Sau khi có được dữ liệu và vẽ xong diagram mô hình đường dẫn, chúng ta sẽ tiến hành chạy phân tích mô hình ước lượng trên phần mềm SMARTPLS (phần hướng dẫn bên dưới là phiên bản 3.2.2). Nếu bạn chưa biết cách vẽ mô hình đường dẫn, các bạn vui lòng xem trước bài viết Cách sử dụng phần mềm SMARTPLS để phân tích PLS-SEM.
Để tải và kích hoạt dùng thử vĩnh viễn phần mềm SMARTPLS Full, các bạn có thể làm theo các bước tại bài viết này.
1. Thiết lập phân tích mô hình ước lượng trên SMARTPLS 3
Tại giao diện diagram, chúng ta nhấp vào Calculate > PLS Algorithm. Lưu ý, nút này chỉ xuất hiện khi chúng ta đang ở cửa số diagram hình vẽ mô hình đường dẫn.
Bài viết này sẽ sử dụng các thuật ngữ của PLS-SEM, để hiểu được chính xác nội dung, bạn vui lòng xem trước bài viết Mô hình cấu trúc và mô hình đo lường trong PLS-SEM. Cửa sổ Partial Least Squares Algorithm xuất hiện, tiến hành thiết lập phân tích mô hình ước lượng SMARTPLS như sau:
- Weighting Scheme: Chọn Path vì phương pháp “lược đồ trong số đường dẫn - path weighting là phương pháp tối ưu hơn hai phương pháp còn lại bởi nó cung cấp hệ số R bình phương cao nhất cho từng mô hình đường dẫn (Lohmoller, 1989) và có thể áp dụng cho mọi loại mô hình PLS-SEM (Henseler và cộng sự, 2012).
- Maximum Iterations: Mặc định của phần mềm là 300. Đặc tính thuật toán PLS là một quá trình lặp của phương pháp hồi quy bình phương tối thiểu nhỏ nhất với mục tiêu tìm ra trọng số ngoài outer weight (hệ số hồi quy) của các biến quan sát để tính toán giá trị biến tiềm ẩn. Số vòng lặp sẽ dừng nếu giá trị trọng số ngoài của mô hình đạt được sự hội tụ. Nếu số bước lặp vượt quá 300, mô hình không tính toán được trọng số ngoài các biến quan sát, từ đó không thể tìm ra được “mối liên hệ trọng số" giữa biến tiềm ẩn và các biến quan sát.
- Stop Criterion(10^-X): Mặc định của phần mềm là 7. Đây là tiêu chuẩn ngưỡng dừng của quá trình lặp. Hair và cộng sự (2016) đề xuất giá trị này là 5, hoặc 7, SMARTPLS sử dụng ngưỡng 7 làm mặc định.
Tiếp tục nhấp vào Start Calculation để tiến hành phân tích.
Output kết quả PLS Algorithm xuất hiện, chúng ta sẽ quan tâm đến 3 mục như ảnh bên dưới. Mục số 1, Export to Excel, Web, R để chúng ta xuất kết quả output ra file excel, file html hoặc định dạng của phần mềm R. Mục số 2 là giao diện hiển thị kết quả khi chúng ta nhấp vào các đầu mục kết quả ở mục 3. Mục số 3 là danh sách các kết quả phân tích mô hình.
Sau khi ước lượng thành công, chúng ta sẽ cần hiểu được các kết quả tại mục 3 trước khi đi vào đánh giá chất lượng mô hình và đọc kết quả phân tích. Còn chi tiết về đọc kết quả mô hình đo lường trên SMARTPLS, các bạn sẽ xem tại bài viết này.
2. Hiểu cơ bản các chỉ số mô hình ước lượng trên SMARTPLS 3
Khi mô hình ước lượng thành công, SMARTPLS sẽ xuất hiện một tab mới là PLS Algorithm (Run No.1). Cứ mỗi lần chạy ước lượng như trên sẽ xuất hiện một tab PLS Algorithm mới như vậy.
a. Stop Criterion Changes
Kết quả này cho chúng ta biết quá trình ước lượng mô hình dừng lại sau bao nhiêu vòng lặp.
Bàng trên dừng ở Iteration 2, như vậy, mô hình trải qua 2 vòng lặp để xác định được các trọng số ngoài từng biến quan sát. Các giá trị như 0.203, 0.229... ở mỗi cột tương ứng với trọng số ngoài hay còn có ý nghĩa khác là hệ số hồi quy của biến quan sát lên biến tiềm ẩn mẹ.
b. Laten Variable
Một điểm khác biệt lớn của PLS-SEM so với CB-SEM đó là nếu CB-SEM không xây dựng biến tiềm ẩn mà chỉ tính toán giá trị của nó thông qua các biến quan sát thì trên PLS-SEM, thuật toán này sẽ xây dựng nên biến tiềm ẩn.
Giá trị biến tiềm ẩn đóng vai trò rất quan trọng để tính toán các chỉ số ước lượng mô hình, giúp xác định được trọng số ngoài, hệ số tải ngoài...
Chúng ta có thể chuyển qua lại giữa các tab để xem thêm các thông số khác của biến tiềm ẩn như tương quan giữa các biến (tab Latent Variable Correlations), thống kê mô tả mean - min - max - độ lệch chuẩn biến (tab LV Descriptives).
c. Outer Loadings
Gọi là hệ số tải ngoài, lưu ý rằng chỉ số này khác với trọng số ngoài (outer weight). Hệ số này cũng mô tả mối quan hệ giữa biến quan sát với biến tiềm ẩn mẹ.
Khi đọc kết quả ước lượng mô hình nhằm xem biến quan sát nào phù hợp/không phù hợp, chúng ta sẽ căn cứ vào outer loadings chứ không dựa vào outer weights. Sự khác biệt về khái niệm, giá trị của hai chỉ số này liên quan đến dạng mô hình đo lường mối quan hệ giữa biến tiềm ẩn và biến quan sát là reflective hay formative. Chi tiết các bạn có thể tham khảo trong cuốn Hair et al. (2017), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM).
d. Path Coefficients
Gọi là hệ số hồi quy của mô hình đường dẫn biểu diễn mối liên hệ tác động giữa các biến tiềm ẩn trong mô hình SEM.
Giá trị này đã được chuẩn hóa và biểu diễn dưới dạng bảng ma trận. Với các cột bôi vàng đóng vai trò là phụ thuộc, còn các hàng bôi cam là độc lập. Ví dụ: Biến HL là phụ thuộc, chịu sự tác động của 3 biến độc lập là CV, DK, TL với 3 hệ số hồi quy chuẩn hóa tương ứng là 0.423, 0.438, 0.350.
Bảng này chúng ta sẽ không có giá trị p-value (sig) của mối tác động. Do đó, chúng ta chưa kết luận được đường dẫn tác động nào có ý nghĩa thống kê hoặc không có ý nghĩa thống kê. Để có thể xuất hiện giá trị p-value, chúng ta sẽ cần đi đến phân tích Bootstrap trên SMARTPLS.
Sau khi phân tích mô hình ước lượng, chúng ta sẽ tiến hành đọc kết quả của mô hình đo lường và mô hình cấu trúc. Mời các bạn xem bài viết Đánh giá mô hình đo lường dạng kết quả trên SMARTPLS.
Nếu bạn gặp những vấn đề trong phân tích SMARTPLS, bạn có thể tham khảo dịch vụ SMARTPLS của Phạm Lộc Blog hoặc liên hệ trực tiếp email xulydinhluong@gmail.com.