Nội Sinh Trong Mô Hình PLS-SEM: Gaussian Copula Xử Lý Được Gì Khi Không Có Biến Công Cụ
PLS-SEM ước lượng dựa trên giả định biến độc lập không tương quan với phần dư của phương trình cấu trúc. Khi giả định này bị vi phạm và nghiên cứu không có biến công cụ hợp lệ, phương pháp Gaussian copula cho phép kiểm định và hiệu chỉnh nội sinh ngay trên dữ liệu đang có, với điều kiện biến hồi quy nghi ngờ nội sinh phải có phân phối phi chuẩn.
Bắt đầu đọcNội sinh: chẩn đoán vấn đề trước khi chọn cách xử lý
- Cơ chế
Xác định nguồn nội sinh có thể có
- Thiết kế
Đánh giá dữ liệu và nhận dạng
- Phương pháp
Kiểm tra điều kiện áp dụng
- Độ nhạy
Đối chiếu giả định và kết quả
Sơ đồ khái niệm. Gaussian copula không tự giải quyết mọi nguồn nội sinh.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Nội sinh là gì và vì sao nó làm sai hệ số đường dẫn
Ước lượng PLS-SEM, giống hồi quy OLS, dựa trên một giả định nền thường không được nói rõ trong luận văn: biến độc lập trong mỗi phương trình cấu trúc không tương quan với phần sai số của phương trình đó. Hair, Risher, Sarstedt và Ringle (2019) xem đây là một trong các điều kiện cần kiểm tra trước khi diễn giải hệ số đường dẫn như một tác động nhân quả. Khi điều kiện này bị vi phạm, biến độc lập được gọi là nội sinh (endogenous), và hệ số ước lượng được không còn phản ánh đúng tác động thật của biến đó lên biến phụ thuộc.
Hậu quả không cố định theo một hướng. Tùy cấu trúc tương quan giữa biến độc lập và phần sai số, nội sinh có thể làm phóng đại hệ số đường dẫn, làm thu nhỏ nó, hoặc trong một số trường hợp làm đổi dấu quan hệ quan sát được so với quan hệ thật. Vì vậy một hệ số đường dẫn có ý nghĩa thống kê và đúng dấu theo kỳ vọng lý thuyết vẫn có thể là một ước lượng chệch, nếu nội sinh chưa được kiểm tra.
Một biến độc lập là nội sinh trong một phương trình cấu trúc khi nó tương quan với phần sai số của phương trình đó. Nguồn gốc của tương quan này có thể đến từ biến bị bỏ sót, sai số đo lường, quan hệ nhân quả ngược, hoặc đặc điểm chung của phương pháp thu thập dữ liệu.
2. Bốn nguồn nội sinh thường gặp trong mô hình PLS-SEM
Nội sinh hiếm khi chỉ do một nguyên nhân duy nhất. Tài liệu phương pháp của SmartPLS về Gaussian copula liệt kê bốn nhóm nguồn chính, và phần lớn các mô hình khảo sát trong khoa học xã hội đều tiếp xúc với ít nhất một trong bốn nhóm này.
| Nguồn | Cơ chế | Ví dụ trong mô hình khảo sát |
|---|---|---|
| Biến bị bỏ sót | Một biến thật sự ảnh hưởng lên biến phụ thuộc không được đưa vào mô hình, nhưng lại tương quan với biến độc lập đang xét. | Mô hình đo Chất lượng dịch vụ tác động lên Ý định mua lại, nhưng bỏ qua Danh tiếng thương hiệu, một yếu tố vừa ảnh hưởng Ý định mua lại vừa tương quan với Chất lượng dịch vụ. |
| Sai số đo lường | Biến quan sát không đo đúng khái niệm tiềm ẩn, phần sai số đo lường len vào phần dư của phương trình cấu trúc. | Thang đo tự báo cáo về mức độ gắn kết công việc chịu sai lệch hệ thống do cách hiểu câu hỏi khác nhau giữa người trả lời. |
| Nhân quả đồng thời | Biến độc lập và biến phụ thuộc cùng ảnh hưởng qua lại trong cùng một thời điểm đo, không chỉ theo một chiều như mô hình giả định. | Sự hài lòng trong công việc và hiệu suất làm việc có thể tác động lẫn nhau, nhưng mô hình chỉ đặt một chiều Hài lòng → Hiệu suất. |
| Không đồng nhất không quan sát được | Tồn tại các nhóm đối tượng khác nhau về hành vi hoặc đặc điểm chưa được đo, khiến tương quan quan sát được trộn lẫn nhiều cơ chế khác nhau. | Hai nhóm khách hàng có động cơ mua hàng khác nhau bị gộp chung vào một mẫu, tạo ra một đường dẫn trung bình không đại diện đúng cho nhóm nào. |
Bốn nhóm nguồn theo tài liệu phương pháp Gaussian copula của SmartPLS. Common method variance, khi biến độc lập và biến phụ thuộc được đo cùng người, cùng thời điểm, cùng dạng thang đo, cũng có thể biểu hiện như một dạng của nhân quả đồng thời hoặc không đồng nhất không quan sát được.
Đưa thêm biến kiểm soát vào mô hình có thể làm giảm một phần nguy cơ do biến bị bỏ sót, nhưng đây là biện pháp giảm rủi ro, không phải một phép kiểm định thống kê về nội sinh. Một mô hình có nhiều biến kiểm soát vẫn cần được kiểm tra nội sinh riêng nếu có lý do nghi ngờ.
3. Vì sao không phải lúc nào cũng có biến công cụ hợp lệ
Cách xử lý nội sinh kinh điển trong kinh tế lượng là dùng biến công cụ (instrumental variable, IV): một biến tương quan với biến độc lập nghi ngờ nội sinh nhưng không tương quan trực tiếp với phần sai số của phương trình. Vấn đề thực tế là một biến công cụ tốt rất khó tìm, đặc biệt với dữ liệu khảo sát cắt ngang trong khoa học xã hội, nơi hầu hết biến đo được đều có liên hệ với nhiều khái niệm trong cùng một mô hình lý thuyết.
Nhiều nghiên cứu buộc phải chọn một biến công cụ yếu hoặc có cơ sở lý thuyết mong manh, chỉ để đáp ứng yêu cầu hình thức của phương pháp. Một biến công cụ yếu có thể gây ra vấn đề ước lượng nghiêm trọng hơn là không xử lý nội sinh. Đây chính là khoảng trống mà phương pháp Gaussian copula được thiết kế để lấp vào: phát hiện và hiệu chỉnh nội sinh mà không cần một biến công cụ bên ngoài mô hình.
4. Nguyên lý Gaussian copula và ba biến thể
Park và Gupta (2012) đề xuất một hướng tiếp cận khác: thay vì tìm một biến công cụ bên ngoài, khai thác chính hình dạng phân phối của biến hồi quy nghi ngờ nội sinh. Nếu biến đó có phân phối phi chuẩn, có thể dựng một số hạng copula đại diện cho phần tương quan giữa biến hồi quy và phần sai số, rồi đưa số hạng này vào mô hình như một biến dự báo bổ sung. Hệ số của số hạng copula phản ánh mức độ tương quan ước lượng được giữa biến hồi quy và phần sai số, đã được chuẩn hóa theo phương sai sai số; hệ số đường dẫn của biến hồi quy chính sau khi đã có số hạng copula được xem là ước lượng đã hiệu chỉnh nội sinh.
| Biến thể | Đặc điểm | Phạm vi áp dụng |
|---|---|---|
| Hợp lý cực đại gốc (Park & Gupta, 2012) | Ước lượng đồng thời bằng phương pháp hợp lý cực đại. | Chỉ xử lý được một biến hồi quy nội sinh trong một lần ước lượng. |
| Hàm kiểm soát (Becker, Proksch & Ringle, 2022) | Thêm một số hạng copula riêng cho từng biến hồi quy nghi ngờ nội sinh, nên có thể xử lý đồng thời nhiều biến. Đây là biến thể được SmartPLS triển khai và dùng trong phần lớn ứng dụng thực tế. | PLS-SEM và các mô hình hồi quy nhiều biến độc lập. |
| Khung mở rộng (Liengaard et al., 2025) | Đưa ra một ước lượng hiệu chỉnh nhằm giải quyết một số hạn chế của biến thể hàm kiểm soát gốc. | Đã được tích hợp trong SmartPLS, dùng được ngoài phạm vi hồi quy đơn thuần, bao gồm PLS-SEM và path analysis. |
Nút Gaussian Copula trong SmartPLS triển khai biến thể hàm kiểm soát, nên trong một mô hình có nhiều quan hệ cấu trúc, nhà nghiên cứu có thể chọn kiểm tra đồng thời nhiều đường dẫn nghi ngờ nội sinh, mỗi đường dẫn có số hạng copula riêng của nó.
5. Điều kiện bắt buộc trước khi dùng
Phương pháp Gaussian copula không áp dụng được cho mọi biến hồi quy. Điều kiện cốt lõi là biến hồi quy nghi ngờ nội sinh phải có phân phối phi chuẩn; nếu biến này gần với phân phối chuẩn, số hạng copula không tách được phần tương quan với sai số ra khỏi phần biến thiên ngẫu nhiên, và kết quả ước lượng không còn đáng tin.
Trước khi dựng số hạng copula, cần kiểm tra phân phối của từng biến hồi quy nghi ngờ nội sinh bằng một phép kiểm định phi chuẩn, chẳng hạn kiểm định Cramér-von Mises. Becker, Proksch và Ringle (2022) cùng Eckert và Hohberger (2023) đều nhấn mạnh rằng bỏ qua bước kiểm tra này là nguyên nhân phổ biến khiến phương pháp bị áp dụng sai trong thực hành.
Eckert và Hohberger (2023) đánh giá độ ổn định của phương pháp qua mô phỏng và chỉ ra thêm một số giới hạn cần lưu ý: hiệu quả hiệu chỉnh phụ thuộc vào mức độ phi chuẩn của biến hồi quy, cỡ mẫu, và mức độ nội sinh thật trong dữ liệu. Phương pháp hoạt động tốt hơn khi biến hồi quy lệch rõ so với phân phối chuẩn và cỡ mẫu đủ lớn để ước lượng ổn định; với biến chỉ lệch chuẩn nhẹ, kết quả copula có thể kém tin cậy hơn kỳ vọng.
6. Quy trình thực hiện trong SmartPLS
Dựng mô hình PLS-SEM như bình thường
Xây dựng mô hình đo lường và mô hình cấu trúc theo lý thuyết nghiên cứu, chưa thêm số hạng copula nào ở bước này.
Kiểm tra phân phối của biến hồi quy nghi ngờ nội sinh
Chạy kiểm định phi chuẩn, ví dụ Cramér-von Mises, cho từng biến hồi quy nghi ngờ nội sinh. Chỉ những biến đạt điều kiện phi chuẩn mới nên tiếp tục sang bước kế tiếp.
Chọn đường dẫn và tạo số hạng copula
Trên thanh công cụ SmartPLS, nhấn nút Gaussian Copula, sau đó nhấp chuột trái vào từng đường dẫn cấu trúc cần kiểm tra. Mỗi đường dẫn được chọn sẽ xuất hiện một vòng tròn nhãn GC, đại diện cho số hạng copula của đường dẫn đó.
Chạy thuật toán PLS-SEM
Ước lượng mô hình đã có các số hạng GC bằng thuật toán PLS-SEM như bình thường, thu hệ số đường dẫn đã hiệu chỉnh cùng hệ số của từng số hạng copula.
Bootstrap để kiểm định ý nghĩa
Chạy bootstrapping để có sai số chuẩn và kiểm định ý nghĩa thống kê cho hệ số của số hạng copula, không chỉ cho hệ số đường dẫn chính.
Kết luận về nội sinh ở từng quan hệ
Dựa vào ý nghĩa thống kê của từng số hạng GC để đánh giá quan hệ cấu trúc tương ứng có vấn đề nội sinh đáng kể hay không, từ đó quyết định dùng hệ số đường dẫn đã hiệu chỉnh hay hệ số gốc trong báo cáo.
7. Diễn giải số hạng copula
Hệ số của số hạng copula phản ánh mức độ tương quan ước lượng được giữa biến hồi quy và phần sai số của phương trình cấu trúc, đã được chuẩn hóa theo phương sai sai số. Khi hệ số này có ý nghĩa thống kê, kết luận hợp lý là quan hệ cấu trúc đang xét tồn tại nội sinh và cần dùng hệ số đường dẫn đã hiệu chỉnh. Khi hệ số này không có ý nghĩa thống kê, kết luận hợp lý là chưa có bằng chứng nội sinh ở quan hệ đó trong dữ liệu hiện có, không phải là bằng chứng chắc chắn rằng quan hệ đó hoàn toàn không có nội sinh.
Mẫu diễn giải cho báo cáo hoặc luận văn
Để kiểm tra nội sinh ở quan hệ [biến độc lập] → [biến phụ thuộc], nghiên cứu áp dụng phương pháp Gaussian copula theo biến thể hàm kiểm soát (Becker, Proksch & Ringle, 2022), sau khi xác nhận [biến độc lập] có phân phối phi chuẩn qua kiểm định Cramér-von Mises (p [</≥] 0,05). Hệ số của số hạng copula là [giá trị], [có/không] có ý nghĩa thống kê ở mức [mức ý nghĩa] qua bootstrapping [số lần lặp] mẫu con. Kết quả này cho thấy quan hệ [biến độc lập] → [biến phụ thuộc] [tồn tại/chưa có bằng chứng] nội sinh trong dữ liệu hiện có; hệ số đường dẫn báo cáo trong nghiên cứu là [hệ số đã hiệu chỉnh/hệ số gốc].
8. Lỗi diễn giải phổ biến
| Cách viết yếu | Vì sao chưa phù hợp | Cách viết nên dùng |
|---|---|---|
| "Thêm số hạng copula cho toàn bộ đường dẫn trong mô hình để chắc chắn." | Phương pháp chỉ có ý nghĩa cho quan hệ có lý do lý thuyết hoặc thực nghiệm nghi ngờ nội sinh và có biến hồi quy đạt điều kiện phi chuẩn. | Nêu rõ căn cứ chọn đường dẫn kiểm tra, chỉ áp dụng cho các quan hệ có nghi vấn cụ thể. |
| "Không cần kiểm tra phân phối, cứ chạy Gaussian copula trước rồi xem kết quả." | Phi chuẩn của biến hồi quy là điều kiện bắt buộc, không phải một bước tùy chọn. | Báo cáo kết quả kiểm định phi chuẩn trước khi trình bày kết quả copula. |
| "Số hạng copula không có ý nghĩa, vậy mô hình chắc chắn không có nội sinh." | Không có ý nghĩa thống kê chỉ cho biết chưa có bằng chứng nội sinh trong dữ liệu đang có, không phải một chứng minh phủ định tuyệt đối. | Diễn giải là "chưa có bằng chứng nội sinh ở quan hệ này" và nêu rõ giới hạn của kết luận. |
| "Đã có biến kiểm soát trong mô hình nên không cần kiểm tra nội sinh nữa." | Biến kiểm soát làm giảm một phần rủi ro do biến bị bỏ sót nhưng không phải phép kiểm định nội sinh. | Vẫn thực hiện kiểm định Gaussian copula khi có cơ sở nghi ngờ nội sinh, dù mô hình đã có biến kiểm soát. |
| "Chỉ báo cáo hệ số copula, không cần nói hệ số đường dẫn chính thay đổi ra sao." | Mục tiêu của phân tích là biết hệ số đường dẫn trọng tâm có bị chệch hay không, không chỉ là sự tồn tại của số hạng copula. | So sánh hệ số đường dẫn trước và sau khi thêm số hạng copula, báo cáo cả hai. |
9. Bảng kiểm trước khi báo cáo
- Đã nêu rõ căn cứ lý thuyết hoặc thực nghiệm để nghi ngờ nội sinh ở quan hệ đang kiểm tra chưa?
- Đã kiểm tra phân phối phi chuẩn của biến hồi quy bằng một phép kiểm định cụ thể, ví dụ Cramér-von Mises, chưa?
- Đã nêu rõ biến thể Gaussian copula sử dụng (hàm kiểm soát, theo Becker, Proksch & Ringle, 2022) chưa?
- Đã chạy bootstrapping để kiểm định ý nghĩa của số hạng copula, không chỉ ước lượng điểm, chưa?
- Đã so sánh hệ số đường dẫn trước và sau khi thêm số hạng copula chưa?
- Đã diễn giải số hạng copula không có ý nghĩa như "chưa có bằng chứng", không phải "chứng minh không có nội sinh", chưa?
- Đã nêu giới hạn của phương pháp liên quan đến cỡ mẫu và mức độ phi chuẩn thực tế của biến hồi quy chưa?
Kết luận
Gaussian copula mở ra một hướng kiểm tra nội sinh khả thi cho những mô hình PLS-SEM không có biến công cụ hợp lệ, điều phổ biến trong khảo sát cắt ngang ở khoa học xã hội. Giá trị thực của phương pháp nằm ở việc cho phép nhà nghiên cứu kiểm định trực tiếp, bằng số liệu đang có, thay vì chỉ giả định hoặc bỏ qua vấn đề nội sinh.
Điều kiện tiên quyết về phân phối phi chuẩn, và giới hạn trong khả năng chỉ ra nguồn gốc cụ thể của nội sinh, là hai điểm cần giữ trong đầu khi đưa phương pháp này vào luận văn hoặc bài báo. Một số hạng copula có ý nghĩa là tín hiệu cần hiệu chỉnh, không phải một lời giải thích đầy đủ về cơ chế gây ra nội sinh đó.
Tài liệu tham khảo
Nguồn phương pháp gốc
- Park, S., & Gupta, S. (2012). Handling endogenous regressors by joint estimation using copulas. Marketing Science, 31(4), 567-586. https://doi.org/10.1287/mksc.1120.0718
- Becker, J.-M., Proksch, D., & Ringle, C. M. (2022). Revisiting Gaussian copulas to handle endogenous regressors. Journal of the Academy of Marketing Science, 50, 46-66. https://doi.org/10.1007/s11747-021-00805-y
- Liengaard, B. D., Becker, J.-M., Bennedsen, M., Heiler, P., Taylor, L. N., & Ringle, C. M. (2025). Dealing with regression models' endogeneity by means of an adjusted estimator for the Gaussian copula approach. Journal of the Academy of Marketing Science, 53, 279-299. https://doi.org/10.1007/s11747-024-01055-4
Nguồn ứng dụng và đánh giá giới hạn
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
- Hult, G. T. M., Hair, J. F., Proksch, D., Sarstedt, M., Pinkwart, A., & Ringle, C. M. (2018). Addressing endogeneity in international marketing applications of partial least squares structural equation modeling. Journal of International Marketing, 26(3), 1-21. https://doi.org/10.1509/jim.17.0151
- Eckert, C., & Hohberger, J. (2023). Addressing endogeneity without instrumental variables: An evaluation of the Gaussian copula approach for management research. Journal of Management, 49(4), 1460-1495. https://doi.org/10.1177/01492063221085913
Ghi chú học thuật: Bài viết trình bày nguyên lý và quy trình chung của phương pháp Gaussian copula theo tài liệu của Park và Gupta (2012), Becker, Proksch và Ringle (2022), cùng các đánh giá liên quan. Việc áp dụng cho một mô hình cụ thể cần kiểm tra điều kiện phi chuẩn thực tế của dữ liệu và cân nhắc giới hạn của phương pháp đã nêu trong các nguồn trích dẫn, không nên áp dụng như một thủ tục máy móc cho mọi quan hệ trong mọi mô hình.