Trong lĩnh vực nghiên cứu khoa học xã hội và kinh doanh, hai phương pháp phân tích nổi bật được ứng dụng rộng rãi là PLS-SEM và CB-SEM. Việc lựa chọn giữa pls-sem và cb-sem thường phụ thuộc vào mục tiêu nghiên cứu cụ thể, tính chất dữ liệu và yêu cầu của mô hình. Bài viết này sẽ đi sâu vào những điểm khác biệt, ưu điểm cũng như nhược điểm của từng phương pháp, nhằm cung cấp cái nhìn toàn diện cho các nhà nghiên cứu.

Tổng quan về PLS-SEM và CB-SEM

Để hiểu rõ hơn về pls-sem và cb-sem, trước hết, chúng ta cần nắm rõ căn bản về hai phương pháp phân tích này.

Một trong những lý do mà cả PLS-SEM (Partial Least Squares Structural Equation Modeling) và CB-SEM (Covariance-Based Structural Equation Modeling) được ưa chuộng là khả năng khám phá và kiểm tra mối quan hệ giữa các biến trong một mô hình phức tạp. Mặc dù có cùng mục đích nhưng cách thức tiếp cận và quy trình thực hiện của hai phương pháp này lại rất khác nhau.

PLS-SEM là một kỹ thuật khai thác được thiết kế để tối ưu hóa độ chính xác của dự đoán trong khi CB-SEM chủ yếu tập trung vào ước lượng các tham số qua cấu trúc ma trận hiệp phương sai. Do đó, sự khác biệt về phương pháp này đã dẫn đến điểm mạnh và điểm yếu riêng biệt cho từng kỹ thuật.

Khái niệm cơ bản về PLS-SEM

PLS-SEM là một phương pháp dựa trên kỹ thuật hồi quy, trong đó mục tiêu chính là tìm ra các yếu tố tiềm ẩn từ dữ liệu quan sát.

Ở PLS-SEM, người dùng không chỉ quan tâm đến việc ước lượng các tham số mà còn chú trọng đến việc tối ưu hóa mô hình dự đoán. Khi áp dụng PLS-SEM, các nhà nghiên cứu có thể sử dụng các biến quan sát để tính toán và dự đoán các yếu tố tiềm ẩn với độ chính xác cao hơn so với nhiều phương pháp truyền thống khác.

Bên cạnh đó, PLS-SEM cho phép xử lý dữ liệu có kích thước mẫu nhỏ và không yêu cầu phân phối chuẩn, điều này cực kỳ hữu ích trong các nghiên cứu ban đầu hoặc các lĩnh vực nghiên cứu chưa quá phát triển, nơi mà việc thu thập dữ liệu có thể khó khăn.

Khái niệm cơ bản về CB-SEM

Ngược lại, CB-SEM là một phương pháp phân tích tập trung vào việc ước lượng ma trận hiệp phương sai của các tham số trong mô hình. Mục đích của CB-SEM là kiểm tra các giả thuyết về mối quan hệ giữa các biến thông qua việc xây dựng một mô hình lý thuyết có thể được nghiệm chứng bằng dữ liệu thực nghiệm.

CB-SEM yêu cầu số lượng mẫu lớn hơn và thường phải tuân thủ một số giả thuyết như phân phối chuẩn của dữ liệu. Điều này khiến cho CB-SEM phù hợp hơn cho các nghiên cứu đã có nền tảng vững chắc và mong muốn kiểm tra các lý thuyết đã được phát triển.

Do đó, mặc dù CB-SEM thường được coi là phương pháp mạnh mẽ hơn trong việc kiểm tra mô hình lý thuyết, song nó lại không linh hoạt và dễ dàng như PLS-SEM trong việc xử lý dữ liệu thực tế.

Điểm mạnh và điểm yếu của PLS-SEM

PLS-SEM có một số điểm mạnh nổi bật:

Một trong những lợi thế lớn nhất của PLS-SEM chính là khả năng xử lý các mối quan hệ phức tạp giữa các biến. Nó cho phép các nhà nghiên cứu có thể đưa ra định nghĩa và mô hình hóa các yếu tố tiềm ẩn một cách linh hoạt mà không cần phải tuân thủ chặt chẽ các giả thuyết thống kê như trong CB-SEM.

Điểm mạnh khác của PLS-SEM là khả năng dự đoán tốt. PLS-SEM thường tạo ra kết quả chính xác hơn khi dự đoán các biến ngoài mẫu, điều này giúp cho các nhà nghiên cứu có thể áp dụng mô hình của mình vào thực tiễn một cách hiệu quả.

Tuy nhiên, bất lợi của PLS-SEM có thể nằm ở việc thiếu khả năng kiểm tra các giả thuyết nền tảng một cách nghiêm ngặt. Điều này có thể dẫn đến những khuyết điểm trong việc xây dựng lý thuyết từ các mô hình dự đoán.

Điểm mạnh và điểm yếu của CB-SEM

CB-SEM cũng có những ưu điểm đáng kể:

Trước tiên, CB-SEM thường được đánh giá là một phương pháp mạnh mẽ trong việc nghiệm chứng các lý thuyết đã được xây dựng. Nó không chỉ cho phép kiểm tra sự chính xác của các mô hình tiềm ẩn mà còn cung cấp một cái nhìn sâu sắc hơn về cấu trúc của các mối quan hệ giữa các biến.

Việc áp dụng CB-SEM còn đảm bảo rằng mô hình của bạn đáp ứng đầy đủ các yêu cầu thống kê, điều này mang lại cho các nhà nghiên cứu một cảm giác tự tin hơn khi công bố kết quả nghiên cứu của mình.

Tuy nhiên, điều đáng lưu ý là CB-SEM đòi hỏi một kích thước mẫu lớn và sự gặp gỡ đúng các giả thuyết về dữ liệu, điều này có thể là một hạn chế đối với các nghiên cứu ban đầu hoặc khi không đủ nguồn lực thu thập dữ liệu.

Tiêu chí lựa chọn giữa PLS-SEM và CB-SEM

Như đã đề cập, quyết định lựa chọn giữa pls-sem và cb-sem tùy thuộc vào nhiều yếu tố cụ thể của nghiên cứu. Những yếu tố này bao gồm mục tiêu nghiên cứu, loại dữ liệu, kích thước mẫu, và yêu cầu về độ chính xác của kết quả.

Tiêu chí lựa chọn giữa PLS-SEM và CB-SEM

Khi nào nên chọn PLS-SEM?

PLS-SEM thường được ưa chuộng trong các nghiên cứu tìm kiếm mối quan hệ và khám phá các yếu tố tiềm ẩn trong mô hình. Nếu bạn đang làm việc với một bộ dữ liệu nhỏ hoặc mong muốn phát hiện các xu hướng chưa được kiểm nghiệm trước, PLS-SEM có thể là giải pháp phù hợp.

Ngoài ra, PLS-SEM là một lựa chọn tối ưu khi bạn có một số lượng lớn biến độc lập và muốn thử nghiệm nhiều quyết định đồng thời, đặc biệt nếu mục tiêu của bạn là tối ưu hóa dự đoán chứ không chỉ kiểm tra lý thuyết.

Một ví dụ điển hình có thể là trong lĩnh vực marketing, nơi mà các nhà nghiên cứu thường muốn đánh giá tổng quát các yếu tố ảnh hưởng đến hành vi tiêu dùng. PLS-SEM sẽ cho phép họ tìm ra những mối quan hệ phức tạp nhất mà không cần phải yêu cầu quá nhiều dữ liệu chi tiết.

Khi nào nên chọn CB-SEM?

CB-SEM nên được xem xét khi bạn đang làm việc với một mô hình lý thuyết đã được xây dựng rõ ràng và bạn muốn kiểm tra sự chính xác của nó thông qua dữ liệu thực nghiệm. Đặc biệt, nếu bạn có khả năng thu thập một kích thước mẫu lớn và dữ liệu của bạn có xu hướng phân phối chuẩn, thì CB-SEM sẽ mang lại kết quả chính xác hơn.

CB-SEM còn được coi là tối ưu trong các nghiên cứu có tính chính thống cao, nơi mà sự nghiệm chứng nghiem ngặt các giả thuyết là rất quan trọng. Trong nhiều lĩnh vực như tâm lý học hay giáo dục, việc sử dụng CB-SEM có thể cung cấp thêm những thông tin có giá trị cho việc cải thiện hoặc phát triển lý thuyết.

Việc sử dụng CB-SEM trong các nghiên cứu đánh giá các chương trình can thiệp hoặc so sánh các lý thuyết khác nhau cũng sẽ tạo ra những tín hiệu đáng tin cậy hơn về tác động của các biến.

Sự kết hợp giữa PLS-SEM và CB-SEM

Dù rõ ràng có những điểm mạnh riêng của mỗi phương pháp, tuy nhiên, nhiều nhà nghiên cứu hiện nay bắt đầu kết hợp PLS-SEM và CB-SEM trong các nghiên cứu của họ.

Việc sử dụng PLS-SEM để khám phá các yếu tố tiềm ẩn và sau đó chuyển sang CB-SEM để kiểm tra mô hình lý thuyết có thể cung cấp cho các nhà khoa học một cái nhìn toàn cảnh hơn về vấn đề nghiên cứu. Sự kết hợp này không chỉ giúp tối ưu hóa các dự đoán mà còn nâng cao độ chính xác trong việc nghiệm chứng các giả thuyết.

Khi áp dụng phương pháp này, các nhà nghiên cứu sẽ tận dụng được cả sức mạnh của việc khám phá lẫn kiểm tra lý thuyết. Họ có thể nhanh chóng phát hiện ra các yếu tố quan trọng mà trước đây chưa được biết đến và sau đó kiểm định độ tin cậy của những phát hiện này thông qua CB-SEM.

Kết luận

Việc lựa chọn giữa PLS-SEM và CB-SEM trong nghiên cứu không hề đơn giản và phụ thuộc vào nhiều yếu tố. Trong khi PLS-SEM nổi bật với khả năng khai thác và tối ưu hóa độ chính xác dự đoán, CB-SEM lại thể hiện sức mạnh trong việc kiểm tra và nghiệm chứng các lý thuyết.

Tùy thuộc vào mục tiêu nghiên cứu, kích thước mẫu và tính chất dữ liệu, các nhà nghiên cứu cần cân nhắc kỹ lưỡng trước khi quyết định áp dụng phương pháp nào. Hơn nữa, sự kết hợp giữa hai phương pháp này có thể mở ra nhiều cơ hội mới cho nghiên cứu, giúp các nhà khoa học có bức tranh rõ hơn về các vấn đề phức tạp trong xã hội và kinh doanh.

Cuối cùng, dù lựa chọn phương pháp nào, điều quan trọng vẫn là đảm bảo rằng kết quả nghiên cứu có thể phục vụ cho mục tiêu cuối cùng, góp phần tạo ra những giá trị thiết thực cho cộng đồng.