Hiệu Ứng Phi Tuyến Trong PLS-SEM: Khi Một Đường Thẳng Không Đủ Để Mô Tả Quan Hệ
PLS-SEM mặc định mô hình hóa quan hệ giữa các biến tiềm ẩn theo một đường thẳng. Khi tác động của một biến độc lập lên biến phụ thuộc thay đổi theo chính giá trị của biến đó, ví dụ tăng dần rồi chững lại, mô hình tuyến tính có thể che giấu một phần quan trọng của bức tranh. Hiệu ứng bậc hai là cách phổ biến nhất để đưa tính phi tuyến này vào mô hình.
Bắt đầu đọcQuan hệ phi tuyến cần đặc tả và diễn giải riêng
- Lý thuyết
Vì sao tác động có thể thay đổi?
- Đặc tả
Nêu các thành phần tuyến tính và bậc hai
- Đồ thị
Quan sát hình dạng trong miền dữ liệu
- Độ bất định
Đọc CI và kiểm tra độ nhạy
Sơ đồ khái niệm. Không ngoại suy hình dạng ra ngoài miền dữ liệu quan sát.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Vì sao PLS-SEM mặc định giả định tuyến tính
Một mô hình đường dẫn PLS-SEM tiêu chuẩn ước lượng hệ số đường dẫn dưới giả định quan hệ giữa biến độc lập và biến phụ thuộc là tuyến tính: tác động biên của biến độc lập được xem là không đổi ở mọi mức giá trị của nó. Giả định này đơn giản và đủ dùng cho nhiều mô hình lý thuyết, nhưng không phải lúc nào cũng khớp với cơ chế thực tế đang được nghiên cứu.
Nhiều hiện tượng trong khoa học xã hội có dạng phi tuyến: một yếu tố có thể có tác động tích cực ở mức thấp nhưng suy giảm dần hoặc thậm chí đảo chiều ở mức cao. Nếu mô hình chỉ ước lượng một hệ số đường dẫn tuyến tính duy nhất, phần cong của quan hệ này bị bỏ qua, và hệ số ước lượng được chỉ phản ánh một xu hướng trung bình trên toàn bộ khoảng giá trị.
2. Hiệu ứng bậc hai là gì
Hiệu ứng bậc hai (quadratic effect) đưa thêm một số hạng là bình phương của biến độc lập vào phương trình cấu trúc, bên cạnh số hạng tuyến tính gốc. Đây là cách phổ biến nhất được SmartPLS hỗ trợ để mô hình hóa quan hệ phi tuyến, dù không phải dạng duy nhất có thể xảy ra trên lý thuyết.
Tài liệu SmartPLS mô tả hiệu ứng bậc hai hoạt động theo logic tương tự một biến điều tiết, chỉ khác là biến điều tiết ở đây chính là bản thân biến độc lập, thay vì một biến thứ ba độc lập với nó. Vì vậy cách ước lượng số hạng bậc hai mượn lại logic ước lượng số hạng tương tác trong phân tích điều tiết.
3. Cách ước lượng hai giai đoạn trong SmartPLS
Giai đoạn 1: ước lượng mô hình hiệu ứng chính
Ước lượng mô hình chỉ gồm hiệu ứng tuyến tính chính, chưa có số hạng bậc hai, rồi lưu lại điểm số biến tiềm ẩn của biến dự báo.
Giai đoạn 2: thêm số hạng bậc hai
Dùng điểm số đã lưu để tính một chỉ báo bình phương, rồi ước lượng lại mô hình cuối cùng với số hạng bậc hai này cùng với số hạng tuyến tính gốc.
Cách tiếp cận hai giai đoạn này giúp tách riêng phần ước lượng mô hình đo lường khỏi phần xây dựng số hạng bậc hai, tương tự logic đã quen thuộc trong các phương pháp ước lượng số hạng tương tác cho phân tích điều tiết. Chin, Marcolin và Newsted (2003) là một trong những nguồn gốc của cách tiếp cận dùng điểm số biến tiềm ẩn để dựng số hạng tương tác trong PLS, còn Becker, Ringle và Sarstedt (2018) so sánh các cách tạo số hạng tương tác và cách xử lý dữ liệu khác nhau cho cùng mục đích này, cả hai đều là nền tảng cho cách SmartPLS xây dựng số hạng bậc hai.
4. Quy trình thực hiện
Dựng mô hình và các đường dẫn cấu trúc
Xây dựng mô hình đo lường và mô hình cấu trúc như bình thường trong cửa sổ mô hình hóa của SmartPLS.
Chọn tùy chọn "Quadratic effect"
Trên thanh công cụ, chọn tùy chọn hiệu ứng bậc hai.
Nhấp vào đường dẫn cần thêm số hạng bậc hai
Nhấp chuột vào đường dẫn cấu trúc nơi cần kiểm tra tính phi tuyến; SmartPLS sẽ tự động dựng số hạng bậc hai và chạy ước lượng hai giai đoạn.
5. Diễn giải hệ số bậc hai
Tài liệu SmartPLS không trình bày chi tiết cách đọc hệ số bậc hai ngay trên trang hướng dẫn, mà dẫn người đọc đến Basco, Hair, Ringle và Sarstedt (2021) cùng Hair, Sarstedt, Ringle và Gudergan (2024) để diễn giải đầy đủ. Về nguyên tắc chung của hồi quy bậc hai, dấu của hệ số bậc hai cho biết hướng cong của quan hệ: hệ số dương gợi ý quan hệ có xu hướng dạng chữ U, nghĩa là tác động mạnh dần ở hai đầu của khoảng giá trị biến độc lập; hệ số âm gợi ý quan hệ có xu hướng dạng chữ U ngược, nghĩa là tác động suy giảm hoặc đảo chiều ở mức giá trị cao.
Việc kết luận quan hệ có ý nghĩa thống kê phi tuyến cần dựa trên kiểm định ý nghĩa của riêng số hạng bậc hai qua bootstrapping, không chỉ nhìn vào dấu của hệ số. Nếu số hạng bậc hai không có ý nghĩa thống kê, mô hình tuyến tính đơn giản hơn vẫn là lựa chọn phù hợp để báo cáo.
6. Giới hạn cần lưu ý
Chọn hiệu ứng bậc hai nghĩa là nhà nghiên cứu đã giả định hình dạng cụ thể của quan hệ phi tuyến. Nếu quan hệ thật có hình dạng phức tạp hơn một đường cong bậc hai đơn giản, số hạng bậc hai có thể không nắm bắt được đầy đủ bản chất phi tuyến của dữ liệu. Cần có lý do lý thuyết để kỳ vọng một quan hệ phi tuyến dạng này trước khi thêm số hạng bậc hai, không nên thêm vào chỉ để "thử xem có ý nghĩa không".
7. Lỗi thường gặp
| Cách viết yếu | Vì sao chưa phù hợp | Cách viết nên dùng |
|---|---|---|
| "Thêm số hạng bậc hai cho mọi đường dẫn để kiểm tra xem có hiệu ứng phi tuyến ở đâu không." | Việc kiểm tra phi tuyến cần có cơ sở lý thuyết cho từng quan hệ cụ thể, không nên áp dụng tràn lan như một phép dò tìm. | Nêu rõ lý thuyết hoặc bằng chứng thực nghiệm trước đó khiến nghi ngờ một quan hệ cụ thể có dạng phi tuyến. |
| "Hệ số bậc hai có ý nghĩa nên kết luận ngay quan hệ có hình chữ U." | Hình dạng cụ thể của đường cong phụ thuộc vào cả hệ số tuyến tính lẫn hệ số bậc hai, không chỉ dấu của riêng hệ số bậc hai. | Diễn giải hình dạng đường cong dựa trên cả hai hệ số, đối chiếu với khoảng giá trị thực tế của biến độc lập trong dữ liệu. |
| "Không cần báo cáo mô hình chỉ có hiệu ứng tuyến tính để so sánh." | Việc so sánh hai mô hình giúp người đọc đánh giá mức độ cải thiện khi thêm số hạng bậc hai. | Báo cáo cả kết quả mô hình tuyến tính và mô hình có số hạng bậc hai để đối chiếu. |
8. Bảng kiểm trước khi báo cáo
- Đã nêu rõ cơ sở lý thuyết để kỳ vọng quan hệ phi tuyến ở đường dẫn đang kiểm tra chưa?
- Đã mô tả quy trình ước lượng hai giai đoạn đã dùng trong SmartPLS chưa?
- Đã kiểm định ý nghĩa thống kê của số hạng bậc hai bằng bootstrapping chưa?
- Đã diễn giải hình dạng đường cong dựa trên cả hệ số tuyến tính và hệ số bậc hai chưa?
- Đã so sánh với mô hình chỉ có hiệu ứng tuyến tính để làm rõ mức độ cải thiện chưa?
Kết luận
Hiệu ứng bậc hai cho phép PLS-SEM nắm bắt những quan hệ không đi theo một đường thẳng đơn giản, bằng một quy trình ước lượng hai giai đoạn mượn logic từ phân tích điều tiết. Đây là công cụ hữu ích khi có cơ sở lý thuyết cụ thể cho một dạng phi tuyến, không phải một phép thử để tìm thêm ý nghĩa thống kê.
Vì đây chỉ là một trong các dạng phi tuyến có thể có, một số hạng bậc hai không có ý nghĩa thống kê không có nghĩa là quan hệ chắc chắn tuyến tính; nó chỉ cho biết dạng cong bậc hai cụ thể này không được dữ liệu ủng hộ.
Tài liệu tham khảo
- Chin, W. W., Marcolin, B. L., & Newsted, P. R. (2003). A partial least squares latent variable modeling approach for measuring interaction effects. Information Systems Research, 14(2), 189-217. https://doi.org/10.1287/isre.14.2.189.16018
- Basco, R., Hair, J. F., Ringle, C. M., & Sarstedt, M. (2021). Advancing family business research through modeling nonlinear relationships: Comparing PLS-SEM and multiple regression. Journal of Family Business Strategy, 13(3), Article 100457.
- Becker, J.-M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects in PLS-SEM and PLSc-SEM: Interaction term generation x data treatment. Journal of Applied Structural Equation Modeling, 2(2), 1-21.
- Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2024). Advanced issues in partial least squares structural equation modeling (PLS-SEM) (2nd ed.). Sage.
Ghi chú học thuật: Bài viết trình bày nguyên lý và quy trình chung của hiệu ứng bậc hai theo tài liệu hướng dẫn của SmartPLS. Phần diễn giải chi tiết hệ số bậc hai cần tham khảo trực tiếp Basco, Hair, Ringle và Sarstedt (2021) cùng Hair, Sarstedt, Ringle và Gudergan (2024) như tài liệu gốc đã dẫn.