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

Những Lỗi Thường Gặp Khi Báo Cáo Q², PLSpredict Và CVPAT

Khung đánh giá năng lực dự báo của PLS-SEM đã đổi khá nhiều trong vài năm qua: Blindfolding và Q² Stone-Geisser nhường chỗ cho PLSpredict, rồi PLSpredict được bổ sung bằng CVPAT. Nhiều bài báo đã công bố vẫn mang dấu vết của giai đoạn chuyển tiếp này, từ việc dùng công cụ đã lỗi thời đến việc đọc sai ý nghĩa của một p-value. Bài viết tổng hợp các lỗi gặp thường xuyên nhất, kèm cách sửa cụ thể.

PLS-SEM VÀ NĂNG LỰC DỰ BÁOBiên soạn: Lê Minh7 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. Lỗi về công cụ đã lỗi thời

SmartPLS nêu rõ trong tài liệu kỹ thuật chính thức: "chúng tôi đã ngừng hỗ trợ blindfolding trong SmartPLS 4 và loại bỏ thuật toán này" (SmartPLS, tài liệu Blindfolding), với lý do "phương pháp blindfolding không cung cấp đánh giá năng lực dự báo ngoài mẫu". Dù vậy, không ít bản thảo mới vẫn mô tả quy trình "chạy Blindfolding để lấy Q²" như một bước chuẩn, thường vì tác giả dựa theo một bài báo mẫu xuất bản trước năm 2019, thời điểm PLSpredict (Shmueli et al., 2019) chưa phổ biến.

Khoảng cách thời gian giữa các mốc phương pháp luận giải thích phần nào vì sao lỗi này còn phổ biến: PLSpredict xuất hiện năm 2019, CVPAT năm 2021, trong khi SmartPLS chỉ chính thức loại bỏ Blindfolding ở phiên bản 4. Một bài báo dùng mẫu trình bày kết quả từ một nghiên cứu xuất bản trước các mốc này, hoặc một luận văn kế thừa cấu trúc từ khóa trước, rất dễ mang theo bước "chạy Blindfolding lấy Q²" như một thói quen, dù phần mềm hiện hành không còn hỗ trợ thuật toán đó.

Một khảo sát hệ thống của Zhang, Adams, Cheah, Teeroovengadum và Ramayah (2026), rà soát 62 bài báo dùng PLS-SEM trong các tạp chí hàng đầu về lãnh đạo và quản lý giáo dục (educational leadership and management), cho một con số cụ thể: 17 trong 62 bài (27,4%) báo cáo Q² dựa trên Blindfolding, trong khi chỉ 3 bài (4,8%) báo cáo CVPAT, và riêng PLSpredict chỉ xuất hiện rõ ràng trong đúng một bài (Thien và Yeap, 2023). Phạm vi khảo sát này giới hạn ở lĩnh vực lãnh đạo và quản lý giáo dục, không đại diện cho toàn bộ tài liệu PLS-SEM liên ngành, nhưng là bằng chứng định lượng cụ thể cho thấy khoảng cách giữa khuyến nghị phương pháp luận hiện hành và thực hành viết bài vẫn còn đáng kể trong ít nhất một lĩnh vực đã được khảo sát kỹ.

Vì sao đây không chỉ là vấn đề hình thức

Q² Stone-Geisser từ Blindfolding được tính hoàn toàn trong mẫu (in-sample), dùng kỹ thuật omission và tái cấu trúc dữ liệu, không hề tạo ra dự báo ngoài mẫu thật sự. Gọi kết quả này là "đánh giá năng lực dự báo" là một phát biểu không chính xác về mặt phương pháp luận, không chỉ là lỗi dùng từ.

2. Lỗi về thuật ngữ và ký hiệu

Nhóm lỗi này xuất hiện ngay cả ở những bài đã chuyển sang dùng PLSpredict và CVPAT, nhưng dùng sai hoặc lẫn lộn ký hiệu. Phổ biến nhất là nhầm Q² (Stone-Geisser, từ Blindfolding, tính trong mẫu) với Q²predict (từ PLSpredict, tính ngoài mẫu bằng cross-validation); hai ký hiệu gần giống nhau về mặt chữ cái nhưng đo hai thứ hoàn toàn khác nhau. Lỗi phổ biến thứ hai là gộp IA (Indicator Average, chuẩn tham chiếu ngây thơ dùng để tính Q²predict) và LM (Linear Model, chuẩn tham chiếu hồi quy tuyến tính dùng để xếp hạng RMSE/MAE và làm benchmark cho CVPAT) thành một khái niệm duy nhất, trong khi đây là hai chuẩn có vai trò khác nhau trong cùng quy trình PLSpredict.

Bảng phân biệt nhanh

Q² (Stone-Geisser, Blindfolding): trong mẫu, đã loại khỏi SmartPLS 4. Q²predict (PLSpredict): ngoài mẫu, so với chuẩn IA. IA: chuẩn tham chiếu ngây thơ (trung bình mẫu huấn luyện). LM: chuẩn tham chiếu hồi quy tuyến tính, dùng để xếp hạng RMSE/MAE và làm benchmark cho CVPAT.

3. Lỗi khi diễn giải PLSpredict

Ba lỗi lặp lại nhiều nhất ở bước này: thứ nhất, bỏ qua việc kiểm tra Q²predict âm trước khi đọc tiếp RMSE/MAE, dẫn đến việc xếp hạng năng lực dự báo cho một biến thực ra đã thua cả chuẩn IA ngây thơ nhất. Thứ hai, chỉ báo cáo RMSE hoặc chỉ báo cáo MAE mà không giải thích vì sao chọn chỉ số đó, trong khi hai chỉ số có thể cho kết luận khác nhau khi phân phối sai số lệch (Chai và Draxler, 2014; Willmott và Matsuura, 2005). Thứ ba, và nghiêm trọng nhất, diễn giải quy tắc đếm số chỉ báo thắng-thua của Shmueli et al. (2019) như một kiểm định có ý nghĩa thống kê, dùng các từ như "vượt trội có ý nghĩa" khi thực chất PLSpredict không cho p-value cho phép so sánh đó.

Bảng 1
Cách viết dễ gặpVì sao sai
"Mô hình có năng lực dự báo tốt vì RMSE thấp hơn LM ở hầu hết chỉ báo, khác biệt có ý nghĩa thống kê."PLSpredict không có p-value; "có ý nghĩa thống kê" chỉ đúng khi đã chạy thêm CVPAT và trích dẫn kết quả kiểm định đó.
"Q²predict của biến X là -0.03 nhưng vẫn gần 0 nên chấp nhận được."Q²predict âm, dù nhỏ, nghĩa là mô hình thua chuẩn IA ngây thơ nhất; không có ngưỡng "gần 0 thì chấp nhận được" trong hướng dẫn gốc.

4. Lỗi khi diễn giải CVPAT

Vì CVPAT cho ra p-value, nhiều bài viết có xu hướng trích con số này mà bỏ qua phần nêu rõ giả thuyết H0 (năng lực dự báo ngang nhau) đang bị bác bỏ, khiến người đọc không biết chính xác điều gì vừa được kiểm định. Một lỗi khác là chỉ báo cáo kết quả CVPAT so với một benchmark (thường là LM, vì khác biệt với LM thường nhỏ hơn và nghe "khiêm tốn, đáng tin" hơn) mà bỏ qua kết quả so với IA, dù SmartPLS 4 tính cả hai theo mặc định. Cuối cùng, một số bài diễn giải khác biệt loss tuyệt đối nhỏ (ví dụ -0.02) là "không đáng kể" dựa trên trực giác, trong khi ý nghĩa thống kê của một khác biệt loss phụ thuộc vào p-value, không phải độ lớn tuyệt đối của chính nó.

Quy tắc viết an toàn

Mỗi lần trích p-value của CVPAT, nên kèm theo câu nêu rõ: so với benchmark nào (IA hay LM), khác biệt loss trung bình là bao nhiêu, và giả thuyết nào đang bị bác bỏ. Thiếu một trong ba phần này, câu diễn giải dễ bị hiểu là một khẳng định không có căn cứ rõ ràng khi người phản biện hỏi lại.

5. Lỗi tổng quát: nhầm giải thích với dự báo

Lỗi bao trùm tất cả các lỗi trên là nhầm lẫn giữa năng lực giải thích (explanatory power, đo bằng R², f², hệ số đường dẫn trong mẫu) và năng lực dự báo (predictive power, đo bằng Q²predict, RMSE/MAE, CVPAT trên dữ liệu ngoài mẫu). Shmueli và Koppius (2011) đã cảnh báo về khoảng cách này từ trước khi PLSpredict ra đời, nhưng cách viết "R² cao nên mô hình có giá trị dự báo cao" vẫn xuất hiện đều đặn trong phần thảo luận của nhiều bài báo, kể cả những bài đã chạy đúng PLSpredict và CVPAT ở phần kết quả nhưng lại tóm tắt sai ở phần kết luận.

6. Bảng tổng hợp

Bảng 2
Nhóm lỗiBiểu hiệnCách sửa
Công cụ lỗi thờiVẫn báo cáo Q² Stone-Geisser từ Blindfolding như bằng chứng dự báo.Chuyển sang PLSpredict (Q²predict, RMSE, MAE) và CVPAT; nêu rõ đây là các công cụ thay thế Blindfolding trong SmartPLS 4.
Thuật ngữLẫn lộn Q² với Q²predict, hoặc gộp IA với LM.Dùng đúng ký hiệu và định nghĩa từng chuẩn tham chiếu ngay lần đầu xuất hiện trong bài.
Diễn giải PLSpredictĐếm thắng-thua như kiểm định thống kê; bỏ qua Q²predict âm.Kiểm tra Q²predict dương trước, chỉ dùng quy tắc đếm của Shmueli et al. (2019) để mô tả, không gọi là "có ý nghĩa thống kê".
Diễn giải CVPATTrích p-value mà không nêu giả thuyết; chỉ báo cáo một benchmark.Nêu rõ H0/H1, báo cáo cả hai benchmark IA và LM cùng khác biệt loss và p-value tương ứng.
Tổng quátKết luận "năng lực dự báo cao" chỉ dựa vào R².Tách rõ phần giải thích (R², hệ số đường dẫn) và phần dự báo (Q²predict, CVPAT) trong kết luận.

7. Checklist trước khi nộp bài

  • Không còn nhắc đến Blindfolding hoặc Q² Stone-Geisser như bằng chứng về năng lực dự báo, trừ khi đang so sánh lịch sử phương pháp.
  • Đã kiểm tra Q²predict dương cho mọi biến nội sinh chính trước khi đọc tiếp RMSE/MAE.
  • Đã báo cáo cả RMSE và MAE, hoặc giải thích rõ vì sao chỉ dùng một chỉ số.
  • Không dùng cụm "có ý nghĩa thống kê" cho kết quả PLSpredict nếu chưa kèm theo kết quả CVPAT.
  • Đã báo cáo CVPAT với cả khác biệt loss, p-value, và benchmark (IA/LM) tương ứng cho từng con số.
  • Phần kết luận không gộp R² và năng lực dự báo thành một phát biểu duy nhất.

Kết luận

Phần lớn lỗi khi báo cáo năng lực dự báo trong PLS-SEM không đến từ việc thiếu công cụ, mà từ việc tài liệu hướng dẫn và thói quen viết bài chưa bắt kịp tốc độ thay đổi của phương pháp luận trong vòng chưa đầy một thập kỷ: từ Blindfolding, qua PLSpredict, đến CVPAT. Một checklist ngắn trước khi nộp bài, kiểm tra đúng thứ tự công cụ, đúng thuật ngữ, và đúng mức độ chắc chắn của từng kết luận, là cách rẻ nhất để tránh phần lớn các lỗi liệt kê ở trên.

Tài liệu tham khảo

Nguồn chính

  • 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
  • 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
  • Shmueli, G. and Koppius, O.R. (2011). Predictive analytics in information systems research. MIS Quarterly, 35(3), 553-572.
  • Chai, T. and Draxler, R.R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250. https://doi.org/10.5194/gmd-7-1247-2014
  • Willmott, C.J. and Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82. https://doi.org/10.3354/cr030079

Nguồn khảo sát thực trạng

  • Zhang, Y., Adams, D., Cheah, J.-H., Teeroovengadum, V. and Ramayah, T. (2026). An assessment of the use of partial least squares structural equation modelling (PLS-SEM) in educational leadership and management research. European Journal of Education, 61, e70600. https://doi.org/10.1111/ejed.70600

Ghi chú học thuật: Trích dẫn từ tài liệu kỹ thuật SmartPLS về việc loại bỏ Blindfolding được lấy trực tiếp từ trang tài liệu chính thức của phần mềm. Số liệu 27,4% và 4,8% ở Phần 1 lấy từ Bảng 6 của Zhang et al. (2026), giới hạn trong 62 bài báo PLS-SEM thuộc lĩnh vực lãnh đạo và quản lý giáo dục; bài báo gốc có một câu ở phần Thảo luận nêu "chỉ một bài áp dụng CVPAT", khác với con số 3 bài (4,8%) trong Bảng 6 của chính bài báo đó, một điểm chưa nhất quán nội tại mà bài viết này không tự ý diễn giải thay tác giả gốc.