Trang chủ » Kiến thức SMARTPLS » Hướng dẫn đánh giá mô hình cấu trúc trên SmartPLS 4

Hướng dẫn đánh giá mô hình cấu trúc trên SmartPLS 4

Hình ảnh mô hình cấu trúc PLS-SEM được phân tích chi tiết trên phần mềm SmartPLS 4.

Sau khi đã xác nhận tính hợp lệ và độ tin cậy của mô hình đo lường, bước tiếp theo và cũng là cốt lõi trong phân tích PLS-SEM là đánh giá mô hình cấu trúc (Structural Model). Giai đoạn này giúp kiểm định các giả thuyết nghiên cứu, xác định mức độ ý nghĩa và sức mạnh của các mối quan hệ nhân quả giữa các biến. Một mô hình cấu trúc được đánh giá kỹ lưỡng sẽ là nền tảng vững chắc cho các kết luận và hàm ý quản trị của một công trình nghiên cứu khoa học.

Bài viết này sẽ cung cấp một hướng dẫn chuyên sâu, chi tiết từng bước để đánh giá mô hình cấu trúc trên SmartPLS 4 theo các tiêu chuẩn học thuật mới nhất, giúp các nhà nghiên cứu, sinh viên và học viên cao học tự tin thực hiện và diễn giải kết quả phân tích của mình.

Mục lục

I. Cơ sở lý thuyết về đánh giá mô hình cấu trúc

Đánh giá mô hình cấu trúc (hay còn gọi là mô hình bên trong – Inner Model) là quá trình kiểm định các mối quan hệ giả định giữa các cấu trúc (biến tiềm ẩn) trong một nghiên cứu định lượng. Nếu như mô hình đo lường tập trung vào mối quan hệ giữa biến tiềm ẩn và các biến quan sát của nó, thì mô hình cấu trúc tập trung vào việc kiểm tra các giả thuyết về tác động qua lại giữa các biến tiềm ẩn với nhau. Đây chính là bước trả lời cho các câu hỏi nghiên cứu cốt lõi.

Phần mềm SmartPLS 4 là một công cụ phân tích cực kỳ mạnh mẽ và hiệu quả cho mô hình cấu trúc PLS-SEM, đặc biệt hữu ích khi xử lý các mô hình phức tạp, cỡ mẫu nhỏ, hoặc dữ liệu không tuân theo phân phối chuẩn. Quy trình đánh giá tập trung vào việc phân tích ba nhóm chỉ số quan trọng: độ đa cộng tuyến giữa các biến độc lập (VIF), ý nghĩa và độ lớn của các hệ số đường dẫn (Path Coefficients), hệ số xác định (R-square), và kích thước hiệu ứng (f-square). Việc nắm vững các chỉ số này là chìa khóa để diễn giải chính xác kết quả của mô hình cấu trúc tuyến tính.

Trước khi đi vào chi tiết, cần lưu ý rằng việc đánh giá mô hình cấu trúc chỉ được thực hiện sau khi mô hình đo lường đã được xác nhận là đạt yêu cầu về độ tin cậy (Cronbach’s Alpha, CR), tính hội tụ (AVE) và tính phân biệt (Fornell-Larcker, HTMT). Dữ liệu đầu vào cho bước này chính là một mô hình đo lường đã được tinh chỉnh hoàn thiện.

II. Kiểm tra độ đa cộng tuyến giữa các biến độc lập

Bảng kết quả VIF kiểm tra độ đa cộng tuyến cho mô hình cấu trúc trên SmartPLS.

Trong một mô hình cấu trúc, đa cộng tuyến là hiện tượng xảy ra khi có sự tương quan quá mạnh giữa hai hoặc nhiều biến độc lập cùng tác động lên một biến phụ thuộc. Đây là một vấn đề nghiêm trọng cần được kiểm tra cẩn thận trước khi tiến hành kiểm định giả thuyết.

Một biến trong mô hình có thể vừa là biến độc lập, vừa là biến phụ thuộc. Ví dụ, trong một mô hình nghiên cứu về ý định mua hàng, biến “Niềm tin thương hiệu” (NB) có thể là biến phụ thuộc khi chịu tác động từ “Quảng cáo” (QC), “Quan hệ công chúng” (QH), “Khuyến mãi” (KM), và “Bảo hành” (BH). Tuy nhiên, cũng chính “Niềm tin thương hiệu” (NB) lại trở thành biến độc lập khi nó tác động đến “Thái độ” (TT). Do đó, cần xác định rõ các nhóm biến độc lập cần kiểm tra đa cộng tuyến. Trong ví dụ trên, ta sẽ kiểm tra đa cộng tuyến trong nhóm (QC, QH, KM, BH) khi chúng tác động lên NB, và trong nhóm (QC, BH, NB) khi chúng tác động lên TT.

Đa cộng tuyến có thể làm sai lệch nghiêm trọng kết quả ước lượng của các hệ số đường dẫn. Nó có thể làm tăng phương sai của các hệ số ước lượng, khiến chúng không còn ý nghĩa thống kê hoặc thậm chí thay đổi dấu (từ dương sang âm và ngược lại), dẫn đến việc diễn giải sai bản chất của các mối quan hệ. Để đánh giá đa cộng tuyến trong mô hình cấu trúc PLS-SEM, phương pháp phổ biến nhất là sử dụng Hệ số phóng đại phương sai (Variance Inflation Factor – VIF). Theo Hair và cộng sự (2019), ngưỡng đánh giá VIF được quy định như sau:

VIF < 3: Rất tốt, không có dấu hiệu đa cộng tuyến.
3 ≤ VIF < 5: Có khả năng tồn tại đa cộng tuyến, cần cân nhắc nhưng vẫn có thể chấp nhận được.
VIF ≥ 5: Đa cộng tuyến ở mức độ nghiêm trọng, cần phải xử lý.

Để kiểm tra VIF trên SmartPLS 4, sau khi chạy thuật toán “PLS-SEM Algorithm”, bạn vào phần kết quả, chọn mục “Collinearity Statistics (VIF)” và xem kết quả ở tab “Inner VIF Values”. Nếu một biến có chỉ số VIF vượt ngưỡng 5, hướng xử lý phổ biến là xem xét loại bỏ biến đó hoặc kết hợp nó với một biến khác có tương quan cao để tạo thành một cấu trúc mới, qua đó cải thiện độ chính xác của mô hình cấu trúc.

III. Đo lường ý nghĩa của các mối quan hệ nguyên nhân

Đây là bước cốt lõi trong việc đánh giá mô hình cấu trúc, nhằm mục đích kiểm định các giả thuyết nghiên cứu đã được đặt ra. Phân tích này tập trung vào các hệ số đường dẫn (path coefficients) để đánh giá ba khía cạnh: ý nghĩa thống kê, hướng tác động (dương hay âm), và độ lớn tương đối của các tác động.

A. Kiểm tra tính thống kê của các biến

Để xác định một mối quan hệ có thực sự tồn tại trong tổng thể hay không, chúng ta cần kiểm tra ý nghĩa thống kê của nó. Phương pháp được sử dụng là Bootstrapping, một kỹ thuật tái lấy mẫu để ước tính độ ổn định của các hệ số. Kết quả của Bootstrapping cung cấp giá trị t-statistic và p-value cho mỗi mối quan hệ.

Thông thường, p-value được sử dụng phổ biến hơn vì tính trực quan của nó. Mức ý nghĩa (alpha) tiêu chuẩn trong hầu hết các nghiên cứu là 0.05. Quy tắc diễn giải rất đơn giản:

p-value < 0.05: Mối quan hệ có ý nghĩa thống kê. Chúng ta có đủ bằng chứng để kết luận rằng tác động này thực sự tồn tại và không phải do ngẫu nhiên. Giả thuyết nghiên cứu tương ứng được chấp nhận.
p-value > 0.05: Mối quan hệ không có ý nghĩa thống kê. Chúng ta không có đủ bằng chứng để bác bỏ giả thuyết không (cho rằng không có tác động). Giả thuyết nghiên cứu tương ứng bị bác bỏ.

Lưu ý quan trọng: Không giống như các chỉ số tải trọng trong mô hình đo lường, việc một mối quan hệ trong mô hình cấu trúc không có ý nghĩa thống kê không có nghĩa là ta phải loại bỏ biến đó khỏi mô hình. Kết quả này tự nó đã là một phát hiện khoa học quan trọng (ví dụ: “biến A không có tác động lên biến B”), và biến đó vẫn được giữ lại để đảm bảo tính toàn vẹn của khung lý thuyết.

B. Đánh giá độ lớn và hướng đi của các tác động

Sau khi chạy Bootstrapping trong SmartPLS 4, kết quả tại mục “Path Coefficients” sẽ cung cấp các hệ số đường dẫn đã được chuẩn hóa (Standardized Path Coefficients), thường được ký hiệu là beta (β). Các hệ số này có giá trị dao động từ -1 đến +1.

Việc diễn giải hướng đi của tác động dựa vào dấu của hệ số:

Hệ số dương (+): Cho thấy một mối quan hệ thuận chiều (tích cực). Khi biến độc lập tăng, biến phụ thuộc cũng có xu hướng tăng.
Hệ số âm (-): Cho thấy một mối quan hệ nghịch đảo (tiêu cực). Khi biến độc lập tăng, biến phụ thuộc lại có xu hướng giảm.

Để so sánh độ lớn và tầm quan trọng tương đối của các tác động khác nhau lên cùng một biến phụ thuộc, chúng ta sử dụng giá trị tuyệt đối của các hệ số chuẩn hóa. Hệ số có giá trị tuyệt đối càng lớn (càng gần 1 hoặc -1) thì tác động đó càng mạnh. Ví dụ, nếu tác động của biến A lên C có hệ số là 0.5 và tác động của biến B lên C có hệ số là -0.7, chúng ta có thể kết luận rằng biến B có ảnh hưởng mạnh hơn đến C so với biến A.

IV. Hệ số xác định R-square trong mô hình

Bảng hệ số R-square đánh giá mức độ giải thích của mô hình cấu trúc trong SmartPLS.

Hệ số xác định R-square (R²) là một chỉ số quan trọng trong đánh giá mô hình cấu trúc, đo lường mức độ biến thiên của một biến phụ thuộc được giải thích bởi tất cả các biến độc lập tác động lên nó. Nói cách khác, R² cho biết sức mạnh giải thích tổng hợp của mô hình cấu trúc đối với một biến nội sinh cụ thể.

Giá trị R² dao động từ 0 đến 1.

R-square càng gần 1: Các biến độc lập giải thích được một phần lớn sự thay đổi của biến phụ thuộc. Mô hình có sức mạnh giải thích tốt.
R-square càng gần 0: Các biến độc lập có khả năng giải thích rất thấp đối với sự thay đổi của biến phụ thuộc.

Trong SmartPLS 4, kết quả R² được hiển thị ngay trong báo cáo của thuật toán “PLS-SEM Algorithm”. Cần lưu ý rằng không có một ngưỡng R² tuyệt đối nào là “tốt” cho mọi lĩnh vực. Tuy nhiên, theo Hair và cộng sự, một quy tắc chung có thể được áp dụng: R² ≈ 0.75 được coi là mạnh, R² ≈ 0.50 là trung bình, và R² ≈ 0.25 là yếu. Trong các ngành khoa học xã hội và hành vi, nơi các hiện tượng bị ảnh hưởng bởi vô số yếu tố, một giá trị R² từ 0.2 trở lên thường đã được xem là đáng kể. Cùng với R², SmartPLS 4 cũng cung cấp R² hiệu chỉnh (Adjusted R-square), chỉ số này đưa ra một bức tranh chính xác hơn về sức mạnh giải thích khi mô hình có nhiều biến độc lập.

V. Kích thước hiệu ứng (f-square) của mô hình

Đánh giá kích thước hiệu ứng f-square của mô hình cấu trúc trên phần mềm SmartPLS.

Trong khi R² cho biết sức mạnh giải thích tổng hợp, kích thước hiệu ứng f-square (f²) lại đánh giá tầm quan trọng của từng biến độc lập cụ thể đối với một biến phụ thuộc. Chỉ số này cho biết sự thay đổi trong R² của biến phụ thuộc khi một biến độc lập cụ thể bị loại bỏ khỏi mô hình cấu trúc. Nó giúp xác định biến độc lập nào có ảnh hưởng thực chất nhất đến mô hình.

Việc đánh giá mô hình cấu trúc không thể thiếu chỉ số f-square. Theo Cohen (1988), các ngưỡng để diễn giải f² như sau:

f-square ≥ 0.35: Ảnh hưởng lớn.
0.15 ≤ f-square < 0.35: Ảnh hưởng trung bình.
0.02 ≤ f-square < 0.15: Ảnh hưởng nhỏ.
f-square < 0.02: Không có hoặc ảnh hưởng không đáng kể.

Trên SmartPLS 4, bạn có thể dễ dàng xem giá trị f² trong phần kết quả của thuật toán “PLS-SEM Algorithm”, mục “f-Square”. Ví dụ, nếu biến “Chất lượng dịch vụ” có f² = 0.38 đối với biến “Sự hài lòng”, điều này cho thấy “Chất lượng dịch vụ” là một yếu tố dự báo cực kỳ quan trọng và có ảnh hưởng lớn đến “Sự hài lòng”. Việc phân tích f² giúp nhà nghiên cứu xác định các đòn bẩy chính trong mô hình của mình.

VI. Những vấn đề thường gặp trong quy trình đánh giá mô hình

Quy trình đánh giá mô hình cấu trúc trên SmartPLS 4 tuy rõ ràng nhưng vẫn có những sai lầm mà các nhà nghiên cứu mới thường mắc phải, làm ảnh hưởng đến chất lượng và độ tin cậy của kết quả.

Một trong những sai lầm phổ biến nhất là bỏ qua bước kiểm tra đa cộng tuyến (VIF). Nhiều người cho rằng nếu mô hình đo lường đạt tính phân biệt (HTMT < 0.9) thì sẽ không có đa cộng tuyến. Điều này không hoàn toàn đúng, vì HTMT đo lường sự phân biệt giữa các cấu trúc, trong khi VIF đo lường sự cộng tuyến của các biến độc lập trong bối cảnh dự báo cho một biến phụ thuộc cụ thể. Bỏ qua VIF có thể dẫn đến việc chấp nhận các hệ số đường dẫn bị sai lệch.

Một sai lầm khác là diễn giải sai các mối quan hệ không có ý nghĩa thống kê (p > 0.05). Như đã đề cập, việc một giả thuyết bị bác bỏ không phải là một thất bại, mà là một kết quả nghiên cứu. Việc cố gắng “ép” dữ liệu để có p < 0.05 hoặc loại bỏ các biến liên quan là một hành vi thiếu khoa học. Thay vì đó, hãy thảo luận về lý do tại sao mối quan hệ đó không có ý nghĩa trong bối cảnh nghiên cứu của bạn. Để tối ưu hóa quy trình phân tích và tránh các lỗi tiềm ẩn, việc tham khảo các tài liệu chuyên sâu về mô hình cấu trúc PLS-SEM và tìm kiếm sự tư vấn từ các chuyên gia là điều cần thiết.

Nếu bạn đang gặp khó khăn trong việc xây dựng, phân tích và đánh giá mô hình cấu trúc, đội ngũ chuyên gia của xulysolieu.info luôn sẵn sàng hỗ trợ. Với kinh nghiệm dày dặn trong việc xử lý dữ liệu và phân tích mô hình trên SmartPLS, SPSS, AMOS, chúng tôi cung cấp các dịch vụ tư vấn toàn diện, từ việc khắc phục các vấn đề về dữ liệu đến diễn giải kết quả và hoàn thiện bài nghiên cứu của bạn.

Thông Tin Liên Hệ