Trong nghiên cứu định lượng hiện đại, nhiều người bắt đầu quan tâm đến câu hỏi pls là gì khi cần một phương pháp có thể xử lý mô hình phức tạp, dữ liệu chưa thật sự lý tưởng và các mối quan hệ có tính dự đoán. Đây là một hướng tiếp cận thống kê rất hữu ích trong bối cảnh người nghiên cứu không chỉ muốn kiểm định giả thuyết mà còn muốn lý giải cơ chế tác động giữa các khái niệm trừu tượng thông qua dữ liệu thực tế.
Khác với nhiều kỹ thuật phân tích truyền thống chỉ tập trung vào từng mối liên hệ riêng lẻ, PLS-SEM cho phép xem xét đồng thời nhiều biến, nhiều đường tác động và cả phần đo lường lẫn phần cấu trúc trong cùng một mô hình. Chính nhờ sự linh hoạt này mà phương pháp ngày càng được sử dụng rộng rãi trong marketing, quản trị, giáo dục, hành vi người tiêu dùng, công nghệ thông tin và y tế. Nếu bạn đang tìm thêm tài liệu học thuật hoặc cần hỗ trợ phân tích, có thể tham khảo tại chayspss.
Thành phần của mô hình PLS là gì?
Một mô hình PLS-SEM thường được xây dựng từ hai phần chính, và mỗi phần đều có vai trò riêng trong việc giải thích câu chuyện mà dữ liệu đang phản ánh. Hiểu rõ hai thành phần này là bước nền tảng để người nghiên cứu không chỉ chạy mô hình đúng kỹ thuật mà còn diễn giải kết quả đúng logic lý thuyết.
Phần thứ nhất là mô hình đo lường, nơi các biến quan sát được dùng để đại diện cho các khái niệm tiềm ẩn. Trong ngôn ngữ học thuật, các khái niệm này thường được gọi là latent variable. Đây là những yếu tố không thể đo trực tiếp nhưng có thể được phản ánh hoặc hình thành thông qua nhiều chỉ báo cụ thể. Ví dụ, sự hài lòng, lòng trung thành, chất lượng cảm nhận hay niềm tin thương hiệu đều là những khái niệm kiểu này.
Trong mô hình đo lường, có hai dạng thường gặp là phản xạ và hình thành. Với mô hình phản xạ, các biến quan sát được xem là hệ quả của biến tiềm ẩn. Chẳng hạn, mức độ hài lòng với sản phẩm, dịch vụ và ý định giới thiệu có thể được xem là biểu hiện của sự hài lòng tổng thể. Ngược lại, trong mô hình hình thành, chính các chỉ báo hợp lại để tạo thành khái niệm nghiên cứu. Ví dụ, chất lượng dịch vụ có thể được cấu thành từ sự đáp ứng, độ tin cậy và tính hữu hình. Việc xác định đúng loại mô hình đo lường có ý nghĩa rất lớn vì nó ảnh hưởng trực tiếp đến cách ước lượng và diễn giải kết quả.
Phần thứ hai là mô hình cấu trúc, tức là phần mô tả các mối quan hệ giữa các biến tiềm ẩn trong mô hình. Mỗi đường nối giữa hai khái niệm thể hiện một giả thuyết nghiên cứu. Hệ số đường dẫn cho biết chiều hướng và mức độ tác động của biến này lên biến kia. Ví dụ, người nghiên cứu có thể giả định rằng nhận thức giá trị ảnh hưởng tích cực đến ý định mua, hoặc niềm tin thương hiệu tác động đến lòng trung thành. Phần mô hình này giúp kiểm định lý thuyết và làm rõ cơ chế tác động giữa các khái niệm trong nghiên cứu.
Ưu điểm của PLS-SEM
Không phải ngẫu nhiên mà phương pháp này được sử dụng ngày càng phổ biến. Một trong những ưu điểm rõ nhất là khả năng làm việc khá tốt với dữ liệu không tuân theo phân phối chuẩn. Trong khi nhiều phương pháp SEM truyền thống đòi hỏi điều kiện dữ liệu nghiêm ngặt hơn, pls-sem linh hoạt hơn và thích hợp với các bộ dữ liệu thực nghiệm thường gặp trong khảo sát xã hội, hành vi khách hàng hay nghiên cứu quản trị.
Một lợi thế khác là khả năng vận hành với cỡ mẫu tương đối nhỏ. Trong thực tế, không phải đề tài nào cũng có điều kiện thu thập hàng trăm hay hàng nghìn quan sát. Với các nghiên cứu khám phá hoặc các bối cảnh khó lấy mẫu, phương pháp này thường là lựa chọn phù hợp hơn so với những kỹ thuật cần mẫu lớn mới hoạt động ổn định.
Ngoài ra, partial least squares còn đặc biệt hữu ích khi mô hình nghiên cứu có nhiều biến tiềm ẩn, nhiều chỉ báo hoặc cấu trúc phức tạp. Người dùng có thể xây dựng các mô hình bậc cao, mô hình trung gian, điều tiết, hoặc những mô hình có nhiều quan hệ đồng thời. Đây là điểm mạnh khiến phương pháp được ưa chuộng trong nghiên cứu ứng dụng.
Một ưu điểm đáng chú ý nữa là thiên hướng dự đoán. Thay vì chỉ tập trung vào mức độ phù hợp tổng thể của mô hình, phương pháp này hướng đến việc tối đa hóa phần phương sai được giải thích ở các biến phụ thuộc. Vì vậy, nó phù hợp với các nghiên cứu muốn giải thích hành vi, dự báo xu hướng hoặc xác định yếu tố tác động mạnh nhất trong một bối cảnh cụ thể.
Hạn chế của PLS-SEM
Dù có nhiều thế mạnh, phương pháp này vẫn tồn tại một số điểm cần cân nhắc. Hạn chế đầu tiên là không có hệ thống chỉ số đánh giá độ phù hợp tổng thể của mô hình theo cách quen thuộc như trong CB-SEM. Điều đó khiến người nghiên cứu không thể chỉ nhìn vào một vài chỉ số toàn cục để kết luận mô hình tốt hay chưa, mà phải đánh giá từng phần một cách kỹ lưỡng hơn.
Một vấn đề khác là nếu xác định sai bản chất của mô hình đo lường, đặc biệt là nhầm giữa phản xạ và hình thành, kết quả ước lượng có thể lệch đáng kể. Sai lầm ở bước này không chỉ ảnh hưởng đến chỉ số thống kê mà còn dẫn đến diễn giải sai bản chất của khái niệm nghiên cứu.
Ngoài ra, cộng đồng học thuật vẫn còn có sự khác biệt nhất định trong cách báo cáo và giải thích kết quả PLS-SEM. Một số nghiên cứu trình bày rất đầy đủ, trong khi một số khác lại lược bỏ các bước kiểm định cần thiết. Điều này làm cho việc đọc, so sánh và đánh giá chất lượng bài nghiên cứu đôi khi gặp khó khăn.
Trong vài trường hợp, mô hình cũng có thể tạo ra các hệ số đường dẫn khá cao nếu dữ liệu bị nhiễu hoặc người nghiên cứu chưa kiểm soát tốt các điều kiện phân tích. Khi đó, nguy cơ quá khớp có thể xuất hiện. Vì thế, pls model nên được sử dụng thận trọng, đặc biệt khi mục tiêu là xác nhận lý thuyết thay vì chỉ khám phá quan hệ.
Ứng dụng của PLS-SEM
Phương pháp này có mặt trong rất nhiều lĩnh vực nghiên cứu thực tiễn. Trong marketing, nó thường được dùng để kiểm định các mô hình hành vi khách hàng, chẳng hạn mối quan hệ giữa nhận thức thương hiệu, giá trị cảm nhận, sự hài lòng và ý định mua. Đây là môi trường ứng dụng rất điển hình vì dữ liệu khảo sát trong marketing thường vừa phức tạp vừa có nhiều biến tiềm ẩn.
Trong quản trị, PLS-SEM hỗ trợ phân tích các yếu tố tác động đến hiệu suất nhân viên, sự gắn kết tổ chức, phong cách lãnh đạo hay thành công dự án. Nhờ khả năng mô hình hóa các quan hệ đa chiều, phương pháp này giúp người nghiên cứu hiểu sâu hơn về cơ chế tác động giữa các yếu tố trong doanh nghiệp.
Bên cạnh đó, phương pháp còn xuất hiện trong xã hội học, giáo dục, công nghệ thông tin và y tế. Ví dụ, trong lĩnh vực sức khỏe, nhà nghiên cứu có thể dùng nó để xem xét mối liên hệ giữa nhận thức điều trị, sự hỗ trợ xã hội, mức độ tuân thủ và kết quả điều trị. Sự linh hoạt này là lý do khiến nó trở thành công cụ thực hành được đánh giá cao trong nhiều ngành.
Phần mềm hỗ trợ PLS-SEM
Để triển khai phân tích, người dùng thường cần tới các phần mềm chuyên dụng. Trong số đó, smartpls là lựa chọn rất quen thuộc vì giao diện trực quan, dễ làm quen và hỗ trợ đầy đủ các bước từ dựng mô hình, chạy ước lượng đến kiểm định kết quả. Đây là phần mềm thường được sinh viên và nhà nghiên cứu lựa chọn khi mới tiếp cận phương pháp này.
Một công cụ khác cũng được dùng khá nhiều là ADANCO, vốn phù hợp hơn với những người muốn khai thác các tính năng nâng cao hoặc xử lý mô hình phức tạp. Ngoài ra, một số môi trường phân tích như R cũng hỗ trợ thực hiện PLS-SEM thông qua các gói lệnh chuyên biệt, nhưng cách này đòi hỏi người dùng có kiến thức về lập trình và kỹ năng xử lý cú pháp.
Việc chọn phần mềm nào phụ thuộc vào mục tiêu nghiên cứu, mức độ phức tạp của mô hình và kinh nghiệm của người sử dụng. Với người mới bắt đầu, công cụ có giao diện kéo thả thường là lựa chọn dễ tiếp cận hơn.
So sánh PLS-SEM và CB-SEM
Khi đặt hai phương pháp này cạnh nhau, điểm khác biệt lớn nhất nằm ở mục tiêu phân tích. CB-SEM chủ yếu hướng đến kiểm định mức độ phù hợp của mô hình lý thuyết với dữ liệu quan sát. Trong khi đó, PLS-SEM tập trung nhiều hơn vào khả năng giải thích và dự đoán các biến phụ thuộc.
CB-SEM thường yêu cầu dữ liệu chuẩn hơn, mẫu lớn hơn và ưu tiên cho các nghiên cứu xác nhận lý thuyết. Ngược lại, phương pháp dựa trên partial least squares linh hoạt hơn với dữ liệu thực nghiệm và thường phù hợp với các nghiên cứu mang tính khám phá hoặc phát triển mô hình trong bối cảnh mới.
CB-SEM cũng có các chỉ số tổng thể như RMSEA, CFI hay TLI để đánh giá mô hình, trong khi PLS-SEM dựa vào nhiều tiêu chí thành phần hơn. Vì vậy, việc chọn phương pháp nào không nên dựa trên chuyện công cụ nào “tốt hơn” tuyệt đối, mà phải căn cứ vào mục tiêu nghiên cứu, chất lượng dữ liệu và định hướng lý thuyết của đề tài.
Tiêu chí đánh giá mô hình PLS-SEM
Việc đánh giá mô hình là bước bắt buộc nếu muốn kết quả có giá trị học thuật. Trước hết, cần kiểm tra mô hình đo lường. Với mô hình phản xạ, người nghiên cứu thường xem xét độ tin cậy và giá trị hội tụ của các thang đo. Các chỉ số như Cronbach’s alpha, Composite Reliability và AVE là những tiêu chuẩn được sử dụng phổ biến để xác nhận rằng các biến quan sát đang đo lường tốt khái niệm nghiên cứu.
Đối với mô hình hình thành, trọng số của các biến quan sát và ý nghĩa thống kê của chúng trở nên quan trọng hơn. Người nghiên cứu cần chắc chắn rằng từng chỉ báo thực sự đóng góp đúng chiều và đúng mức vào cấu trúc đang được xây dựng.
Sau đó là phần mô hình cấu trúc. Ở bước này, cần xem xét hệ số đường dẫn, mức ý nghĩa thống kê, hệ số xác định R² của các biến phụ thuộc và đôi khi là kích thước hiệu ứng của từng mối quan hệ. Những chỉ số đó giúp trả lời xem mô hình đang giải thích được bao nhiêu và yếu tố nào có ảnh hưởng mạnh hơn trong tổng thể nghiên cứu.
Hướng dẫn thực hiện PLS-SEM
Để triển khai một nghiên cứu bằng phương pháp này, trước tiên cần xác định rõ mục tiêu nghiên cứu và xây dựng mô hình lý thuyết. Người nghiên cứu phải xác định đâu là biến tiềm ẩn, đâu là biến quan sát, các giả thuyết nào sẽ được kiểm định và mối liên hệ giữa các khái niệm được thiết lập ra sao. Đây là bước quyết định nền tảng của toàn bộ quá trình phân tích.
Tiếp theo là thu thập dữ liệu từ đối tượng phù hợp với đề tài. Sau khi có dữ liệu, cần làm sạch, xử lý giá trị thiếu, kiểm tra lỗi nhập liệu và chuẩn bị bộ dữ liệu sẵn sàng cho phân tích. Dữ liệu càng được chuẩn bị tốt thì kết quả mô hình càng đáng tin cậy.
Sau đó, người dùng đưa dữ liệu vào phần mềm, chẳng hạn smartpls, để khai báo mô hình đo lường và mô hình cấu trúc. Khi chạy thuật toán xong, cần tiến hành đánh giá từng phần của mô hình theo các tiêu chí phù hợp. Cuối cùng là bước diễn giải kết quả, đối chiếu với giả thuyết ban đầu và thảo luận ý nghĩa học thuật cũng như ý nghĩa thực tiễn của các phát hiện.
Trong một số bối cảnh gần với dự báo hơn là mô hình hóa cấu trúc, người học cũng có thể bắt gặp các khái niệm như pls regression hay hồi quy pls. Dù có liên hệ về nền tảng, các cách tiếp cận này có mục tiêu và cách sử dụng khác nhau, nên cần phân biệt rõ khi trình bày nghiên cứu.
Kết luận
Khi quay lại câu hỏi pls là gì, có thể hiểu đây là một hướng tiếp cận mạnh trong phân tích mô hình cấu trúc, đặc biệt hữu ích khi dữ liệu phức tạp, mẫu không quá lớn và mục tiêu nghiên cứu thiên về giải thích hoặc dự đoán. Từ mô hình đo lường đến mô hình cấu trúc, phương pháp này cung cấp một khuôn khổ khá toàn diện để kiểm tra các mối quan hệ giữa những khái niệm khó đo lường trực tiếp.
Dù vẫn tồn tại những giới hạn nhất định, PLS-SEM sẽ phát huy giá trị rất lớn nếu được dùng đúng bối cảnh, đúng mục tiêu và được đánh giá cẩn thận. Với người làm nghiên cứu thực nghiệm, đây là một công cụ đáng học và đáng đầu tư thời gian để nắm vững.
Khám phá Dịch vụ SPSS tại: Dịch vụ chạy SPSS | Uy tín & Hiệu quả
Khám phá Dịch vụ AMOS tại: Dịch vụ chạy AMOS | Uy tín & Hiệu quả
Khám phá Dịch vụ STATA/EVIEWS tại: Dịch vụ chạy STATA/EVIEWS | Uy tín & Hiệu quả
Khám phá Dịch vụ SMARTPLS tại: Dịch vụ chạy SMARTPLS | Uy tín & Hiệu quả