Tính Không Đồng Nhất Ẩn Trong PLS-SEM (Phần 2): PLS-POS Và Cách Kết Hợp Với FIMIX-PLS
Phần 1 của loạt bài trình bày FIMIX-PLS, phương pháp phân khúc dựa trên mô hình hỗn hợp xác suất. Phần 2 này trình bày PLS-POS, một hướng tiếp cận khác dựa trên khoảng cách và trực tiếp tối đa hóa R² trong từng nhóm, cùng cách hai phương pháp có thể kết hợp để kiểm tra chéo kết quả phân khúc.
Bắt đầu đọcPLS-POS: kiểm tra nghiệm trước khi diễn giải nhóm
- Khởi tạo
Nêu k, seed và cách phân nhóm
- Tối ưu
Lưu tiêu chí và cấu hình tìm kiếm
- Kiểm tra nhóm
Quy mô, hệ số và độ ổn định
- Xác minh
Đối chiếu bối cảnh và kiểm tra độ vững
Sơ đồ khái niệm. Nhóm nhỏ hoặc R² cao cần rà soát, không tự chứng minh một phân khúc thực.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Nhắc lại vấn đề từ Phần 1
Phần 1 của loạt bài đã trình bày tính không đồng nhất ẩn (unobserved heterogeneity): hiện tượng mẫu nghiên cứu thực sự chứa nhiều nhóm có quan hệ cấu trúc khác nhau, nhưng mô hình PLS-SEM chạy trên toàn mẫu chỉ cho ra một bộ hệ số đường dẫn trung bình, có thể không đại diện đúng cho nhóm nào. Becker, Rai, Ringle và Völckner (2013) xem đây là một mối đe dọa thực sự đối với giá trị của kết luận nghiên cứu, không phải một chi tiết kỹ thuật có thể bỏ qua. FIMIX-PLS xử lý vấn đề này bằng cách giả định một mô hình hỗn hợp xác suất đứng sau dữ liệu. PLS-POS đi theo một hướng khác.
2. Nguyên lý PLS-POS
PLS-POS trong SmartPLS được mô tả theo Becker, Rai, Ringle và Völckner (2013), phát triển từ các hướng phân đoạn dựa trên khoảng cách trước đó như công trình của Squillacciotti (2005). Thuật toán tái gán quan sát và đánh giá lại mô hình theo nhóm để cải thiện tiêu chí mục tiêu đã chọn. Không nên quy toàn bộ phiên bản PLS-POS hiện hành cho công trình năm 2005.
Khoảng cách dựa trên sai số mô hình cấu trúc; sau một đề xuất chuyển quan sát, các mô hình nhóm và tiêu chí được cập nhật. Phép chuyển chỉ được giữ khi cải thiện tiêu chí, thay vì mặc định quan sát gần nhóm khác thì phải chuyển. PLS-POS hỗ trợ các kiểu đo lường phản ánh và hình thành được mô tả trong sách, nhưng vẫn cần kiểm tra chất lượng mô hình nhóm (Hair et al., 2018, chương 5).
R² dùng để tối ưu được tính trên dữ liệu tham gia tạo phân đoạn. Vì vậy tăng R² ở đây là cải thiện phù hợp trong mẫu theo tiêu chí đã chọn, chưa phải bằng chứng dự báo ngoài mẫu tốt hơn. Nếu mục tiêu là dự báo người mới, cần thiết kế đánh giá độc lập phù hợp; không đổi tên kết quả PLS-POS thành PLSpredict hoặc CVPAT.
3. Các thiết lập trong SmartPLS
| Thiết lập | Ý nghĩa |
|---|---|
| Số phân khúc | Số nhóm cần tách ra, phải định trước. |
| Số vòng lặp tối đa | Giới hạn số vòng lặp của thuật toán tái phân nhóm. |
| Độ sâu tìm kiếm (search depth) | Số ứng viên trong danh sách được xem xét để tái gán; số ứng viên hữu dụng không vượt số quan sát. Theo Hair et al. (2018, chương 5), nên xem đủ ứng viên khi hoàn thiện, thay vì đồng nhất search depth với số vòng lặp hoặc luôn chọn một số cố định. |
| Phân tách ban đầu | Bắt đầu từ một phép gán nhóm ngẫu nhiên, hoặc từ một lời giải FIMIX-PLS đã chạy trước đó. |
| Tiền phân khúc (tùy chọn) | Gán mỗi quan sát vào nhóm phù hợp nhất theo khoảng cách, không kiểm tra xem việc này có cải thiện tiêu chí mục tiêu hay không. |
| Tiêu chí tối ưu hóa | Chọn một trong bốn lựa chọn: tổng R² của tất cả biến tiềm ẩn nội sinh; tổng R² của biến mục tiêu; tổng R² có trọng số theo quy mô tương đối của từng phân khúc (tính trên tất cả biến, hoặc chỉ biến mục tiêu). |
| Biến mục tiêu | Bắt buộc khi chọn tiêu chí dựa trên biến mục tiêu. |
| Số lần chạy lặp lại | Chạy lại từ các phân tách ban đầu khác nhau, so sánh lời giải giữa nhiều số phân khúc. |
4. Diễn giải và so sánh các lời giải
Tài liệu SmartPLS không đưa ra một ngưỡng số để đánh giá một lời giải PLS-POS là "đủ tốt". Hướng dẫn thực tế là so sánh các lời giải giữa nhiều số phân khúc khả dĩ, ưu tiên lời giải cho ra các nhóm có thể diễn giải được theo lý thuyết nghiên cứu, và kiểm tra xem lời giải có ổn định hay không khi chạy lại từ các phân tách ban đầu khác nhau.
Dùng độ sâu tìm kiếm nhỏ giúp chạy thăm dò nhanh hơn, nhưng không bảo đảm đã tìm được nghiệm tốt nhất của tiêu chí R² được tối đa hóa. Lời giải dùng để báo cáo chính thức nên chạy với độ sâu tìm kiếm tối đa.
5. REBUS-PLS: một cái tên hay gặp cùng FIMIX-PLS và PLS-POS
Trong tài liệu học thuật, REBUS-PLS (Esposito Vinzi, Trinchera, Squillacciotti & Tenenhaus, 2008) thường được nhắc cùng FIMIX-PLS và PLS-POS như ba hướng tiếp cận xử lý tính không đồng nhất ẩn trong PLS path modeling. REBUS-PLS dựa trên một chỉ số phù hợp cục bộ (local model fit) để phân nhóm lại các quan sát theo mức độ phù hợp của chúng với mô hình đường dẫn.
Trang tài liệu chính thức của SmartPLS về PLS-POS chỉ trích dẫn REBUS-PLS như một nguồn tham khảo học thuật liên quan, không trình bày REBUS-PLS như một thuật toán có nút bấm riêng trong phần mềm. Vì vậy bài viết này không đi sâu vào quy trình thực hiện REBUS-PLS; nếu cần dùng phương pháp này, nên tham khảo trực tiếp Esposito Vinzi và cộng sự (2008) hoặc phần mềm chuyên dụng khác.
6. Kết hợp PLS-POS với FIMIX-PLS
Có thể dùng phân đoạn FIMIX-PLS làm điểm xuất phát cho PLS-POS, rồi đối chiếu kết quả theo cách tiếp cận đa phương pháp (Sarstedt, Ringle, & Hair, 2017; Hair et al., 2018, chương 5). Trong hướng dẫn hiện hành, SmartPLS có lựa chọn khởi tạo từ FIMIX và thiết lập tương ứng (SmartPLS, n.d.).
Hai nghiệm giống nhau không phải hai lần xác nhận độc lập, đặc biệt khi PLS-POS được khởi tạo từ chính FIMIX. Giữ cả so sánh khởi tạo ngẫu nhiên khi hợp lý, báo cách khởi tạo và tránh coi sự trùng khớp do chia sẻ điểm bắt đầu là bằng chứng đủ về các nhóm có thật. Sách cũng lưu ý lựa chọn presegmentation có thể làm thay đổi mạnh phân đoạn FIMIX ban đầu (Hair et al., 2018, chương 5).
Căn chỉnh nhãn trước khi so thành viên theo ID. Ví dụ giả định sáu người có nhãn FIMIX [1,1,1,2,2,2] và POS [2,2,2,1,1,1]. So nhãn thô cho mức trùng 0%, nhưng sau đổi tên hai nhóm, phân đoạn trùng 100%. Ví dụ chỉ minh họa label switching, không đánh giá hiệu năng thuật toán. Với nhiều nhóm, cần cách ghép nhãn hoặc chỉ số so phân hoạch thích hợp, không chỉ đối chiếu Segment 1 với Segment 1.
Sau khi đánh giá ổn định, giải thích nhóm bằng biến quan sát có cơ sở trong ex post analysis. Những mô tả này giúp hiểu phân đoạn, không tự xác nhận nguyên nhân. Nếu tiến hành MGA trên nhóm được học từ dữ liệu, phải báo tính khám phá, đánh giá bất biến và nhận diện rủi ro dùng cùng dữ liệu để tạo nhóm rồi kiểm định khác biệt.
7. Lỗi thường gặp
| Cách làm yếu | Vì sao chưa phù hợp | Cách làm nên dùng |
|---|---|---|
| "Chạy PLS-POS với độ sâu tìm kiếm nhỏ rồi dùng ngay kết quả để báo cáo." | Độ sâu tìm kiếm nhỏ có thể bỏ lỡ nghiệm có tiêu chí R² tốt hơn, cho nghiệm chưa tối ưu. | Dùng độ sâu tìm kiếm nhỏ để thăm dò, sau đó chạy lại với độ sâu tối đa cho lời giải chính thức. |
| "PLS-POS và FIMIX-PLS cho kết quả khác nhau nên bỏ qua một trong hai." | Hai phương pháp có logic ước lượng khác nhau nên có thể cho cấu trúc phân khúc khác nhau ở mức độ nhất định; đây là thông tin cần thảo luận, không phải lý do loại bỏ phương pháp. | Báo cáo cả hai kết quả, thảo luận mức độ trùng khớp và khác biệt, diễn giải thận trọng nếu hai phương pháp không thống nhất. |
| "Gọi REBUS-PLS là một chức năng có sẵn trong SmartPLS." | Theo tài liệu SmartPLS, REBUS-PLS chỉ được trích dẫn như tài liệu tham khảo, không phải một thuật toán có nút bấm riêng trong phần mềm. | Nêu rõ REBUS-PLS là một phương pháp học thuật liên quan, không phải một tính năng của SmartPLS, nếu muốn dùng cần phần mềm hoặc script riêng. |
8. Ví dụ: vì sao R² của nhóm nhỏ dễ gây hiểu nhầm
Khi tối ưu tổng R² không trọng số, một nhóm nhỏ có R² rất cao có thể đóng góp mạnh vào mục tiêu. Tiêu chí có trọng số dùng tỷ lệ nhóm, nên đóng góp của nhóm nhỏ được giảm tương ứng. Hai tiêu chí trả lời hai bài toán khác nhau; cần ghi tiêu chí đã chọn chứ không so trực tiếp giá trị mục tiêu của chúng như cùng một thang đo (Hair et al., 2018, chương 5).
Ví dụ giả định: 400 quan sát chia thành 360 và 40; R² của một biến mục tiêu là 0,42 và 0,90. Trung bình không trọng số bằng 0,66, nhưng trung bình theo quy mô là 0,90 × 0,42 + 0,10 × 0,90 = 0,468. Nếu R² toàn mẫu bằng 0,44, mức tăng của chỉ báo có trọng số này là 0,028. Đây chỉ là mô tả của ví dụ, không phải một kiểm định có p-value hay mức tăng dự báo ngoài mẫu.
Không gắn R² = 0,90 của 40 quan sát thành bằng chứng về một phân khúc mạnh, cũng không tự kết luận nhóm đó là outlier. Kiểm tra cỡ mẫu theo mô hình, dấu và độ ổn định hệ số, cộng tuyến, dữ liệu trả lời và khả năng lặp lại nghiệm. Nhóm nhỏ cần rà soát; tỷ lệ nhỏ tự nó chưa chứng minh dữ liệu xấu (Hair et al., 2018, chương 5).
| Phạm vi | n | Tỷ trọng | R² |
|---|---|---|---|
| Nhóm 1 | 360 | 0,90 | 0,42 |
| Nhóm 2 | 40 | 0,10 | 0,90 |
| Toàn mẫu | 400 | 1,00 | 0,44 |
| Trung bình nhóm có trọng số | Không phải mô hình gộp | Theo n nhóm | 0,468 |
9. Hồ sơ quyết định và mẫu báo cáo PLS-POS
Với mỗi k, lưu seed, khởi tạo, presegmentation, search depth, số vòng lặp, tiêu chí và giá trị mục tiêu cuối. Xem danh sách ứng viên đủ rộng theo số quan sát, nhưng không xem việc chạy hết iterations hay tăng search depth là chứng nhận tối ưu toàn cục. Cách leo dốc vẫn có thể dừng ở nghiệm cục bộ (Hair et al., 2018, chương 5).
Khi kết quả phụ thuộc mạnh vào khởi tạo hoặc xuất hiện nhóm không đủ thông tin để ước lượng, chưa dùng phân đoạn làm cơ sở cho kết luận chuyên biệt. Có thể thu hẹp dải k, rà dữ liệu và đặc tả, hoặc giữ kết quả toàn mẫu kèm giới hạn. Không loại nhóm chỉ vì không hợp câu chuyện nghiên cứu.
PLS-POS được chạy với k = [ ], tối ưu [tổng R²/có trọng số/biến mục tiêu], khởi tạo [ ] và search depth [ ]. Qua [ ] lần chạy, tiêu chí cuối và thành viên nhóm [mức ổn định]. Quy mô nhóm là [ ]; R² từng nhóm và chỉ báo tổng hợp có trọng số là [ ]. Đối chiếu với FIMIX dùng [cách căn chỉnh nhãn và so phân hoạch]. Kết quả được xem là phân đoạn khám phá, chưa phải kiểm chứng dự báo ngoài mẫu hoặc xác nhận các nhóm có bản chất khác nhau.
10. Bảng kiểm trước khi báo cáo
- Đã nêu rõ tiêu chí tối ưu hóa đã chọn (R² tổng thể hay R² biến mục tiêu, có trọng số hay không) chưa?
- Đã chạy lời giải cuối cùng với độ sâu tìm kiếm tối đa chưa?
- Đã so sánh lời giải giữa nhiều số phân khúc khả dĩ chưa?
- Nếu có kết hợp với FIMIX-PLS, đã báo cáo mức độ trùng khớp giữa hai cấu trúc phân khúc chưa?
- Đã tránh gọi REBUS-PLS là một chức năng có sẵn của SmartPLS chưa?
Kết luận
PLS-POS cung cấp một cách kiểm tra tính không đồng nhất ẩn không dựa trên giả định mô hình xác suất, phù hợp cho cả mô hình đo lường hình thành. Kết hợp với FIMIX-PLS theo hướng đa phương pháp giúp kiểm tra chéo xem cấu trúc phân khúc phát hiện được có ổn định qua các logic ước lượng khác nhau hay không, thay vì chỉ dựa vào kết quả của một thuật toán duy nhất.
Dù chọn FIMIX-PLS, PLS-POS, hay cả hai, điểm chung quan trọng nhất vẫn là: số phân khúc không phải một con số tùy ý, và một phân khúc chỉ có giá trị báo cáo khi vừa có cơ sở thống kê vừa diễn giải được theo lý thuyết nghiên cứu.
Tài liệu tham khảo
- Squillacciotti, S. (2005). Prediction oriented classification in PLS path modeling. In T. Aluja et al. (Eds.), PLS and Marketing: Proceedings of the 4th International Symposium on PLS and Related Methods (pp. 499-506). DECISIA.
- Esposito Vinzi, V., Trinchera, L., Squillacciotti, S., & Tenenhaus, M. (2008). REBUS-PLS: A response-based procedure for detecting unit segments in PLS path modelling. Applied Stochastic Models in Business and Industry, 24(5), 439-458. https://doi.org/10.1002/asmb.728
- Becker, J.-M., Rai, A., Ringle, C. M., & Völckner, F. (2013). Discovering unobserved heterogeneity in structural equation models to avert validity threats. MIS Quarterly, 37(3), 665-694. https://doi.org/10.25300/MISQ/2013/37.3.01
- Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Treating unobserved heterogeneity in PLS-SEM: A multi-method approach. In H. Latan & R. Noonan (Eds.), Partial least squares path modeling (pp. 197–217). Springer. https://doi.org/10.1007/978-3-319-64069-3_9
- Hair, J. F., Jr., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2018). Advanced issues in partial least squares structural equation modeling. SAGE. https://us.sagepub.com/en-us/nam/advanced-issues-in-partial-least-squares-structural-equation-modeling/book243803
- SmartPLS. (n.d.). PLS prediction-oriented segmentation (PLS-POS). https://smartpls.com/documentation/algorithms-and-techniques/prediction-and-segmentation/pos/
Ghi chú học thuật: Bài viết trình bày nguyên lý chung của PLS-POS theo tài liệu gốc và tài liệu hướng dẫn của SmartPLS. Phần về REBUS-PLS chỉ giới thiệu khái quát dựa trên trích dẫn xuất hiện trong tài liệu PLS-POS, không phải một hướng dẫn thực hiện đầy đủ cho phương pháp đó.