Phân tích cấu trúc đa nhóm (multigroup analysis – MGA) được sử dụng nhằm kiểm định sự khác biệt của các mối quan hệ nhân quả trong mô hình SEM giữa các nhóm đối tượng được phân loại theo các giá trị khác nhau của biến định tính. Nói cách khác, phương pháp này cho phép đánh giá liệu cấu trúc mô hình và mức độ tác động giữa các biến có thay đổi theo từng nhóm nghiên cứu hay không.
1. Chức năng của phân tích đa nhóm (Multigroup Analysis – MGA)
Giả sử tồn tại một mô hình SEM phản ánh mối quan hệ tác động từ sự hài lòng trong công việc (HL) đến mức độ gắn bó với công ty (GB). Trong bộ dữ liệu phục vụ phân tích SEM, có một biến định tính là giới tính, bao gồm hai nhóm giá trị là nam và nữ. Mục tiêu của phân tích đa nhóm trong trường hợp này là xác định liệu giới tính của người lao động có làm thay đổi mối quan hệ tác động từ HL đến GB hay không, đồng thời làm rõ mức độ và chiều hướng khác biệt của sự tác động đó giữa các nhóm.
Cụ thể:
– Kết quả phân tích có thể cho thấy ở nhóm nhân viên nam, sự hài lòng trong công việc có ảnh hưởng đến mức độ gắn bó với công ty nhưng cường độ tác động ở mức thấp.
– Ngược lại, ở nhóm nhân viên nữ, mối quan hệ này có thể thể hiện mức tác động mạnh và có ý nghĩa thống kê cao. Trong một kịch bản khác, HL có thể không tác động đáng kể đến GB ở nhóm nam, trong khi lại có ảnh hưởng rõ rệt ở nhóm nữ.
Cần phân biệt rõ phân tích đa nhóm (Multigroup Analysis) với phân tích phương sai một yếu tố (One-way ANOVA):
Phân tích đa nhóm (MGA) tập trung vào việc so sánh sự khác biệt của các mối quan hệ tác động giữa các biến trong mô hình cấu trúc, xét theo các nhóm được xác định bởi biến định tính. Ví dụ, phương pháp này được sử dụng để đánh giá sự khác biệt trong mức độ tác động của HL lên GB giữa nhân viên nam và nữ.
Trong khi đó, phân tích One-way ANOVA nhằm kiểm định sự khác biệt về giá trị trung bình của một biến định lượng duy nhất giữa các nhóm của một biến định tính. Ví dụ, ANOVA được sử dụng để xem xét mức độ hài lòng trong công việc (HL) có khác nhau giữa nhân viên nam và nữ hay không.
Xem thêm: Link tải phần mềm SMARTPLS 3 vĩnh viễn full tính năng
2. Khai báo biến cho phân tích MGA trên SMARTPLS 3
Phần này minh họa việc khai báo biến phục vụ phân tích đa nhóm (Multi-Group Analysis – MGA) trên phần mềm SMARTPLS 3, dựa trên một bộ dữ liệu mẫu và mô hình nghiên cứu đã được xây dựng và thể hiện dưới dạng sơ đồ trong SMARTPLS.
Phân tích MGA trên SMARTPLS cho phép so sánh sự khác biệt giữa các nhóm quan sát được xác định bởi biến định tính. Trong bộ dữ liệu minh họa, biến định tính Giới tính được mã hóa với hai giá trị, trong đó 1 đại diện cho Nam và 2 đại diện cho Nữ. Biến này sẽ được sử dụng để phân nhóm dữ liệu trong phân tích MGA.
Tại cửa sổ Project Explorer của SMARTPLS, người dùng nhấp đúp chuột vào tệp dữ liệu trong danh sách dự án để phần mềm hiển thị tab mô tả dữ liệu. Đây là bước đầu tiên nhằm truy cập các chức năng xử lý và phân nhóm dữ liệu phục vụ cho MGA.
Trong giao diện mô tả dữ liệu, lựa chọn chức năng Generate Data Groups để tiến hành tạo các nhóm dữ liệu dựa trên biến định tính đã chọn.
Sau khi thực hiện thao tác này, cửa sổ Generate Data Groups sẽ xuất hiện với các tùy chọn cấu hình cụ thể như sau.
– Thứ nhất, tại mục Name prefix, người dùng nhập tiền tố cho tên các nhóm dữ liệu được tạo ra từ biến định tính. Tiền tố này sẽ được hiển thị trước tên nhóm trong kết quả phân tích MGA và có thể được chỉnh sửa sau. Trong ví dụ minh họa, tiền tố GT_ được sử dụng để đại diện cho biến Giới tính.
– Thứ hai, tại mục Group Columns, người dùng lựa chọn biến định tính dùng để phân tích MGA. SMARTPLS cho phép kết hợp tối đa ba biến định tính trong cùng một lần phân tích. Tuy nhiên, việc kết hợp nhiều biến định tính làm gia tăng mức độ phức tạp trong diễn giải kết quả và đòi hỏi nền tảng phương pháp luận vững chắc. Do đó, trong phạm vi hướng dẫn này, phân tích MGA chỉ được thực hiện với một biến định tính duy nhất. Người dùng nhấp vào danh sách thả xuống và chọn biến GioiTinh trong bộ dữ liệu. Trường hợp không tìm thấy biến này, có thể do biến chưa tồn tại hoặc chưa được khai báo trong dữ liệu nhập vào SMARTPLS.
– Thứ ba, tại mục Minimum cases, người dùng xác định số lượng quan sát tối thiểu cần có trong mỗi nhóm dữ liệu. Giá trị mặc định của SMARTPLS là 10, nghĩa là mỗi nhóm giá trị của biến định tính phải có ít nhất 10 đáp viên. Nếu một trong các nhóm có số lượng quan sát thấp hơn ngưỡng này, phần mềm sẽ không cho phép thực hiện phân tích MGA. Trong nghiên cứu định lượng, số lượng quan sát đủ lớn trong từng nhóm là điều kiện cần để đảm bảo độ tin cậy của các ước lượng, bởi các nhóm có kích thước mẫu quá nhỏ thường dẫn đến sai lệch và kết quả không ổn định.
Sau khi hoàn tất các thiết lập, nhấp vào nút OK để xác nhận và hoàn thành việc phân nhóm dữ liệu theo biến định tính.
Khi đó, giao diện Data Groups sẽ được hiển thị. Do biến Giới tính có hai giá trị, bảng Data Groups sẽ bao gồm hai hàng tương ứng với hai nhóm.
- Tại cột Name, các nhóm được hiển thị dưới dạng GT_GioiTinh(1.0) và GT_GioiTinh(2.0), trong đó GT_ là tiền tố đã khai báo, GioiTinh là tên biến trong dữ liệu, còn 1.0 và 2.0 lần lượt là các giá trị mã hóa của biến Giới tính.
- Tại cột Records, SMARTPLS hiển thị số lượng đáp viên thuộc mỗi nhóm. Trong ví dụ minh họa, nhóm có giá trị 1-Nam gồm 89 đáp viên, trong khi nhóm có giá trị 2-Nữ gồm 111 đáp viên.
Để thuận tiện cho việc đọc và diễn giải kết quả MGA, người dùng nên đổi tên các nhóm thay vì giữ tên mặc định. Thao tác được thực hiện bằng cách di chuyển con trỏ chuột đến từng hàng, sau đó nhấp vào nút Edit để chỉnh sửa tên nhóm, ví dụ đối với nhóm GT_GioiTinh(1.0).
Khi đó, cửa sổ Configure Data Group xuất hiện. Tại mục Group Name, người dùng nhập tên nhóm mới phù hợp với ý nghĩa nghiên cứu. Trong ví dụ này, nhóm GT_GioiTinh(1.0) được đổi tên thành Nam để đại diện cho nhóm giới tính nam.
Thực hiện thao tác tương tự đối với nhóm còn lại và đặt tên là Nữ. Sau khi hoàn tất, bảng Data Groups sẽ hiển thị hai nhóm dữ liệu với tên gọi rõ ràng, sẵn sàng cho các bước phân tích MGA tiếp theo trên SMARTPLS.
3. Phân tích đa nhóm (Multi-Group Analysis – MGA) trên phần mềm SmartPLS 3
Từ giao diện vẽ sơ đồ mô hình, người nghiên cứu lựa chọn lệnh Calculate > Multi-Group Analysis (MGA) để tiến hành phân tích đa nhóm.
Khi cửa sổ Multi-Group Analysis (MGA) xuất hiện, tại phần thiết lập (Setup), hệ thống mặc định hiển thị hai nhóm so sánh là Groups A và Groups B. Cơ chế MGA trong SmartPLS cho phép so sánh sự khác biệt của mô hình SEM theo từng cặp nhóm, bằng cách đối chiếu từng tham số ước lượng của nhóm A với nhóm B. Trong ví dụ minh họa, nghiên cứu tiến hành so sánh giữa hai nhóm giới tính Nam và Nữ, do đó Groups A được thiết lập là Nam và Groups B là Nữ (hoặc ngược lại tùy theo mục tiêu trình bày).
Trong trường hợp biến phân nhóm có từ ba giá trị trở lên, chẳng hạn như biến Giới tính bao gồm Nam, Nữ và Giới tính khác, và nghiên cứu mong muốn so sánh đồng thời tất cả các nhóm với nhau, người nghiên cứu có thể lựa chọn Select All cho cả Groups A và Groups B. Khi đó, phần mềm sẽ tự động thực hiện so sánh lần lượt từng cặp giá trị giữa hai nhóm, đồng thời loại bỏ các trường hợp so sánh trùng lặp cùng một nhóm. Sau khi hoàn tất việc lựa chọn nhóm, nhấp vào nút Start Calculation ở góc dưới bên phải để bắt đầu quá trình phân tích MGA.
SmartPLS cung cấp nhiều bảng kết quả liên quan đến phân tích đa nhóm. Trong nghiên cứu này, trọng tâm được đặt vào bảng kết quả tại mục PLS-MGA, thuộc phần Path Coefficients.
- Chỉ số Path Coefficients-diff thể hiện mức chênh lệch hệ số tác động chuẩn hóa giữa hai nhóm được so sánh. Giá trị này được tính bằng cách lấy hệ số tác động chuẩn hóa của nhóm A trừ đi hệ số tác động chuẩn hóa của nhóm B. Trong ví dụ minh họa, đây là chênh lệch giữa nhóm Nam và nhóm Nữ.
- Chỉ số p-Value new được sử dụng để kiểm định sự khác biệt có ý nghĩa thống kê của mối quan hệ nhân quả giữa hai nhóm. Nếu p-Value new nhỏ hơn 0.05, với mức ý nghĩa mặc định là 5% theo SmartPLS, có thể kết luận rằng tồn tại sự khác biệt có ý nghĩa thống kê về tác động giữa hai nhóm đáp viên. Ngược lại, nếu p-Value new lớn hơn 0.05, mối quan hệ được xem là không có sự khác biệt đáng kể giữa các nhóm.
Kết quả phân tích PLS-MGA giữa hai nhóm đáp viên Nam và Nữ cho thấy:
– Có sự khác biệt có ý nghĩa thống kê đối với mối quan hệ từ CV đến HL và từ HL đến GB, khi giá trị p-Value new lần lượt đạt 0.026 và 0.001, đều nhỏ hơn 0.05. Các mối quan hệ còn lại không ghi nhận sự khác biệt giữa hai nhóm do p-Value new đều lớn hơn 0.05.
– Sau khi xác định các mối quan hệ có sự khác biệt dựa trên p-Value new, nghiên cứu tiếp tục xem xét dấu và giá trị của hệ số Path Coefficients-diff. Đối với mối quan hệ CV → HL, chênh lệch hệ số tác động chuẩn hóa đạt -0.226, nhỏ hơn 0, cho thấy tác động của CV lên HL ở nhóm Nữ mạnh hơn so với nhóm Nam. Tương tự, ở mối quan hệ HL → GB, giá trị Path Coefficients-diff là -0.257, cho thấy HL có tác động lên GB mạnh hơn ở nhóm Nữ so với nhóm Nam.
Tiếp theo, nghiên cứu chuyển sang tab Bootstrapping Results trong mục Path Coefficients. Tại đây, các hệ số tác động chuẩn hóa (Path Coefficients Original) và mức ý nghĩa thống kê (p-Value) của từng mối quan hệ được trình bày riêng cho từng nhóm Nam và Nữ.
Kết quả cho thấy đối với mối quan hệ CV → HL, giá trị p-Value ở nhóm Nam là 0.095, lớn hơn 0.05, trong khi ở nhóm Nữ giá trị này bằng 0.000, nhỏ hơn 0.05. Điều này cho thấy đối với nam giới, CV không có ảnh hưởng có ý nghĩa thống kê đến HL; ngược lại, đối với nữ giới, CV có ảnh hưởng đáng kể đến HL với hệ số tác động chuẩn hóa đạt 0.367.
Việc diễn giải kết quả đối với mối quan hệ HL → GB được thực hiện tương tự theo cùng nguyên tắc.
Thực hiện phân tích PLS Algorithm và Bootstrapping nhằm đánh giá sâu hơn sự khác biệt của mô hình đo lường và mô hình cấu trúc giữa hai nhóm đối tượng theo giới tính (Nam và Nữ) thông qua phân tích MGA trên phần mềm SmartPLS.
Trong quá trình phân tích PLS Algorithm và Bootstrapping, tại giao diện mặc định là tab Setup, nhà nghiên cứu tiến hành chuyển sang tab Data Groups và lựa chọn Select All để bao gồm toàn bộ các nhóm dữ liệu. Sau đó, nhấp vào nút Start Calculation ở góc phải phía dưới để phần mềm thực hiện tính toán và xuất kết quả phân tích.
Sau khi hoàn tất quá trình chạy PLS Algorithm và Bootstrapping, trong bảng kết quả sẽ xuất hiện thêm mục Data Group. Tại đây, khi mở danh sách lựa chọn, người nghiên cứu có thể quan sát được kết quả phân tích tương ứng với từng nhóm giá trị của biến định tính được sử dụng trong phân tích MGA.
Cụ thể, trong ví dụ minh họa, mục Data Group bao gồm ba lựa chọn: Complete, Nam và Nữ. Trong đó, Complete phản ánh kết quả phân tích cho toàn bộ mẫu nghiên cứu. Hai lựa chọn Nam và Nữ thể hiện việc phần mềm đã tách dữ liệu gốc thành hai tập dữ liệu độc lập, một tập chỉ bao gồm các đáp viên Nam và một tập chỉ bao gồm các đáp viên Nữ. Mỗi tập dữ liệu này được phân tích riêng biệt bằng PLS Algorithm và Bootstrapping. Để đánh giá chi tiết hơn sự khác biệt mô hình giữa hai nhóm đối tượng, nhà nghiên cứu có thể tiến hành so sánh mô hình đo lường và mô hình cấu trúc của từng nhóm thông qua các chỉ tiêu như hệ số R bình phương, hệ số f bình phương và hệ số tác động chuẩn hóa của các mối quan hệ trong mô hình.
Đối với việc so sánh hệ số tác động chuẩn hóa giữa hai nhóm Nam và Nữ, nhằm tránh phân tán nội dung phân tích, nhà nghiên cứu có thể tập trung vào việc nhận xét các mối quan hệ có sự khác biệt đáng kể dựa trên giá trị p Values và Original Sample được trích xuất từ kết quả phân tích MGA.
Trong kết quả MGA, chỉ số Path Coefficients-diff được xác định bằng cách lấy hệ số Original Sample trong kết quả Bootstrapping của nhóm Nam trừ đi hệ số tương ứng của nhóm Nữ (0.141 − 0.367 = −0.226). Kết quả này cho thấy, trong nhóm Nam, biến CV không có tác động có ý nghĩa lên biến HL, trong khi ở nhóm Nữ, mối quan hệ này lại có ý nghĩa thống kê. Mặc dù ở cả hai nhóm Nam và Nữ, CV đều có ảnh hưởng đến HL, nhưng mức độ tác động ở nhóm Nữ mạnh hơn đáng kể so với nhóm Nam.
Bên cạnh các mối quan hệ thể hiện sự khác biệt rõ ràng trong phân tích MGA, nhà nghiên cứu cũng cần xem xét các mối quan hệ còn lại giữa hai nhóm đối tượng. Trong mô hình SEM, các mối quan hệ nhân quả trong mô hình có sự tương tác và ảnh hưởng lẫn nhau, do đó sự khác biệt của một mối quan hệ trong phân tích MGA có thể dẫn đến những biến đổi lan tỏa trong toàn bộ hệ số tác động chuẩn hóa của các mối quan hệ khác trong mô hình.