1. Chuẩn bị dữ liệu trước khi đưa vào chạy SMARTPLS 4
Bước đầu tiên trong quy trình phân tích bằng SMARTPLS 4 là chuẩn bị dữ liệu đầu vào theo đúng yêu cầu kỹ thuật của phần mềm. Từ phiên bản SMARTPLS 4, hệ thống cho phép nhập nhiều định dạng dữ liệu khác nhau như .sav (SPSS), .xls/.xlsx (Excel), .csv và .txt. Trong thực tiễn nghiên cứu, định dạng .csv được sử dụng phổ biến nhờ tính tương thích cao, dung lượng gọn nhẹ và hạn chế lỗi khi import dữ liệu.
Tuy nhiên, SMARTPLS yêu cầu dữ liệu phải tuân thủ nghiêm ngặt các tiêu chuẩn về cấu trúc và mã hóa. Vì vậy, trước khi import vào phần mềm, bạn cần chuẩn hóa file dữ liệu bằng cách đặt tên biến đúng quy tắc, mã hóa giá trị theo dạng số và loại bỏ các quan sát hoặc ký hiệu không phù hợp.
Tiêu chuẩn 1: Dữ liệu phải được lưu dưới định dạng Excel (.xlsx), CSV (.csv) hoặc file SPSS (.sav).
Tiêu chuẩn 2: Toàn bộ biến quan sát trong tập dữ liệu phải được mã hóa dưới dạng số. Không được tồn tại ký tự chữ, dấu câu hoặc định dạng văn bản trong các ô dữ liệu vì điều này có thể gây lỗi trong quá trình xử lý.
Tiêu chuẩn 3: Dòng đầu tiên của file 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 đặt toàn bộ nội dung câu hỏi khảo sát vào dòng tên biến.
Bất kể sử dụng định dạng nào, bạn cần đảm bảo cấu trúc dữ liệu được tổ chức theo dạng ma trận, trong đó mỗi hàng là một quan sát và mỗi cột là một biến đo lường. Cấu trúc này giúp phần mềm nhận diện chính xác biến tiềm ẩn và biến quan sát khi xây dựng mô hình PLS-SEM.
Mặc dù không phải là yêu cầu bắt buộc về mặt kỹ thuật, bạn nên bổ sung một cột số thứ tự ở đầu file dữ liệu. Thực tiễn cho thấy thao tác này giúp hạn chế lỗi hiển thị tên biến đầu tiên trong file output khi SMARTPLS 4 đọc dữ liệu, đồng thời hỗ trợ việc kiểm soát và đối chiếu quan sát trong quá trình phân tích.
2. Cài đặt SmartPLS 4 và thiết lập vùng làm việc Workspace
Bạn có thể tải và cài đặt phiên bản dùng thử 30 ngày của SmartPLS 4 trực tiếp từ trang chính thức của phần mềm. Phiên bản trial cho phép bạn trải nghiệm đầy đủ các tính năng của bản Pro trong thời gian giới hạn, phù hợp cho mục đích học tập và nghiên cứu. Nếu bạn có nhu cầu sử dụng lâu dài với đầy đủ tính năng nâng cao như PLS-SEM, CB-SEM, phân tích đa nhóm hay kiểm định mô hình phức tạp, bạn có thể cân nhắc nâng cấp lên bản Pro chính thức.
Sau khi hoàn tất cài đặt và khởi động phần mềm lần đầu, bạn sẽ thấy toàn bộ menu chức năng bị khóa tạm thời. Hệ thống yêu cầu bạn thiết lập workspace trước khi có thể sử dụng các công cụ phân tích. Workspace được hiểu là thư mục gốc dùng để lưu trữ toàn bộ dự án bạn thực hiện trên phần mềm trong suốt quá trình nghiên cứu. Cơ chế này được thiết kế nhằm đảm bảo tính hệ thống và an toàn dữ liệu ngay từ bước khởi tạo.
Khác với IBM SPSS Statistics hoặc AMOS, nơi bạn chỉ định vị trí lưu file tại thời điểm nhấn lệnh Save, SmartPLS 4 yêu cầu xác lập một workspace mặc định ngay từ đầu. Tất cả các tệp dự án, thường ở định dạng nén .zip, sẽ được tự động lưu trữ trong thư mục này. Theo nguyên tắc quản lý dữ liệu nghiên cứu, việc thiết lập thư mục làm việc cố định giúp giảm thiểu rủi ro thất lạc dữ liệu khi xảy ra sự cố như tắt máy đột ngột hoặc khi bạn quên sao lưu thủ công.
Để khai báo workspace trong SmartPLS 4, bạn nhấp chọn nút New Workspace trên giao diện khởi động ban đầu của phần mềm.
Khi đó, một cửa sổ hệ thống sẽ xuất hiện và yêu cầu bạn lựa chọn thư mục làm vùng làm việc. Bạn có thể tạo một thư mục riêng trên máy tính, ví dụ đặt tên là SmartPLS4 Workspace và lưu tại đường dẫn D:\Working\SmartPLS4 Workspace để thuận tiện cho việc quản lý và truy xuất dữ liệu nghiên cứu sau này. Việc đặt tên thư mục rõ ràng, có cấu trúc logic theo dự án hoặc đề tài nghiên cứu sẽ giúp bạn kiểm soát dữ liệu hiệu quả hơn trong các giai đoạn phân tích tiếp theo.
3. Tạo dự án và nhập dữ liệu vào SMARTPLS 4
Sau khi hoàn tất thiết lập workspace, bước tiếp theo trong quy trình phân tích bằng SMARTPLS 4 là khởi tạo dự án mới và nhập bộ dữ liệu nghiên cứu vào hệ thống. Đây là giai đoạn quan trọng nhằm đảm bảo dữ liệu được tích hợp đúng cấu trúc, tạo nền tảng cho các bước xây dựng và kiểm định mô hình PLS-SEM.
Để tạo dự án mới, bạn chọn chức năng New project trên giao diện chính của phần mềm.
Khi hộp thoại tạo dự án xuất hiện, bạn nhập tên dự án vào trường Name, ví dụ Du an 1, sau đó nhấn Create để hoàn tất quá trình khởi tạo. Việc đặt tên dự án nên tuân thủ nguyên tắc rõ ràng, phản ánh nội dung nghiên cứu hoặc bộ dữ liệu sử dụng nhằm thuận tiện cho quản lý và truy xuất sau này.
Sau khi được tạo, dự án sẽ hiển thị trong khu vực Workspace. Bên dưới tên dự án, phần mềm cung cấp hai chức năng chính:
- Import data file: cho phép nhập và khai báo bộ dữ liệu đầu vào phục vụ phân tích
- Create model: hỗ trợ xây dựng sơ đồ mô hình nghiên cứu theo cấu trúc lý thuyết đề xuất
Trong trình tự thực hiện chuẩn, bạn cần tiến hành nhập dữ liệu trước bằng cách chọn Import data file.
Khi cửa sổ nhập dữ liệu được mở, bạn điều hướng đến thư mục lưu trữ file dữ liệu. Ví dụ, bạn có thể chọn tệp định dạng .csv với tên 345 – SEM 1. Sau khi lựa chọn thành công, hệ thống sẽ tự động hiển thị bảng thông tin tổng quan của bộ dữ liệu, bao gồm các thuộc tính như Name (tên biến quan sát), Missing (số lượng giá trị khuyết), Scale (loại thang đo hoặc kiểu dữ liệu), Min (giá trị nhỏ nhất) và Max (giá trị lớn nhất). Việc kiểm tra các thông số này giúp bạn đánh giá sơ bộ chất lượng dữ liệu, phát hiện sai lệch hoặc bất thường trước khi tiến hành phân tích mô hình.
Khi dữ liệu được nhập thành công, màn hình tổng quan dữ liệu sẽ hiển thị đầy đủ các biến và đặc điểm tương ứng. Nếu bảng thông tin này không xuất hiện, bạn cần rà soát lại tệp dữ liệu đầu vào, vì có thể phát sinh lỗi định dạng, thiếu dữ liệu, sai cấu trúc cột hoặc không tương thích định dạng. Sau khi điều chỉnh, bạn thực hiện lại thao tác nhập dữ liệu. Trong trường hợp cần quay lại giao diện trước đó, bạn có thể sử dụng nút Back để trở về màn hình dự án ban đầu và thực hiện lại các bước cần thiết.
4. Vẽ mô hình nghiên cứu trên diagram của SMARTPLS 4
Sau khi bạn nhập dữ liệu thành công vào phần mềm, bước tiếp theo là xây dựng và biểu diễn mô hình nghiên cứu trên diagram của SMARTPLS 4. Đây là một bước có ý nghĩa phương pháp luận quan trọng, bởi cấu trúc mô hình bạn thiết lập sẽ quyết định toàn bộ quy trình phân tích tiếp theo, bao gồm đánh giá độ tin cậy và giá trị của thang đo, kiểm định các giả thuyết nghiên cứu cũng như phân tích mức độ và hướng tác động giữa các biến tiềm ẩn. Việc thiết kế mô hình chính xác ngay từ đầu giúp đảm bảo tính nhất quán giữa mô hình lý thuyết và mô hình thực nghiệm trong phân tích PLS-SEM.
Xét một mô hình nghiên cứu gồm các biến tiềm ẩn và các mối quan hệ giả thuyết đã được xây dựng dựa trên cơ sở lý thuyết và các nghiên cứu trước đó.
Bạn tiến hành biểu diễn mô hình lý thuyết này trên SMARTPLS 4 bằng cách từ cửa sổ Project chọn chức năng Create Model. Thao tác này cho phép bạn khởi tạo một mô hình mới trong dự án dữ liệu hiện có.
Khi hộp thoại thiết lập xuất hiện, tại mục Model type bạn lựa chọn PLS-SEM để đảm bảo phương pháp phân tích phù hợp với mô hình cấu trúc tuyến tính dựa trên phương sai. Ở mục Model name, bạn nhập tên mô hình theo nhu cầu quản lý, ví dụ đặt là Diagram nhằm thuận tiện cho việc nhận diện và lưu trữ. Sau đó, bạn nhấp vào nút Save để hoàn tất quá trình khởi tạo mô hình.
Do phần giới thiệu chi tiết về chức năng công cụ và thao tác vẽ mô hình trong SMARTPLS 4 tương đối dài và bao gồm nhiều bước kỹ thuật, bạn nên tham khảo riêng tài liệu hướng dẫn chuyên sâu về thao tác vẽ mô hình, cũng như quy trình xuất và nhập dự án trong SMARTPLS 4. Sau khi hoàn tất các bước thiết kế, bạn sẽ thu được một diagram mô hình hoàn chỉnh, thể hiện đầy đủ các biến quan sát, biến tiềm ẩn và các đường dẫn quan hệ theo đúng cấu trúc lý thuyết đã đề xuất.
5. Thực hiện phân tích ước lượng PLS-SEM Algorithm và Bootstrapping trong SmartPLS 4
Sau khi hoàn tất việc xây dựng mô hình nghiên cứu trên giao diện phần mềm, bạn tiến hành hai bước phân tích cốt lõi gồm PLS-SEM Algorithm và Bootstrapping. Kết quả thu được từ hai thủ tục này là nền tảng để đánh giá toàn diện mô hình đo lường (measurement model) và mô hình cấu trúc (structural model).
– Đánh giá mô hình đo lường (Measurement Model):
-
Chất lượng các biến quan sát thông qua hệ số tải ngoài (Outer loading)
-
Độ tin cậy của thang đo, bao gồm Cronbach’s Alpha và Composite Reliability (CR)
-
Giá trị hội tụ và giá trị phân biệt, trong đó giá trị hội tụ được xem xét qua Average Variance Extracted (AVE), còn giá trị phân biệt được đánh giá thông qua chỉ số HTMT và tiêu chuẩn 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 chuẩn hóa và giá trị p-value
-
Hệ số xác định R bình phương (R square) phản ánh mức độ giải thích của mô hình
-
Hệ số tác động f bình phương (f square) thể hiện mức độ ảnh hưởng của từng biến độc lập
-
Hệ số dự báo Q bình phương (Q square) nhằm đánh giá năng lực dự báo của mô hình
5.1 Quy trình thực hiện 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 nội dung chính:
(1) Đánh giá mô hình đo lường: Bao gồm hệ số tải ngoài (Outer loading), độ tin cậy thang đo (Cronbach’s Alpha, CR), giá trị hội tụ (AVE) và giá trị phân biệt (HTMT, Fornell–Larcker). Dựa trên các chỉ số này, bạn có thể xác định liệu thang đo đã đạt yêu cầu về độ tin cậy và giá trị trước khi phân tích các quan hệ cấu trúc hay chưa.
(2) Đánh giá mô hình cấu trúc: Bao gồm hệ số VIF để kiểm tra đa cộng tuyến, hệ số R bình phương (R square) và hệ số tác động f bình phương (f square). Các chỉ số này cho thấy mức độ phù hợp và khả năng giải thích của mô hình nghiên cứu.
Tại giao diện Diagram, bạn chọn nút Calculate và nhấp vào PLS-SEM Algorithm.
Trong cửa sổ thiết lập, bạn giữ nguyên các thông số mặc định và chọn Start Calculation để bắt đầu quá trình ước lượng.
Sau khi hoàn tất, phần mềm sẽ hiển thị bảng kết quả. Khu vực bên trái giao diện bao gồm toàn bộ các nhóm kết quả của phân tích PLS-SEM Algorithm. Bạn có thể nhấp vào từng mục để xem chi tiết từng bảng kết quả và các chỉ số liên quan.
5.2 Quy trình thực hiện 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 thông tin về các tác động trực tiếp, gián tiếp và điều tiết, đồng thời báo cáo hệ số ước lượng chuẩn hóa (β), giá trị t-value và p-value. Căn cứ vào các chỉ số này, bạn có thể đưa ra kết luận về việc chấp nhận hoặc bác bỏ các giả thuyết nghiên cứu.
Tại giao diện Diagram, bạn chọn Calculate và nhấp vào Bootstrapping.
Trong cửa sổ thiết lập, bạn giữ nguyên cấu hình mặc định và thiết lập số lượng Subsamples là 5000 để đảm bảo độ tin cậy của ước lượng.
Sau khi chạy xong, khu vực bên trái giao diện sẽ hiển thị toàn bộ kết quả kiểm định từ phân tích Bootstrapping. Bạn nhấp vào từng mục để xem chi tiết các bảng kết quả và các chỉ số thống kê tương ứng.
6. Thực hiện phân tích dự báo Q² Predict trong SMARTPLS 4
Phân tích Q² Predict trong SMARTPLS 4 được sử dụng nhằm đánh giá năng lực dự báo của mô hình PLS-SEM đối với dữ liệu ngoài mẫu. Trong khi chỉ số R² phản ánh mức độ giải thích phương sai của biến phụ thuộc trong phạm vi mẫu nghiên cứu, thì Q² Predict tập trung xem xét khả năng dự báo thực tế của mô hình khi áp dụng cho các quan sát chưa được sử dụng trong quá trình ước lượng. Do đó, chỉ số này có ý nghĩa quan trọng trong việc kiểm định giá trị dự báo và tính khái quát hóa của mô hình nghiên cứu.
Tại giao diện phần mềm SMARTPLS 4, bạn chọn mục Calculate, sau đó nhấp vào tùy chọn PLSpredict/CVPAT để khởi chạy quy trình phân tích dự báo.
Trong hộp thoại thiết lập hiện ra, bạn giữ nguyên các tham số mặc định của thuật toán PLSpredict/CVPAT, bao gồm số lượng phân đoạn (folds) và số lần lặp lại theo cấu hình chuẩn của phần mềm. Sau đó, bạn nhấn Start Calculation để hệ thống tiến hành xử lý dữ liệu và ước lượng các chỉ số dự báo.
Sau khi hoàn tất quá trình tính toán, khu vực Output ở phía bên trái màn hình sẽ hiển thị toàn bộ kết quả kiểm định liên quan đến phân tích PLSpredict. Bạn có thể nhấp vào từng bảng kết quả để xem chi tiết các chỉ số như Q² Predict, RMSE, MAE và so sánh với mô hình chuẩn tuyến tính (LM benchmark) nhằm đánh giá mức độ dự báo của mô hình PLS-SEM. Việc diễn giải cần dựa trên giá trị Q² Predict lớn hơn 0 và mức sai số dự báo thấp hơn so với mô hình tham chiếu để kết luận mô hình có năng lực dự báo tốt.
Kết luận
Việc nắm vững quy trình thực hiện SMARTPLS 4 giúp bạn chủ động và tự tin hơn trong quá trình xử lý dữ liệu và kiểm định mô hình PLS-SEM. Từ bước chuẩn hóa dữ liệu, xây dựng mô hình đo lường, đánh giá độ tin cậy và giá trị hội tụ, giá trị phân biệt, đến kiểm định mô hình cấu trúc và thực hiện bootstrapping, mỗi công đoạn đều cần được triển khai đúng quy trình để đảm bảo tính chính xác và giá trị học thuật của kết quả nghiên cứu. Khi hiểu rõ từng bước thao tác và ý nghĩa thống kê của các chỉ số, bạn sẽ tối ưu hóa thời gian thực hiện và giảm thiểu sai sót trong quá trình hoàn thiện luận văn hoặc công trình nghiên cứu.
Trong trường hợp bạn gặp khó khăn hoặc cần hỗ trợ chuyên sâu hơn, bạn có thể tham khảo dịch vụ SMARTPLS của Phạm Lộc Blog. Dịch vụ cung cấp hỗ trợ toàn diện từ khâu chuẩn bị dữ liệu, xử lý dữ liệu, thực hiện phân tích trên SMARTPLS 4 đến hướng dẫn diễn giải kết quả nghiên cứu, đồng hành cùng bạn trong suốt quá trình hoàn thiện bài nghiên cứu một cách bài bản và chuyên nghiệp.
