Đọc kết quả SmartPLS: Mô hình đo lường và mô hình cấu trúc

Khi mở kết quả SmartPLS, bạn có thể thấy nhiều bảng số liệu với tên như Outer Loadings, Construct Reliability and Validity, HTMT hay Path Coefficients. Bảng nào cũng có chỉ số cần xem, nhưng bắt đầu từ đâu để hiểu đúng?

Cách đọc dễ theo dõi nhất là chia thành hai phần: mô hình đo lường và mô hình cấu trúc.

Phần đầu giúp bạn kiểm tra các câu hỏi có đo lường tốt nội dung cần nghiên cứu hay không. Phần sau giúp xem các yếu tố trong mô hình liên hệ với nhau như thế nào.

Bài viết này của Dienform giải thích các chỉ số SmartPLS thường gặp trong phân tích PLS-SEM, kèm ví dụ và thứ tự đọc dành cho người mới. Tên bảng tham khảo theo SmartPLS 4; cách sắp xếp có thể khác giữa các phiên bản.

1. Mô hình đo lường và mô hình cấu trúc khác nhau thế nào?

Giả sử bạn nghiên cứu mối liên hệ giữa trải nghiệm giao hàng, sự hài lòng và ý định mua lại.

Trong Google Form, mỗi yếu tố được đo bằng một nhóm câu hỏi. Ví dụ, nhóm “Sự hài lòng” gồm:

Tôi hài lòng với trải nghiệm mua hàng.
Trải nghiệm mua hàng đáp ứng mong đợi của tôi.
Nhìn chung, tôi đánh giá tốt trải nghiệm mua hàng.

Mô hình đo lường: Nhóm câu hỏi có đo tốt không?

Phần này xem xét mối liên hệ giữa từng câu hỏi và yếu tố mà câu hỏi đó dùng để đo.

Bạn cần kiểm tra những vấn đề như:

Các câu hỏi trong cùng nhóm có nhất quán không?
Chúng có thể hiện tốt nội dung cần đo không?
Nhóm “Sự hài lòng” có phân biệt được với nhóm “Ý định mua lại” không?

Mô hình cấu trúc: Các yếu tố liên hệ thế nào?

Phần này xem xét mối liên hệ giữa các yếu tố, chẳng hạn:

Trải nghiệm giao hàng có liên hệ với sự hài lòng không?
Sự hài lòng có liên hệ với ý định mua lại không?
Mô hình giải thích được bao nhiêu sự khác biệt về ý định mua lại?

Nên đánh giá mô hình đo lường trước khi diễn giải mô hình cấu trúc. Nếu nhóm câu hỏi chưa đo rõ nội dung cần nghiên cứu, việc giải thích các đường liên hệ phía sau có thể thiếu cơ sở. smartpls.com

2. Bảng tổng hợp các chỉ số SmartPLS cần biết

Câu hỏi cần trả lời	Chỉ số thường xem
Từng câu hỏi liên hệ với yếu tố cần đo ở mức nào?	Outer Loading
Các câu hỏi trong nhóm có nhất quán không?	Cronbach’s Alpha, rho_A, rho_C
Nhóm câu hỏi có cùng tập trung vào nội dung cần đo không?	AVE
Hai yếu tố có đủ khác biệt không?	HTMT
Các câu hỏi hoặc yếu tố giải thích có bị trùng lặp quá nhiều không?	VIF
Mối liên hệ giữa hai yếu tố cùng chiều hay ngược chiều?	Path Coefficient
Ước lượng có mức độ không chắc chắn như thế nào?	Bootstrap Confidence Interval, t, p
Mô hình giải thích được bao nhiêu biến thiên của kết quả?	R², Adjusted R²
Một yếu tố đóng góp bao nhiêu vào khả năng giải thích?	f²
Mô hình dự báo dữ liệu chưa dùng để ước lượng tốt đến đâu?	PLSpredict, Q²_predict, RMSE, MAE

Không phải tất cả chỉ số trong bảng đều áp dụng giống nhau cho mọi mô hình. Trước tiên, bạn cần xác định cách đo từng yếu tố.

3. Xác định loại mô hình đo lường trước khi xem chỉ số

Hai loại thường gặp là reflective — phản ánh và formative — hình thành.

Mô hình phản ánh: Câu hỏi thể hiện cùng một nội dung

Ví dụ, sự hài lòng được thể hiện qua các câu như “Tôi hài lòng”, “Trải nghiệm đáp ứng mong đợi” và “Tôi đánh giá tốt trải nghiệm”.

Theo cách thiết kế này, trạng thái hài lòng được xem là điều đứng sau các câu trả lời. Trên sơ đồ, mũi tên đi từ yếu tố đến các câu hỏi.

Mô hình hình thành: Các thành phần cùng tạo nên một nội dung

Ví dụ, một chỉ số điều kiện kinh tế có thể được hình thành từ thu nhập, tài sản và điều kiện nhà ở.

Các thành phần này không nhất thiết thay đổi cùng nhau. Bỏ một thành phần có thể làm thay đổi ý nghĩa của chỉ số. Trên sơ đồ, mũi tên đi từ các thành phần đến yếu tố.

Việc chọn loại mô hình phải dựa vào ý nghĩa của khái niệm và cách thiết kế đo lường, thay vì đổi hướng mũi tên để kết quả đẹp hơn. smartpls.com

Loại mô hình	Trọng tâm đánh giá
Phản ánh	Outer loading, độ tin cậy, AVE, HTMT
Hình thành	Mức bao quát nội dung, VIF, outer weights, ý nghĩa và đóng góp của từng thành phần; đánh giá hội tụ bằng redundancy analysis khi phù hợp

Cronbach’s Alpha và AVE không phải tiêu chí để đánh giá nhóm đo lường hình thành. smartpls.com

Các phần về outer loading, độ tin cậy, AVE và HTMT dưới đây tập trung vào mô hình phản ánh.

4. Outer Loading: Từng câu hỏi thể hiện yếu tố cần đo tốt đến đâu?

Outer loading cho biết mức liên hệ giữa một câu hỏi và yếu tố mà câu hỏi đó dùng để đo.

Ví dụ:

Câu hỏi về sự hài lòng	Outer loading minh họa
Tôi hài lòng với trải nghiệm mua hàng	0,84
Trải nghiệm đáp ứng mong đợi của tôi	0,81
Tôi đánh giá tốt trải nghiệm mua hàng	0,78

Các câu hỏi có loading cao cho thấy chúng liên hệ rõ hơn với yếu tố đang đo.

Mức khoảng 0,70 trở lên thường được dùng làm mốc tham khảo. Tuy nhiên, một câu có loading thấp hơn không đồng nghĩa phải xóa ngay.

Trước khi quyết định, hãy kiểm tra:

Câu hỏi có diễn đạt khó hiểu không?
Điểm trả lời có được chuyển thành số đúng thứ tự không?
Câu hỏi diễn đạt ngược đã được xử lý đúng chưa?
Nếu bỏ câu này, nhóm câu hỏi có mất một nội dung quan trọng không?

Việc loại câu hỏi cần cân nhắc cả chất lượng đo lường lẫn ý nghĩa nội dung.

5. Cronbach’s Alpha, rho_A và rho_C: Nhóm câu hỏi có nhất quán không?

Ba chỉ số này hỗ trợ đánh giá độ tin cậy theo nghĩa nhất quán bên trong một nhóm câu hỏi.

Chỉ số	Cách hiểu
Cronbach’s Alpha	Đánh giá tính nhất quán dựa trên mối liên hệ giữa các câu hỏi
rho_A	Một cách ước lượng độ tin cậy thường được báo cáo trong PLS-SEM
rho_C	Độ tin cậy tổng hợp, còn gọi là Composite Reliability

Mức từ 0,70 thường được dùng để tham khảo. Tuy nhiên, giá trị quá cao, chẳng hạn trên 0,95, có thể là dấu hiệu các câu hỏi lặp lại nội dung quá nhiều.

Độ tin cậy cao cũng chưa chứng minh nhóm câu hỏi đo đúng nội dung cần nghiên cứu. Bạn cần xem tiếp AVE, HTMT và cách xây dựng câu hỏi.

6. AVE: Các câu hỏi có cùng tập trung vào nội dung cần đo không?

AVE — Average Variance Extracted — hỗ trợ đánh giá giá trị hội tụ.

Hiểu đơn giản, chỉ số này cho biết yếu tố cần đo giải thích được trung bình bao nhiêu phần biến thiên trong các câu hỏi của nó.

Mức AVE từ 0,50 trở lên thường được dùng làm mốc tham khảo.

Ví dụ, AVE của nhóm “Sự hài lòng” bằng 0,62 có nghĩa là yếu tố này giải thích trung bình khoảng 62% phương sai của các câu hỏi trong nhóm. Con số đó không có nghĩa 62% người tham gia hài lòng.

Các mốc outer loading, độ tin cậy và AVE là hướng dẫn đánh giá phổ biến; cần xem cùng nội dung câu hỏi và bối cảnh nghiên cứu. smartpls.com

7. HTMT: Hai yếu tố có thực sự khác nhau không?

Một mô hình có thể gồm nhiều yếu tố mang tên khác nhau, nhưng các câu hỏi lại gần như hỏi cùng một nội dung.

Ví dụ:

Nhóm “Sự hài lòng” hỏi về mức hài lòng với trải nghiệm.
Nhóm “Đánh giá trải nghiệm” cũng chỉ hỏi những câu tương tự.

Lúc này, bạn cần kiểm tra hai nhóm có đủ khác biệt về mặt đo lường hay không.

HTMT hỗ trợ đánh giá sự phân biệt giữa các yếu tố được đo theo kiểu phản ánh.

Các mốc thường gặp gồm:

0,85: Mốc chặt chẽ hơn.
0,90: Có thể được sử dụng khi các khái niệm gần nhau về nội dung và có cơ sở phù hợp.

Bạn nên chọn tiêu chí có lý do từ trước, tránh đổi mốc sau khi thấy kết quả.

Ví dụ, HTMT giữa “Sự hài lòng” và “Ý định mua lại” bằng 0,94 là dấu hiệu cần xem lại sự chồng lấn giữa hai nhóm. Nó không có nghĩa “94% người hài lòng sẽ mua lại”.

Tài liệu SmartPLS khuyến nghị sử dụng HTMT và có thể bổ sung khoảng tin cậy bootstrap để đánh giá sự phân biệt. Khi kiểm tra theo một ngưỡng đã chọn, cần xem giới hạn trên của khoảng tin cậy phù hợp có nằm dưới ngưỡng đó hay không. smartpls.com

8. VIF: Những yếu tố dùng để giải thích có trùng lặp quá nhiều không?

VIF hỗ trợ phát hiện đa cộng tuyến, tức các yếu tố giải thích liên hệ quá mạnh với nhau.

Ví dụ, nếu “Chất lượng hỗ trợ” và “Chất lượng chăm sóc khách hàng” gần như giống nhau trong dữ liệu, mô hình có thể khó tách riêng đóng góp của từng yếu tố đối với sự hài lòng.

Bạn cần phân biệt hai vị trí:

Vị trí xem VIF	Mục đích
Outer VIF	Kiểm tra sự trùng lặp giữa các thành phần đo lường, đặc biệt với mô hình hình thành
Inner VIF	Kiểm tra sự trùng lặp giữa các yếu tố cùng giải thích một yếu tố kết quả

VIF cao là dấu hiệu cần kiểm tra nội dung và cấu trúc mô hình. Không nên xóa yếu tố chỉ để giảm con số mà chưa xem vai trò của yếu tố đó trong nghiên cứu.

HTMT và VIF cũng không thay thế nhau: HTMT tập trung vào sự phân biệt giữa các yếu tố phản ánh, còn VIF kiểm tra đa cộng tuyến.

9. Path Coefficient: Đọc chiều và mức độ liên hệ giữa các yếu tố

Path coefficient, hay hệ số đường dẫn, mô tả mối liên hệ theo đường mũi tên trong mô hình.

Ví dụ minh họa:

Đường liên hệ	Hệ số
Trải nghiệm giao hàng → Sự hài lòng	0,38
Sự hài lòng → Ý định mua lại	0,57
Cảm nhận phí giao hàng cao → Sự hài lòng	−0,24

Hệ số dương cho thấy mối liên hệ cùng chiều. Hệ số âm cho thấy mối liên hệ ngược chiều, trong điều kiện mô hình đang xét.

Với các hệ số chuẩn hóa thường báo cáo trong PLS-SEM, hệ số 0,38 có thể hiểu là:

Khi yếu tố giải thích tăng một độ lệch chuẩn, yếu tố kết quả được ước tính tăng 0,38 độ lệch chuẩn, giữ các yếu tố giải thích khác trong phương trình không đổi.

Không nên viết “trải nghiệm giao hàng làm sự hài lòng tăng 38%”.

Chiều mũi tên do người nghiên cứu thiết lập dựa trên cơ sở lý thuyết. Một hệ số có ý nghĩa thống kê chưa tự chứng minh quan hệ nhân quả.

10. Bootstrapping: Kết quả ước lượng chắc chắn đến đâu?

Bootstrapping tạo nhiều mẫu lấy lại từ dữ liệu ban đầu, có hoàn lại, rồi ước lượng mô hình nhiều lần. Kết quả giúp tính sai số chuẩn, giá trị t, p và khoảng tin cậy. smartpls.com

Khi đọc bảng hệ số đường dẫn sau bootstrap, bạn thường gặp:

Cột	Ý nghĩa
Original Sample — O	Hệ số ước lượng từ dữ liệu ban đầu
Sample Mean — M	Trung bình hệ số qua các mẫu bootstrap
Standard Deviation — STDEV	Độ phân tán của các ước lượng bootstrap
T Statistics	Thống kê dùng trong kiểm định
P Values	Giá trị p
Confidence Intervals	Khoảng tin cậy của hệ số

Đọc khoảng tin cậy thế nào?

Giả sử một đường liên hệ có:

Hệ số: 0,38.
Khoảng tin cậy bootstrap 95%: [0,19; 0,54].

Khoảng này không chứa 0, cung cấp bằng chứng về một hệ số dương theo cách xây dựng khoảng tin cậy đang dùng.

Nếu khoảng là [−0,08; 0,31], nó chứa 0. Khi đó, chưa đủ bằng chứng để kết luận hệ số khác 0 ở mức tương ứng.

Có phải p nhỏ hơn 0,05 là giả thuyết đúng?

Không. Nếu mức ý nghĩa được chọn là 0,05, p nhỏ hơn mức đó hỗ trợ kết luận thống kê cho kiểm định tương ứng. Nó không cho biết giả thuyết có 95% khả năng đúng.

Bạn cần xem cùng:

Chiều và độ lớn của hệ số.
Khoảng tin cậy.
Cơ sở nghiên cứu.
Ý nghĩa thực tế.

Với giả thuyết dự đoán liên hệ dương, một hệ số âm có ý nghĩa thống kê cũng không hỗ trợ chiều giả thuyết đã đề xuất.

11. R² và f²: Mô hình giải thích được bao nhiêu?

R²: Khả năng giải thích trong dữ liệu đang phân tích

Giả sử R² của “Ý định mua lại” bằng 0,48. Bạn có thể viết:

Các yếu tố được đưa vào phương trình giải thích khoảng 48% sự biến thiên của ý định mua lại trong dữ liệu phân tích.

R² không phải tỷ lệ người sẽ mua lại hoặc phần trăm độ chính xác của mô hình.

Adjusted R² có thêm điều chỉnh liên quan đến số yếu tố giải thích và cỡ mẫu. Không có một mức R² duy nhất được xem là tốt cho mọi lĩnh vực.

f²: Đóng góp riêng của một yếu tố

f² đánh giá mức thay đổi khả năng giải thích khi bỏ một yếu tố khỏi phương trình, so với khi có yếu tố đó.

Một đường liên hệ có p nhỏ vẫn có thể đóng góp ít về mặt thực tế. Vì vậy, cần đọc hệ số và bằng chứng thống kê cùng mức đóng góp, thay vì chỉ đánh dấu “có ý nghĩa”.

Báo cáo mô hình cấu trúc nên kết hợp hệ số đường dẫn, khoảng tin cậy, R², f² và đánh giá dự báo phù hợp với mục tiêu nghiên cứu. smartpls.com

12. R² cao có nghĩa mô hình dự báo tốt không?

Chưa chắc. R² được tính trên dữ liệu dùng để ước lượng mô hình.

Nếu muốn đánh giá khả năng dự báo những trường hợp chưa được dùng để ước lượng, bạn cần bước đánh giá dự báo riêng, chẳng hạn PLSpredict.

Các kết quả thường xem gồm:

Q²_predict: So sánh dự báo của mô hình với cách dự báo đơn giản dựa trên giá trị trung bình.
RMSE và MAE: Đo sai số dự báo; thấp hơn là tốt hơn khi so sánh trên cùng dữ liệu và cùng cách đánh giá.

Q²_predict dương cho thấy mô hình có sai số bình phương tổng thể thấp hơn mốc dự báo trung bình đối với chỉ báo đang xét. Để đánh giá đầy đủ hơn, cần so sánh thêm sai số với mô hình đối chiếu phù hợp. smartpls.com

Nếu đọc hướng dẫn cũ có nhắc Q² từ blindfolding, đừng nhầm với Q²_predict. SmartPLS 4 đã bỏ blindfolding và khuyến nghị các phương pháp đánh giá dự báo ngoài mẫu như PLSpredict và CVPAT. smartpls.com

13. Thứ tự đọc kết quả SmartPLS cho người mới

Bạn có thể đi theo thứ tự sau:

Kiểm tra dữ liệu: Câu trả lời thiếu, giá trị ngoài phạm vi, cách chuyển đáp án thành số và câu hỏi diễn đạt ngược.
Xác định cách đo từng yếu tố: Phản ánh hay hình thành.
Đánh giá mô hình đo lường: Chọn đúng nhóm chỉ số tương ứng với cách đo.
Kiểm tra VIF trong mô hình cấu trúc: Xem sự trùng lặp giữa các yếu tố giải thích.
Đọc hệ số đường dẫn và bootstrap: Xem chiều, độ lớn, khoảng tin cậy và p.
Xem R², f² và dự báo: Đánh giá khả năng giải thích, đóng góp riêng và khả năng dự báo nếu nghiên cứu yêu cầu.

Khi lưu kết quả, hãy ghi rõ phiên bản SmartPLS, thuật toán, số mẫu hợp lệ và các lựa chọn bootstrap như số mẫu lấy lại, kiểm định một phía hay hai phía, mức ý nghĩa và phương pháp khoảng tin cậy.

Những lỗi thường gặp khi đọc các chỉ số SmartPLS

Lỗi	Cách xử lý phù hợp
Áp dụng Alpha, AVE cho mọi loại mô hình	Xác định phản ánh hay hình thành trước
Xóa câu hỏi ngay khi loading thấp	Kiểm tra nội dung, dữ liệu và vai trò của câu hỏi
Đổi ngưỡng HTMT sau khi thấy kết quả	Chọn tiêu chí có cơ sở và báo cáo rõ
Hệ số 0,4 được viết thành tăng 40%	Diễn giải theo đơn vị của hệ số
Chỉ xem p rồi kết luận	Xem thêm hệ số, khoảng tin cậy và ý nghĩa thực tế
R² cao được coi là dự báo tốt	Đánh giá dự báo ngoài mẫu khi cần
Thấy bảng toàn màu xanh là kết luận mô hình tốt	Xem giá trị thực tế và cơ sở của từng đánh giá

Dữ liệu từ Google Form và Dienform cần lưu ý gì?

Chất lượng phân tích bắt đầu từ cách thiết kế câu hỏi và thu thập dữ liệu.

Nếu sử dụng điền form tự động để kiểm thử hoặc chuẩn bị dữ liệu thực hành, bạn có thể dùng dữ liệu đó để làm quen với thao tác phân tích và cách đọc kết quả. Hãy ghi rõ đây là dữ liệu mô phỏng.

Việc thiết lập tỷ lệ đáp án cho từng câu không tự quyết định Alpha, AVE, HTMT hay hệ số đường dẫn. Các chỉ số này còn phụ thuộc vào cách câu trả lời xuất hiện cùng nhau trên từng dòng dữ liệu.

Dữ liệu thực hành không thay thế câu trả lời từ người tham gia khi mục tiêu là kết luận về khách hàng hoặc một nhóm người thực tế.

Bạn có thể sử dụng Dienform.com cho bước chuẩn bị câu trả lời kiểm thử, sau đó kiểm tra dữ liệu và thực hiện phân tích bằng phần mềm phù hợp.

Câu hỏi thường gặp về đọc kết quả SmartPLS

Có cần chạy EFA trên SPSS trước khi dùng SmartPLS không?

Không phải quy trình nào cũng bắt buộc có EFA. Việc cần EFA hay không phụ thuộc vào mục tiêu nghiên cứu, mức độ phát triển của nhóm câu hỏi và cơ sở lý thuyết.

Outer loading dưới 0,70 có phải xóa câu hỏi không?

Không tự động. Bạn cần xem mức loading cụ thể, độ tin cậy, AVE và nội dung mà câu hỏi đại diện. Xóa câu hỏi có thể làm mất một phần ý nghĩa cần đo.

HTMT vượt ngưỡng thì làm gì?

Kiểm tra sự giống nhau giữa các khái niệm, nội dung câu hỏi, cách chuyển câu trả lời thành số và khả năng thiết kế mô hình chưa phù hợp. Mọi thay đổi cần có lý do về nội dung.

Đường liên hệ có p lớn hơn 0,05 là mô hình sai không?

Không. Một đường chưa có đủ bằng chứng thống kê không đồng nghĩa toàn bộ mô hình sai. Bạn cần báo cáo kết quả, khoảng tin cậy và xem xét độ chính xác của ước lượng cùng bối cảnh nghiên cứu.

Nên học chỉ số nào trước?

Hãy bắt đầu bằng việc phân biệt mô hình đo lường và mô hình cấu trúc. Sau đó học outer loading, độ tin cậy, AVE, HTMT rồi đến VIF, hệ số đường dẫn và bootstrap.

Đọc tiếp theo nhu cầu: Outer loading và độ tin cậy → AVE → HTMT → VIF → hệ số đường dẫn và bootstrapping.