Robustness testing trong SEM: xây dựng ma trận kiểm định độ bền vững
Robustness không phải chạy thật nhiều biến thể rồi chọn kết quả đẹp nhất. Một kiểm tra có giá trị phải gắn với mối đe dọa cụ thể, giữ mô hình chính làm mốc và công bố đầy đủ khi kết luận thay đổi.
Quy trình bắt đầu bằng mô hình chính được đặc tả trước, sau đó lập ma trận threat-check-evidence cho phân phối và estimator, ngoại lệ, missing, đặc tả mô hình, nội sinh, phi tuyến, dị biệt mẫu và đo lường. CB-SEM và PLS-SEM cần các công cụ khác nhau nên không được chuyển nguyên xi một thủ tục giữa hai hệ.
Kiểm định độ vững bắt đầu từ điểm dễ tổn thương
- Kết luận chính
Xác định kết luận cần bảo vệ
- Giả định
Chọn điểm cần kiểm tra độ nhạy
- Phương án
Đổi đặc tả có cơ sở
- Đối chiếu
Báo cáo cả ổn định và thay đổi
Sơ đồ khái niệm. Không chỉ giữ lại những kiểm tra cho kết quả thuận lợi.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Robustness testing trả lời câu hỏi nào?
Một kết luận được xem là bền vững khi dấu, độ lớn và ý nghĩa thực chất của nó không thay đổi nghiêm trọng dưới những lựa chọn phân tích thay thế hợp lý. Từ khóa là hợp lý: mỗi biến thể phải đại diện cho một rủi ro có thể xảy ra trong thiết kế, đo lường hoặc ước lượng.
Robust standard error, robustness testing và replication là ba khái niệm khác nhau. Robust correction xử lý một số vi phạm phân phối; robustness testing so kết luận giữa các đặc tả; replication đánh giá khả năng lặp lại trên dữ liệu mới. Không một thủ tục đơn lẻ thay thế được hai thủ tục còn lại.
Vaithilingam và cộng sự (2024) tổng kết thực hành robustness trong PLS-SEM và nhấn mạnh việc chọn kỹ thuật phải phù hợp với mối đe dọa. Bài này mở rộng logic threat-check sang cả CB-SEM nhưng luôn ghi rõ công cụ nào chỉ phù hợp PLS-SEM.
- Mô hình chính được xác định trước khi xem các biến thể.
- Mỗi kiểm tra gắn với một mối đe dọa cụ thể.
- Kết quả được so bằng dấu, độ lớn và uncertainty.
- Không chỉ báo cáo biến thể thuận lợi.
- CB-SEM và PLS-SEM được xử lý bằng công cụ phù hợp.
- Kết luận yếu đi sẽ được ghi nhận, không bị che.
2. Khóa primary model trước khi chạy robustness
Primary model là đặc tả chính được bảo vệ bằng lý thuyết, thiết kế nghiên cứu và kế hoạch phân tích. Nó xác định biến, quan hệ, biến kiểm soát, estimator, cách xử lý missing, thang đo và tiêu chí loại dữ liệu. Nếu primary model thay đổi sau mỗi kết quả, robustness dễ trở thành specification searching. Kline (2023) đặt đặc tả và đánh giá mô hình trong chuỗi lập luận lý thuyết, chẩn đoán và so sánh có thể kiểm tra.
Hãy lập một bảng phiên bản trước khi chạy. Mỗi hàng ghi mã phân tích, thay đổi duy nhất so với mô hình chính, mối đe dọa được kiểm tra và kết quả nào sẽ được so. Cách này giữ vai trò của từng biến thể rõ ràng.
Robustness không cứu được một mô hình không có nhận dạng nhân quả. Dữ liệu cắt ngang, tự báo cáo và không ngẫu nhiên vẫn giới hạn causal claim dù hệ số ổn định qua nhiều đặc tả. Antonakis và cộng sự (2010) cảnh báo rằng nội sinh có thể làm diễn giải nhân quả sai ngay cả khi mô hình có fit tốt.
| Mã | Thay đổi so với primary model | Mối đe dọa | Kết quả so |
|---|---|---|---|
| M0 | Không thay đổi | Mô hình chính | Estimate, SE hoặc CI, fit, R2 hoặc Q2 |
| R1 | Estimator hoặc bootstrap khác | Không chuẩn | Dấu, CI, fit |
| R2 | Giữ và loại trường hợp ảnh hưởng | Ngoại lệ | Độ thay đổi estimate |
| R3 | Đặc tả controls hợp lý khác | Omitted variable | Estimate mục tiêu |
| R4 | Nhóm hoặc phân đoạn | Heterogeneity | Chênh lệch đường dẫn |
| R5 | Thêm thành phần phi tuyến | Nonlinearity | Hình dạng và predictive relevance |
3. Lập ma trận mối đe dọa trước khi chọn kỹ thuật
Một danh sách dài các kiểm định không tự động tạo độ tin cậy. Hãy bắt đầu từ các câu hỏi: giả định nào dễ sai, sai theo cơ chế nào, thành phần nào của kết luận sẽ bị ảnh hưởng và dữ liệu hiện có có thể kiểm tra đến đâu?
Không phải nghiên cứu nào cũng cần mọi kiểm tra. Nghiên cứu cắt ngang một nguồn cần ưu tiên measurement quality, common method và giới hạn causal claim. Nghiên cứu đa nhóm cần ưu tiên measurement invariance. Mô hình PLS-SEM định hướng dự báo cần thêm đánh giá predictive performance ngoài mẫu.
Ma trận dưới đây giúp chọn kiểm tra theo nguy cơ, không theo phần mềm đang có.
| Mối đe dọa | Dấu hiệu | Kiểm tra có thể dùng | Bằng chứng cần báo |
|---|---|---|---|
| Không chuẩn | Đuôi nặng, CR kurtosis lớn | Robust SE, bootstrap, estimator phù hợp | Estimate, SE hoặc CI, fit |
| Ngoại lệ hoặc ảnh hưởng | Mahalanobis lớn, residual bất thường | Hồ sơ trường hợp và sensitivity | Kết quả giữ và xử lý |
| Missing | Tỷ lệ hoặc mô hình thiếu khác nhóm | FIML, multiple imputation, sensitivity | Cơ chế giả định và khác biệt |
| Sai đặc tả | Residual hoặc theory conflict | Alternative plausible models | Fit và tham số mục tiêu |
| Nội sinh | Reverse causality, omitted causes | Design, IV, Gaussian copula khi phù hợp PLS | Điều kiện nhận dạng |
| Dị biệt | Nhóm hoặc mixture tiềm ẩn | Invariance, MGA, segmentation | Chênh lệch và cỡ nhóm |
| Phi tuyến | Pattern residual, theory | Quadratic hoặc interaction có căn cứ | Hình dạng hiệu ứng |
| Common method | Một nguồn, cùng thời điểm | Thiết kế thủ tục và marker hoặc method factor | Giới hạn và sensitivity |
4. Độ nhạy với phân phối và estimator
Trong CB-SEM, so ML thông thường với robust correction hoặc bootstrap giúp đánh giá liệu sai số chuẩn, confidence interval và fit có nhạy với không chuẩn hay không. Curran, West và Finch (1996) cho thấy không chuẩn có thể tương tác với sai đặc tả, còn Savalei (2014) giải thích robust correction điều chỉnh suy luận chứ không sửa mô hình sai. Yuan và Bentler (2000) trình bày các phương án likelihood cho dữ liệu không chuẩn và thiếu. Nếu kết luận đổi, không nên chọn phiên bản có p thuận lợi hơn; cần nêu rõ estimator nào phù hợp giả định hơn.
Trong AMOS, Bollen và Stine (1992) đề xuất bootstrap goodness-of-fit có thể bổ sung đánh giá fit dưới không chuẩn, còn bootstrap CI hỗ trợ suy luận cho một số tham số. Với ordinal ít mức hoặc cần scaled statistics, phần mềm hỗ trợ estimator categorical hoặc robust có thể phù hợp hơn.
Trong PLS-SEM, bootstrapping là cơ chế suy luận phổ biến nhưng không phải robustness check cho mọi rủi ro. Cần kiểm tra riêng nội sinh, phi tuyến, dị biệt và khả năng dự báo khi các mối đe dọa đó có lý do.
Bootstrap thường lượng hóa sampling uncertainty. Nó chỉ trở thành một phần của robustness plan khi được gắn với câu hỏi rõ ràng và được so với primary model.
5. Ngoại lệ, điểm ảnh hưởng và missing data
Một quan sát bất thường có thể ảnh hưởng mạnh đến covariance và đường dẫn. Quy trình tốt là xác minh dữ liệu, giải thích khả năng thuộc tổng thể, rồi so mô hình có và không có trường hợp theo tiêu chí công bố trước. Không xóa chỉ vì p-value thay đổi.
Missing data đòi hỏi mô tả tỷ lệ, pattern và giả định cơ chế. Complete-case analysis có thể làm giảm lực và tạo bias nếu việc thiếu liên quan đến biến nghiên cứu. Trong CB-SEM, FIML thường được cân nhắc khi giả định phù hợp; multiple imputation là lựa chọn khác nhưng phải bảo toàn cấu trúc phân tích.
Sensitivity nên tập trung vào tham số mục tiêu. Nếu một đường dẫn đổi dấu hoặc CI mở rộng rõ dưới cách xử lý missing hợp lý khác, kết luận phải được hạ mức chắc chắn.
| Phiên bản | N | Estimate mục tiêu | 95% CI | Kết luận |
|---|---|---|---|---|
| Primary model | 420 | 0,24 | [0,10; 0,38] | Hiệu ứng dương |
| Không có 3 trường hợp ảnh hưởng | 417 | 0,22 | [0,08; 0,36] | Không đổi thực chất |
| FIML thay complete case | 438 | 0,19 | [0,04; 0,34] | Yếu hơn nhưng cùng dấu |
| Multiple imputation | 438 | 0,20 | [0,05; 0,35] | Phù hợp với FIML |
6. Độ nhạy với đặc tả và nguy cơ nội sinh
Alternative model phải hợp lý về lý thuyết, không phải mọi cấu hình có thể tưởng tượng. Ví dụ, so mô hình có và không có một biến kiểm soát được xác định trước, hoặc so thứ tự nhân quả cạnh tranh khi thiết kế không phân biệt tốt. Ghi rõ biến thể nào được hình thành trước và biến thể nào là hậu nghiệm.
Nội sinh có thể đến từ biến bị bỏ sót, sai số đo, reverse causality hoặc selection. Fit của SEM không chứng minh exogeneity. Kiểm tra cần dựa trên thiết kế tốt hơn, dữ liệu theo thời gian, instrumental variables có điều kiện nhận dạng bảo vệ hoặc kỹ thuật chuyên biệt có giả định minh bạch.
Trong PLS-SEM, Gaussian copula đôi khi được dùng để kiểm tra một dạng nội sinh khi biến giải thích không chuẩn và các điều kiện khác phù hợp. Kết quả không thay thế lập luận nhận dạng. Trong CB-SEM, lựa chọn IV hoặc mô hình đồng thời phải được đặc tả và nhận dạng rõ.
Một hệ số ổn định qua nhiều controls vẫn có thể bị bias nếu mọi đặc tả chia sẻ cùng một biến bị bỏ sót hoặc cùng sai số đo.
7. Dị biệt mẫu, bất biến đo lường và phi tuyến
Nếu nhóm có ý nghĩa lý thuyết, trước khi so đường dẫn cần đánh giá measurement invariance. Trong CB-SEM, multigroup invariance thường tiến từ cấu hình đến ràng buộc tải, intercept và residual theo mục tiêu. Trong PLS-SEM, MICOM hỗ trợ đánh giá invariance của composite trước MGA.
Dị biệt không quan sát được có thể làm hiệu ứng trung bình che hai cơ chế trái chiều. Segmentation hoặc mixture modeling có thể hữu ích, nhưng nghiệm phải ổn định, có cỡ nhóm đủ và có diễn giải nội dung. Không chọn số nhóm chỉ vì một nghiệm tạo p-value thuận lợi.
Phi tuyến nên được kiểm tra khi lý thuyết hoặc residual gợi ý. Thêm bậc hai hoặc interaction cần đi cùng biểu đồ predicted values và vùng dữ liệu có hỗ trợ. Một hệ số tuyến tính không ý nghĩa không chứng minh quan hệ bằng không nếu hình dạng thật là cong.
| Mối đe dọa | CB-SEM | PLS-SEM | Điều kiện chung |
|---|---|---|---|
| Invariance | Multigroup CFA | MICOM | Cấu trúc đo lường có thể so |
| Khác biệt đường dẫn | Constrained multigroup test | MGA hoặc permutation | Nhóm có lý thuyết và cỡ mẫu |
| Dị biệt ẩn | Mixture SEM | Segmentation | Nghiệm ổn định và có ý nghĩa |
| Phi tuyến | Latent interaction hoặc quadratic | Quadratic hoặc interaction | Có giả thuyết và vùng dữ liệu hỗ trợ |
| Dự báo | Holdout hoặc cross-validation phù hợp | PLSpredict hoặc CVPAT | Tách model fit khỏi prediction |
8. Quy trình robustness có thể tái lập
Quy trình dưới đây phù hợp làm phụ lục phân tích. Số biến thể có thể ít hoặc nhiều hơn tùy rủi ro, nhưng thứ tự phải giúp người đọc thấy primary model trước và các thay đổi sau.
Chốt estimand và primary model
Nêu tham số hoặc kết luận chính, mô hình, estimator và dữ liệu phân tích.
Liệt kê mối đe dọa
Dựa trên thiết kế, thang đo, nguồn dữ liệu và mục tiêu CB-SEM hoặc PLS-SEM.
Chọn một kiểm tra cho từng mối đe dọa ưu tiên
Không chạy kỹ thuật vì nó có sẵn trong phần mềm.
Đăng ký mã biến thể
Ghi đúng một thay đổi chính so với primary model và kết quả cần so.
Kiểm tra mô hình đo lường
Đảm bảo mọi phiên bản vẫn có nghiệm hợp lệ và measurement invariance khi so nhóm.
Chạy cùng tiêu chuẩn báo cáo
Lưu estimate, uncertainty, fit hoặc prediction cho cả kết quả thuận và nghịch.
So dấu, độ lớn và CI
Không chỉ so p-value; xác định mức thay đổi có ý nghĩa thực chất.
Giải thích bất nhất
Liên hệ thay đổi với mối đe dọa thay vì chọn phiên bản đẹp hơn.
Hạ mức kết luận khi cần
Nếu kết luận nhạy, viết rõ phạm vi và nhu cầu dữ liệu mới.
Lưu mã, output và bảng đối chiếu
Đảm bảo người khác có thể tái tạo primary model và từng sensitivity check.
9. Ví dụ giả định: một kết luận mạnh đến đâu?
Ví dụ dưới đây là minh họa. Primary CB-SEM trên N = 438 cho hiệu ứng Chất lượng thông tin đến Ý định sử dụng là beta = .24, 95% CI [.10, .38]. Mô hình robust estimator cho beta = .23, 95% CI [.08, .38]. Khi dùng FIML thay complete cases, beta = .19, 95% CI [.04, .34].
Khi thêm một biến kiểm soát được xác định trước, beta giảm còn .14, 95% CI [-.01, .29]. Dấu không đổi nhưng uncertainty bao gồm 0. Điều này cho thấy bằng chứng nhạy với đặc tả controls, không phải bằng chứng hoàn toàn bền vững.
Báo cáo trung thực sẽ nói kết luận ổn định trước estimator và missing treatment nhưng yếu hơn dưới đặc tả control hợp lý. Không nên chỉ trình bày hai biến thể đầu.
| Phiên bản | Mối đe dọa | beta | 95% CI | Đánh giá |
|---|---|---|---|---|
| M0 Primary | Mô hình chính | .24 | [.10, .38] | Bằng chứng dương |
| R1 Robust estimator | Không chuẩn | .23 | [.08, .38] | Ổn định |
| R2 FIML | Missing | .19 | [.04, .34] | Yếu hơn, cùng kết luận |
| R3 Control set | Omitted variable | .14 | [-.01, .29] | Nhạy với đặc tả |
| R4 Loại điểm ảnh hưởng | Ngoại lệ | .22 | [.07, .37] | Ổn định |
10. Mẫu báo cáo APA 7 và bảng kiểm
Mẫu dưới đây dùng số giả định. Bảng robustness nên đi kèm bài viết hoặc phụ lục và phải chứa cả biến thể làm kết luận yếu hơn.
Mẫu báo cáo tiếng Việt
Mô hình chính cho thấy [X] liên hệ với [Y], beta = .24, 95% CI [.10, .38]. Kết quả gần tương đương khi dùng [robust estimator], beta = .23, 95% CI [.08, .38], và khi xử lý dữ liệu thiếu bằng FIML, beta = .19, 95% CI [.04, .34]. Tuy nhiên, sau khi thêm bộ biến kiểm soát được xác định trước, ước lượng giảm còn beta = .14, 95% CI [-.01, .29]. Do đó, kết luận ổn định trước lựa chọn estimator và missing-data treatment nhưng nhạy với đặc tả biến kiểm soát. Kết quả được diễn giải như bằng chứng liên hệ có điều kiện, không như xác nhận nhân quả.
- Đã xác định estimand và primary model trước sensitivity checks.
- Mỗi kiểm tra gắn với một mối đe dọa cụ thể.
- Đã phân biệt robust correction với robustness testing.
- Đã chọn công cụ đúng cho CB-SEM hoặc PLS-SEM.
- Đã so estimate và confidence interval, không chỉ p-value.
- Đã kiểm tra dữ liệu gốc trước khi xử lý ngoại lệ.
- Đã mô tả giả định xử lý missing.
- Đã xem xét sai đặc tả và nội sinh theo thiết kế.
- Đã kiểm tra invariance trước khi so nhóm.
- Đã báo cáo biến thể làm kết luận yếu hơn.
- Không diễn giải sự ổn định thành bằng chứng nhân quả.
- Đã lưu mã, output và bảng phiên bản để tái lập.
- Đã ghi rõ ví dụ nào là giả định.
- Đã đối chiếu trích dẫn với danh mục tài liệu tham khảo.
Kết luận
Robustness testing có giá trị khi nó là một thiết kế kiểm tra rủi ro, không phải một bộ thao tác hậu nghiệm. Primary model phải luôn là mốc và mọi biến thể phải có lý do trước khi nhìn kết quả.
Một kết luận tốt có thể là bền vững, bền vững có điều kiện hoặc nhạy. Cả ba đều hữu ích nếu được báo cáo trung thực, vì chúng cho người đọc biết phạm vi mà bằng chứng thực sự hỗ trợ.
Tài liệu tham khảo
- Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6), 1086-1120. https://doi.org/10.1016/j.leaqua.2010.10.010
- Bollen, K. A., & Stine, R. A. (1992). Bootstrapping goodness-of-fit measures in structural equation models. Sociological Methods & Research, 21(2), 205-229. https://doi.org/10.1177/0049124192021002004
- Curran, P. J., West, S. G., & Finch, J. F. (1996). The robustness of test statistics to nonnormality and specification error in confirmatory factor analysis. Psychological Methods, 1(1), 16-29. https://doi.org/10.1037/1082-989X.1.1.16
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
- Savalei, V. (2014). Understanding robust corrections in structural equation modeling. Structural Equation Modeling: A Multidisciplinary Journal, 21(1), 149-160. https://doi.org/10.1080/10705511.2013.824793
- Vaithilingam, S., Ong, C. S., Moisescu, O. I., & Nair, M. S. (2024). Robustness checks in PLS-SEM: A review of recent practices and recommendations for future applications in business research. Journal of Business Research, 173, 114465. https://doi.org/10.1016/j.jbusres.2023.114465
- Yuan, K. H., & Bentler, P. M. (2000). Three likelihood-based methods for mean and covariance structure analysis with nonnormal missing data. Sociological Methodology, 30(1), 165-200. https://doi.org/10.1111/0081-1750.00078
Ghi chú học thuật: Các số trong ví dụ là giả định. Một số kỹ thuật như MICOM, MGA và Gaussian copula thuộc quy trình PLS-SEM; không chuyển nguyên xi sang CB-SEM. Robustness analysis không biến dữ liệu quan sát thành bằng chứng nhân quả.