PLS-MGA và MICOM: so sánh nhóm mà không bỏ qua bất biến đo lường

1. MICOM giúp xác định phần nào có thể so sánh

Hai nhóm có thể cho hệ số khác nhau vì quan hệ cấu trúc khác nhau, nhưng cũng có thể vì cùng tên thang đo đang tạo ra hai phép đo khác nhau. MICOM xem xét khả năng so sánh các composite trước khi diễn giải khác biệt nhóm. Henseler, Ringle và Sarstedt (2016) phát triển thủ tục này cho composite; không nên chuyển nguyên các nhãn metric hay scalar của CFA đa nhóm sang MICOM.

Một kết quả không bác bỏ giả thuyết bất biến không chứng minh hai nhóm giống hệt nhau. Cỡ mẫu, độ chính xác và đặc tả vẫn giới hạn khả năng phát hiện khác biệt. Khi báo cáo, nên viết bằng chứng hỗ trợ bất biến trong cấu hình đã kiểm tra, thay vì khẳng định thang đo chắc chắn tương đương ở mọi quần thể (Henseler et al., 2016; Hair et al., 2018, chương 4).

2. Ba bước là ba câu hỏi nối tiếp nhau

Hair et al. (2018, chương 4) trình bày MICOM như một chuỗi có điều kiện: trước hết cùng cấu hình, sau đó cùng cách hình thành điểm, cuối cùng mới xem trung bình và phương sai. Không gộp kết quả thành một ô đạt/không đạt cho cả mô hình khi các composite cho kết luận khác nhau.

3. Bước 1: kiểm tra cấu hình trước khi bấm chạy

Cùng một sơ đồ trên màn hình chưa đủ cho configural invariance. Theo Hair et al. (2018, chương 4), cần đối chiếu cùng chỉ báo và thang đo, cùng quy trình xử lý dữ liệu, cùng thuật toán và cài đặt. Chỉ báo dịch sang ngôn ngữ khác còn cần bằng chứng tương đương nội dung; tên biến giống nhau không tự bảo đảm điều đó.

Lập một bảng cấu hình cho từng nhóm: mã gốc và mã sau đảo chiều, quy tắc missing, cách chuẩn hóa, xử lý ngoại lệ, danh sách item cuối và thiết lập ước lượng. Cùng quy tắc xử lý không có nghĩa ép các nhóm phải có cùng tỷ lệ thiếu hoặc cùng phân phối. Nếu thay mô hình sau khi xem MICOM, phải chạy lại chuỗi đánh giá và ghi rõ lý do (Hair et al., 2018, chương 4).

• Cùng miền nội dung, chỉ báo và hướng mã hóa.
• Cùng quy tắc xử lý dữ liệu và điều kiện chọn quan sát.
• Cùng loại mô hình, thuật toán và cài đặt dùng để so sánh.
• Lưu hồ sơ cấu hình thay vì chờ một bảng p của bước 1.

4. Bước 2: đọc c theo phân phối hoán vị

Bước 2 đánh giá sự tương đương của cách hình thành điểm composite, không kiểm định Cronbach's alpha hoặc HTMT. Với alpha = 0,05 trong ví dụ hướng dẫn của Hair et al. (2018, chương 4), đối chiếu c quan sát với phân vị 5% của phân phối c hoán vị. c nằm thấp hơn mốc này là dấu hiệu chưa hỗ trợ compositional invariance; c nằm phía trên mốc cho kết quả không bác bỏ trong phép kiểm định đó.

Đừng làm tròn c thành 1,000 trước khi quyết định. Hai giá trị cùng hiển thị 0,99 có thể nằm ở hai phía của mốc nếu giữ đủ chữ số. Khi kết quả sát mốc, xem độ chính xác của output, số lần hoán vị và kiểm tra độ nhạy thay vì đổi alpha sau khi thấy kết quả.

Với biến đơn chỉ báo, c = 1 là hệ quả của cách tạo điểm và không đem lại phép kiểm tra compositional có thông tin như thang nhiều item. Vẫn phải xem xét ý nghĩa biến, hướng mã hóa và vai trò trong mô hình. Không dùng c = 1 để chứng minh độ tin cậy hay giá trị của phép đo đơn chỉ báo (Hair et al., 2018, chương 4).

5. Bước 3: dùng đúng chênh lệch và khoảng tham chiếu

Ở bước 3, điểm dùng để so trung bình và phương sai được hình thành từ ước lượng trên dữ liệu gộp rồi gán về nhóm. Đây không phải lấy hai bộ điểm đã chuẩn hóa riêng từng nhóm để so trung bình, vì chuẩn hóa riêng có thể xóa chính khác biệt cần xem (Hair et al., 2018, chương 4).

Đại lượng trung bình là Δμ = mean_A − mean_B. Đại lượng phương sai là log(var_A/var_B), tương đương log(var_A) − log(var_B). Đối chiếu từng chênh lệch quan sát với khoảng hoán vị tương ứng. Sách Hair et al. (2018, chương 4) dùng cách đọc này; tài liệu SmartPLS về MICOM cũng lưu ý sửa cách diễn đạt cũ của Henseler et al. (2016) để tránh chỉ kiểm tra khoảng có chứa 0 hay không. Xem thêm hướng dẫn MICOM hiện hành (SmartPLS, n.d.-a).

Bước 3 không đạt không tự động phủ nhận partial invariance nếu bước 1 và 2 đã được hỗ trợ. Cần báo riêng trung bình, phương sai và compositional cho từng composite. Không chuyển một khác biệt về phương sai thành kết luận rằng một hệ số đường dẫn giữa hai nhóm chắc chắn khác nhau.

6. Ví dụ tự biên soạn: đọc compositional theo từng cấu trúc

Bảng sau chỉ minh họa cách đọc ở alpha = 0,05; các c và phân vị được đặt để tạo những tình huống khác nhau, không phải đầu ra một bộ dữ liệu đã chạy. Giả sử hồ sơ bước 1 đã được kiểm tra. Niềm tin và Chất lượng vượt mốc 5%, còn Ý định nằm dưới mốc dù c vẫn gần 1.

7. Ví dụ tiếp: khoảng chứa 0 vẫn có thể không đạt bước 3

Tiếp tục chỉ với hai composite đã qua bước 2 trong ví dụ. Chênh lệch log phương sai của Niềm tin bằng 0,30, nằm ngoài [−0,18; 0,18]. Khoảng này có chứa 0 nhưng không chứa 0,30, nên không hỗ trợ bình đẳng phương sai. Niềm tin chỉ có bằng chứng partial, còn Chất lượng có thêm bằng chứng bước 3. Ý định chưa đạt bước 2 nên không được bỏ qua khi mô tả phạm vi toàn mô hình.

# Constructed summary values, not a MICOM estimation pipeline.
observed <- c(0.12, 0.30, -0.08, 0.05)
lower <- c(-0.20, -0.18, -0.15, -0.17)
upper <- c( 0.20,  0.18,  0.16,  0.17)
inside <- observed >= lower & observed <= upper
data.frame(observed, lower, upper, inside)
# Expected: TRUE FALSE TRUE TRUE
log(1.35 / 1.00) # 0.3001046, approximately 0.30 in the table
stopifnot(identical(inside, c(TRUE, FALSE, TRUE, TRUE)))

8. Quy trình SmartPLS và hồ sơ cần giữ

Trong SmartPLS, tạo data groups trước rồi chọn Permutation để đọc các bảng MICOM. Giữ cùng loại ước lượng khi so sánh; không trộn một nhóm chạy PLS và nhóm kia chạy PLSc. Ghi phiên bản, nhóm A/B, số hoán vị, alpha và seed nếu được công bố trong cấu hình. Chọn mức tính toán phù hợp mục đích và kiểm tra lại kết quả sát mốc (SmartPLS, n.d.-b).

9. Khi MICOM chưa hỗ trợ bất biến

Ưu tiên kiểm tra nguyên nhân có thể đối chiếu: đảo chiều sai, khác phiên bản câu hỏi, item bị loại khác nhau, cách xử lý missing hoặc thiết lập thuật toán. Nếu phát hiện lỗi, sửa theo cùng quy tắc rồi chạy lại. Nếu khác biệt phản ánh nội dung thang đo, cần xem lại lý thuyết và công cụ, không chỉ tăng số lần hoán vị (Hair et al., 2018, chương 4).

Không đạt bất biến không chứng minh dữ liệu giả hoặc một nhóm trả lời kém. Ngược lại, không thấy khác biệt trong nhóm nhỏ chưa chứng minh hai phép đo tương đương. Báo cáo mô hình từng nhóm theo phạm vi có thể bảo vệ, nêu rõ giới hạn của việc so sánh và phân biệt nhóm định trước với phân khúc khám phá từ FIMIX/PLS-POS.

10. Báo cáo theo từng composite và từng bước

Báo cáo theo logic của Henseler et al. (2016) và Hair et al. (2018, chương 4): bằng chứng cấu hình, kết quả compositional, rồi trung bình/phương sai. Nêu rõ full invariance không tự suy ra không có khác biệt đường dẫn. Nếu cần kiểm định paths, chuyển sang bài PLS-MGA thực hành sau khi xác định phạm vi bất biến được hỗ trợ.

• Giữ đủ c và mốc hoán vị, chưa làm tròn trước khi quyết định.
• Phân biệt chênh lệch phương sai với chênh lệch log phương sai.
• So khoảng bước 3 với chênh lệch quan sát, không chỉ với 0.
• Ghi trường hợp đơn chỉ báo và composite chưa hỗ trợ bất biến.
• Giữ số liệu trong ảnh nguồn tách biệt với ví dụ tự biên soạn.