5 Tháng chín, 2026
SmartPLS 3 là phần mềm hỗ trợ phân tích mô hình PLS-SEM, được sử dụng phổ biến trong các nghiên cứu định lượng. Phần mềm giúp xây dựng mô hình, kiểm định thang đo và đánh giá mối quan hệ giữa các biến. Vậy cách chạy và đọc kết quả trên phần mềm này như thế nào? Hãy cùng VietGuru tìm hiểu!
1. Cách cài đặt và chạy phần mềm SmartPLS 3
Để bắt đầu phân tích dữ liệu bằng SmartPLS 3, bạn cần chuẩn bị dữ liệu đúng định dạng, tạo một project mới và xây dựng mô hình nghiên cứu trên giao diện phần mềm. Việc thực hiện đúng ngay từ đầu sẽ giúp hạn chế lỗi khi import dữ liệu và đảm bảo kết quả PLS-SEM chính xác. Dưới đây là các bước cài và chạy SmartPLS 3 cụ thể.
1.1. Chuẩn bị dữ liệu và tạo dự án mới
Trước khi chạy SmartPLS 3, hãy kiểm tra và chuẩn hóa dữ liệu khảo sát. Đây là bước quan trọng bởi dữ liệu không đúng cấu trúc có thể khiến phần mềm không nhận diện hoặc xử lý sai các biến.
Chuẩn bị dữ liệu
SmartPLS 3 có thể sử dụng dữ liệu từ các tệp như CSV hoặc TXT. Trong đó, CSV thường được lựa chọn vì dễ tạo và quản lý. Nếu dữ liệu được xử lý trên Excel, bạn có thể lưu bảng tính dưới dạng .csv. Trường hợp sử dụng SPSS, dữ liệu cũng có thể được xuất sang CSV trước khi đưa vào SmartPLS.
File dữ liệu nên được trình bày theo cấu trúc:
- Dòng đầu tiên: Tên các biến quan sát, chẳng hạn TL1, TL2, CV1, CV2, HL1.
- Từ dòng thứ hai: Dữ liệu trả lời của từng đáp viên.
- Mỗi dòng: Tương ứng với một phiếu khảo sát.
- Mỗi cột: Tương ứng với một biến quan sát.
- Các biến nên được đặt tên không dấu, không khoảng trắng và hạn chế ký tự đặc biệt.
- Các biến Likert cần được mã hóa bằng số, chẳng hạn từ 1–5 hoặc 1–7.
Trước khi import, nên kiểm tra dữ liệu thiếu, dữ liệu bất thường và các biến không đạt yêu cầu sau quá trình làm sạch dữ liệu. Điều này giúp mô hình sau khi xây dựng hoạt động ổn định và dễ kiểm định hơn.
Tạo project mới trên SmartPLS 3
Sau khi chuẩn bị dữ liệu, mở SmartPLS 3 và chọn New Project để tạo dự án mới. Đặt tên project ngắn gọn, dễ nhận biết và phù hợp với đề tài nghiên cứu, sau đó nhấn OK.
Tiếp theo, import dữ liệu bằng cách chọn Import Data File và dẫn đến file dữ liệu đã chuẩn bị. Sau khi nhập thành công, dataset sẽ xuất hiện trong project. Bạn có thể đổi tên dataset để dễ quản lý, đặc biệt khi làm việc với nhiều bộ dữ liệu.
Chuẩn bị dữ liệu và tạo dự án mới
Sau bước này, SmartPLS sẽ hiển thị một số thông tin cơ bản như sample size, số biến quan sát, missing values và các thống kê mô tả. Hãy kiểm tra lại những thông tin này trước khi chuyển sang xây dựng mô hình.
1.2. Vẽ mô hình đường dẫn (path diagram) trên SmartPLS 3
Sau khi nhập dữ liệu, bước tiếp theo là xây dựng path diagram dựa trên mô hình nghiên cứu đã đề xuất. Đây là nơi thể hiện trực quan các biến tiềm ẩn, biến quan sát và mối quan hệ giữa chúng.
Đầu tiên, nhấp đúp vào diagram của project để mở giao diện thiết kế mô hình. Một số công cụ thường xuyên sử dụng gồm:
- Select: Chọn và di chuyển đối tượng.
- Latent Variable: Tạo biến tiềm ẩn.
- Connect: Tạo mũi tên thể hiện mối quan hệ giữa các biến.
- Undo/Redo: Hoàn tác hoặc thực hiện lại thao tác.
- Zoom In/Zoom Out: Phóng to hoặc thu nhỏ mô hình.
Bước 1: Tạo biến tiềm ẩn
Chọn Latent Variable, sau đó nhấp vào vùng trống để tạo các biến tiềm ẩn theo mô hình nghiên cứu.
Ví dụ: Mô hình có 5 biến gồm Tiền lương (TL), Tính chất công việc (CV), Điều kiện làm việc (DK), Hài lòng công việc (HL) và Gắn bó công ty (GB) thì cần tạo tương ứng 5 biến tiềm ẩn.
Sau khi tạo, nhấp chuột phải vào từng biến → Rename để đặt tên. Tên biến trong diagram cần được phân biệt với tên biến trong dataset để tránh nhầm lẫn.
Bước 2: Thiết lập mối quan hệ giữa các biến
Chọn công cụ Connect, sau đó nhấp lần lượt vào biến độc lập và biến phụ thuộc để tạo mũi tên tác động.
Ví dụ: Nếu giả thuyết nghiên cứu cho rằng Tiền lương ảnh hưởng đến Hài lòng công việc, hãy tạo đường dẫn từ TL → HL. Thực hiện tương tự với toàn bộ các mối quan hệ được đề xuất trong mô hình.
Bước 3: Gắn biến quan sát vào biến tiềm ẩn
Tại mục Indicators, chọn các biến quan sát tương ứng rồi kéo thả vào biến tiềm ẩn. Chẳng hạn:
- TL: TL1, TL2, TL3, TL4.
- CV: CV1, CV2, CV3, CV4, CV5.
- DK: DK1, DK2, DK3, DK4.
- HL: HL1.
- GB: GB1, GB2, GB3.
Vẽ mô hình đường dẫn (path diagram) trên SmartPLS 3
Nếu trước đó đã thực hiện Cronbach’s Alpha hoặc EFA và loại bỏ một biến quan sát không đạt yêu cầu, không nên đưa biến đó trở lại mô hình SmartPLS.
Cuối cùng, sử dụng Select và các công cụ Align để sắp xếp vị trí biến quan sát, biến tiềm ẩn và đường dẫn sao cho mô hình rõ ràng, không bị chồng lấp. Một path diagram được bố trí hợp lý không chỉ giúp dễ kiểm tra mà còn thuận tiện khi trình bày kết quả nghiên cứu.
Lưu ý: Hãy đối chiếu path diagram với mô hình lý thuyết và các giả thuyết nghiên cứu trước khi chạy PLS-SEM. Chỉ cần sai một đường dẫn hoặc gắn nhầm biến quan sát, toàn bộ kết quả phân tích sau đó có thể bị ảnh hưởng.
2. Cách đọc kết quả SmartPLS 3
Sau khi xây dựng mô hình và thực hiện chạy PLS-SEM trên SmartPLS 3, bước quan trọng tiếp theo là đọc và diễn giải các chỉ số đầu ra. Kết quả thường được đánh giá theo hai phần chính: mô hình đo lường và mô hình cấu trúc.
2.1. Đánh giá mô hình đo lường
Mô hình đo lường (Measurement Model) được sử dụng để kiểm tra chất lượng của các biến quan sát khi đo lường biến tiềm ẩn. Với SmartPLS 3, việc đánh giá thường tập trung vào Outer Loading, Cronbach’s Alpha, Composite Reliability (CR), Average Variance Extracted (AVE) và giá trị phân biệt.
Outer Loading
Outer Loading cho biết mức độ mà mỗi biến quan sát đại diện cho biến tiềm ẩn. Thông thường, Outer Loading nên đạt ≥ 0,708 để đảm bảo biến quan sát có mức độ giải thích tốt cho khái niệm cần đo lường.
Có thể tham khảo cách diễn giải sau:
- ≥ 0,708: Biến quan sát đạt yêu cầu tốt.
- 0,40–0,70: Cần xem xét kết hợp với CR, AVE và cơ sở lý thuyết trước khi quyết định loại.
- < 0,40: Thường nên cân nhắc loại khỏi mô hình.
Cronbach’s Alpha và Composite Reliability
Hai chỉ số này được sử dụng để đánh giá độ tin cậy nhất quán nội tại của thang đo.
Thông thường:
- Cronbach’s Alpha ≥ 0,70: Thang đo có độ tin cậy chấp nhận được.
- Composite Reliability (CR) ≥ 0,70: Thang đo đạt độ tin cậy tốt.
- Giá trị quá cao, chẳng hạn > 0,95, có thể gợi ý các biến quan sát có nội dung trùng lặp.
Trong PLS-SEM, CR thường được ưu tiên hơn Cronbach’s Alpha vì CR không giả định tất cả biến quan sát có mức đóng góp như nhau.
Đánh giá mô hình đo lường
Average Variance Extracted (AVE)
AVE dùng để đánh giá giá trị hội tụ của thang đo, thể hiện mức độ biến tiềm ẩn giải thích phương sai của các biến quan sát.
Ngưỡng thường được sử dụng là: AVE ≥ 0,50
Điều này có nghĩa biến tiềm ẩn giải thích được ít nhất 50% phương sai của các biến quan sát. Nếu AVE thấp hơn 0,50, cần xem xét lại các biến quan sát và chất lượng thang đo.
Giá trị phân biệt
Giá trị phân biệt cho biết các khái niệm trong mô hình có thực sự khác nhau hay không. SmartPLS 3 thường hỗ trợ kiểm tra bằng Fornell–Larcker Criterion và HTMT (Heterotrait-Monotrait Ratio).
- Với Fornell–Larcker: Căn bậc hai của AVE của mỗi biến tiềm ẩn cần lớn hơn tương quan giữa biến đó với các biến tiềm ẩn khác.
- Với HTMT: Giá trị càng thấp càng cho thấy các khái niệm có sự phân biệt rõ ràng. Ngưỡng thường được tham khảo là < 0,85 hoặc < 0,90, tùy theo lĩnh vực và tiêu chuẩn nghiên cứu.
2.2. Đánh giá mô hình cấu trúc
Sau khi mô hình đo lường đạt yêu cầu, bước tiếp theo là đánh giá mô hình cấu trúc (Structural Model). Phần này tập trung vào việc xác định các biến độc lập có tác động đến biến phụ thuộc hay không, tác động mạnh hay yếu và các giả thuyết nghiên cứu có được chấp nhận hay không.
Kiểm tra đa cộng tuyến
Trước khi đánh giá các mối quan hệ trong mô hình, cần kiểm tra hiện tượng đa cộng tuyến thông qua chỉ số VIF (Variance Inflation Factor).
Thông thường, VIF < 5 được xem là không có vấn đề đa cộng tuyến nghiêm trọng; một số nghiên cứu sử dụng ngưỡng chặt hơn là VIF < 3,3.
Nếu VIF quá cao, các biến độc lập có thể có sự tương quan mạnh, khiến việc ước lượng tác động của từng biến trở nên kém tin cậy.
Hệ số đường dẫn (Path Coefficients)
Path Coefficients (β) thể hiện chiều và mức độ tác động giữa các biến trong mô hình.
- β > 0: Tác động cùng chiều.
- β < 0: Tác động ngược chiều.
- |β| càng lớn: Mức độ tác động càng mạnh, khi các điều kiện khác được giữ nguyên.
Ví dụ: Nếu đường dẫn TL → HL có β = 0,35, có thể hiểu Tiền lương có tác động tích cực đến Hài lòng công việc.
P-value và T-value
Để xác định mối quan hệ có ý nghĩa thống kê hay không, cần xem xét P-value và T-value, thường được xác định thông qua kỹ thuật Bootstrapping.
Với mức ý nghĩa 5%:
- P-value < 0,05: Mối quan hệ có ý nghĩa thống kê.
- P-value ≥ 0,05: Chưa có đủ bằng chứng thống kê để kết luận mối quan hệ có ý nghĩa.
Đối với kiểm định hai phía, T-value > 1,96 thường tương ứng với mức ý nghĩa 5%.
Hệ số xác định R²
R² (R-square) cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình.
Ví dụ: R² = 0,60 có thể hiểu các biến độc lập trong mô hình giải thích được khoảng 60% sự biến thiên của biến phụ thuộc, còn lại đến từ các yếu tố khác và sai số.
R² càng cao thường cho thấy khả năng giải thích của mô hình càng tốt. Tuy nhiên, mức R² phù hợp còn phụ thuộc vào lĩnh vực nghiên cứu và đặc điểm mô hình, vì vậy không nên đánh giá chất lượng mô hình chỉ dựa vào R².
Đánh giá mô hình cấu trúc
Effect Size f²
f² giúp đánh giá mức độ đóng góp của từng biến độc lập vào R² của biến phụ thuộc. Chỉ số này đặc biệt hữu ích khi muốn biết một biến có ảnh hưởng thực tế đáng kể hay chỉ đóng góp rất nhỏ vào khả năng giải thích của mô hình.
Các mức tham khảo phổ biến:
- f² ≈ 0,02: Tác động nhỏ.
- f² ≈ 0,15: Tác động trung bình.
- f² ≈ 0,35: Tác động lớn.
Predictive Relevance Q²
Q² (Stone–Geisser) được sử dụng để đánh giá khả năng dự báo của mô hình đối với các biến nội sinh. Thông thường, Q² > 0 cho thấy mô hình có khả năng dự báo đối với một cấu trúc nội sinh nhất định.
3. Một số lỗi thường gặp khi chạy SmartPLS 3
Trong quá trình sử dụng SmartPLS 3, người dùng có thể gặp lỗi ở nhiều khâu, từ nhập dữ liệu, xây dựng mô hình đến kiểm định kết quả. Dưới đây là những vấn đề phổ biến và cách xử lý nhanh để quá trình phân tích diễn ra thuận lợi hơn.
SmartPLS không nhận dữ liệu
- Nguyên nhân thường do file sai định dạng, tên biến có dấu, khoảng trắng, ký tự đặc biệt hoặc dữ liệu chứa giá trị không hợp lệ.
- Cách khắc phục: Lưu dữ liệu dưới dạng CSV, đặt tên biến không dấu như TL1, CV1, HL1 và đảm bảo dữ liệu khảo sát được mã hóa bằng số.
Không tìm thấy biến quan sát
- Một số biến có thể không xuất hiện trong mục Indicators do tên biến bị sai, trùng hoặc phần mềm chưa nhận diện đúng dữ liệu.
- Cách khắc phục: Kiểm tra lại tên và cấu trúc các cột trong file dữ liệu, sau đó import lại dataset nếu cần.
Outer Loading thấp
- Outer Loading < 0,708 cho thấy biến quan sát chưa đại diện tốt cho biến tiềm ẩn. Tuy nhiên, không nên xóa biến ngay mà cần xem xét thêm CR, AVE và cơ sở lý thuyết.
- Nếu loại biến giúp cải thiện chất lượng thang đo và không ảnh hưởng đến ý nghĩa nghiên cứu, có thể cân nhắc loại và chạy lại mô hình.
Cronbach’s Alpha, CR hoặc AVE không đạt
- Cronbach’s Alpha, CR < 0,70: Độ tin cậy thang đo có thể chưa đạt.
- AVE < 0,50: Thang đo chưa đảm bảo giá trị hội tụ.
- Nguyên nhân thường liên quan đến các biến quan sát có Loading thấp. Hãy kiểm tra từng biến trước khi quyết định loại bỏ.
HTMT hoặc Fornell–Larcker không đạt
- Đây là dấu hiệu các khái niệm trong mô hình chưa phân biệt rõ. Với HTMT, giá trị thường được kỳ vọng dưới 0,85 hoặc 0,90 tùy tiêu chuẩn nghiên cứu.
- Cần kiểm tra lại các biến quan sát và cơ sở lý thuyết của những thang đo có tương quan quá cao.
VIF quá cao
- VIF cao cho thấy khả năng xảy ra đa cộng tuyến giữa các biến dự báo. Thông thường, VIF < 5 được xem là có thể chấp nhận.
- Nếu VIF vượt ngưỡng, cần xem xét lại các biến độc lập và cấu trúc mô hình.
Một số lỗi thường gặp khi chạy SmartPLS 3
Bootstrapping không chạy hoặc kết quả bất thường
- Nguyên nhân có thể do dữ liệu thiếu, mô hình chưa được thiết lập đúng hoặc biến quan sát chưa được gắn chính xác.
- Cách xử lý: Kiểm tra dataset, giá trị thiếu, hướng mũi tên và các biến trong path diagram trước khi chạy lại Bootstrapping.
P-value không đạt yêu cầu
- Nếu P-value ≥ 0,05, mối quan hệ giữa hai biến chưa có ý nghĩa thống kê ở mức 5%.
- Không nên chỉnh sửa dữ liệu chỉ để P-value đạt yêu cầu. Thay vào đó, hãy báo cáo và giải thích kết quả dựa trên dữ liệu thực tế và cơ sở lý thuyết.
4. Lời kết
Nếu bạn gặp khó khăn trong quá trình xử lý dữ liệu, xây dựng mô hình hoặc phân tích kết quả nghiên cứu, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học và hỗ trợ xử lý dữ liệu. Giúp bạn tiết kiệm thời gian và hoàn thiện bài nghiên cứu đúng yêu cầu.
Hy vọng bài viết trên đã giúp bạn hiểu rõ SmartPLS 3 là gì, từ cách chuẩn bị dữ liệu, xây dựng mô hình đến đọc và đánh giá các kết quả PLS-SEM. Khi thực hiện đúng từng bước và kết hợp các chỉ số một cách hợp lý, bạn sẽ dễ dàng kiểm soát chất lượng mô hình và đưa ra những kết luận có cơ sở cho nghiên cứu của mình.
