Một mô hình nghiên cứu có thể được phân tích bằng nhiều kỹ thuật và phần mềm khác nhau, tùy thuộc vào mục tiêu nghiên cứu và cấu trúc của mô hình. Đối với các mối quan hệ trực tiếp, nhà nghiên cứu có thể sử dụng phân tích hồi quy tuyến tính trên SPSS hoặc mô hình phương trình cấu trúc (SEM) trên AMOS và SMARTPLS. Các mối quan hệ trung gian có thể được kiểm định thông qua macro PROCESS trên SPSS, kỹ thuật Bootstrapping trong AMOS hoặc SEM trên SMARTPLS. Trong khi đó, các mối quan hệ điều tiết có thể được xử lý bằng macro PROCESS trên SPSS, mô hình hóa biến điều tiết thông qua sơ đồ phụ trong AMOS hoặc SEM trên SMARTPLS. Trước sự đa dạng của các công cụ phân tích này, vấn đề đặt ra là công cụ nào phù hợp hơn và những ưu điểm, hạn chế của từng phần mềm là gì. Để làm rõ nội dung này, nghiên cứu tiến hành so sánh SPSS, AMOS và SMARTPLS trong việc xử lý mô hình nghiên cứu thông qua hai cách tiếp cận: xử lý mô hình đơn lẻ và xử lý mô hình bội, hay còn gọi là mô hình tổng thể.
Xét một mô hình nghiên cứu có mức độ phức tạp cao
Mô hình này bao gồm nhiều dạng quan hệ cần được đánh giá đồng thời, cụ thể như sau:
– Thứ nhất, các mối quan hệ trực tiếp bao gồm năm quan hệ, trong đó bốn biến UT, CS, TT và LS tác động trực tiếp đến biến YD, và biến YD tiếp tục tác động trực tiếp đến biến QD.
– Thứ hai, các mối quan hệ trung gian bao gồm bốn quan hệ, phản ánh tác động gián tiếp của các biến UT, CS, TT và LS đến biến QD thông qua biến trung gian YD.
– Thứ ba, mô hình còn tồn tại một mối quan hệ điều tiết, trong đó biến TN đóng vai trò điều tiết đối với mối quan hệ giữa YD và QD.
1. Xử lý mô hình đơn, mô hình bội và mô hình tổng thể
Mô hình nghiên cứu chính của đề tài được xác định là mô hình tổng thể. Mô hình tổng thể được hình thành từ nhiều mô hình đơn lẻ; khi kết hợp hai mô hình đơn sẽ tạo thành mô hình bội. Chẳng hạn, trong mô hình nghiên cứu được trình bày ở phần giới thiệu, mô hình tổng thể được cấu thành từ bảy mô hình đơn cụ thể như sau:
- Mô hình đơn thứ nhất phản ánh tác động trực tiếp của các biến UT, CS, TT và LS đến biến YD.
- Mô hình đơn thứ hai thể hiện tác động trực tiếp của YD đến QD; khi kết hợp mô hình đơn thứ nhất và mô hình đơn thứ hai sẽ hình thành mô hình bội về tác động trực tiếp.
- Mô hình đơn thứ ba xem xét vai trò điều tiết của biến TN đối với mối quan hệ giữa YD và QD.
- Mô hình đơn thứ tư phân tích tác động gián tiếp của UT đến QD thông qua biến trung gian YD.
- Mô hình đơn thứ năm đánh giá tác động gián tiếp của CS đến QD thông qua YD.
- Mô hình đơn thứ sáu xem xét tác động gián tiếp của TT đến QD thông qua YD.
- Mô hình đơn thứ bảy phân tích tác động gián tiếp của LS đến QD thông qua YD; khi gộp các mô hình đơn thứ tư, thứ năm, thứ sáu và thứ bảy sẽ hình thành mô hình bội về tác động gián tiếp.
Việc xử lý các mô hình nghiên cứu cần được tiếp cận theo hai hướng khác nhau, do năng lực phân tích và xử lý mối quan hệ giữa các biến của từng phần mềm thống kê không hoàn toàn tương đồng.
Cụ thể, phương pháp hồi quy sử dụng trên phần mềm SPSS không cho phép xử lý đồng thời toàn bộ bảy mô hình đơn trong một lần phân tích, mà yêu cầu thực hiện riêng biệt từng mô hình đơn qua bảy lần phân tích khác nhau. Ngược lại, phần mềm SmartPLS cho phép xử lý đồng thời toàn bộ bảy mô hình đơn trong một lần phân tích duy nhất.
2. Xử lý mô hình bằng SPSS kết hợp macro PROCESS
Trong quá trình phân tích dữ liệu bằng SPSS nhằm đánh giá ý nghĩa thống kê của các mối quan hệ tác động trong mô hình nghiên cứu, phương pháp chủ yếu được sử dụng là hồi quy tuyến tính tích hợp sẵn trong SPSS kết hợp với kỹ thuật bootstrapping thông qua macro PROCESS. Các kỹ thuật này về bản chất đều dựa trên cách tiếp cận xử lý từng mô hình đơn lẻ.
Đối với mô hình nghiên cứu đang xét, việc xử lý trên SPSS được triển khai thông qua bảy lần phân tích riêng biệt, cụ thể như sau:
- Lần phân tích thứ nhất nhằm kiểm định tác động trực tiếp của các biến UT, CS, TT và LS lên biến YD, => được thực hiện bằng phương pháp hồi quy tuyến tính.
- Lần phân tích thứ hai kiểm định tác động trực tiếp của YD lên QD, => cũng sử dụng hồi quy tuyến tính.
- Lần phân tích thứ ba xem xét vai trò điều tiết của biến TN đối với mối quan hệ giữa YD và QD, => được xử lý bằng macro PROCESS.
- Lần phân tích thứ tư đánh giá tác động gián tiếp của UT lên QD thông qua biến trung gian YD, => sử dụng macro PROCESS.
- Lần phân tích thứ năm kiểm định tác động gián tiếp của CS lên QD thông qua YD => bằng macro PROCESS.
- Lần phân tích thứ sáu phân tích tác động gián tiếp của TT lên QD thông qua YD => bằng macro PROCESS.
- Lần phân tích thứ bảy đánh giá tác động gián tiếp của LS lên QD thông qua YD, => tiếp tục sử dụng macro PROCESS.
Ưu điểm
– Cách tiếp cận này là việc chia nhỏ các mối quan hệ phức tạp trong mô hình tổng thể thành nhiều mô hình đơn giản hơn, từ đó cho phép áp dụng linh hoạt cho nhiều dạng mô hình nghiên cứu khác nhau. Dù mô hình có mức độ phức tạp cao, vẫn có thể tách thành các mô hình đơn để phân tích riêng lẻ.
– Bên cạnh đó, chỉ với phần mềm SPSS kết hợp macro PROCESS, nhà nghiên cứu có thể xử lý đầy đủ các dạng quan hệ trực tiếp, trung gian và điều tiết, phù hợp với những đối tượng không chuyên sâu về các phần mềm phân tích mô hình cấu trúc như AMOS hay SmartPLS.
Tuy nhiên, phương pháp này cũng tồn tại một số hạn chế nhất định.
– Thứ nhất, số lượng lần phân tích cần thực hiện là tương đối lớn.
– Thứ hai, khi xử lý từng mô hình đơn lẻ, các mối quan hệ và sự tương tác của những biến còn lại trong mô hình tổng thể không được xem xét đồng thời. Điều này có thể dẫn đến sự thiếu phù hợp về mặt lý thuyết, bởi trong thực tế các biến trong mô hình tồn tại đồng thời và có khả năng tác động qua lại lẫn nhau.
Chẳng hạn, đối với mô hình nghiên cứu nêu trên, khi tiến hành phân tích mô hình đơn thứ nhất với hồi quy tuyến tính từ UT, CS, TT và LS lên YD, nhà nghiên cứu đang giả định sự vắng mặt của các biến TN và QD, cũng như không tồn tại mối quan hệ điều tiết và quan hệ trực tiếp từ YD đến QD.
Việc cô lập từng mô hình đơn và bỏ qua các biến cũng như các mối quan hệ khác trong mô hình tổng thể có thể tạo ra sự sai lệch trong kết quả ước lượng so với việc xử lý toàn bộ mô hình đồng thời. Điều này có thể được kiểm chứng bằng cách phân tích cùng mô hình bằng phương pháp SEM trên SmartPLS, trong đó hệ số tác động từ UT, CS, TT và LS lên YD sẽ có sự khác biệt giữa mô hình có và không có sự xuất hiện của TN và QD.
– Ngoài ra, cách tiếp cận này còn thiếu tính đồng bộ trong cơ chế xử lý dữ liệu. Cụ thể, các mối quan hệ trực tiếp được kiểm định bằng hồi quy tuyến tính trong SPSS, trong khi các mối quan hệ trung gian và điều tiết lại được phân tích thông qua bootstrapping. Hồi quy tuyến tính và bootstrapping là hai kỹ thuật có nguyên lý và cơ chế xử lý thống kê khác nhau, điều này có thể ảnh hưởng đến tính nhất quán trong việc diễn giải kết quả nghiên cứu.
3. Xử lý mô hình bằng AMOS kết hợp các plugins hỗ trợ
Việc xử lý các mối quan hệ trong mô hình bằng AMOS được thực hiện thông qua phân tích mô hình cấu trúc tuyến tính SEM tích hợp sẵn trong phần mềm, kết hợp với các plugins hỗ trợ phân tích tác động gián tiếp. Trong AMOS, tác động gián tiếp được hỗ trợ trực tiếp trong SEM dưới dạng tác động gián tiếp tổng hợp. Tuy nhiên, phần mềm hiện chưa cho phép ước lượng các tác động gián tiếp riêng biệt, do đó cần sử dụng các plugins bổ trợ từ bên ngoài và tách việc phân tích thành các mô hình đơn lẻ.
Để xử lý mô hình nghiên cứu bằng AMOS, quá trình phân tích được thực hiện qua hai lần riêng biệt.
- Lần phân tích thứ nhất tập trung vào các tác động trực tiếp từ UT, CS, TT và LS lên YD (mô hình đơn 1), tác động trực tiếp từ YD lên QD (mô hình đơn 2), đồng thời xem xét các tác động gián tiếp từ UT, CS, TT và LS lên QD thông qua YD (các mô hình đơn 4, 5, 6 và 7). Các mối quan hệ này được xử lý bằng phân tích đường dẫn trong SEM.
- Lần phân tích thứ hai nhằm kiểm định vai trò điều tiết của biến TN trong mối quan hệ giữa YD và QD (mô hình đơn 3). Việc phân tích tác động điều tiết có thể được thực hiện bằng macro PROCESS trên SPSS hoặc thông qua sơ đồ điều tiết phụ trong AMOS.
Trong mô hình nghiên cứu ban đầu, các mối quan hệ trung gian từ UT, CS, TT và LS lên QD thông qua YD đồng thời tồn tại dưới dạng tác động gián tiếp riêng biệt và tác động gián tiếp tổng hợp. Do đó, các quan hệ này có thể được xử lý đồng thời trong phân tích đường dẫn SEM.
Giả sử mô hình nghiên cứu được mở rộng với sự xuất hiện của thêm một biến trung gian là HL. Khi đó, tác động gián tiếp từ UT, CS, TT và LS lên QD sẽ được truyền qua hai biến trung gian là YD và HL. Trong trường hợp này, AMOS không thể ước lượng riêng biệt từng đường dẫn gián tiếp như UT → YD → QD hay UT → HL → QD, mà chỉ cung cấp kết quả tác động gián tiếp tổng hợp từ UT lên QD thông qua đồng thời hai biến trung gian YD và HL.
Để phân tích các tác động gián tiếp riêng biệt trong trường hợp này, cần sử dụng các plugins hỗ trợ được tích hợp từ bên ngoài vào AMOS. Khi đó, mỗi mối quan hệ gián tiếp riêng biệt sẽ được xem xét như một mô hình đơn và không thể gộp chung để phân tích đồng thời với mô hình SEM tổng thể.
Về ưu điểm
Việc sử dụng AMOS giúp hạn chế số lần phân tích mô hình so với SPSS. Khi mô hình nghiên cứu trở nên phức tạp với nhiều biến trung gian hoặc biến điều tiết, việc xử lý bằng SPSS thường đòi hỏi phải chạy nhiều mô hình khác nhau, làm gia tăng thời gian và công sức phân tích. Trong khi đó, AMOS cho phép xử lý mô hình với số lần phân tích ít hơn.
Ngoài ra, trong trường hợp mô hình không tồn tại các quan hệ điều tiết hoặc các tác động gián tiếp riêng biệt, AMOS có khả năng ước lượng đồng thời toàn bộ các mối quan hệ trong mô hình, qua đó nâng cao độ chính xác của các tham số ước lượng. Điều này xuất phát từ việc kỹ thuật SEM xem xét sự tương tác giữa các biến trong từng mối quan hệ với các biến còn lại trong mô hình.
Tuy nhiên, phương pháp này cũng tồn tại một số hạn chế.
Thứ nhất, AMOS không tích hợp sẵn các công cụ để xử lý tác động gián tiếp riêng biệt và tác động điều tiết. Để phân tích các mối quan hệ này, người nghiên cứu cần sử dụng các plugins bổ sung hoặc có kiến thức về estimands để lập trình và thực thi các đoạn mã phù hợp. Thứ hai, việc phân tích các mô hình đơn có thể bị ảnh hưởng bởi hiện tượng đa cộng tuyến giữa các biến không được đưa vào cùng một mô hình.
Chẳng hạn, nếu tồn tại đa cộng tuyến giữa UT và CS, thì việc phân tích mô hình đơn chỉ xem xét tác động trực tiếp từ YD và HL lên QD có thể dẫn đến sai lệch trong ước lượng. Sự cộng tuyến giữa UT và CS làm sai lệch ước lượng tác động lên YD, và sai lệch này tiếp tục lan truyền, ảnh hưởng đến ước lượng tác động của YD lên QD.
Hệ quả của hiện tượng đa cộng tuyến có thể làm cho các mối quan hệ tác động vốn có ý nghĩa thống kê trở nên không có ý nghĩa hoặc ngược lại; làm thay đổi dấu của hệ số tác động từ dương sang âm hoặc từ âm sang dương; đồng thời gây ra hiện tượng phóng đại hoặc làm giảm quá mức giá trị hệ số xác định R bình phương của mô hình.
4. Xử lý mô hình bằng SMARTPLS
Việc xử lý các mối quan hệ trong nghiên cứu được thực hiện bằng phần mềm SMARTPLS thông qua phương pháp mô hình hóa cấu trúc tuyến tính (SEM) tích hợp sẵn. So với AMOS, vốn còn tồn tại một số hạn chế trong việc xử lý riêng biệt các tác động gián tiếp và mối quan hệ điều tiết, SMARTPLS cho phép phân tích hiệu quả hầu hết các dạng quan hệ chỉ trong một quy trình phân tích thống nhất.
Đối với cả hai mô hình trên, khi tiến hành phân tích bằng SMARTPLS, chỉ cần thực hiện một lần bootstrapping. Tất cả các kết quả liên quan đến tác động trực tiếp, tác động gián tiếp riêng biệt và tổng hợp, cũng như tác động điều tiết đều được ước lượng đồng thời trong cùng một lần phân tích.
Ưu điểm:
-
Chỉ với một lần phân tích, SMARTPLS cho phép giải quyết gần như toàn bộ các mối quan hệ xuất hiện trong mô hình nghiên cứu. Điều này không chỉ giúp tiết kiệm thời gian xử lý mà còn nâng cao tính trực quan trong trình bày, khi toàn bộ các thông số ước lượng của mô hình được thể hiện tập trung trên cùng một sơ đồ cấu trúc.
-
Việc ước lượng đồng thời tất cả các tác động trong mô hình giúp cải thiện độ chính xác của các hệ số ước lượng, do các mối quan hệ được xem xét trong một cấu trúc tổng thể thống nhất.
-
Bên cạnh khả năng xử lý tốt các mối quan hệ ở mức biến bậc một, SMARTPLS còn đặc biệt hiệu quả trong phân tích các mô hình bậc cao như mô hình bậc hai hoặc bậc ba.
Nhược điểm:
Tương tự như AMOS, việc xử lý đồng thời toàn bộ các mối quan hệ trong cùng một mô hình có thể chịu ảnh hưởng bởi hiện tượng đa cộng tuyến.
Chẳng hạn, trong mô hình minh họa, ngoài biến TN đóng vai trò điều tiết mối quan hệ giữa YD và QD, giả định có thêm biến HV (trình độ học vấn) cũng tham gia điều tiết mối quan hệ này. Nếu tồn tại hiện tượng cộng tuyến giữa TN và HV, việc ước lượng đồng thời hai tác động điều tiết trong cùng một sơ đồ SMARTPLS có thể dẫn đến sai lệch đáng kể trong kết quả. Trong trường hợp phân tích riêng lẻ từng quan hệ điều tiết bằng macro PROCESS, cả hai tác động có thể đều có ý nghĩa thống kê và mang hệ số điều tiết dương. Tuy nhiên, khi phân tích chung trên SMARTPLS, sự cộng tuyến giữa TN và HV có thể khiến một hoặc cả hai tác động điều tiết không còn ý nghĩa, hoặc thậm chí làm thay đổi dấu của hệ số điều tiết từ dương sang âm.
Tóm lại, SPSS phù hợp chủ yếu cho việc xử lý các mô hình đơn và các phân tích hồi quy truyền thống. Trong khi đó, AMOS và SMARTPLS là các công cụ chuyên dụng cho mô hình SEM, hỗ trợ hiệu quả việc phân tích các mô hình bội và mô hình tổng thể.
AMOS cho phép xử lý đồng thời nhiều mối quan hệ trực tiếp và gián tiếp tổng hợp trong một mô hình. Tuy nhiên, phần mềm này chưa hỗ trợ tốt việc phân tích đồng thời các tác động gián tiếp riêng biệt và các mối quan hệ điều tiết.
SMARTPLS được xem là công cụ mạnh nhất trong xử lý mối quan hệ, do có khả năng ước lượng đồng thời các tác động trực tiếp, trung gian và điều tiết, áp dụng cho cả biến bậc một và biến bậc cao, ngay trên một sơ đồ SEM thống nhất.
