5 Tháng chín, 2026
PLS SEM là phương pháp phân tích được sử dụng phổ biến để đánh giá mối quan hệ giữa các biến trong mô hình, đặc biệt khi nghiên cứu có nhiều biến tiềm ẩn và mô hình phức tạp. Vậy mô hình cấu trúc trong phương pháp này được xây dựng và đánh giá như thế nào? Cùng VietGuru tìm hiểu nhé!
1. Mô hình cấu trúc PLS SEM gồm những thành phần nào?
Một mô hình PLS SEM hoàn chỉnh gồm hai phần chính: mô hình đo lường (outer model) và mô hình cấu trúc (inner model).
1.1. Mô hình đo lường (outer model)
Mô hình đo lường (Measurement Model), còn gọi là mô hình bên ngoài (Outer Model), thể hiện mối quan hệ giữa biến tiềm ẩn (construct) và các biến quan sát (indicators) dùng để đo lường biến đó. Trong sơ đồ PLS SEM, biến tiềm ẩn thường được biểu diễn bằng hình tròn hoặc hình bầu dục, còn biến quan sát được thể hiện bằng hình chữ nhật.
Tùy vào bản chất của thang đo, mô hình đo lường gồm hai dạng chính:
- Reflective (phản xạ): Biến quan sát phản ánh đặc điểm của biến tiềm ẩn. Ví dụ, sự hài lòng có thể được đo bằng các chỉ báo về mức độ hài lòng với sản phẩm, dịch vụ và giá cả.
- Formative (hình thành): Các biến quan sát cùng góp phần hình thành nên biến tiềm ẩn.
Việc đánh giá outer model nhằm xác định thang đo có đảm bảo độ tin cậy và giá trị cần thiết hay không.
- Với thang đo phản xạ, các tiêu chí thường được xem xét gồm Outer Loading, Cronbach’s Alpha, Composite Reliability (CR), Average Variance Extracted (AVE) và giá trị phân biệt.
- Với thang đo hình thành, cần chú trọng các chỉ tiêu như Outer Weight, Outer Loading và hiện tượng đa cộng tuyến.
1.2. Mô hình cấu trúc (inner model)
Mô hình cấu trúc (Structural Model), còn gọi là mô hình bên trong (Inner Model), thể hiện mối quan hệ giữa các biến tiềm ẩn trong mô hình nghiên cứu. Các mối quan hệ này được biểu diễn bằng mũi tên một chiều, trong đó hướng của mũi tên thể hiện quan hệ dự báo từ biến này đến biến khác.
Mô hình cấu trúc (inner model)
Mỗi đường dẫn trong inner model thường tương ứng với một giả thuyết nghiên cứu.
Ví dụ: Nếu mô hình có đường dẫn từ Chất lượng dịch vụ → Sự hài lòng, điều này thể hiện giả thuyết rằng chất lượng dịch vụ có khả năng tác động đến sự hài lòng của khách hàng.
Một số chỉ tiêu quan trọng để đánh giá inner model gồm:
- Path Coefficient (β): Cho biết chiều và mức độ tác động giữa các biến.
- t-value, p-value: Kiểm định ý nghĩa thống kê của mối quan hệ.
- R²: Đánh giá mức độ giải thích của các biến dự báo đối với biến phụ thuộc.
- f²: Đánh giá mức độ đóng góp của từng biến dự báo.
- Q²: Đánh giá khả năng dự báo của mô hình.
Cần lưu ý, các mũi tên trong PLS-SEM chủ yếu thể hiện mối quan hệ dự báo. Việc diễn giải chúng như quan hệ nhân quả cần dựa trên cơ sở lý thuyết và thiết kế nghiên cứu phù hợp, không nên chỉ suy luận từ kết quả thống kê.
2. So sánh PLS SEM với CB SEM
PLS SEM và CB SEM đều là phương pháp mô hình phương trình cấu trúc (SEM), nhưng khác nhau về mục tiêu phân tích và cách tiếp cận thống kê.
So sánh PLS SEM với CB SEM
Dưới đây là bảng so sánh sự khác nhau giữa PLS SEM và CB SEM mà bạn có thể tham khảo:
| Tiêu chí | PLS SEM | CB SEM |
| Mục tiêu | Dự đoán, giải thích phương sai và phát triển lý thuyết | Kiểm định, xác nhận lý thuyết |
| Phân phối dữ liệu | Linh hoạt, không đòi hỏi dữ liệu phân phối chuẩn nghiêm ngặt | Thường yêu cầu các giả định phân phối chặt chẽ hơn |
| Kích thước mẫu | Có thể áp dụng với mẫu tương đối nhỏ | Thường cần mẫu lớn hơn để ước lượng ổn định |
| Đánh giá mô hình | Tập trung vào R², Q², f², hệ số đường dẫn và các chỉ tiêu liên quan | Chú trọng độ phù hợp tổng thể như CFI, TLI, RMSEA, χ² |
| Trọng tâm phân tích | Tối đa hóa khả năng giải thích và dự báo biến nội sinh | Tái tạo ma trận hiệp phương sai và đánh giá mức độ phù hợp với lý thuyết |
| Ứng dụng | Nghiên cứu khám phá, dự đoán hoặc mô hình phức tạp | Nghiên cứu kiểm định lý thuyết đã được xây dựng rõ ràng |
3. Khi nào nên sử dụng PLS SEM trong nghiên cứu?
PLS SEM phù hợp khi nghiên cứu hướng đến dự đoán, giải thích mối quan hệ giữa các biến hoặc phát triển lý thuyết, đặc biệt với những mô hình có cấu trúc phức tạp. So với CB-SEM, PLS-SEM có tính linh hoạt cao hơn về dữ liệu và các giả định thống kê. Một số trường hợp nên cân nhắc sử dụng PLS SEM gồm:
- Nghiên cứu tập trung vào dự đoán: PLS-SEM tối đa hóa phương sai được giải thích của các biến phụ thuộc, phù hợp khi mục tiêu chính là xác định và dự đoán các yếu tố tác động đến một kết quả cụ thể.
- Mô hình nghiên cứu phức tạp: Phương pháp này phù hợp với mô hình có nhiều biến tiềm ẩn, biến quan sát và mối quan hệ giữa các biến.
- Dữ liệu không phân phối chuẩn: PLS SEM là phương pháp phi tham số nên linh hoạt hơn khi dữ liệu có độ lệch hoặc không đáp ứng giả định phân phối chuẩn nghiêm ngặt.
- Cỡ mẫu tương đối nhỏ: PLS SEM có thể được áp dụng hiệu quả trong nhiều nghiên cứu có quy mô mẫu hạn chế, tùy thuộc vào cấu trúc và yêu cầu của mô hình.
- Nghiên cứu mang tính khám phá hoặc phát triển lý thuyết: Khi lý thuyết chưa được kiểm chứng đầy đủ hoặc mô hình còn đang được phát triển, PLS-SEM có thể là lựa chọn phù hợp.
- Thang đo và dữ liệu linh hoạt: PLS-SEM có khả năng xử lý nhiều loại thang đo và dữ liệu hơn trong những trường hợp CB-SEM có thể gặp hạn chế.
Khi nào nên sử dụng PLS SEM trong nghiên cứu?
4. Phần mềm chạy mô hình PLS SEM phổ biến
Để thực hiện PLS SEM, người nghiên cứu có thể sử dụng nhiều phần mềm chuyên dụng. Trong đó, SmartPLS là lựa chọn phổ biến nhờ giao diện trực quan, thao tác kéo – thả đơn giản và hỗ trợ đầy đủ các bước từ xây dựng mô hình đến phân tích, đánh giá kết quả.
SmartPLS là phần mềm chuyên dụng cho phân tích PLS SEM, phù hợp với cả người mới bắt đầu và nhà nghiên cứu có kinh nghiệm. Phần mềm cho phép xây dựng mô hình bằng giao diện đồ họa, thiết lập mối quan hệ giữa các biến và thực hiện phân tích mà không yêu cầu người dùng phải lập trình.
Một số ưu điểm nổi bật của SmartPLS gồm:
- Xây dựng mô hình trực quan: Dễ dàng tạo biến tiềm ẩn, biến quan sát và các đường dẫn bằng thao tác kéo – thả.
- Phân tích PLS SEM toàn diện: Hỗ trợ đánh giá cả mô hình đo lường (Outer Model) và mô hình cấu trúc (Inner Model).
- Hỗ trợ kiểm định giả thuyết: Cung cấp các kết quả như hệ số đường dẫn, t-value, p-value, R², f², Q² và nhiều chỉ tiêu liên quan.
- Bootstrapping: Hỗ trợ kiểm định ý nghĩa thống kê và độ ổn định của các ước lượng trong mô hình.
- Trình bày kết quả rõ ràng: Kết quả phân tích được hiển thị trực quan, thuận tiện cho việc đọc, diễn giải và đưa vào báo cáo nghiên cứu.
Bên cạnh SmartPLS, WarpPLS cũng là một phần mềm đáng chú ý, đặc biệt khi nghiên cứu cần phân tích mối quan hệ phi tuyến giữa các biến. Trong khi đó, PLS Graph là một trong những phần mềm PLS-SEM đời đầu nhưng hiện ít được sử dụng hơn do hạn chế về giao diện và tính năng.
Phần mềm chạy mô hình PLS SEM phổ biến
5. Lời kết
Nếu bạn đang gặp khó khăn trong việc xây dựng mô hình, lựa chọn phương pháp phân tích, xử lý số liệu hoặc diễn giải kết quả, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học và hỗ trợ xử lý dữ liệu chuyên sâu. Đội ngũ chúng tôi sẽ giúp bạn hoàn thiện mô hình, phân tích kết quả và trình bày nội dung theo đúng yêu cầu nghiên cứu, đảm bảo tính logic và khoa học.
Hy vọng qua bài viết trên, bạn đã hiểu rõ PLS SEM là gì, các thành phần của mô hình, sự khác biệt với CB SEM và những trường hợp nên sử dụng mô hình này trong nghiên cứu. Việc lựa chọn đúng phương pháp và đánh giá chính xác mô hình sẽ giúp kết quả nghiên cứu của bạn có cơ sở và giá trị hơn.
