản ánh sự vi phạm tính phân biệt.
Ví dụ: Trong SMARTPLS 4, bạn thực hiện bằng cách truy cập kết quả PLS-SEM algorithm, chọn mục Discriminant Validity và tiếp tục chọn Fornell–Larcker Criterion.
Trong bảng kết quả, các giá trị nằm trên đường chéo chính (thường được tô màu) thể hiện căn bậc hai của AVE của từng biến tiềm ẩn, trong khi các giá trị còn lại là hệ số tương quan giữa các biến.
Khi phân tích, bạn cần so sánh hệ số tương quan của từng cặp biến với căn bậc hai AVE tương ứng của mỗi biến trong cặp đó.
- Nếu hệ số tương quan nhỏ hơn cả hai giá trị căn bậc hai AVE, thì cặp biến này đạt yêu cầu về tính phân biệt.
- Ngược lại, nếu hệ số tương quan lớn hơn hoặc bằng một trong hai giá trị này, tính phân biệt bị vi phạm.
Ví dụ minh họa:
- Hệ số tương quan giữa hai biến BH và NB là 0.641;
- Căn bậc hai AVE của BH là 0.797
- Và của NB là 0.882.
Vì 0.641 nhỏ hơn cả hai giá trị này, nên hai biến đảm bảo tính phân biệt.
Kết quả phân tích thực nghiệm cho thấy tất cả các biến trong mô hình đều thỏa mãn tiêu chí Fornell–Larcker, do không có cặp biến nào có hệ số tương quan vượt quá căn bậc hai AVE tương ứng.
b. Chỉ số HTMT (Heterotrait–Monotrait Ratio)
Các nghiên cứu gần đây, tiêu biểu là của Henseler và cộng sự (2015), đã chỉ ra những hạn chế của các phương pháp truyền thống trong việc đánh giá tính phân biệt. Do đó, chỉ số HTMT được đề xuất như một cách tiếp cận có độ nhạy và độ chính xác cao hơn.
HTMT phản ánh tỷ lệ giữa tương quan trung bình của các biến quan sát thuộc hai khái niệm khác nhau so với tương quan trung bình của các biến trong cùng một khái niệm. Nếu hai biến tiềm ẩn thực sự khác biệt, giá trị HTMT sẽ ở mức thấp.
Ngưỡng đánh giá:
- HTMT nhỏ hơn 0.85 cho thấy tính phân biệt rõ ràng.
- HTMT nhỏ hơn 0.90 cho thấy tính phân biệt đạt yêu cầu.
- HTMT lớn hơn hoặc bằng 0.90 phản ánh vi phạm nghiêm trọng tính phân biệt.
Ví dụ: Trong SMARTPLS 4, bạn truy cập kết quả PLS-SEM algorithm, chọn Discriminant Validity và tiếp tục chọn Heterotrait–Monotrait Ratio (HTMT) dưới dạng ma trận.
Kết quả thực nghiệm minh họa cho thấy toàn bộ các giá trị HTMT đều nhỏ hơn 0.90, do đó có thể kết luận rằng các thang đo trong mô hình đạt tính phân biệt.
Trong trường hợp phát hiện vi phạm tính phân biệt, bạn cần thực hiện một số bước xử lý như sau:
- Trước hết, kiểm tra chỉ số HTMT để xác định mức độ vi phạm; giá trị từ 0.90 trở lên cho thấy hai biến tiềm ẩn không đủ khác biệt.
- Tiếp theo, xem xét bảng cross-loading để xác định các biến quan sát gây nhiễu, đặc biệt là những biến có hệ số tải thấp hoặc có mức tải lên biến khác gần tương đương với biến gốc.
- Sau đó, bạn có thể loại bỏ dần các biến quan sát không phù hợp, chạy lại mô hình và đánh giá lại các chỉ số Fornell–Larcker và HTMT sau mỗi lần điều chỉnh.
- Nếu việc loại biến không cải thiện tình hình, cần xem xét lại nội dung của thang đo, vì có khả năng các biến tiềm ẩn đang đo lường các khía cạnh quá tương đồng.
- Trong trường hợp lý thuyết cho phép, bạn có thể gộp các biến tiềm ẩn này thành một khái niệm chung nếu bản chất của chúng là tương đồng.
- Nếu vẫn cần giữ các biến tiềm ẩn riêng biệt, bạn có thể sử dụng mô hình bậc cao để giảm mức độ tương quan giữa các cấu trúc thành phần.
- Cuối cùng, nếu tất cả các biện pháp trên không mang lại hiệu quả, bạn nên xem xét điều chỉnh lại mô hình lý thuyết hoặc thiết kế thang đo ban đầu để đảm bảo tính phù hợp và độ tin cậy của nghiên cứu.
II. Diễn giải kết quả SMARTPLS 4: Mô hình cấu trúc (Structural Model – SEM)
Sau khi mô hình đo lường đã đáp ứng các tiêu chí về độ tin cậy, giá trị hội tụ và giá trị phân biệt, bước tiếp theo trong phương pháp PLS-SEM là đánh giá mô hình cấu trúc. Mục tiêu của giai đoạn này là kiểm định các mối quan hệ nhân quả giữa các biến tiềm ẩn, xác định mức độ chấp nhận của các giả thuyết nghiên cứu, đồng thời đánh giá khả năng giải thích của mô hình đối với các biến phụ thuộc.
Xét ví dụ về một mô hình nghiên cứu như sau:
1. Đánh giá hiện tượng đa cộng tuyến giữa các biến tiềm ẩn thông qua chỉ số Inner VIF (Collinearity)
Trong bước này, bạn tiến hành kiểm tra mức độ đa cộng tuyến giữa các biến tiềm ẩn đóng vai trò là biến độc lập trong mô hình. Trong bối cảnh mô hình cấu trúc, các biến độc lập được hiểu là những biến có đường dẫn hướng đến biến khác, tức là các biến dự báo trong quan hệ nhân quả. Ngược lại, các biến nhận tác động từ mũi tên được xem là biến phụ thuộc.
Cụ thể trong mô hình minh họa:
- NB là biến phụ thuộc, chịu tác động từ bốn biến độc lập bao gồm QC, QH, KM và BH.
- TT là biến phụ thuộc, chịu ảnh hưởng từ ba biến độc lập là QC, BH và NB.
Khi đánh giá đa cộng tuyến, bạn cần xem xét theo hai nhóm quan hệ:
- Thứ nhất, kiểm tra đa cộng tuyến giữa các biến QC, QH, KM, BH trong vai trò biến độc lập tác động đến NB.
- Thứ hai, kiểm tra đa cộng tuyến giữa các biến QC, BH, NB trong vai trò biến độc lập ảnh hưởng đến TT.
Ngưỡng đánh giá chỉ số VIF được xác định theo các mức sau:
- VIF lớn hơn hoặc bằng 5 cho thấy khả năng cao tồn tại hiện tượng đa cộng tuyến nghiêm trọng, có thể làm sai lệch kết quả mô hình.
- VIF từ 3 đến nhỏ hơn 5 phản ánh dấu hiệu có thể tồn tại đa cộng tuyến ở mức trung bình.
- VIF nhỏ hơn 3 cho thấy mô hình không gặp vấn đề đa cộng tuyến.
Ví dụ: Trong SMARTPLS 4, bạn truy cập kết quả từ thuật toán PLS-SEM bằng cách chọn mục Collinearity statistics (VIF), sau đó chọn Inner model – List.
Kết quả VIF được trình bày dưới dạng ma trận, trong đó các cột đại diện cho biến phụ thuộc, còn các hàng thể hiện các biến độc lập. Giá trị tại mỗi ô là chỉ số VIF của biến độc lập tương ứng đối với biến phụ thuộc cụ thể.
Trong ví dụ này, chỉ có hai cột NB và TT xuất hiện giá trị do đây là hai biến phụ thuộc trong mô hình.
- Tại cột NB, các giá trị VIF nằm ở các hàng BH, KM, QC và QH, tương ứng với các biến độc lập ảnh hưởng đến NB.
- Tại cột TT, các giá trị VIF xuất hiện ở các hàng BH, NB và QC, tương ứng với các biến độc lập tác động đến TT.
Kết quả phân tích cho thấy mô hình không tồn tại hiện tượng đa cộng tuyến, do toàn bộ các giá trị VIF của các biến độc lập trong cả hai nhóm đều nhỏ hơn ngưỡng 3.
Trong trường hợp một biến độc lập có chỉ số VIF vượt quá 5, bạn cần xem xét loại bỏ biến này khỏi mô hình nghiên cứu, sau đó tiến hành phân tích lại để đảm bảo mô hình không vi phạm giả định về đa cộng tuyến.
2. Đánh giá ý nghĩa các tác động trong mô hình
Sau khi mô hình được xác nhận không tồn tại hiện tượng đa cộng tuyến, bước tiếp theo là kiểm định ý nghĩa thống kê của các mối quan hệ trong mô hình cấu trúc tuyến tính (SEM). Trong phần mềm SMARTPLS 4, quá trình này chủ yếu dựa trên kỹ thuật Bootstrapping nhằm ước lượng độ tin cậy của các hệ số. Các dạng tác động có thể xuất hiện trong mô hình bao gồm tác động trực tiếp, tác động gián tiếp (trung gian) và tác động điều tiết. Trong đó, tác động trực tiếp luôn hiện diện, còn tác động trung gian và điều tiết phụ thuộc vào cấu trúc nghiên cứu cụ thể.
Bảng kết quả Bootstrapping trong SMARTPLS 4 đối với các mối quan hệ tác động thường bao gồm các chỉ số cơ bản sau:
- Original sample: Hệ số tác động chuẩn hóa ước lượng từ mẫu dữ liệu ban đầu, tương ứng với hệ số đường dẫn.
- Sample mean: Giá trị trung bình của hệ số tác động chuẩn hóa từ các mẫu lặp lại trong Bootstrapping.
- Standard deviation: Độ lệch chuẩn của các hệ số tác động, phản ánh mức độ phân tán giữa các mẫu Bootstrap.
- T statistics: Giá trị thống kê t dùng để kiểm định ý nghĩa của hệ số.
- P values: Xác suất ý nghĩa thống kê của kiểm định t, thường được so sánh với các ngưỡng như 0.05, 0.1 hoặc 0.01, trong đó mức 0.05 được sử dụng phổ biến.
Trong thực hành, bạn cần tập trung chủ yếu vào hai chỉ số là P values và Original sample.
Đối với P values: Đây là cơ sở để kiểm định giả thuyết về ý nghĩa thống kê của các mối quan hệ.
Mặc dù có thể sử dụng t-value, nhưng p-value được ưu tiên do dễ diễn giải.
Mức ý nghĩa 5% (p = 0.05) là tiêu chuẩn phổ biến và cũng là mặc định trong SMARTPLS 4.
- Nếu p-value < 0.05 thì mối quan hệ có ý nghĩa thống kê.
- Nếu p-value ≥ 0.05 thì mối quan hệ không có ý nghĩa thống kê.
Cần lưu ý rằng khi một quan hệ không đạt ý nghĩa thống kê, bạn không loại bỏ biến hoặc liên kết đó khỏi mô hình, mà vẫn giữ nguyên cấu trúc và chỉ kết luận rằng tác động này không được hỗ trợ về mặt thống kê.
Đối với Original sample: Chỉ số này phản ánh cường độ và chiều hướng tác động.
Giá trị hệ số nằm trong khoảng từ –1 đến +1.
- Giá trị dương cho thấy mối quan hệ cùng chiều.
- Giá trị âm cho thấy mối quan hệ ngược chiều.
- Giá trị tiến gần +1 thể hiện tác động dương mạnh.
- Giá trị tiến gần –1 thể hiện tác động âm mạnh.
- Giá trị gần 0 cho thấy tác động yếu hoặc không đáng kể.
Khi một biến phụ thuộc chịu ảnh hưởng bởi nhiều biến độc lập, bạn cần so sánh độ lớn hệ số để xác định mức độ tác động tương đối. Trong trường hợp tồn tại cả hệ số âm và dương, nên sử dụng giá trị tuyệt đối để so sánh mức độ ảnh hưởng.
a. Tác động trực tiếp (direct effects)
Từ kết quả Bootstrapping, bạn truy cập mục Path coefficients để xem các hệ số đường dẫn trực tiếp.
Khi diễn giải kết quả, bước đầu tiên là kiểm tra P-value để xác định ý nghĩa thống kê. Kết quả cho thấy hầu hết các mối quan hệ đều có ý nghĩa khi p-value nhỏ hơn 0.05, ngoại trừ quan hệ QC → TT có p-value = 0.714 lớn hơn 0.05 nên không có ý nghĩa thống kê.
Tiếp theo, bạn xem xét hệ số Original sample để đánh giá cường độ và chiều tác động. Tất cả các hệ số đều mang dấu dương, cho thấy các tác động trực tiếp trong mô hình đều theo chiều thuận.
- Đối với biến NB, mức độ ảnh hưởng giảm dần như sau: KM (0.367) lớn nhất, tiếp đến là QC (0.316), BH (0.316) và cuối cùng là QH (0.187).
- Đối với biến TT, mức độ ảnh hưởng được sắp xếp từ cao xuống thấp là: NB (0.457) và BH (0.282).
b. Tác động gián tiếp (indirect effects)
Từ kết quả Bootstrapping, bạn chọn mục Specific indirect effects để kiểm tra các tác động gián tiếp.
Kết quả cho thấy toàn bộ các tác động gián tiếp từ BH, KM, QC và QH đến TT thông qua biến trung gian NB đều có ý nghĩa thống kê, do tất cả p-value đều nhỏ hơn 0.05.
Về cường độ tác động gián tiếp, thứ tự từ mạnh đến yếu được xác định như sau:
KM → NB → TT: 0.168, là tác động mạnh nhất.
BH → NB → TT: 0.144.
QC → NB → TT: 0.144.
QH → NB → TT: 0.085, là tác động yếu nhất.
c. Tác động điều tiết (moderating effects)
Tác động điều tiết là một dạng quan hệ đặc thù trong mô hình cấu trúc và thường được phân tích riêng với các kỹ thuật chuyên biệt trong SMARTPLS 4. Nội dung này cần được trình bày trong một phần độc lập để đảm bảo tính đầy đủ và chính xác về phương pháp luận.
3. Hệ số xác định R bình phương (R square)
Hệ số xác định R bình phương (R²) phản ánh mức độ mà các biến độc lập có thể giải thích sự biến thiên của biến phụ thuộc trong mô hình nghiên cứu. Với mỗi biến đóng vai trò phụ thuộc, bạn sẽ thu được một giá trị R² tương ứng.
Theo Hair và cộng sự (2022), việc xác định một ngưỡng cụ thể để đánh giá R² là “tốt” hay “không tốt” là không đơn giản, bởi giá trị này phụ thuộc vào độ phức tạp của mô hình (chẳng hạn như số lượng biến độc lập, sự tồn tại của các mối quan hệ trung gian) cũng như bối cảnh của từng lĩnh vực nghiên cứu.
Các mức diễn giải cơ bản:
- R² tiến gần đến 1 cho thấy mô hình có khả năng giải thích tốt biến phụ thuộc.
- R² tiến gần đến 0 cho thấy khả năng giải thích của mô hình ở mức thấp.
- Do đó, không tồn tại một ngưỡng chuẩn duy nhất có thể áp dụng chung để kết luận về chất lượng của R².
Trong phần mềm SMARTPLS 4, bên cạnh R², bạn còn có thể sử dụng R bình phương hiệu chỉnh (R² adjusted). Đây là hệ số đã được điều chỉnh theo số lượng biến độc lập trong mô hình, nhờ đó phản ánh chính xác hơn năng lực giải thích của mô hình. Vì vậy, trong quá trình diễn giải kết quả, bạn nên ưu tiên sử dụng R² adjusted.
Ví dụ: từ kết quả phân tích PLS-SEM algorithm, bạn chọn mục R-square để quan sát hệ số xác định trong mô hình cấu trúc trên SMARTPLS 4.
Trong ví dụ minh họa, có hai biến phụ thuộc là NB và TT, do đó sẽ có hai giá trị R bình phương hiệu chỉnh tương ứng.
- Giá trị R² adjusted của NB là 0.745, cho thấy các biến độc lập QC, QH, KM, BH giải thích được 73.4% sự biến thiên của NB.
- Giá trị R² adjusted của TT là 0.465, cho thấy các biến độc lập QC, BH, NB giải thích được 46.5% sự biến thiên của TT.
4. Hệ số f bình phương hiệu quả tác động (Effect size)
Chin (1998) đề xuất hệ số f bình phương (f²) nhằm đánh giá mức độ ảnh hưởng của từng biến độc lập đối với biến phụ thuộc trong mô hình. Bạn có thể tham khảo chi tiết về công thức và bản chất của chỉ số này trong các tài liệu chuyên sâu về effect size f² và cách thực hiện trên SMARTPLS.
Ngưỡng đánh giá theo Cohen (1988):
- f² < 0.02: mức ảnh hưởng rất nhỏ hoặc không đáng kể
- f² ≥ 0.02: mức ảnh hưởng nhỏ
- f² ≥ 0.15: mức ảnh hưởng trung bình
- f² ≥ 0.35: mức ảnh hưởng mạnh
Ví dụ: từ kết quả PLS-SEM algorithm, bạn truy cập mục f-square để xem hệ số này trong mô hình cấu trúc trên SMARTPLS 4.
Bảng giá trị f² thường được trình bày dưới dạng ma trận, trong đó các cột thể hiện biến phụ thuộc và các hàng thể hiện biến độc lập; mỗi ô trong bảng là giá trị f² tương ứng.
Trong ví dụ, chỉ có hai cột NB và TT xuất hiện giá trị vì đây là hai biến phụ thuộc. Ở cột NB, các giá trị f² nằm tại các hàng BH, KM, QC, QH tương ứng với các biến độc lập tác động đến NB. Tương tự, ở cột TT, các giá trị f² xuất hiện tại các hàng BH, NB, QC là các biến độc lập ảnh hưởng đến TT.
Kết quả minh họa cho thấy:
- Đối với NB, biến KM có tác động mạnh; BH và QC có tác động trung bình; QH có tác động yếu.
- Đối với TT, biến NB có tác động trung bình; BH có tác động yếu; QC không có tác động đáng kể.
– Khi cần so sánh mức độ tác động giữa các biến độc lập lên cùng một biến phụ thuộc, bạn nên sử dụng hệ số tác động chuẩn hóa
– Trong khi đó, để phân loại mức độ ảnh hưởng là mạnh, trung bình hay yếu, hệ số f² là chỉ số phù hợp.
Ngoài các tiêu chí trên, bạn có thể xem xét thêm hệ số Q bình phương liên quan đến khả năng dự báo của mô hình. Tuy nhiên, chỉ số này thường không mang tính trọng tâm, do đó không được trình bày chi tiết trong nội dung này.
———–
Nguồn tham khảo:
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 Edition. Thousand Oaks: Sage.
Höck and Ringle (2010), Local strategic networks in the software industry: an empirical analysis of the value continuum, International Journal of Knowledge Management Studies.
Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A New Criterion for Assessing Discriminant Validity in Variance-Based Structural Equation Modeling. Journal of the Academy of Marketing Science, 43, 115-135.
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum Associates, Publishers.