GSCA Trong SmartPLS: Một Hướng Tiếp Cận Dựa Trên Thành Phần Khác Với PLS-SEM
GSCA (Generalized Structured Component Analysis) là một thuật toán dựa trên thành phần được tích hợp sẵn trong SmartPLS 4, ước lượng toàn bộ mô hình bằng bình phương tối thiểu luân phiên và đi kèm các chỉ số phù hợp toàn cục mà thuật toán PLS-SEM kinh điển không có. Đây là một phương pháp riêng, không phải một biến thể cải tiến của PLS-SEM.
Bắt đầu đọcĐánh giá composite cần đặc tả và bằng chứng phù hợp
- Khái niệm
Làm rõ vai trò composite
- Đặc tả
Biện minh cách tạo thành
- Đánh giá
Đối chiếu bằng chứng tương ứng
- Giới hạn
Nêu phạm vi cách tiếp cận
Sơ đồ khái niệm. Không hoán đổi mặc định tiêu chuẩn common factor và composite.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. GSCA là gì
Generalized Structured Component Analysis (GSCA) do Hwang và Takane (2004) đề xuất, là một phương pháp mô hình hóa cấu trúc dựa trên thành phần (component-based SEM). Giống PLS-SEM, GSCA xây dựng các thành phần (composite) là tổ hợp có trọng số của các biến quan sát, rồi ước lượng quan hệ cấu trúc giữa các thành phần đó thay vì giữa các biến tiềm ẩn theo nghĩa cổ điển của CB-SEM.
Điểm khác biệt nằm ở cách các trọng số và hệ số đường dẫn được ước lượng. Hwang và Takane (2004) xây dựng GSCA quanh một hàm tiêu chí bình phương tối thiểu duy nhất cho toàn bộ mô hình, bao gồm cả phần đo lường lẫn phần cấu trúc, và tối ưu hóa đồng thời hàm đó. Đây cũng là điểm các tác giả dùng để khắc phục một hạn chế được ghi nhận trong PLS-SEM giai đoạn đó: PLS-SEM kinh điển không tối ưu hóa một hàm tiêu chí toàn cục duy nhất nên không có chỉ số phù hợp tổng thể cho toàn mô hình theo nghĩa quen thuộc với CB-SEM.
Một thành phần là tổ hợp tuyến tính có trọng số của các biến quan sát thuộc về nó. GSCA cho phép dùng thành phần này trong cả mô hình đo lường dạng phản ánh (reflective) lẫn dạng hình thành (formative), và hỗ trợ các cấu trúc phức tạp hơn như trung gian (mediation).
2. Cách ước lượng bằng bình phương tối thiểu luân phiên
GSCA ước lượng tham số bằng thuật toán bình phương tối thiểu luân phiên (alternating least squares, ALS). Thuật toán cập nhật lặp đi lặp lại trọng số của từng chỉ báo nhằm tối đa hóa phần phương sai của các chỉ báo và các thành phần phụ thuộc được giải thích bởi mô hình, tức là tối thiểu hóa phần phương sai chưa được giải thích trên toàn mô hình cùng lúc.
Cách làm này khác với thuật toán PLS-SEM truyền thống, vốn ước lượng điểm số thành phần qua một chuỗi hồi quy đơn và hồi quy bội lặp lại theo từng khối biến, hội tụ dần mà không tối ưu hóa một hàm tiêu chí tổng thể duy nhất cho cả mô hình. Vì tối ưu hóa đồng thời một hàm tiêu chí toàn cục, GSCA có thể cung cấp các chỉ số đo mức độ phù hợp của toàn bộ mô hình, một điều PLS-SEM kinh điển không có sẵn theo cùng cách.
3. Quy trình bốn bước khi phân tích GSCA
Đặc tả mô hình
Xác định các thành phần, chỉ báo thuộc từng thành phần, loại mô hình đo lường (phản ánh hoặc hình thành) và các quan hệ cấu trúc giữa thành phần theo giả thuyết nghiên cứu.
Ước lượng trọng số
Chạy thuật toán ALS để ước lượng đồng thời trọng số chỉ báo và hệ số đường dẫn, tối thiểu hóa phần phương sai chưa giải thích trên toàn mô hình.
Đánh giá mô hình
Xem xét các chỉ số phù hợp toàn cục (FIT, AFIT, GFI) cùng kết quả bootstrapping để kiểm định ý nghĩa thống kê của hệ số đường dẫn và trọng số chỉ báo.
Diễn giải
Diễn giải trọng số, hệ số đường dẫn và mức độ phù hợp mô hình trong bối cảnh câu hỏi nghiên cứu, tương tự cách diễn giải kết quả PLS-SEM nhưng với các chỉ số đặc thù của GSCA.
4. Các thiết lập cần biết trong SmartPLS
Khi chạy GSCA trong SmartPLS 4, hai nhóm thiết lập đáng chú ý nằm ở trọng số khởi tạo và điều kiện dừng của thuật toán.
| Thiết lập | Tùy chọn | Ý nghĩa |
|---|---|---|
| Trọng số khởi tạo | Standard (mặc định) | Tất cả trọng số khởi tạo bằng +1. |
| Trọng số khởi tạo | Individual | Người dùng tự gán trọng số khởi tạo cho từng chỉ báo, ví dụ +1 cho chỉ báo chủ chốt và 0 cho các chỉ báo còn lại. |
| Số vòng lặp tối đa | Cố định, 3.000 vòng | Không điều chỉnh được trong SmartPLS 4. |
| Tiêu chí dừng | Cố định, 10-7 | Không điều chỉnh được trong SmartPLS 4. |
Việc kiểm định ý nghĩa thống kê cho trọng số và hệ số đường dẫn của GSCA dùng cùng cơ chế bootstrapping chung của SmartPLS, nên phần cài đặt số mẫu bootstrap và loại khoảng tin cậy làm tương tự như khi chạy PLS-SEM.
5. Chỉ số phù hợp toàn cục: FIT, AFIT, GFI
Vì ước lượng dựa trên một hàm tiêu chí toàn cục, GSCA cung cấp các chỉ số đo mức độ phù hợp của toàn mô hình, điều mà thuật toán PLS-SEM truyền thống không cung cấp theo cùng logic. Ba chỉ số thường gặp là FIT, AFIT (FIT đã hiệu chỉnh theo số tham số) và GFI (Goodness of Fit Index).
Cho, Hwang, Sarstedt và Ringle (2020) dành hẳn một nghiên cứu để xác định ngưỡng cắt phù hợp cho các chỉ số FIT, AFIT và GFI trong GSCA, vì các chỉ số này không cùng thang đo và không cùng ý nghĩa diễn giải với các chỉ số quen thuộc của CB-SEM như CFI hay RMSEA. Dùng lại trực giác về ngưỡng cắt từ CB-SEM hoặc PLS-SEM cho các chỉ số này là một cách diễn giải không có cơ sở.
Nói cách khác, một giá trị FIT hay GFI "nghe có vẻ cao" không tự động đồng nghĩa với mô hình phù hợp tốt theo chuẩn của GSCA. Ngưỡng cắt cần tham chiếu trực tiếp vào nghiên cứu hiệu chỉnh ngưỡng dành riêng cho GSCA, thay vì mượn quy ước của một phương pháp khác.
6. Khi nào nên cân nhắc GSCA thay vì PLS-SEM
| Khía cạnh | GSCA | PLS-SEM |
|---|---|---|
| Logic ước lượng | Tối ưu hóa đồng thời một hàm tiêu chí bình phương tối thiểu toàn cục bằng ALS. | Ước lượng điểm số thành phần qua chuỗi hồi quy lặp theo khối, hội tụ dần, không có một hàm tiêu chí toàn cục duy nhất. |
| Chỉ số phù hợp tổng thể | Có sẵn (FIT, AFIT, GFI), cần dùng ngưỡng cắt riêng theo Cho, Hwang, Sarstedt và Ringle (2020). | Không có chỉ số phù hợp tổng thể theo cùng logic; đánh giá mô hình dựa trên các tiêu chí từng phần (độ tin cậy, AVE, HTMT, R², Q²...). |
| Mô hình đo lường hỗ trợ | Phản ánh, hình thành, và các cấu trúc phức tạp hơn như trung gian. | Phản ánh và hình thành, cùng các mở rộng như biến bậc hai, điều tiết. |
| Mức độ phổ biến trong luận văn và tạp chí ngành | Mới hơn, ít phổ biến hơn, số lượng nghiên cứu ứng dụng còn khiêm tốn so với PLS-SEM. | Rất phổ biến trong khoa học xã hội và quản trị kinh doanh, có hệ sinh thái hướng dẫn báo cáo kết quả rộng rãi. |
Nếu mục tiêu nghiên cứu cần một chỉ số phù hợp toàn cục cho cả mô hình, hoặc muốn khai thác đặc tính tối ưu hóa toàn cục của ALS, GSCA là một lựa chọn đáng cân nhắc. Nếu mục tiêu là so sánh kết quả với phần lớn nghiên cứu cùng lĩnh vực hoặc tuân theo quy trình báo cáo đã được chuẩn hóa rộng rãi, PLS-SEM vẫn là lựa chọn có nhiều tài liệu hướng dẫn và tiền lệ công bố hơn.
7. Lỗi thường gặp
| Cách viết yếu | Vì sao chưa phù hợp | Cách viết nên dùng |
|---|---|---|
| "GSCA là một phiên bản cải tiến của PLS-SEM." | Hai phương pháp có logic ước lượng và tiêu chí tối ưu hóa khác nhau, không phải quan hệ phiên bản trước/sau của cùng một thuật toán. | Mô tả GSCA là một phương pháp component-based SEM riêng, do Hwang và Takane (2004) phát triển. |
| "Dùng ngưỡng CFI > 0,90 hoặc tiêu chuẩn PLS-SEM để đánh giá chỉ số FIT của GSCA." | FIT, AFIT và GFI không cùng thang đo và ý nghĩa diễn giải với các chỉ số của CB-SEM hay các tiêu chí đánh giá của PLS-SEM. | Tham chiếu ngưỡng cắt dành riêng cho GSCA theo Cho, Hwang, Sarstedt và Ringle (2020). |
| "Chọn GSCA vì phần mềm có sẵn nút bấm, không cần lý do thêm." | Lựa chọn phương pháp ước lượng cần có cơ sở từ câu hỏi nghiên cứu và đặc điểm mô hình, không chỉ vì công cụ hỗ trợ sẵn. | Nêu rõ lý do chọn GSCA, ví dụ cần chỉ số phù hợp toàn cục hoặc đặc tính tối ưu hóa của ALS. |
| "Kết quả GSCA và PLS-SEM luôn giống nhau nên dùng cái nào cũng được." | Hai thuật toán có cơ chế ước lượng khác nhau, kết quả không nhất thiết trùng khớp, đặc biệt ở mẫu nhỏ hoặc mô hình phức tạp. | Báo cáo rõ phương pháp đã chọn và lý do, tránh giả định hai phương pháp luôn cho kết quả tương đương. |
8. Bảng kiểm trước khi báo cáo
- Đã nêu rõ lý do chọn GSCA thay vì PLS-SEM hoặc CB-SEM, dựa trên câu hỏi nghiên cứu chưa?
- Đã mô tả loại mô hình đo lường (phản ánh/hình thành) cho từng thành phần chưa?
- Đã nêu thiết lập trọng số khởi tạo (Standard/Individual) đã dùng chưa?
- Đã báo cáo các chỉ số phù hợp toàn cục (FIT, AFIT, GFI) cùng ngưỡng cắt tham chiếu theo Cho, Hwang, Sarstedt và Ringle (2020) chưa?
- Đã chạy bootstrapping để kiểm định ý nghĩa thống kê cho trọng số và hệ số đường dẫn chưa?
- Đã tránh gọi GSCA là "bản nâng cấp của PLS-SEM" trong phần phương pháp luận chưa?
Kết luận
GSCA mang đến một hướng ước lượng dựa trên thành phần có nền tảng toán học khác PLS-SEM: tối ưu hóa đồng thời một hàm tiêu chí toàn cục bằng bình phương tối thiểu luân phiên, thay vì hội tụ dần qua chuỗi hồi quy theo khối. Hệ quả trực tiếp là GSCA có sẵn các chỉ số phù hợp toàn cục mà PLS-SEM kinh điển không có theo cùng logic, nhưng các chỉ số này cần ngưỡng cắt riêng, không mượn được từ CB-SEM hay PLS-SEM.
Việc chọn GSCA nên xuất phát từ câu hỏi nghiên cứu và đặc điểm mô hình, không phải chỉ vì SmartPLS 4 đã tích hợp sẵn thuật toán này. Với một lĩnh vực còn ít tiền lệ công bố so với PLS-SEM, người dùng GSCA cũng cần chuẩn bị giải thích rõ phương pháp cho người đọc chưa quen thuộc với công cụ này.
Tài liệu tham khảo
- Hwang, H., & Takane, Y. (2004). Generalized structured component analysis. Psychometrika, 69(1), 81-99. https://doi.org/10.1007/BF02295841
- Hwang, H., & Takane, Y. (2014). Generalized structured component analysis: A component-based approach to structural equation modeling. Chapman & Hall/CRC. https://doi.org/10.1201/b17872
- Cho, G., Hwang, H., Sarstedt, M., & Ringle, C. M. (2020). Cutoff criteria for overall model fit indexes in generalized structured component analysis. Journal of Marketing Analytics, 8, 189-202. https://doi.org/10.1057/s41270-020-00089-1
- Cho, G., & Hwang, H. (2024). Generalized structured component analysis accommodating convex components: A knowledge-based multivariate method with interpretable composite indexes. Psychometrika, 89(1), 241-266. https://doi.org/10.1007/s11336-023-09944-3
Ghi chú học thuật: Bài viết trình bày nguyên lý chung của GSCA theo tài liệu gốc của Hwang và Takane cùng tài liệu hướng dẫn của SmartPLS. Tài liệu hướng dẫn chính thức của SmartPLS không đưa ra so sánh trực tiếp giữa GSCA và PLS-SEM hay khuyến nghị cụ thể về thời điểm nên chọn phương pháp nào; phần so sánh và khuyến nghị lựa chọn trong bài là suy luận có căn cứ từ đặc điểm kỹ thuật của từng phương pháp, không phải trích dẫn nguyên văn từ một nguồn khuyến nghị chính thức duy nhất.