CB-SEM vs PLS-SEM vs Consistent PLS-SEM: Hướng dẫn chọn phương pháp phân tích phù hợp cho nghiên cứu

Trong nghiên cứu khoa học xã hội và kinh doanh, CB-SEM và PLS-SEM đã trở thành hai phương pháp phân tích quen thuộc với hầu hết các nhà nghiên cứu. CB-SEM được biết đến như “tiêu chuẩn vàng” cho theory testing, trong khi PLS-SEM nổi tiếng với khả năng dự đoán và tính linh hoạt. Tuy nhiên, một “người chơi” mới đang âm thầm thu hút sự chú ý - Consistent PLS-SEM (PLSc).

PLSc được phát triển như một giải pháp “best of both worlds”, hứa hẹn mang lại độ chính xác của CB-SEM nhưng vẫn giữ được tính linh hoạt của PLS-SEM. Vậy PLSc thực sự là gì? Khi nào nên sử dụng? Và liệu nó có thể thay thế hai “ông lớn” truyền thống? Bài viết này sẽ tập trung giải đáp những thắc mắc về PLSc và so sánh với các phương pháp hiện có.

A. Tổng quan về Structural Equation Modeling (SEM)

SEM là một kỹ thuật thống kê đa biến thế hệ thứ hai (so với thế hệ thứ nhất như regression, ANOVA, EFA, v.v), cho phép kiểm định đồng thời nhiều mối quan hệ phụ thuộc giữa các biến được đo lường và các construct tiềm ẩn (Hair et al., 2019). Điểm mạnh của SEM nằm ở khả năng tích hợp các biến tiềm ẩn vào mô hình - những biến không thể đo lường trực tiếp nhưng có thể được đo lường gián tiếp thông qua một tập hợp các chỉ báo (biến biểu thị).

Hiện tại, có hai phương pháp chính (CB-SEM, PLS-SEM) và một phương pháp mới nổi (PLSc):

• Covariance-Based SEM (CB-SEM). Được sử dụng rộng rãi từ những năm 1970s.

• Partial Least Squares SEM (PLS-SEM). Phổ biến từ những năm 2000s.

• Consistent PLS-SEM (PLSc). Vẫn trong giai đoạn early adoption. Ở một số khu vực/lĩnh vực, PLSc vẫn rất ít được biết đến. Các journal top-tier mới bắt đầu chấp nhận PLSc trong vài năm gần đây.

Ngoài ra, còn có các phương pháp ngách (niche) vẫn có ít nghiên cứu ứng dụng, đó là các phương pháp GSCA, LISREL variants, v.v.

Nội dung bài viết này sẽ nhắc lại các ưu và nhược điểm của hai phương pháp truyền thống, và so sánh với PLSc để các bạn có cái nhìn tổng quan hơn.

1. Covariance-Based SEM (CB-SEM): Phương pháp truyền thống

Đặc điểm cốt lõi

CB-SEM là phương pháp SEM “cổ điển”, hoạt động dựa trên việc so sánh sự khác biệt giữa ma trận hiệp phương sai quan sát và ma trận hiệp phương sai ước tính (Hair và cộng sự, 2019). Đây là một phương pháp confirmatory (xác nhận), yêu cầu nền tảng lý thuyết vững chắc để kiểm định.

Ưu điểm

• Độ chính xác cao: Cung cấp các ước lượng chính xác cho các mối quan hệ cấu trúc

• Kiểm định model fit toàn diện: Có nhiều chỉ số đánh giá độ phù hợp mô hình (χ², RMSEA, CFI, GFI, TLI, v.v.)

• Được chấp nhận rộng rãi: Phương pháp truyền thống được các tạp chí khoa học ưa chuộng

• Lý thuyết vững chắc: Có nền tảng toán học và thống kê mạnh mẽ

Nhược điểm

• Yêu cầu nghiêm ngặt: Cần dữ liệu phân phối chuẩn đa biến

• Cỡ mẫu lớn: Thường yêu cầu ít nhất 200-400 quan sát

• Khó xử lý mô hình phức tạp: Gặp khó khăn với mô hình có nhiều construct hoặc chỉ báo

• Không phù hợp với dữ liệu formative: Chủ yếu thiết kế cho measurement model reflective

Khi nào nên sử dụng CB-SEM?

• Mục tiêu nghiên cứu là theory testing (kiểm định lý thuyết)

• Có nền tảng lý thuyết vững chắc và muốn xác nhận

• Cỡ mẫu đủ lớn (>200) và dữ liệu phân phối chuẩn

• Các construct đều là reflective

• Quan tâm đến model fit và độ chính xác của ước lượng

2. Partial Least Squares SEM (PLS-SEM): Phương pháp dự đoán

Đặc điểm cốt lõi

PLS-SEM là phương pháp causal-predictive, tập trung vào việc tối đa hóa phương sai được giải thích trong các construct phụ thuộc (Hair et al., 2017). Đây là phương pháp variance-based, không yêu cầu giả định phân phối chuẩn.

Ưu điểm

• Linh hoạt về dữ liệu: Không yêu cầu phân phối chuẩn, xử lý được dữ liệu non-normal

• Cỡ mẫu nhỏ: Có thể hoạt động hiệu quả với cỡ mẫu nhỏ (theo “10 times rule”)

• Xử lý mô hình phức tạp: Thích hợp với mô hình có nhiều construct và chỉ báo

• Hỗ trợ formative measurement: Có thể xử lý cả reflective và formative constructs

• Khả năng dự đoán cao: Tối ưu hóa R² và có công cụ PLSpredict

Nhược điểm

• Ước lượng không nhất quán: Có xu hướng underestimate các path coefficients

• Model fit hạn chế: Ít chỉ số đánh giá model fit

• Bias trong ước lượng: Chịu ảnh hưởng của measurement error

• Không phù hợp cho theory testing: Chủ yếu dành cho exploratory research

Khi nào nên sử dụng PLS-SEM?

• Mục tiêu nghiên cứu là prediction (dự đoán) hoặc theory development

• Cỡ mẫu nhỏ hoặc dữ liệu không phân phối chuẩn

• Mô hình phức tạp với nhiều construct

• Có formative constructs

• Nghiên cứu exploratory hoặc ứng dụng thực tế

3. Consistent PLS-SEM (PLSc): Giải pháp cầu nối

Đặc điểm cốt lõi

PLSc là phiên bản cải tiến của PLS-SEM, được Dijkstra và Henseler (2015) phát triển để khắc phục vấn đề attenuation bias trong PLS-SEM truyền thống. PLSc sử dụng correction factor để tạo ra các ước lượng consistent và gần với CB-SEM hơn.

Cách thức hoạt động

PLSc thực hiện hai bước chính:

Bước 1: Chạy PLS-SEM thông thường để có ước lượng ban đầu

Bước 2: Áp dụng correction factor dựa trên composite reliability để điều chỉnh path coefficients

Ưu điểm

• Ước lượng nhất quán: Cung cấp consistent estimates như CB-SEM

• Giữ được ưu điểm PLS: Vẫn linh hoạt về sample size và data distribution

• Kết quả gần CB-SEM: Path coefficients và effect sizes tương tự CB-SEM

• Model fit tốt hơn PLS: Các chỉ số fit tốt hơn PLS-SEM truyền thống

Nhược điểm

• Điều kiện áp dụng: Chỉ hiệu quả khi construct reliability cao (>0.7)

• Statistical power thấp: Thấp hơn so với PLS-SEM truyền thống

• Chưa được chấp nhận rộng rãi: Vẫn đang trong quá trình được cộng đồng nghiên cứu chấp nhận

• Không phù hợp mọi trường hợp: Khi reliability thấp, PLSc không mang lại lợi ích

Khi nào nên sử dụng PLSc?

• Mục tiêu là confirmatory nhưng không đáp ứng được yêu cầu CB-SEM

• Construct reliability cao (Composite Reliability > 0.7)

• Muốn có ước lượng chính xác hơn PLS-SEM nhưng giữ được tính linh hoạt

• So sánh với kết quả CB-SEM

B. So sánh thực nghiệm: Bằng chứng từ nghiên cứu

Nghiên cứu của Vuković (2024) đã so sánh cả ba phương pháp trên cùng một mô hình Theory of Planned Behavior với 200 quan sát. Kết quả cho thấy:

Measurement Model

• PLS-SEM: Có factor loadings cao nhất và các chỉ số validity/reliability tốt nhất

• CB-SEM và PLSc: Kết quả tương tự nhau, loadings thấp hơn PLS-SEM một chút

Structural Model

• CB-SEM: Path coefficients mạnh, model fit tốt (CFI=0.946, RMSEA=0.092)

• PLSc: Path coefficients gần giống CB-SEM, model fit tương đương

• PLS-SEM: Path coefficients yếu hơn, nhưng predictive power cao (R²=0.661)

Kết luận nghiên cứu

Tác giả kết luận rằng không có phương pháp nào “tốt nhất”, mà cần chọn phương pháp phù hợp với mục tiêu nghiên cứu cụ thể.

C. Hướng dẫn lựa chọn phương pháp

Decision Tree cho việc lựa chọn

D. Tiêu chí cụ thể

E. Khuyến nghị thực hành

1. Nghiên cứu Confirmatory

• Ưu tiên CB-SEM nếu đáp ứng được các yêu cầu

• Sử dụng PLSc như giải pháp thay thế khi CB-SEM không khả thi

• Tránh PLS-SEM trừ khi mục tiêu chính là prediction

2. Nghiên cứu Exploratory/Predictive

• Ưu tiên PLS-SEM cho khả năng dự đoán và tính linh hoạt

• Cân nhắc PLSc nếu muốn kết quả stable hơn

• Sử dụng CB-SEM để validate findings trong giai đoạn sau

3. Phương pháp kết hợp (Complementary Approach)

Nhiều nghiên cứu hiện tại áp dụng cả hai hoặc cả ba phương pháp để:

• Kiểm tra tính robust của kết quả

• So sánh predictive power vs. model fit

• Tăng cường độ tin cậy của findings

4. Báo cáo kết quả

• Luôn giải thích lý do lựa chọn phương pháp cụ thể

• Thảo luận về limitations của phương pháp đã chọn

• So sánh kết quả nếu sử dụng nhiều phương pháp

F. Xu hướng tương lai

1. Sự phát triển của PLSc

PLSc đang dần được chấp nhận rộng rãi hơn, đặc biệt trong:

• Nghiên cứu có yêu cầu confirmatory nhưng dữ liệu không hoàn hảo

• Các tạp chí bắt đầu chấp nhận PLSc như alternative cho CB-SEM

2. Công cụ phân tích mới

• CVPAT (Cross-Validated Predictive Ability Test) cho PLS-SEM

• Model fit measures được phát triển thêm cho PLS-SEM

• Hybrid approaches kết hợp ưu điểm của các phương pháp

3. Standardization

Cộng đồng nghiên cứu đang hướng tới việc chuẩn hóa:

• Guidelines cho việc lựa chọn phương pháp

• Reporting standards cho từng phương pháp

• Best practices trong multi-method analysis

G. Kết luận

Việc lựa chọn giữa CB-SEM, PLS-SEM, và PLSc không có câu trả lời đúng sai tuyệt đối. Quyết định cuối cùng phải dựa trên:

1.          Mục tiêu nghiên cứu (confirmatory vs. predictive)

2.        Đặc điểm dữ liệu (sample size, distribution, complexity)

3.        Bản chất của model (reflective vs. formative, số lượng constructs)

4.        Yêu cầu của tạp chí hoặc cơ quan đánh giá

Quan trọng nhất, các phương pháp này nên được xem là bổ sung cho nhau chứ không phải cạnh tranh với nhau. Một nghiên cứu hoàn chỉnh có thể hưởng lợi từ việc sử dụng nhiều phương pháp để có cái nhìn toàn diện về mối quan hệ giữa các biến.

Điều cuối cùng cần nhớ là bất kể phương pháp nào được chọn, chất lượng của nghiên cứu vẫn phụ thuộc vào lý thuyết vững chắc, thiết kế nghiên cứu hợp lý, và thực hiện cẩn thận các bước phân tích.

H. Tài liệu tham khảo

Dijkstra, T. K., & Henseler, J. (2015). Consistent and asymptotically normal PLS estimators for linear structural equations. Computational Statistics & Data Analysis, 81, 10–23. https://doi.org/https://doi.org/10.1016/j.csda.2014.07.008

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis. In Cengage Learning (8th ed.). Cengage Learning.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). Sage publications.

Hair Jr, J. F., Matthews, L. M., Matthews, R. L., & Sarstedt, M. (2017). PLS-SEM or CB-SEM: updated guidelines on which method to use. International Journal of Multivariate Data Analysis, 1(2), 107–123.

Vukovi´c, M. (2024). CB-SEM vs PLS-SEM comparison in estimating the predictors of investment intention. Croatian Operational Research Review, 15(2), 131–144. https://doi.org/10.17535/crorr.2024.0011