1. Cách chạy SMARTPLS 4: Chuẩn bị dữ liệu đầu vào
Giai đoạn đầu tiên trong quy trình sử dụng SMARTPLS 4 là chuẩn bị dữ liệu đầu vào. Từ phiên bản SMARTPLS 4, phần mềm cho phép tiếp nhận nhiều định dạng dữ liệu khác nhau như .sav (SPSS), .xls/.xlsx (Excel), .csv và .txt. Trong đó, định dạng .csv thường được ưu tiên do tính đơn giản và khả năng tương thích cao trong xử lý dữ liệu.
Tuy nhiên, SMARTPLS yêu cầu dữ liệu đầu vào phải đáp ứng các tiêu chí nghiêm ngặt về cấu trúc và cách trình bày. Do đó, trước khi nhập dữ liệu vào phần mềm, bạn cần tiến hành chuẩn hóa tập dữ liệu, bao gồm đặt tên biến theo quy tắc, mã hóa giá trị phù hợp và loại bỏ các quan sát không hợp lệ.
Tiêu chuẩn 1: Dữ liệu phải được lưu dưới dạng Excel (.xlsx), CSV (.csv) hoặc file SPSS (.sav).
Tiêu chuẩn 2: Toàn bộ dữ liệu cần được mã hóa dưới dạng số, không chứa ký tự văn bản hoặc dấu câu trong các ô dữ liệu.
Tiêu chuẩn 3: Dòng đầu tiên của tập dữ liệu phải là tên biến. Tên biến cần ngắn gọn, không sử dụng dấu tiếng Việt, không có khoảng trắng hoặc ký tự đặc biệt, và không được giữ nguyên nội dung câu hỏi khảo sát.
Bất kể định dạng sử dụng là gì, bạn cần đảm bảo cấu trúc file dữ liệu được tổ chức hợp lý như minh họa tiêu chuẩn, nhằm đảm bảo khả năng đọc và xử lý chính xác của phần mềm.
Mặc dù không phải là yêu cầu bắt buộc, bạn nên bổ sung một cột số thứ tự ở đầu tập dữ liệu. Thực hành này giúp hạn chế lỗi liên quan đến nhận diện tên biến đầu tiên trong quá trình SMARTPLS 4 xuất kết quả.
2. Cách chạy SMARTPLS 4: Cài đặt SMARTPLS 4 và thiết lập Workspace
Bạn có thể tải và cài đặt SMARTPLS 4 phiên bản dùng thử để trải nghiệm các chức năng cơ bản trước khi quyết định sử dụng bản đầy đủ. Sau khi hoàn tất cài đặt và khởi động phần mềm lần đầu, hệ thống sẽ khóa các menu chức năng và yêu cầu bạn thiết lập workspace trước khi tiếp tục sử dụng.
Workspace được hiểu là thư mục làm việc trung tâm, nơi lưu trữ toàn bộ các dự án bạn thực hiện trên phần mềm.
Khác với các phần mềm như SPSS hay AMOS, trong đó bạn chỉ định vị trí lưu khi thực hiện thao tác lưu file, SMARTPLS 4 yêu cầu xác định sẵn một workspace mặc định. Tất cả các tệp dự án với định dạng .zip sẽ được tự động lưu trữ tại thư mục này. Cơ chế này góp phần giảm thiểu rủi ro mất dữ liệu trong các tình huống gián đoạn hệ thống hoặc khi bạn chưa kịp sao lưu.
Để thiết lập workspace trong SMARTPLS 4, bạn chọn chức năng New Workspace.
Sau đó, hệ thống sẽ hiển thị cửa sổ cho phép bạn lựa chọn hoặc tạo mới thư mục lưu trữ. Ví dụ, bạn có thể tạo một thư mục với tên “SmartPLS4 Workspace” tại đường dẫn phù hợp trên máy tính và sử dụng thư mục này làm vùng làm việc mặc định cho toàn bộ dự án.
3. Quy trình sử dụng SMARTPLS 4: Thiết lập dự án và nhập dữ liệu
Sau khi hoàn tất việc thiết lập workspace, bước tiếp theo trong quy trình sử dụng SMARTPLS 4 là khởi tạo một dự án mới và tiến hành nhập dữ liệu vào phần mềm. Đây là giai đoạn có ý nghĩa nền tảng trong phân tích mô hình cấu trúc tuyến tính từng phần (PLS-SEM), vì chất lượng dữ liệu đầu vào ảnh hưởng trực tiếp đến độ tin cậy và giá trị của kết quả nghiên cứu.
Để tạo dự án, bạn lựa chọn chức năng New project trên giao diện chính.
Khi hộp thoại hiển thị, bạn nhập tên dự án vào trường Name (ví dụ: Du an 1), sau đó nhấn Create để hoàn tất quá trình khởi tạo.
Dự án sau khi được tạo sẽ xuất hiện trong khu vực Workspace. Bên dưới tên dự án có hai tùy chọn chính:
- Import data file, cho phép nhập và thiết lập dữ liệu đầu vào;
- Và Create model, dùng để xây dựng sơ đồ mô hình nghiên cứu.
Ở bước này, bạn lựa chọn Import data file để tiến hành đưa dữ liệu vào phần mềm.
Một cửa sổ mới sẽ xuất hiện, cho phép bạn truy cập đến thư mục chứa tệp dữ liệu. Ví dụ, bạn có thể chọn tệp định dạng .csv với tên 345 – SEM 1. Sau khi lựa chọn, hệ thống sẽ hiển thị các thông tin tổng quan của bộ dữ liệu, bao gồm: Name (tên biến), Missing (giá trị khuyết), Scale (loại thang đo), Min (giá trị nhỏ nhất) và Max (giá trị lớn nhất).
Khi dữ liệu được nhập thành công, giao diện thông tin dữ liệu sẽ hiển thị đầy đủ các thuộc tính như mô tả. Trong trường hợp bảng thông tin này không xuất hiện, bạn cần kiểm tra lại tệp dữ liệu đầu vào do có thể tồn tại các lỗi như sai định dạng, thiếu dữ liệu hoặc cấu trúc không phù hợp. Sau khi điều chỉnh, bạn thực hiện lại thao tác nhập dữ liệu. Ngoài ra, bạn có thể sử dụng nút Back để quay lại giao diện dự án ban đầu.
4. Quy trình sử dụng SMARTPLS 4: Xây dựng mô hình nghiên cứu trên diagram
Sau khi hoàn tất việc nhập dữ liệu, bước tiếp theo là xây dựng mô hình nghiên cứu trên sơ đồ (diagram) trong SMARTPLS 4. Đây là bước mang tính quyết định trong toàn bộ quy trình phân tích, bởi cấu trúc mô hình sẽ chi phối các bước xử lý tiếp theo như đánh giá độ tin cậy thang đo, kiểm định giả thuyết và phân tích mối quan hệ tác động giữa các biến.
Giả định một mô hình nghiên cứu cụ thể
Bạn tiến hành chuyển đổi mô hình lý thuyết này sang dạng biểu diễn trực quan trên SMARTPLS 4 bằng cách chọn Create model từ cửa sổ dự án.
Khi hộp thoại xuất hiện, tại mục Model type bạn lựa chọn PLS-SEM, và tại Model name bạn nhập tên mô hình theo mong muốn, ví dụ Diagram. Sau đó, bạn nhấn Save để hoàn tất quá trình tạo mô hình.
Do phần hướng dẫn chi tiết về các công cụ và thao tác vẽ mô hình tương đối dài và mang tính kỹ thuật, bạn nên tham khảo thêm tài liệu chuyên sâu về vẽ mô hình và quản lý dự án trong SMARTPLS 4. Sau khi hoàn thành các thao tác, bạn sẽ thu được sơ đồ mô hình nghiên cứu hoàn chỉnh phục vụ cho các bước phân tích tiếp theo.
5. Quy trình thực hiện SMARTPLS 4: Phân tích PLS-SEM Algorithm và Bootstrapping
Sau khi hoàn tất việc thiết lập mô hình nghiên cứu, bạn tiến hành hai bước phân tích cốt lõi gồm PLS-SEM algorithm và Bootstrapping. Kết quả thu được từ hai bước này đóng vai trò nền tảng để đánh giá toàn diện mô hình đo lường (measurement model) và mô hình cấu trúc (structural model) theo chuẩn phương pháp luận PLS-SEM trong các nghiên cứu định lượng.
-
Đánh giá mô hình đo lường (Measurement Model):
-
Đánh giá chất lượng biến quan sát thông qua hệ số tải ngoài (outer loading), phản ánh mức độ đại diện của biến quan sát đối với khái niệm tiềm ẩn.
-
Kiểm định độ tin cậy của thang đo bằng các chỉ số Cronbach Alpha và Composite Reliability (CR), nhằm đảm bảo tính nhất quán nội tại.
-
Đánh giá giá trị hội tụ và giá trị phân biệt, trong đó giá trị hội tụ được xác định qua Average Variance Extracted (AVE), còn giá trị phân biệt được kiểm định thông qua chỉ số HTMT và tiêu chí Fornell–Larcker.
-
Đánh giá mô hình cấu trúc (Structural Model):
-
Kiểm tra hiện tượng đa cộng tuyến giữa các biến độc lập thông qua hệ số VIF.
-
Đánh giá ý nghĩa thống kê của các mối quan hệ trong mô hình, bao gồm tác động trực tiếp, gián tiếp và điều tiết, dựa trên hệ số ước lượng chuẩn hóa (β) và giá trị p-value.
-
Xác định mức độ giải thích của mô hình thông qua hệ số R bình phương (R square).
-
Đánh giá mức độ ảnh hưởng của từng biến độc lập bằng hệ số f bình phương (f square).
-
Kiểm định khả năng dự báo của mô hình thông qua hệ số Q bình phương (Q square).
5.1 Thực hiện phân tích PLS-SEM Algorithm
Khi bạn tiến hành chạy PLS-SEM Algorithm, phần mềm sẽ cung cấp hầu hết các chỉ số cần thiết phục vụ cho hai nhóm đánh giá chính:
(1) Đối với mô hình đo lường, các chỉ số như outer loading, Cronbach Alpha, CR, AVE, HTMT và tiêu chí Fornell–Larcker được sử dụng để xác định độ tin cậy và giá trị của thang đo. Dựa trên các kết quả này, bạn có thể đưa ra kết luận về mức độ phù hợp của thang đo trước khi tiếp tục phân tích các mối quan hệ trong mô hình.
(2) Đối với mô hình cấu trúc, các chỉ số bao gồm VIF, R square và f square phản ánh mức độ phù hợp và năng lực giải thích của mô hình nghiên cứu.
Để thực hiện phân tích, tại giao diện diagram, bạn chọn Calculate và tiếp tục chọn PLS-SEM algorithm.
Giữ nguyên các thông số mặc định của phần mềm, sau đó nhấn Start Calculation để bắt đầu quá trình ước lượng.
Kết quả đầu ra được hiển thị trong giao diện tổng hợp, trong đó khu vực bên trái chứa toàn bộ các bảng kết quả và chỉ số kiểm định. Bạn có thể lần lượt truy cập từng mục để xem chi tiết các kết quả tương ứng.
5.2 Thực hiện phân tích Bootstrapping
Phân tích Bootstrapping được sử dụng chủ yếu để kiểm định ý nghĩa thống kê của các mối quan hệ trong mô hình cấu trúc. Phương pháp này cung cấp các thông tin về tác động trực tiếp, gián tiếp và điều tiết, đồng thời ước lượng hệ số chuẩn hóa (β), giá trị t và p-value. Dựa trên các chỉ số này, bạn có thể đưa ra kết luận về việc chấp nhận hoặc bác bỏ các giả thuyết nghiên cứu.
Để tiến hành, tại giao diện diagram, bạn chọn Calculate và sau đó chọn Bootstrapping.
Trong cửa sổ thiết lập, giữ nguyên các thông số mặc định và sử dụng số lượng mẫu lặp (subsamples) là 5000 theo khuyến nghị trong nhiều nghiên cứu thực nghiệm nhằm đảm bảo độ ổn định của ước lượng.
Kết quả sau khi chạy được hiển thị tương tự như PLS-SEM Algorithm, với toàn bộ các bảng kiểm định nằm ở khu vực bên trái. Bạn có thể truy cập từng mục để xem chi tiết các chỉ số và diễn giải kết quả phục vụ cho quá trình phân tích và thảo luận nghiên cứu.
6. Quy trình thực hiện phân tích Q² Predict trong SMARTPLS 4
Phân tích Q² Predict trong SMARTPLS 4 được áp dụng nhằm đánh giá năng lực dự báo của mô hình PLS-SEM đối với dữ liệu ngoài mẫu, dựa trên các tiếp cận dự báo hiện đại trong nghiên cứu định lượng. Trong khi chỉ số R² phản ánh mức độ giải thích biến thiên của mô hình trong phạm vi mẫu nghiên cứu, thì Q² Predict cung cấp bằng chứng thực nghiệm về khả năng dự báo trong bối cảnh thực tiễn. Nhiều nghiên cứu cho thấy việc kết hợp hai chỉ số này giúp nâng cao độ tin cậy khi đánh giá mô hình.
Tại giao diện phần mềm SMARTPLS 4, bạn truy cập vào mục Calculate và lựa chọn chức năng PLSpredict/CVPAT để tiến hành phân tích.
Trong cửa sổ thiết lập, bạn giữ nguyên các tham số mặc định của thuật toán PLSpredict/CVPAT, do các thiết lập này đã được tối ưu hóa dựa trên các kiểm định thực nghiệm trước đó, sau đó nhấn Start Calculation để bắt đầu quá trình xử lý dữ liệu.
Kết quả phân tích được hiển thị tại khu vực bên trái giao diện, bao gồm toàn bộ các bảng kiểm định và chỉ số liên quan đến PLSpredict. Bạn có thể lựa chọn từng mục để xem chi tiết các kết quả, từ đó tiến hành diễn giải các chỉ số dự báo theo tiêu chuẩn học thuật.
Bạn có thể tham khảo thêm các tài liệu chuyên sâu để hiểu rõ hơn về cách diễn giải chỉ số Q² Predict trong SMARTPLS 4.
Kết luận
Tóm lại, việc nắm vững quy trình sử dụng SMARTPLS 4 có ý nghĩa quan trọng trong nghiên cứu định lượng, đặc biệt đối với các mô hình PLS-SEM. Từ bước chuẩn hóa dữ liệu, xây dựng mô hình đo lường, đánh giá độ tin cậy, giá trị hội tụ và phân biệt, cho đến kiểm định mô hình cấu trúc và bootstrapping, mỗi giai đoạn đều cần được thực hiện theo quy trình chuẩn nhằm đảm bảo tính chính xác và độ tin cậy của kết quả. Khi hiểu rõ toàn bộ quy trình, bạn có thể tối ưu hóa thời gian xử lý dữ liệu và giảm thiểu sai sót trong quá trình thực hiện luận văn hoặc nghiên cứu khoa học.
Trong trường hợp bạn cần hỗ trợ chuyên sâu, bạn có thể tham khảo các dịch vụ tư vấn SMARTPLS từ các nguồn chuyên môn. Các dịch vụ này thường cung cấp hỗ trợ toàn diện từ xử lý dữ liệu đầu vào, vận hành phần mềm SMARTPLS 4, đến hướng dẫn diễn giải kết quả, giúp bạn hoàn thiện nghiên cứu một cách hệ thống và hiệu quả.