Phân tích đa nhóm (Multigroup Analysis – MGA) trong SmartPLS 3

Trong bộ dữ liệu minh họa, biến định tính Giới tính được mã hóa với hai giá trị: 1 tương ứng Nam và 2 tương ứng Nữ. Biến này sẽ được khai báo để thực hiện phân tích MGA trong SMARTPLS.

Tại cửa sổ Project Explorer, nhấp đúp vào tệp dữ liệu ở mục 1 để phần mềm mở tab mô tả dữ liệu tại mục 2. Từ đây, người nghiên cứu có thể tiến hành tạo các nhóm dữ liệu dựa trên biến phân loại.

Chọn chức năng Generate Data Groups để thiết lập các nhóm giá trị cho biến định tính.

Cửa sổ Generate Data Groups xuất hiện với các tùy chọn cấu hình như sau:

• Mục 1 – Name prefix: Nhập tiền tố cho biến phân nhóm. Tiền tố này sẽ đứng trước tên các nhóm trong kết quả MGA và có thể chỉnh sửa lại sau khi tạo. Trong ví dụ minh họa, tiền tố được đặt là GT_ đại diện cho Giới tính.
• Mục 2 – Group Columns: 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 thực hiện MGA với nhiều biến phân loại đồng thời làm gia tăng độ phức tạp trong diễn giải kết quả và đòi hỏi nền tảng phương pháp luận vững chắc. Trong phạm vi hướng dẫn này, chỉ thực hiện phân tích với một biến phân loại đơn. Tại mục này, chọn biến GioiTinh từ danh sách thả xuống. Nếu biến không xuất hiện, cần kiểm tra lại quá trình nhập dữ liệu vì có thể biến chưa được đưa vào tệp dữ liệu.
• Mục 3 – Minimum cases: Xác định số quan sát tối thiểu trong mỗi nhóm. Mặc định của SMARTPLS là 10 quan sát cho mỗi nhóm giá trị. Điều này có nghĩa là số lượng đáp viên thuộc nhóm Nam và nhóm Nữ đều phải đạt tối thiểu 10 trường hợp thì mới đủ điều kiện thực hiện MGA. Nếu một nhóm có dưới 10 quan sát, phần mềm sẽ không cho phép triển khai phân tích. Trong nghiên cứu định lượng, kích thước mẫu đủ lớn ở từng nhóm là điều kiện cần để đảm bảo độ tin cậy và giảm sai lệch của các ước lượng thống kê. Nhóm có số quan sát quá nhỏ thường dẫn đến phương sai lớn và kết quả thiếu ổn định.

Sau khi hoàn tất các thiết lập, nhấp OK để xác nhận việc tạo nhóm dữ liệu.

Giao diện Data Groups sẽ hiển thị danh sách các nhóm được tạo. Do biến Giới tính có hai giá trị, bảng sẽ bao gồm hai dòng tương ứng:

• Name: Bao gồm GT_GioiTinh(1.0) ứng với giá trị mã hóa 1 trong dữ liệu và GT_GioiTinh(2.0) ứng với giá trị mã hóa 2. Trong đó, GT_ là tiền tố, GioiTinh là tên biến trong bộ dữ liệu và 1.0, 2.0 là các giá trị cụ thể của biến.
• Records: Thể hiện số lượng quan sát trong từng nhóm. Ví dụ minh họa cho thấy có 89 đáp viên thuộc nhóm giá trị 1 (Nam) và 111 đáp viên thuộc nhóm giá trị 2 (Nữ).

Để thuận tiện cho việc đọc và diễn giải kết quả MGA, nên chỉnh sửa lại tên nhóm thay vì giữ nguyên cấu trúc mặc định. Di chuyển chuột đến từng dòng và chọn Edit để thay đổi tên.

Khi cửa sổ Configure Data Group xuất hiện, tại mục Group Name nhập tên mới phù hợp, ví dụ Nam cho nhóm mã hóa 1.

Thực hiện tương tự đối với nhóm mã hóa 2 và đặt tên là Nữ. Sau khi hoàn tất, bảng Data Groups sẽ hiển thị các nhóm với tên gọi rõ ràng, hỗ trợ quá trình phân tích và báo cáo kết quả một cách chính xác và dễ hiểu.

3. Phân tích đa nhóm MGA trên SMARTPLS 3

Tại giao diện vẽ mô hình, lựa chọn Calculate và tiếp tục chọn Multi-Group Analysis (MGA) để tiến hành phân tích đa nhóm.

Khi cửa sổ Multi-Group Analysis xuất hiện, phần Setup sẽ hiển thị hai tập nhóm là Groups A và Groups B. Cơ chế MGA trong SMARTPLS dựa trên việc so sánh sự khác biệt các tham số của mô hình cấu trúc tuyến tính từng phần (PLS-SEM) theo từng cặp nhóm. Cụ thể, mỗi giá trị thuộc Groups A sẽ được đối chiếu lần lượt với từng giá trị thuộc Groups B. Trong ví dụ minh họa, mục tiêu là so sánh sự khác biệt theo giới tính giữa Nam và Nữ; do đó có thể thiết lập Groups A là Nam và Groups B là Nữ, hoặc ngược lại mà không ảnh hưởng đến bản chất kiểm định.

Trong trường hợp biến phân nhóm có nhiều hơn hai giá trị, chẳng hạn xuất hiện thêm nhóm Giới tính khác, và nhà nghiên cứu mong muốn so sánh toàn bộ các cặp nhóm, có thể lựa chọn Select All cho cả Groups A và Groups B. Khi đó, phần mềm sẽ tự động thực hiện so sánh từng cặp giá trị giữa hai tập nhóm và loại trừ các trường hợp trùng lặp (ví dụ Nam so với Nam). Sau khi hoàn tất lựa chọn nhóm, nhấn Start Calculation để bắt đầu phân tích MGA.

Kết quả xuất ra bao gồm nhiều bảng thống kê, trong đó cần tập trung vào tab PLS-MGA tại mục Path Coefficients.

• Chỉ số Path Coefficients-diff phản ánh độ chênh lệch hệ số tác động chuẩn hóa giữa hai nhóm được so sánh. Giá trị này được tính bằng hệ số tác động chuẩn hóa của nhóm A trừ cho nhóm B; trong ví dụ là hệ số của Nam trừ cho Nữ.
• Chỉ số p-Value new cho biết sự khác biệt giữa hai hệ số tác động có đạt ý nghĩa thống kê hay không. Nếu p-Value new nhỏ hơn 0.05, với mức ý nghĩa mặc định 5 phần trăm, có thể kết luận tồn tại sự khác biệt có ý nghĩa thống kê giữa hai nhóm. Ngược lại, nếu p-Value new lớn hơn 0.05, sự khác biệt quan sát được không đủ bằng chứng thống kê để khẳng định.

Kết quả PLS-MGA giữa hai nhóm Nam và Nữ cho thấy:

– Tồn tại sự khác biệt có ý nghĩa thống kê ở hai mối quan hệ CV → HL và HL → GB, với p-Value new lần lượt là 0.026 và 0.001, đều nhỏ hơn 0.05. Các mối quan hệ còn lại có p-Value new lớn hơn 0.05 nên không ghi nhận sự khác biệt đáng kể giữa hai nhóm.

– Sau khi xác định các mối quan hệ có sự khác biệt, cần xem xét dấu và độ lớn của Path Coefficients-diff để diễn giải chiều hướng tác động. Ở mối quan hệ CV → HL, giá trị chênh lệch là -0.226, nhỏ hơn 0, cho thấy tác động của CV lên HL ở nhóm Nữ mạnh hơn nhóm Nam. Tương tự, tại mối quan hệ HL → GB, giá trị -0.257 cho thấy cường độ tác động ở nhóm Nữ cũng lớn hơn so với nhóm Nam.

Tiếp theo, chuyển sang tab Bootstrapping Results tại mục Path Coefficients để quan sát hệ số tác động chuẩn hóa ở cột Original Sample và giá trị p-Value của từng nhóm riêng biệt.

– Bảng kết quả cho thấy ở mối quan hệ CV → HL, p-Value của nhóm Nam là 0.095, lớn hơn 0.05, trong khi ở nhóm Nữ là 0.000, nhỏ hơn 0.05. Điều này hàm ý rằng đối với nam giới, tác động của CV lên HL không đạt ý nghĩa thống kê; ngược lại, ở nữ giới, tác động này có ý nghĩa thống kê với hệ số chuẩn hóa bằng 0.367.

– Diễn giải tương tự được áp dụng cho mối quan hệ HL → GB.

Để đánh giá sâu hơn sự khác biệt giữa các nhóm, cần tiếp tục thực hiện phân tích PLS Algorithm và Bootstrapping theo từng nhóm dữ liệu.

Trong hai thủ tục này, tại tab Setup, chuyển sang mục Data Groups và chọn Select All, sau đó nhấn Start Calculation để xuất kết quả.

Khi đó, trong phần kết quả của PLS Algorithm và Bootstrapping sẽ xuất hiện thêm mục Data Group. Tại đây có thể lựa chọn xem kết quả cho từng nhóm cụ thể.

Trong ví dụ, phần Data Group bao gồm ba lựa chọn: Complete, Nam và Nữ. Complete là kết quả phân tích trên toàn bộ mẫu; còn Nam và Nữ tương ứng với hai bộ dữ liệu đã được tách riêng theo biến phân nhóm. Phần mềm thực hiện phân tích PLS Algorithm và Bootstrapping độc lập cho từng bộ dữ liệu này.

Để so sánh chi tiết mô hình giữa hai nhóm, nhà nghiên cứu có thể đánh giá mô hình đo lường và mô hình cấu trúc ở từng nhóm, bao gồm so sánh hệ số xác định R bình phương, kích thước hiệu ứng f bình phương, cũng như hệ số tác động chuẩn hóa của các mối quan hệ trong mô hình.

Trong trường hợp muốn tập trung vào các mối quan hệ có sự khác biệt theo kết quả MGA, chỉ cần xem xét đồng thời hai chỉ số p-Value và Original Sample tại những đường dẫn đã được xác định có khác biệt.

Giá trị Path Coefficients-diff trong MGA thực chất được tính bằng cách lấy hệ số Original Sample của nhóm Nam trừ cho nhóm Nữ trong kết quả Bootstrapping, ví dụ 0.141 trừ 0.367 bằng -0.226. Kết quả này cho thấy ở nhóm Nam, tác động của CV lên HL không có ý nghĩa thống kê, trong khi ở nhóm Nữ, tác động này tồn tại và có cường độ lớn hơn đáng kể.

Ngoài các mối quan hệ được xác định có sự khác biệt, nhà nghiên cứu cũng nên xem xét các quan hệ còn lại trong mô hình giữa hai nhóm. Trong mô hình cấu trúc tuyến tính, các đường dẫn có mối liên hệ tương tác lẫn nhau; do đó, sự thay đổi ở một quan hệ có thể tạo ra hiệu ứng lan tỏa và làm biến đổi các hệ số tác động chuẩn hóa khác trong toàn bộ mô hình.