SmartPLS là gì và dùng để phân tích gì trong luận văn?

Trả lời thẳng: SmartPLS là phần mềm có giao diện đồ họa để dựng mô hình đường dẫn rồi chạy phương pháp PLS-SEM, một cách ước lượng mô hình cấu trúc tuyến tính. Hair và cộng sự (2021) mô tả SEM là phương pháp đa biến dùng để phân tích quan hệ giữa các khái niệm và những biến quan sát đo chúng. Bạn vẽ khái niệm, nối mũi tên, nạp dữ liệu và bấm tính.

Phần mềm do SmartPLS GmbH phát hành. Theo trang giới thiệu bản 4, SmartPLS 4 đọc trực tiếp tệp Excel và tệp SPSS nên bạn không phải đổi dữ liệu sang định dạng khác, và ngoài PLS-SEM còn chạy được CB-SEM cùng phân tích nhân tố khẳng định CFA (SmartPLS GmbH, n.d.-c). Bản 4 cũng bổ sung hồi quy, phân tích đường dẫn, PROCESS và nhiều biến điều tiết, vì vậy một phần việc trước kia phải làm ở phần mềm khác nay làm được ngay trong một dự án.

Hair và cộng sự (2021) gọi các khái niệm là construct và vẽ chúng bằng hình tròn, còn các câu hỏi đo từng khái niệm là indicator và được vẽ bằng hình chữ nhật. Phần nối khái niệm với khái niệm là mô hình cấu trúc, phần nối khái niệm với câu hỏi là mô hình đo lường. Khi đọc báo cáo của SmartPLS, bạn sẽ gặp hai nửa này lần lượt, nên hiểu sơ đồ trước khi hiểu bảng số sẽ giúp bạn đỡ lạc.

Trả lời thẳng: PLS-SEM là phương pháp ước lượng mô hình cấu trúc bằng chuỗi các hồi quy, tính ra điểm tổng hợp cho mỗi khái niệm từ các câu hỏi đo nó. Theo Hair và cộng sự (2021), CB-SEM lại coi khái niệm là một nhân tố chung và thiên về xác nhận hay bác bỏ lý thuyết, còn PLS-SEM nhấn mạnh việc giải thích phương sai của biến phụ thuộc.

Hồi quy trong SPSS xử lý từng phương trình riêng, trong khi mô hình của nhiều luận văn có chuỗi quan hệ nối tiếp, ví dụ chất lượng dịch vụ tác động đến sự hài lòng, và sự hài lòng tác động đến lòng trung thành. SmartPLS ước lượng cả chuỗi đó trong một lần chạy. Cách so sánh đầy đủ giữa hai họ phương pháp SEM, kèm phần mềm AMOS dành cho CB-SEM, nằm ở bài mô hình SEM là gì và bài AMOS là gì, nên ở đây chỉ giữ những điểm bạn cần để chọn phần mềm.

Bảng trên tổng hợp từ chương 1 của Hair và cộng sự (2021), nơi các tác giả cũng nhắc rằng PLS-SEM xử lý được thang đo kiểu formative và có khả năng dự báo. Nhóm tác giả coi hai phương pháp bổ sung cho nhau, tức là bạn chọn kỹ thuật hợp với mục tiêu nghiên cứu, đặc điểm dữ liệu và cấu hình mô hình chứ không chọn theo phần mềm quen tay.

Trả lời thẳng: Nên dùng SmartPLS khi mô hình của bạn có nhiều khái niệm đo bằng nhiều câu hỏi, có chuỗi quan hệ nối tiếp, và mục tiêu là giải thích hay dự báo biến phụ thuộc. Hair, Sarstedt và Ringle (2019) thừa nhận PLS-SEM có công suất thống kê cao và hội tụ tốt khi mẫu nhỏ, nhưng nhấn mạnh nó không phải lá bài vạn năng, nên cỡ mẫu nhỏ tự nó chưa đủ để chọn phương pháp này.

Bài của nhóm tác giả này dẫn lại một nhận định đáng nhớ cho người viết luận văn, rằng "it will be the nature of the population that justifies the small sample size, and not the small sample size that justifies the choice of PLS" (Rigdon, 2016, tr. 600, được dẫn trong Hair, Sarstedt và Ringle, 2019). Hiểu theo tiếng Việt, đặc điểm của tổng thể nghiên cứu mới biện minh được cho mẫu nhỏ, còn mẫu nhỏ không biện minh được cho việc chọn PLS. Nếu hội đồng hỏi vì sao bạn chọn SmartPLS, câu trả lời "vì em chỉ khảo sát được ít người" sẽ khó đứng vững.

Về cỡ mẫu, Kock và Hadaya (2018) đề xuất phương pháp căn bậc hai nghịch đảo, với công thức n lớn hơn bình phương của thương số giữa 2,486 và giá trị tuyệt đối của hệ số đường dẫn nhỏ nhất bạn kỳ vọng tìm thấy ý nghĩa. Theo công thức này, nếu hệ số nhỏ nhất bạn quan tâm là 0,3 thì cần ít nhất 69 quan sát, nếu là 0,2 thì cần 155, và nếu là 0,1 thì cần 619. Ba con số trên là ví dụ tính từ công thức chứ không phải lời khuyên của tác giả cho một đề tài cụ thể. Quy tắc "mười lần số mũi tên chỉ vào một khái niệm" thường được truyền miệng, nhưng Kock và Hadaya (2018) cho biết cách này có xu hướng cho ước lượng thiếu chính xác.

Bạn nên hỏi giảng viên hướng dẫn và đọc quy định của khoa về phần mềm và phương pháp trước khi quyết định, vì có nơi chấp nhận SmartPLS, có nơi quen với AMOS hơn. Nếu đề tài chỉ có một biến phụ thuộc và vài biến độc lập, hồi quy trong SPSS thường đã đủ, và bạn có thể xem bài hồi quy tuyến tính trong SPSS.

Trả lời thẳng: Quy trình đánh giá gồm hai bước theo thứ tự cố định. Bước một là đánh giá mô hình đo lường, tức độ tin cậy và giá trị của từng thang đo. Bước hai là đánh giá mô hình cấu trúc, tức các mối quan hệ giữa khái niệm. Theo Hair và cộng sự (2021), lý thuyết cấu trúc không xác nhận được khi thang đo chưa đáng tin hoặc chưa hợp lệ.

Vì thế bạn không nên nhìn thẳng vào hệ số đường dẫn trước khi thang đo đạt yêu cầu. Trước cả hai bước này còn một việc dễ bị bỏ qua là kiểm tra thuật toán đã hội tụ, nghĩa là phần mềm dừng vì chạm tiêu chí dừng chứ không phải vì hết số vòng lặp (Hair và cộng sự, 2021). Bảng sau gom các chỉ số chính theo thứ tự đọc.

Các ngưỡng của bước một và VIF lấy từ chương 4 và chương 6 của Hair và cộng sự (2021), ngưỡng HTMT theo Henseler và cộng sự (2015) cùng chương 4 của sách trên, và ngưỡng f bình phương theo Becker và cộng sự (2023). Mọi ngưỡng đều là quy ước tham khảo chứ không phải ranh giới tuyệt đối, nên bạn hãy ghi rõ nguồn mình dùng ngay trong chương phương pháp.

Trả lời thẳng: Thang đo reflective là thang mà mũi tên đi từ khái niệm tới các câu hỏi, nghĩa là các câu hỏi cùng phản ánh một khái niệm. Theo Hair và cộng sự (2021), bạn đọc theo bốn bước, trước hết là hệ số tải ngoài, rồi tới độ tin cậy, sau đó là AVE, và cuối cùng là HTMT để xem các khái niệm có đủ khác nhau hay không.

Với hệ số tải ngoài, Hair và cộng sự (2021) khuyến nghị mức trên 0,708 và viết rằng "Indicator loadings above 0.708 are recommended, since they indicate that the construct explains more than 50 percent of the indicator's variance". Con số 0,708 có cơ sở tính toán, vì bình phương của nó xấp xỉ 0,50. Nếu một câu hỏi nằm giữa 0,40 và 0,708, nhóm tác giả khuyên chỉ cân nhắc loại khi việc bỏ nó làm độ tin cậy tổng hợp hoặc AVE vượt qua ngưỡng, và câu hỏi dưới 0,40 thì luôn nên loại. Vì vậy bạn không nên xóa câu hỏi chỉ vì hệ số tải rơi xuống 0,70.

Về độ tin cậy, Hair và cộng sự (2021) cho biết mức từ 0,70 đến 0,90 được xem là từ thỏa đáng tới tốt, còn mức 0,60 đến 0,70 chấp nhận được trong nghiên cứu khám phá. Giá trị trên 0,90, nhất là trên 0,95, lại là dấu hiệu có vấn đề, vì các câu hỏi có thể dư thừa hoặc người trả lời đã chọn đều tay. Cronbach's alpha dùng cùng ngưỡng nhưng thường thấp hơn, vì nó giả định mọi hệ số tải bằng nhau, và bạn có thể đọc kỹ hơn ở bài kiểm định Cronbach's alpha. AVE cần đạt tối thiểu 0,50.

Để chứng minh các khái niệm tách biệt nhau, Henseler và cộng sự (2015) đề xuất tỷ số HTMT. Theo Hair và cộng sự (2021), HTMT nên dưới 0,90 khi các khái niệm rất gần nhau về mặt lý thuyết và dưới 0,85 khi chúng khác nhau rõ. Cũng theo sách này, bạn có thể kiểm bằng khoảng tin cậy bootstrap rồi so cận trên với 0,90 hoặc 0,85. Tiêu chí Fornell-Larcker không còn được khuyên làm tiêu chí chính vì phát hiện kém khi các hệ số tải chênh lệch ít, dù Hair và cộng sự (2021) vẫn trình bày nó trong sách vì nhiều nhà nghiên cứu đã quen với tiêu chí này. Thang đo formative, nơi mũi tên đi từ câu hỏi vào khái niệm, dùng tiêu chí khác hẳn nên không nên áp các ngưỡng ở trên.

Nếu bạn còn chưa chắc các câu hỏi trong bảng khảo sát gom thành mấy nhân tố, hãy làm bước khám phá trước, như trong bài phân tích nhân tố khám phá EFA, rồi mới đưa cấu trúc đã hình thành vào SmartPLS.

Trả lời thẳng: Bạn đọc mô hình cấu trúc theo thứ tự VIF, hệ số đường dẫn, R bình phương và f bình phương. Ý nghĩa thống kê của hệ số đường dẫn được kiểm bằng bootstrapping, một kỹ thuật lấy mẫu lặp từ chính dữ liệu của bạn. Theo tài liệu của SmartPLS GmbH (n.d.-a), mỗi mẫu con có cỡ bằng mẫu gốc, và kết quả cuối thường cần khoảng 10.000 mẫu con.

Hair và cộng sự (2021) cho biết VIF trên 5 cho thấy khả năng đa cộng tuyến giữa các khái niệm dự báo, và vùng từ 3 đến 5 vẫn có thể có vấn đề. Hệ số đường dẫn chuẩn hoá thường nằm trong khoảng xấp xỉ từ âm một đến dương một, và một hệ số khác 0 ở mức 5 phần trăm khi khoảng tin cậy 95 phần trăm của nó không chứa số 0. Nhóm tác giả cũng khuyên xem cả hiệu ứng tổng, tức hiệu ứng trực tiếp cộng hiệu ứng gián tiếp, chứ không chỉ riêng hiệu ứng trực tiếp.

Về bootstrapping, tài liệu của SmartPLS GmbH (n.d.-a) cho biết 1.000 mẫu con đủ cho lần xem thử còn kết quả cuối nên dùng khoảng 10.000, và Hair và cộng sự (2021) cũng khuyên luôn dùng 10.000 mẫu cho báo cáo cuối. Một số bài hướng dẫn tiếng Việt nêu con số khác, nên bạn hãy ghi rõ số mẫu con trong chương phương pháp để người đọc kiểm lại được. Đặt hạt giống cố định giúp kết quả lặp lại được ở lần chạy sau.

Với R bình phương, Hair và cộng sự (2021) nêu các mốc 0,75, 0,50 và 0,25 thường được hiểu là đáng kể, vừa và yếu trong nhiều ngành khoa học xã hội, nhưng ngưỡng phụ thuộc bối cảnh nghiên cứu. Họ cũng cảnh báo R bình phương từ 0,90 trở lên khi đo thái độ, nhận thức hay ý định thường báo hiệu mô hình khớp quá mức. Đáng chú ý, R bình phương chỉ cho biết sức giải thích trong chính mẫu của bạn chứ không phải khả năng dự báo ngoài mẫu, và phần sau cần một thủ tục riêng có tên PLSpredict. Với f bình phương, Becker và cộng sự (2023) đưa ba mốc 0,02, 0,15 và 0,35 cho hiệu ứng yếu, vừa và mạnh.

Về độ phù hợp tổng thể của mô hình, SmartPLS có các chỉ số như SRMR, nhưng Hair, Sarstedt và Ringle (2019) cho rằng nhìn chung không cần đánh giá chỉ số kiểu này trong PLS-SEM. Giới học thuật chưa hoàn toàn thống nhất ở điểm này, nên nếu giảng viên yêu cầu báo cáo SRMR thì bạn nên báo cáo kèm ghi chú nguồn. Nếu đề tài của bạn có biến trung gian hay biến điều tiết, hãy xem cách kiểm định riêng ở bài biến trung gian và biến điều tiết.

Trả lời thẳng: SmartPLS 4 là phiên bản hiện hành của phần mềm, có bản cài cho Windows và macOS. Theo trang dùng thử của SmartPLS GmbH (n.d.-b), bạn tải bản cài, chạy lần đầu rồi dùng đủ tính năng trong 30 ngày. Giấy phép sinh viên và giấy phép chuyên nghiệp có điều khoản riêng, nên bạn cần đọc lại điều khoản trên trang chính thức trước khi mua hay đăng ký.

Chính sách giấy phép của nhà phát hành có thể thay đổi theo thời gian, vì vậy bài này không ghi giá hay hạn chế cụ thể của từng loại. Nếu trường của bạn có sẵn giấy phép cho sinh viên, hãy hỏi thư viện hoặc khoa trước, rồi mới tính chuyện dùng bản dùng thử. Hãy lên kế hoạch sao cho 30 ngày dùng thử rơi đúng giai đoạn bạn đã có dữ liệu sạch, thay vì mở phần mềm khi bảng khảo sát còn chưa thu xong.

Trước khi cài, bạn nên có sẵn tệp dữ liệu đã làm sạch, mỗi cột là một câu hỏi và mỗi hàng là một người trả lời, cùng sơ đồ mô hình vẽ trên giấy. Quy trình làm quen nhanh nhất là tạo dự án, nạp dữ liệu, vẽ các khái niệm, nối đường dẫn, rồi chạy thuật toán PLS-SEM với cài đặt mặc định và mở báo cáo. Sau đó bạn quay lại mô hình và chạy bootstrapping để lấy các giá trị kiểm định. Nếu dữ liệu còn nhiều ô trống hay còn nghi ngờ người trả lời đều tay, bạn xử lý trước ở SPSS, như trong bài SPSS là gì.