PLS-SEM, NCA và fsQCA: Tại Sao Bộ Ba Phương Pháp Này Đang Trở Thành Tiêu Chuẩn Trong Nghiên Cứu Hiện Đại?

Nếu bạn đang theo dõi các bài báo được đăng trên các tạp chí quốc tế hàng đầu trong lĩnh vực quản trị, marketing và du lịch gần đây, bạn sẽ nhận thấy một xu hướng ngày càng phổ biến: nhiều nghiên cứu không còn dừng lại ở PLS-SEM nữa, mà kết hợp thêm NCA (phân tích điều kiện cần) và fsQCA trong cùng một bài báo.

Vậy tại sao lại cần đến ba phương pháp? Chúng khác nhau ở điểm gì? Và khi nào thì nên dùng kết hợp? Bài viết này sẽ giải thích rõ từng phương pháp và lý do tại sao sự kết hợp này đang được các reviewer và tạp chí top đánh giá cao.

Phần lớn các nghiên cứu định lượng trong khoa học xã hội vẫn đang dựa vào một giả định ngầm: các biến số tác động tuyến tính, đối xứng và có thể bù trừ lẫn nhau. Nghĩa là nếu biến A cao nhưng biến B thấp, thì B có thể được "bù lại" bởi A để đạt kết quả tốt. Đây là nền tảng của hồi quy tuyến tính và phần lớn các mô hình SEM.

Tuy nhiên, thực tế hành vi con người không đơn giản như vậy. Có những yếu tố mà nếu thiếu nó, kết quả mong muốn là không thể xảy ra — dù tất cả các yếu tố khác có tốt đến đâu. Đây gọi là điều kiện cần (necessary condition). Ngoài ra, trong thực tế thường tồn tại nhiều con đường khác nhau cùng dẫn đến một kết quả — đây là tính đa nhân (equifinality) mà các mô hình hồi quy không thể phát hiện được.

Chính hai giới hạn này là lý do tại sao PLS-SEM, dù rất mạnh, vẫn cần được bổ trợ bởi NCA và fsQCA trong nhiều thiết kế nghiên cứu hiện đại.

Ba phương pháp này không phải là ba cách khác nhau để làm cùng một việc. Mỗi phương pháp trả lời một loại câu hỏi lý thuyết hoàn toàn khác nhau:

PLS-SEM (Partial Least Squares Structural Equation Modelling) — hay còn gọi là mô hình phương trình cấu trúc bình phương tối thiểu một phần — là phương pháp kiểm định các giả thuyết về mối quan hệ nhân quả giữa các biến tiềm ẩn (latent variables).

PLS-SEM cho phép bạn xây dựng và kiểm định đồng thời cả mô hình đo lường (measurement model) và mô hình cấu trúc (structural model). So với CB-SEM (chạy bằng AMOS), PLS-SEM có ưu điểm là linh hoạt hơn với kích thước mẫu nhỏ hơn, không yêu cầu phân phối chuẩn, và phù hợp với các mô hình phức tạp có nhiều biến.

PLS-SEM trả lời được câu hỏi gì?

•            Biến X có tác động có ý nghĩa thống kê đến biến Y không?

•            Tác động đó là trực tiếp hay gián tiếp (qua biến trung gian)?

•            Biến nào có tác động mạnh hơn đến kết quả?

•            Mô hình giải thích được bao nhiêu % phương sai của biến kết quả (R²)?

Phần mềm sử dụng

Phần mềm phổ biến nhất để chạy PLS-SEM là SmartPLS. Ngoài ra có thể dùng WarpPLS hoặc package seminr trong R.

Giới hạn của PLS-SEM

PLS-SEM nắm bắt hiệu ứng trung bình và giả định tính bù trừ giữa các biến. Vì vậy, nó không thể:

•            Phát hiện các điều kiện tối thiểu bắt buộc phải có (điều kiện cần)

•            Xác định các kết hợp (cấu hình) điều kiện cùng tạo ra kết quả cao

•            Nắm bắt tính phi tuyến tính và bất đối xứng nhân quả

NCA (Necessary Condition Analysis) — phân tích điều kiện cần — là phương pháp được phát triển bởi Jan Dul (2016) dựa trên một logic đơn giản nhưng quan trọng:

Nói cách khác, nếu X là điều kiện cần cho Y, thì: không có X → không có Y. Nhưng có X chưa chắc đã có Y (vì còn phụ thuộc nhiều yếu tố khác).

NCA trả lời được câu hỏi gì?

•            Yếu tố nào là điều kiện bắt buộc phải có để đạt kết quả cao?

•            Mức tối thiểu cần đạt của điều kiện đó là bao nhiêu (bottleneck threshold)?

•            Nếu muốn đạt 80% mức kết quả, điều kiện X cần ở mức tối thiểu nào?

Tiêu chí để xác định điều kiện cần trong NCA

Một điều kiện được xem là cần thiết khi thỏa mãn đồng thời ba tiêu chí (Vis & Dul, 2018):

•            Effect size d ≥ 0.1

•            p-value < 0.05 (qua permutation test)

•            Accuracy > 95%

Phần mềm sử dụng

Package NCA trong R (miễn phí, do Jan Dul phát triển). Ngoài ra có thể dùng add-in Excel của Jan Dul.

fsQCA (Fuzzy-Set Qualitative Comparative Analysis) — phân tích định tính so sánh tập hợp mờ — được phát triển bởi Charles Ragin dựa trên lý thuyết tập hợp (set theory). Đây là phương pháp phân tích xem sự kết hợp nào của nhiều điều kiện cùng nhau đủ để tạo ra kết quả cao.

Ba đặc điểm nhân quả mà fsQCA thừa nhận

1.          Tính nhân quả kết hợp (Conjunctural causation): Nhiều điều kiện phải cùng có mặt mới tạo ra kết quả. Một điều kiện đơn lẻ có thể không đủ.

2.         Tính đa nhân (Equifinality): Nhiều cấu hình khác nhau có thể dẫn đến cùng một kết quả. Không có một "công thức duy nhất" để thành công.

3.         Bất đối xứng nhân quả (Causal asymmetry): Nguyên nhân dẫn đến kết quả cao thường không phải là đảo ngược của nguyên nhân dẫn đến kết quả thấp.

Đầu ra của fsQCA

Mỗi cấu hình được đánh giá bằng:

•            Consistency (≥ 0.80): Mức độ nhất quán — cấu hình này có đủ không?

•            Coverage: Phạm vi bao phủ — cấu hình này giải thích bao nhiêu % trường hợp đạt kết quả cao?

Phần mềm sử dụng

Phần mềm fsQCA 3.0 (miễn phí từ Charles Ragin) hoặc package QCA trong R.

Ba phương pháp này không phải là ba cách khác nhau để trả lời cùng một câu hỏi. Chúng trả lời ba loại câu hỏi lý thuyết hoàn toàn khác nhau và bổ trợ cho nhau:

•            PLS-SEM cho biết: "X có ảnh hưởng đến Y không, và trung bình thì ảnh hưởng bao nhiêu?"

•            NCA cho biết: "X có phải là điều kiện tối thiểu bắt buộc phải có để Y cao không?"

•            fsQCA cho biết: "Những kết hợp nào của nhiều điều kiện cùng nhau đủ để tạo ra Y cao?"

Để thấy rõ cách ba phương pháp bổ trợ nhau, hãy xem xét nghiên cứu của Liao, Yu và Ji (2026) được công bố trên Journal of Retailing and Consumer Services — nghiên cứu về tác động của xác thực thương hiệu xanh đến hành vi tiêu dùng xanh (CGB) và eWOM tại các khách sạn được chứng nhận xanh ở Trung Quốc (n = 466).

Bốn chiều xác thực thương hiệu xanh trong nghiên cứu

1.          GS – Green Servicescape: Không gian vật lý xanh (thiết kế sinh thái, vật liệu tự nhiên, cây xanh trong nhà)

2.         GP – Green Practices: Thực tiễn vận hành xanh (tiết kiệm điện, nước, tái chế)

3.         GCE – Green Customer Engagement: Tương tác khách hàng xanh (chương trình thưởng, hoạt động bảo vệ môi trường)

4.         GSL – Green Support for Locals: Hỗ trợ cộng đồng địa phương (mua nông sản địa phương, bảo tồn văn hóa)

Kết quả PLS-SEM

PLS-SEM cho thấy nhận diện thương hiệu bị ảnh hưởng bởi GS (β=0.257, p<0.001), GCE (β=0.416, p<0.001) và GSL (β=0.213, p<0.001), nhưng GP không có tác động đáng kể (β=0.001, p=0.983). Trong khi đó, tình yêu thương hiệu lại bị ảnh hưởng bởi GP (β=0.249, p<0.001), GS (β=0.226, p<0.01) và GSL (β=0.252, p<0.001).

Kết quả NCA (Phân tích điều kiện cần)

•            GP là điều kiện cần cho CGB cao (d=0.147, p=0.000, accuracy=95.3%): Nếu thiếu thực tiễn vận hành xanh, khách hàng sẽ không thực hiện hành vi tiêu dùng xanh cao — dù mọi yếu tố khác có tốt đến đâu.

•            GS và GSL là điều kiện cần cho eWOM cao: GS (d=0.135, accuracy=96.8%) và GSL (d=0.120, accuracy=95.5%). Muốn khách hàng chia sẻ trực tuyến tích cực, phải có không gian xanh đủ nổi bật và sự hỗ trợ cộng đồng địa phương đủ rõ ràng.

Kết quả fsQCA

fsQCA phát hiện hai con đường dẫn đến CGB cao và bốn con đường dẫn đến eWOM cao (solution consistency ≥ 0.90). Với CGB:

•            Con đường 1 – "Nhận diện thị giác và tham gia": GS + GCE + GSL + BI là điều kiện cốt lõi. Thực tiễn vận hành (GP) không cần nổi bật — khách hàng hành động xanh vì nhận diện với thương hiệu.

•            Con đường 2 – "Tín nhiệm vận hành và gắn kết cảm xúc": GS + GP + GCE + BI + BL cùng xuất hiện. Khi GP trở nên đủ nổi bật cộng với tình yêu thương hiệu, hành vi xanh được củng cố từ cả nhận thức lẫn cảm xúc.

8.1. Không phải nghiên cứu nào cũng cần cả ba phương pháp

Việc sử dụng ba phương pháp chỉ có giá trị khi lý thuyết của bạn thực sự đặt ra ba loại câu hỏi đó. Nếu framework lý thuyết không đề cập đến điều kiện cần hoặc tính đa nhân, việc thêm NCA và fsQCA chỉ để làm dày bài là không phù hợp.

8.2. Thứ tự triển khai hợp lý

1.          Chạy PLS-SEM để kiểm định giả thuyết về quan hệ tuyến tính

2.         Chạy NCA để xác định điều kiện cần và bottleneck thresholds

3.         Chạy fsQCA để khám phá cấu hình đủ

4.         So sánh và diễn giải ba bộ kết quả trong mối quan hệ bổ trợ nhau

8.3. Calibration dữ liệu trước khi chạy NCA và fsQCA

Cả NCA và fsQCA đều yêu cầu chuẩn hóa (calibration) dữ liệu về thang đo 0–1 trước khi phân tích. Phương pháp phổ biến nhất là sử dụng percentile-based three-anchor method với ngưỡng 5%, 50% và 95%. Lưu ý thêm cho bạn đọc nắm, fsQCA bắt buộc calibration về 0–1, NCA không bắt buộc, nhưng nhiều nghiên cứu chuẩn hóa để dễ so sánh. Như vậy, cách tốt nhất đó là bạn đọc nên chuẩn hóa dữ liệu trước khi thực hiện.

8.4. Kiểm tra robustness cho fsQCA

Sau khi có kết quả fsQCA, nên thực hiện kiểm tra độ bền (robustness checks) bằng cách thay đổi các ngưỡng phân tích, ví dụ tăng PRI consistency từ 0.70 lên 0.75 hoặc thay đổi frequency threshold. Nếu kết quả vẫn ổn định, tính tin cậy của nghiên cứu sẽ cao hơn.

8.5. Phần mềm và công cụ cần thiết

Bộ ba PLS-SEM, NCA và fsQCA đang ngày càng được các tạp chí quốc tế hàng đầu đón nhận không phải vì đây là xu hướng phương pháp học nhất thời, mà vì nó thực sự phản ánh tốt hơn sự phức tạp của hành vi con người và các hiện tượng tổ chức.

Khi bạn thiết kế nghiên cứu tích hợp cả ba phương pháp, bạn không chỉ kiểm định giả thuyết (PLS-SEM), mà còn xác định những điều kiện tối thiểu không thể thiếu (NCA) và khám phá các con đường thành công đa dạng (fsQCA). Ba lớp phân tích này cùng nhau cho phép bạn đưa ra những kết luận sắc nét hơn và những hàm ý thực tiễn cụ thể hơn cho từng nhóm đối tượng.

Nếu bạn cần hỗ trợ chạy phân tích PLS-SEM, NCA hoặc fsQCA cho nghiên cứu của mình, có thể liên hệ với chúng tôi để được tư vấn.

Liao, X., Yu, W., & Ji, S. (2026). When green feels real: The impact of green brand authenticity on consumer green behaviour and eWOM with PLS-SEM, NCA, and fsQCA. Journal of Retailing and Consumer Services, 90, 104720.

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

Sukhov, A., Friman, M., & Olsson, L.E. (2023). Unlocking potential: An integrated approach using PLS-SEM, NCA, and fsQCA for informed decision making. Journal of Retailing and Consumer Services, 74, 103424.

Vis, B., & Dul, J. (2018). Analyzing relationships of necessity not just in kind but also in degree. Sociological Methods & Research, 47(4), 872–899.

Ding, H. (2022). What kinds of countries have better innovation performance? A country-level fsQCA and NCA study. Journal of Innovation & Knowledge, 7(4), 100215.