Kiểm định Bootstrap là một phương pháp thống kê quan trọng trong PLS-SEM (Partial Least Squares Structural Equation Modeling), giúp đánh giá độ tin cậy và tính ổn định của các tham số trong mô hình. Trong SmartPLS, Bootstrap được sử dụng để tính toán độ lệch chuẩn, khoảng tin cậy và giá trị p, từ đó xác định xem các mối quan hệ trong mô hình có ý nghĩa thống kê hay không.
Trong bài viết này, Thạc Sĩ Khánh và nhóm MBA Bách Khoa sẽ hướng dẫn chi tiết cách chạy kiểm định Bootstrap trong SmartPLS, cách diễn giải kết quả và ứng dụng vào nghiên cứu thực tế.
Bootstrap là gì?
Bootstrap là một phương pháp thống kê dựa trên lấy mẫu lặp lại từ một tập dữ liệu gốc để ước lượng phân phối của một tham số mà không cần giả định về dạng phân phối của dữ liệu. Đây là một kỹ thuật thuộc nhóm resampling (lấy mẫu lại), giúp đánh giá độ tin cậy của các ước lượng thống kê.
Các bước thực hiện Bootstrap:
- Lấy mẫu dữ liệu gốc gồm n quan sát.
- Tạo B tập dữ liệu Bootstrap bằng cách lấy mẫu ngẫu nhiên có hoàn lại từ dữ liệu gốc.
- Tính toán tham số thống kê (trung bình, phương sai, hồi quy…) trên từng mẫu Bootstrap.
- Ước lượng phân phối Bootstrap từ các giá trị thống kê thu được.
- Tính khoảng tin cậy và kiểm định giả thuyết dựa trên phân phối Bootstrap.
Ví dụ: Nếu chúng ta có một mẫu dữ liệu gồm 100 quan sát, chúng ta có thể tạo 5,000 mẫu Bootstrap (mỗi mẫu vẫn có 100 quan sát, nhưng có thể có các giá trị trùng lặp do lấy mẫu có hoàn lại). Sau đó, chúng ta tính giá trị trung bình của biến X trên từng mẫu và vẽ phân phối Bootstrap của trung bình X để ước lượng độ chính xác của nó.
Tại sao cần kiểm định Bootstrap trong SmartPLS?
Kiểm định Bootstrap giúp:
– Xác định độ tin cậy của hệ số hồi quy (Path Coefficients).
– Kiểm tra ý nghĩa thống kê của các mối quan hệ giữa biến độc lập và biến phụ thuộc.
– Xác định khoảng tin cậy (Confidence Interval) để đánh giá mức độ ổn định của tham số ước lượng.
Không giống như CB-SEM (AMOS, LISREL), PLS-SEM không đưa ra giá trị p trực tiếp từ kiểm định giả thuyết mà phải thông qua phân phối Bootstrap để ước lượng. Vì vậy, nếu bạn sử dụng SmartPLS, Bootstrap là bước bắt buộc để đảm bảo kết quả có ý nghĩa thống kê.
Cách thực hiện kiểm định Bootstrap trong SmartPLS
Bước 1: Chuẩn bị dữ liệu và mô hình SEM
Trước khi thực hiện Bootstrap, bạn cần đảm bảo rằng:
– Dữ liệu đã được nhập vào SmartPLS và không có giá trị bị thiếu.
– Mô hình SEM đã được thiết lập với các biến tiềm ẩn và biến quan sát.
– Các chỉ số đánh giá mô hình (Composite Reliability, AVE, R²) đã đạt tiêu chuẩn.
Bước 2: Chạy kiểm định Bootstrap
– Bước 2.1: Mở cửa sổ Bootstrap
Trong SmartPLS, chọn Calculate -> Bootstrapping.
Một cửa sổ mới sẽ mở ra với các thiết lập Bootstrap.
– Bước 2.2: Cấu hình thông số Bootstrap
Cấu hình thông số quan trọng như sau:
| Thông số | Giải thích | Giá trị khuyến nghị |
| Subsamples | Số mẫu con trong phép lặp Bootstrap | 5,000 (tốt nhất) hoặc tối thiểu 500 |
| Significant level | Mức ý nghĩa thống kê | 0.05 |
| Bias-Corrected and Accelerated (BCa) Bootstrap | Điều chỉnh sai lệch phân phối | Nên bật |
Sau khi xem và chọn xong, nhấn Start Calculation để chạy Bootstrap. Các tùy chọn đã để mặc định, bạn chỉ việc tăng giảm số lần bootstrap là ổn nhé.
Bước 3: Diễn giải kết quả Bootstrap trong SmartPLS
Sau khi chạy Bootstrap, bạn sẽ thấy các chỉ số quan trọng sau:
Hệ số đường dẫn (Path Coefficient)
Nếu T-Statistic ≥ 1.96 (đối với mức ý nghĩa 5%) → Mối quan hệ có ý nghĩa.
Nếu p-value ≤ 0.05 → Chứng minh mối quan hệ có ý nghĩa thống kê.
Hai giả trị T và p này có liên quan với nhau, nghĩa là nếu T-Statistic ≥ 1.96 thì chắc chắc là p-value ≤ 0.05
Khoảng tin cậy (Confidence Interval)
Nếu khoảng tin cậy không chứa số 0, mối quan hệ có ý nghĩa thống kê.
Nếu khoảng tin cậy chứa số 0, mối quan hệ không có ý nghĩa.
Trong ví dụ trên:5 giả thiết trong mô hình đều đạt ý nghĩa thống kê
Ứng dụng kiểm định Bootstrap trong nghiên cứu
– Xác định mối quan hệ nhân quả trong nghiên cứu xã hội, kinh tế, quản lý.
– Kiểm tra hiệu quả của các mô hình dự báo tài chính, hành vi tiêu dùng.
– Đánh giá tác động của yếu tố tâm lý đến quyết định mua hàng.
Ví dụ, nếu bạn đang nghiên cứu ảnh hưởng của chất lượng dịch vụ đến lòng trung thành khách hàng, kiểm định Bootstrap sẽ giúp bạn xác nhận liệu mối quan hệ đó có ý nghĩa hay không.
Kết luận
Kiểm định Bootstrap là một công cụ quan trọng trong SmartPLS, giúp đánh giá độ tin cậy của mô hình và kiểm định giả thuyết một cách chính xác. Bằng cách áp dụng phương pháp này, bạn có thể đưa ra những kết luận khoa học có cơ sở và nâng cao chất lượng nghiên cứu của mình.
Nếu bạn cần hướng dẫn chi tiết hơn hoặc hỗ trợ trong quá trình phân tích dữ liệu, hãy liên hệ với dịch vụ xử lý dữ liệu SmartPLS của chúng tôi!
Hãy liên hệ Thạc Sĩ Khánh và nhóm MBA tại zalo 0903396688 để được hỗ trợ thêm.
– SMS, Zalo, Viber:
