Category Archives: SmartPLS

Hướng dẫn thực hành phân tích biến điều tiết trên phần mềm SmartPLS

Bài viết này sẽ hướng dẫn các bạn phân tích biến điều tiết trong mô hình PLS SEM bằng phần mềm Smart Pls. Cả hai kĩ thuật xử lý biến điều tiết liên tục interaction effect và phân loại MGA đều được đề cập trong bài này.

Lý thuyết chung về biến điều tiết trên phần mềm SmartPLS


Biến điều tiết tác động vào mối quan hệ từ độc lập đến biến phụ thuộc, làm cho mức ảnh hưởng này cao hơn, nhỏ hơn hoặc không đổi. Biến điều tiết ảnh hưởng trực tiếp đến mối quan hệ giữa hai yếu tố trong mô hình, có thể làm tăng hoặc giảm độ lớn giữa hai yếu tố đó tùy vào giá trị của biến điều tiết.

Hai dạng biến điều tiết trong Smart PLS

-Biến điều tiết phân loại, ví dụ như giới tính (nam nữ), trình độ (tiểu học, trung học, đại học)
-Biến điều tiết biến liên tục,ví dụ như Thu Nhập trong ảnh ở trên. Lưu ý thu nhập ở đây là số tiền thực tế, chứ không phải là nhóm thu nhập nhé. Vì nếu là chia nhóm ra ví dụ (trên 10 triệu, dưới 10 triệu) thì nó lại quay về trường hợp biến điều tiết phân loại category moderator.
Với biến điều tiết là biến định tính phân loại, sử dụng kỹ thuật phân tích cấu trúc đa nhóm multigroup analysis – MGA trên Smartpls.
Với biến điều tiết là biến liên tục, có hai cách xử lý. Cách 1 là chia nhóm biến liên tục đó và thực hiện phân tích MGA như trên, cách 2 là sử dụng interaction moderator effect trên Smart Pls. Để một biến trở thành biến điều tiết tốt, có ý nghĩa thống kê thì tích của biến điều tiết và biến độc lập phải có ảnh hưởng đến biến phụ thuộc, sau đó thì có thể kết luận rằng biến đó có điều tiết mối quan hệ giữa biến độc lập và phụ thuộc.
Smart Pls đã tích hợp chức năng xử lý biến điều tiết liên tục và biến điều tiết phân loại vào phần mềm. Có sẵn menu cho cả hai dạng điều tiết trong Smart PLS.

Ví dụ về mô hình biến điều tiết trong Smart PLS

File dự án mẫu về phân tích điều tiết PLS các bạn có thể tải ở đây:

phantichspss.com/filefordownload/biendieutiet.zip

Mô hình tổng thể biến điều tiết trong ví dụ:

Phần mềm Smart Pls để phân tích mức độ ảnh hưởng của biến điều tiết trong mô hình cấu trúc SEM PLS.

Cách vẽ và xử lý biến điều tiết liên tục trong SMARTPLS

Đối với biến điều tiết liên tục, ta sẽ sử dụng interaction effect để xử lý.

Cách sử dụng công cụ chạy điều tiết trên Smart Pls:
Đầu tiên, import dự án PLS có sẵn vào chương trình bằng cách tải file dự án pls ở đây phantichspss.com/filefordownload/biendieutiet.zip và lưu về máy
Kế đến bật Smart PLS lên và để con trỏ chuột trong khung Project Explorer và ấn chuột phải, chọn Import Project From Backup File. Hoặc vào menu File-Import Project From Backup File. Sau đó chọn file biendieutiet.zip vừa tải về. Sau đó ấn vào mục biendieutiet như trong hình dưới để mở file graphic pls lên, được kết quả như hình dưới

Nhấp chuột phải vào biến phụ thuộc TrungThanh và chọn Add moderating Effect…

Sau đó, chọn tên của biến điều tiết và biến độc lập để đưa vào mô hình như trong hình :


Và nhấn OK
Biến interaction được tạo ra có tên là Moderating Effect 1, ta cần đổi tên để cho nhìn dễ hiểu hơn. Bằng cách chọn biến đó và ấn F2 để rename. Ở đây ta rename đổi tên thành Moder_HaiLongxThuNhap sau đó OK, lúc đó mô hình mới như sau:


Smart Pls sử dụng kỹ thuật Bootstrapping để đánh giá mối quan hệ có ý nghĩa thống kê hay không. Thực hiện phân tích bootstrap cho mô hình này với 5000 mẫu lặp lại.
Ta vào menu Caculate- Bootstrapping như ảnh


Chọn sub-samples là 5000, sau đó nhấn Start Calculation

Sau khi phân tích xong, kết quả sau hiện ra như sau:

Cách đọc kết quả phân tích biến điều tiết liên tục trên Smart PLS

Nhìn vào p-value của quan hệ Moder_HaiLongxThuNhap -> TrungThanh , giá trị này là 0.084 lớn hơn 5% nên kết luận luôn là biến ThuNhap không có điều tiết mối quan hệ giữa HaiLong đến TrungThanh. Nếu giá trị đó < 5% thì kết luận là ThuNhap điều tiết mối quan hệ giữa HaiLong đến TrungThanh. Tuy nhiên trong trường hợp này, nếu mình lấy mức ý nghĩa 10% thì có thể kết luận được ThuNhap là biến điều tiết, do 0.084<10%
Bây giờ sẽ xét dấu của tác động điều tiết, xem biến điều tiết khi tăng lên thì làm cho mối quan hệ giữa HaiLong đến TrungThanh tăng hay giảm. Ở đây do hệ số của biến tương tác là 0.135 lớn hơn 0, nên biến điều tiết này khi tăng sẽ làm tăng mối quan hệ, cụ thể khi thu nhập tăng thì làm cho mối quan hệ từ HaiLong đến TrungThanh tăng lên nhé.

Cách xử lý biến điều tiết phân loại category trong SMARTPLS

Đối với biến điều tiết phân loại, ta sẽ sử dụng Smart PLS MGA mutigroup analysis để xử lý. Cách sử dụng công cụ chạy điều tiết trên Smart Pls như sau:
Trước tiên ta cũng tải file dự án về và import vào như trên bằng cách tải file dự án pls ở đây phantichspss.com/filefordownload/biendieutiet.zip và lưu về máy
Kế đến bật Smart PLS lên và để con trỏ chuột trong khung Project Explorer và ấn chuột phải, chọn Import Project from Backup File. Hoặc vào menu File-Import Project from Backup File. Sau đó chọn file biendieutiet.zip vừa tải về. Sau đó ấn vào mục biendieutiet như trong hình dưới để mở file graphic pls lên, được kết quả như hình dưới

Sau đó ấn vào file số liệu moderator[79 records] như trong ảnh. Lúc đó màn hình số liệu bên phải hiện ra. Lúc đó ấn tiếp vào nút Generate Data Groups để tạo ra các nhóm số liệu con.

Tiếp tục chọn ô Group column 0, chọn biến để chia bộ dữ liệu ra là GioiTinh,

Sau đó ấn OK


Như ta thấy, trong số liệu 79 người, có 33 người giới tính Nam-1, 46 người giới tính Nữ-2
Sau đó ta tiến hành chạy phân tích đa nhóm MGA trong Smart PLS bằng cách vào Menu Calculate- MultiGroup Analysis (MGA)


Sau đó tiến hành trong Group A chọn nhóm giới tính 1, trong Group B chọn nhóm giới tính 2.


Sau đó ấn Start Caculation để tiến hành phân tích đa nhóm Smart PLS theo dạng biến phân loại. Khi tính toán xong cửa sổ kết quả sẽ hiện ra. Ta chọn tab PLS-MGA như trong ảnh để đánh giá kết quả


Cách đọc kết quả biến điều tiết phân loại category Smart PLS

Nhìn vào cột p-value tô đỏ ở trên, ta so sánh với 0.05 để rút ra kết luận là biến Giới Tính có điều tiết mối quan hệ giữa biến độc lập và phụ thuộc.
Đối với mối quan hệ HaiLong->TrungThanh, giá trị p-value của mối quan hệ điều tiết của Giới Tính là 0.269 >5%, nên kết luận là biến Giới Tính không có điều tiết mối quan hệ này.
Đối với mối quan hệ ThuNhap->TrungThanh, giá trị p-value của mối quan hệ điều tiết của Giới Tính là 0.915 >5%, nên kết luận là biến Giới Tính không có điều tiết mối quan hệ này.
Như vậy, bài này đã hướng dẫn bạn cách xử lý biến điều tiết và đọc kết quả biến điều tiết liên tục và phân loại trong Smart Pls. Thực ra việc này không khó, nhưng vì trong SmartPls có nhiều menu nên có thể gây bối rối cho các bạn khi xử lý.
Các bạn khi phân tích có bất cứ khó khăn gì cứ liên hệ cho nhóm nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

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

– Email:                 hotrospss@gmail.com

Giá trị hội tụ, giá trị phân biệt trong PLS SEM

Giá trị hội tụ

Giá trị hội tụ là số liệu tổng thể của mô hình đo lường phản ánh, đo lường mức độ mà các chỉ số của một cấu trúc hội tụ, từ đó giải thích phương sai của các items. Nó được đánh giá bằng cách đánh giá phương sai trung bình được trích xuất (AVE) trên tất cả các chỉ số liên quan đến một cấu trúc cụ thể. AVE là giá trị trung bình  của bình phương hệ số tải của tất cả các chỉ số liên quan đến một cấu trúc cụ thể.

Quy tắc đối với AVE được chấp nhận là 0.50 hoặc cao hơn. Mức này hoặc cao hơn cho thấy rằng trung bình cấu trúc giải thích 50 phần trăm hoặc hơn phương sai của các chỉ số của nó.

Giá trị phân biệt

Chỉ số này đánh giá mức độ mà một cấu trúc khác biệt với các cấu trúc khác. Nguyên tắc cơ bản của tính hợp lệ phân biệt là đánh giá mức độ duy nhất của các chỉ số của một cấu trúc đại diện cho cấu trúc đó (phương sai được chia sẻ trong cấu trúc đó) so với mức độ tương quan của cấu trúc đó với tất cả các cấu trúc khác trong mô hình (phương sai chung giữa các cấu trúc). Kiểm tra tính hợp lệ phân biệt được thực hiện cho tất cả các cặp cấu trúc trong một mô hình. Sử dụng khái niệm AVE được thảo luận ở trên, tính hợp lệ phân biệt có mặt khi phương sai được chia sẻ trong một cấu trúc (AVE) luôn vượt quá phương sai được chia sẻ với tất cả các cấu trúc khác.

CB-SEM thường dựa vào tiêu chí Fornell – Larcker. Phương pháp Fornell – Larcker là phép so sánh trực tiếp AVE của hai cấu trúc với phương sai chung giữa hai cấu trúc. Ngược lại, với PLS-SEM, phương pháp đánh giá sự phân biệt được khuyến nghị bởi Henseler và cộng sự là tỷ số heterotrait-monotrait (HTMT) của các mối tương quan.

Tiêu chí HTMT được định nghĩa là giá trị trung bình của các mối tương quan của chỉ báo giữa các cấu trúc (tức là tương quan heterotrait-heteromethod) so với giá trị trung bình của các mối tương quan trung bình của các chỉ số đo lường cùng một cấu trúc. Tiêu chí HTMT là ước tính về mối tương quan thực sự giữa hai cấu trúc nếu chúng được đo lường hoàn hảo (tức là nếu chúng hoàn toàn đáng tin cậy). Giá trị HTMT cao cho thấy có vấn đề với giá trị phân biệt. Dựa trên mô phỏng và nghiên cứu trước đó, Henseler et al đề xuất giá trị 0.90 nếu mô hình đường dẫn bao gồm các cấu trúc tương tự về mặt khái niệm (ví dụ: lòng trung thành, sự hài lòng về nhận thức và sự hài lòng về tình cảm). Nói cách khác, giá trị HTMT trên 0.90 cho thấy thiếu giá trị phân biệt. Khi các cấu trúc khác biệt hơn về mặt khái niệm, một giá trị ngưỡng thấp hơn, thận trọng hơn là 0.85 được đề xuất. Cuối cùng, ngoài việc kiểm tra kích thước của giá trị HTMT, các nhà nghiên cứu nên sử dụng quy trình bootstrapping để xác định xem giá trị HTMT có thấp hơn một cách có ý nghĩa thống kê so với số 1 hay không.

Dĩ nhiên tiêu chuẩn Fornell – Larcker vẫn được sử dụng bình thường trong PLS-SEM , chứ không phải bắt buộc HTMT nhé, đây chỉ là 2 cách xài thay thế cho nhau

Quy tắc cỡ mẫu PLS-SEM với độ phức tạp mô hình

PLS-SEM áp dụng với cả kích thước mẫu lớn và nhỏ, và nhiều khi chính khả năng lấy mẫu nhỏ giúp phân biệt nó với các phương pháp khác. Câu hỏi quan trọng khi thảo luận về kích thước mẫu cho các ứng dụng SEM liên quan đến lượng mẫu cần thiết để tạo ra kết quả đáng tin cậy và quyết định này liên quan đến ba khía cạnh của độ phức tạp của mô hình.

Ba khía cạnh của độ phức tạp của mô hình

1.Số cấu trúc:

Các đánh giá trước cho thấy số lượng cấu trúc trung bình trên mỗi mô hình cao hơn trong PLS-SEM (khoảng tám cấu trúc) so với CB-SEM  (khoảng năm cấu trúc).

2.Số chỉ số trên mỗi cấu trúc

Đồng thời, số lượng chỉ số trên mỗi cấu trúc thường cao hơn trong PLS-SEM so với CB-SEM. Ngược lại với CB-SEM, thuật toán PLS-SEM không tính toán đồng thời tất cả các mối quan hệ của mô hình, mà thay vào đó, sử dụng các phép hồi quy bình phương nhỏ nhất thông thường riêng biệt để ước tính các mối quan hệ hồi quy từng phần.

3.Số quan sát trên mỗi tham số ước tính

Số lượng tham số mô hình có thể rất cao so với kích thước mẫu, miễn là mỗi quan hệ hồi quy từng phần có đủ số lượng quan sát (nhiều hơn số lượng chỉ báo / tham số ước tính). Tuy nhiên, có một quy tắc cơ bản cho kích thước mẫu và nó gấp 10 lần số mũi tên trỏ vào một cấu trúc, cho dù là một chỉ báo cấu thành formative cho một cấu trúc hay một đường dẫn cấu trúc đến một cấu trúc nội sinh.

Ưu điểm của PLS-SEM là cỡ mẫu nhỏ vẫn chạy được

Reinartz và cộng sự, Henseler và cộng sự,Sarstedt và cộng sự chỉ ra rằng thuật toán PLS-SEM thu được các giải pháp khi các phương pháp khác không hội tụ. Hướng dẫn chung là khi có thể thu được nhiều quan sát hơn, chẳng hạn như với hầu hết các dự án nghiên cứu người tiêu dùng, thì các nhà nghiên cứu nên làm như vậy. Nhưng trong một số tình huống, chẳng hạn như nghiên cứu giữa doanh nghiệp với doanh nghiệp, quy mô tổng thể khá nhỏ (ví dụ: 100) và PLS-SEM là phương pháp tiếp cận mô hình cấu trúc duy nhất có thể thu được các giải pháp có ý nghĩa với kích thước mẫu nhỏ như vậy.

Trong khi PLS-SEM có thể được áp dụng với các mẫu nhỏ hơn không thể chấp nhận được với các phương pháp khác, khả năng chấp nhận của phương pháp này phụ thuộc vào một số cân nhắc. Đầu tiên liên quan đến tính không đồng nhất của tổng thể, đây là điều cần xem xét đối với tất cả các kỹ thuật thống kê. Một quần thể không đồng nhất hơn đòi hỏi một mẫu lớn hơn để đạt được mức sai số lấy mẫu có thể chấp nhận được. Khi các nguyên tắc cơ bản của lý thuyết lấy mẫu này bị bỏ qua, thì các kết quả ước lượng rất có thể nghi ngờ, bất kể phương pháp SEM nào được sử dụng.