Sau khi hoàn tất quá trình xử lý dữ liệu và xây dựng sơ đồ mô hình đường dẫn, bước tiếp theo là thực hiện phân tích mô hình ước lượng bằng phần mềm SmartPLS (hướng dẫn minh họa dựa trên phiên bản 3.2.2). Trường hợp chưa nắm rõ cách thiết lập mô hình đường dẫn, người nghiên cứu nên tham khảo trước tài liệu hướng dẫn Cách sử dụng phần mềm SMARTPLS để phân tích PLS-SEM để bảo đảm quy trình thực hiện chính xác và nhất quán.
Nếu muốn tải và kích hoạt bản dùng thử vĩnh viễn phần mềm SMARTPLS Full, bạn có thể làm theo hướng dẫn các bước tại bài viết trước đó.
1. Thiết lập phân tích mô hình ước lượng trên SmartPLS 3
Tại giao diện sơ đồ mô hình (diagram), lựa chọn Calculate > PLS Algorithm. Lưu ý rằng tùy chọn này chỉ hiển thị khi người dùng đang thao tác trong cửa sổ chứa mô hình đường dẫn.
Trong nội dung này, các thuật ngữ chuyên môn thuộc phương pháp PLS-SEM được sử dụng theo chuẩn học thuật; do đó, để hiểu đầy đủ về cấu trúc mô hình, cần nắm rõ sự phân biệt giữa mô hình cấu trúc và mô hình đo lường trong PLS-SEM tại bài viết Mô hình cấu trúc và mô hình đo lường trong PLS-SEM. Sau khi chọn PLS Algorithm, cửa sổ Partial Least Squares Algorithm sẽ xuất hiện và người dùng tiến hành thiết lập các tham số phân tích như sau:
– Weighting Scheme: Lựa chọn Path weighting scheme. Theo Lohmöller (1989), lược đồ trọng số đường dẫn được xem là phương pháp tối ưu so với các phương pháp thay thế do khả năng tối đa hóa hệ số xác định R bình phương trong từng mô hình cấu trúc. Henseler và cộng sự (2012) cũng chỉ ra rằng phương pháp này có thể áp dụng cho hầu hết các dạng mô hình PLS-SEM, do đó thường được khuyến nghị sử dụng trong thực hành nghiên cứu.
– Maximum Iterations: Giá trị mặc định của phần mềm là 300 vòng lặp. Thuật toán PLS hoạt động dựa trên quy trình lặp của phương pháp hồi quy bình phương tối thiểu nhằm ước lượng các trọng số ngoài của biến quan sát, từ đó tính toán giá trị của biến tiềm ẩn. Quá trình lặp sẽ dừng khi các trọng số đạt đến trạng thái hội tụ. Nếu số vòng lặp vượt quá ngưỡng 300 mà chưa đạt hội tụ, phần mềm sẽ không thể xác định được trọng số ngoài, dẫn đến việc không thiết lập được mối quan hệ trọng số giữa biến tiềm ẩn và các biến quan sát.
– Stop Criterion (10^-X): Giá trị mặc định là 7, tương ứng với ngưỡng hội tụ 10^-7. Đây là tiêu chí xác định mức sai số chấp nhận được giữa hai lần lặp liên tiếp. Hair và cộng sự (2016) đề xuất có thể sử dụng mức 10^-5 hoặc 10^-7; trong đó SmartPLS mặc định áp dụng mức 10^-7 nhằm bảo đảm độ chính xác của ước lượng.
Sau khi hoàn tất các thiết lập, lựa chọn Start Calculation để tiến hành phân tích mô hình.
Kết quả đầu ra của PLS Algorithm sẽ được hiển thị trong giao diện kết quả. Người nghiên cứu cần quan tâm đến ba khu vực chính. Thứ nhất là chức năng Export cho phép xuất dữ liệu kết quả sang các định dạng như Excel, HTML hoặc tệp tương thích với phần mềm R. Thứ hai là khu vực hiển thị nội dung chi tiết tương ứng với từng mục kết quả được lựa chọn. Thứ ba là danh sách các nhóm kết quả phân tích của mô hình, bao gồm các chỉ số liên quan đến mô hình đo lường và mô hình cấu trúc.
Sau khi quá trình ước lượng hoàn tất, việc tiếp theo là diễn giải và hiểu rõ các chỉ số được cung cấp trong danh sách kết quả trước khi tiến hành đánh giá chất lượng mô hình và phân tích mối quan hệ giữa các biến. Việc đọc và diễn giải chi tiết kết quả mô hình đo lường trên SmartPLS cần được thực hiện theo đúng quy trình phương pháp luận của PLS-SEM.
2. Nhận diện các chỉ số cơ bản của mô hình ước lượng trên SmartPLS 3
Sau khi quá trình ước lượng mô hình hoàn tất, SmartPLS sẽ hiển thị một tab mới mang tên PLS Algorithm (Run No.1). Mỗi lần thực hiện lại thao tác ước lượng, hệ thống sẽ tạo thêm một tab PLS Algorithm tương ứng với lần chạy đó, cho phép người nghiên cứu so sánh và đối chiếu kết quả giữa các lần phân tích.
a. Stop Criterion Changes
Chỉ số này phản ánh số vòng lặp mà thuật toán cần thực hiện trước khi đạt đến điều kiện hội tụ và dừng lại.
Trong kết quả minh họa, quá trình ước lượng dừng tại Iteration 2, cho thấy mô hình đã trải qua hai vòng lặp để xác định các trọng số ngoài của từng biến quan sát. Các giá trị như 0.203, 0.229… xuất hiện trong từng cột thể hiện trọng số ngoài, đồng thời có thể được hiểu là hệ số hồi quy của biến quan sát đối với biến tiềm ẩn tương ứng. Chỉ số này cho phép đánh giá mức độ ổn định của thuật toán trong quá trình lặp và hội tụ.
b. Latent Variable
Một điểm khác biệt cơ bản giữa PLS-SEM và CB-SEM nằm ở cơ chế xử lý biến tiềm ẩn. Trong khi CB-SEM không ước lượng trực tiếp giá trị của biến tiềm ẩn mà suy ra thông qua các biến quan sát, thì PLS-SEM sử dụng thuật toán để xây dựng và ước lượng giá trị biến tiềm ẩn như một thành phần nội sinh trong mô hình.
Giá trị của biến tiềm ẩn có vai trò trung tâm trong việc tính toán các tham số của mô hình, bao gồm trọng số ngoài và hệ số tải ngoài.
Người nghiên cứu có thể truy cập các tab liên quan để phân tích sâu hơn, chẳng hạn Latent Variable Correlations nhằm xem hệ số tương quan giữa các biến tiềm ẩn, hoặc LV Descriptives để theo dõi các thống kê mô tả như giá trị trung bình, giá trị nhỏ nhất, giá trị lớn nhất và độ lệch chuẩn. Những thông tin này hỗ trợ đánh giá đặc điểm phân phối và mối liên hệ giữa các cấu trúc trong mô hình.
c. Outer Loadings
Outer loadings là hệ số tải ngoài, cần phân biệt với outer weights là trọng số ngoài. Hệ số tải ngoài phản ánh mức độ liên hệ giữa biến quan sát và biến tiềm ẩn mà nó đại diện.
Trong quá trình đánh giá mô hình đo lường, việc xem xét mức độ phù hợp của biến quan sát chủ yếu dựa trên hệ số tải ngoài thay vì trọng số ngoài. Sự khác biệt giữa hai chỉ số này phụ thuộc vào loại mô hình đo lường được sử dụng, cụ thể là reflective hay formative. Các vấn đề lý thuyết và phương pháp luận liên quan có thể tham khảo trong tài liệu của Hair và cộng sự (2017) về PLS-SEM.
d. Path Coefficients
Path coefficients là hệ số hồi quy chuẩn hóa trong mô hình cấu trúc, thể hiện mức độ và chiều hướng tác động giữa các biến tiềm ẩn trong mô hình SEM.
Các hệ số này được trình bày dưới dạng ma trận, trong đó biến phụ thuộc được thể hiện theo cột và biến độc lập theo hàng. Ví dụ, nếu biến HL là biến phụ thuộc và chịu tác động từ ba biến độc lập CV, DK và TL, thì các hệ số hồi quy chuẩn hóa tương ứng có thể là 0.423, 0.438 và 0.350. Những giá trị này phản ánh cường độ ảnh hưởng tương đối giữa các cấu trúc trong mô hình.
Tuy nhiên, bảng kết quả của PLS Algorithm không cung cấp giá trị p-value để kiểm định ý nghĩa thống kê của các đường dẫn. Do đó, để xác định mối quan hệ nào có ý nghĩa thống kê, cần thực hiện thêm phân tích Bootstrap trong SmartPLS.
Sau khi hoàn tất bước ước lượng, nhà nghiên cứu sẽ tiếp tục đánh giá mô hình đo lường và mô hình cấu trúc nhằm đảm bảo độ tin cậy, giá trị hội tụ, giá trị phân biệt cũng như mức độ phù hợp tổng thể của mô hình nghiên cứu.
