PLS-SEM dùng để phân tích mô hình đo lường và Boostrap dùng cho mô hình cấu trúc. 2 công cụ này là không thể thiếu khi thực hiện thống kê dữ liệu trên SmartPLS 4

Phân tích mô hình đo lường là bước quan trọng trong phương pháp Partial Least Squares Structural Equation Modeling (PLS-SEM), một kỹ thuật mạnh mẽ được sử dụng để phân tích các mô hình có nhiều biến số. Với phiên bản SmartPLS 4, quy trình này đã trở nên dễ dàng hơn nhờ các tính năng cải tiến và giao diện trực quan. Trong bài viết này, chúng ta sẽ tìm hiểu cách thực hiện phân tích mô hình đo lường từ đầu đến cuối bằng SmartPLS 4, với hướng dẫn chi tiết các bước và hình ảnh minh họa.

Sau khi đánh giá mô hình đo lường bằng cách chạy PLS-SEM, tiếp tục đánh giá mô hình cấu trúc bằng Boostrapping trên SmartPLS 4

Chỉ số Composite Reliability là một công cụ quan trọng trong việc đánh giá độ tin cậy tổng hợp của mô hình đo lường trong nghiên cứu khoa học và thống kê. Việc sử dụng và đánh giá chỉ số này đòi hỏi sự cẩn trọng và chính xác để đảm bảo tính chính xác của kết quả nghiên cứu. Nếu được áp dụng đúng cách, chỉ số CR sẽ giúp nâng cao chất lượng của nghiên cứu và phân tích dữ liệu.

Trong các nghiên cứu định lượng hiện đại, đặc biệt là các mô hình cấu trúc tuyến tính (SEM), biến trung gian (mediator) đóng vai trò quan trọng trong việc lý giải cơ chế tác động giữa biến độc lập và biến phụ thuộc. Thay vì chỉ biết rằng X

Biến trung gian (mediator) là biến đóng vai trò can thiệp vào mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y). Khi chạy SmartPLS 4, bạn có thể sẽ cần xử lý vấn đề biến trung gian.

Giá trị phân biệt (discriminant validity) giúp đánh giá tính duy nhất và khác biệt của các khái niệm nghiên cứu trong mô hình cấu trúc. Phương pháp phổ biến để đánh giá giá trị phân biệt là dựa vào hệ số tải chéo (cross loadings) của các biến quan sát. Bài viết này giải thích cách sử dụng hệ số tải ngoài và tải chéo trong SMARTPLS 4 để đảm bảo rằng mỗi biến quan sát đo lường đúng nhân tố mẹ, từ đó nâng cao độ chính xác và tin cậy của mô hình nghiên cứu.