Xác định cỡ mẫu cho PLS-SEM và CB-SEM
Không có một con số tối thiểu cố định cho mọi mô hình SEM. Cỡ mẫu cần đủ cho hiệu ứng nhỏ nhất quan trọng, độ tin cậy của đo lường, độ phức tạp và tỷ lệ dữ liệu mất.
Quy tắc 10 lần trong PLS-SEM và mốc N = 200 trong CB-SEM chỉ là heuristics thô. Power analysis, inverse square root/gamma-exponential hoặc Monte Carlo tạo lập luận phù hợp hơn cho mô hình cụ thể.
Cỡ mẫu là bài toán lập kế hoạch
- Mục tiêu
Hiệu ứng hoặc độ chính xác cần đạt
- Mô hình
Độ phức tạp và chất lượng phép đo
- Thiết kế
Thiếu dữ liệu, nhóm và phân cụm
- Độ ổn định
Power, mô phỏng và phân tích độ nhạy
Sơ đồ khái niệm. Không dùng một tỷ lệ số mẫu/số biến làm bảo đảm chung.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Vì sao cùng một mô hình cần cỡ mẫu khác nhau?
Cỡ mẫu cần thiết tăng khi hiệu ứng mục tiêu nhỏ, tải nhân tố thấp, mô hình nhiều tham số, dữ liệu lệch hoặc thiếu và khi cần ước lượng khoảng tin cậy hẹp. Wolf và cộng sự (2013) cho thấy yêu cầu mẫu trong SEM thay đổi mạnh theo tải, số cấu trúc và dạng mô hình.
Một mô hình hội tụ với N nhỏ chưa chắc có đủ công suất hoặc ít bias. Ngược lại, mẫu lớn không sửa đặc tả sai, đo lường kém hay chọn mẫu lệch.
| Yếu tố | Khi nào cần nhiều mẫu hơn? |
|---|---|
| Hiệu ứng | Đường dẫn nhỏ nhưng quan trọng |
| Đo lường | Tải thấp, ít chỉ báo, reliability thấp |
| Mô hình | Nhiều tham số, mediation, nhóm hoặc tương tác |
| Dữ liệu | Missing, mất cân bằng nhóm, nonnormality |
| Mục tiêu | CI hẹp, dự báo ổn định, kiểm định invariance |
2. Giới hạn của 10-times rule và mốc 200
Quy tắc 10 lần không trực tiếp kiểm soát power và có thể đánh giá thiếu nghiêm trọng khi hiệu ứng nhỏ. Phương pháp inverse square root và gamma-exponential cho PLS-SEM là các lựa chọn có cơ sở hơn khi điều kiện áp dụng được đáp ứng (Kock & Hadaya, 2018). Mốc 200 cho CB-SEM cũng không phản ánh tải, df, loại estimator và độ phức tạp.
Có thể dùng heuristic để ước lượng sơ bộ khi lập kế hoạch ban đầu, nhưng đề cương và bài báo nên biện minh bằng hiệu ứng tối thiểu quan trọng và một thủ tục định lượng.
Effect size dùng trong power analysis nên xuất phát từ lý thuyết, nghiên cứu trước hoặc mức nhỏ nhất có ý nghĩa thực tiễn, không lấy từ chính mẫu sẽ phân tích.
3. Chọn phương pháp xác định cỡ mẫu
| Phương pháp | Phù hợp | Đầu vào chính |
|---|---|---|
| Power cho hồi quy/đường dẫn | Mô hình PLS tương đối đơn giản | Số biến dự báo, α, power, effect size |
| Inverse square root hoặc gamma-exponential | PLS-SEM theo hệ số đường dẫn tối thiểu | Path tối thiểu, α, power |
| Monte Carlo | CB-SEM, mediation, CFA, mô hình phức tạp | Tải, đường dẫn, phân phối, missing |
| Precision planning | Mục tiêu CI hẹp | Độ rộng CI mong muốn |
4. Quy trình lập kế hoạch
Chốt mô hình và giả thuyết chính
Xác định tham số nhỏ nhất nhưng quan trọng cần phát hiện.
Chọn α và power
Nêu rõ mức lỗi loại I và xác suất phát hiện, thường power tối thiểu 0,80 theo quy ước.
Đặt tham số mô phỏng
Dựa vào nghiên cứu trước hoặc kịch bản bảo thủ cho tải, đường dẫn và missing.
Tính N phân tích
Tìm N đạt power, bias, coverage và tỷ lệ nghiệm hợp lệ theo mục tiêu.
Bù hao hụt
Tăng số mời tham gia theo tỷ lệ không phản hồi, loại phiếu và dữ liệu thiếu dự kiến.
Ghi trước quyết định
Lưu code, giả định và kết quả cỡ mẫu để báo cáo minh bạch.
5. Mẫu báo cáo
Mẫu báo cáo tiếng Việt
Cỡ mẫu được lập kế hoạch cho tham số chính [ ] với hiệu ứng tối thiểu [ ], α = [ ] và power = [ ]. Phân tích [power/Monte Carlo] giả định tải [ ], missing [ ] và estimator [ ], cho N phân tích tối thiểu [ ]. Sau khi bù [ ]% hao hụt, mục tiêu tuyển mẫu là [ ]. Mẫu cuối N = [ ] đạt [tiêu chí].
- Không dùng duy nhất 10-times rule hoặc mốc 200.
- Nêu effect size tối thiểu quan trọng.
- Tính cả missing và hao hụt.
- Mediation, MGA và tương tác được lập kế hoạch riêng.
- Báo cáo giả định và công cụ tính cỡ mẫu.
- Không dùng kết quả hậu nghiệm để hợp thức hóa N.
Kết luận
Cỡ mẫu không phải thủ tục hành chính trước khi chạy phần mềm. Đó là cam kết rằng thiết kế có khả năng trả lời câu hỏi chính với độ chính xác đủ dùng.
Tài liệu tham khảo
- Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237
- Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131
Ghi chú học thuật: Mọi con số minh họa đều phụ thuộc giả định. Khi mô hình thay đổi sau thu thập dữ liệu, cần đánh giá lại power và độ chính xác thay vì giữ nguyên biện minh cũ.