TÌM HIỂU VỀ CB SEM VÀ PLS SEM

Giới thiệu CB SEM và PLS SEM

CB-SEM (Covariance-Based Structural Equation Modeling):

CB-SEM là một phương pháp phân tích dữ liệu sử dụng ma trận hiệp phương sai để xác định mối quan hệ giữa các biến trong mô hình. CB-SEM được sử dụng rộng rãi trong nghiên cứu xã hội, kinh doanh và các lĩnh vực liên quan. Đây là một phương pháp thống kê mạnh mẽ cho phép đánh giá mô hình cấu trúc của các biến ẩn và biểu hiện của chúng thông qua việc phân tích đường dẫn và mô phỏng cấu trúc.

CB-SEM yêu cầu dữ liệu được đo bằng phương pháp chính quy và có phân phối chuẩn. Phương pháp này tạo ra các chỉ số đánh giá mô hình, như độ đồng nhất, độ tin cậy, và tác động của biến ẩn. CB-SEM sử dụng các mô hình cấu trúc để kiểm tra và xác định mối quan hệ giữa các biến trong một mạng lưới phức tạp.

PLS-SEM (Partial Least Squares Structural Equation Modeling):

PLS-SEM cũng là một phương pháp phân tích dữ liệu sử dụng trong nghiên cứu xã hội và kinh doanh, nhưng khác với CB-SEM, PLS-SEM không yêu cầu các giả định phân phối chuẩn. Thay vào đó, PLS-SEM tập trung vào việc xây dựng mô hình cấu trúc dựa trên sự tương quan giữa các biến, thay vì sự tương quan dựa trên hiệp phương sai.

PLS-SEM có thể được sử dụng trong các trường hợp mẫu nhỏ hoặc khi các biến không tuân theo phân phối chuẩn. Nó cho phép nghiên cứu các mô hình phức tạp và đa chiều, và thường được sử dụng trong các lĩnh vực như quản lý, hành vi người tiêu dùng, tiếp thị và kinh doanh quốc tế.

Thật sự rất khó so sánh giữa CB SEM và PLS SEM, không thể khẳng định rằng PLS SEM là loại mô hình vượt trội hơn so với CB SEM. CB SEM và PLS SEM có thể coi là 2 loại mô hình mang tính bổ sung cho nhau hơn là thay thế nhau. Điểm mạnh của CB SEM chính là điểm yếu của PLS SEM và ngược lại (Hair Jr et al., 2021). Tùy thuộc vào từng tình huống nghiên cứu khác nhau mà nhà nghiên cứu nên cân nhắc sử dụng CB SEM hay là PLS SEM.

Sự khác biệt giữa CB SEM và PLS SEM

Sự khác biệt lớn nhất giữa CB SEM và PLS SEM liên quan tới việc ứng xử với biến tiềm ẩn (Hair et al., 2019). Theo Sarstedt et al. (2016), CB SEM chia phương của mỗi chỉ báo thành 2 phần: (i) phương sai chung (common variance), do biến tiềm ẩn chia sẻ và (ii) phương sai riêng (unique variance), bao gồm phương sai đặc thù (specific variance) và phương sai chia sẻ từ sai số (error variance). Từ đó, CB SEM giả sử rằng phương sai của các chỉ báo được lý giải hoàn hảo bởi một biến số không quan sát được hay còn gọi là biến tiềm ẩn và sai số ngẫu nhiên của từng chỉ báo. Như vậy, CB SEM theo đuổi hướng tiếp cận được gọi là “mô hình nhân tố” (factor model). Khi đó, việc ước lượng mô hình này phù hợp với triết lý đo lường áp dụng mô hình đo lường kết quả (Sarstedt et al., 2016).

Khác với CB SEM, PLS SEM không chia phương sai thành 2 thành phần là phương sai chung và phương sai riêng. Mục tiêu của PLS SEM là giải thích tổng phương sai của các chỉ báo thay vì chỉ lý giải sự tương quan giữa các chỉ báo (Tenenhaus et al., 2005). Khi đó, PLS SEM sẽ coi biến tiềm ẩn được đại diện bởi một biến tổng hợp (composite variable) mà biến này là một kết hợp tuyến tính của các chỉ báo. Như vậy, PLS SEM theo đuổi “mô hình tổng hợp” (composite model) để ước lượng giá trị đo lường cho khái niệm.

Lựa chọn giữa PLS SEM và CB SEM

Tham khảo từ Vũ Hữu Thành và Nguyễn Minh Hà (2023)

Lựa chọn PLS SEM khi:

• Mục tiêu nghiên cứu là nhận diện các nhân tố đầu vào mà có tác động tới nhân tố đầu ra.

• Thực hiện loại hình nghiên cứu dự đoán (predictive research).

• Thực hiện các nghiên cứu khám phá hay phát triển lý thuyết đặc biệt là các nghiên cứu có mục tiêu mở rộng mối liên hệ giữa các khái niệm dựa trên các lý thuyết đã được xây dựng đây là một đặc điểm rất mạnh của BE Xem vì nó góp phần giúp cho nhà nghiên cứu mở rộng những đóng góp của mình về mối liên hệ giữa các khái niệm ở khía cạnh lý thuyết.

• PLS SEM có thế phục vụ cho các nghiên cứu khẳng định mối liên hệ giữa các khái niệm trong tình huống mối liên hệ này không đủ cơ sở lý thuyết để xây dựng.

• Mô hình đường dẫn phức tạp (có nhiều biến tiềm ẩn và có nhiều chỉ báo).

• Dữ liệu có số quan sát nhỏ, đương nhiên PLS vẫn áp dụng tốt khi cỡ mẫu lớn.

• PLS SEM không yêu cầu về kiểu phân phối. Dữ liệu có phân phối chuẩn hay không sẽ không là vấn đề.

• Sử dụng giá trị của biến tiềm ẩn để thực hiện các phân tích khác, đặc biệt là các mô hình bậc cao.

• Mô hình đường dẫn có chứa biến tiềm ẩn được xây dựng bởi mô hình đo lường cấu tạo.

• Nghiên cứu được thực hiện trên các dữ liệu thứ cấp. Ví dụ các dữ liệu về tài chính hoặc kế toán, v.v. Trong nghiên cứu, các dữ liệu dạng này sẽ thiếu các lý thuyết đo lường để hình thành nên mô hình đo lường. Như vậy, đây cũng là một điểm mạnh của mô hình PLS SEM.

Lựa chọn CB SEM khi:

• Mục tiêu nghiên cứu là kiểm định lý thuyết hoặc khẳng định lý thuyết. Điều này cũng hàm ý rằng mô hình đường dẫn được xây dựng dựa vào khung lý thuyết để được phát triển trước đó. Có 2 mô hình cần được kiểm định hoặc khẳng định, đó là mô hình đo lường và mô hình cấu trúc.

• Mục tiêu nghiên cứu là so sánh các lý thuyết để tìm ra lý thuyết thay thế tốt hơn.

• Mô hình cấu trúc có mối quan hệ vòng. Nghĩa là các biến số có mối liên hệ qua lại lẫn nhau.

• Nghiên cứu đòi hỏi chỉ tiêu mức độ phù hợp tổng thể.

• Cỡ mẫu lớn và yêu cầu có phân phối chuẩn hoặc gần chuẩn.

• Mô hình đo lường của biến tiềm ẩn phù hợp nhất là mô hình đo lường phản ánh.

Các tiêu chí đánh giá mô hình CB SEM và PLS SEM

Vì là hai phương pháp khác nhau nên các tiêu chí để đánh giá mô hình cũng khác nhau.

(Nguồn: Trung và Nga (2022))

Lưu ý thêm, trong nhiều trường hợp GFI < 0.9 bởi vì chỉ số này rất nhạy với qui mô mẫu nghiên cứu, để GFI > 0.9, cỡ mẫu nên chọn nghiên cứu phải đảm bảo lớn. Trường hợp GFI ≥ 0.8 tính phù hợp của mô hình vẫn được chấp nhận (Baumgartner & Homburg, 1996).

Tài liệu tham khảo

Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411.

Baumgartner, H., & Homburg, C. (1996). Applications of structural equation modeling in marketing and consumer research: A review. International Journal of Research in Marketing, 13(2), 139–161.

Fornell, C., & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error: Algebra and statistics. Journal of Marketing Research, 382–388.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.

Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Springer Nature.

Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology research: updated guidelines. Industrial Management & Data Systems.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.

Kline, R. B. (2016). Principles and practice of structural equation modeling. Guilford publications.

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.

Tenenhaus, M., Vinzi, V. E., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48(1), 159–205.

Trung, T. T., & Nga, N. T. (2022). So sánh phương pháp phân tích cb-sem và pls-sem trong kiểm định mô hình đánh giá hiệu quả của hình thức bồi dưỡng giáo viên trực tuyến. Tạp Chí Khoa Học, 19(2), 213.

Vũ Hữu Thành, & Nguyễn Minh Hà. (2023). Giáo trình phân tích dữ liệu áp dụng mô hình PLS - SEM (1st ed.). NXB ĐH Quốc Gia Tp HCM.