Giá trị R2 (R Square) là chỉ số phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc trong phạm vi dữ liệu mẫu được phân tích (Hair và cộng sự, 2019). Nói cách khác, R2 cho biết tỷ lệ phương sai của biến phụ thuộc được lý giải bởi các biến độc lập trong mô hình. Tuy nhiên, R2 không đại diện cho khả năng dự báo của mô hình (predictive power), vì năng lực dự báo liên quan đến hiệu quả ước lượng trên dữ liệu ngoài mẫu nghiên cứu. Nhằm đánh giá khả năng dự báo ngoài mẫu, Stone (1974) và Geisser (1974) đã đề xuất chỉ số Q2, được sử dụng như một thước đo về năng lực dự báo ngoài mẫu của mô hình.
1. Phương pháp xác định Q2 (Q square) trong SMARTPLS
Trong SMARTPLS, chỉ số Q square có thể được xác định thông qua hai cách tiếp cận: cross-validated communality và cross-validated redundancy. Trong đó, phương pháp cross-validated redundancy được nhiều học giả khuyến nghị sử dụng, tiêu biểu như Wold (1982), Henseler và cộng sự (2012), Hair và cộng sự (2016), do phản ánh tốt hơn khả năng dự báo của mô hình cấu trúc.
Công thức và quy trình tính toán Q2 tương đối phức tạp, đòi hỏi thực hiện các bước kỹ thuật chuyên sâu. Nội dung này không trình bày chi tiết biểu thức toán học và quy trình tính Q2; người đọc có thể tham khảo thêm trong tài liệu “Phân tích dữ liệu: Áp dụng mô hình PLS-SEM” của Nguyễn Minh Hà và Vũ Hữu Thành (NXB Kinh tế TP.HCM, 2020) để hiểu rõ hơn về cơ sở lý thuyết và bản chất của chỉ số này.
Để thu được giá trị Q2 trong SMARTPLS, nhà nghiên cứu sử dụng thủ tục Blindfolding. Trong mô hình nghiên cứu, mỗi biến giữ vai trò biến phụ thuộc được xem như hình thành một mô hình thành phần. Mỗi mô hình thành phần bao gồm một biến phụ thuộc và một hoặc nhiều biến độc lập tác động đến biến đó. Do đó, một mô hình cấu trúc tổng thể có thể được cấu thành từ một hoặc nhiều mô hình thành phần, tương ứng với số lượng biến phụ thuộc trong mô hình.
2. Ngưỡng đánh giá hệ số Q2 trong SmartPLS
Trong phương pháp PLS-SEM, mỗi mô hình thành phần được đánh giá thông qua hệ số R2 nhằm phản ánh mức độ giải thích của các biến độc lập đối với biến phụ thuộc, đồng thời được xem xét thêm chỉ số Q2 để đo lường năng lực dự báo của các biến độc lập đối với biến phụ thuộc. Trong khi R2 tập trung vào khả năng giải thích phương sai nội mẫu, Q2 được sử dụng để đánh giá giá trị dự báo ngoài mẫu của mô hình.
Theo Tenenhaus và cộng sự (2005), Q2 được xem là chỉ báo đánh giá chất lượng tổng thể của mô hình thành phần trong PLS-SEM. Cụ thể, khi tất cả các mô hình thành phần trong cấu trúc nghiên cứu đều có giá trị Q2 lớn hơn 0, có thể kết luận rằng mô hình cấu trúc tổng thể đạt yêu cầu về chất lượng dự báo.
Hair và cộng sự (2019) đề xuất các ngưỡng phân loại mức độ dự báo của mô hình dựa trên giá trị Q2 như sau:
0 < Q2 < 0,25: mức độ chính xác dự báo thấp
0,25 ≤ Q2 ≤ 0,5: mức độ chính xác dự báo trung bình
Q2 > 0,5: mức độ chính xác dự báo cao
3. Phân tích hệ số Q2 bằng kỹ thuật Blindfolding trong SmartPLS 3
Xem xét một mô hình nghiên cứu bao gồm hai biến phụ thuộc là HL và GB.
Như vậy, mô hình cấu trúc tổng thể được cấu thành từ hai mô hình thành phần tương ứng với hai biến phụ thuộc này. Do đó, quá trình đánh giá sẽ xác định hai giá trị Q2 riêng biệt nhằm phản ánh mức độ phù hợp dự báo của từng mô hình thành phần.
Trên giao diện Diagram của SmartPLS, lựa chọn Calculate và tiếp tục chọn Blindfolding để thực hiện phân tích.
Khi cửa sổ Blindfolding xuất hiện, người nghiên cứu cần nhập giá trị khoảng cách loại bỏ quan sát vào mục Omission Distance. Theo Apel và Wold (1982), khoảng cách này phải lớn hơn hoặc bằng 1 và được khuyến nghị nằm trong khoảng từ 5 đến 10 để đảm bảo độ tin cậy của ước lượng. Nhóm phát triển phần mềm SmartPLS đề xuất sử dụng giá trị 7 làm mặc định. Trong trường hợp giá trị 7 không phù hợp hoặc không thực hiện được phân tích, có thể điều chỉnh linh hoạt các giá trị lân cận như 6, 8 hoặc 9. Sau khi thiết lập tham số, nhấn Start Calculation để tiến hành xử lý dữ liệu.
Kết quả phân tích được hiển thị trong phần Output của Blindfolding. Để xem hệ số Q2, chọn mục Construct Crossvalidated Redundancy.
Kết quả cho thấy:
Mô hình thành phần tương ứng với biến phụ thuộc GB đạt giá trị Q2 = 0,324. Theo các ngưỡng đánh giá phổ biến trong mô hình PLS-SEM (Hair và cộng sự), giá trị Q2 trong khoảng từ 0,25 đến 0,50 phản ánh mức độ chính xác dự báo trung bình. Ngược lại, mô hình thành phần của biến phụ thuộc HL có Q2 = 0,657, vượt ngưỡng 0,50, cho thấy mô hình đạt mức độ chính xác dự báo cao. Những kết quả này khẳng định mô hình có năng lực dự báo đáng kể đối với các biến phụ thuộc trong nghiên cứu.
