Trong nghiên cứu định lượng, đánh giá mô hình cấu trúc (Structural Model Assessment) là bước phân tích then chốt, được thực hiện ngay sau khi mô hình đo lường được xác nhận đạt chuẩn. Bước này có vai trò quyết định trong việc kiểm định các giả thuyết nghiên cứu, xác định mức độ và chiều hướng tác động giữa các khái niệm, qua đó khẳng định giá trị của toàn bộ mô hình. Việc thực hiện đánh giá mô hình cấu trúc một cách chính xác là yêu cầu bắt buộc đối với các luận văn, luận án và bài báo khoa học sử dụng phương pháp SEM.

Bài viết này, được biên soạn bởi các chuyên gia của xulysolieu.info, sẽ cung cấp một hướng dẫn toàn diện từ lý thuyết đến thực hành chi tiết nhất về cách đánh giá mô hình cấu trúc trên SmartPLS 4, giúp bạn tự tin xử lý dữ liệu và trình bày kết quả một cách chuyên nghiệp.

Tại sao nên lựa chọn SmartPLS 4 cho đánh giá mô hình cấu trúc?

Khi tiếp cận phân tích mô hình phương trình cấu trúc (SEM), các nhà nghiên cứu thường phân vân giữa hai phương pháp chính: CB-SEM (thường dùng AMOS) và PLS-SEM (thường dùng SmartPLS). SmartPLS 4, với thuật toán PLS-SEM, đã trở thành lựa chọn hàng đầu cho nhiều nghiên cứu hiện đại nhờ những ưu điểm vượt trội và tính linh hoạt cao. Đây là công cụ không thể thiếu khi bạn thực hiện đánh giá mô hình cấu trúc SEM.

PLS-SEM tỏ ra ưu việt hơn CB-SEM trong các bối cảnh nghiên cứu cụ thể. Nếu mục tiêu chính của bạn là dự báo một kết quả hoặc khám phá, mở rộng một lý thuyết hiện có, PLS-SEM là lựa chọn tối ưu. Ngược lại, CB-SEM phù hợp hơn cho việc kiểm định và xác nhận các lý thuyết đã được thiết lập vững chắc. Sự linh hoạt này làm cho PLS-SEM trở nên lý tưởng cho các nghiên cứu trong lĩnh vực kinh doanh, marketing và khoa học xã hội, nơi các lý thuyết thường xuyên được phát triển.

Một trong những lợi thế lớn nhất của PLS-SEM là khả năng xử lý dữ liệu không tuân theo phân phối chuẩn. Đây là một vấn đề phổ biến trong các khảo sát thực tế. Vì là một phương pháp phi tham số, PLS-SEM không yêu cầu dữ liệu phải phân phối chuẩn, giúp nhà nghiên cứu tránh được các bước tiền xử lý phức tạp. Hơn nữa, nó hoạt động hiệu quả với cả cỡ mẫu nhỏ và các mô hình có cấu trúc phức tạp, bao gồm nhiều biến tiềm ẩn, biến trung gian, và các thang đo dạng nguyên nhân (formative) – một điểm yếu lớn của CB-SEM.

Các tiêu chí cần đạt trước khi tiến hành đánh giá mô hình cấu trúc

Trước khi bắt tay vào việc đánh giá mô hình cấu trúc, bạn phải đảm bảo rằng mô hình đo lường của mình đã “khỏe mạnh”. Đây là bước nền tảng không thể bỏ qua, vì một mô hình đo lường yếu sẽ dẫn đến các kết quả phân tích cấu trúc sai lệch và không đáng tin cậy. Việc chuẩn bị dữ liệu và kiểm định mô hình đo lường kỹ lưỡng sẽ quyết định sự thành công của toàn bộ quá trình phân tích.

Đầu tiên, độ tin cậy của thang đo phải được xác nhận. Hai chỉ số quan trọng nhất là Cronbach’s Alpha và Độ tin cậy tổng hợp (Composite Reliability – CR). Theo tiêu chuẩn chung, cả hai hệ số này đều phải đạt giá trị từ 0.7 trở lên để khẳng định các biến quan sát trong cùng một thang đo là nhất quán và đo lường tốt cho một khái niệm nghiên cứu.

Tiếp theo, giá trị hội tụ và giá trị phân biệt là hai yếu tố cốt lõi. Giá trị hội tụ đảm bảo rằng các biến quan sát của cùng một khái niệm có liên quan chặt chẽ với nhau. Điều này được kiểm tra qua hệ số tải ngoài (Outer Loading) phải lớn hơn 0.7 và Phương sai trích trung bình (Average Variance Extracted – AVE) phải lớn hơn 0.5. Về giá trị phân biệt, nó khẳng định rằng các khái niệm nghiên cứu trong mô hình là khác biệt nhau. Tiêu chí phổ biến và mạnh mẽ nhất hiện nay là HTMT (Heterotrait-Monotrait Ratio of Correlations), với giá trị yêu cầu phải nhỏ hơn 0.85 hoặc 0.90. Chỉ khi tất cả các tiêu chí này được thỏa mãn, bạn mới có thể tự tin chuyển sang bước đánh giá mô hình cấu trúc.

Các bước cụ thể thực hiện trên SmartPLS 4

Để thực hiện việc đánh giá mô hình cấu trúc một cách đầy đủ và chuẩn xác trên phần mềm SmartPLS 4, bạn cần tuần tự thực hiện ba thuật toán chính. Mỗi thuật toán phục vụ một mục đích riêng, cung cấp các chỉ số cần thiết để đưa ra kết luận toàn diện về mô hình.

Bước 1: Chạy thuật toán PLS-SEM để lấy kết quả ban đầu

Thuật toán này là bước khởi đầu, cung cấp các hệ số nền tảng để đánh giá tổng quan mô hình, bao gồm hệ số VIF (kiểm tra đa cộng tuyến), R-squared (mức độ giải thích), và f-squared (mức độ ảnh hưởng).

• Thao tác cài đặt: Từ giao diện chính của SmartPLS 4, bạn vào menu Calculate và chọn PLS-SEM Algorithm. Trong cửa sổ cài đặt, hãy giữ nguyên các thông số mặc định như “Path” cho Weighting Scheme và “Maximum Iterations” là 300. Nhấn Start Calculation để chạy thuật toán.
• Xem kết quả VIF, R-squared, và f-squared: Sau khi chạy xong, SmartPLS sẽ hiển thị một menu kết quả. Bạn có thể truy cập các chỉ số này tại các mục tương ứng: “Collinearity Statistics (VIF)”, “R Square”, và “f Square”. Việc đọc và diễn giải các chỉ số này là bước đầu tiên trong quy trình đánh giá mô hình cấu trúc.

Bước 2: Kiểm định độ tin cậy qua Bootstrapping

Bootstrapping là một kỹ thuật lấy mẫu lặp lại nhằm ước tính sai số chuẩn, từ đó tính toán giá trị T-statistics và P-value. Đây là bước quyết định để kết luận các giả thuyết nghiên cứu có được ủng hộ hay không.

• Cách thực hiện Bootstrapping: Quay trở lại mô hình, vào menu Calculate và chọn Bootstrapping. Trong cửa sổ cài đặt, phần quan trọng nhất là “Subsamples”. Theo khuyến nghị của Hair và cộng sự (2019), bạn nên nhập số mẫu lặp lại tối thiểu là 5,000 để đảm bảo kết quả có ý nghĩa thống kê và ổn định. Chọn phương pháp “Bias-Corrected and Accelerated (BCa) Bootstrap” và loại kiểm định “Two-tailed”.
• Diễn giải kết quả: Kết quả Bootstrapping sẽ hiển thị trong mục “Path Coefficients”. Tại đây, bạn cần tập trung vào cột “Original Sample” (chính là hệ số beta – β), “T Statistics”, và đặc biệt là “P Values” để đối chiếu với các giả thuyết nghiên cứu đã đặt ra. Đây là trái tim của việc đánh giá mô hình cấu trúc SmartPLS.

Bước 3: Sử dụng PLSpredict để đánh giá khả năng dự báo

Đây là một cải tiến quan trọng của SmartPLS 4 so với các phiên bản trước. Thuật toán Blindfolding (cho ra chỉ số Q² truyền thống) đã bị loại bỏ vì chỉ có khả năng đánh giá dự báo trong mẫu (in-sample). PLSpredict cung cấp một thước đo chính xác hơn về khả năng dự báo ngoài mẫu (out-of-sample).

• Điểm mới trong SmartPLS 4: Việc chuyển từ Blindfolding sang PLSpredict phản ánh sự thay đổi trong tiêu chuẩn đánh giá mô hình PLS-SEM, nhấn mạnh hơn vào năng lực dự báo thực tiễn thay vì chỉ phù hợp với dữ liệu có sẵn.
• Các bước thực hiện và cài đặt cần thiết: Vào menu Calculate và chọn PLSpredict. Các cài đặt mặc định (10 folds, 10 repetitions) thường được giữ nguyên. Sau khi chạy, bạn sẽ xem kết quả ở mục “LV Prediction Summary”. Nếu tất cả giá trị Q²_predict đều lớn hơn 0 và sai số của mô hình PLS (RMSE, MAE) nhỏ hơn mô hình LM, mô hình của bạn có khả năng dự báo tốt.

Diễn giải và phân tích các chỉ số trong cấu trúc mô hình

Sau khi đã có đầy đủ kết quả từ các thuật toán, bước tiếp theo là diễn giải và phân tích các chỉ số để hoàn thành việc đánh giá mô hình cấu trúc. Quy trình này cần tuân thủ các tiêu chuẩn học thuật để đảm bảo tính chặt chẽ và thuyết phục.

Tiêu chí đánh giá hiện tượng đa cộng tuyến

Đa cộng tuyến xảy ra khi hai hay nhiều biến độc lập trong mô hình có tương quan quá cao với nhau, gây nhiễu loạn kết quả ước lượng. Việc kiểm tra đa cộng tuyến là bước phải làm trước khi xem xét các mối quan hệ.

• Kiểm tra VIF: Trong kết quả của “PLS-SEM Algorithm”, vào mục “Collinearity Statistics (VIF)” và chọn tab “Inner VIF Values”. Chỉ số VIF (Variance Inflation Factor) được dùng để phát hiện đa cộng tuyến. Theo Hair và cộng sự (2019), ngưỡng lý tưởng là VIF < 3.0. Nếu VIF từ 3.0 đến 5.0, có thể có vấn đề. Nếu VIF ≥ 5.0, hiện tượng đa cộng tuyến là nghiêm trọng và cần được xử lý.
• Hành động cần làm: Khi VIF vượt ngưỡng 5.0, bạn cần xem xét loại bỏ biến có VIF cao nhất hoặc kết hợp các biến có khái niệm tương đồng thành một nhân tố bậc cao hơn (nếu cơ sở lý thuyết cho phép). Việc này đảm bảo tính chính xác cho các bước đánh giá mô hình cấu trúc sau đó.

Kiểm tra mẫu giả thuyết và ý nghĩa thống kê

Đây là phần cốt lõi để trả lời các câu hỏi nghiên cứu. Kết quả từ Bootstrapping sẽ cho biết liệu các mối quan hệ giả định có thực sự tồn tại trong thực tế hay không.

• Hệ số tác động Path Coefficients: Trong bảng kết quả “Path Coefficients”, cột “Original Sample” (β) cho biết chiều và độ lớn của tác động. Giá trị dương thể hiện tác động cùng chiều, giá trị âm thể hiện tác động ngược chiều. Giá trị tuyệt đối càng gần 1, tác động càng mạnh.
• Đánh giá giả thuyết với P-value: Cột “P Values” là tiêu chí quyết định. Với mức ý nghĩa 5%, nếu P-value < 0.05, mối quan hệ có ý nghĩa thống kê và giả thuyết nghiên cứu được chấp nhận. Ngược lại, nếu P-value ≥ 0.05, mối quan hệ không có ý nghĩa thống kê và giả thuyết bị bác bỏ.

Đánh giá sức mạnh giải thích với R-squared và f-squared

Ngoài việc xác định ý nghĩa thống kê, một phần quan trọng của đánh giá mô hình cấu trúc là xem xét mức độ giải thích và tầm quan trọng thực tiễn của các mối quan hệ. Hai chỉ số R-squared và f-squared sẽ giúp bạn làm điều này.

Hệ số xác định R-squared

Hệ số xác định (R²) đo lường phần trăm sự biến thiên của một biến phụ thuộc được giải thích bởi các biến độc lập tác động lên nó. Đây là một chỉ số quan trọng để đánh giá sức mạnh tổng thể của mô hình.

• Diễn giải và cách đọc giá trị của R-squared adjusted: Trong kết quả của “PLS-SEM Algorithm”, hãy xem chỉ số “R Square Adjusted”. Giá trị này đã được hiệu chỉnh cho số lượng biến độc lập trong mô hình. Ví dụ, R²_adjusted = 0.582 có nghĩa là các biến độc lập giải thích được 58.2% sự thay đổi của biến phụ thuộc. Theo Cohen (1988), các mức độ giải thích được gợi ý là 0.25 (yếu), 0.50 (trung bình), và 0.75 (mạnh). Tuy nhiên, trong khoa học xã hội, R² trên 0.20 đã được xem là có giá trị.

Sức mạnh của f-squared

Trong khi R² đánh giá sức mạnh giải thích chung, f-squared (f²) lại đo lường mức độ đóng góp của từng biến độc lập riêng lẻ vào R² của biến phụ thuộc. Điều này giúp xác định tầm quan trọng của mỗi mối quan hệ.

• Hiểu rõ về ảnh hưởng của biến độc lập đối với biến phụ thuộc: Kết quả f² cũng có trong báo cáo của “PLS-SEM Algorithm”. Các ngưỡng đánh giá theo Cohen (1988) là: f² < 0.02 (không có ảnh hưởng), 0.02 ≤ f² < 0.15 (ảnh hưởng nhỏ), 0.15 ≤ f² < 0.35 (ảnh hưởng trung bình), và f² ≥ 0.35 (ảnh hưởng lớn). Chỉ số này rất hữu ích để so sánh và xếp hạng mức độ quan trọng của các yếu tố tác động.

Giải quyết các vấn đề thường gặp trong đánh giá mô hình

Không phải lúc nào quá trình đánh giá mô hình cấu trúc cũng cho ra kết quả đẹp như mong đợi. Việc gặp phải các vấn đề như đa cộng tuyến hay giả thuyết bị bác bỏ là điều bình thường. Điều quan trọng là biết cách xử lý và lập luận một cách khoa học.

Các hiện tượng phổ biến và cách khắc phục

• Giá trị VIF cao: Nguyên nhân thường do các khái niệm nghiên cứu quá giống nhau, khiến người trả lời không phân biệt được.
  • Ví dụ thực tế: Trong một mô hình nghiên cứu về lòng trung thành, hai biến độc lập “Chất lượng cảm nhận” và “Sự hài lòng” có thể có VIF cao vì chúng đo lường những khía cạnh rất gần nhau trong tâm trí khách hàng.
  • Cách xử lý: Bạn có thể xem xét loại bỏ một trong hai biến hoặc, nếu lý thuyết ủng hộ, gộp chúng thành một khái niệm bậc cao hơn là “Trải nghiệm tích cực”.
• Giả thuyết không đạt: Khi P-value > 0.05, giả thuyết của bạn bị bác bỏ.
  • Cách xử lý và lập luận: Tuyệt đối không được chỉnh sửa số liệu. Thay vào đó, hãy tìm một lời giải thích hợp lý. Có thể bối cảnh nghiên cứu của bạn (văn hóa, đặc điểm mẫu) khác biệt so với các nghiên cứu trước.
  • Ví dụ thực tế: Giả thuyết “Quảng cáo trên TikTok tác động đến ý định mua sản phẩm X” bị bác bỏ. Lập luận có thể là: “Kết quả cho thấy quảng cáo TikTok không ảnh hưởng đến ý định mua hàng (p > 0.05). Điều này có thể được giải thích do đối tượng khách hàng mục tiêu của sản phẩm X (ví dụ: người trên 50 tuổi) không phải là người dùng thường xuyên của nền tảng này, do đó hiệu quả quảng cáo không đạt được.” Hoặc, có thể tác động này là gián tiếp thông qua một biến trung gian như “Nhận diện thương hiệu”.

Hướng dẫn trình bày kết quả một cách chuẩn mực trong luận văn

Trình bày kết quả rõ ràng, logic và tuân thủ chuẩn mực học thuật là yếu tố then chốt để được đánh giá cao. Việc sử dụng bảng biểu và văn phong chuyên nghiệp sẽ giúp hội đồng dễ dàng theo dõi và công nhận kết quả nghiên cứu của bạn. Quá trình đánh giá mô hình cấu trúc SEM sẽ không hoàn chỉnh nếu thiếu bước này.

Mẫu bảng trình bày kết quả mô hình cấu trúc

Bạn nên tổng hợp tất cả các kết quả quan trọng vào một bảng duy nhất để người đọc dễ dàng theo dõi.

• Cấu trúc bảng tổng hợp: Bảng cần có các cột: Giả thuyết, Mối quan hệ, Hệ số tác động (β), Trị số T (T Statistics), Giá trị P (P Value), Kết luận (Chấp nhận/Bác bỏ), và có thể thêm cột f² để đánh giá mức độ ảnh hưởng.

(Lưu ý: Kèm theo bảng này là diễn giải về kết quả VIF và R-squared)

Cách thức viết nhận xét và giải thích trong luận văn

Sau khi trình bày bảng, bạn cần viết một đoạn văn diễn giải chi tiết.

• Hướng dẫn cách hành văn:

Về kiểm định giả thuyết: “Kết quả phân tích Bootstrapping với 5,000 mẫu lặp lại (trình bày ở Bảng X) cho thấy, giả thuyết H1 được chấp nhận ở mức ý nghĩa 1% (β = 0.451, t = 5.892, p < 0.001). Điều này khẳng định Chất lượng dịch vụ có tác động tích cực và có ý nghĩa thống kê đến Sự hài lòng. Mức độ ảnh hưởng này là ở mức trung bình (f² = 0.231). Ngược lại, giả thuyết H2 bị bác bỏ vì mối quan hệ giữa Giá cả và Sự hài lòng không có ý nghĩa thống kê (β = 0.103, p = 0.226 > 0.05).”

Về mức độ giải thích của mô hình: “Kết quả phân tích cho thấy hệ số R² hiệu chỉnh của biến Sự hài lòng là 0.554 và của biến Lòng trung thành là 0.375. Điều này có nghĩa là mô hình nghiên cứu giải thích được 55.4% sự biến thiên của Sự hài lòng và 37.5% sự biến thiên của Lòng trung thành. Các giá trị này được xem là ở mức trung bình đến mạnh, cho thấy mô hình có năng lực giải thích tốt trong bối cảnh nghiên cứu.”

Bằng việc tuân thủ quy trình đánh giá mô hình cấu trúc chi tiết này, bạn không chỉ đảm bảo tính chính xác khoa học mà còn nâng cao chất lượng và tính thuyết phục cho luận văn của mình. Nếu bạn gặp khó khăn trong quá trình phân tích hay xử lý các vấn đề phát sinh, đừng ngần ngại tìm đến sự hỗ trợ chuyên nghiệp.