Khi mô hình nghiên cứu có nhiều khái niệm tiềm ẩn và nhiều mối quan hệ đồng thời, mô hình cấu trúc tuyến tính (SEM) là lựa chọn mạnh hơn hồi quy. Câu hỏi đặt ra cho hầu hết học viên và nghiên cứu sinh là: dùng CB-SEM (thường thực hiện trên AMOS) hay PLS-SEM (thường thực hiện trên SmartPLS)? Hai phương pháp có mục tiêu thống kê khác nhau, bộ chỉ số đánh giá khác nhau và phù hợp với những loại đề tài khác nhau. Bài viết so sánh có hệ thống CB-SEM và PLS-SEM, giải thích các chỉ số CFI, TLI, RMSEA, HTMT, và đưa ra tiêu chí chọn phương pháp.
SEM gồm những thành phần nào?
Mọi mô hình SEM đều có hai phần. Mô hình đo lường (measurement model) mô tả quan hệ giữa khái niệm tiềm ẩn và các biến quan sát đo nó; đây là nơi đánh giá độ tin cậy và giá trị thang đo. Mô hình cấu trúc (structural model) mô tả các giả thuyết tác động giữa các khái niệm. Trong hình dưới, ba khái niệm Sự tin cậy, Chất lượng dịch vụ và Giá cả được giả thuyết tác động đến Sự hài lòng.
CB-SEM (kiểu AMOS): ước lượng dựa trên hiệp phương sai
CB-SEM tìm bộ tham số sao cho ma trận hiệp phương sai do mô hình tái tạo gần nhất với ma trận hiệp phương sai của dữ liệu, thường bằng ước lượng hợp lý cực đại (ML). Vì vậy CB-SEM cho phép đánh giá mức độ phù hợp tổng thể của mô hình với dữ liệu, đây là thế mạnh lớn nhất khi mục tiêu là kiểm định hoặc xác nhận lý thuyết. Quy trình điển hình gồm phân tích nhân tố khẳng định (CFA) để đánh giá mô hình đo lường, sau đó ước lượng mô hình cấu trúc.
Các chỉ số phù hợp thường báo cáo và ngưỡng tham khảo (Hu và Bentler, 1999; Hair và cộng sự, 2019):
| Chỉ số | Ý nghĩa | Ngưỡng tham khảo |
|---|---|---|
| χ²/df | Chi-bình phương điều chỉnh theo bậc tự do | ≤ 3 (một số tác giả chấp nhận ≤ 5) |
| CFI, TLI | Mức cải thiện so với mô hình độc lập | ≥ 0,90; tốt khi ≥ 0,95 |
| RMSEA | Sai số xấp xỉ trên mỗi bậc tự do | ≤ 0,08; tốt khi ≤ 0,06 |
| SRMR | Phần dư chuẩn hóa trung bình | ≤ 0,08 |
Mô hình đo lường trong CB-SEM được đánh giá qua hệ số tải chuẩn hóa (thường ≥ 0,5, tốt khi ≥ 0,7), độ tin cậy tổng hợp CR ≥ 0,7, phương sai trích trung bình AVE ≥ 0,5 và giá trị phân biệt theo Fornell-Larcker hoặc HTMT. CB-SEM đòi hỏi cỡ mẫu tương đối lớn, dữ liệu xấp xỉ chuẩn đa biến và mô hình phải nhận dạng được (identified).
PLS-SEM (kiểu SmartPLS): tối đa hóa phương sai giải thích
PLS-SEM ước lượng mô hình theo từng khối bằng thuật toán lặp, với mục tiêu tối đa hóa phương sai được giải thích (R²) của các biến nội sinh. Phương pháp không giả định phân phối chuẩn, vận hành được với mẫu nhỏ hơn và mô hình phức tạp, hỗ trợ tự nhiên thang đo cấu tạo (formative). Vì không có sai số chuẩn theo lý thuyết, ý nghĩa thống kê được xác định bằng bootstrapping: lấy mẫu lặp có hoàn lại hàng nghìn lần để xây dựng phân phối của từng hệ số.
Đánh giá PLS-SEM theo hướng dẫn của Hair và cộng sự (2019, 2022) gồm hai giai đoạn. Ở mô hình đo lường, cần xem hệ số tải ngoài (≥ 0,708), độ tin cậy Cronbach's Alpha, rho_A và rho_C (0,7 - 0,95), AVE ≥ 0,5 và HTMT nhỏ hơn 0,85 (hoặc 0,90 với khái niệm gần nhau) theo Henseler và cộng sự (2015). Ở mô hình cấu trúc, cần xem đa cộng tuyến (VIF, lý tưởng dưới 3), hệ số đường dẫn và ý nghĩa qua bootstrapping, R², hệ số tác động f² (0,02 nhỏ; 0,15 trung bình; 0,35 lớn) và khả năng dự báo ngoài mẫu.
So sánh CB-SEM và PLS-SEM
| Tiêu chí | CB-SEM (kiểu AMOS) | PLS-SEM (kiểu SmartPLS) |
|---|---|---|
| Mục tiêu chính | Kiểm định, xác nhận lý thuyết | Dự báo, giải thích biến phụ thuộc, khám phá |
| Nguyên lý ước lượng | Tái tạo ma trận hiệp phương sai (ML) | Tối đa hóa R² theo từng khối |
| Phân phối dữ liệu | Cần xấp xỉ chuẩn đa biến | Không giả định phân phối |
| Cỡ mẫu | Thường từ 200 trở lên | Linh hoạt hơn, vẫn cần đủ power |
| Thang đo cấu tạo | Hạn chế | Hỗ trợ tốt |
| Độ phù hợp toàn cục | Có (CFI, TLI, RMSEA, SRMR) | Hạn chế; tập trung R², f², Q² |
| Ý nghĩa thống kê | Sai số chuẩn theo lý thuyết | Bootstrapping |
Vậy nên chọn phương pháp nào?
- Chọn CB-SEM khi mô hình dựa trên lý thuyết đã vững, mục tiêu là kiểm định lý thuyết, cần báo cáo độ phù hợp toàn cục, thang đo đều là kết quả (reflective) và cỡ mẫu đủ lớn.
- Chọn PLS-SEM khi mục tiêu là dự báo hoặc khám phá, mô hình phức tạp với nhiều khái niệm, có thang đo cấu tạo, dữ liệu lệch chuẩn hoặc cỡ mẫu hạn chế.
- Đừng chọn phương pháp vì "chạy ra kết quả đẹp hơn". Lý do lựa chọn phải được trình bày trong chương phương pháp và nhất quán với mục tiêu nghiên cứu.
Lưu ý quan trọng: CB-SEM và PLS-SEM là hai phương pháp khác nhau, nên hệ số ước lượng không trùng nhau. So sánh kết quả giữa hai phương pháp chỉ có ý nghĩa khi mục đích là kiểm tra độ vững (robustness), và phải được trình bày minh bạch.
Phân tích SEM online trên ResearchSTAT
Trong trang SEM của ResearchSTAT, bạn chọn phân tích theo kiểu AMOS (CB-SEM) hoặc theo kiểu SmartPLS (PLS-SEM), dựng mô hình bằng kéo thả và chạy ngay trên trình duyệt. CB-SEM có kiểm tra nhận dạng, ước lượng ML, hệ số chuẩn hóa, S.E., C.R., p và đầy đủ chỉ số phù hợp. PLS-SEM có bootstrapping với seed để tái lập, khoảng tin cậy phân vị, HTMT, VIF, R², f², tác động gián tiếp và biến điều tiết.
Kết quả mặc định được tính bởi bộ máy thống kê độc lập của ResearchSTAT, không phải do AMOS hay SmartPLS tạo ra, và báo cáo luôn ghi rõ điều này. Khi tổ chức của bạn có giấy phép phù hợp, quản trị viên có thể kết nối phần mềm đã cấp phép qua cầu nối. Khi đó kết quả được ghi đúng tên và phiên bản phần mềm đã tính. Xem các gói có CB-SEM và PLS-SEM tại bảng giá.
Câu hỏi thường gặp
Có cần chạy CFA trước khi chạy SEM không?
Với CB-SEM, có. Quy trình hai bước (Anderson và Gerbing, 1988) yêu cầu mô hình đo lường đạt yêu cầu qua CFA trước khi diễn giải mô hình cấu trúc. Với PLS-SEM, đánh giá mô hình đo lường cũng là bước bắt buộc trước khi xem hệ số đường dẫn.
Nên chạy bao nhiêu mẫu bootstrap?
Hair và cộng sự khuyến nghị tối thiểu 5.000 mẫu cho kết quả cuối cùng (10.000 trong các hướng dẫn gần đây); khi thử nghiệm có thể dùng ít hơn để tiết kiệm thời gian. Hãy ghi lại seed để người khác tái lập được.
Chỉ số phù hợp CB-SEM chưa đạt thì làm gì?
Xem hệ số tải thấp, phần dư chuẩn hóa lớn và chỉ số điều chỉnh (modification indices). Chỉ thêm hiệp phương sai sai số khi có lý do lý thuyết, và báo cáo mọi điều chỉnh.
Tài liệu tham khảo
- Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice. Psychological Bulletin, 103(3), 411-423.
- Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55.
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based SEM. Journal of the Academy of Marketing Science, 43(1), 115-135.
- 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.
- Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
