R² Cao Không Đồng Nghĩa Dự Báo Tốt: Đọc PLSpredict Và CVPAT Trong PLS-SEM
Phần lớn báo cáo PLS-SEM dừng lại ở R² và p-value của các mối quan hệ cấu trúc, tức năng lực giải thích trong chính mẫu dữ liệu đã thu thập. PLSpredict và CVPAT trả lời một câu hỏi khác hẳn: mô hình có dự báo tốt trên dữ liệu nó chưa từng thấy hay không, và khác biệt đó so với một mô hình hồi quy tuyến tính đơn giản có đủ lớn để được xem là có ý nghĩa thống kê hay không.
PLSpredict đo năng lực dự báo ngoài mẫu bằng Q²predict, RMSE và MAE, so với một mô hình hồi quy tuyến tính (LM) làm chuẩn tham chiếu, nhưng phép so sánh này chỉ mang tính kinh nghiệm chứ không có p-value. CVPAT (Sharma et al., 2022) bổ sung một kiểm định thống kê chính thức cho đúng câu hỏi đó. Bài viết dùng nghiên cứu của Jumani (2026) trên người tiêu dùng Thái Lan làm case thực tế để minh họa cách đọc và báo cáo hai công cụ này.
1. Vì sao R² không trả lời được câu hỏi về dự báo
Một mô hình PLS-SEM đạt R² = 0.70 cho biến phụ thuộc chính thường được xem là bằng chứng mô hình "tốt". Nhưng R² tính trên chính mẫu dữ liệu đã dùng để ước lượng mô hình, nên con số này chỉ nói mô hình khớp dữ liệu quan sát đến mức nào, không nói gì về việc mô hình sẽ hoạt động ra sao trên một người trả lời mới, chưa từng góp mặt trong mẫu. Shmueli và Koppius (2011) gọi đây là khoảng cách giữa explanatory modeling (mô hình nhằm kiểm định và giải thích lý thuyết) và predictive modeling (mô hình nhằm dự báo trên dữ liệu mới). Hai mục tiêu này không loại trừ nhau, nhưng một mô hình đạt tiêu chuẩn cao ở mục tiêu thứ nhất không tự động đạt tiêu chuẩn ở mục tiêu thứ hai.
Trường hợp của Jumani (2026) minh họa đúng điểm này. Mô hình TPB mở rộng của tác giả đạt R² = 0.706 cho hành vi tiêu dùng thương hiệu Hồi giáo (CBIB), một con số khá cao cho một mô hình hành vi tiêu dùng. Nhưng để trả lời câu hỏi "mô hình này có dùng được để dự báo hành vi của khách hàng mới hay không", tác giả phải chạy riêng PLSpredict và CVPAT, tức đúng hai công cụ được trình bày trong bài này.
Giải thích (explanatory): mô hình có khớp dữ liệu và các mối quan hệ có ý nghĩa thống kê trong mẫu hiện có hay không. Dự báo (predictive): mô hình có cho sai số dự báo nhỏ hơn một chuẩn tham chiếu khi áp lên dữ liệu nó chưa từng thấy hay không. Một báo cáo PLS-SEM đầy đủ cần trả lời cả hai, bằng hai bộ công cụ khác nhau.
2. PLSpredict: Q²predict, RMSE, MAE đọc thế nào
PLSpredict (Shmueli et al., 2019) dùng kỹ thuật validation theo k-fold: chia mẫu thành k phần (mặc định 10 trong SmartPLS), lần lượt dùng k-1 phần để ước lượng mô hình rồi dự báo giá trị của phần còn lại, lặp lại quy trình này một số lần (mặc định 10 lần) để kết quả ổn định hơn. Với mỗi chỉ báo của biến nội sinh, PLSpredict cho ba con số: Q²predict, RMSE (root mean square error) và MAE (mean absolute error), đồng thời tính luôn RMSE và MAE của một mô hình hồi quy tuyến tính đơn giản (LM) dùng chính các biến tiền tố trực tiếp làm chuẩn so sánh.
Cách đọc theo đúng thứ tự Shmueli et al. (2019) đề xuất: trước tiên xem Q²predict có dương hay không, vì Q²predict âm có nghĩa mô hình dự báo kém hơn cả việc lấy trung bình mẫu huấn luyện làm dự báo, tức không có giá trị dự báo. Sau đó, với các chỉ báo có Q²predict dương, so sánh RMSE (hoặc MAE nếu phân phối sai số lệch nhiều, theo khuyến nghị của Chai và Draxler, 2014) giữa PLS-SEM và LM cho từng chỉ báo. Nếu đa số chỉ báo của PLS-SEM có RMSE thấp hơn LM, mô hình được xem là có năng lực dự báo cao; nếu chỉ thiểu số thắng, năng lực dự báo ở mức trung bình; nếu LM thắng ở đa số chỉ báo, mô hình thiếu năng lực dự báo so với một phép hồi quy đơn giản, bất kể R² trong mẫu cao thế nào.
| Biến nội sinh | Q²predict | RMSE (PLS-SEM) | RMSE (LM) |
|---|---|---|---|
| Islamic Brand Health Benefits (IBH) | 0.56 | ≈ 0.67 (trung bình các chỉ báo) | Cao hơn ở đa số chỉ báo |
| Subjective Norms (SN) | 0.52 | ≈ 0.69 | Cao hơn ở đa số chỉ báo |
| Perceived Behavioural Control (PBC) | 0.32 | ≈ 0.83 | Xấp xỉ, mức dự báo trung bình |
| Consumption Behaviour (CBIB) | 0.52 | ≈ 0.70 | Cao hơn ở đa số chỉ báo |
Số liệu rút gọn từ Bảng 12 (PLSpredict) trong Jumani (2026). RMSE của từng chỉ báo trong bài gốc được so trực tiếp với RMSE của mô hình LM tương ứng; bảng trên trình bày lại ở mức construct để minh họa cách đọc, không thay thế bảng chi tiết theo chỉ báo mà một báo cáo đầy đủ cần có.
3. Giới hạn của PLSpredict
Vấn đề của PLSpredict nằm ở chính cách ra quyết định: đếm xem bao nhiêu chỉ báo có RMSE của PLS-SEM nhỏ hơn LM rồi gọi tên mức năng lực dự báo (cao, trung bình, thấp). Đây là một quy tắc kinh nghiệm (heuristic), không phải một kiểm định thống kê. Một mô hình có RMSE thấp hơn LM ở 6 trên 9 chỉ báo, với khác biệt rất nhỏ ở từng chỉ báo, vẫn được gọi là "năng lực dự báo cao" theo quy tắc đếm, dù khác biệt đó hoàn toàn có thể chỉ là nhiễu ngẫu nhiên của một mẫu cụ thể.
PLSpredict không cho biết khác biệt giữa RMSE của PLS-SEM và LM có ý nghĩa thống kê hay không. Hai mô hình có thể cho kết quả đếm giống hệt nhau (ví dụ cùng thắng 7/9 chỉ báo) nhưng độ tin cậy của kết luận đó rất khác nhau tùy cỡ mẫu và độ biến thiên của sai số dự báo. Đây chính là khoảng trống mà CVPAT được thiết kế để lấp.
4. CVPAT: kiểm định thống kê chính thức
CVPAT, viết tắt của Cross-Validated Predictive Ability Test, được Liengaard et al. (2021) giới thiệu lần đầu và được Sharma et al. (2022) bổ sung hướng dẫn thực hành mở rộng, thay quy tắc đếm bằng một kiểm định giả thuyết thật sự. CVPAT tính "loss" (hàm mất mát, đo sai số dự báo) của mô hình PLS-SEM trên từng fold cross-validation, rồi so trung bình loss đó với hai chuẩn tham chiếu: indicator average (IA, tức lấy trung bình đơn giản của các chỉ báo tiền tố làm dự báo) và linear model (LM, cùng loại benchmark hồi quy tuyến tính dùng trong PLSpredict). Kết quả là một khác biệt trung bình loss (average loss difference) kèm p-value cho từng phép so sánh.
Cách đọc: khác biệt loss âm nghĩa là mô hình PLS-SEM có sai số dự báo trung bình thấp hơn benchmark, tức dự báo tốt hơn. p-value nhỏ (thường dùng ngưỡng 0.05) nghĩa là khác biệt đó khó giải thích bằng ngẫu nhiên, tức có ý nghĩa thống kê. Một mô hình đạt cả hai điều kiện, tức loss difference âm và p < 0.05 so với cả IA lẫn LM, được xem là có predictive validity được xác nhận bằng thống kê, không chỉ bằng cách đếm.
| So sánh với | Chênh lệch loss trung bình | p-value | Kết luận |
|---|---|---|---|
| Indicator Average (IA) | -0.40 | < 0.001 | Mô hình PLS-SEM vượt trội rõ rệt |
| Linear Model (LM) | -0.02 | < 0.001 | Mô hình PLS-SEM vượt trội, dù khác biệt tuyệt đối nhỏ hơn nhiều |
Hàng "Overall" trong Bảng 13 (CVPAT) của Jumani (2026). Lưu ý khác biệt tuyệt đối so với LM nhỏ hơn hẳn so với IA, điều hợp lý vì LM là chuẩn tham chiếu mạnh hơn IA, nhưng cả hai vẫn có ý nghĩa thống kê ở mức p < 0.001.
Khi đã có kết quả PLSpredict, nên chạy tiếp CVPAT trước khi kết luận về năng lực dự báo, nhất là khi bài viết hoặc luận văn dùng cụm từ "mô hình có năng lực dự báo cao/vượt trội" như một phát biểu có trọng lượng thống kê. PLSpredict cho bức tranh mô tả chi tiết theo từng chỉ báo; CVPAT cho câu trả lời có kiểm định ở mức tổng thể. Hai công cụ bổ sung cho nhau, không thay thế nhau.
5. Quy trình chạy trong SmartPLS 4
Bước 1: Đạt chuẩn mô hình đo lường trước
PLSpredict và CVPAT không sửa được một mô hình đo lường yếu. Loadings, độ tin cậy tổng hợp (CR), AVE và discriminant validity cần đạt chuẩn trước, vì sai số dự báo của một thang đo kém sẽ lan sang mọi chỉ số dự báo phía sau.
Bước 2: Chạy PLSpredict
Vào Calculate > PLSpredict, giữ số fold mặc định (10) và số lần lặp mặc định (10) trừ khi có lý do cụ thể để đổi. Đọc Q²predict cho từng biến nội sinh trước, sau đó so RMSE (hoặc MAE) của từng chỉ báo với LM.
Bước 3: Chạy CVPAT nếu PLSpredict cho tín hiệu tích cực
Nếu Q²predict dương và PLS-SEM thắng LM ở phần lớn chỉ báo, chạy tiếp Calculate > CVPAT để lấy khác biệt loss trung bình và p-value so với cả IA và LM.
Bước 4: Báo cáo đầy đủ cả hai, không chỉ chọn kết quả đẹp
Một báo cáo đầy đủ trình bày cả Q²predict/RMSE/MAE của PLSpredict lẫn loss difference/p-value của CVPAT, kể cả khi một trong hai cho kết quả kém thuyết phục hơn kết quả kia.
Mẫu diễn giải cho phần kết quả
Kết quả PLSpredict cho thấy [tên biến nội sinh] đạt Q²predict = [giá trị], và RMSE của mô hình PLS-SEM thấp hơn mô hình hồi quy tuyến tính (LM) ở [X/Y] chỉ báo, cho thấy năng lực dự báo ở mức [thấp/trung bình/cao]. Kết quả này được xác nhận bằng CVPAT (Sharma et al., 2022), với khác biệt loss trung bình so với benchmark [IA/LM] là [giá trị] (p [=/<] [giá trị]), cho thấy ưu thế dự báo của mô hình mở rộng có ý nghĩa thống kê.
6. Mẫu báo cáo cho luận văn, bài báo
Trình tự báo cáo nên đi từ mô hình đo lường, qua mô hình cấu trúc (R², hệ số đường dẫn, f²), rồi mới đến phần dự báo. Trong phần dự báo, nêu rõ cấu hình PLSpredict đã dùng (số fold, số lần lặp), bảng Q²predict theo từng biến nội sinh, và kết luận PLSpredict trước khi trình bày bảng CVPAT. Tránh gộp hai bảng này thành một dòng tóm tắt duy nhất như "mô hình có năng lực dự báo tốt", vì người đọc phản biện (và người hướng dẫn) thường muốn thấy đúng con số Q²predict, RMSE theo chỉ báo và p-value của CVPAT để tự đánh giá.
7. Những lỗi thường gặp
| Cách viết dễ gặp | Vì sao sai | Cách viết đúng hơn |
|---|---|---|
| "R² = 0.70 nên mô hình có năng lực dự báo tốt." | R² đo khả năng giải thích trong mẫu, không đo dự báo ngoài mẫu. | Trình bày R² như bằng chứng giải thích, và dẫn riêng Q²predict/CVPAT làm bằng chứng dự báo. |
| "RMSE của PLS-SEM thấp hơn LM ở tất cả chỉ báo nên mô hình chắc chắn vượt trội." | PLSpredict không kiểm định ý nghĩa thống kê của khác biệt đó. | Nêu kết quả PLSpredict là tín hiệu ban đầu, xác nhận bằng p-value của CVPAT trước khi dùng từ "vượt trội". |
| "Q²predict dương là đủ để kết luận mô hình dự báo tốt." | Q²predict dương chỉ là ngưỡng tối thiểu (có giá trị dự báo), không phân biệt mức thấp/trung bình/cao. | So thêm tỷ lệ chỉ báo PLS-SEM thắng LM theo RMSE để xếp mức năng lực dự báo, theo Shmueli et al. (2019). |
- Đã chạy PLSpredict với số fold và số lần lặp được nêu rõ trong bài, không chỉ nói "đã chạy PLSpredict".
- Đã báo cáo Q²predict cho mọi biến nội sinh chính, không chỉ biến phụ thuộc cuối cùng.
- Đã so sánh RMSE hoặc MAE với LM ở mức chỉ báo, không chỉ ở mức construct.
- Đã chạy CVPAT và báo cáo cả khác biệt loss lẫn p-value cho cả hai benchmark (IA và LM).
- Không dùng các từ như "vượt trội", "mạnh mẽ" cho năng lực dự báo nếu chưa có p-value của CVPAT đi kèm.
Kết luận
R² và các hệ số đường dẫn có ý nghĩa thống kê cho biết mô hình khớp tốt với dữ liệu đã thu thập, nhưng đó là một câu hỏi khác với việc mô hình có dự báo được hành vi của người chưa từng xuất hiện trong mẫu hay không. PLSpredict cho một bức tranh chi tiết theo từng chỉ báo bằng Q²predict, RMSE và MAE, nhưng cách ra quyết định dựa trên đếm số chỉ báo thắng-thua vẫn mang tính kinh nghiệm. CVPAT lấp khoảng trống đó bằng một kiểm định thống kê có p-value, cho phép khẳng định ưu thế dự báo của mô hình PLS-SEM so với benchmark một cách chặt chẽ hơn.
Trường hợp của Jumani (2026) cho thấy cách hai công cụ này bổ sung cho nhau trong thực tế: PLSpredict xác nhận mọi biến nội sinh chính đều có Q²predict dương, còn CVPAT xác nhận khác biệt đó có ý nghĩa thống kê ở mức p < 0.001 so với cả hai chuẩn tham chiếu. Một báo cáo PLS-SEM đầy đủ, nhất là khi gửi đến các tạp chí đã quen với yêu cầu đánh giá dự báo, nên trình bày cả hai bước này thay vì dừng lại ở R².
Tài liệu tham khảo
Nguồn chính về PLSpredict và CVPAT
- Shmueli, G., Ray, S., Estrada, J.M.V. and Chatla, S.B. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347. https://doi.org/10.1108/EJM-02-2019-0189
- Liengaard, B.D., Sharma, P.N., Hult, G.T.M., Jensen, M.B., Sarstedt, M., Hair, J.F. and Ringle, C.M. (2021). Prediction: Coveted, yet forsaken? Introducing a cross-validated predictive ability test in partial least squares path modeling. Decision Sciences, 52(2), 362-392. https://doi.org/10.1111/deci.12445
- Sharma, P.N., Liengaard, B.D., Hair, J.F., Sarstedt, M. and Ringle, C.M. (2022). Predictive model assessment and selection in composite-based modeling using PLS-SEM: Extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 1662-1677. https://doi.org/10.1108/EJM-08-2020-0636
- Shmueli, G. and Koppius, O.R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553-572.
- Chai, T. and Draxler, R.R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250. https://doi.org/10.5194/gmd-7-1247-2014
Nguồn minh họa và hướng dẫn chạy
- Jumani, Z.A. (2026). Predictive validation of an extended TPB model in Islamic branding: PLSpredict and CVPAT evidence from Muslim and non-Muslim Thai consumers. Journal of Islamic Marketing, ahead-of-print. https://doi.org/10.1108/JIMA-09-2025-0574
- Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M. and Danks, N. (2022). Partial least squares structural equation modeling (PLS-SEM) using SmartPLS 4. Sage.
Ghi chú học thuật: Các con số minh họa trong bài được trích từ Jumani (2026), một nghiên cứu đã công bố trên Journal of Islamic Marketing. Số liệu ở một số bảng được rút gọn ở mức construct để phục vụ minh họa cách đọc; khi áp dụng cho dữ liệu của bạn, cần trình bày đầy đủ theo từng chỉ báo như bảng gốc trong phần mềm SmartPLS.
