GIỚI THIỆU VỀ PHÂN TÍCH CẤU TRÚC PHƯƠNG SAI (VB-SEM)

Phân tích mô hình cấu trúc (Structural Equation Modeling - SEM) là công cụ mạnh mẽ được sử dụng trong nhiều lĩnh vực như nghiên cứu khoa học xã hội, marketing, kinh tế và quản lý. SEM cho phép xây dựng và kiểm định các mô hình lý thuyết phức tạp với các biến tiềm ẩn (latent variables) và mối quan hệ nhân quả giữa chúng. Trong SEM, hai phương pháp chính được sử dụng phổ biến là Covariance-Based SEM (CB-SEM) và Variance-Based SEM (VB-SEM), còn gọi là Partial Least Squares SEM (PLS-SEM). Bài viết này sẽ tập trung vào phương pháp VB-SEM – một công cụ phân tích linh hoạt và hiệu quả, đặc biệt khi làm việc với dữ liệu không chuẩn và mẫu nhỏ.

1. VB-SEM là gì?

VB-SEM là phương pháp ước lượng mô hình cấu trúc dựa trên phương sai, khác biệt so với CB-SEM, vốn tập trung vào tối ưu hóa sự phù hợp của ma trận hiệp phương sai quan sát được. VB-SEM tối đa hóa khả năng giải thích tổng phương sai của các biến phụ thuộc trong mô hình. Phương pháp này được phát triển bởi Herman Wold vào những năm 1970 và hiện nay được gọi phổ biến hơn là PLS-SEM. VB-SEM hoạt động bằng cách ước lượng các biến tiềm ẩn dưới dạng tổ hợp tuyến tính của các biến quan sát, thực hiện thông qua chuỗi các hồi quy bình phương tối thiểu từng phần (OLS).

2. Nguyên lý hoạt động của VB-SEM

VB-SEM sử dụng phương pháp tối đa hóa tổng phương sai giải thích được cho các biến phụ thuộc trong mô hình, khác biệt so với CB-SEM, vốn tập trung vào việc tối ưu hóa sự phù hợp của ma trận hiệp phương sai dự đoán với ma trận hiệp phương sai quan sát. Điều này giúp VB-SEM linh hoạt hơn, không yêu cầu giả định phân phối chuẩn và có thể làm việc với mẫu nhỏ và dữ liệu không chuẩn.

Quy trình VB-SEM bao gồm các bước chính:

    1. Xác định trọng số ban đầu cho các biến tiềm ẩn.

    2. Sử dụng hồi quy OLS để cập nhật trọng số cho đến khi hội tụ.

3. Ưu điểm của VB-SEM

VB-SEM có nhiều ưu điểm nổi bật:

    • Không yêu cầu giả định phân phối chuẩn: Phù hợp với dữ liệu thực tế không luôn tuân theo phân phối chuẩn.

    • Phù hợp với mẫu nhỏ: VB-SEM có thể hoạt động hiệu quả với mẫu từ vài chục đến vài trăm quan sát, trong khi CB-SEM yêu cầu mẫu lớn hơn 200.

    • Khả năng xử lý mô hình phức tạp: Có thể làm việc với các mô hình có nhiều biến tiềm ẩn và cả các biến formative.

    • Tập trung vào dự đoán và phát triển lý thuyết: VB-SEM rất phù hợp khi mục tiêu là khám phá các mối quan hệ chưa được kiểm chứng.

4. Hạn chế của VB-SEM

Tuy nhiên, VB-SEM cũng có những hạn chế:

    • Ước lượng tham số không chính xác tuyệt đối: Đặc biệt khi mẫu lớn và dữ liệu chuẩn, CB-SEM thường chính xác hơn.

    • Thiếu các kiểm định tổng thể mô hình: VB-SEM không cung cấp nhiều chỉ số kiểm định độ phù hợp tổng thể như CB-SEM.

    • Ít phù hợp cho mục tiêu xác nhận: Nếu mục tiêu nghiên cứu là kiểm định giả thuyết chặt chẽ, CB-SEM thường được ưu tiên hơn.

5. Xử lý biến tiềm ẩn categorical trong CB-SEM

Trong CB-SEM, khi biến tiềm ẩn là categorical (phân loại), cần có các phương pháp xử lý đặc biệt:

    • Phân tích SEM đa nhóm (Multiple Group SEM): Phân chia dữ liệu theo từng nhóm và kiểm tra sự tương đương của các tham số mô hình giữa các nhóm.

    • Biến dummy coding: Chuyển các biến categorical thành các biến giả (dummy variables) và đưa vào mô hình.

    • Phân tích Latent Class (LCA) kết hợp SEM: Sử dụng phân tích latent class để xác định nhóm và sau đó chạy SEM.   

    • SEM với biến ordinal: Sử dụng các phương pháp SEM dành riêng cho biến ordinal, như WLSMV.

6. Kết luận

VB-SEM là công cụ mạnh mẽ và linh hoạt, thích hợp cho nghiên cứu với dữ liệu không chuẩn, mẫu nhỏ và mô hình phức tạp. Mặc dù CB-SEM vẫn là lựa chọn ưu tiên khi làm việc với dữ liệu chuẩn và mẫu lớn, VB-SEM bổ sung một lựa chọn quan trọng trong bộ công cụ phân tích mô hình cấu trúc, đặc biệt khi mục tiêu là phát triển lý thuyết và dự đoán.

Tài liệu tham khảo

    • Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE Publications.

    • Reinartz, W., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing, 26(4), 332–344. https://doi.org/10.1016/j.ijresmar.2009.08.001

    • Muthén, L. K., & Muthén, B. O. (2017). Mplus User’s Guide (8th ed.). Muthén & Muthén.

    • Vermunt, J. K., & Magidson, J. (2002). Latent class cluster analysis. In J. A. Hagenaars & A. L. McCutcheon (Eds.), Applied Latent Class Analysis (pp. 89–106). Cambridge University Press.

    • Merkle, E. C., & Rosseel, Y. (2018). blavaan: Bayesian structural equation models via parameter expansion. Journal of Statistical Software, 85(4), 1–30. https://doi.org/10.18637/jss.v085.i04