CB-SEM và PLS-SEM: chọn phương pháp từ mô hình đo lường đến mục tiêu nghiên cứu
Chọn SEM từ cỡ mẫu hoặc tên phần mềm dễ dẫn đến một mô hình chạy được nhưng trả lời sai câu hỏi. Cần xác định đại lượng muốn ước lượng, cách khái niệm được đo và bằng chứng sẽ dùng để đánh giá kết quả.
CB-SEM và PLS-SEM khác nhau về cách biểu diễn và ước lượng khái niệm. Mẫu nhỏ, dữ liệu không chuẩn hoặc mô hình nhiều đường dẫn không tự quyết định lựa chọn; khả năng kiểm định, dự báo và xử lý thiết kế dữ liệu phải được xem cùng nhau.
Chọn cách tiếp cận SEM từ mục tiêu và phép đo
- Mục tiêu
Kiểm định, giải thích hay dự báo?
- Khái niệm
Common factor hay composite?
- Dữ liệu
Loại biến, phân phối và thiết kế
- Ước lượng
Chọn phương pháp có cơ sở
Sơ đồ khái niệm. Không chọn CB-SEM hoặc PLS-SEM chỉ theo phần mềm đang có.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Bắt đầu từ câu hỏi và đối tượng cần đo
Một nghiên cứu về niềm tin có thể xem niềm tin là đặc điểm tiềm ẩn tạo ra các câu trả lời quan sát được. Một nghiên cứu về năng lực số có thể định nghĩa năng lực bằng một tổ hợp nguồn lực, hạ tầng và quy trình. Hai trường hợp không nhất thiết có cùng mô hình đo lường. Cách hình thành khái niệm phải được giải thích trước khi chọn thuật toán (Kline, 2023) (Hair et al., 2022).
Hãy viết một câu mô tả mục tiêu chính: ước lượng liên hệ giữa các nhân tố có xét sai số đo, đánh giá một cấu trúc hiệp phương sai, hay dự báo một biến đích ngoài mẫu. Nghiên cứu có thể có nhiều mục tiêu, nhưng cần nêu mục tiêu nào dẫn dắt thiết kế và mục tiêu nào là bổ sung. Một sơ đồ mũi tên không thay cho lập luận này.
Không nên đồng nhất AMOS với toàn bộ CB-SEM hoặc SmartPLS với duy nhất PLS-SEM. Tài liệu SmartPLS hiện có hướng dẫn lựa chọn và hỗ trợ cả họ phương pháp covariance-based; tên phần mềm không quyết định bản chất khái niệm (SmartPLS, n.d.).
2. Common factor, composite và điểm trung bình
Trong mô hình nhân tố chung, các chỉ báo phản ánh biến tiềm ẩn và còn có phần phương sai riêng. Trong mô hình composite, các chỉ báo được kết hợp theo trọng số để tạo một đại lượng đại diện. Việc dùng composite trong thuật toán không có nghĩa mọi thang đo trong PLS phải được định nghĩa là formative (Hair et al., 2022).
Nhân tố chung: xⱼ = λⱼη + εⱼ. Composite minh họa: c = Σⱼwⱼxⱼ.
| Đại lượng | Cách hình thành | Điều cần bảo vệ |
|---|---|---|
| Common factor | Biến tiềm ẩn giải thích hiệp phương sai giữa chỉ báo | Đặc tả nhân tố, sai số đo và nhận dạng |
| Composite | Tổ hợp tuyến tính các chỉ báo theo trọng số | Nội dung cấu thành và ý nghĩa của trọng số |
| Điểm trung bình | Tổ hợp với trọng số bằng nhau theo quy tắc đã công bố | Chiều mã, số item hợp lệ và khả năng cộng gộp |
| Điểm nhân tố | Điểm ước lượng từ một mô hình nhân tố đã khớp | Phương pháp tính điểm và độ bất định của đại diện cá nhân |
Ví dụ giả định có hai điểm 4 và 2. Trung bình bằng 3; tổ hợp thô với trọng số 0,8 và 0,2 bằng 3,6. Phép tính cho thấy đổi trọng số có thể đổi đại lượng. Nó không phải kết quả chạy PLS, vì thuật toán thực tế còn có quy tắc chuẩn hóa và ước lượng. Cũng không được gọi 3,6 là điểm nhân tố khi chưa khớp mô hình nhân tố.
3. So sánh đúng cấp mô hình và kết quả
| Khía cạnh | CB-SEM với mô hình nhân tố | PLS-SEM điển hình |
|---|---|---|
| Mô hình đo lường | Tải nhân tố, phương sai riêng, cấu trúc và giá trị đo lường | Đánh giá phần phản ánh hoặc hình thành theo đặc tả tương ứng |
| Mô hình cấu trúc | Tham số, sai số chuẩn, khoảng tin cậy và đặc tả thay thế | Đường dẫn, độ bất định, mức giải thích và chẩn đoán liên quan |
| Độ phù hợp | Kiểm định mô hình, chỉ số fit và phần dư khi định nghĩa được | Dùng chẩn đoán phù hợp với estimator, không sao chép máy móc bảng CB-SEM |
| Dự báo | Có thể thiết kế đánh giá ngoài mẫu theo mục tiêu | Cần đánh giá ngoài mẫu; R² trong mẫu chưa đủ |
| Dữ liệu phụ thuộc | Xét cụm, lặp đo hoặc thiết kế đa cấp | Vẫn phải xử lý sự phụ thuộc; bootstrap từng người không tự giải quyết |
Bảng là khung tổ chức bằng chứng, không phải danh sách chỉ số nào cũng bắt buộc. Một nghiên cứu xác nhận bằng PLS vẫn cần giả thuyết và kiểm tra đặc tả; một nghiên cứu CB-SEM vẫn có thể đặt câu hỏi dự báo. Không nên xem đây là ranh giới cứng giữa “chỉ khám phá” và “chỉ khẳng định” (Rigdon et al., 2017).
4. Hai tình huống giả định để tập lựa chọn
Tình huống A: nghiên cứu xem hỗ trợ của quản lý và niềm tin có liên hệ với ý định ở lại hay không. Các khái niệm được lý thuyết hóa như nhân tố phản ánh; người nghiên cứu muốn đánh giá cấu trúc đo lường và các đường liên hệ. Một hướng là CFA/CB-SEM với estimator phù hợp thang đo, sau đó kiểm tra mô hình cấu trúc. Việc có 180 hay 300 quan sát không đủ để kết luận hướng này chắc chắn phù hợp.
Tình huống B: nghiên cứu định nghĩa một chỉ số sẵn sàng chuyển đổi số bằng hạ tầng, kỹ năng và quy trình, rồi dự báo kết quả vận hành. PLS-SEM có thể phù hợp nếu ý nghĩa composite và các quan hệ được biện minh, đồng thời có thiết kế đánh giá dự báo. Chọn PLS để một đường dẫn đạt p nhỏ hơn không phải lý do phương pháp.
Ở cả hai tình huống, cần xem phần mềm có xử lý được kiểu biến, dữ liệu thiếu và sự phụ thuộc giữa quan sát hay không. Các giả định đo lường quyết định cách diễn giải hệ số; kết quả của hai estimator không đương nhiên là hai phép đo cùng một tham số (Kline, 2023) (Rigdon et al., 2017).
5. Những lối tắt cần loại bỏ
Mẫu nhỏ không làm dữ liệu chứa thêm thông tin khi đổi sang PLS. Cần thiết kế cỡ mẫu quanh đường dẫn quan trọng, độ chính xác mong muốn và khả năng có nghiệm hợp lệ. Dữ liệu không chuẩn cũng không tự loại CB-SEM: có các hướng ước lượng hoặc hiệu chỉnh phù hợp, tùy mô hình và phần mềm (Kline, 2023).
Có biến phân loại phải được xử lý ở đúng vai trò của nó. Predictor danh nghĩa khác outcome nhị phân và khác chỉ báo ordinal. Đổi estimator không sửa được mã dữ liệu sai hoặc một thang đo không phù hợp. Độ phức tạp, dữ liệu thiếu và nhóm quan sát cần được xem trong thiết kế, không chỉ sau khi phần mềm báo lỗi.
PLSc là một biến thể có hiệu chỉnh cho các mô hình nhân tố phản ánh trong điều kiện phù hợp. Nó không biến mọi composite thành common factor, không thay thế đánh giá đo lường và không giải quyết nội sinh hay suy luận nhân quả chỉ bằng một lựa chọn trên menu (Hair et al., 2022).
6. Quy trình từ đặc tả đến báo cáo
- Viết định nghĩa từng khái niệm và lý do chọn factor hoặc composite.
- Lập danh sách predictor, outcome, indicator và biến phân nhóm; ghi rõ thang đo.
- Chọn estimator, cách xử lý missing và thiết kế suy luận trước khi xem p.
- Lập kế hoạch cỡ mẫu, độ chính xác và chẩn đoán nghiệm.
- Đánh giá đo lường trước khi diễn giải các đường cấu trúc.
- Nếu có mục tiêu dự báo, quy định tập đánh giá và benchmark trước.
- Lưu phiên bản phần mềm, thiết lập, mã hoặc tệp mô hình và toàn bộ kết quả.
Khi dùng hai phương pháp để kiểm tra độ bền, hãy giữ rõ phần nào tương đương và phần nào thay đổi: mô hình đo lường, chuẩn hóa, mẫu sau loại thiếu, ràng buộc và định nghĩa hiệu ứng. Nếu các lựa chọn này khác nhau, cần giải thích khác biệt trước khi quy mọi chênh lệch hệ số cho ưu thế của thuật toán.
7. Mẫu biện minh và giới hạn
Mẫu diễn đạt cần điền theo nghiên cứu
Nghiên cứu chọn [phương pháp] vì các khái niệm được biểu diễn bằng [mô hình đo lường] và mục tiêu chính là [mục tiêu]. Dữ liệu [đặc điểm] được xử lý bằng [estimator/quy tắc]. Đánh giá gồm [bằng chứng đo lường], [mô hình cấu trúc] và [đánh giá dự báo nếu có]. Kết quả được diễn giải trong giới hạn [thiết kế, mẫu, giả định].
Không viết “phương pháp này tốt hơn” khi chưa xác định tốt hơn theo tiêu chí nào và với loại mô hình nào. Một nghiên cứu cắt ngang có hệ số ổn định và fit phù hợp vẫn cần giới hạn về chiều tác động, biến bỏ sót và khả năng khái quát. Việc khớp mô hình là một phần của lập luận, không phải chứng minh toàn bộ lý thuyết.
Đọc tiếp: biến phân loại trong mô hình SEM. Đánh giá dự báo với PLSpredict và CVPAT.
Kết luận
Một lựa chọn SEM có căn cứ phải nối được khái niệm, dữ liệu, estimator và tiêu chí đánh giá. Khi bốn phần này đã rõ, phần mềm trở thành công cụ thực hiện một quyết định có thể kiểm tra, thay vì nơi quyết định câu hỏi nghiên cứu.
Tài liệu tham khảo
- Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE https://us2.sagepub.com/en-us/nam/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem/book270548
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). The Guilford Press https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
- Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4–16. https://doi.org/10.15358/0344-1369-2017-3-4
- SmartPLS (n.d.). PLS-SEM and CB-SEM: When to use which SEM method. https://smartpls.com/documentation/choosing-pls-sem/choosing-between-pls-sem-and-cb-sem/