PHÂN TÍCH NCA (NECESSARY CONDITION ANALYSIS) VÀ QUÁ TRÌNH XÁC ĐỊNH CÁC ĐIỂM NGẼN (BOTTLENECK) SỬ DỤNG CÔNG CỤ SMARTPLS

Bài viết này được xem là kỹ thuật nâng cao, tiếp nối với bài viết về kỹ thuật phân tích IPMA đã được chúng tôi đề cập trước đó (here).

Hiện nay, đa số các nghiên cứu định lượng chỉ dừng lại ở câu chuyện phân tích hệ số đường dẫn (beta) để đánh giá mức độ tác động của các yếu tố trong mô hình lên biến mục tiêu (biến phụ thuộc). Để từ đó đưa ra các hàm ý quản trị cần thiết. Rất ít các nghiên cứu đi sâu vào phân tích NCA (Necessary Condition Analysis) và tìm các điểm ngẽn (bottlenecks) trong mô hình định lượng. Có lẻ, nguyên nhân của việc này là do những phương pháp này yêu cầu sự hiểu biết sâu hơn về kỹ thuật và công cụ phân tích. Trong nhiều trường hợp, việc sử dụng hệ số đường dẫn đã đủ để tạo ra kết luận mang tính hàm ý quản trị ở mức độ tổng quát, nên ít có động lực đi sâu hơn.

NCA (Necessary Condition Analysis) là một phương pháp dùng để xác định các điều kiện cần thiết (nhưng không đủ) trong nghiên cứu, tức là yếu tố mà nếu không đạt được thì kết quả mong muốn sẽ không xảy ra. Kỹ thuật NCA được phát triển ban đầu bởi Dul (2016).

Phân tích NCA không chỉ tìm kiếm các yếu tố ảnh hưởng mà còn xác định yếu tố cần thiết để đạt được kết quả mục tiêu. Điều này giúp các bạn xác định những điều kiện bắt buộc phải đáp ứng trước khi nói đến việc cải thiện hiệu quả hoặc tăng tác động của các yếu tố khác. Ngoài ra, Tránh lãng phí nguồn lực, Bằng cách nhận diện điều kiện cần thiết, nghiên cứu sẽ giúp cho doanh nghiệp có thể tránh đầu tư vào các yếu tố không phải là cốt lõi hoặc chỉ tạo ra giá trị gia tăng trong những điều kiện nhất định.

Hạn chế của việc chỉ tập trung vào hệ số đường dẫn của mô hình SEM

      • Tập trung vào mức độ tác động nhưng bỏ qua tính cần thiết: Hệ số đường dẫn (β) đo lường mức độ và hướng tác động giữa các biến nhưng không trả lời cho câu hỏi “Điều gì là bắt buộc để kết quả xảy ra?”. Việc không phân tích các yếu tố cần thiết có thể dẫn đến thiếu sót trong việc nhận diện các yếu tố cốt lõi mà nếu không thỏa mãn, biến mục tiêu sẽ không đạt được.

      • Thiếu cái nhìn toàn diện: Phân tích chỉ tập trung vào beta thường mang tính tuyến tính và không phản ánh được sự phức tạp của mối quan hệ giữa các yếu tố, đặc biệt với các mô hình SEM phức tạp.

      • Không phát hiện được điểm nghẽn (bottleneck): Các yếu tố hạn chế hiệu quả của mô hình không được nhận diện. Điều này có thể dẫn đến việc bỏ qua các rào cản tiềm ẩn trong quá trình cải tiến mô hình.

Để đánh giá NCA chúng ta cần dựa vào các tiêu chí sau:

* Effect Size (d):

Kích thước hiệu ứng (effect size) trong NCA được đo bằng tỷ lệ giữa vùng trống phía trên đường ceiling (ceiling zone) so với tổng vùng dữ liệu khả thi (scope). Quy tắc đánh giá được trích dẫn bởi Dul (2016) như sau:

      • 0 < d < 0.1: Hiệu ứng nhỏ (small effect).

      • 0.1 ≤ d < 0.3: Hiệu ứng trung bình (medium effect).

      • 0.3 ≤ d < 0.5: Hiệu ứng lớn (large effect).

      • d ≥ 0.5: Hiệu ứng rất lớn (very large effect).

Đánh giá kích thước hiệu ứng phụ thuộc vào bối cảnh nghiên cứu, nhưng mức ngưỡng d ≥ 0.1 thường được sử dụng như một chuẩn để xem xét tính cần thiết của điều kiện. Với các biến có d < 0.1, chúng ta không nên ưu tiên tập trung nguồn lực vào nó.

* Accuracy: Thể hiện độ chính xác của mô hình trong việc dự đoán các giá trị ceiling (giới hạn trên). Giá trị 100% cho thấy rằng tất cả các điểm dữ liệu đều nằm dưới hoặc trên đường ceiling, chứng minh mô hình hoạt động tốt.

* Condition inefficiency: Xác định các giá trị của điều kiện vượt mức cần thiết (ví dụ: nếu X > X_c,max thì mức tăng của X không còn cần thiết cho Y).

* Outcome inefficiency: Xác định các mức độ của kết quả thấp hơn Y_c,min ​, nơi mà X không bị ràng buộc bởi Y.

* Relative Inefficiency: Kết hợp cả condition inefficiency và outcome inefficiency để đo lường hiệu quả tổng thể.

* Absolute Inefficiency: Đo lường tổng mức độ không hiệu quả tuyệt đối của điều kiện.

Từ những thông tin hoặc kết quả phân tích NCA, chúng ta có thể chuyển hóa thành hành động cụ thể (Actionable insights) nhằm giải quyết một vấn đề hoặc cải thiện một tình huống. Ví dụ, nếu phân tích dữ liệu cho thấy rằng khách hàng rời bỏ dịch vụ do thời gian phản hồi chậm, actionable insight sẽ là: “Cần giảm thời gian phản hồi khách hàng xuống dưới 10 phút.”

Quá trình phân tích NCA cần xác định các điểm nghẽn (bottleneck) làm ảnh hưởng đến biến mục tiêu, gây cản trở hiệu suất tổng thể. Ví dụ: Trong sản xuất, một máy móc chậm hơn các máy khác là bottleneck, khiến toàn bộ quy trình bị chậm lại, chúng ta cần tìm cách cải tiến bộ máy này. Nếu hệ thống dịch vụ khách hàng bị chậm trễ do thiếu nhân sự, bottleneck analysis sẽ đề xuất tăng cường nhân viên hoặc tự động hóa một số quy trình. Đây được xem như là giải pháp để loại bỏ hoặc giảm thiểu tác động của điểm nghẽn.

Như vậy, cuối cùng của phân tích NCA là tìm cách chính xác nhất để chuyển đổi kết quả thành actionable insights. Bằng cách, Nhận diện bottleneck: Xác định biến nào có ảnh hưởng mạnh nhất và là điều kiện cần thiết. Sau đó, Đề xuất hành động: Cải thiện yếu tố bottleneck để đạt giá trị cần thiết.

Các phương pháp CE-FDH và CR-FDH (Hai loại đường ceiling phổ biến)

      • CE-FDH (Ceiling Envelopment-Free Disposal Hull): Đường bậc thang tuyến tính không giảm

         + Phương pháp này sử dụng tiếp cận bao bọc (envelopment) để tạo ra một giới hạn ceiling. Nó phù hợp khi bạn muốn phân tích các điều kiện một cách tự do mà không áp dụng mô hình hồi quy. Phù hợp với dữ liệu rời rạc (Lưu ý, thang đo Likert cũng là một dạng thang đo rời rạc). Lưu ý, việc chuyển đổi sang biến tiềm ẩn (Latent Variable - LV) không làm thay đổi đặc điểm của thang đo đầu vào. Nên thang đo Likert dù có chuẩn hóa thì nó vẫn có đặc điểm của một thang đo rời rạc về mặt dữ liệu.

         + Ưu điểm: Phù hợp với dữ liệu nhỏ hoặc không tuyến tính, nhấn mạnh vào các điều kiện cần thiết một cách tổng quát.

         + Nhược điểm: Có thể hơi “chặt chẽ” vì tạo ceiling line rất sát với dữ liệu.

      • CR-FDH (Ceiling Regression-Free Disposal Hull): Đường hồi quy tuyến tính đơn giản đi qua các điểm dữ liệu của đường CE-FDH

         + Phương pháp này kết hợp hồi quy với mô hình Free Disposal Hull. Ceiling line được thiết lập dựa trên hồi quy, thường phù hợp với dữ liệu tuyến tính hoặc khi bạn cần phân tích chính xác hơn. Phù hợp với dữ liệu liên tục.

         + Ưu điểm: Phù hợp với các mô hình phức tạp, tạo ra ceiling line mềm mại hơn.

         + Nhược điểm: Có thể không phù hợp khi dữ liệu rất phi tuyến tính.

Cách chọn:

Việc lựa chọn giữa CE-FDH và CR-FDH cần dựa trên bản chất của dữ liệu (rời rạc hay liên tục).

      • Đường CE-FDH được khuyến nghị sử dụng cho dữ liệu rời rạc.

      • Đường CR-FDH được khuyến nghị sử dụng cho dữ liệu liên tục.

NCA Permutation

Mục đích là Kiểm tra độ tin cậy (permutation test). NCA Permutation thực hiện các phép thử ngẫu nhiên để kiểm tra xem kết quả từ phân tích NCA có thực sự ý nghĩa hay không.

Cách thực hiện của kiểm định này là chương trình sẽ thay đổi ngẫu nhiên thứ tự của các giá trị trong tập dữ liệu. Sau đó, so sánh kết quả giữa dữ liệu gốc và dữ liệu hoán đổi. Và, xác định xem hiệu ứng của điều kiện cần thiết có phải là do ngẫu nhiên hay không. Nếu P-value nhỏ hơn mức ý nghĩa thống kê thì kết luận, phân tích NCA đạt yêu cầu về độ tin cậy.

Thực hành

Bây giờ, chúng ta sẽ đi chi tiết vào phần thực hành phân tích NCA bằng SmartPLS 4. Các bạn lưu ý rằng, NCA không chạy trực tiếp trên model SEM nhé. Kỹ thuật NCA được đánh giá trên Regession model (mô hình hồi qui đa biến). Chính vì vậy, trong mô hình PLS SEM hay CB SEM các bạn sẽ không thấy NCA trong SmartPLS.

Lưu ý, khi thực hiện NCA, hãy đảm bảo rằng thang đo của các chỉ số của bạn như mong đợi. Ví dụ, thang đo khoảng cách từ 1 đến 7 phải hiển thị giá trị tối thiểu là 1 và giá trị tối đa là 7 (ví dụ, điều này có thể không đúng nếu không có người trả lời nào chọn 1). Điều này rất quan trọng để đảm bảo tính chính xác của kết quả.

Các bạn có thể tải bộ dữ liệu mẫu tại đây.

Bước 1: Đánh giá mô hình đo lường, các bước đánh giá chúng tôi không trình bày lại ở đây. Các bạn có thể tham khảo tại bài viết trước ở đây.

Bước 2: Tạo dữ liệu để chạy NCA từ Latent Variables Scores.

Bước 3: Xây dựng mô hình hồi qui để chạy NCA. Với mô hình mẫu này, chúng ta thấy có 2 biến nội sinh (Endogenous Variable) và 4 biến ngoại sinh (Exogenous Variable). Do đó, chúng ta sẽ tạo ra 2 model hồi qui như sau:

Dựa theo mục tiêu nghiên cứu mà các bạn nên chọn mô hình 1 hoặc 2 hoặc cả hai mô hình để phân tích. Ở đây, chúng tôi sử dụng mô hình số 2 để phân tích, với biến mục tiêu là BCB.

Thuật toán phân tích điều kiện cần thiết (NCA) cho các mô hình hồi quy trong SmartPLS chỉ yêu cầu một thiết lập tham số duy nhất, đó là Số bước cho các bảng nút thắt . Do đó, bạn có thể chỉ định số bước mà biến phụ thuộc được chia thành các bảng nút thắt của NCA. Giá trị mặc định là 10, chia kết quả hiển thị thành 10% bước từ 0% đến 100%. Tuy nhiên, bạn cũng có thể chọn hiển thị kết quả chi tiết hơn. Ví dụ: giá trị 20 chia kết quả thành 5% bước từ 0% đến 100%.

Các bạn chọn Necessary Condition Analysis (NCA), để mặc định và nhấn Start calculation.

Đọc kết quả NCA

(Nguồn: Smartpls.com)

Vì dữ liệu của chúng ta sử dụng Likert nên đường ceiling CE-FDH sẽ được sử dụng trong nghiên cứu này.

Cột CE-FDH trong bảng Ceiling line effect size overview thể hiện mức độ của các biến tiềm ẩn (LV score) khi áp dụng phương pháp CE-FDH. Đây là một phương pháp để vẽ đường ceiling nhằm xác định vùng trống (empty zone) trong dữ liệu, nơi mà điều kiện được coi là cần thiết cho kết quả mong muốn. CE-FDH tạo ra các đường ceiling dạng bậc thang (piecewise linear), bao quanh dữ liệu mà không cho phép bất kỳ điểm nào nằm trên đường ceiling. Giá trị trong cột này được tính toán dựa trên tỷ lệ giữa vùng trống phía trên đường ceiling (ceiling zone) so với tổng vùng dữ liệu khả thi (scope).

Nguồn: Dul (2016)

Từ kết quả phân tích effect size, tất cả các biến đều có tác động đáng kể đến BCB với giá trị effect size lớn hơn 0.1. Trong đó, CBI thể hiện ảnh hưởng mạnh nhất với effect size là 0.241, tiếp theo là COM (0.207) và PRE (0.204). Hai biến còn lại là INN (0.198) và SIN (0.194) cũng có mức ảnh hưởng trung bình đáng kể. Sự chênh lệch giữa các biến không quá lớn, cho thấy tất cả đều đóng vai trò quan trọng trong việc tác động đến biến mục tiêu BCB.

Để đánh giá chi tiết về điều kiện cần, chúng ta qua bảng Ceiling lines – details

Cột Accuracy (độ chính xác) thể hiện độ tin cậy của phân tích. Giá trị 100% ở tất cả các biến cho thấy kết quả phân tích rất đáng tin cậy.

Kết hợp với kết quả phân tích điểm ngẽn

Kiểm định mức độ tin cậy của kết quả phân tích NCA

Kết luận:

CBI là biến quan trọng nhất vì nó có effect size lớn nhất (0.241) và mức không hiệu quả tương đối thấp. Đây là biến cần được ưu tiên quản lý và đầu tư để cải thiện kết quả.

COM và PRE cũng đáng chú ý, nhưng cần chú ý tối ưu hóa mức độ không hiệu quả của chúng (đặc biệt là COM với condition inefficiency 38.168%).

INN có mức không hiệu quả cao nhất cả về condition và outcome, cần xem xét lại vai trò của biến này trong mô hình để tránh lãng phí nguồn lực.

SIN có ảnh hưởng thấp nhất trong mô hình (effect size = 0.194), nhưng nó có mức không hiệu quả thấp, cho thấy biến này không phải là một rào cản lớn.

Lưu ý: Vì CBI là biến trung gian, nên khi kết luận CBI là biến quan trọng nhất thì chúng ta cần phân tích NCA tiếp tục với mô hình hồi qui còn lại để phân tích sâu hơn cho các biến ngoại sinh trong mô hình. 

Dưới đây là video hướng dẫn phân tích NCA của Dr. Fawad, các bạn có thể tham khảo. Nếu có câu hỏi nào có thể liên hệ trực tiếp với tác giả hoặc với chúng tôi.

Tài liệu tham khảo (Tải tài liệu tham khảo tại đây → here)

Dul, J. (2016). Necessary condition analysis (NCA) logic and methodology of “necessary but not sufficient” causality. Organizational Research Methods, 19(1), 10–52.

Hair, J.F., Sarstedt, M., Ringle, C.M., and Gudergan, S.P. (2024). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd Ed., Thousand Oaks, CA: Sage.

Richter, N.F., Hauff, S., Kolev, A.E., and Schubring, S. (2023). Dataset On An Extended Technology Acceptance Model: A Combined Application of PLS-SEM and NCA. Data in Brief, 109190.

Richter, N.F., Hauff, S., Ringle, C.M., Sarstedt, M., Kolev, A., and Schubring, S. (2023). How to Apply Necessary Condition Analysis in PLS-SEM. In J. F. Hair, R. Noonan, and H. Latan (Eds.), Partial Least Squares Structural Equation Modeling: Basic Concepts, Methodological Issues and Applications (pp. 267-297). Springer: Cham. → Tài liệu này sẽ không có trong tập download, anh chị nào cần thì liên hệ với chúng tôi nhé!

Richter, N.F., Schubring, S., Hauff, S., Ringle, C.M., and Sarstedt, M. (2020). When Predictors of Outcomes are Necessary: Guidelines for the Combined use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12): 2243-2267.