Đầu trang
Bỏ qua đến nội dung chính
Liên hệ tư vấn

CVPAT: Lý Thuyết, Giả Thuyết Và Cách Diễn Giải Trong PLS-SEM

Hầu hết người đọc báo cáo PLS-SEM chỉ nhìn vào p-value của CVPAT trong bảng PLSpredict rồi kết luận mô hình "có" hay "không có" năng lực dự báo vượt trội. Con số đó không phải một phép màu; nó là kết quả của một kiểm định giả thuyết có cấu trúc đầy đủ, với hàm mất mát, hiệu số trung bình và một thống kê kiểm định cụ thể. Bài viết mở phần bên trong của CVPAT để người dùng SmartPLS đọc và bảo vệ được con số đó khi bị phản biện.

PLS-SEM VÀ NĂNG LỰC DỰ BÁOBiên soạn: Lê Minh8 phút
Bắt đầu đọc

Dự báo ngoài mẫu cần dữ liệu chưa dùng để ước lượng

  1. Chia mẫu

    Thiết lập folds và số lần lặp

  2. Ước lượng

    Dùng phần dữ liệu huấn luyện

  3. Đánh giá

    RMSE, MAE và Q²predict

  4. Đối chứng

    Đọc IA, LM và CVPAT đúng vai trò

Sơ đồ khái niệm. Giữ cùng cách chia dữ liệu khi đối chiếu các chuẩn dự báo.

Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.

1. Khoảng trống mà CVPAT lấp lại

PLSpredict (Shmueli et al., 2019) xếp hạng năng lực dự báo bằng cách đếm số chỉ báo mà RMSE hoặc MAE của PLS-SEM thấp hơn một mô hình hồi quy tuyến tính (LM). Đây là một quy tắc kinh nghiệm hữu ích nhưng có một lỗ hổng: nó không cho biết khác biệt đếm được đó có đáng tin hay chỉ là nhiễu ngẫu nhiên của một mẫu cụ thể. Hai nghiên cứu có thể cùng "thắng" LM ở 7 trên 9 chỉ báo, nhưng độ tin cậy của hai kết luận "mô hình dự báo tốt" đó hoàn toàn khác nhau nếu một nghiên cứu có cỡ mẫu 150 còn nghiên cứu kia có cỡ mẫu 600.

Liengaard et al. (2021) đặt câu hỏi đó dưới dạng một kiểm định giả thuyết thống kê chính thức, đặt tên là Cross-Validated Predictive Ability Test (CVPAT). Sharma et al. (2022) sau đó mở rộng khung lý thuyết ban đầu, vốn được thiết kế để so hai mô hình lý thuyết cạnh tranh nhau, thành một quy trình thực hành dùng để so mô hình PLS-SEM với các chuẩn tham chiếu chuẩn hóa (IA, LM), đúng hình thức mà SmartPLS 4 triển khai hiện nay.

CVPAT khác PLSpredict ở đâu

PLSpredict trả lời câu hỏi mô tả: "PLS-SEM có sai số dự báo thấp hơn LM ở bao nhiêu chỉ báo?" CVPAT trả lời câu hỏi suy luận: "Khác biệt sai số dự báo đó có đủ lớn, so với độ biến thiên của chính khác biệt ấy trên mẫu, để bác bỏ khả năng đó chỉ là ngẫu nhiên hay không?" Câu trả lời của CVPAT là một p-value, chứ không phải một tỷ lệ thắng-thua.

2. Hàm mất mát: đo sai số dự báo bằng loss

CVPAT dùng kỹ thuật cross-validation giống PLSpredict (mặc định 10 fold, lặp lại 10 lần trong SmartPLS 4) để tạo ra các dự báo ngoài mẫu cho từng quan sát. Với mỗi quan sát, CVPAT tính một giá trị "loss", tức sai số bình phương trung bình của dự báo trên toàn bộ các chỉ báo thuộc biến nội sinh đang xét (Liengaard et al., 2021). Loss càng nhỏ, dự báo cho quan sát đó càng chính xác.

Vì mỗi mô hình (PLS-SEM và mô hình đối chứng) đều cho ra một giá trị loss riêng cho cùng một quan sát, CVPAT có thể tính hiệu số loss của từng quan sát, sau đó lấy trung bình hiệu số đó trên toàn mẫu, ký hiệu là D̄ trong bài báo gốc. D̄ chính là "khác biệt loss trung bình" (average loss difference) xuất hiện trong bảng kết quả CVPAT của SmartPLS.

Vì sao tính theo từng quan sát, không gộp sẵn

Giữ hiệu số loss ở mức từng quan sát, thay vì chỉ so hai con số RMSE tổng gộp như PLSpredict, cho phép CVPAT tính được độ biến thiên (phương sai) của chính hiệu số đó. Không có độ biến thiên này, không thể biết một khác biệt trung bình quan sát được có "đủ ổn định" để xem là có ý nghĩa thống kê hay không, đây chính là thứ PLSpredict không làm được.

3. Giả thuyết H0 và H1 của CVPAT

Trong khung lý thuyết gốc của Liengaard et al. (2021), CVPAT được trình bày như một kiểm định so hai mô hình, ký hiệu mô hình ước lượng là EM (estimated model) và mô hình đối chứng là AM (alternative model). Giả thuyết không (H0) phát biểu rằng hai mô hình có năng lực dự báo ngang nhau, tức hiệu số loss trung bình bằng không. Giả thuyết đối lập (H1), ở dạng kiểm định một phía thường dùng trong thực hành, phát biểu rằng loss của một mô hình thấp hơn loss của mô hình kia một cách có hệ thống.

H0 (giả thuyết không)loss(mô hình) − loss(đối chứng) = 0

Hai mô hình có năng lực dự báo ngang nhau trên dữ liệu ngoài mẫu. Không có bằng chứng để nói mô hình PLS-SEM dự báo tốt hơn (hoặc kém hơn) chuẩn tham chiếu.

H1 (giả thuyết đối lập, một phía)loss(mô hình) − loss(đối chứng) < 0

Mô hình PLS-SEM có loss trung bình thấp hơn chuẩn tham chiếu một cách có ý nghĩa thống kê, tức có ưu thế dự báo được xác nhận, không chỉ dựa trên đếm số chỉ báo thắng.

Trong triển khai thực hành của SmartPLS 4, theo hướng dẫn mở rộng của Sharma et al. (2022), "mô hình đối chứng" (AM) được thay bằng hai chuẩn tham chiếu chuẩn hóa là IA và LM, giống hai chuẩn đã dùng trong PLSpredict. Vì vậy CVPAT trong SmartPLS thực chất chạy hai kiểm định song song cho mỗi biến nội sinh: một so với IA, một so với LM, mỗi kiểm định có cùng cấu trúc giả thuyết như trên.

4. Thống kê kiểm định: một dạng paired t-test

Liengaard et al. (2021) chỉ rõ thống kê kiểm định của CVPAT có dạng T = D̄ chia cho căn bậc hai của (S²/N), trong đó D̄ là hiệu số loss trung bình đã nêu ở phần 2, S² là phương sai mẫu của các hiệu số loss theo từng quan sát, và N là cỡ mẫu. Các tác giả mô tả rõ đây "cũng là một dạng của paired t-test" (Liengaard et al., 2021, tr. 367), và lưu ý thống kê này có cấu trúc gần giống kiểm định Diebold và Mariano (1995), một kiểm định quen thuộc trong lĩnh vực so sánh độ chính xác dự báo giữa các mô hình chuỗi thời gian.

Điểm cần nắm: CVPAT không phát minh một loại thống kê hoàn toàn mới, mà áp dụng logic của kiểm định t cho cặp quan sát (paired t-test) vào bối cảnh so sánh sai số dự báo ngoài mẫu giữa hai mô hình. Vì vậy, một T càng âm (loss của PLS-SEM càng thấp hơn đối chứng) và càng lớn về trị tuyệt đối so với sai số chuẩn của chính nó, bằng chứng về ưu thế dự báo càng mạnh.

5. p-value: phân phối t hay bootstrap

Liengaard et al. (2021) đề xuất hai cách để chuyển thống kê T thành p-value. Cách thứ nhất là đối chiếu T với phân phối t có N − 1 bậc tự do, cách làm quen thuộc của một phép kiểm định t thông thường. Cách thứ hai là dùng bootstrap, tức lấy mẫu lại nhiều lần từ chính các hiệu số loss quan sát được để ước lượng phân phối của D̄ một cách thực nghiệm, không cần giả định phân phối t; trong ví dụ minh họa của bài báo gốc, các tác giả dùng 10.000 mẫu bootstrap để tính p-value và khoảng tin cậy.

Vì sao điều này quan trọng khi báo cáo

Tài liệu kỹ thuật công khai của SmartPLS không công bố chi tiết phương pháp nội bộ phần mềm dùng để tính p-value của CVPAT (phân phối t hay bootstrap, số lần lặp bootstrap nếu có). Khi báo cáo, người dùng nên trích p-value và khác biệt loss trung bình trực tiếp từ bảng kết quả SmartPLS đưa ra, dẫn nguồn phương pháp luận về Liengaard et al. (2021) và Sharma et al. (2022), thay vì tự diễn giải thêm cơ chế tính toán nội bộ mà mình không có căn cứ xác nhận.

6. IA và LM: mô hình đối chứng trong SmartPLS 4

Theo tài liệu kỹ thuật của SmartPLS, CVPAT dùng cùng kỹ thuật cross-validation với PLSpredict (10 fold, lặp lại 10 lần theo mặc định) để tạo dự báo ngoài mẫu, rồi tính loss trung bình của mô hình PLS-SEM và so với loss trung bình của hai chuẩn tham chiếu: IA ("một chuẩn tham chiếu ngây thơ") và LM ("một chuẩn tham chiếu thận trọng hơn"). Quy ước chiều kiểm định trong SmartPLS là khác biệt loss trung bình cần âm có ý nghĩa thống kê (tức loss của PLS-SEM thấp hơn benchmark) để kết luận mô hình có ưu thế dự báo được xác nhận.

Cách dùng hai benchmark IA và LM này giống hệt hai chuẩn đã xuất hiện trong PLSpredict (xem bài "IA, LM, RMSE, MAE trong PLSpredict" trong cùng chuyên đề), nên CVPAT có thể được xem là bước kiểm định thống kê chính thức hóa cho đúng phép so sánh mà PLSpredict đã làm bằng cách đếm.

7. Đọc bảng kết quả CVPAT thực tế

Trong nghiên cứu của Jumani (2026), mô hình TPB mở rộng cho hành vi tiêu dùng thương hiệu Hồi giáo được kiểm định CVPAT ở cấp tổng thể mô hình, so với cả hai chuẩn IA và LM.

Bảng 1
So sánh vớiHiệu số loss trung bìnhp-valueDiễn giải theo H0/H1
Indicator Average (IA)-0.40< 0.001Bác bỏ H0; loss PLS-SEM thấp hơn IA có ý nghĩa thống kê
Linear Model (LM)-0.02< 0.001Bác bỏ H0; loss PLS-SEM thấp hơn LM có ý nghĩa thống kê, dù khác biệt tuyệt đối nhỏ hơn nhiều

Hàng "Overall" trong Bảng 13 (CVPAT) của Jumani (2026). 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 đủ nhỏ so với độ biến thiên của chính hiệu số loss để đạt p < 0.001.

p < 0.001Mức ý nghĩa của cả hai so sánh CVPAT (so với IA và so với LM) trong mô hình của Jumani (2026)
-0.02Khác biệt loss so với LM, nhỏ về trị tuyệt đối nhưng vẫn có ý nghĩa thống kê nhờ cỡ mẫu và độ ổn định của hiệu số
N − 1Bậc tự do dùng để đối chiếu thống kê T với phân phối t, theo công thức gốc của Liengaard et al. (2021)

8. Những lỗi thường gặp

Bảng 2
Cách viết dễ gặpVì sao saiCách viết đúng hơn
"CVPAT cho p-value nên chắc chắn đáng tin hơn PLSpredict."Bỏ qua việc CVPAT và PLSpredict trả lời hai câu hỏi khác nhau (suy luận và mô tả); cả hai cần được báo cáo cùng nhau, không thay thế nhau.Trình bày PLSpredict như bức tranh mô tả chi tiết theo chỉ báo, và CVPAT như kiểm định thống kê ở mức tổng thể, bổ sung cho nhau.
"Khác biệt loss âm nhỏ (ví dụ -0.02) không đáng kể."Độ lớn tuyệt đối của khác biệt loss không tự nó quyết định ý nghĩa thống kê; cần so với độ biến thiên của hiệu số đó (thể hiện qua p-value), không so bằng trực giác.Diễn giải dựa trên p-value và/hoặc khoảng tin cậy đi kèm, không chỉ dựa trên độ lớn tuyệt đối của khác biệt loss.
"CVPAT so hai mô hình lý thuyết, giống SmartPLS vẫn làm."Khung gốc của Liengaard et al. (2021) đúng là so hai mô hình lý thuyết cạnh tranh, nhưng SmartPLS 4 triển khai theo hướng mở rộng của Sharma et al. (2022), dùng chuẩn IA/LM chuẩn hóa thay cho mô hình đối chứng tự chọn.Khi trích dẫn, ghi rõ cả hai nguồn: Liengaard et al. (2021) cho nền tảng lý thuyết, Sharma et al. (2022) cho quy trình thực hành dùng IA/LM trong SmartPLS.
  • Đã nêu rõ CVPAT kiểm định H0 (loss ngang nhau) chống lại H1 (loss PLS-SEM thấp hơn), không chỉ nói "CVPAT có ý nghĩa".
  • Đã báo cáo cả khác biệt loss trung bình lẫn p-value cho cả hai benchmark (IA và LM), không chỉ chọn một.
  • Đã trích dẫn đúng Liengaard et al. (2021) cho nền tảng lý thuyết và Sharma et al. (2022) cho quy trình thực hành dùng IA/LM.
  • Không tự suy đoán cơ chế tính p-value nội bộ của SmartPLS nếu chưa có tài liệu xác nhận.

Mẫu diễn giải cho phần kết quả

Kết quả CVPAT (Liengaard et al., 2021; Sharma et al., 2022) cho thấy khác biệt loss trung bình giữa mô hình PLS-SEM và chuẩn tham chiếu [IA/LM] là [giá trị] (p [=/<] [giá trị]), bác bỏ giả thuyết H0 về năng lực dự báo ngang nhau. Kết quả này xác nhận bằng thống kê ưu thế dự báo mà PLSpredict đã ghi nhận ở bước mô tả trước đó.

Kết luận

CVPAT không phải một bước "chạy thêm cho chắc" sau PLSpredict, mà là một kiểm định giả thuyết có cấu trúc đầy đủ: một hàm mất mát đo sai số dự báo theo từng quan sát, một hiệu số trung bình D̄, và một thống kê kiểm định dạng paired t-test có thể đối chiếu với phân phối t hoặc ước lượng bằng bootstrap. Hiểu được cơ chế này giúp người viết báo cáo PLS-SEM giải thích được vì sao con số đó có ý nghĩa, thay vì chỉ trích p-value từ bảng SmartPLS một cách máy móc, và bảo vệ được phần kết quả dự báo khi bị người phản biện hỏi sâu hơn một câu "con số này tính từ đâu".

Tài liệu tham khảo

Nguồn chính về CVPAT

  • 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
  • Diebold, F.X. and Mariano, R.S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253-263.
  • 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

Nguồn minh họa

  • 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

Ghi chú học thuật: Phần mô tả thống kê kiểm định (hàm loss, D̄, thống kê T, bậc tự do) dựa trên nội dung công bố của Liengaard et al. (2021), bài báo gốc giới thiệu CVPAT. Chi tiết triển khai nội bộ của SmartPLS 4 (ví dụ cách phần mềm tính p-value) không được tài liệu kỹ thuật công khai của SmartPLS mô tả đầy đủ; bài viết chỉ trình bày những gì có thể xác nhận từ nguồn công khai, không suy đoán thêm.