Để đánh giá mô hình đo lường và mô hình cấu trúc trong một nghiên cứu sử dụng phương pháp PLS-SEM trên phần mềm SmartPLS 4, nhà nghiên cứu cần thực hiện hai thủ tục phân tích cốt lõi gồm PLS-SEM Algorithm và Bootstrapping. Hai kỹ thuật này đóng vai trò nền tảng trong việc ước lượng tham số và kiểm định ý nghĩa thống kê của các mối quan hệ trong mô hình nghiên cứu.
1. Phân tích PLS-SEM Algorithm trong SmartPLS 4
Trước khi tiến hành ước lượng mô hình bằng SmartPLS 4, người nghiên cứu cần thiết lập dự án, xây dựng mô hình nghiên cứu, khai báo các biến và nhập dữ liệu vào phần mềm. Đây là bước tiền đề nhằm đảm bảo cấu trúc mô hình và bộ dữ liệu phù hợp với yêu cầu phân tích PLS-SEM.
Kết quả từ PLS-SEM Algorithm cung cấp phần lớn các chỉ số cần thiết cho việc đánh giá mô hình đo lường và mô hình cấu trúc. Cụ thể, kết quả bao gồm hệ số tải ngoài của các biến quan sát, các chỉ số đánh giá độ tin cậy và giá trị của thang đo, hệ số xác định R-square, kích thước ảnh hưởng f-square, hệ số phóng đại phương sai VIF và các hệ số đường dẫn trong mô hình cấu trúc. Đây là các chỉ số quan trọng được sử dụng để đánh giá độ phù hợp và chất lượng của mô hình nghiên cứu theo phương pháp PLS-SEM.
Tại giao diện Diagram của SmartPLS 4, người dùng chọn chức năng Calculate và sau đó chọn PLS-SEM Algorithm để tiến hành phân tích.
Khi hộp thoại thiết lập xuất hiện, trong hầu hết các trường hợp có thể giữ nguyên các thông số mặc định của phần mềm. Sau đó, nhấn Start Calculation để bắt đầu quá trình ước lượng mô hình.
Sau khi hoàn tất quá trình tính toán, giao diện kết quả của PLS-SEM Algorithm sẽ hiển thị với bốn khu vực chức năng chính, hỗ trợ người dùng trong việc quan sát, phân tích và xuất dữ liệu.
Vùng 1
Đây là khu vực hiển thị các bảng kết quả thống kê và kiểm định. Các chỉ số thường được sử dụng bao gồm: hệ số đường dẫn thể hiện mức độ và chiều hướng tác động trực tiếp giữa các biến tiềm ẩn; hệ số tác động gián tiếp phản ánh các quan hệ trung gian; hệ số tải ngoài thể hiện mức độ đóng góp của biến quan sát vào biến tiềm ẩn; hệ số xác định R-square cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Ngoài ra, khu vực này còn cung cấp nhiều chỉ số khác phục vụ đánh giá độ tin cậy và giá trị của thang đo.
Vùng 2
Khu vực này cho phép người dùng tùy chọn hiển thị các thông số lên sơ đồ mô hình ở phía dưới. Ví dụ, mục Constructs có thể được sử dụng để hiển thị giá trị R-square bên trong các biến tiềm ẩn nội sinh; mục Inner model cho phép hiển thị hệ số đường dẫn trên các mũi tên liên kết giữa các biến tiềm ẩn; chức năng Zoom hỗ trợ điều chỉnh kích thước sơ đồ để thuận tiện cho việc quan sát và trình bày.
Vùng 3
Đây là khu vực hiển thị trực quan sơ đồ mô hình cùng với các thông số tương ứng. Khi người dùng lựa chọn một loại kiểm định hoặc chỉ số tại vùng 1, vùng 3 sẽ cập nhật và hiển thị bảng số liệu hoặc biểu đồ liên quan, giúp việc diễn giải kết quả trở nên trực quan và hệ thống hơn.
Vùng 4
Khu vực này bao gồm các chức năng quản lý và xuất kết quả phân tích. Người dùng có thể lưu lại kết quả ước lượng hiện tại, xuất dữ liệu sang định dạng Excel hoặc HTML để phục vụ báo cáo nghiên cứu, tạo tệp dữ liệu mới bao gồm các biến được tính toán thêm như biến tiềm ẩn hoặc phần dư, cũng như so sánh kết quả giữa các lần chạy mô hình khác nhau nhằm đánh giá sự ổn định của mô hình nghiên cứu.
2. Quy trình thực hiện Bootstrapping trên SMARTPLS 4
Phân tích Bootstrapping trong SMARTPLS 4 cung cấp các kết quả thiết yếu phục vụ đánh giá mô hình cấu trúc (structural model), bao gồm tác động trực tiếp (direct effects), tác động gián tiếp (indirect effects), và tác động điều tiết (moderating effects). Đây là kỹ thuật tái lấy mẫu không tham số được sử dụng rộng rãi trong PLS-SEM nhằm ước lượng sai số chuẩn, giá trị t và mức ý nghĩa thống kê của các hệ số đường dẫn.
Tại giao diện Diagram, người nghiên cứu chọn Calculate và tiếp tục chọn Bootstrapping để khởi chạy quy trình phân tích.
Sau khi cửa sổ thiết lập xuất hiện, cần cấu hình các tham số Bootstrapping như sau:
– Subsamples: Xác định số lượng mẫu lặp lại trong quá trình tái lấy mẫu. Thông lệ nghiên cứu khuyến nghị sử dụng 1.000 hoặc 5.000 mẫu lặp, trong đó 5.000 là mức mặc định của phần mềm và thường được ưu tiên nhằm đảm bảo độ ổn định của ước lượng.
– Amount of results: Bao gồm hai lựa chọn là Most important (chỉ xuất các kết quả trọng yếu) và Complete (xuất toàn bộ kết quả có thể). Trong đa số nghiên cứu thực nghiệm, tùy chọn Most important là đủ để phục vụ đánh giá mô hình. Hệ thống mặc định thiết lập ở chế độ này.
– Confidence interval method: Lựa chọn phương pháp ước lượng khoảng tin cậy. Thiết lập mặc định là Percentile bootstrap, phương pháp phổ biến trong các nghiên cứu PLS-SEM do không yêu cầu giả định phân phối chuẩn.
– Test Type: Lựa chọn dạng kiểm định giả thuyết. Thông thường sử dụng kiểm định hai phía (Two-tailed test) nhằm đánh giá sự khác biệt có ý nghĩa thống kê theo cả hai chiều tác động.
– Significance level: Xác định mức ý nghĩa thống kê (alpha). Mức mặc định là 0,05 (5%), tuy nhiên có thể điều chỉnh xuống 0,01 (1%) hoặc tăng lên 0,10 (10%) tùy thuộc vào đặc điểm thiết kế nghiên cứu và yêu cầu về độ tin cậy.
Sau khi hoàn tất các thiết lập, nhấn Start Calculation để phần mềm tiến hành chạy phân tích Bootstrapping.
Giao diện kết quả Bootstrapping có cấu trúc tương tự giao diện PLS-SEM Algorithm, bao gồm bốn khu vực làm việc chính. Tuy nhiên, điểm khác biệt cốt lõi nằm ở việc hiển thị bổ sung các chỉ số kiểm định thống kê như sai số chuẩn, giá trị t, giá trị p và khoảng tin cậy tại khu vực kết quả trung tâm.
Hai quy trình PLS-SEM Algorithm và Bootstrapping cung cấp hệ thống chỉ số toàn diện phục vụ đánh giá mô hình đo lường và mô hình cấu trúc trong các nghiên cứu sử dụng SMARTPLS. Việc kết hợp hai phân tích này giúp đảm bảo tính tin cậy, giá trị và ý nghĩa thống kê của các mối quan hệ giả thuyết trong mô hình nghiên cứu.
