HƯỚNG DẪN PHÂN TÍCH MÔ HÌNH BẬC HAI PLS SEM

SỬ DỤNG PHẦN MỀM SmartPLS 4

Mô hình bậc cao (higher-order model) là một loại mô hình phân tích cấu trúc trong đó các biến độc lập và phụ thuộc được phân loại vào các nhóm, và mỗi nhóm được mô hình hóa dưới dạng một mô hình cấu trúc bậc nhất (first-order structural model). Nhóm này sau đó được sử dụng làm biến độc lập trong một mô hình cấu trúc bậc cao.

Một mô hình bậc cao có thể được xem như là một mô hình phân tích cấu trúc bậc nhất được mở rộng, với những biến độc lập và phụ thuộc đặc biệt được nhóm lại và mô hình hóa dưới dạng một mô hình cấu trúc bậc nhất riêng biệt. Những mô hình bậc nhất này được gọi là các "mô hình bậc dưới" (lower-order models), trong khi mô hình bậc cao chứa các mô hình bậc dưới này được gọi là "mô hình bậc trên" (higher-order model).

Mô hình bậc cao được sử dụng để khảo sát mối quan hệ giữa các biến ở mức độ trừu tượng hơn và phức tạp hơn, cung cấp cái nhìn tổng quát hơn về mối quan hệ giữa các biến. Nó thường được sử dụng trong các nghiên cứu về tâm lý học, giáo dục, kinh tế học và các lĩnh vực khoa học xã hội khác để khảo sát mối quan hệ giữa các khái niệm trừu tượng.

Tuy nhiên, việc sử dụng mô hình bậc cao đòi hỏi sự am hiểu về phương pháp phân tích cấu trúc và kinh nghiệm thực tế để xác định các biến độc lập và phụ thuộc thích hợp để nhóm lại, và thiết lập mối quan hệ giữa các nhóm biến.

Đầu tiên để đi sâu vào kỹ thuật phân tích mô hình cấu trúc bậc cao, chúng ta cần nói sơ qua về các loại mô hình đo lường đa hướng (multidimensional measurement model).

Mô hình đo lường đa hướng là một loại mô hình trong phân tích đo lường, trong đó các đại lượng được đo lường không chỉ có một chiều mà có nhiều chiều, hay còn gọi là nhiều thuộc tính. Một ví dụ đơn giản về mô hình đo lường đa hướng là trong trường hợp đo lường chỉ số phát triển của một quốc gia. Thay vì chỉ đo lường một chiều như GDP, mô hình đo lường đa hướng sẽ đo lường nhiều chiều như GDP, chất lượng giáo dục, tuổi thọ, đánh giá sức khỏe... Trong mô hình đo lường đa hướng, các đại lượng được đo lường được xác định dưới dạng các biến tiên đoán và được mô hình hóa bằng mô hình SEM (Structural Equation Modeling) hoặc PLS (Partial Least Squares). Điều này cho phép phân tích quan hệ giữa các thuộc tính và tìm ra các mối quan hệ tiềm ẩn giữa các thuộc tính.

Theo Edwards và Bagozzi (2000), chúng ta có 2 mẫu hình cơ bản biểu diễn sự liên kết giữa các biến tiềm ẩn bậc thấp với các biến tiềm ẩn bậc cao.

Đối với biến tiềm ẩn phản ánh (reflective constructs) là một loại biến trong đó biến được đo lường (observed variables) được coi là phản ánh (reflect) một biến tiềm ẩn (latent variable). 

Trong mô hình reflective, các biến latents (cũng được gọi là factors) được cho là phản ánh các khía cạnh, chiều của một biến ẩn chung. Các biến quan sát (observed variables) được coi là phản ánh hoặc đo lường các biến latents này. Điều quan trọng là các biến quan sát phải có sự tương quan mạnh với biến latents mà chúng đo lường. Các biến quan sát không được cho là có ảnh hưởng lẫn nhau hoặc có đóng góp vào việc xác định biến latents.

Khác với biến tiềm ẩn phản ảnh (reflective constructs), biến tiềm ẩn cấu trúc (formative constructs) là một loại biến trong phân tích SEM (Structural Equation Modeling), trong đó biến đo lường (observed variables) được coi là định hình (form) một biến tiềm ẩn (latent variable).

Trái ngược với mô hình reflective, trong mô hình formative, các biến quan sát được cho là tạo nên hoặc hình thành biến latents. Điều này có nghĩa là các biến quan sát ảnh hưởng đến biến latents và đóng góp vào việc xác định chúng. Do vậy mà nhà nghiên cứu không thể loại bỏ đi một biến quan sát nào của biến tiềm ẩn loại này. Trong mô hình formative, các biến quan sát không được cho là có tương quan mạnh với nhau hoặc với biến latents.

Trong mẫu hình 1 và mẫu hình 2, chúng ta đổi chiều mũi tên ở các chỉ báo của biến tiềm ẩn bậc một sẽ được thêm hai mẫu hình mới, nhưng hai loại này ít được sử dụng, nên ở đây chúng ta sẽ không xem xét tới.

Như vậy trước khi phân tích PLS SEM, anh chị cần xác lập được hình mẫu mô hình nghiên cứu dựa trên các cơ sở lý thuyết nền vừa nêu ở trên kết hợp với mục tiêu nghiên cứu và tài liệu tham khảo từ các nghiên cứu trước. Nói thêm, sự lựa chọn giữa mô hình reflective và mô hình formative phụ thuộc vào ý nghĩa lý thuyết và cơ sở dữ liệu của nghiên cứu. Điều quan trọng là đảm bảo rằng sự lựa chọn phù hợp với mục tiêu nghiên cứu và tính chất của các biến được nghiên cứu. Lưu ý rằng việc xác định mô hình reflective hoặc formative không phải lúc nào cũng đơn giản, và có thể đòi hỏi sự cân nhắc kỹ lưỡng và kiến thức về lĩnh vực nghiên cứu cụ thể.

Chúng ta sẽ có 2 cách để thực hiện mô hình PLS SEM bậc cao, cả hai cách đều giống nhau ở giai đoạn 2, chỉ khác nhau ở giai đoạn 1. Giai đoạn 1 là chúng ta sẽ đi tìm chỉ báo cho biến tiềm ẩn bậc cao.

Cách thứ nhất là chúng ta tạo ra biến bậc hai ở tại giai đoạn một bằng cách đưa tất cả các chỉ báo của biến bậc một vào như hình.

Việc đánh giá mô hình ở giai đoạn một này cần thực hiện đánh giá các chỉ tiêu về mức độ tin cậy, mức độ chính xác về sự hội tụ, và mức độ chính xác về sự phân biệt. Cách đánh giá chúng ta đã đề cập trong các bài viết trước đó nên ở đây sẽ không trình bày lại. 

Trong trường hợp mô hình ở giai đoạn một không đạt yêu cầu, chúng ta cần tiến hành xử lý lại dữ liệu theo các cách:

   + Loại bỏ các quan sát (Observed variables) không đảm bảo các điều kiện ở trên và tiến hành chạy lại từ đầu.

   + Nghiên cứu lại bảng hỏi (questionnaire) và thực hiện khảo sát lại.

   + Liên hệ với Dịch vụ số liệu Lê Minh để được hỗ trợ nhanh chóng.

Nói thêm, vấn đề loại bỏ biến quan sát ra khỏi thang đo cần hết sức cân nhắc trước khi quyết định. Chúng tôi khuyến cáo các bạn nên tham khảo thêm ý kiến của Người hướng dẫn khoa học để thực hiện.

Nếu mô hình ở giai đoạn một đạt yêu cầu, chúng ta sẽ đi tìm các chỉ báo cho biến tiềm ẩn bậc hai bằng cách nhấn vào Open report chọn Latent variables và copy dữ liệu sang file excel. Ở file excel này, chúng ta sẽ có các chỉ báo cho biến bậc hai, trong ví dụ này là AS, AW và QP.

Lúc này mô hình bậc hai được xây dựng lại như sau, giai đoạn này được xem là giai đoạn 2. Chúng ta lưu ý, nên lưu data thành một file khác và chèn vào SmartPLS để sử dụng cho mô hình bậc hai.

Đối với mô hình cấu tạo, để thay đổi mũi tên chúng ta click chuột phải vào biến bậc hai (Second-Order) và chọn Edit settings, ở mô hình đo lường chọn formative nhé.

Kết quả phân tích mô hình bậc hai.

Nghiên cứu sẽ kết luận giả thuyết nghiên cứu dựa trên kết quả của mô hình ở giai đoạn hai. Phân tích bootstrapping để kiểm tra p value.

Ở đây cả 2 giả thuyết nghiên cứu đều được chấp nhận. Vấn đề còn lại là thảo luận kết quả nghiên cứu và đưa ra các giải pháp khuyến nghị nếu có. Lưu ý, khi thảo luận kết quả để đưa khuyến nghị cần xem xét kết hợp với kết quả các chỉ báo của biến tiềm ẩn ở giai đoạn một.

Anh chị có thể tham khảo tài liệu SmartPLS ở hai cuốn sách này của GS. Nguyễn Minh Hà (Đại học Mở Tp HCM). Trong cả hai cuốn này GS chỉ thực hành trên SmartPLS 3. Còn phiên bản SmartPLS 4 hiện tại chỉ có một cuốn tiếng Anh của tác giả Chua Yan Plaw (cuốn này anh chị có thể mua trên amazone, giá đâu đó khoảng trên dưới 2tr gì đó).

Kính chúc các anh chị hoàn thành tốt nghiên cứu của mình. Nếu anh chị cần xử lý dữ liệu liên quan SmartPLS, anh chị có thể tham khảo dịch vụ ở đây. 

Lưu ý thêm, đối mới mô hình cấu trúc bậc cao, tác giả Collier (2020) lưu ý với người đọc chi tiết như sau: