Khi đọc kết quả SMARTPLS 4, chúng ta phải tuân theo trình tự hai giai đoạn bắt buộc:
Giai đoạn 1 - Đánh giá mô hình đo lường (Measurement model): Kiểm tra chất lượng thang đo: độ tin cậy, tính hội tụ, tính phân biệt.
Giai đoạn 2 - Đánh giá mô hình cấu trúc (Structural model): Kiểm tra ý nghĩa các quan hệ, mức độ giải thích, đa cộng tuyến, các tác động gián tiếp, điều tiết, MGA…
Hai giai đoạn này bắt buộc theo đúng thứ tự, mô hình đo lường đạt thì chúng ta mới được phép đi tới mô hình cấu trúc, vì nếu thang đo đo lường không đạt → cấu trúc không có ý nghĩa.
I. Cách đọc kết quả SMARTPLS 4: Mô hình đo lường (Measurement Model)
Giai đoạn này nhằm đánh giá độ tin cậy và giá trị (hội tụ, phân biệt) của các thang đo dùng để đo lường các khái niệm (biến tiềm ẩn) trong mô hình. Mục tiêu trọng tâm nhằm đảm bảo bộ câu hỏi xây dựng đo lường cho một nhân tố là phù hợp. Các biến quan sát (mỗi câu hỏi nhỏ) hay nhân tố nào không đảm bảo chất lượng sẽ được loại bỏ trước khi đi vào phần đánh giá mô hình cấu trúc.
Trong PLS-SEM, mỗi cấu trúc nhân tố có thể được đo lường theo hai dạng thang đo: reflective (phản ánh/kết quả) và formative (tạo thành/nguyên nhân). Nếu trình bày đồng thời cả hai trong một bài viết tổng hợp, nội dung sẽ trở nên rối và khó nắm bắt trọng tâm.
Vì thang đo reflective xuất hiện trong phần lớn các nghiên cứu, toàn bộ phần đánh giá mô hình đo lường dưới đây sẽ chỉ áp dụng cho thang đo reflective.
Nếu bạn cần xem hướng dẫn đầy đủ về cách đánh giá thang đo formative, vui lòng tham khảo bài viết riêng tại đây.
Lấy ví dụ một mô hình nghiên cứu như sau:
1. Đánh giá chất lượng biến quan sát (indicator reliability)
Việc đánh giá chất lượng các biến quan sát (chỉ báo - indicator) nhằm xác định xem trong mỗi cấu trúc nhân tố, các biến quan sát có phản ánh tốt khái niệm tiềm ẩn hay không. Thông qua bước này, chúng ta có thể phát hiện những biến quan sát có mức độ giải thích thấp và loại bỏ chúng, chỉ giữ lại những biến thực sự đại diện và phù hợp nhất cho biến tiềm ẩn.
Ngưỡng đánh giá:
- ≥ 0.7 → Biến quan sát có chất lượng tốt.
- < 0.4 → Nên loại bỏ.
- Từ 0.4 đến < 0.7 → Cân nhắc giữ hoặc loại tùy vào (đây là ngưỡng tranh cãi và phụ thuộc nhiều vào góc độ người đánh giá):
- CR hoặc AVE chưa đạt → Nếu loại biến giúp CR/AVE đạt chuẩn thì nên loại.
- CR & AVE đã đạt chuẩn → Có thể giữ lại nếu biến có ý nghĩa lý thuyết.
Đề tài này tác giả muốn loại bỏ hẳn các biến quan sát có outer loading dưới 0.7, chỉ giữ lại các biến quan sát có outer loading từ 0.7 trở lên. Kết quả cho thấy biến BH6 và QH1 có outer loading dưới 0.7 nên hai biến này sẽ được loại bỏ khỏi diagram và phân tích lại lần 2.
2. Độ tin cậy thang đo (Scale Reliability)
SMARTPLS cung cấp ba chỉ số đánh giá độ tin cậy thang đo hay độ tin cậy nhất quán nội bộ là Cronbach's alpha, Composite reliability rho_a và Composite reliability rho_c.
Theo Hair và cộng sự (2022), Cronbach’s Alpha có xu hướng đánh giá thấp độ tin cậy của thang đo, trong khi Composite Reliability – rho_c lại thường đánh giá quá cao độ tin cậy. Vì vậy, mức độ tin cậy thực sự của một cấu trúc tiềm ẩn thường được xem là nằm giữa hai giá trị này.
Trong bối cảnh đó, rho_a (Dillon–Goldstein’s rho) được xem là chỉ số phản ánh độ tin cậy chính xác hơn, bởi giá trị của nó thường nằm giữa Cronbach’s Alpha và rho_c, giúp thể hiện đúng hơn mức độ nhất quán nội tại của thang đo (Hair et al., 2022). Đây cũng chính là khác biệt quan trọng giữa Composite Reliability rho_c và Composite Reliability rho_a — khi rho_a được ưu tiên như một thước đo đáng tin cậy hơn. Tuy nhiên, trong một số trường hợp Composite Reliability rho_a lại rất dễ nhạy cảm với dữ liệu cho ra giá trị vượt ngưỡng 1.
Xem thêm: Khác biệt Composite Reliability rho_c và rho_a trong SMARTPLS
Ngưỡng đánh giá chung cho cả 3 chỉ số độ tin cậy:
- ≥ 0.70 → đạt độ tin cậy phù hợp
- ≥ 0.60 → đạt độ tin cậy tạm chấp nhận (chỉ trong nghiên cứu khám phá)
- > 0.95 → nguy cơ trùng lặp biến quan sát
- Nếu mang dấu âm hoặc vượt ngưỡng 1 là dấu hiệu dữ liệu bị lỗi.
Ví dụ: Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Construct reliability and validity.
Kết quả cho thấy toàn bộ các cấu trúc nhân tố đều đạt độ tin cậy tốt khi cả Cronbach’s Alpha và Composite Reliability (rho_c) đều lớn hơn ngưỡng chấp nhận 0.7. Điều này khẳng định các biến quan sát trong từng thang đo có mức độ nhất quán nội tại cao và đo lường tốt cùng một khái niệm.
Trong trường hợp xuất hiện cấu trúc nhân tố vi phạm ngưỡng độ tin cậy tối thiểu, quy trình xử lý bắt đầu bằng việc loại dần các biến quan sát có hệ số tải ngoài (outer loading) thấp nhất trong thang đo, sau đó chạy lại phân tích PLS-SEM để kiểm tra lại độ tin cậy. Việc loại biến được thực hiện lặp lại nhiều vòng cho đến khi cấu trúc nhân tố đạt được độ tin cậy theo yêu cầu thì dừng.
Nếu sau khi loại biến, thang đo vẫn còn tối thiểu hai biến quan sát và đạt ngưỡng độ tin cậy, ta kết luận cấu trúc nhân tố đạt độ tin cậy. Ngược lại, nếu số biến quan sát giảm xuống còn hai mà thang đo vẫn không đạt ngưỡng độ tin cậy, cấu trúc nhân tố đó được xem là không đạt độ tin cậy và xem xét loại bỏ khỏi mô hình. Một số trường hợp đặc biệt có thể chấp nhận thang đo chỉ gồm một biến quan sát, nhưng điều này chỉ nên áp dụng rất hạn chế.
3. Tính hội tụ thang đo (Convergent Validity)
Để đánh giá tính hội tụ thang đo trên SMARTPLS, chúng ta sẽ dựa vào chỉ số phương sai trung bình được trích AVE (Average Variance Extracted). Hock & Ringle (2010) cho rằng một thang đo đạt giá trị hội tụ nếu AVE đạt từ 0.5 trở lên. Mức 0.5 (50%) này mang ý nghĩa biến tiềm ẩn mẹ trung bình sẽ giải thích được tối thiểu 50% biến thiên của từng biến quan sát con.
Ngưỡng đánh giá:
- ≥ 0.50 → thang đo đạt tính hội tụ
Dữ liệu thu thập không tốt, vi phạm độ tin cậy, tính hội tụ-phân biệt, biến bị loại quá nhiều ... Bạn cần hỗ trợ từ một dịch vụ phân tích SMARTPLS uy tín, hãy liên hệ với Phạm Lộc Blog qua zalo 093 395 1549 hoặc email xulydinhluong@gmail.com để bên mình có thể tư vấn và hỗ trợ bạn có được kết quả tốt nhất nhé.
Ví dụ: Từ kết quả phân tích PLS-SEM algorithm, cũng nhấp vào mục Construct reliability and validity và xem cột cuối của bảng.
Kết quả cho thấy tất cả các cấu trúc nhân tố đều đạt tính hội tụ, thể hiện qua việc AVE của các thang đo đều ≥ 0.50.
Trong trường hợp một thang đo có AVE < 0.50, ta sẽ loại bỏ lần lượt các biến quan sát có outer loading thấp nhất để cải thiện giá trị AVE. Việc loại biến diễn ra lặp lại cho đến khi thang đo đạt AVE ≥ 0.50.
Nếu sau khi loại biến, thang đo vẫn còn tối thiểu 2 biến quan sát và AVE đạt ngưỡng, ta kết luận thang đo đủ tính hội tụ.
Ngược lại, nếu thang đo chỉ còn 2 biến quan sát mà AVE vẫn dưới 0.50, khi đó thang đo không đạt tính hội tụ và cần loại bỏ toàn bộ nhân tố khỏi mô hình.
4. Tính phân biệt thang đo (Discriminant Validity)
Tính phân biệt nhằm đảm bảo mỗi cấu trúc nhân tố (latent variable) là duy nhất và khác biệt so với các cấu trúc còn lại trong mô hình. Một thang đo đạt tính phân biệt khi nó không bị trộn lẫn hoặc đo cùng một khái niệm với thang đo khác.
Nếu tính phân biệt bị vi phạm, chúng ta không thể khẳng định các cấu trúc trong mô hình là độc lập — dẫn đến sai lệch trong estimations của mô hình cấu trúc và làm giảm ý nghĩa giải thích của nghiên cứu.
Trong SMARTPLS 4, tính phân biệt được kiểm tra bằng hai cách chính:
a. Tiêu chí Fornell and Larcker
Phương pháp cho rằng tính phân biệt sẽ được đảm bảo khi căn bậc hai chỉ số AVE của một nhân tố lớn hơn tất cả hệ số tương quan của nhân tố đó với các nhân tố khác trong mô hình. Chi tiết bạn xem ở bài viết Đánh giá tính phân biệt thang đo bằng bảng Fornell and Larcker.
Ngưỡng đánh giá:
- √AVE > tất cả các tương quan trong cùng hàng/cột → đạt tính phân biệt
- Nếu bất kỳ tương quan nào ≥ √AVE → vi phạm tính phân biệt
Ví dụ: Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Fornell-Larcker criterion.
Phần bôi vàng trong bảng chính là căn bậc hai của chỉ số AVE của từng nhân tố (ví dụ: BH = 0.737, NB = 0.882, QC = 0.783…). Phần không bôi vàng thể hiện hệ số tương quan giữa các nhân tố.
Khi đọc kết quả Fornell–Larcker, chúng ta so sánh hệ số tương quan giữa hai nhân tố với căn bậc hai AVE của từng nhân tố trong cặp đó.
-
Nếu hệ số tương quan nhỏ hơn cả hai giá trị căn bậc hai AVE, thì cặp nhân tố đạt tính phân biệt.
-
Nếu tương quan lớn hơn hoặc bằng một trong hai giá trị căn bậc hai AVE, thì cặp nhân tố đó vi phạm tính phân biệt.
Ví dụ minh họa:
-
Tương quan giữa BH và NB: 0.641
-
Căn bậc hai AVE của BH: 0.797
-
Căn bậc hai AVE của NB: 0.882
Vì 0.641 < 0.797 và 0.641 < 0.882, nên BH và NB đảm bảo tính phân biệt.
Kết quả thực hành cho thấy toàn bộ các nhân tố trong mô hình đều đạt tính phân biệt, vì không có cặp tương quan nào vượt quá hai giá trị căn bậc hai AVE tương ứng của chúng.
b. Chỉ số HTMT (Heterotrait–Monotrait Ratio)
Nghiên cứu gần đây của Henseler và cộng sự (2015) đã chỉ ra những vấn đề về tính chính xác của hai phương pháp trước. Đồng thời, nhóm tác giả đã đề xuất đánh giá tính phân biệt thang đo bằng chỉ số heterotrait-monotrait ratio (HTMT). Để hiểu rõ hơn về cách đánh giá mới này, bạn xem bài viết Đánh giá tính phân biệt thang đo bằng HTMT trong SMARTPLS.
HTMT phản ánh tỷ lệ tương quan trung bình giữa các biến thuộc hai nhân tố khác nhau so với tương quan trong chính nhân tố đó. Nếu hai nhân tố thực sự khác nhau thì HTMT phải thấp.
Ngưỡng đánh giá:
- HTMT < 0.85 → đạt tính phân biệt rõ ràng
- HTMT < 0.9 → đạt tính phân biệt
- HTMT ≥ 0.90 → vi phạm nặng tính phân biệt
Ví dụ: Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Discriminant validity, chọn Heterotrait-monotrait ratio (HTMT) - Matrix.
Kết quả từ ví dụ thực hành cho thấy toàn bộ giá trị HTMT đều nhỏ hơn 0.9, như vậy tính phân biệt được đảm bảo.
Nếu tính phân biệt bị vi phạm:
-
Kiểm tra HTMT để xác định mức độ vi phạm; HTMT ≥ 0.90 cho thấy hai nhân tố không đủ khác biệt.
-
Xem cross-loading (tham khảo bài viết Đánh giá tính phân biệt qua bảng Cross-Loading trong SMARTPLS) để tìm biến quan sát gây nhiễu, đặc biệt là các biến có outer loading thấp hoặc loading vào nhân tố khác gần bằng loading vào nhân tố mẹ.
-
Loại dần biến quan sát có vấn đề, chạy lại mô hình và kiểm tra lại HTMT/Fornell–Larcker sau mỗi lần loại.
-
Nếu loại biến không giải quyết được, xem lại nội dung thang đo, vì có thể hai nhân tố đo lường những khía cạnh quá giống nhau.
-
Gộp hai nhân tố nếu lý thuyết cho phép và bản chất chúng thực sự là một khái niệm.
-
Nếu bắt buộc phải giữ hai nhân tố tách biệt, dùng mô hình bậc cao (higher-order) để giảm tương quan giữa các nhân tố con.
-
Nếu tất cả giải pháp đều không cải thiện, cần xem xét lại mô hình lý thuyết hoặc cấu trúc thang đo ban đầu.
II. Cách đọc kết quả SMARTPLS 4: Mô hình cấu trúc (Structural Model - SEM)
Sau khi mô hình đo lường (measurement model) đã đạt các yêu cầu về độ tin cậy, tính hội tụ và tính phân biệt, bước tiếp theo trong PLS-SEM là đánh giá mô hình cấu trúc. Mục tiêu của giai đoạn này là kiểm định các mối quan hệ nhân quả giữa các biến tiềm ẩn, xem giả thuyết nghiên cứu có được hỗ trợ hay không, và mức độ giải thích của mô hình mạnh đến đâu.
Tiếp tục lấy ví dụ mô hình nghiên cứu như sau:
1. Tính cộng tuyến của các biến tiềm ẩn Inner VIF (Collinearity)
Chúng ta sẽ đánh giá sự cộng tuyến của các biến tiềm ẩn có vai trò là độc lập trong mô hình. Trong bối cảnh đánh giá mô hình cấu trúc, thuật ngữ “các biến độc lập” được dùng để chỉ những biến gửi mũi tên tác động vào một biến khác, tức là các biến dự báo trong mối quan hệ nhân quả. Ngược lại, biến nhận mũi tên là biến phụ thuộc.
Trong mô hình ví dụ:
-
NB là biến phụ thuộc và nhận tác động từ bốn biến độc lập: QC, QH, KM và BH.
-
TT là biến phụ thuộc và chịu ảnh hưởng từ ba biến độc lập: QC, BH và NB.
Xem thêm: Mua phần mềm SMARTPLS 4 Pro full bản quyền giá tốt
Khi xét cộng tuyến, chúng ta cũng xét sự cộng tuyến theo 2 nhóm:
- Xét cộng tuyến giữa QC, QH, KM, BH là các biến độc lập của NB.
- Xét cộng tuyến giữa QC, BH, NB là các biến độc lập của TT.
- VIF ≥ 5 → khả năng rất cao đang tồn tại cộng tuyến, mô hình bị ảnh hưởng nghiêm trọng.
- 3 ≤ VIF < 5 → mô hình có thể đang có cộng tuyến
- VIF < 3 → mô hình không gặp hiện tượng cộng tuyến
Ví dụ: Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục Collinearity statistics (VIF), chọn Inner model - List.
Bảng VIF được trình bày dưới dạng ma trận, trong đó hàng đầu tiên liệt kê các biến ở vai trò phụ thuộc, còn cột đầu tiên liệt kê các biến ở vai trò độc lập. Các giá trị nằm trong ô bảng chính là chỉ số VIF của từng biến độc lập đối với biến phụ thuộc tương ứng.
Trong ví dụ trên, chỉ có hai cột NB và TT xuất hiện giá trị vì đây là hai biến đóng vai trò phụ thuộc trong mô hình.
-
Ở cột NB, các giá trị VIF tương ứng với các hàng BH, KM, QC, QH – đây chính là các biến độc lập tác động lên NB.
-
Ở cột TT, các giá trị VIF nằm tại các hàng BH, NB, QC – tương ứng với các biến độc lập ảnh hưởng đến TT.
Kết quả cho thấy không có vấn đề cộng tuyến trong mô hình, vì toàn bộ các giá trị VIF của cả hai nhóm biến độc lập (tác động lên NB và lên TT) đều nhỏ hơn 3.
Trong trường hợp có biến độc lập nào xuất hiện VIF > 5, biến đó cần được xem xét loại bỏ khỏi diagram và mô hình sẽ được phân tích lại để đảm bảo không vi phạm hiện tượng đa cộng tuyến.
2. Đánh giá ý nghĩa các tác động trong mô hình
Khi mô hình đã đảm bảo không vi phạm cộng tuyến, bước tiếp theo là đánh giá ý nghĩa các quan hệ tác động trong mô hình cấu trúc (SEM). Trong SMARTPLS 4, quá trình này chủ yếu dựa vào kết quả Bootstrapping. Các loại tác động có thể tồn tại trong mô hình sẽ gồm: trực tiếp, trung gian, điều tiết. Trong đó, tác động trực tiếp luôn xuất hiện ở mọi mô hình, còn trung gian và điều tiết sẽ có mô hình có và mô hình không có.
Cấu trúc bảng kết quả phần quan hệ tác động trong Bootstrap SMARTPLS 4 gồm các cột chỉ số chung như sau:
- Original sample: Hệ số tác động chuẩn hóa của dữ liệu gốc (đây chính là hệ số Path Coefficients)
- Sample mean: Hệ số tác động chuẩn hóa trung bình của tất cả các mẫu từ Bootstrap.
- Standard deviation: Độ lệch chuẩn của hệ số tác động chuẩn hóa (theo mẫu Bootstrap).
- T statistics: Giá trị kiểm định t (kiểm định student ý nghĩa của mối tác động).
- P values: Mức ý nghĩa của kiểm định t. Chúng ta sẽ so sánh mức ý nghĩa này với các ngưỡng so sánh như 0.05, 0.1 hay 0.01 (mặc định sử dụng là 0.05).
Chúng ta tập trung chủ yếu vào hai cột chính: P values và Original sample.
Với P values: Kiểm định giả thuyết thống kê ý nghĩa của quan hệ tác động
Ý nghĩa thống kê của các mối quan hệ trong mô hình có thể được đánh giá bằng t-value hoặc p-value, tuy nhiên trong thực hành, p-value thường được sử dụng nhiều hơn vì cách đọc trực quan và nhanh chóng. SMARTPLS cũng mặc định ưu tiên hiển thị và diễn giải theo p-value.
Mức ý nghĩa phổ biến nhất là 5% (p = 0.05) và đây cũng là mức mặc định trong SMARTPLS 4.
- Nếu p-value < 0.05 → mối quan hệ có ý nghĩa thống kê.
- Nếu p-value ≥ 0.05 → mối quan hệ không có ý nghĩa thống kê.
Lưu ý: Khi một mối quan hệ không đạt ý nghĩa thống kê, chúng ta không xoá mũi tên hay loại bỏ nhân tố khỏi mô hình. Thay vào đó, vẫn giữ nguyên cấu trúc và đơn giản kết luận rằng tác động đó không có ý nghĩa thống kê trong mô hình nghiên cứu.
Với Original sample: Đánh giá mức độ, chiều của quan hệ tác động
SMARTPLS mặc định xuất ra hệ số tác động chuẩn hóa của tác động Original Sample. Hệ số này nằm trong khoảng từ –1 đến +1, mặc dù trong thực tế giá trị thường rơi vào vùng nhỏ hơn giới hạn tuyệt đối.
Hệ số dương (+) cho thấy mối quan hệ thuận chiều
Hệ số âm (–) phản ánh mối quan hệ nghịch chiều
Hệ số tiến gần +1 biểu thị tác động dương mạnh
Hệ số tiến gần –1 biểu thị tác động âm mạnh
Hệ số gần 0 cho thấy tác động yếu hoặc không đáng kể
a. Tác động trực tiếp (direct effects)
Từ kết quả phân tích Bootstrapping, nhấp vào mục Path coefficients để xem kết quả kiểm định hệ số đường dẫn.
Khi đọc kết quả, trước tiên xem P-value để xác định ý nghĩa thống kê. Kết quả cho thấy tất cả các quan hệ đều có ý nghĩa vì P-value < 0.05, ngoại trừ quan hệ QC → TT với P-value = 0.714 > 0.05 nên không có ý nghĩa thống kê.
Tiếp theo chúng ta mới xét tới Original sample để xét độ lớn và chiều tác động. Toàn bộ hệ số tác động đều mang dấu dương, cho thấy các quan hệ trực tiếp trong mô hình đều là tác động thuận chiều.
- Đối với biến NB, mức độ ảnh hưởng từ mạnh đến yếu lần lượt là: KM (0.367) > QC (0.316) > BH (0.316) > QH (0.187).
- Đối với biến TT, mức độ ảnh hưởng từ mạnh đến yếu là: NB (0.457) > BH (0.282).
b. Tác động gián tiếp (indirect effects)
Từ kết quả phân tích Bootstrapping, nhấp vào mục Specific indirect effects để xem kết quả kiểm định hệ số đường dẫn gián tiếp.
Kết quả Bootstrapping cho thấy tất cả các tác động gián tiếp từ BH, KM, QC và QH lên TT thông qua NB đều có ý nghĩa thống kê, vì P-value đều bằng 0.000 < 0.05 ở toàn bộ các quan hệ.
Độ lớn các tác động gián tiếp từ mạnh đến yếu như sau:
KM → NB → TT: 0.168 (mạnh nhất)
BH → NB → TT: 0.144
QC → NB → TT: 0.144
QH → NB → TT: 0.085 (yếu nhất)
3. Hệ số xác định R bình phương (R square)
R bình phương (R²) thể hiện mức độ mà các biến độc lập giải thích được biến thiên của một biến phụ thuộc trong mô hình. Mỗi biến giữ vai trò phụ thuộc sẽ có một giá trị R² tương ứng.
Theo Hair và cộng sự (2017), rất khó đưa ra một ngưỡng cố định để đánh giá R² “đạt” hay “không đạt”, vì giá trị này còn phụ thuộc vào mức độ phức tạp của mô hình (số lượng biến độc lập tác động vào biến phụ thuộc, có hay không quan hệ trung gian), và lĩnh vực nghiên cứu cụ thể.
Do đó, không tồn tại một ngưỡng thống nhất nào được xem là tiêu chuẩn tuyệt đối để kết luận R² tốt hay không. R² dao động từ 0 đến 1:
-
Tiến gần 1 → mô hình giải thích biến phụ thuộc tốt.
-
Tiến gần 0 → mô hình có mức giải thích thấp.
Trong SMARTPLS 4, ngoài R², phần mềm còn cung cấp R bình phương hiệu chỉnh (R² adjusted) – hệ số đã điều chỉnh mức độ giải thích dựa trên số lượng biến độc lập trong mô hình. Hệ số này phản ánh chính xác hơn sức mạnh giải thích của mô hình, vì vậy nên ưu tiên sử dụng R² adjusted khi diễn giải kết quả.
Từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục R-square để xem hệ số xác định.
Trong ví dụ trên, có 2 biến đóng vai trò phụ thuộc là NB và TT, chính vì vậy cũng sẽ có tương ứng 2 giá trị R bình phương hiệu chỉnh cho 2 biến.
- R bình phương hiệu chỉnh của NB bằng 0.745, như vậy các biến độc lập QC, QH, KM, BH giải thích được 73.4% sự biến thiên của biến NB.
- R bình phương hiệu chỉnh của TT bằng 0.465, như vậy các biến độc lập QC, BH, NB giải thích được 46.5% sự biến thiên của biến TT.
4. Hệ số tác động f bình phương (Effect size)
Chin (1998) đưa ra công thức tính toán hệ số f bình phương (f square) nhằm mục đích xem xét tầm quan trọng của một biến độc lập lên biến phụ thuộc. Chi tiết về công thức và bản chất của chỉ số này, bạn xem tại bài viết Hệ số Effect Size f2: Ý nghĩa, công thức, cách chạy trên SMARTPLS.
Cohen (1988) đã đề xuất bảng chỉ số f bình phương 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.
Để đánh giá hệ số f bình phương, từ kết quả phân tích PLS-SEM algorithm, nhấp vào mục f-square.
Cách bố trí bảng f bình phương ở dạng ma trận: hàng đầu tiên các biến được xét vai trò là phụ thuộc, cột đầu tiên được xét với vai trò là độc lập, các con số trong bảng là giá trị f bình phương.
Trong bảng trên, chỉ có 2 cột NB và TT là có giá trị bởi vì chỉ có 2 biến này là có vai trò phụ thuộc. Tương ứng cột NB thì giá trị f bình phương xuất hiện ở các hàng của biến BH, KM, QC, QH chính là các biến độc lập tác động vào NB. Tương ứng cột TT thì f bình phương xuất hiện ở các hàng BH, NB, QC là các biến độc lập tác động vào TT.
Kết quả từ ví dụ thực hành cho thấy:
- Các biến độc lập của NB: biến KM tác động mạnh, biến BH và QC tác động trung bình, biến QH tác động yếu.
- Các biến độc lập của TT: biến NB tác động trung bình, biến BH tác động yếu, biến QC không tác động.
- Muốn so sánh biến độc lập nào tác động mạnh hơn lên cùng một biến phụ thuộc, chúng ta sẽ dùng hệ số tác động chuẩn hóa.
- Muốn xem mức độ tác động của các biến độc lập lên biến phụ thuộc là mạnh, trung bình hay yếu chúng ta sẽ dùng hệ số f square.
Ngoài các tiêu chí cần đánh giá ở trên, các bạn có thể đi sâu hơn vào các tiêu chỉ khác như hệ số Q bình phương liên quan đến tính dự báo. Tuy nhiên, tiêu chí này không thực sự quá quan trọng nên bài viết này không đề cập.