Phân tích sâu về bản chất sự khác biệt giữa PLS-SEM và CB-SEM

Hai loại SEM CB-SEM và PLS-SEM

Có hai loại SEM: SEM dựa trên hiệp phương sai covariance-based SEM (CB-SEM) và SEM dựa trên bình phương tối thiểu từng phần Partial Least Squares SEM (PLS-SEM; còn được gọi là mô hình đường dẫn PLS). CB-SEM chủ yếu được sử dụng để xác nhận (hoặc từ chối) các giả thuyết (tức là, một tập hợp các mối quan hệ hệ thống giữa nhiều biến). Nó thực hiện điều này bằng cách xác định xem mô hình lý thuyết được đề xuất có thể ước tính ma trận hiệp phương sai cho tập dữ liệu tốt như thế nào. Ngược lại, PLS-SEM chủ yếu được sử dụng để phát triển các lý thuyết trong nghiên cứu thăm dò khám phá. Nó thực hiện điều này bằng cách tập trung giải thích phương sai trong các biến phụ thuộc khi kiểm tra mô hình. Sự khác biệt này sẽ được giải thích chi tiết hơn sau.

Có hai cách tiếp cận chính để ước tính các mối quan hệ trong mô hình phương trình cấu trúc (Hair và cộng sự, 2010; Hair và cộng sự, 2011). Một là phương pháp tiếp cận CB-SEM được áp dụng rộng rãi hơn. Cái còn lại là PLS-SEM. Mỗi nghiên cứu thích hợp cho một bối cảnh nghiên cứu khác nhau và các nhà nghiên cứu cần hiểu sự khác biệt để áp dụng phương pháp đúng.

Khi nào sử dụng PLS-SEM so với CB-SEM

Để trả lời câu hỏi về khi nào sử dụng PLS-SEM so với CB-SEM, các nhà nghiên cứu nên tập trung vào các đặc tính và mục tiêu phân biệt hai phương pháp (Hair, Sarstedt, Ringle, et al., 2012). Trong các tình huống nghiên cứu mà việc tìm cơ sở lý thuyết gặp khó khăn, có ý nghiên cứu về vấn đề này trước đây, các nhà nghiên cứu nên xem xét việc sử dụng PLS-SEM như một phương pháp thay thế cho CB-SEM. Điều này đặc biệt đúng nếu mục tiêu chính của việc áp dụng mô hình hóa cấu trúc là dự đoán và giải thích các cấu trúc đích (Rigdon, 2012).

Cách PLS-SEM và CB-SEM xử lý các biến tiềm ẩn

Một sự khác biệt khái niệm rất quan trọng giữa PLS-SEM và CB-SEM liên quan đến cách mỗi phương pháp xử lý các biến tiềm ẩn được bao gồm trong mô hình.

  • CB-SEM xem xét các cấu trúc constructs như là các yếu tố phổ biến common factors giải thích sự biến thiên đồng thời sự kết hợp giữa các chỉ số liên quan của nó. Điểm số của các yếu tố phổ biến common factors này không được biết đến cũng như không cần thiết trong việc ước lượng các tham số mô hình.
  • PLS-SEM thì khác, PLS-SEM sử dụng các biến số đại diện proxy để biểu diễn các cấu trúc constructs, là sự tổng hợp có trọng số của các biến chỉ báo indicator cho một cấu trúc cụ thể. Vì lý do này, PLS-SEM cấu thành một phương pháp gọi là composite-based để chạy SEM.

Cách thức tính toán trong CB-SEM

CB-SEM ước lượng các tham số sao cho sự khác biệt giữa ma trận hiệp phương sai covariances của dữ liệu mẫu và của mô hình lý thuyết là nhỏ nhất. Kết quả là, ma trận hiệp phương sai được tính toán dựa trên mô hình lý thuyết gần giống nhất có thể được với ma trận hiệp phương sai của dữ liệu mẫu. Độ phù hợp mô hình Goodness-of-fit đo lường chỉ số chi bình phương chi-square (χ2) và các chỉ số mode fit khác dựa trên sự khác biệt giữ hai ma trận hiệp phương sai này. Do đó không phải chỉ số model fit nào có ở CB-Sem cũng có ở PLS-Sem, do phương thức tìm kiếm lời giải khác nhau (cụ thể là tối đa hóa phần phương sai giả thích được thay vì tối thiểu hóa sự khác biệt giữ hai ma trận hiệp phương sai)

Điều quan trọng cần lưu ý là các proxy do PLS-SEM tạo ra không được giả định là giống y hệt các cấu trúc mà chúng thay thế. Chúng được công nhận chỉ là xấp xỉ thôi(Rigdon, 2012). Kết quả là, một số học giả xem CB-SEM như một phương pháp trực tiếp và chính xác hơn để đo lường thực nghiệm các khái niệm lý thuyết, trong khi PLS-SEM chỉ đo lường xấp xỉ. Tuy nhiên, các học giả khác cho rằng quan điểm như vậy là khá khó hiểu vì các yếu tố phổ biến common factor có được trong CB-SEM cũng không nhất thiết tương đương với các khái niệm lý thuyết là trọng tâm của nghiên cứu. Trên thực tế, luôn có khoảng cách lớn giữa khái niệm mà một nhà nghiên cứu dự định đo lường và cấu trúc cụ thể được sử dụng để đo lường một khái niệm cụ thể. Trong nghiên cứu khoa học xã hội, việc đo lường dưới dạng xấp xỉ có vẻ thực tế hơn , tạo sự khác biệt giữa PLS-SEM và CB-SEM về cách xử lý các cấu trúc có vấn đề. Quan điểm này cũng được hỗ trợ bởi cách CB-SEM được áp dụng trong thực hành nghiên cứu. Khi sử dụng CB-SEM, các mô hình giả thuyết ban đầu hầu như luôn thể hiện sự phù hợp không đầy đủ. Đáp lại, các nhà nghiên cứu nên từ chối mô hình và xem xét lại nghiên cứu (thường yêu cầu thu thập dữ liệu mới), đặc biệt khi nhiều biến phải bị xóa để đạt được sự phù hợp (Hair và cộng sự, 2010). Ngoài ra, họ thường xuyên xác minh lại mô hình phát triển lý thuyết ban đầu trong một nỗ lực để cải thiện các chỉ số model fit thấp hơn ngưỡng được đề xuất. Bằng cách đó, các nhà nghiên cứu đến một mô hình với sự phù hợp chấp nhận được, mà họ kết luận lý thuyết hỗ trợ ( hầu như không bao giờ áp dụng cách này trong thực tế).Các nhà nghiên cứu tham gia sửa đổi mô hình với mục đích có một mô hình phù hợp. Tuy nhiên, các mô hình là sản phẩm của những sửa đổi này thường không tương ứng với các mô hình thực sự và có xu hướng quá đơn giản (Sarstedt, Ringle, Henseler & Hair, 2014).

Cách thức tính toán trong PLS-SEM

Sử dụng các proxy như đầu vào, PLS-SEM áp dụng hồi qui bình phương nhỏ nhất ordinary least squares (OLS) với mục tiêu giảm thiểu các error terms (như là phương sai của phần dư ) của các cấu trúc nội sinh. Tóm lại, PLS-SEM ước tính hệ số (tức là mối quan hệ mô hình đường dẫn) sao cho để làm tối đa hóa giá trị R2 của các cấu trúc nội sinh (đích). Tính năng này đạt được mục tiêu dự đoán của PLS-SEM. Do đó PLS-SEM là phương pháp ưu tiên khi mục tiêu nghiên cứu là phát triển lý thuyết và giải thích phương sai (dự đoán của các cấu trúc).

Tóm lại các tính chất của PLS-SEM :

Tính chất của dữ liệu
Kích cỡ mẫu Chưa thấy vấn đề với cỡ mẫu nhỏ
Cỡ mẫu lớn càng làm tăng độ chính xác của ước lượng PLS-SEM
Phân phối Dữ liệu không cần bắc buộc ở dạng phân phối nào, PLS-SEM là một phương pháp phi tham số.
Thang đo Sử dụng dữ liệu dạng metric định lượng(Thang đo tỉ lệ và khoảng cách). Và cho thang đo nhị phân binary ( có một số ràng buộc thêm)
Có hạn chế khi sử dụng dữ liệu Thang đo định danh categorical để đo lường biến nôi sinh tiềm ẩn
Mô hình
Số lượng items trong mỗi construct trong mô hình đo lường Có thể có 1 hoặc nhiều items
Quan hệ giữ construct và indicator của nó Có thể là reflective hoặc formative
Độ phức tạp của mô hình Xử lý được mô hình phức tạp, với nhiều mối quan hệ
Cài đặt mô hình Không được có quan hệ nhân quả lặp lại trong mô hình, nghĩa là không có quan hệ vòng tròn.
Thuật toán PLS-SEM 
Mục đích Tối thiểu hóa lượng phương sai khoogn giả thích được( nghĩa là tối đa hóa giá trị R bình phương)
Khả năng Hội tụ sau vài lần chạy iterations( ngay cả khi trường hợp mô hình phức tạp và/hoặc bộ dữ liệu lớn)
Bản chất của construct Được xem là đại diện proxy của khái niệm tiềm ẩn đang được nghiên cứu, đại diện bởi biến tổng hợp composite.
Điểm số construct scores  Được xem là sự kết hợp tuyến tính của các chỉ báo của nó
Xác định được
Sử dụng để dự báo
Sử dụng là đầu vào cho các phân tích sau đó
Không bị ảnh hưởng bởi sự thiếu dữ liệu

Như vậy, bản chất sự khác biệt giữa PLS-SEM và CB-SEM đã được đưa ra góp phần giải đáp câu hỏi nên sử dụng loại SEM nào. Các bạn có thể trao đổi thêm với nhóm tại đây nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com