SmartPLS: thủ tục bootstrapping để kiểm định giả thiết thống kê

Tại sao phải dùng thủ tục bootstrapping để kiểm định giả thiết thống kê trong PLS?

PLS-SEM không có giả định dữ liệu phải có phân phối chuẩn. Mà không có phân phối chuẩn nghĩa là các kiểm định có tham số được sử dụng trong phân tích hồi quy không thể được áp dụng để kiểm tra xem outer weight, outer loading (chính là hệ số hồi quy ), hệ số đường dẫn path coefficients có ý nghĩa thống kê significant hay không. Thay vào đó, PLS-SEM dựa vào một quy trình bootstrap phi tham số nonparametric (Davison & Hinkley, 1997; Efron & Tibshirani, 1986) để kiểm tra mức ý nghĩa significant.

Thủ tục bootstrapping là gì?

Trong bootstrapping, là phương pháp lấy mẫu ngẫu nhiên có lặp lại. Lặp lại có nghĩa là mỗi khi một quan sát được lấy ngẫu nhiên từ tập hợp quan sát mẫu, nó được trả lại mẫu trước khi quan sát tiếp theo được lấy ra (nghĩa là tập hợp quan sát mẫu luôn chứa tất cả các phần tử giống nhau). Do đó, có thể một quan sát trong một mẫu bootstrap xuất hiện nhiều hơn một lần hoặc có thể không được xuất hiện lần nào. Mỗi mẫu bootstrap phải có cùng số lượng quan sát với mẫu ban đầu. Ví dụ, nếu mẫu ban đầu có 130 quan sát, thì mỗi mẫu bootstrap cũng chứa 130 quan sát. Số lượng mẫu bootstrap phải cao nhưng phải ít nhất bằng số quan sát hợp lệ trong tập dữ liệu.

Hệ số w1 là mức độ tác động từ nhân tố COMP tới CUSL như hình dưới. Ví dụ bootstrap cho phép kiểm định giả thiết là hệ số w1 có bằng 0 hay không trong tổng thể. Sử dụng độ lệch chuẩn lấy từ kết quả bootstrap, kiểm định t Student được áp dụng để xem trọng số w1 này có khác 0 hay không?(Cụ thể giả thiết đặt là, H0 : w1 = 0 và H1 : w1 ≠ 0) .

Theo luật chung, phân phối t gần đúng với phân phối chuẩn Gausian, khi cỡ mẫu trên 30 quan sát. Do đó, khi giá trị t vượt quá 1.96 thì chúng ta có thể kết luận rằng hệ số của đường dẫn khác 0 với mức ý nghĩa thống kê 5%(α = 0.05; kiểm định 2 đuôi). Tương ứng giá trị t ở vượt quá 2.57 và 1.65 tương ứng với mức ý nghĩa thống kê 1% và 10%

Thực hành với SmartPLS

Với phần mềm SmartPLS, có 3 cách chọn: No sign change, Individual-level sign change , và Construct-level sign change để xét dấu dấu âm/dương của các quan hệ khi thực hiện bootstrap:

  1. Mục No sign change nghĩa là không làm gì cả, mỗi lần chạy bootstrap kết quả sao thì cứ để nguyên vậy, không đổi dấu bất kì điều gì.
  2. Mục individual-level sign change đảo dấu nếu một ước lượng của một mẫu bootstrap có dấu khác với dấu của mẫu gốc. Như vậy dấu trong mô hình đo lường và mô hình cấu trúc của mỗi mẫu bootstrap sẽ y hệt với dấu của mẫu gốc.
  3. Mục construct-level sign change, xem xét một nhóm các hệ số( nghĩa là cát outer weight) đồng thời và so sánh dấu với mẫu gốc. Nếu đa số các dấu trong lần chạy bootstrap này cần bị đảo để giống với dấu của mẫu chạy gốc, tất cả dấu sẽ bị đảo trong lần chạy bootstrap đó. Còn không thì không có dấu nào bị đổi.

Như vậy,construct-level sign change là một giải pháp hợp lý, trung hòa giữa hai cách kia no sign changes và individual-level sign changes. Kết quả là vài dấu sẽ bị đảo lại để hợp lý hơn, còn kết quả thì không phải 100% giống với dấu của mẫu ước lượng gốc ban đầu.

Các bạn có thể trao đổi thêm với nhóm tại đây để hoàn thiện bài làm tốt hơn nhé:

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

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

– Email:                 hotrospss@gmail.com