SPSS, AMOS VÀ SMARTPLS TRONG NGHIÊN CỨU ĐỊNH LƯỢNG

SPSS lo nền tảng, AMOS và SmartPLS lo mô hình cấu trúc; biết vai trò từng phần mềm để học đúng thứ tự

Nếu bạn đang chuẩn bị làm luận văn, luận án hoặc một bài báo theo hướng định lượng, gần như chắc chắn bạn sẽ gặp ba cái tên: SPSS, AMOS và SmartPLS. Cả ba đều là phần mềm phân tích dữ liệu, nhưng chúng không phải ba lựa chọn thay thế nhau, cũng không phải thứ buộc phải học hết cùng lúc. Mỗi phần mềm giải quyết một nhóm công việc khác nhau trong quy trình nghiên cứu. Hiểu rõ "ai làm việc gì" giúp bạn tránh học sai hướng và tránh chọn nhầm công cụ cho mô hình của mình.

Bài viết này không hướng dẫn thao tác chi tiết mà vẽ ra bức tranh tổng thể. Mục 1 cho biết nghiên cứu định lượng gồm những tầng công việc nào. Mục 2 đến mục 4 đặt SPSS, AMOS và SmartPLS vào đúng chỗ của chúng. Mục 5 so sánh CB-SEM với PLS-SEM, mục 6 bàn ngắn về cỡ mẫu và mục 7 đề xuất một lộ trình học cho người mới bắt đầu.

Phiên bản phần mềm nhắc đến trong chuỗi bài (cập nhật 10/2026): IBM SPSS Statistics 32 (phát hành 04/2026), IBM SPSS Amos 32 và SmartPLS 4 (bản 4.1.x). Quy trình phân tích trình bày ở đây gần như không đổi giữa các phiên bản gần nhau, nên bạn vẫn áp dụng được nếu đang dùng SPSS 26–31.

1. Nghiên cứu định lượng thực chất đang làm gì?

Nghiên cứu định lượng trả lời câu hỏi nghiên cứu bằng dữ liệu số và kiểm định giả thuyết một cách hệ thống, dựa trên một nền tảng lý thuyết được xây dựng trước (Nguyễn Đình Thọ, 2014). Một dự án định lượng điển hình trong kinh tế, quản trị và khoa học xã hội thường đi qua các chặng: xác định vấn đề và mục tiêu, xây dựng mô hình lý thuyết và giả thuyết, thiết kế thang đo và bảng hỏi, thu thập dữ liệu, rồi xử lý và phân tích dữ liệu để đưa ra kết luận.

Phần lớn thời gian làm việc với phần mềm nằm ở chặng phân tích và chặng này lại chia thành ba tầng công việc:

1. Làm sạch và mô tả dữ liệu: kiểm tra giá trị thiếu, giá trị ngoại lai, thống kê mô tả mẫu.
2. Đánh giá thang đo: kiểm tra độ tin cậy và độ giá trị của các biến quan sát cùng đo lường một khái niệm.
3. Kiểm định quan hệ giữa các khái niệm: tương quan, hồi quy, hoặc mô hình cấu trúc với nhiều biến tiềm ẩn cùng lúc.

Hình 1 đặt ba tầng công việc này lên quy trình nghiên cứu và cho thấy mỗi phần mềm phụ trách đoạn nào.

Hình 1. Ba phần mềm phân chia nhau ở chặng phân tích dữ liệu: SPSS lo nền tảng, AMOS và SmartPLS lo mô hình cấu trúc.

2. SPSS, nền tảng không thể bỏ qua

SPSS (IBM SPSS Statistics) là phần mềm thống kê phổ biến bậc nhất trong nghiên cứu khoa học xã hội và là điểm xuất phát của hầu hết người học. Thế mạnh của SPSS là các kỹ thuật thống kê cổ điển được thực hiện qua giao diện bảng chọn, không bắt buộc viết lệnh (Field, 2024).

Trong một nghiên cứu định lượng, SPSS thường đảm nhận:

• Quản lý và làm sạch dữ liệu: nhập liệu, mã hóa biến, xử lý giá trị thiếu và giá trị ngoại lai.
• Thống kê mô tả: tần số, tỷ lệ phần trăm, trung bình, độ lệch chuẩn để mô tả mẫu khảo sát.
• Kiểm định độ tin cậy thang đo bằng hệ số Cronbach's Alpha.
• Phân tích nhân tố khám phá (EFA) để nhóm các biến quan sát thành các nhân tố.
• Tương quan, hồi quy tuyến tính, T-test, ANOVA cùng nhiều kiểm định tham số và phi tham số khác.

SPSS xử lý trọn vẹn hai tầng đầu và một phần tầng thứ ba khi mô hình còn đơn giản, chẳng hạn vài biến độc lập tác động lên một biến phụ thuộc. Khi cần phân tích trung gian hoặc điều tiết với biến quan sát (điểm trung bình của thang đo), người dùng SPSS thường cài thêm công cụ PROCESS của Hayes (2022). Đây là lý do SPSS nên là phần mềm bạn học đầu tiên: nó rèn tư duy về biến, thang đo và kiểm định mà mọi kỹ thuật nâng cao về sau đều kế thừa.

Giới hạn của SPSS xuất hiện khi mô hình phức tạp hơn: nhiều khái niệm tiềm ẩn (latent constructs) quan hệ với nhau cùng lúc, có biến vừa là nguyên nhân vừa là kết quả, hoặc cần đánh giá mức phù hợp của cả mô hình lý thuyết. Hồi quy ước lượng từng phương trình riêng lẻ trên điểm số tổng hợp của thang đo, nên bỏ qua sai số đo lường và điều này có thể làm sai lệch các hệ số ước lượng (Kline, 2023). Khi chạm tới giới hạn đó, ta cần mô hình cấu trúc tuyến tính (SEM), sân chơi của AMOS và SmartPLS.

3. AMOS, mô hình cấu trúc theo hướng khẳng định (CB-SEM)

AMOS (Analysis of Moment Structures) là phần mềm của IBM chuyên về mô hình cấu trúc tuyến tính dựa trên hiệp phương sai, gọi tắt là CB-SEM (covariance-based SEM). Ưu điểm của AMOS là vẽ mô hình bằng sơ đồ trực quan rồi ước lượng toàn bộ hệ phương trình cùng lúc.

AMOS thường được dùng cho hai nhóm công việc:

• Phân tích nhân tố khẳng định (CFA): kiểm tra cấu trúc nhân tố giả định trước có phù hợp với dữ liệu không; đánh giá độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE), giá trị hội tụ và giá trị phân biệt.
• Mô hình cấu trúc đầy đủ (SEM): kiểm định đồng thời nhiều giả thuyết giữa các khái niệm tiềm ẩn, kể cả quan hệ trung gian và so sánh đa nhóm.

CB-SEM được thiết kế theo tư duy khẳng định lý thuyết (theory testing): bạn xuất phát từ một mô hình lý thuyết vững chắc, rồi dùng dữ liệu để kiểm tra mô hình đó có "khớp" với thực tế hay không thông qua các chỉ số độ phù hợp như CMIN/df, CFI, TLI, RMSEA và SRMR (Hu & Bentler, 1999; Kline, 2023). Phương pháp ước lượng mặc định là hợp lý cực đại (ML), vốn giả định dữ liệu xấp xỉ phân phối chuẩn đa biến và cần cỡ mẫu tương đối lớn (Byrne, 2016). Khi dữ liệu lệch chuẩn, nhà nghiên cứu có thể dùng bootstrap (ví dụ Bollen–Stine trong AMOS) hoặc các ước lượng hiệu chỉnh, chứ không nhất thiết phải bỏ CB-SEM (Kline, 2023).

Nếu nghiên cứu của bạn nhằm kiểm định một lý thuyết đã có nền tảng, thang đo dạng kết quả (reflective), mẫu đủ lớn và bạn quan tâm việc mô hình có phù hợp với dữ liệu hay không, AMOS là lựa chọn truyền thống và được chấp nhận rộng rãi.

4. SmartPLS, mô hình cấu trúc theo hướng giải thích và dự đoán (PLS-SEM)

SmartPLS thực hiện mô hình cấu trúc bình phương tối thiểu riêng phần, gọi tắt là PLS-SEM (partial least squares SEM), một cách tiếp cận dựa trên phương sai và biến tổng hợp (composite) thay vì hiệp phương sai. SmartPLS 4 có giao diện kéo thả, đọc trực tiếp dữ liệu Excel và SPSS (Ringle và cộng sự, 2024).

PLS-SEM hướng tới giải thích và dự đoán, đồng thời phù hợp cho nghiên cứu mở rộng hoặc phát triển lý thuyết (Hair và cộng sự, 2019, 2022). Những điểm khiến SmartPLS được ưa chuộng:

• Không đòi hỏi phân phối chuẩn: ý nghĩa thống kê được kiểm định bằng bootstrapping, phù hợp với dữ liệu khảo sát thường lệch chuẩn.
• Xử lý tốt mô hình phức tạp, nhiều khái niệm và nhiều đường dẫn, kể cả mô hình bậc cao.
• Dùng được cả thang đo nguyên nhân (formative) lẫn kết quả (reflective) trong cùng một mô hình.
• Đánh giá năng lực dự đoán: ngoài R², SmartPLS cung cấp f², Q² và quy trình PLSpredict để đánh giá khả năng dự đoán ngoài mẫu.

Ở bước đánh giá giá trị phân biệt, chuẩn mực hiện nay là tiêu chí HTMT (heterotrait–monotrait ratio). Mô phỏng của Henseler và cộng sự (2015) cho thấy tiêu chí Fornell–Larcker (Fornell & Larcker, 1981) thường bỏ sót vấn đề phân biệt, trong khi HTMT phát hiện tốt hơn; ngưỡng thường dùng là 0,85 hoặc 0,90.

Lưu ý: phần mềm khác phương pháp. Từ bản 4, SmartPLS cũng ước lượng được CB-SEM. Vì vậy, câu hỏi đúng không phải "dùng AMOS hay SmartPLS" mà là "mô hình của tôi phù hợp với CB-SEM hay PLS-SEM". Trong chuỗi bài này, AMOS đại diện cho CB-SEM và SmartPLS đại diện cho PLS-SEM vì đó là cách dùng phổ biến nhất.

5. CB-SEM hay PLS-SEM? So sánh nhanh

Lựa chọn đúng không dựa vào phần mềm nào "mạnh hơn" mà dựa vào mục tiêu nghiên cứu, loại thang đo và đặc điểm dữ liệu (Hair và cộng sự, 2019, 2022). Bảng 1 đặt hai cách tiếp cận cạnh nhau theo sáu tiêu chí.

Bảng 1. So sánh CB-SEM và PLS-SEM theo sáu tiêu chí.

Khi cần quyết định nhanh, có thể rút bảng trên thành ba câu hỏi theo thứ tự trong Hình 2.

Hình 2. Ba câu hỏi gợi ý để chọn phương pháp. Đây là định hướng ban đầu, không thay thế việc đối chiếu với lý thuyết và thông lệ của lĩnh vực.

Cách ghi nhớ đơn giản: nếu bạn kiểm định một lý thuyết đã chín muồi với thang đo reflective và mẫu lớn, hãy ưu tiên CB-SEM (AMOS). Nếu bạn mở rộng lý thuyết, mô hình phức tạp, có thang đo formative hoặc quan tâm tới dự đoán, hãy ưu tiên PLS-SEM (SmartPLS) (Hair và cộng sự, 2022). Với nhiều đề tài, cả hai đều dùng được; khi đó hãy theo thông lệ của lĩnh vực và yêu cầu của hội đồng hoặc tạp chí.

6. Cỡ mẫu bao nhiêu là đủ?

Nhiều người mặc định "PLS-SEM dùng mẫu nhỏ" và áp dụng máy móc "quy tắc 10 lần" (cỡ mẫu bằng 10 lần số mũi tên nhiều nhất trỏ vào một khái niệm). Quy tắc này dễ cho ra cỡ mẫu quá nhỏ; các tác giả PLS-SEM khuyến nghị dùng phân tích công suất thống kê hoặc phương pháp căn bậc hai nghịch đảo (inverse square root) của Kock và Hadaya (2018) để xác định cỡ mẫu tối thiểu (Hair và cộng sự, 2022). Với EFA và hồi quy trên SPSS, cỡ mẫu cũng cần đủ lớn so với số biến quan sát và số biến độc lập (Tabachnick & Fidell, 2019). Tóm lại, cỡ mẫu phụ thuộc vào kỹ thuật phân tích, độ phức tạp của mô hình và độ lớn hiệu ứng kỳ vọng; không có một con số áp dụng cho mọi nghiên cứu. Chủ đề này được trình bày chi tiết trong bài Cỡ mẫu bao nhiêu là đủ.

7. Lộ trình học đề xuất

Từ những phân tích trên, lộ trình hợp lý là học phần chung trước rồi mới rẽ nhánh theo đề tài, như Hình 3.

Hình 3. Học SPSS trước, sau đó chọn nhánh CB-SEM hoặc PLS-SEM theo đề tài.

1. Bắt đầu với SPSS. Nắm chắc nhập liệu, mã hóa biến, làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA và hồi quy.
2. Chọn một nhánh SEM theo đề tài. Kiểm định lý thuyết với thang đo reflective và mẫu lớn: học AMOS (CFA → SEM → trung gian → đa nhóm). Mô hình phức tạp, có thang đo formative hoặc hướng dự đoán: học SmartPLS (mô hình đo lường → mô hình cấu trúc → bootstrapping → trung gian và điều tiết).
3. Mở rộng khi cần. Nếu làm nghiên cứu lâu dài, hãy học cả hai để chọn phương pháp theo từng dự án. Các giáo trình gần đây cũng trình bày song song nhiều cách tiếp cận SEM (Kline, 2023).

Đừng cố học cả ba phần mềm cùng lúc. Hãy đi từ SPSS, xác định mô hình của mình thuộc loại nào, rồi mới chọn AMOS hoặc SmartPLS. Bài tiếp theo trình bày quy trình nghiên cứu định lượng bảy bước cho luận văn và luận án.

Tài liệu tham khảo

Byrne, B. M. (2016). Structural equation modeling with AMOS: Basic concepts, applications, and programming (3rd ed.). Routledge. https://www.routledge.com/Structural-Equation-Modeling-With-AMOS-Basic-Concepts-Applications-and/Byrne/p/book/9781138797031

Field, A. (2024). Discovering statistics using IBM SPSS Statistics (6th ed.). SAGE Publications. https://collegepublishing.sagepub.com/products/discovering-statistics-using-ibm-spss-statistics-6-285130

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.2307/3151312

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

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press. https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8

Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910

Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227–261. https://doi.org/10.1111/isj.12131

Nguyễn Đình Thọ (2014). Phương pháp nghiên cứu khoa học trong kinh doanh. Nhà xuất bản Tài chính.

Ringle, C. M., Wende, S., & Becker, J.-M. (2024). SmartPLS 4 [Computer software]. SmartPLS GmbH. https://www.smartpls.com

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson. https://www.pearson.com/en-us/subject-catalog/p/using-multivariate-statistics/P200000003097