IPMA VÀ MÔ HÌNH BẬC CAO TRONG SMARTPLS

Đọc bản đồ IPMA để chọn ưu tiên cải thiện, rồi dựng và đánh giá khái niệm bậc cao trong SmartPLS 4

Bài nên đọc trước

• Bootstrapping kiểm định giả thuyết trong SmartPLS 4
• Đánh giá mô hình đo lường formative trong SmartPLS

Đây là bài cuối của loạt bài về phân tích dữ liệu nghiên cứu định lượng. Bài này giới thiệu hai kỹ thuật mở rộng của PLS-SEM:

• IPMA (importance-performance map analysis): biến kết quả của mô hình thành gợi ý quản trị, tức yếu tố nào cần ưu tiên cải thiện để tăng ý định mua lại.
• Mô hình cấu trúc bậc cao (higher-order construct model, HCM): khái niệm được tạo thành từ các khái niệm khác, thay vì đo trực tiếp bằng câu hỏi.

Về hình minh họa và con số. Ảnh chụp thật SmartPLS 4.1.2.1 (Ringle và cộng sự, 2026; bản dùng thử) cho mô hình mo-hinh-san-x (phần IPMA) và mo-hinh-bac-cao, một bản sao được sửa thành mô hình bậc cao (phần HCM). Dữ liệu Casewise deletion, 254 người. Theo trang so sánh giấy phép của SmartPLS, bản Student không có IPMA. Con số trong bài lấy từ báo cáo của SmartPLS; R (file ipma.R, bac_cao.R, gói cSEM) cho cùng kết quả đến chữ số thứ ba, trừ các chỗ được ghi rõ.

Phần 1. IPMA

Phần này dùng IPMA để biến kết quả mô hình sàn X thành thứ tự ưu tiên cải thiện.

1. Ý tưởng

Kết quả PLS-SEM thông thường cho biết tầm quan trọng (importance) của mỗi yếu tố: tác động tổng của nó lên biến mục tiêu. IPMA (Ringle & Sarstedt, 2016; Hair và cộng sự, 2022) thêm chiều thứ hai, mức thể hiện (performance): điểm trung bình của yếu tố đó, quy về thang 0 đến 100 (Ringle & Sarstedt, 2016).

Ghép hai chiều lại thành một bản đồ: trục ngang là tầm quan trọng, trục dọc là mức thể hiện. Yếu tố nằm ở góc quan trọng cao nhưng thể hiện thấp là yếu tố cần ưu tiên cải thiện: cải thiện nó tạo tác động lớn nhất lên biến mục tiêu và nó còn nhiều chỗ để cải thiện.

Điều kiện dữ liệu (Ringle & Sarstedt, 2016):

1. Mọi câu hỏi cùng chiều: điểm cao là tốt. Câu đảo chiều phải mã hóa lại trước (NT4R của loạt bài đã được đảo ở bài tính biến đại diện).
2. Câu hỏi đo bằng thang định lượng hoặc gần định lượng (Likert 1 đến 5 ở đây).
3. Trọng số ngoài đều dương.

2. Cách tính mức thể hiện

Bước 1. Quy đổi câu hỏi về thang 0 đến 100: giá trị mới = (giá trị − 1) / (5 − 1) × 100. Ví dụ, trung bình của XN2 là 3,921, nên mức thể hiện của XN2 là (3,921 − 1) / 4 × 100 = 73,0.

Bước 2. Đổi trọng số ngoài sao cho tổng bằng 1 trong mỗi khái niệm (rescaled outer weights). Với Xác nhận: 0,246 + 0,276 + 0,204 + 0,274 = 1,000.

Bước 3. Tính mức thể hiện của khái niệm = tổng (trọng số đã đổi × mức thể hiện của câu hỏi). Với Xác nhận: 0,246 × 71,85 + 0,276 × 73,03 + 0,204 × 72,05 + 0,274 × 71,36 = 72,08.

3. Chạy IPMA trong SmartPLS 4

Bước 1. Mở mô hình mo-hinh-san-x, chọn Calculate > Importance-performance map analysis (IPMA).

Bước 2. Trong thẻ IPMA setup (Hình 1):

• Chọn Target construct là YDINH. Nếu chưa chọn, nút Start calculation bị khóa và hộp thoại báo "A target construct needs to be selected".
• Giữ IPMA results là All predecessors of the selected target construct, để có kết quả cho mọi khái niệm đứng trước Ý định.
• Kiểm tra bảng Indicator scales: Scale min và Scale max là 1 và 5 cho mọi câu hỏi. Nếu thang đo thực tế khác giá trị nhỏ nhất và lớn nhất quan sát được (ví dụ không ai chọn mức 1), sửa thang đo theo liên kết "adjust these scales in the data file".

Kiểm tra thẻ Data là Casewise deletion, rồi bấm Start calculation.

Hình 1. Hộp thoại IPMA: (1) biến mục tiêu YDINH, (2) tính cho mọi khái niệm đứng trước, (3) bảng thang đo của câu hỏi, (4) nút Start calculation.

4. Đọc kết quả ở cấp khái niệm

Bước 3. Sơ đồ kết quả (Hình 2) cho thấy mức thể hiện trong mỗi hình tròn và trọng số ngoài đã đổi trên đường nối với câu hỏi. Khung Graphical output phía dưới bên trái cho biết sơ đồ đang hiển thị gì (Rescaled outer weights, LV performance).

Hình 2. Sơ đồ kết quả IPMA: (1) câu hỏi hiển thị trọng số ngoài đã đổi, (2) khái niệm hiển thị mức thể hiện, (3) mức thể hiện của Ý định, 71,443.

Bước 4. Mở Quality criteria > Importance-performance map [YDINH] (constructs) > Importance-performance map (Hình 3), rồi mở Construct total effects for [YDINH] để đọc số (Hình 4, Bảng 1).

Hình 3. Bản đồ IPMA của SmartPLS: (1) mục Importance-performance map, (2) Xác nhận, tầm quan trọng cao nhất, (3) Hài lòng, tầm quan trọng thấp nhất.

Hình 4. Tầm quan trọng (tác động tổng lên Ý định): (1) mục Construct total effects for [YDINH], (2) bảng tác động tổng.

Bảng 1. Tầm quan trọng và mức thể hiện của bốn khái niệm.

Trên bản đồ của SmartPLS, trục dọc đi từ 0 đến 100 nên bốn điểm gần như nằm trên một đường ngang. Hình 5 phóng to trục dọc và thêm hai đường trung bình để chia bốn vùng.

Hình 5. Bản đồ IPMA của bốn khái niệm, trục dọc phóng to; đường đứt đoạn là trung bình của tầm quan trọng (0,271) và của mức thể hiện (72,44). Số liệu của SmartPLS.

Đọc kết quả:

• Xác nhận kỳ vọng là yếu tố cần ưu tiên. Nó có tầm quan trọng cao nhất (0,312) và mức thể hiện thấp nhất (72,08). Theo cách đọc của Ringle và Sarstedt (2016), với tác động tổng chưa chuẩn hóa 0,298 (ghi chú bên dưới), tăng mức thể hiện của Xác nhận thêm 1 điểm (trên thang 100) đi kèm với mức thể hiện của Ý định tăng khoảng 0,30 điểm, nhiều hơn mọi yếu tố khác.
• Tầm quan trọng của Xác nhận chủ yếu là gián tiếp. Tác động trực tiếp của Xác nhận lên Ý định không có ý nghĩa (bài bootstrapping trong SmartPLS), nhưng tác động tổng gồm cả phần đi qua Giá trị và Hài lòng (bài biến trung gian trong SmartPLS). Vì vậy, Xác nhận không quan trọng khi xét tác động trực tiếp, nhưng quan trọng nhất khi xét tác động tổng.
• Mức thể hiện của bốn yếu tố gần như bằng nhau (72,08 đến 72,79, chênh dưới 1 điểm trên thang 100). Không nên diễn giải chênh lệch nhỏ như vậy là khác biệt thật; thứ tự ưu tiên ở đây chủ yếu do tầm quan trọng.
• Hài lòng có tầm quan trọng thấp nhất (0,221), vì nó chỉ tác động trực tiếp lên Ý định.

Ghi chú về cách tính tầm quan trọng. SmartPLS 4.1.2.1 báo cáo tầm quan trọng bằng tác động tổng chuẩn hóa, trùng với bảng Total effects của bài biến trung gian trong SmartPLS (Xác nhận 0,312; Giá trị 0,270). Ringle và Sarstedt (2016) mô tả tầm quan trọng là tác động tổng chưa chuẩn hóa, tính trên điểm 0 đến 100. Tính theo cách này bằng R cho 0,298 (Xác nhận); 0,256 (Niềm tin); 0,248 (Giá trị) và 0,212 (Hài lòng). Hai cách cho cùng thứ tự. Khi báo cáo, nên ghi rõ phần mềm và loại tác động tổng đã dùng.

5. Đọc kết quả ở cấp câu hỏi

Bước 5. Mở Importance-performance map [YDINH] (indicators) > Importance-performance map (Hình 6), rồi mở Indicator total effects for [YDINH] (Hình 7).

Hình 6. Bản đồ IPMA của 16 câu hỏi: (1) mục Importance-performance map của câu hỏi, (2) XN4, tầm quan trọng cao nhất, (3) HL2, tầm quan trọng thấp nhất.

Hình 7. Tầm quan trọng của từng câu hỏi: (1) mục Indicator total effects for [YDINH], (2) XN4, 0,109.

Tầm quan trọng của câu hỏi = trọng số ngoài chuẩn hóa của câu đó × tầm quan trọng của khái niệm. Đối chiếu bằng R trùng với SmartPLS ở cả 16 câu, ví dụ XN4: 0,349 × 0,312 = 0,109 (Bảng 2).

Bảng 2. Tầm quan trọng và mức thể hiện của các câu hỏi.

Mức thể hiện của câu hỏi tính bằng R từ trung bình của câu hỏi (công thức ở mục 2).

XN4 là câu đáng ưu tiên nhất: tầm quan trọng cao nhất và mức thể hiện thấp nhất trong bốn câu của Xác nhận kỳ vọng. Trong một nghiên cứu thật, nội dung của câu này cho biết khía cạnh cụ thể nào của trải nghiệm chưa đáp ứng kỳ vọng của khách hàng.

Phần 2. Mô hình cấu trúc bậc cao

Phần này dựng một khái niệm bậc cao từ hai khái niệm có sẵn để minh họa cách làm và cách đánh giá.

6. Khái niệm bậc cao là gì?

Một khái niệm bậc cao (higher-order construct, HOC) được đo qua các khái niệm bậc thấp (lower-order construct, LOC), không đo trực tiếp bằng câu hỏi. Ví dụ, "chất lượng dịch vụ" có thể gồm các khía cạnh tin cậy, đáp ứng, đồng cảm, mỗi khía cạnh đo bằng vài câu hỏi.

Sarstedt và cộng sự (2019) phân biệt bốn loại, theo quan hệ giữa khái niệm bậc cao và bậc thấp (vế đầu) và cách đo khái niệm bậc thấp (vế sau) (Bảng 3):

Bảng 3. Bốn loại khái niệm bậc cao.

Ba cách ước lượng thường dùng: lặp chỉ báo (repeated indicators: khái niệm bậc cao dùng lại toàn bộ câu hỏi của các khái niệm bậc thấp), hai giai đoạn lồng (embedded two-stage) và hai giai đoạn tách (disjoint two-stage) (Becker và cộng sự, 2012; Sarstedt và cộng sự, 2019).

7. Mô hình minh họa

Để minh họa kỹ thuật, bài này dựng khái niệm bậc cao DANHGIA (Đánh giá sau mua) loại reflective-reflective, gồm hai khái niệm bậc thấp là Giá trị và Hài lòng (Hình 8). Cấu trúc mới: Xác nhận đến DANHGIA đến Ý định; giữ hai đường Xác nhận đến Ý định và Niềm tin đến Ý định.

Đây là ví dụ kỹ thuật, không phải mô hình lý thuyết của loạt bài. Mô hình sàn X coi Giá trị và Hài lòng là hai khái niệm riêng có quan hệ nhân quả (H3). Gộp chúng thành một khái niệm bậc cao làm mất giả thuyết H3. Trong nghiên cứu thật, khái niệm bậc cao phải có cơ sở lý thuyết từ trước và khái niệm bậc thấp phải là các khía cạnh của cùng một khái niệm chung.

Hình 8. Mô hình bậc cao minh họa, cách lặp chỉ báo. Mũi tên cam là quan hệ giữa khái niệm bậc cao và bậc thấp, đọc như hệ số tải. Hệ số của SmartPLS (Hình 10).

8. Dựng mô hình bậc cao trong SmartPLS 4

Bước 6. Tạo bản sao của mo-hinh-san-x, đặt tên mo-hinh-bac-cao, rồi mở bản sao.

Bước 7. Chọn lần lượt năm đường dẫn Xác nhận đến Giá trị, Xác nhận đến Hài lòng, Giá trị đến Hài lòng, Giá trị đến Ý định, Hài lòng đến Ý định và bấm Delete để xóa.

Bước 8. Bấm nút Latent variable, bấm vào vùng vẽ để tạo khái niệm mới, đặt tên DANHGIA.

Bước 9. Chọn tám câu HI1 đến HI4 và HL1 đến HL4 trong danh sách Indicators, kéo thả vào DANHGIA. Các câu này vẫn giữ ở Giá trị và Hài lòng: đây là lặp chỉ báo.

Bước 10. Bấm Connect, vẽ bốn đường: DANHGIA đến Giá trị, DANHGIA đến Hài lòng (reflective-reflective nên mũi tên đi từ khái niệm bậc cao đến khái niệm bậc thấp), Xác nhận đến DANHGIA và DANHGIA đến Ý định. Bấm Save (Hình 9).

Hình 9. Mô hình bậc cao trong SmartPLS: (1) nút Latent variable, (2) khái niệm bậc cao DANHGIA, (3) tám câu hỏi lặp lại từ Giá trị và Hài lòng.

Bước 11. Chọn Calculate > PLS-SEM algorithm (thiết lập như các bài trước), bấm Start calculation, rồi mở Final results > Path coefficients > Matrix (Hình 10).

Hình 10. Ma trận hệ số đường dẫn: (1) mục Matrix, (2) quan hệ giữa DANHGIA và hai khái niệm bậc thấp, 0,875 và 0,888.

9. Đánh giá khái niệm bậc cao

Với loại reflective-reflective, hai hệ số DANHGIA đến Giá trị (0,875) và DANHGIA đến Hài lòng (0,888) được đọc như hệ số tải của khái niệm bậc cao (Sarstedt và cộng sự, 2019). Đánh giá độ tin cậy và giá trị hội tụ như thang đo reflective ở bài đánh giá mô hình đo lường reflective, nhưng dùng hai "hệ số tải" này:

• AVE = (0,875² + 0,888²) / 2 = (0,766 + 0,789) / 2 = 0,778, trên 0,50.
• Độ tin cậy tổng hợp rho_c = (0,875 + 0,888)² / [(0,875 + 0,888)² + (1 − 0,766) + (1 − 0,789)] = 3,108 / 3,553 = 0,875, trên 0,70.

R² của Giá trị (0,766) và Hài lòng (0,789) trong báo cáo chính là bình phương hai hệ số trên, không phải năng lực giải thích của một mô hình nhân quả. Không diễn giải chúng như R² thông thường.

10. Kiểm định mô hình cấu trúc

Bước 12. Chạy Calculate > Bootstrapping với thiết lập của bài bootstrapping trong SmartPLS, rồi mở Path coefficients > Mean, STDEV, T values, p values (Hình 11, Bảng 4).

Hình 11. Kiểm định hệ số của mô hình bậc cao: (1) mục Mean, STDEV, T values, p values, (2) hai hệ số tải bậc cao, (3) Xác nhận đến Ý định, p = 0,081.

Bảng 4. Kết quả bootstrapping của mô hình bậc cao.

Đọc kết quả:

• Đánh giá sau mua tác động mạnh lên Ý định (0,357; p < 0,001), lớn hơn tác động riêng của Giá trị (0,185) hay Hài lòng (0,221) trong mô hình gốc.
• R² của Ý định vẫn là 0,318, bằng mô hình gốc: gộp hai khái niệm thành một làm mô hình gọn hơn mà không giảm năng lực giải thích.
• Tác động trực tiếp của Xác nhận lên Ý định vẫn không có ý nghĩa (p = 0,081), giống bài bootstrapping trong SmartPLS.

R (file bac_cao.R) cho hệ số trùng tuyệt đối; sai số chuẩn và p lệch ở chữ số thứ ba do mẫu bootstrap (ví dụ Xác nhận đến Ý định: p = 0,082).

Khi nào không dùng lặp chỉ báo? Với loại reflective-formative hoặc formative-formative, nếu khái niệm bậc cao có biến đứng trước (như Xác nhận ở đây), cách lặp chỉ báo làm hệ số từ biến đó đến khái niệm bậc cao bị kéo về gần 0, vì các khái niệm bậc thấp đã giải thích gần hết phương sai của khái niệm bậc cao. Khi đó nên dùng cách hai giai đoạn (Becker và cộng sự, 2012; Sarstedt và cộng sự, 2019).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 42-ipma-mo-hinh-bac-cao-smartpls 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.

11. Trình bày kết quả

IPMA. Phân tích IPMA cho biến mục tiêu ý định mua lại cho thấy xác nhận kỳ vọng có tầm quan trọng cao nhất (tác động tổng 0,312) nhưng mức thể hiện thấp nhất (72,08 trên thang 100), tiếp theo là niềm tin (0,280; 72,63), giá trị cảm nhận (0,270; 72,79) và sự hài lòng (0,221; 72,24). Vì mức thể hiện của các yếu tố gần như bằng nhau, ưu tiên quản trị nên tập trung vào xác nhận kỳ vọng, đặc biệt là câu XN4 (tầm quan trọng 0,109; mức thể hiện 71,4).

Mô hình bậc cao. Khái niệm bậc cao đánh giá sau mua (reflective-reflective, ước lượng bằng cách lặp chỉ báo; Sarstedt và cộng sự, 2019) có hệ số tải lên giá trị cảm nhận và sự hài lòng lần lượt là 0,875 và 0,888 (p < 0,001), AVE = 0,778 và độ tin cậy tổng hợp 0,875. Đánh giá sau mua tác động dương lên ý định mua lại (hệ số = 0,357; t = 6,334; p < 0,001).

Năm lỗi thường gặp

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

1. Chạy IPMA khi còn câu hỏi đảo chiều chưa mã hóa lại. Trọng số âm làm mức thể hiện sai.
2. Đọc bản đồ IPMA mà không xem thang trục dọc. Trên bản đồ 0 đến 100, các điểm có thể trông giống hệt nhau; trên bản đồ phóng to, chênh lệch nhỏ lại trông rất lớn.
3. Kết luận "ưu tiên cải thiện" chỉ từ tác động trực tiếp. IPMA dùng tác động tổng; yếu tố có tác động trực tiếp không có ý nghĩa vẫn có thể quan trọng nhất (Xác nhận ở bài này).
4. Dựng khái niệm bậc cao không có cơ sở lý thuyết, chỉ để mô hình gọn hơn hoặc để tránh vấn đề giá trị phân biệt giữa các khái niệm bậc thấp.
5. Diễn giải R² của khái niệm bậc thấp trong mô hình lặp chỉ báo như năng lực giải thích.

Tài liệu tham khảo

Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5–6), 359–394. https://doi.org/10.1016/j.lrp.2012.10.001

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

Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865–1886. https://doi.org/10.1108/IMDS-10-2015-0449

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

Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211. https://doi.org/10.1016/j.ausmj.2019.05.003