CB-SEM và PLS-SEM: hai triết lý ước lượng khác nhau, không phải một bản gốc và một bản rút gọn
Nhiều luận văn mô tả PLS-SEM như lựa chọn dự phòng dùng khi mẫu quá nhỏ hoặc dữ liệu không đạt chuẩn cho CB-SEM. Cách hiểu này đảo ngược lịch sử của hai phương pháp. CB-SEM và PLS-SEM ra đời cùng thời kỳ, từ hai truyền thống nghiên cứu khác nhau, để giải quyết hai bài toán ước lượng khác nhau, và quan hệ giữa chúng vẫn là một tranh luận phương pháp học chưa ngã ngũ giữa các nhà thống kê hàng đầu trong lĩnh vực.
CB-SEM và PLS-SEM không nằm trên một thang đo nghiêm ngặt-dễ tính duy nhất, với PLS-SEM ở đầu dễ tính dành cho khi dữ liệu "không đạt chuẩn". Hai phương pháp mã hóa hai mô hình đo lường khác nhau về bản chất, common factor model và composite model, phát triển từ hai truyền thống nghiên cứu khác nhau (Jöreskog, 1978; Wold, 1982). Quan hệ giữa chúng vẫn đang được các nhà phương pháp học tranh luận trực tiếp (Rönkkö & Evermann, 2013; Henseler và cộng sự, 2014), không phải một vấn đề đã có lời giải dứt khoát theo hướng một phương pháp vượt trội tuyệt đối.
1. Lầm tưởng phổ biến nhất: PLS-SEM là "CB-SEM rút gọn cho mẫu nhỏ"
Trong nhiều luận văn và cả một số bài giảng, PLS-SEM thường được giới thiệu theo công thức: "khi mẫu nhỏ, dữ liệu không có phân phối chuẩn, hoặc mô hình có biến formative, hãy chuyển sang PLS-SEM". Cách trình bày này đặt PLS-SEM vào vị trí một phương án thay thế, được dùng khi điều kiện lý tưởng của CB-SEM không đạt được. Nói cách khác, PLS-SEM bị xem như CB-SEM nhưng dễ tính hơn, một bản rút gọn dành cho những tình huống "không có đủ điều kiện" để làm CB-SEM.
Cách hiểu này không sai hoàn toàn về mặt thực hành: PLS-SEM đúng là ít nhạy hơn với cỡ mẫu nhỏ và không yêu cầu phân phối chuẩn đa biến. Nhưng xem đây là lý do PLS-SEM tồn tại là đảo ngược trình tự lịch sử. PLS-SEM không được tạo ra sau CB-SEM như một giải pháp khắc phục hạn chế của CB-SEM. Hai phương pháp phát triển song song, từ hai cộng đồng nghiên cứu khác nhau, với hai mục tiêu ước lượng khác nhau ngay từ đầu.
Nếu PLS-SEM chỉ là "CB-SEM rút gọn", logic tất yếu sẽ là: hễ có điều kiện, nên luôn ưu tiên CB-SEM, và PLS-SEM chỉ nên chạy theo kiểu bất đắc dĩ. Nhưng nếu hai phương pháp mã hóa hai mô hình đo lường khác nhau về bản chất, như phần 3 trình bày, vậy lựa chọn phương pháp cần dựa trên câu hỏi nghiên cứu đang cần mô hình nào, không chỉ dựa trên cỡ mẫu hiện có.
2. Hai truyền thống nghiên cứu, hai bài toán ước lượng khác nhau
Nền tảng ước lượng hợp lý cực đại (maximum likelihood) cho mô hình nhân tố xác nhận được Karl G. Jöreskog phát triển từ cuối thập niên 1960 trong truyền thống tâm lý đo lường (psychometrics), nơi câu hỏi trung tâm là làm sao kiểm định một cấu trúc nhân tố giả định trước có khớp với ma trận hiệp phương sai quan sát hay không. Đến bài diễn văn chủ tịch Hiệp hội Tâm lý đo lường năm 1978, Jöreskog trình bày tổng hợp hướng tiếp cận này thành một khung ước lượng chung cho mô hình cấu trúc hiệp phương sai, đặt nền cho CB-SEM như biết đến ngày nay (Jöreskog, 1978).
Trong khi đó, Herman Wold phát triển hướng tiếp cận "soft modeling" từ truyền thống kinh tế lượng và phân tích dữ liệu khảo sát xã hội học, nơi nhà nghiên cứu thường gặp mô hình phức tạp, số biến quan sát lớn, và ít có cơ sở lý thuyết chắc chắn để giả định một phân phối cụ thể. Mục tiêu của Wold không phải kiểm định xem một cấu trúc nhân tố có đúng hay không, mà là xây dựng các biến tổng hợp (composite) từ dữ liệu quan sát sao cho tối đa hóa phương sai giải thích được ở biến phụ thuộc, phục vụ mục tiêu dự đoán (Wold, 1982).
| Khía cạnh | Truyền thống của Jöreskog (CB-SEM) | Truyền thống của Wold (PLS-SEM) |
|---|---|---|
| Lĩnh vực gốc | Tâm lý đo lường (psychometrics) | Kinh tế lượng và phân tích dữ liệu khảo sát xã hội học |
| Câu hỏi trung tâm | Một cấu trúc nhân tố giả định trước có khớp với dữ liệu hay không? | Làm sao xây dựng biến tổng hợp tối đa hóa phương sai giải thích được cho mục tiêu dự đoán? |
| Hàm mục tiêu ước lượng | Khớp ma trận hiệp phương sai quan sát với ma trận hiệp phương sai mô hình hóa (ML, GLS) | Tối đa hóa phương sai giải thích qua các hồi quy riêng phần lặp (iterative partial regressions) |
| Vai trò lý thuyết | Kiểm định hoặc khẳng định một lý thuyết đo lường đã có trước | Khám phá quan hệ giữa các khái niệm khi lý thuyết đo lường chưa đầy đủ |
3. Common factor model và composite model: sự khác biệt thật sự
Sự khác biệt sâu nhất giữa hai phương pháp không nằm ở cỡ mẫu hay phân phối dữ liệu, mà ở cách mỗi phương pháp giả định biến tiềm ẩn quan hệ với các chỉ báo quan sát. Rigdon (2012) gọi đây là sự khác biệt giữa common factor model và composite model.
Trong common factor model, nền tảng của CB-SEM, biến tiềm ẩn được xem là nguyên nhân chung đứng sau các chỉ báo quan sát: mỗi chỉ báo là một biểu hiện không hoàn hảo của biến tiềm ẩn, cộng thêm phần sai số riêng không được giải thích. Biến tiềm ẩn được giả định tồn tại như một thực thể độc lập với các chỉ báo cụ thể đang dùng để đo nó.
Trong composite model, nền tảng của PLS-SEM, biến tiềm ẩn, hay chính xác hơn là một biến tổng hợp (composite), được tạo thành từ tổ hợp trọng số của các chỉ báo quan sát. Mô hình không đặt ra giả định về một nhân tố chung "có thật" đứng sau các chỉ báo mà composite đang cố gắng xấp xỉ. Composite được xây dựng trực tiếp để phục vụ mục tiêu dự đoán, không phải để tái tạo một cấu trúc nhân tố tiềm ẩn giả định trước.
Nhiều tài liệu rút gọn sự khác biệt giữa hai phương pháp thành câu "CB-SEM dùng cho reflective, PLS-SEM dùng cho formative". Cách nói này không sai nhưng chưa đủ. Composite model của PLS-SEM phù hợp tự nhiên với cả chỉ báo formative và chỉ báo được xem như thành phần của một composite phản ánh, vì bản chất của composite là một biến tổng hợp được xây dựng từ dữ liệu, không phải một thước đo của khuôn khổ reflective hay formative duy nhất (Rigdon, 2012; Henseler và cộng sự, 2014). Lựa chọn phương pháp nên bắt đầu từ câu hỏi muốn kiểm định một cấu trúc nhân tố có thật hay xây dựng một biến tổng hợp phục vụ dự đoán, rồi mới xét đến loại chỉ báo.
4. Một cuốn sách, hai chương: Jöreskog và Wold cùng biên tập năm 1982
Chi tiết đáng chú ý nhất trong lịch sử hai phương pháp có lẽ là: Karl Jöreskog và Herman Wold không chỉ là hai nhà thống kê phát triển hai phương pháp cạnh tranh nhau một cách độc lập. Năm 1982, hai ông cùng đồng biên tập một cuốn sách có tên "Systems under Indirect Observation: Causality, Structure, Prediction", và trong đó, mỗi người viết một chương trình bày chính phương pháp của mình. Wold viết chương "Soft modeling: The basic design and some extensions" giới thiệu thuật toán PLS path modeling, đặt cạnh những đóng góp khác về hướng tiếp cận ML-SEM mà Jöreskog đang phát triển (Jöreskog & Wold, 1982; Wold, 1982).
Chi tiết này củng cố trực tiếp luận điểm chính của bài: hai phương pháp không ra đời theo trình tự "CB-SEM trước, PLS-SEM sau để khắc phục hạn chế". Cả hai được trình bày song song, trong cùng một diễn đàn học thuật, như hai câu trả lời khác nhau cho câu hỏi làm sao ước lượng quan hệ giữa các biến khi không thể quan sát trực tiếp khái niệm nghiên cứu.
5. Cuộc tranh luận chưa kết thúc giữa các nhà phương pháp học
Nếu người học cho rằng mối quan hệ giữa CB-SEM và PLS-SEM đã được giới nghiên cứu phương pháp học thống nhất từ lâu, thực tế cho thấy điều ngược lại. Rönkkö và Evermann (2013) công bố một bài phê bình đặt lại nhiều lập luận thường được dùng để biện minh cho việc chọn PLS-SEM, bao gồm khả năng xử lý mẫu nhỏ, dữ liệu không chuẩn, và biến formative, cho rằng cơ sở thống kê của nhiều lập luận này yếu hơn so với cách chúng thường được trình bày trong các bài hướng dẫn thực hành.
Bài phê bình này nhận được phản biện trực tiếp và mạnh mẽ từ một nhóm tác giả gồm nhiều người có đóng góp lớn trong phát triển PLS-SEM, dẫn đầu bởi Henseler và đồng tác giả gồm Dijkstra, Sarstedt, Ringle và các tác giả khác. Nhóm này cho rằng bài phê bình đã hiểu sai mục tiêu thiết kế của PLS-SEM, và bảo vệ lại cơ sở lý luận của hướng tiếp cận composite phục vụ dự đoán (Henseler và cộng sự, 2014).
Một cuộc tranh luận công khai, kéo dài và chưa có hồi kết giữa các tác giả hàng đầu trong lĩnh vực là dấu hiệu cho thấy quan hệ giữa CB-SEM và PLS-SEM chưa phải một vấn đề đã đóng. Luận văn nên tránh phát biểu dứt khoát kiểu "CB-SEM luôn đáng tin cậy hơn" hoặc "PLS-SEM đã được chứng minh tương đương CB-SEM trong mọi trường hợp". Cách viết cẩn trọng hơn là trình bày lựa chọn phương pháp như một quyết định có cơ sở, gắn với mục tiêu và mô hình đo lường của nghiên cứu, không phải một chân lý phương pháp học đã được xác lập.
Một phần của cuộc tranh luận này xoay quanh việc PLS-SEM, khi dùng để ước lượng tham số của common factor model thay vì composite model, có xu hướng cho ước lượng bị lệch (attenuation hoặc inflation tùy tham số) so với CB-SEM, ngay cả khi cỡ mẫu đủ lớn. Đây chính là động lực dẫn đến đề xuất Consistent PLS-SEM (PLSc) của Dijkstra và Henseler (2015), nhằm hiệu chỉnh lại độ lệch này khi mục tiêu nghiên cứu thực sự là ước lượng common factor model bằng công cụ PLS (Dijkstra & Henseler, 2015; Sarstedt và cộng sự, 2016). Bài viết "CB-SEM vs PLS-SEM vs Consistent PLS-SEM" trên trang này đã trình bày PLSc và các tiêu chí thực hành để chọn giữa ba phương pháp; nội dung ở đây tập trung vào gốc rễ khái niệm làm nền cho sự khác biệt đó.
6. Bảng lầm tưởng và thực tế theo tài liệu phương pháp
| Lầm tưởng | Vì sao chưa chính xác | Thực tế theo tài liệu phương pháp |
|---|---|---|
| "PLS-SEM chỉ tồn tại để dùng khi mẫu quá nhỏ cho CB-SEM." | Đảo ngược trình tự lịch sử; PLS-SEM được Wold thiết kế cho mục tiêu dự đoán bằng composite, không phải như một bản thay thế bất đắc dĩ. | Hai phương pháp phát triển song song từ hai truyền thống khác nhau với hai mục tiêu ước lượng khác nhau (Wold, 1982; Henseler và cộng sự, 2014). |
| "PLS-SEM là CB-SEM nhưng có ít chỉ số fit hơn." | PLS-SEM không ước lượng theo hàm khớp hiệp phương sai, nên không có chỉ số fit toàn cục cùng bản chất với CB-SEM để "thiếu". | Các chỉ số như SRMR trong PLS-SEM được bổ sung sau cho mục đích riêng, không hoán đổi được một-một với chỉ số fit của CB-SEM (Henseler và cộng sự, 2014). |
| "Formative construct là lý do duy nhất để chọn PLS-SEM." | Bỏ qua sự khác biệt sâu hơn giữa common factor model và composite model. | Lựa chọn nên bắt đầu từ mục tiêu kiểm định cấu trúc nhân tố hay xây dựng composite dự đoán, rồi mới xét loại chỉ báo (Rigdon, 2012). |
| "PLS-SEM luôn cho kết quả tương đương CB-SEM khi mẫu đủ lớn." | Bỏ qua độ lệch ước lượng khi dùng PLS cho common factor model, động lực chính dẫn đến PLSc. | PLS có xu hướng lệch so với CB-SEM khi ước lượng common factor model, trừ khi hiệu chỉnh bằng PLSc (Dijkstra & Henseler, 2015; Sarstedt và cộng sự, 2016). |
| "Quan hệ giữa CB-SEM và PLS-SEM đã được giới học thuật thống nhất từ lâu." | Bỏ qua cuộc tranh luận công khai, trực tiếp và chưa kết thúc giữa các nhà phương pháp học hàng đầu. | Rönkkö và Evermann (2013) cùng Henseler và cộng sự (2014) cho thấy đây vẫn là vấn đề đang được tranh luận tích cực. |
7. Vậy nên viết gì trong phần phương pháp luận?
Phần biện luận lựa chọn phương pháp trong luận văn nên gắn trực tiếp với mô hình đo lường mà nghiên cứu cần, không chỉ liệt kê cỡ mẫu và kiểm định phân phối chuẩn như điều kiện đủ. Mẫu diễn giải dưới đây đặt lý do chọn phương pháp vào đúng khung khái niệm.
Mẫu diễn giải lựa chọn phương pháp theo đúng khung khái niệm
Nghiên cứu lựa chọn [CB-SEM/PLS-SEM] dựa trên mục tiêu [kiểm định một cấu trúc nhân tố đo lường đã có cơ sở lý thuyết vững/xây dựng và tối đa hóa khả năng dự đoán cho biến kết quả] đối với mô hình [tên mô hình]. Các khái niệm trong mô hình được xem là [biến tiềm ẩn phản ánh một nhân tố chung đứng sau các chỉ báo/biến tổng hợp được xây dựng từ tổ hợp trọng số của các chỉ báo], phù hợp với [common factor model của CB-SEM/composite model của PLS-SEM] (Jöreskog, 1978; Wold, 1982; Rigdon, 2012). Cỡ mẫu và đặc điểm phân phối của dữ liệu thu thập được [trình bày riêng] như một yếu tố thực hành bổ sung, không phải lý do duy nhất cho lựa chọn phương pháp.
8. Bảng kiểm trước khi viết phần biện luận phương pháp
- Đã tránh mô tả PLS-SEM như một phiên bản rút gọn hay dễ tính hơn của CB-SEM chưa?
- Đã xác định rõ mô hình đo lường của nghiên cứu phù hợp với common factor model hay composite model chưa?
- Đã gắn lý do chọn phương pháp với mục tiêu kiểm định lý thuyết hay dự đoán, trước khi nói đến cỡ mẫu chưa?
- Nếu dùng PLS-SEM để ước lượng một common factor model, đã cân nhắc PLSc và trích dẫn Dijkstra và Henseler (2015) chưa?
- Đã tránh phát biểu dứt khoát rằng một phương pháp luôn vượt trội hơn phương pháp còn lại chưa?
- Nếu trích dẫn lịch sử hai phương pháp, đã dẫn đúng nguồn gốc (Jöreskog, 1978; Wold, 1982) thay vì mô tả PLS-SEM ra đời sau để khắc phục CB-SEM chưa?
Kết luận
CB-SEM và PLS-SEM không đứng trên một thang đo nghiêm ngặt-dễ tính duy nhất, với PLS-SEM là lựa chọn dự phòng cho những tình huống "không đủ điều kiện". Hai phương pháp mã hóa hai mô hình đo lường khác nhau về bản chất, ra đời từ hai truyền thống nghiên cứu khác nhau, và từng được chính những người sáng lập trình bày song song trong cùng một diễn đàn học thuật năm 1982.
Quan hệ giữa hai phương pháp vẫn là một tranh luận phương pháp học đang tiếp diễn giữa các tác giả hàng đầu trong lĩnh vực. Một luận văn biện luận phương pháp có cơ sở nên bắt đầu từ câu hỏi mô hình đo lường nào phù hợp với mục tiêu nghiên cứu, rồi mới xét đến các yếu tố thực hành như cỡ mẫu và phân phối dữ liệu, thay vì đảo ngược trình tự đó.
Tài liệu tham khảo
Nguồn gốc lịch sử của hai phương pháp
- Jöreskog, K. G. (1978). Structural analysis of covariance and correlation matrices. Psychometrika, 43(4), 443-477. https://doi.org/10.1007/BF02293808
- Jöreskog, K. G., & Wold, H. (Eds.). (1982). Systems under indirect observation: Causality, structure, prediction (Parts 1-2). North-Holland.
- Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction (Part 2, pp. 1-54). North-Holland.
Nguồn về tranh luận phương pháp học và PLSc
- Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358. https://doi.org/10.1016/j.lrp.2012.09.010
- Rönkkö, M., & Evermann, J. (2013). A critical examination of common beliefs about partial least squares path modeling. Organizational Research Methods, 16(3), 425-448. https://doi.org/10.1177/1094428112474693
- Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M., & Calantone, R. J. (2014). Common beliefs and reality about PLS: Comments on Rönkkö and Evermann (2013). Organizational Research Methods, 17(2), 182-209. https://doi.org/10.1177/1094428114526928
- Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297-316. https://doi.org/10.25300/MISQ/2015/39.2.02
- Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998-4010. https://doi.org/10.1016/j.jbusres.2016.06.007
Ghi chú học thuật: Bài viết trình bày gốc rễ khái niệm và lịch sử của sự khác biệt giữa CB-SEM và PLS-SEM, không thay thế các tiêu chí thực hành chi tiết để chọn phương pháp cho một nghiên cứu cụ thể. Người viết nên đọc thêm bài hướng dẫn chọn phương pháp đã có trên trang, và đối chiếu với yêu cầu riêng của tạp chí hoặc hội đồng trước khi quyết định.
