Mô hình PLS-SEM bậc cao trong SmartPLS 4: đặc tả, two-stage và báo cáo
Mô hình bậc cao không được tạo chỉ vì các cấu trúc bậc thấp có tương quan. Quan hệ giữa cấu trúc bậc cao và các chiều thành phần phải được xác lập bằng lý thuyết, sau đó mới chọn cách ước lượng.
Quy trình có thể bảo vệ gồm bốn quyết định: xác định vai trò HOC và LOC, phân loại quan hệ reflective hoặc formative ở từng tầng, chọn phương pháp ước lượng phù hợp, rồi đánh giá riêng mô hình đo lường ở cả hai giai đoạn. Disjoint two-stage giúp tách hai tầng và lưu lại toàn bộ quyết định để tái lập.
Từ thành phần bậc thấp đến cấu trúc bậc cao
- Lý thuyết
Xác định vai trò các thành phần
- Đo lường
Đánh giá từng cấu trúc bậc thấp
- Bậc cao
Đặc tả đúng hướng quan hệ
- Kiểm chứng
Đánh giá và báo cáo từng giai đoạn
Sơ đồ khái niệm. Hướng phản ánh hoặc cấu tạo phải được biện minh từ khái niệm.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Sau bài này, bạn cần làm được gì?
Sau chuyên đề, người đọc cần nhận diện được HOC và LOC, phân loại bốn kiểu mô hình bậc cao, xây dựng hai tệp mô hình cho disjoint two-stage, đánh giá tầng LOC và tầng HOC bằng đúng tiêu chí, rồi viết một đoạn kết quả có thể kiểm tra. Hướng dẫn thao tác dùng SmartPLS 4, vì vậy báo cáo cần nêu phiên bản phần mềm và trích dẫn nhà phát triển (Ringle và cộng sự, 2024).
Đầu vào tối thiểu gồm mô hình lý thuyết, định nghĩa từng cấu trúc, bảng ánh xạ cấu trúc với chỉ báo, dữ liệu đã làm sạch và quyết định reflective hoặc formative cho từng tầng. Nếu chưa giải thích được vì sao các LOC là biểu hiện hay thành phần của HOC, chưa nên mở SmartPLS để tạo mô hình.
- Có định nghĩa khái niệm cho HOC và từng LOC.
- Có tài liệu lý thuyết chứng minh các chiều thuộc cùng một khái niệm.
- Đã quyết định hướng quan hệ HOC và LOC.
- Đã phân loại measurement model của từng LOC.
- Dữ liệu đã được kiểm tra missing, mã hóa và chất lượng phản hồi.
- Đã xác định rõ biến nào thuộc nomological network ở mỗi giai đoạn.
2. HOC và LOC: khác nhau về mức trừu tượng
Higher-order construct (HOC) đại diện cho một khái niệm ở mức trừu tượng cao, còn lower-order constructs (LOCs) biểu diễn các chiều cụ thể. Cấu trúc bậc cao có thể làm mô hình gọn hơn, nhưng mục tiêu chính vẫn là thể hiện đúng bản chất đa chiều của khái niệm (Becker và cộng sự, 2012; Sarstedt và cộng sự, 2019).
Tương quan cao giữa các LOC không đủ để tạo HOC. Nhà nghiên cứu phải giải thích miền nội dung chung, ranh giới giữa các chiều và cơ chế liên kết. Hai LOC có nội dung gần nhau nhưng không cùng thuộc một khái niệm bậc cao có thể tạo mô hình dễ ước lượng nhưng sai lý thuyết.
Nếu HOC thay đổi thì các LOC có được kỳ vọng cùng thay đổi như những biểu hiện có thể thay thế phần nào cho nhau không? Nếu có, quan hệ HOC đến LOC gần logic reflective. Nếu mỗi LOC đóng góp một phần nội dung riêng và thiếu một LOC làm thay đổi ý nghĩa HOC, quan hệ LOC đến HOC gần logic formative.
3. Bốn loại mô hình bậc cao
Tên mô hình kết hợp hai quyết định: cách đo LOC bằng chỉ báo và cách liên kết HOC với LOC. Quy ước dưới đây theo SmartPLS (n.d.) và Sarstedt và cộng sự (2019). Khi viết báo cáo, nên mô tả cả hai tầng thay vì chỉ ghi Type I, II, III hoặc IV vì thứ tự tên gọi có thể khác giữa tài liệu.
| Loại | Chỉ báo đến LOC | Quan hệ HOC và LOC | Câu hỏi đánh giá tầng HOC |
|---|---|---|---|
| Reflective-reflective | LOC phản ánh bởi chỉ báo | HOC giải thích biến thiên các LOC | Loadings, độ tin cậy, hội tụ và phân biệt |
| Formative-reflective | LOC được hình thành bởi chỉ báo | HOC giải thích biến thiên các LOC | Loadings của LOC lên HOC; tầng LOC đánh giá weights và VIF |
| Reflective-formative | LOC phản ánh bởi chỉ báo | Các LOC hình thành HOC | Outer weights, VIF và ý nghĩa nội dung |
| Formative-formative | LOC được hình thành bởi chỉ báo | Các LOC hình thành HOC | Weights và VIF ở cả hai tầng |
4. Chọn repeated indicators hay two-stage
Repeated indicators gán toàn bộ chỉ báo của các LOC cho HOC. Cách này trực quan, nhưng HOC có thể bị chi phối bởi LOC có nhiều chỉ báo hơn và việc đánh giá tầng HOC dễ bị trộn với tầng LOC. Becker và cộng sự (2012) cho thấy lựa chọn phương pháp ước lượng cần phù hợp kiểu HCM và vị trí của HOC trong mô hình.
Disjoint two-stage chỉ dùng các LOC ở giai đoạn một để tạo construct scores, sau đó dùng các scores này làm chỉ báo của HOC ở giai đoạn hai. Sarstedt và cộng sự (2019) khuyến nghị cách tiếp cận này vì tách rõ hai tầng và áp dụng được rộng hơn cho các loại HOC.
| Tình huống | Lựa chọn nên cân nhắc | Lý do |
|---|---|---|
| LOC có số chỉ báo chênh lệch lớn | Disjoint two-stage | Giảm nguy cơ LOC nhiều chỉ báo chi phối HOC |
| HOC formative | Two-stage hoặc extended repeated indicators | Cần đánh giá weights, VIF và nội dung LOC |
| Mô hình lớn hoặc có nhiều HOC | Disjoint two-stage | Tách mô hình, giảm phức tạp và dễ kiểm tra |
| Mục tiêu minh họa ban đầu, reflective-reflective cân bằng | Repeated indicators có thể dùng | Thiết lập nhanh nhưng vẫn cần kiểm tra độ nhạy |
5. Giai đoạn một: ước lượng và xác nhận các LOC
Trong disjoint two-stage, giai đoạn một chưa đặt HOC vào mô hình. Các LOC được kết nối với những cấu trúc khác theo nomological network để tạo điểm số có ý nghĩa và tránh một mô hình đo lường đứng hoàn toàn tách rời. SmartPLS (n.d.) minh họa chính logic này cho mô hình corporate reputation.
Đánh giá LOC theo loại measurement model. LOC reflective cần loadings, độ tin cậy, AVE và giá trị phân biệt. LOC formative cần collinearity, outer weights, khoảng tin cậy và kiểm tra đóng góp tuyệt đối của loading khi weight chưa có ý nghĩa.
Tạo mô hình Stage 1
Chỉ đặt các LOC cùng chỉ báo gốc và các quan hệ cần thiết trong nomological network. Không đưa HOC vào mô hình này.
Chạy PLS-SEM Algorithm
Ghi lại weighting scheme, stop criterion, số vòng lặp và mọi cài đặt khác để dùng nhất quán.
Đánh giá từng LOC
Dùng bộ tiêu chí reflective hoặc formative đúng loại; không lấy tiêu chí của tầng này thay cho tầng kia.
Sửa mô hình có căn cứ
Chỉ điều chỉnh khi có lý do đo lường hoặc dữ liệu. Ghi lại mọi chỉ báo bị loại và ảnh hưởng đến miền nội dung.
Chạy bootstrapping
Kiểm tra khoảng tin cậy của loadings hoặc weights và các tham số cần thiết trước khi chấp nhận Stage 1.
Xuất construct scores
Lưu scores của đúng các LOC đã đạt yêu cầu, kèm mã quan sát để ghép dữ liệu không sai hàng.
6. Giai đoạn hai: tạo và đánh giá HOC
Giai đoạn hai dùng điểm số LOC như các chỉ báo của HOC. Các cột score phải được ghép đúng quan sát với dữ liệu gốc. Nếu thứ tự hàng thay đổi hoặc thiếu mã định danh kiểm tra, mô hình vẫn có thể chạy nhưng kết quả không còn giá trị.
Quan hệ giữa HOC và scores được đánh giá như một measurement model. Với HOC reflective, các scores đóng vai trò chỉ báo phản ánh; với HOC formative, chúng là thành phần tạo nên HOC. Cách diễn giải vì vậy là loading hoặc weight, không phải một giả thuyết cấu trúc thông thường.
Tạo tệp dữ liệu Stage 2
Ghép LOC scores với các biến cần giữ lại. So số hàng, mã quan sát và missing trước khi nhập.
Nhập data set mới
Đặt tên có phiên bản, ngày tạo và ghi rõ nguồn scores để tái lập.
Tạo HOC
Gán từng LOC score làm một chỉ báo của HOC và chọn reflective hoặc formative theo quyết định lý thuyết.
Hoàn thiện mô hình cấu trúc
Thay các LOC bằng HOC ở những quan hệ mà lý thuyết thực sự đặt ở mức khái niệm bậc cao.
Chạy algorithm và bootstrap
Dùng cùng cài đặt cốt lõi, số bootstrap đủ cho khoảng tin cậy ổn định và lưu seed khi phần mềm cho phép.
Đánh giá HOC và mô hình cấu trúc
Kiểm tra measurement model của HOC trước khi diễn giải paths, R², f² hoặc dự báo.
7. Đọc đầu ra theo loại HOC
Với HOC reflective, loadings của LOC scores phải đủ mạnh và có khoảng tin cậy phù hợp. Độ tin cậy và AVE được dùng như với một measurement model reflective, nhưng cần nhớ số chỉ báo của HOC thường ít nên quyết định không thể chỉ dựa vào một ngưỡng máy móc.
Với HOC formative, kiểm tra VIF giữa các LOC scores, sau đó đọc outer weights cùng khoảng tin cậy. Weight chưa có ý nghĩa không tự động dẫn đến loại LOC. Nếu loading tuyệt đối và giá trị nội dung vẫn quan trọng, loại chiều đó có thể làm thay đổi định nghĩa HOC (Sarstedt và cộng sự, 2019).
| Loại HOC | Đầu ra chính | Không nên làm |
|---|---|---|
| Reflective | Loadings, CI, rho_A hoặc CR, AVE, giá trị phân biệt với cấu trúc khác | Dùng VIF và weights như tiêu chí quyết định chính |
| Formative | VIF, outer weights và CI, outer loadings bổ sung, giá trị nội dung | Loại LOC chỉ vì weight có p lớn |
| Cả hai | Độ ổn định paths, R², f² và dự báo khi phù hợp | Diễn giải HOC-LOC như giả thuyết cấu trúc độc lập |
8. Ví dụ số giả định: chất lượng dịch vụ số
Ví dụ dưới đây là tình huống minh họa, không phải dữ liệu khách hàng. Giả sử Chất lượng dịch vụ số là HOC reflective-reflective gồm Tin cậy, Minh bạch và Đáp ứng. Stage 1 cho thấy ba LOC đạt độ tin cậy, AVE và giá trị phân biệt theo kế hoạch phân tích.
Ở Stage 2, loadings của ba LOC scores lên HOC lần lượt là 0,84; 0,79; 0,72. Khoảng tin cậy bootstrap 95% giả định tương ứng là [0,78; 0,89], [0,71; 0,85] và [0,63; 0,80]. Composite reliability của HOC là 0,83 và AVE là 0,62. Các con số chỉ minh họa cách đọc, không phải ngưỡng bảo đảm cho mọi nghiên cứu.
| LOC score | Loading | CI 95% | Quyết định minh họa |
|---|---|---|---|
| Tin cậy | 0,84 | [0,78; 0,89] | Giữ |
| Minh bạch | 0,79 | [0,71; 0,85] | Giữ |
| Đáp ứng | 0,72 | [0,63; 0,80] | Giữ |
Loading, CR và AVE trong ví dụ được tạo để thực hành cách đọc. Kết luận thực tế phải dựa trên dữ liệu, thiết kế, số chiều, chất lượng thang đo và khoảng tin cậy của nghiên cứu.
9. Các lỗi làm mô hình bậc cao khó bảo vệ
| Lỗi | Hậu quả | Cách xử lý |
|---|---|---|
| Tạo HOC vì LOC tương quan cao | Quan hệ bậc cao thiếu cơ sở nội dung | Bắt đầu từ định nghĩa và miền khái niệm |
| Gọi mọi HOC là reflective-reflective | Dùng sai loadings, weights và tiêu chí đánh giá | Xác định hướng quan hệ ở cả hai tầng |
| Đánh giá chỉ Stage 2 | Không biết LOC có đo lường đạt yêu cầu hay không | Báo cáo kết quả Stage 1 riêng |
| Ghép scores sai thứ tự hàng | Kết quả ước lượng vô nghĩa dù phần mềm vẫn chạy | Dùng mã quan sát và kiểm tra ngẫu nhiên nhiều hàng |
| Loại LOC formative vì p lớn | Làm mất miền nội dung của HOC | Xem weight, loading, VIF và lý thuyết cùng nhau |
| Dùng cùng một mô hình cho cả hai stage | Trộn vai trò LOC và HOC | Lưu hai mô hình, hai data set và nhật ký quyết định |
10. Mẫu báo cáo APA 7 và bảng kiểm hoàn tất
Mẫu báo cáo tiếng Việt
[Tên HOC] được đặc tả là cấu trúc bậc cao [reflective/formative], gồm [liệt kê LOC], dựa trên [cơ sở lý thuyết]. Nghiên cứu sử dụng disjoint two-stage trong SmartPLS 4 (Ringle et al., 2024). Ở Stage 1, các LOC được đánh giá bằng [tiêu chí] và [đạt/không đạt] yêu cầu. Điểm số LOC được ghép theo mã quan sát và dùng làm chỉ báo của HOC ở Stage 2. Các [loadings/weights] nằm trong khoảng [min; max], với bootstrap CI [mô tả]. Kết quả tầng HOC cho thấy [CR, AVE hoặc VIF], vì vậy [kết luận có điều kiện].
- Đã nêu cơ sở lý thuyết của HOC và từng LOC.
- Đã mô tả loại measurement model ở cả hai tầng.
- Đã ghi rõ phương pháp repeated indicators hay two-stage.
- Đã báo cáo tiêu chí và kết quả Stage 1.
- Đã mô tả cách xuất, ghép và kiểm tra construct scores.
- Đã đánh giá Stage 2 bằng đúng loadings hoặc weights.
- Đã chạy bootstrap và báo cáo khoảng tin cậy.
- Đã tách kết quả đo lường khỏi kết quả cấu trúc.
- Đã lưu hai mô hình, hai data set và cài đặt phần mềm.
Kết luận
Mô hình bậc cao hợp lý khi lý thuyết cần đồng thời một khái niệm tổng quát và các chiều cụ thể. Giá trị của mô hình không đến từ việc giảm số đường dẫn, mà từ khả năng mô tả đúng cấu trúc khái niệm.
Disjoint two-stage tạo một quy trình dễ kiểm tra: xác nhận các LOC, xuất scores có kiểm soát, đặc tả HOC, rồi đánh giá measurement model và structural model ở Stage 2. Nếu bỏ qua một tầng, kết quả đẹp vẫn không bù được lỗ hổng trong lập luận đo lường.
Tài liệu tham khảo
- Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5-6), 359-394. https://doi.org/10.1016/j.lrp.2012.10.001
- Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197-211. https://doi.org/10.1016/j.ausmj.2019.05.003
- Ringle, C. M., Wende, S., & Becker, J.-M. (2024). SmartPLS 4 [Computer software]. SmartPLS. https://www.smartpls.com
- SmartPLS. (n.d.). Higher-order models. https://www.smartpls.com/documentation/algorithms-and-techniques/extended-relationships/higher-order/
Ghi chú học thuật: Các số trong ví dụ được tạo để minh họa cách đọc đầu ra. Lựa chọn HOC, LOC và phương pháp ước lượng phải dựa trên lý thuyết, loại measurement model và thiết kế của nghiên cứu cụ thể.