HƯỚNG DẪN PHÂN TÍCH IMPORTANCE-PERFORMANCE MAP (IPMA) SỬ DỤNG SMARTPLS

Giới thiệu IPMA

Importance-Performance Map Analysis (IPMA) là một công cụ rất tuyệt vời được SmartPLS tích hợp. Trong AMOS người dùng sẽ không thấy công cụ này vì AMOS không tích hợp. IPMA giúp đánh giá mức độ quan trọng và hiệu suất của các yếu tố trong mô hình. Bằng cách đánh giá sự tương quan giữa mức độ quan trọng và hiệu suất của các yếu tố, IPMA giúp xác định các yếu tố quan trọng cần được cải thiện và ưu tiên trong nghiên cứu của bạn. IPMA cung cấp đồ thị trực quan, trong đó trục tung thể hiện hiệu suất (performance) của các yếu tố (constructs) hoặc các biến quan sát (indicators), và trục hoành thể hiện Tầm quan trọng của chúng (tầm quan trọng được xem xét dựa trên tổng ảnh hưởng (hệ số beta) được phân tích từ mô hình SEM. Bằng đồ thị này, người phân tích dễ dàng đánh giá được mức độ quan trọng của mỗi yếu tố trong mô hình. Để từ đó, giúp doanh nghiệp đưa ra chiến lược hợp lý, tiết kiệm được thời gian và chi phí.

Hướng dẫn phân tích IPMA trong SmartPLS 4

Các lưu ý trước khi phân tích IMPA (theo Hair và cộng sự (2017) phiên bản tiếng Việt do Nguyễn Quang Anh biên dịch):

• Thang đo sử dụng trong mô hình phải là thang đo định lượng (Metric scale) hoặc phải là thang đo khoảng cách (Ordinal scale) đều; Các biến quan sát được đo lường bằng thang đo danh nghĩa (Nominal scale) sẽ không được sử dụng cho phân tích IPMA.

• Tất cả các biến quan sát phải có cùng một khuynh hướng đo lường. Nghĩa là phủ định thì phải phủ định hết, còn khẳng định thì phải khẳng định hết. Nếu không, chúng ta sẽ không thể kết luận được rằng điểm số biến tiềm ẩn cao hơn sẽ cho hiệu suất tốt hơn. Nên trong trường hợp, mô hình có biến cấu trúc được đo lường bằng thang đo nghịch thì chúng ta nên chuyển đổi lại thành thang đo thuận trước khi chạy IMPA.

• Bất kể là mô hình đo lường nguyên nhân hay kết quả, các ước lượng trọng số ngoài phải là số dương. 

Để hiểu rõ hơn, chúng ta sẽ tiến hành phân tích cụ thể với một mô hình như sau:

Chúng ta lựa chọn phân tích IPMA

Số 1 là chọn biến mục tiêu mà mình cần phân tích ảnh hưởng của các biến khác trong mô hình tác động lên nó. Mô hình của mình có 2 biến nội sinh (1 biến trung gian LTT và 1 biến phụ thuộc YDM), do vậy mà ở đây chúng ta sẽ thấy có 2 biến chương trình đưa ra để mình lựa chọn biến mục tiêu phân tích. Với mô hình này, theo tôi, chúng ta nên chọn LTT làm biến mục tiêu. Bởi vì, YDM chỉ chịu ảnh hưởng trực tiếp của LTT, nên cải thiện được LTT thì chắc chắn cải thiện được YDM.

Số 2 là chọn kết quả phân tích được trích xuất từ IPMA. Nếu bạn chọn All thì tất cả các biến có ảnh hưởng đến LTT (kể cả ảnh hưởng trực tiếp và ảnh hưởng gián tiếp) sẽ được hiển thị và xem xét IP (Importance-Perfomance) đối với LTT. Trong trường hợp bạn chọn Direct thì chỉ những biến nào chỉ mũi tên trực tiếp tới LTT mới được phân tích IP với LTT. Ở mô hình hiện tại chúng ta chọn All.

Từ đồ thị có thể thấy rằng, BRI và STC là 2 yếu tố có hiệu suất cao + mức độ quan trọng cũng cao, nên khi lựa chọn các giải pháp chúng ta nên tập trung vào 2 yếu tố này sẽ mang lại hiệu quả cao nhất. PRI có hiệu suất cao hơn SQU, nhưng SQU lại có mức độ quan trọng cao hơn PRI nhiều, nên để lựa chọn 1 trong 2 thì theo tôi, chúng ta nên chọn SQU.

Giờ, tôi sẽ hiệu chỉnh lại mô hình để khi phân tích IPMA chúng ta lựa chọn số 2 là Direct để xem sự khác biệt nó cụ thể hơn.

Kết quả phân tích IPMA, chúng ta sẽ thấy chỉ còn có 5 yếu tố được phân tích IP đối với LTT.

Mở rộng IPMA ở cấp độ của biến quan sát:

Một trong những điểm mạnh của IPMA trong SmartPLS là khả năng phân tích biểu đồ IP ở cấp độ biến quan sát. Sau khi chúng ta chạy thủ tục phân tích IPMA, kết quả sẽ xuất hiện ra trên màn hình.

Chúng ta chọn mục phân tích dành cho các chỉ báo (indicators), bên phải màn hình sẽ xuất hiện biểu đồ tầm quan trọng và hiệu suất của các chỉ báo lên biến construct phân tích. Cách đánh giá và phân tích tương tự như biểu đồ của các construct. Việc đánh giá hết tất cả các biến quan sát là tương đối phức tạp đối với các mô hình có nhiều biến quan sát (điển hình như ví dụ minh họa ở đây). Do vậy mà khi chúng ta phân tích, nên chọn các quan sát thuộc các construct được ưu tiên như đã đề cập ở phần đầu để đánh giá. Cụ thể như trong ví dụ minh họa, chúng tôi sẽ chọn STC và BRI là 2 construct được chú ý nhất trong tình huống nghiên cứu này. 

Như vậy, có thể thấy rằng, IPMA có những ưu điểm như sau:

1. Hiểu rõ hơn về ưu tiên và ưu tiên hóa: IPMA giúp bạn đánh giá mức độ quan trọng và hiệu suất của các yếu tố trong mô hình. Bằng cách vẽ biểu đồ IPMA, bạn có thể nhìn thấy rõ ràng những yếu tố nào quan trọng và đạt được hiệu suất tốt, từ đó định hướng quyết định và tập trung vào những yếu tố có ảnh hưởng lớn nhất.

2. Cải thiện chiến lược và quản lý: IPMA cung cấp thông tin quan trọng để cải thiện chiến lược và quản lý. Bằng cách xác định các yếu tố quan trọng nhưng hiệu suất thấp, bạn có thể tập trung vào cải thiện hiệu suất của chúng. Đồng thời, IPMA cũng giúp xác định những yếu tố không quan trọng và không đáng tập trung vào, giúp tiết kiệm tài nguyên và nỗ lực.

3. Định vị cạnh tranh: IPMA giúp bạn định vị mô hình của mình so với các đối thủ cạnh tranh. Bằng cách so sánh vị trí của các yếu tố trên biểu đồ IPMA, bạn có thể xác định điểm mạnh và điểm yếu của mô hình của mình so với các đối thủ. Điều này giúp bạn xây dựng một lợi thế cạnh tranh và phát triển chiến lược phù hợp.

Tăng cường tương tác và đồng thuận: IPMA là một công cụ hữu ích để tăng cường tương tác và đồng thuận giữa các nhóm trong tổ chức hoặc giữa các bên liên quan. Bằng cách thảo luận và thảo luận về vị trí các yếu tố trên biểu đồ IPMA, các bên liên quan có thể thống nhất quan điểm và tạo ra một hướng đi chung.

Hi vọng, anh chị đã có một cái nhìn tổng quan về IPMA. Lưu ý, hiện nay các phần mềm phân tích mô hình SEM hiện chỉ có SmartPLS là hỗ trợ IPMA. Đây là điểm mạnh của SmartPLS. Từ phiên bản SmartPLS 4 đã có tích hợp CB SEM, tuy nhiên, cá nhân tôi nhận thấy rằng, CB SEM sử dụng SmartPLS cho kết quả chưa thật sự chính xác ở nhiều chỉ số (điển hình là Cronbach’s alpha), tôi có chạy và so sánh với cả PLS SEM bằng SmartPLS và bằng SPSS để đối chiếu. Đây không phải là chủ đề về CB SEM vs PLS SEM, tuy nhiên tôi muốn chia sẻ chi tiết đôi chút về sự khác biệt giữa AMOS và SmartPLS. Mỗi chương trình đều có cái hay riêng của nó. Tôi sẽ nói chi tiết hơn về CB SEM khi sử dụng 2 chương trình này ở một chuyên đề khác.

♥ Để hiểu rõ hơn về cách phân tích chuyên sâu IPMA chúng ta tham khảo thêm tài liệu của Hair và cộng sự (2017). Theo Hair và cộng sự (2017), các tác giả cho rằng, khi lựa chọn các yếu tố để cải thiện mô hình thì nên lựa chọn ưu tiên các yếu tố có tầm quan trọng cao và hiệu suất thấp. Và thứ tự ưu tiên vẫn là tầm quan trọng tức là tổng mức ảnh hưởng của các yếu tố trong mô hình.

♥ Bài viết này thật sự là chưa có đầy đủ, anh chị có thể tham khảo thêm các khóa học SmartPLS chuyên sâu của Dịch vụ Lê Minh để được hỗ trợ chi tiết hơn nhé. Trân trọng cảm ơn!

Tài liệu tham khảo:

Hair Jr, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2017). Advanced issues in partial least squares structural equation modeling. saGe publications.