Các thắc mắc ngoài dịch vụ, bạn vui lòng thảo luận tại nhóm Facebook này nhé.
😄

Đánh giá mô hình SEM bậc hai dạng nguyên nhân trên SMARTPLS

Bài viết này sẽ tiếp nối nội dung bài Xử lý mô hình biến bậc hai, biến bậc cao trong SMARTPLS. Do vậy, bạn cần xem toàn bộ nội dung bài viết trên để nắm được phần lý thuyết mở đầu mới có thể hiểu được nội dung sắp đề cập dưới đây.

mô hình SEM bậc hai dạng nguyên nhân

Cách đọc kết quả ở mô hình bậc cao mà mối quan hệ biến bậc hai - biến bậc một ở dạng nguyên nhân hay kết quả sẽ khác nhau cực kỳ nhiều. Do vậy, các bạn cần phải xác định chính xác dạng thang đo của biến bậc hai với biến bậc một. Bài viết này sẽ hướng dẫn các bạn chi tiết cách đánh giá mô hình SEM bậc hai trên SMARTPLS mà mối quan hệ biến bậc hai - biến bậc một ở dạng nguyên nhân (formative)

Ở bài viết Xử lý mô hình biến bậc hai, biến bậc cao trong SMARTPLS chúng ta đã đi tới bước 3. Chúng ta sẽ tiếp tục bước 4.

Bước 4: Tạo diagram mới cho giai đoạn hai của kỹ thuật hai giai đoạn.

Tiến hành tạo một diagram mới biểu diễn các biến LOC vào mô hình. Lúc này từ mô hình bậc hai chúng ta đã chuyển về mô hình bậc một cơ bản. Biến tiềm ẩn CLDV từ bậc hai chuyển thành biến tiềm ẩn bậc một, các LOC gồm CSVC, GC, NV chuyển thành biến quan sát.

mô hình SEM bậc hai dạng nguyên nhân

Bước 5: Đánh giá mô hình đo lường HOC dạng nguyên nhân.

Mô hình của HOC là dạng nguyên nhân (mối quan hệ biến bậc hai - biến bậc một ở dạng nguyên nhân), chúng ta dựa theo cách đọc kết quả ở bài viết Đánh giá mô hình đo lường dạng nguyên nhân trên SMARTPLS nhưng có một số điều chỉnh như bên dưới:

1. Đánh giá chất lượng biến bậc một

Tiếp tục phân tích Bootstrapping để đánh giá chất lượng biến bậc một. Từ output Bootstrapping, nhấp vào Outer Weights.

xử lý biến bậc hai trong SMARTPLS

Chúng ta sẽ dùng đến kết quả Outer Weights mối liên hệ giữa biến bậc một với biến bậc hai, các kết quả khác bỏ qua.

xử lý biến bậc hai trong SMARTPLS

→ Kết quả cho thấy p-value Outer Weights của CSVC và GC nhỏ hơn 0.05, như vậy hai biến bậc một này có ý nghĩa trong mô hình. Riêng biến NV có p-value bằng 0.227 > 0.05 không có ý nghĩa thống kê. Nếu biến có Outer Weights không có ý nghĩa thống kê, chúng ta chưa vội kết luận biến bậc một không có ý nghĩa trong mô hình mà phải xét tiếp hệ số tải ngoài Outer Loadings của biến đó. Quay lại output, nhấp vào Outer Loadings.

xử lý biến bậc hai trong SMARTPLS

Giá trị Outer Loadings của các biến nằm ở cột Original Sample (O). Các cột khác chúng ta không cần quan tâm kết quả thế nào.

xử lý biến bậc hai trong SMARTPLS

→ Hệ số tải ngoài outer loading của NL bằng 0.676 > 0.5 nên biến quan sát NL vẫn được giữ lại để đánh giá mô hình (Hair và cộng sự, 2011). Hay nói cách khác, biến bậc một NL có ý nghĩa trong mô hình.

2. Đánh giá độ tin cậy, tính hội tụ, tính phân biệt

Sẽ không đánh giá các yếu tố này cho mô hình HOC.

Bước 6: Đánh giá mô hình cấu trúc có biến bậc hai.

Cách đánh giá, ngưỡng tiêu chí đánh giá hoàn toàn giống với khi đánh giá mô hình cấu trúc cho LOC, bạn xem tại bài viết Chạy Bootstrap và đánh giá mô hình cấu trúc trên SMARTPLS. Các tiêu chí cần đánh giá trong mô hình cấu trúc sẽ gồm: tính cộng tuyến, mối quan hệ tác động, giá trị R bình phường, giá trị Effect size giữa HOC với các biến khác trong mô hình.

1. Đánh giá cộng tuyến giữa các biến bậc một

Với HOC dạng nguyên nhân, các biến bậc một được giả định là không có sự tương quan quá mạnh. Nếu có tương quan mạnh giữa các LOC này sẽ dẫn đến tình trạng cộng tuyến/đa cộng tuyến giữa các biến bậc một, điều này là không tốt trong đo lường. 

Để đánh giá vấn đề cộng tuyến giữa các LOC, chúng ta dùng bảng Outer VIF Values từ phân tích PLS Algorithm ở giai đoạn hai.

mô hình SEM bậc hai dạng nguyên nhân

→ Outer VIF Values của CSVC, GC, NV đều rất nhỏ (dưới ngưỡng 5). Như vậy, không xảy ra tình trạng cộng tuyến giữa các biến quan sát nguyên nhân của thang đo CLDV.

2. Đánh giá cộng tuyến giữa các biến trong mô hình

Chúng ta vẫn đánh giá cộng tuyến giữa các biến trong mô hình một cách bình thường dựa vào bảng Inner VIF Values từ phân tích PLS Algorithm ở giai đoạn hai.

mô hình SEM bậc hai dạng nguyên nhân

→ Do trong hình huống này chỉ có một mối tác động từ CLDV lên SHL nên VIF luôn luôn bằng 1. Trường hợp có nhiều mối tác động hơn sẽ có nhiều giá trị VIF hơn. Nếu tất cả Inner VIF Values trong bảng này dưới ngưỡng 5 (hoặc 3, tùy ngưỡng sử dụng) thì mô hình không xảy ra tình trạng cộng tuyến.

3. Đánh giá các mối tác động

Để đánh giá các mối quan hệ tác động, chúng ta sẽ sử dụng kết quả Path Coefficients của phân tích Bootstrap. 

mô hình SEM bậc hai dạng nguyên nhân

→ Biến CLDV có tác động lên SHL do P Values kiểm định t bằng 0.000 < 0.05. Nếu có nhiều biến tác động vào SHL, chúng ta sẽ dùng hệ số tác động chuẩn hóa Original Sample để so sánh sự tác động mạnh yếu giữa giữa các biến độc lập.

4. Mức độ giải thích của biến độc lập cho phụ thuộc (R bình phương)

Để đánh giá hệ số R bình phương, chúng ta sẽ sử dụng kết quả R Square của phân tích PLS Algorithm

mô hình SEM bậc hai dạng nguyên nhân

→ R bình phương hiệu chỉnh của SHL bằng 0.303, như vậy biến độc lập CLDV giải thích được 30.3% sự biến thiên (phương sai) của biến SHL.

5. Mức độ ảnh hưởng của biến độc lập effect size f2 (f bình phương)

Để đánh giá hệ số f2 (f bình phương), chúng ta sẽ sử dụng kết quả f Square của phân tích PLS Algorithm

mô hình SEM bậc hai dạng nguyên nhân

Cohen (1988) đã đề xuất bảng chỉ số f Square để đánh giá tầm quan trọng của các biến độc lập như sau:

  • f Square < 0.02: mức tác động là cực kỳ nhỏ hoặc không có tác động.
  • 0.02 ≤ f Square < 0.15: mức tác động nhỏ.
  • 0.15 ≤ f Square < 0.35: mức tác động trung bình.
  • f Square ≥ 0.35: mức tác động lớn.

→ Giá trị f Square của CLDV bằng 0.444, do vậy, CLDV tác động lên SHL ở mức mạnh.

Đăng nhận xét