Phân tích SmartPLS 4: 8 bước PLS-SEM từ mô hình đo lường đến trung gian, điều tiết

Phân tích SmartPLS là cách phổ biến để kiểm định mô hình cấu trúc tuyến tính bình phương tối thiểu từng phần (PLS-SEM) trong các nghiên cứu về quản trị, marketing, hệ thống thông tin và giáo dục. Bài viết hướng dẫn 8 bước phân tích SmartPLS 4, từ chuẩn bị dữ liệu, vẽ mô hình, đánh giá mô hình đo lường, mô hình cấu trúc đến phân tích trung gian và điều tiết, kèm ngưỡng đánh giá theo Hair và cộng sự (2022).

Khi nào nên phân tích SmartPLS?

PLS-SEM và CB-SEM (trên AMOS) đều là mô hình cấu trúc tuyến tính, nhưng mục tiêu khác nhau. Nên chọn phân tích SmartPLS khi:

• Mục tiêu chính là dự báo hoặc khám phá, phát triển lý thuyết.
• Mô hình phức tạp, nhiều biến tiềm ẩn và nhiều mối quan hệ.
• Có thang đo dạng formative (biến quan sát tạo thành khái niệm).
• Cỡ mẫu không lớn hoặc dữ liệu không đáp ứng giả định phân phối chuẩn.
• Cần dùng điểm số biến tiềm ẩn cho các phân tích tiếp theo.

Nếu mục tiêu là khẳng định một lý thuyết đã có và cần các chỉ số độ phù hợp mô hình như CFI, RMSEA, CB-SEM trên SPSS AMOS thường phù hợp hơn. Lựa chọn cần dựa trên mục tiêu nghiên cứu, không dựa trên phần mềm nào cho kết quả "đẹp" hơn.

Bước 1. Chuẩn bị dữ liệu cho phân tích SmartPLS

SmartPLS 4 đọc dữ liệu dạng .csv, .txt, .xlsx hoặc .sav. Trước khi nhập:

• Dòng đầu là tên biến quan sát, viết liền, không dấu (TC1, TC2, HL1...).
• Đổi chiều các câu đảo nghĩa.
• Mã hóa giá trị thiếu thống nhất (ví dụ -99) và khai báo khi nhập.
• Kiểm tra phiếu trả lời một kiểu và giá trị ngoại lai bằng thống kê mô tả.

Cỡ mẫu tối thiểu nên được xác định trước bằng phương pháp inverse square root hoặc phân tích power, thay vì chỉ dùng quy tắc "10 lần" (Hair và cộng sự, 2022).

Bước 2. Vẽ mô hình trong SmartPLS 4

Tạo project mới, nhập dữ liệu, sau đó mở cửa sổ vẽ mô hình. Kéo các biến quan sát vào khung vẽ để tạo biến tiềm ẩn, đặt tên và nối các mũi tên theo giả thuyết. Với thang đo reflective, mũi tên đi từ biến tiềm ẩn ra biến quan sát; với formative, mũi tên đi ngược lại.

Bước 3. Chạy PLS-SEM algorithm

Bước tính toán đầu tiên của phân tích SmartPLS: chọn Calculate > PLS-SEM algorithm, giữ mặc định path weighting scheme, số vòng lặp tối đa 3.000 và tiêu chí dừng 10^-7. Kết quả gồm hệ số tải, trọng số, hệ số đường dẫn, R² và các chỉ số độ tin cậy, giá trị.

Bước 4. Đánh giá mô hình đo lường reflective

Tiêu chí	Chỉ số	Ngưỡng khuyến nghị
Độ tin cậy biến quan sát	Outer loading	≥ 0,708; 0,40-0,708 cân nhắc loại nếu cải thiện CR, AVE
Độ tin cậy nhất quán nội tại	Cronbach's Alpha, rho_A, CR (rho_c)	0,70-0,95
Giá trị hội tụ	AVE	≥ 0,50
Giá trị phân biệt	HTMT	< 0,85 (khái niệm khác biệt) hoặc < 0,90 (khái niệm gần nhau)

Khi loại biến quan sát, hãy loại từng biến một, kiểm tra lại các chỉ số và cân nhắc giá trị nội dung của thang đo. Ghi lại toàn bộ biến bị loại và lý do. Tiêu chí Fornell-Larcker vẫn có thể báo cáo bổ sung, nhưng HTMT được khuyến nghị là tiêu chí chính (Henseler và cộng sự, 2015).

Bước 5. Đánh giá mô hình đo lường formative

Với thang đo formative, không dùng Cronbach's Alpha hay AVE. Thay vào đó, phân tích SmartPLS đánh giá:

• Giá trị hội tụ: phân tích dư thừa (redundancy analysis), tương quan với biến đo toàn cục ≥ 0,70.
• Đa cộng tuyến: VIF của các biến quan sát, lý tưởng dưới 3.
• Ý nghĩa và mức độ đóng góp: outer weight và ý nghĩa thống kê qua bootstrapping; nếu weight không có ý nghĩa, xem xét outer loading (≥ 0,50).

Bước 6. Bootstrapping và đánh giá mô hình cấu trúc

Để kiểm định ý nghĩa thống kê trong phân tích SmartPLS, chọn Calculate > Bootstrapping với 10.000 mẫu lặp, khoảng tin cậy percentile, kiểm định hai phía, mức ý nghĩa 5%. Sau đó đánh giá:

Chỉ số	Ý nghĩa	Ngưỡng tham khảo
VIF (inner)	Đa cộng tuyến giữa các biến tiềm ẩn	Lý tưởng < 3
Path coefficient, p-value	Mức độ và ý nghĩa tác động	p < 0,05; khoảng tin cậy không chứa 0
R²	Khả năng giải thích	0,75 / 0,50 / 0,25: mạnh / trung bình / yếu
f²	Cỡ hiệu ứng	0,02 / 0,15 / 0,35: nhỏ / trung bình / lớn
Q²predict	Khả năng dự báo ngoài mẫu (PLSpredict)	> 0

Bước 7. Phân tích biến trung gian

Trong SmartPLS 4, tác động gián tiếp nằm ở mục Specific indirect effects của kết quả bootstrapping. Theo Zhao và cộng sự (2010), phân loại kiểu trung gian như sau:

• Trung gian toàn phần: tác động gián tiếp có ý nghĩa, tác động trực tiếp không có ý nghĩa.
• Trung gian bổ sung: cả hai có ý nghĩa và cùng dấu.
• Trung gian cạnh tranh: cả hai có ý nghĩa nhưng ngược dấu.
• Không có trung gian: tác động gián tiếp không có ý nghĩa.

Bước 8. Phân tích biến điều tiết và đa nhóm

Thêm biến điều tiết bằng chức năng Add moderating effect, chọn cách tiếp cận two-stage (khuyến nghị mặc định). Nếu tương tác có ý nghĩa, vẽ biểu đồ simple slope để diễn giải. Với biến nhóm (ví dụ giới tính), dùng PLS-MGA sau khi kiểm tra tính bất biến đo lường bằng MICOM.

Ví dụ phân tích SmartPLS: ý định mua hàng trực tuyến

Giả sử mô hình nghiên cứu gồm 4 biến độc lập (Tính hữu ích cảm nhận - HI, Tính dễ sử dụng - DSD, Niềm tin - NT, Rủi ro cảm nhận - RR), biến trung gian Thái độ (TD) và biến phụ thuộc Ý định mua (YD). Cỡ mẫu 320 quan sát, tất cả thang đo reflective, Likert 5 mức. Quy trình phân tích SmartPLS diễn ra như sau (số liệu minh họa):

• Mô hình đo lường: loại biến RR4 có outer loading 0,52 vì việc loại giúp AVE của RR tăng từ 0,47 lên 0,56; các thang đo còn lại đạt CR từ 0,84 đến 0,91, HTMT lớn nhất 0,78.
• Mô hình cấu trúc: VIF nội bộ đều dưới 2,5; R² của TD là 0,52 và của YD là 0,61.
• Kiểm định giả thuyết: HI, NT tác động dương đến TD (p < 0,01); RR tác động âm (p = 0,03); DSD không có ý nghĩa (p = 0,21).
• Trung gian: TD là trung gian bổ sung trong quan hệ NT - YD.

Kết quả DSD không có ý nghĩa được báo cáo đầy đủ và thảo luận: có thể do người dùng đã quen mua sắm trực tuyến nên tính dễ sử dụng không còn là yếu tố phân biệt. Đây là cách trình bày trung thực, có giá trị học thuật.

Cỡ mẫu cho phân tích SmartPLS

PLS-SEM thường được giới thiệu là "chạy được với mẫu nhỏ", nhưng điều này không có nghĩa là mẫu nhỏ đủ để có kết luận đáng tin. Các cách xác định cỡ mẫu được khuyến nghị:

• Inverse square root method: với hệ số đường dẫn nhỏ nhất kỳ vọng 0,2 và mức ý nghĩa 5%, cỡ mẫu tối thiểu khoảng 155 (Kock và Hadaya, 2018).
• Phân tích power: dùng G*Power dựa trên số biến dự báo lớn nhất trỏ vào một biến tiềm ẩn, cỡ hiệu ứng và lực kiểm định 0,80.
• Quy tắc 10 lần: chỉ nên dùng làm mức tham khảo sơ bộ, vì thường đánh giá thấp cỡ mẫu cần thiết.

Xác định cỡ mẫu trước khi thu thập dữ liệu và nêu rõ phương pháp trong chương 3 giúp phân tích SmartPLS của bạn thuyết phục hơn trước hội đồng.

Biến bậc hai và IPMA trong phân tích SmartPLS

Biến bậc hai (higher-order construct)

Khi một khái niệm gồm nhiều thành phần (ví dụ Chất lượng dịch vụ gồm 5 thành phần), có thể mô hình hóa dưới dạng biến bậc hai. SmartPLS 4 hỗ trợ cách tiếp cận repeated indicators và two-stage (embedded hoặc disjoint). Mô hình đo lường của các thành phần bậc một vẫn phải được đánh giá đầy đủ trước khi đánh giá biến bậc hai.

Phân tích tầm quan trọng - hiệu suất (IPMA)

IPMA kết hợp tổng tác động (tầm quan trọng) và điểm trung bình đã chuẩn hóa về thang 0-100 (hiệu suất) của các biến dự báo. Kết quả cho thấy yếu tố nào quan trọng nhưng đang có hiệu suất thấp, rất hữu ích cho phần hàm ý quản trị.

Viết mục phân tích SmartPLS trong chương phương pháp

"Mô hình nghiên cứu được kiểm định bằng PLS-SEM trên phần mềm SmartPLS 4. Mô hình đo lường được đánh giá qua hệ số tải ngoài, Cronbach's Alpha, độ tin cậy tổng hợp, AVE và HTMT. Mô hình cấu trúc được đánh giá qua VIF, hệ số đường dẫn, R², f² và Q²predict. Ý nghĩa thống kê được xác định bằng bootstrapping với 10.000 mẫu lặp, kiểm định hai phía ở mức ý nghĩa 5%, theo hướng dẫn của Hair và cộng sự (2022)."

Đoạn mô tả nêu rõ phần mềm, tiêu chí đánh giá, thông số bootstrapping và nguồn trích dẫn, giúp người đọc hiểu và kiểm tra lại quy trình phân tích SmartPLS.

Checklist hoàn thành phân tích SmartPLS

1. Xác định đúng loại thang đo (reflective hay formative) cho từng biến tiềm ẩn.
2. Đã kiểm tra outer loading, CR, AVE, HTMT với thang đo reflective.
3. Đã kiểm tra VIF, outer weight với thang đo formative.
4. Bootstrapping với ít nhất 5.000, tốt nhất 10.000 mẫu lặp.
5. Báo cáo R², f², Q²predict cùng hệ số đường dẫn.
6. Ghi lại mọi biến bị loại và lý do.
7. Lưu file dự án .splsm và dữ liệu gốc.

Trình bày kết quả phân tích SmartPLS

Một chương kết quả chuẩn thường gồm các bảng theo thứ tự:

1. Hệ số tải ngoài của các biến quan sát.
2. Cronbach's Alpha, rho_A, CR, AVE của từng biến tiềm ẩn.
3. Ma trận HTMT.
4. VIF, R², f², Q²predict.
5. Kết quả kiểm định giả thuyết: hệ số đường dẫn, độ lệch chuẩn, giá trị t, p, khoảng tin cậy và kết luận.
6. Tác động gián tiếp và điều tiết (nếu có).

Hình mô hình kết quả nên hiển thị hệ số đường dẫn và R², kèm chú thích mức ý nghĩa. Không chụp nguyên màn hình output, hãy trình bày lại thành bảng.

Báo cáo kiểm định giả thuyết trong phân tích SmartPLS

Bảng kiểm định giả thuyết là bảng quan trọng nhất của chương kết quả. Mẫu trình bày gợi ý (số liệu minh họa):

Giả thuyết	Mối quan hệ	β	t	p	Khoảng tin cậy 95%	Kết luận
H1	HI → TD	0,31	5,12	< 0,001	[0,19; 0,43]	Ủng hộ
H2	DSD → TD	0,07	1,25	0,211	[-0,04; 0,18]	Không ủng hộ
H3	NT → TD	0,36	6,03	< 0,001	[0,24; 0,47]	Ủng hộ
H4	RR → TD	-0,12	2,17	0,030	[-0,23; -0,01]	Ủng hộ

Ngoài giá trị p, nên báo cáo khoảng tin cậy bootstrap và f² để người đọc thấy độ lớn tác động. Khi diễn giải, hãy so sánh kết quả phân tích SmartPLS với các nghiên cứu trước: kết quả nào nhất quán, kết quả nào khác biệt và lý giải có thể là gì.

Với giả thuyết không được ủng hộ, viết rõ "chưa tìm thấy bằng chứng ủng hộ H2" thay vì "bác bỏ hoàn toàn", và gợi ý hướng nghiên cứu tiếp theo để làm rõ. Cách viết thận trọng này phản ánh đúng bản chất của kiểm định thống kê.

Một lưu ý nữa khi phân tích SmartPLS là sai lệch do phương pháp chung (common method bias), thường gặp khi mọi biến được đo bằng cùng một bảng hỏi tại cùng một thời điểm. Có thể đánh giá bằng kiểm định đa cộng tuyến toàn phần (full collinearity VIF, ngưỡng 3,3 theo Kock, 2015) và giảm thiểu ngay từ khâu thiết kế bảng hỏi: đảm bảo ẩn danh, tách vị trí các thang đo, dùng câu hỏi rõ ràng. Báo cáo bước kiểm tra này giúp kết quả phân tích SmartPLS đáng tin cậy hơn trong mắt người phản biện.

Lỗi thường gặp khi phân tích SmartPLS

• Đánh giá thang đo formative bằng Cronbach's Alpha và AVE.
• Loại nhiều biến quan sát cùng lúc chỉ để AVE đạt, làm mất giá trị nội dung.
• Dùng quá ít mẫu bootstrap (ví dụ 500), khiến khoảng tin cậy kém ổn định.
• Báo cáo GoF như chỉ số phù hợp mô hình, trong khi tài liệu PLS-SEM hiện nay không khuyến nghị.
• Kết luận quan hệ nhân quả mạnh từ dữ liệu khảo sát cắt ngang.
• Không lưu file dự án, không tái lập được kết quả.

Câu hỏi thường gặp về phân tích SmartPLS

SmartPLS 3 và SmartPLS 4 khác nhau thế nào?

SmartPLS 4 có giao diện mới, thêm các tính năng như PLSpredict cải tiến, CVPAT, phân tích điều kiện cần (NCA) và hỗ trợ tốt hơn cho biến bậc hai. Ngưỡng đánh giá cơ bản không thay đổi.

Có cần chạy EFA trên SPSS trước khi phân tích SmartPLS không?

Không bắt buộc khi thang đo kế thừa đã được kiểm định. Với thang đo mới hoặc được điều chỉnh nhiều, chạy EFA trước giúp kiểm tra cấu trúc thang đo.

Giả thuyết bị bác bỏ có ảnh hưởng đến luận văn không?

Giả thuyết không được ủng hộ là kết quả có giá trị nếu được báo cáo và thảo luận trung thực. Không nên thay đổi mô hình hay dữ liệu để mọi giả thuyết đều được ủng hộ.

Tài liệu tham khảo

• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. doi:10.1007/s11747-014-0403-8
• Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10.
• Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227-261.
• Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197-206.