HƯỚNG DẪN PHÂN TÍCH CẤU TRÚC ĐA NHÓM (MGA)

PHẦN 2 – NÂNG CAO

I. ÁP DỤNG THỦ TỤC MICOM TRƯỚC KHI PHÂN TÍCH ĐA NHÓM

Trong phần này, chúng tôi sẽ tập trung giải quyết bài toán MGA trong PLS SEM. Theo Hair và cộng sự (2017), mối quan tâm chính trước khi thực hiện phân tích đa nhóm là đảm bảo tính bất biến đo lường (measurement invariance) hay còn gọi là tương đương đo lường (measurement equivalence). Bằng cách thiết lập sự bất biến đo lường, các nhà nghiên cứu có thể tự tin rằng, sự khác biệt giữa các nhóm trong ước lượng mô hình bằng thủ tục MGA không phải là kết quả từ nội dung hay là ý nghĩa riêng biệt của các biến tiềm ẩn giữa các nhóm (Hair và cộng sự, 2017). Cũng theo Hair và cộng sự (2017), khi mô hình không đảm bảo sự bất biến đo lường, nó có thể làm kết quả của các kiểm định thống kê bị yếu đi, ảnh hưởng đến độ chính xác của các ước lượng, và làm cho kết quả trở nên bị sai lệch. Do vậy mà trước khi thực hiện thủ tục MGA, chúng ta cần kiểm định sự bất biến đo lường để đảm bảo tính chính xác của kết quả ước lượng trong MGA.

Đối với mô hình CB SEM để đánh giá tính bất biến đo lường, các nhà nghiên cứu thường sử dụng phương pháp phân tích nhân tố khẳng định đa nhóm dựa trên các hướng dẫn của Steenkamp & Baumgartner (1998) và Vandenberg & Lance (2000). Tuy nhiên, để vận dụng phương pháp này cho mô hình PLS SEM là không thể dễ dàng. Do vậy mà, Henseler và cộng sự (2016) đã phát triển thủ tục bất biến đo lường của mô hình hỗn hợp (MICOM – Measurement invariance of composite models). Thủ tục MICOM được xây dựng dựa trên điểm số của các biến tiềm ẩn.

Hình 1 - Thủ tục MICOM được trình bày theo Hair và cộng sự (2017)

Nguồn: Hair và cộng sự (2017)

Một cách thể hiện khác của tiến trình MICOM được trích dẫn từ nguồn Vũ Hữu Thành & Nguyễn Minh Hà (2023). Lưu đồ này nhìn chung thì cũng dễ hiểu, nhưng nếu bạn đọc không có kiến thức chuyên môn thì cũng khó hiểu thật. Chúng tôi khuyên các bạn nên đọc qua cuốn sách Phân tích PLS SEM phần nâng cao của Prof. Nguyễn Minh Hà và Ts. Vũ Hữu Thành của ĐH Mở Tp HCM biên soạn, chúng tôi đánh giá bộ sách (gồm 2 quyển cơ bản và nâng cao) này khá bài bản và hữu ích cho anh chị nào cần phân tích và hiểu sâu về PLS SEM chạy bằng SmartPLS. Nhược điểm duy nhất của bộ sách này là được thực hành trên SmartPLS 3 chứ không phải SmartPLS 4. Tuy nhiên điều này theo chúng tôi đánh giá là không quá quan trọng vì bản chất giữa 2 phiên bản chỉ khác nhau ở giao diện là chính (thuật toán hiện tại chúng tôi chưa có điều kiện để test thử).

Hình 2 - Thủ tục MICOM được trình bày theo Cheah và cộng sự (2020)

Nguồn: Vũ Hữu Thành & Nguyễn Minh Hà (2023)

Như vậy, chúng ta có thể thấy rằng, thủ tục MICOM là thủ tục tiên quyết trước khi chạy MGA cho mô hình PLS SEM. Hiện nay có nhiều anh chị vẫn chưa hiểu được bản chất của vấn đề nên khi phân tích MGA chỉ đơn thuần là chạy thủ tục MGA mà không trải qua tiến trình MICOM như chúng tôi đã đề cập ở trên. Điều này là không chuẩn và sẽ dẫn đến những sai lệch về mặt kết quả nếu thủ tục MICOM không đạt yêu cầu với bộ dữ liệu nghiên cứu. Một phần cũng vì thủ tục MICOM là tương đối phức tạp và khá mới đối với các nhà nghiên cứu trong nước. Bởi lẽ, SmartPLS chạy PLS SEM tương đối mới ở Việt Nam, chỉ mới xuất hiện trong các nghiên cứu vài năm lại đây, nên các tài liệu tham khảo cũng nhưng các công trình nghiên cứu là chưa được nhiều.

Bây giờ, chúng tôi sẽ trình bày các bước kiểm tra của thủ tục MICOM. Trong chuyên đề này, chúng tôi không trình bày chuyên sâu về bản chất của vấn đề, chúng tôi chỉ tập trung giúp bạn đọc giải quyết câu chuyện thực hành phân tích MICOM và đọc kết quả cho bài toán MGA đối với mô hình PLS SEM chạy bằng nền tảng SmartPLS 4. Bạn đọc có nhu cầu nghiên cứu sâu, các bạn nên tìm đọc các tài liệu như chúng tôi đã giới thiệu ở bên trên.

Bất biến cấu hình là gì? Một mô hình được gọi là bất biến cấu hình khi thỏa mãn các điều kiện sau:

• Mô hình không thay đổi. Nói nôm na cho dễ hiểu là mô hình về mặt lý thuyết là không thay đổi giữa các nhóm nghiên cứu khi chạy MGA. Ví dụ, mô hình nghiên cứu của tác giả khi phân tích lấy dữ liệu từ nhóm giới tính nam là khác so với mô hình khi tác giả thu thập dữ liệu đối với nhóm nữ.

• Các thiết lập thuật toán khi chạy mô hình giữa các nhóm khác nhau không thay đổi. Nghĩa là với mỗi nhóm phân tích, bạn không được thay đổi các thiết lập thuật toán khi chạy trong SmartPLS.

→ Khi thỏa mãn các điều kiện như vậy được gọi là bất biến cấu hình không được thiết lập. Ngược lại, bất biến cấu hình được thiết lập.

Thông thường khi phân tích một mô hình PLS SEM trong SmartPLS, chương trình sẽ mặc định các thiết lập, và người dùng không thay đổi thì với dữ liệu đầu vào đạt yêu cầu, mô hình nghiên cứu mặc định được hiểu là có bất biến cấu hình. Nên trong kết quả phân tích MICOM, SmartPLS chỉ cho ra kết quả từ bước 2 và bước 3a, 3b.

Hình 3 – Các bước MICOM trong SmartPLS 4

Như vậy bước 1 trong Hình 2 gần như là chúng ta mặc định bất biến cấu hình được thiết lập. Chúng ta sẽ kiểm tra bước 2 về sau.

Bước 2: Kiểm tra bất biến tổng hợp? (Compositional invariance?)

Nếu giá trị Original correlation lớn hơn hoặc bằng giá trị của ngưỡng 5% thì bất biến tổng hợp được thiết lập, ngược lại thì không. Nếu bất biến tổng hợp được thiết lập thì chuyển qua bước 3a. Kết thúc bước 2, chúng ta có thể kết luận được rằng, việc phân tích MGA là khả thi.

Bước 3a: Kiểm tra phương sai bằng nhau?

Nếu giá trị ở cột 1 nằm trong ngưỡng 2.5% đến ngưỡng 97.5% thì kết luận được rằng, phương sai bằng nhau (nghĩa là sự khác biệt trung bình phương sai giữa hai nhóm nam và nữ là không đáng kể, chúng ta cũng có thể đánh giá bằng p value cho nhanh) → Tiếp tục chuyển qua kiểm tra bước 3b (kiểm tra trung bình bằng nhau?). Nếu phương sai không bằng nhau, tức là giá trị ở cột 1 không nằm trong ngưỡng 2.5% đến ngưỡng 97.5%, → Mô hình đo lường bất biến bán phần (partial invariance) → không thể gộp dữ liệu của các nhóm để chạy ước lượng SEM, chúng ta chỉ có thể chạy MGA và đánh giá ước lượng hồi qui theo từng nhóm riêng biệt.

Bước 3b: Kiểm tra trung bình bằng nhau?

Nếu giá trị ở cột số 1 nằm trong ngưỡng 2.5% đến ngưỡng 97.5% thì kết luận trung bình bằng nhau → mô hình đo lường bất biến toàn phần (full invariance) → có thể gộp dữ liệu để chạy ước lượng hồi qui tổng thể cho bộ dữ liệu. Ngược lại → mô hình đo lường bất biến bán phần (partial invariance) → không thể gộp lại dữ liệu.

Tới đây bạn đọc sẽ thắc mắc, kết thúc bước 2 là kết luận được phân tích MGA là có ý nghĩa, vậy thực hiện bước 3a và 3b để làm gì? Theo Henseler và cộng sự (2016) được trích dẫn bởi Vũ Hữu Thành và Nguyễn Minh Hà (2023), nếu mô hình đo lường được nhận xét là bất biến bán phần thì không nên cộng dồn dữ liệu từng nhóm để ước lượng mô hình SEM, mà dữ liệu nên tách ra theo từng nhóm để phân tích ước lượng. Nghĩa là bạn cần phân tích ước lượng mô hình SEM theo từng nhóm riêng biệt chứ không gộp lại thành một bộ dữ liệu.

II. PHÂN TÍCH ĐA NHÓM (MGA)

Sau khi tiến trình MICOM được thực hiện, kết quả cho thấy rằng, phân tích MGA là có ý nghĩa, chúng ta sẽ tiến hành phân tích MGA.

Hiện nay, SmartPLS cung cấp kiểm định đa nhóm PLS-MGA chỉ thực hiện so sánh tối đa 2 nhóm. Với các phân tích đa nhóm từ 3 nhóm trở lên, bắt buộc chúng ta phải thực hiện so sánh theo từng cặp.

Trong chuyên đề này, chúng tôi sẽ hướng dẫn các bạn thủ tục MGA chạy trên phiên bản SmartPLS 4.0.9.2.

Bước đầu tiên, các bạn click đúp vào bộ dữ liệu để tiến hành phân nhóm.

Để chắc ăn là chưa có nhóm nào được tạo trước đó, bạn nhấn vào nút Clear groups để xóa hết các nhóm đã tạo trước đó, để khỏi nhầm lẫn trong lúc chạy. Sau đó, bạn chọn Generate groups (chọn Add group thì phải làm thủ công, chọn này để chương trình phân nhóm luôn cho nhanh).

Chúng ta chọn giới tính để phân tích.

Sau khi nhấn Apply, các bạn nhấn chữ Edit để đổi tên group thành Nam và Nữ (có thể ghi tiếng Việt).

Xong rồi chúng ta nhấn nút Back để quay lại màn hình chính, và chọn mô hình cần phân tích. Lúc này bạn mới tiến hành được thủ tục MICOM như trình bày ở trên. Ok mới chuyển qua MGA. Để thực hiện MGA, các bạn chọn Bootstrap multigroup analysis.

Ở đây chương trình sẽ có 2 nhóm A và B, bạn chọn nhóm A là Nam và nhóm B là nữ (có thể để ngược lại). Các cài đặt khác cứ để mặc định là OK.

Kết quả phân tích đường dẫn cho nhóm Nam

Kết quả phân tích đường dẫn cho nhóm Nữ

Đọc kết quả, bạn chọn vào hệ số đường dẫn (Path coefficients). Chúng ta sẽ thấy rằng, ở đây quan tâm cột P-value (2-tailed), sự khác biệt giữa các nhóm chỉ có ý nghĩa thống kê với các mối quan hệ LY → RI và QP → RI, còn AS → RI và AW → RI không có ý nghĩa thống kê. Có ý nghĩa thống kê nghĩa là giữa nhóm Nam và nhóm Nữ sẽ có sự khác biệt, và ngược lại.

Bây giờ để đánh giá chi tiết hệ số đường dẫn của mỗi nhóm, bạn vào kết quả phân tích bootstrap.

Chúng ta nên sử dụng kết quả từ dữ liệu gốc (original), vì nếu các bạn sử dụng kết quả từ dữ liệu bootstrap thì sau mỗi lần chạy nó sẽ khác nếu dữ liệu bootstrap được tạo với số mẫu khác nhau ở mỗi lần chạy. Nhưng nếu các bạn cố định số mẫu bootstrap mặc định cho phiên bản SmartPLS 4.0.9.2 là 5000 thì kết quả sẽ giống nhau qua các lần chạy.

Tới đây, các bạn đưa giải pháp khuyến nghị dành cho doanh nghiệp, nếu yếu tố cải thiện được chọn thuộc LY hoặc QP thì các bạn cần cân nhắc tới yếu tố giới tính Nam và Nữ.

Tới đây là quá trình MGA đã xong. Trường hợp có 3 nhóm thì chúng ta cần thực hiện so sánh theo cặp (A vs B; B vs C; C vs A). Nếu 4 nhóm trở lên thì làm tương tự như 3 nhóm (Số cặp cần so sánh là Tổ hợp chập 2 của 4 → C²₄ = 4!/(2!*(4-2)!) = 6 cặp. Tổ hợp chập k của n phần tử là C^k_n = n!/(k!*(n-k)!)). Hoặc chúng ta có thể thực hiện kiểm định Omnibus (OTG) về sự khác biệt nhóm (Hair và cộng sự, 2017).

Tài liệu tham khảo:

Cheah, J.-H., Thurasamy, R., Memon, M. A., Chuah, F., & Ting, H. (2020). Multigroup analysis using SmartPLS: Step-by-step guidelines for business research. Asian Journal of Business Research, 10(3), I–XIX.

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

Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431. https://doi.org/10.1108/IMR-09-2014-0304

Steenkamp, J.-B. E. M., & Baumgartner, H. (1998). Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research, 25(1), 78–90.

Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4–70.

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.