ĐÁNH GIÁ MÔ HÌNH CẤU TRÚC PLS-SEM TRONG SMARTPLS

Kiểm tra đa cộng tuyến giữa các biến tiềm ẩn, đọc R² và f² trong SmartPLS 4, rồi đối chiếu với CB-SEM

Bài nên đọc trước

• HTMT và giá trị phân biệt trong SmartPLS

Bài đánh giá mô hình đo lường reflective và bài HTMT và giá trị phân biệt đã cho thấy các thang đo của mô hình sàn X đạt yêu cầu. Từ bài này, loạt bài chuyển sang mô hình cấu trúc: các quan hệ giữa năm khái niệm và giả thuyết H1 đến H7. Hair và cộng sự (2019) đề xuất đánh giá mô hình cấu trúc theo năm bước:

1. Đa cộng tuyến giữa các biến tiềm ẩn (bài này).
2. Ý nghĩa và độ lớn của hệ số đường dẫn (bài bootstrapping trong SmartPLS, bằng bootstrap).
3. Năng lực giải thích: R² (bài này).
4. Mức tác động của từng biến: f² (bài này).
5. Năng lực dự đoán: Q² và PLSpredict (bài năng lực dự đoán với PLSpredict).

Thứ tự trong chuỗi bài theo lịch biên tập; khi viết luận văn, nên trình bày theo năm bước trên.

Về hình minh họa và con số. Ảnh chụp thật báo cáo của SmartPLS 4.1.2.1 (Ringle và cộng sự, 2026; bản dùng thử) cho mô hình mo-hinh-san-x của bài nhập dữ liệu và vẽ mô hình trong SmartPLS, chạy lại thuật toán PLS-SEM với Casewise deletion trên 254 người. Mọi con số được đối chiếu bằng R, file mo_hinh_cau_truc.R và trùng với SmartPLS đến chữ số thứ ba.

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 37-danh-gia-mo-hinh-cau-truc-pls-sem của kho dữ liệu mẫu trên GitHub. Muốn tải cả kho, bấm Code > Download ZIP rồi giải nén và giữ nguyên cấu trúc thư mục.

1. Bước 1: Đa cộng tuyến giữa các biến tiềm ẩn

Hệ số đường dẫn của một biến phụ thuộc được ước lượng như hồi quy bội trên các biến tiềm ẩn dự đoán nó. Nếu các biến dự đoán tương quan quá cao với nhau, hệ số sẽ thiên lệch và không ổn định, giống đa cộng tuyến trong hồi quy ở bài kiểm định giả định hồi quy.

Bước 1. Trong báo cáo của thuật toán PLS-SEM, mở Quality criteria > Collinearity statistics (VIF) > Inner model – List (Hình 1). Mục Outer model – List cùng nhóm là VIF của câu hỏi, dùng cho thang đo formative (bài mô hình đo lường formative).

Hình 1. VIF giữa các biến tiềm ẩn: (1) mục Inner model – List, (2) VIF của bảy đường dẫn.

Ngưỡng (Hair và cộng sự, 2019, 2022): VIF từ 5 là có vấn đề nghiêm trọng; tốt nhất là dưới 3 (Bảng 1).

Bảng 1. VIF của mô hình cấu trúc.

Kết quả: VIF cao nhất là 1,681, dưới 3: không có đa cộng tuyến. Với Giá trị, chỉ có một biến dự đoán nên VIF bằng 1. Với Hài lòng, hai biến dự đoán có cùng VIF, vì VIF của biến này tính từ tương quan với biến kia.

2. Bước 3: Năng lực giải thích (R²)

R² là tỷ lệ phương sai của biến phụ thuộc được các biến dự đoán giải thích. R² hiệu chỉnh trừ bớt phần tăng do số biến dự đoán; dùng khi so sánh các mô hình có số biến dự đoán khác nhau:

• R² hiệu chỉnh = 1 − (1 − R²) × (n − 1) / (n − k − 1), với n là cỡ mẫu và k là số biến dự đoán.

Bước 2. Mở Quality criteria > R-square > Overview (Hình 2).

Hình 2. R² và R² hiệu chỉnh: (1) mục R-square > Overview, (2) bảng R² của ba biến phụ thuộc.

Ngưỡng tham khảo (Hair và cộng sự, 2019): R² 0,75 là đáng kể, 0,50 là vừa và 0,25 là yếu. Các ngưỡng này phụ thuộc lĩnh vực: trong nghiên cứu hành vi người tiêu dùng, R² thấp hơn vẫn có thể chấp nhận được, vì hành vi chịu tác động của nhiều yếu tố ngoài mô hình (Bảng 2).

Bảng 2. R² và R² hiệu chỉnh của ba biến phụ thuộc.

Tính tay R² hiệu chỉnh của Ý định (n = 254, k = 4): 1 − (1 − 0,318) × 253 / 249 = 1 − 0,682 × 1,016 = 0,307.

Kết quả: bốn yếu tố của mô hình giải thích 31,8% phương sai của ý định mua lại và hai yếu tố giải thích 39,9% phương sai của sự hài lòng. Theo ngưỡng của Hair và cộng sự, năng lực giải thích ở mức giữa yếu và vừa. Đây là kết quả trung thực của dữ liệu và cần báo cáo đúng như vậy, không diễn đạt thành "giải thích tốt" (Hình 3).

Hình 3. R² và R² hiệu chỉnh của PLS-SEM so với R² của CB-SEM trên cùng 254 người. Các vùng nền là ngưỡng 0,25, 0,50 và 0,75.

R² của PLS-SEM thấp hơn CB-SEM ở cả ba biến (ví dụ Ý định: 0,318 so với 0,444; bài SmartPLS và PLS-SEM). Đây là thiên lệch đã biết của PLS-SEM khi khái niệm là nhân tố chung: biến tổng hợp chứa sai số đo lường nên làm loãng quan hệ giữa các khái niệm. Khi so sánh R² với nghiên cứu trước, cần biết nghiên cứu đó dùng phương pháp nào.

3. Bước 4: Mức tác động (f²)

f² cho biết R² của biến phụ thuộc giảm bao nhiêu khi bỏ một biến dự đoán ra khỏi mô hình, tức đóng góp riêng của biến đó:

• f² = (R² khi có biến − R² khi bỏ biến) / (1 − R² khi có biến)

Ngưỡng (Cohen, 1988): 0,02 là tác động nhỏ, 0,15 là vừa, 0,35 là lớn. Dưới 0,02 coi như không có tác động.

Bước 3. Mở Quality criteria > f-square > Matrix (Hình 4, Bảng 3, Hình 5). Đọc theo dòng là biến dự đoán, cột là biến phụ thuộc.

Hình 4. Ma trận f²: (1) mục f-square > Matrix, (2) ma trận f², (3) Xác nhận đến Hài lòng, sát ngưỡng 0,15, (4) Xác nhận đến Ý định, dưới 0,02 nên SmartPLS tô đỏ.

Bảng 3. Hệ số đường dẫn và f² của bảy giả thuyết.

Hình 5. f² của bảy đường dẫn. Màu xanh lục là từ 0,15, màu xanh đậm là từ 0,02 đến dưới 0,15, màu cam là dưới 0,02. Đường đứt đoạn là ngưỡng 0,02, 0,15 và 0,35.

Tính tay f² của Niềm tin đến Ý định

Có thể kiểm tra số của SmartPLS bằng cách tính tay f² cho một đường dẫn theo bốn bước.

1. Lấy R² của Ý định khi có đủ bốn biến dự đoán: 0,3176.
2. Chạy lại mô hình khi bỏ Niềm tin; R² của Ý định còn 0,2477 (file mo_hinh_cau_truc.R).
3. Tính f² = (0,3176 − 0,2477) / (1 − 0,3176) = 0,0699 / 0,6824 = 0,102, đúng như SmartPLS.

Với biến phụ thuộc chỉ có một biến dự đoán (Giá trị), bỏ biến đó thì R² bằng 0, nên f² = R² / (1 − R²) = 0,251 / 0,749 = 0,334.

Đọc kết quả:

• Xác nhận kỳ vọng có tác động lớn nhất lên Giá trị cảm nhận (f² = 0,334), đúng với lý thuyết xác nhận kỳ vọng.
• Giá trị cảm nhận tác động vừa lên Hài lòng (0,183); tác động của Xác nhận lên Hài lòng (0,149) sát ngưỡng vừa. Báo cáo đúng là "nhỏ, sát ngưỡng vừa", không làm tròn thành "vừa".
• Với Ý định mua lại, Niềm tin có đóng góp riêng lớn nhất (0,102), dù cả bốn yếu tố đều ở mức nhỏ.
• Xác nhận gần như không có tác động trực tiếp lên Ý định (f² = 0,009). Điều này khớp với bài SmartPLS và PLS-SEM: H4 không có ý nghĩa thống kê (p = 0,086). Tác động của Xác nhận lên Ý định, nếu có, đi qua Giá trị và Hài lòng; bài biến trung gian trong SmartPLS sẽ kiểm định tác động gián tiếp này.

4. Trình bày kết quả

Không có đa cộng tuyến giữa các biến tiềm ẩn: VIF nằm trong khoảng 1,000 đến 1,681, dưới 3 (Hair và cộng sự, 2019). Mô hình giải thích 25,1% phương sai của giá trị cảm nhận, 39,9% của sự hài lòng và 31,8% của ý định mua lại (R² hiệu chỉnh lần lượt 0,248; 0,394; 0,307), tức năng lực giải thích ở mức yếu đến vừa. Xét mức tác động (Cohen, 1988), xác nhận kỳ vọng có tác động lớn lên giá trị cảm nhận (f² = 0,334); giá trị cảm nhận có tác động vừa lên sự hài lòng (f² = 0,183); các tác động lên ý định mua lại đều nhỏ, trong đó niềm tin lớn nhất (f² = 0,102). Tác động trực tiếp của xác nhận kỳ vọng lên ý định mua lại không đáng kể (f² = 0,009).

Bảng trong luận văn nên gộp, cho mỗi giả thuyết: hệ số đường dẫn, t, p, khoảng tin cậy (bài bootstrapping trong SmartPLS), f² và VIF; kèm R² và R² hiệu chỉnh của từng biến phụ thuộc.

Bốn lỗi thường gặp

Các lỗi dưới đây thường gặp trong luận văn khi làm bước này.

1. Đọc VIF của câu hỏi (Outer model) để kết luận về đa cộng tuyến của mô hình cấu trúc. Cần đọc Inner model.
2. Đọc ngược ma trận f²: dòng là biến dự đoán, cột là biến phụ thuộc.
3. Kết luận "mô hình tốt" chỉ vì R² có ý nghĩa thống kê. R² 0,318 nghĩa là gần 70% phương sai của ý định mua lại chưa được giải thích; nên nêu điều này trong phần hạn chế và hướng nghiên cứu tiếp.
4. Làm tròn mức tác động (0,149 thành "vừa"). Báo cáo đúng ngưỡng; giá trị sát ngưỡng thì ghi rõ là sát ngưỡng.

Tài liệu tham khảo

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587

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 Publications. https://collegepublishing.sagepub.com/products/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem-3-270548

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24. https://doi.org/10.1108/EBR-11-2018-0203

Ringle, C. M., Wende, S., & Becker, J.-M. (2026). SmartPLS 4 (Version 4.1.2.1) [Computer software]. SmartPLS GmbH. https://www.smartpls.com