Hệ số Q2 là một trong những tiêu chí quan trọng để đánh giá năng lực dự báo ngoài mẫu của mô hình trong phần mềm SmartPLS 4. Chỉ số này giúp xác định mức độ dự đoán của các biến tiềm ẩn phụ thuộc và đánh giá hiệu quả của mô hình. Trong bài viết này, chúng ta sẽ tìm hiểu về công thức Q2, cách tính và đánh giá ngưỡng của nó trong SmartPLS 4, cùng với một ví dụ minh họa cụ thể.
Công thức Q2
Trong SMARTPLS, chỉ số Q2 có thể được tính bằng hai phương pháp: “cross-validated communality” và “cross-validated redundancy”. Trong đó, phương pháp “cross-validated redundancy” được nhiều nhà nghiên cứu khuyến nghị, tiêu biểu như Wold (1982), Henseler và cộng sự (2012) và Hair và cộng sự (2016).
Quá trình tính toán chỉ số Q khá phức tạp và đòi hỏi các công thức chuyên sâu. Bài viết này không đề cập chi tiết về cách tính toán, bạn có thể tham khảo thêm trong cuốn sách “Phân tích dữ liệu: Áp dụng mô hình PLS-SEM” của Nguyễn Minh Hà và Vũ Hữu Thành (NXB Kinh tế TP.HCM, 2020) để hiểu rõ hơn về chỉ số này.
Để tính chỉ số Q trong SMARTPLS, phương pháp “Blindfolding” sẽ được áp dụng. Mỗi khi có một biến phụ thuộc trong mô hình, sẽ tồn tại một mô hình thành phần, bao gồm biến phụ thuộc và các biến độc lập ảnh hưởng đến nó. Tổng thể mô hình cấu trúc sẽ được hình thành từ một hoặc nhiều mô hình thành phần như vậy.
Ví dụ minh họa
Để giúp bạn hiểu rõ hơn, hãy xem xét một ví dụ về hệ số Q2 trong mô hình PLS-SEM. Giả sử, chúng ta có một mô hình với biến phụ thuộc là “Sự hài lòng khách hàng” (Customer Satisfaction) và biến độc lập là “Chất lượng sản phẩm” (Product Quality). Mô hình được xây dựng để dự báo mức độ hài lòng của khách hàng dựa trên chất lượng sản phẩm.
Sau khi thực hiện cross-validation và tính toán các chỉ số liên quan, nếu hệ số Q2 cho biến phụ thuộc “Sự hài lòng khách hàng” là 0.35, điều này có nghĩa mô hình có năng lực dự báo ngoài mẫu, với mức độ dự báo tốt.
Cách tính Q2 trong SmartPLS 4
Để tính toán hệ số Q2 trong SmartPLS 4, bạn cần thực hiện các bước sau:
– Chuẩn bị mô hình: Xây dựng mô hình PLS với các biến tiềm ẩn độc lập và phụ thuộc. Đảm bảo rằng dữ liệu đã được nhập vào SmartPLS đúng định dạng.
– Thực hiện Cross-Validation: Trong SmartPLS 4, chức năng Cross-Validation là công cụ quan trọng để tính toán Q2. Bạn có thể kích hoạt nó bằng cách chọn Calculate -> Blindfolding.
– Chọn giá trị Blindfolding: Trong phần thiết lập của Blindfolding, chọn số lần loại bỏ dữ liệu (omission distance) thường là từ 5 đến 10 để tối ưu hóa kết quả.
– Kiểm tra kết quả: Sau khi chạy mô hình, kết quả của hệ số Q2 sẽ xuất hiện trong báo cáo. Hệ số này sẽ cho thấy mức độ dự báo ngoài mẫu của các biến phụ thuộc.
Ngưỡng đánh giá hệ số Q2 trong SmartPLS 4
Trong PLS-SEM, mỗi mô hình thành phần có hai chỉ số quan trọng: giá trị R thể hiện mức độ các biến độc lập giải thích biến phụ thuộc, và giá trị Q phản ánh khả năng dự báo của các biến độc lập đối với biến phụ thuộc. Tenenhaus và cộng sự (2005) nhận định rằng chỉ số Q là một công cụ quan trọng để đánh giá chất lượng chung của mô hình. Nếu tất cả các mô hình thành phần có giá trị Q lớn hơn 0, thì mô hình cấu trúc tổng thể được coi là có chất lượng tốt.
Hair và cộng sự (2019) cũng đã đưa ra các thang đo cụ thể cho giá trị Q, tương ứng với mức độ dự báo của mô hình.
– 0 < Q^2 < 0.25: mức độ chính xác dự báo thấp
– 0.25 ≤ Q^2 ≤ 0.5: mức độ chính xác dự báo trung bình
– Q^2 > 0.5: mức độ chính xác dự báo cao
Nhận trợ giúp cho phân tích SMARTPLS của bạn
Nếu bạn gặp khó khăn trong việc chạy dữ liệu trên SmartPLS 4, hãy bắt đầu hành trình nghiên cứu với xulysolieu.info, nơi đội ngũ tận tâm của chúng tôi cung cấp hỗ trợ phân tích dữ liệu chuyên môn cho sinh viên, học giả và cá nhân. Chúng tôi đảm bảo nghiên cứu của bạn được nâng cao với độ chính xác. Khám phá các trang của chúng tôi:
Dùng chỉ số HTMT để đánh giá tính phân biệt của thang đo trong SmartPLS 4
Giá trị hệ số tải ngoài Outer Loading trong SmartPLS 4
Biểu đồ Tầm quan trọng hiệu suất IPMA trong SmartPLS 4
Hoặc bạn có thể trực tiếp liên hệ thông quan fanpage chính thức và Dịch vụ Smart PLS trên trang web chính thức của xulysolieu.info.
