SMARTPLS VÀ PLS-SEM KHÁC GÌ CB-SEM
So sánh PLS-SEM, PLS nhất quán và CB-SEM trên cùng dữ liệu, từ đó chọn phương pháp phù hợp cho luận văn
Bài nên đọc trước
Các bài về AMOS đã ước lượng mô hình sàn X bằng CB-SEM, bắt đầu từ bài AMOS và CB-SEM. Bài này mở đầu loạt bài về SmartPLS với câu hỏi mà hội đồng nào cũng hỏi: tại sao chọn PLS-SEM, hay tại sao không? Thay vì chỉ liệt kê ưu nhược điểm, bài ước lượng cùng một mô hình, trên cùng một bộ dữ liệu, bằng bốn cách và đặt kết quả cạnh nhau.
Bài này giải thích PLS-SEM khác CB-SEM ở đâu, so sánh bốn cách ước lượng trên cùng dữ liệu sàn X và đưa ra tiêu chí chọn phương pháp cho luận văn.
Về hình minh họa và con số. Các con số tính bằng gói cSEM 0.6.1 (Rademaker & Schuberth, 2025) và lavaan (Rosseel, 2012), file
so_sanh_pls_cbsem.R, trên 254 người trả lời đủ 20 câu hỏi. Ảnh chụp lấy từ mô-đun Partial Least Squares SEM của JASP 0.99.0 (JASP Team, 2026); mô-đun này dùng chính gói cSEM nên cho cùng kết quả. Bài không có ảnh chụp SmartPLS.
Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục
31-smartpls-la-gi-pls-semcủa 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. SmartPLS là gì?
SmartPLS là phần mềm chuyên ước lượng mô hình cấu trúc bằng bình phương tối thiểu riêng phần (partial least squares, PLS-SEM), do Christian M. Ringle, Sven Wende và Jan-Michael Becker phát triển từ năm 2005. Phiên bản hiện hành là SmartPLS 4.1.2.1, phát hành ngày 25/10/2026 (Ringle và cộng sự, 2026). Một số đặc điểm:
- Giao diện kéo thả: vẽ mô hình bằng chuột, đọc trực tiếp file Excel, CSV và SPSS.
- Đủ công cụ của PLS-SEM: bootstrap, PLSpredict, phân tích đa nhóm (MGA), IPMA, mô hình bậc cao, biến điều tiết. SmartPLS 4 còn có thêm CB-SEM và hồi quy.
- Giấy phép thương mại: có bản dùng thử 30 ngày đủ tính năng và một giấy phép Student miễn phí với chức năng hạn chế. Ghi chú phát hành của SmartPLS cho biết bản Student đã có các chức năng CB-SEM cơ bản và bootstrap cho CB-SEM.
- Hệ điều hành: Windows và macOS.
2. PLS-SEM khác CB-SEM ở đâu?
Khác biệt cốt lõi nằm ở cách hiểu khái niệm (Sarstedt và cộng sự, 2016) (Hình 1):
Hình 1. Cùng một khái niệm, hai cách mô hình hóa: nhân tố chung (CB-SEM) và biến tổng hợp (PLS-SEM).
- CB-SEM coi khái niệm là một nhân tố chung: sự hài lòng là nguyên nhân khiến người trả lời chọn điểm cao ở HL1 đến HL4; phần còn lại của mỗi câu là sai số đo lường và được tách riêng. Phương pháp ước lượng mọi tham số cùng lúc để ma trận hiệp phương sai do mô hình tạo ra khớp nhất với dữ liệu.
- PLS-SEM coi khái niệm là một biến tổng hợp (composite): tổng có trọng số của bốn câu. Thuật toán lặp đi lặp lại giữa hai bước: tìm trọng số cho từng câu, rồi chạy hồi quy giữa các biến tổng hợp, cho đến khi trọng số ổn định (Wold, 1982; Hair và cộng sự, 2022). Mục tiêu là tối đa hóa R² của các biến phụ thuộc.
Vì biến tổng hợp chứa cả sai số đo lường, PLS-SEM có hai thiên lệch đã được biết rõ khi khái niệm thực chất là nhân tố chung (Dijkstra & Henseler, 2015):
- Hệ số tải bị cao lên, vì mỗi câu hỏi là một phần của chính biến tổng hợp.
- Hệ số đường dẫn và R² bị thấp đi, vì sai số đo lường làm loãng quan hệ giữa các khái niệm, giống hồi quy trên điểm trung bình (bài AMOS và CB-SEM).
PLS nhất quán (consistent PLS, PLSc) hiệu chỉnh hai thiên lệch này bằng độ tin cậy của từng khái niệm, cho ước lượng gần với CB-SEM (Dijkstra & Henseler, 2015).
3. So sánh trên dữ liệu sàn X
Mô hình giống bài mô hình cấu trúc SEM: năm khái niệm, bảy giả thuyết H1 đến H7. Dữ liệu là 254 người trả lời đủ, vì cSEM và JASP yêu cầu không có ô thiếu (cách SmartPLS xử lý ô thiếu sẽ bàn ở bài nhập dữ liệu và vẽ mô hình trong SmartPLS). Bảng 1 đặt hệ số đường dẫn của bốn cách cạnh nhau.
Bảng 1. Hệ số đường dẫn của bảy giả thuyết theo bốn cách ước lượng.
| Giả thuyết | Hồi quy điểm trung bình | PLS-SEM | PLSc-SEM | CB-SEM |
|---|---|---|---|---|
| H1. Xác nhận đến Giá trị | 0,497 | 0,501 | 0,599 | 0,579 |
| H2. Xác nhận đến Hài lòng | 0,347 | 0,345 | 0,379 | 0,389 |
| H3. Giá trị đến Hài lòng | 0,380 | 0,383 | 0,434 | 0,424 |
| H4. Xác nhận đến Ý định | 0,085 | 0,101 | 0,062 | 0,077 |
| H5. Giá trị đến Ý định | 0,191 | 0,185 | 0,226 | 0,215 |
| H6. Hài lòng đến Ý định | 0,225 | 0,221 | 0,257 | 0,260 |
| H7. Niềm tin đến Ý định | 0,279 | 0,280 | 0,348 | 0,338 |
Hệ số chuẩn hóa. PLS-SEM và PLSc-SEM dùng sơ đồ trọng số đường dẫn (path weighting), mặc định của SmartPLS (Hình 2, Hình 3, Bảng 2).
Hình 2. Hệ số đường dẫn chuẩn hóa theo bốn cách ước lượng.
Hình 3. Hệ số tải chuẩn hóa của 20 câu hỏi và R² của ba biến phụ thuộc.
Bảng 2. Hệ số tải, R² và SRMR theo ba cách ước lượng.
| Chỉ số | PLS-SEM | PLSc-SEM | CB-SEM |
|---|---|---|---|
| Hệ số tải trung bình | 0,809 | 0,734 | 0,736 |
| R² của Giá trị | 0,251 | 0,359 | 0,336 |
| R² của Hài lòng | 0,399 | 0,529 | 0,522 |
| R² của Ý định | 0,318 | 0,441 | 0,444 |
| SRMR | 0,057 | 0,037 | 0,038 |
Đọc kết quả:
- PLS-SEM gần như trùng với hồi quy trên điểm trung bình: chênh lệch hệ số đường dẫn không quá 0,02. Điều này dễ hiểu: biến tổng hợp với trọng số gần bằng nhau chính là điểm trung bình.
- So với CB-SEM, PLS-SEM cho hệ số đường dẫn nhỏ hơn (ví dụ H1: 0,501 so với 0,579; H7: 0,280 so với 0,338), R² thấp hơn (ý định mua lại: 0,318 so với 0,444) và hệ số tải cao hơn (trung bình 0,809 so với 0,736). Đúng hai thiên lệch đã nêu ở mục 2.
- PLSc-SEM gần với CB-SEM: chênh lệch hệ số đường dẫn không quá 0,02, hệ số tải trung bình gần như bằng nhau.
- Kết luận kiểm định giống nhau. Bootstrap 5000 mẫu cho PLS-SEM: H4 không có ý nghĩa (p = 0,086; khoảng tin cậy 95% [−0,017; 0,210]), sáu giả thuyết còn lại có ý nghĩa, giống CB-SEM (H4: p = 0,443). Giá trị p của PLS-SEM nhỏ hơn ở vài đường, ví dụ H5: 0,007 so với 0,027.
Bài học: với các khái niệm reflective như mô hình sàn X, PLS-SEM và CB-SEM thường đưa đến cùng kết luận về chiều và ý nghĩa, nhưng độ lớn hệ số khác nhau theo hướng có hệ thống. Khi so sánh với nghiên cứu trước, cần biết nghiên cứu đó dùng phương pháp nào (Hình 4).
Hình 4. Mô hình sàn X trong JASP: (1) bỏ chọn Consistent partial least squares để có PLS-SEM như SmartPLS, (2) sơ đồ trọng số đường dẫn, (3) hệ số đường dẫn, khớp cột PLS-SEM ở bảng trên.
4. Chọn PLS-SEM hay CB-SEM?
Ba câu hỏi ở Hình 5 giúp chọn phương pháp ước lượng, còn Bảng 3 tóm tắt các tình huống thường gặp trong luận văn.
Hình 5. Ba câu hỏi để chọn phương pháp ước lượng.
Bảng 3. Chọn PLS-SEM hay CB-SEM theo tình huống.
| Tình huống | Nên dùng | Lý do |
|---|---|---|
| Kiểm định lý thuyết đã có, khái niệm reflective, cần báo cáo độ phù hợp mô hình | CB-SEM | Ước lượng nhất quán; có kiểm định chi bình phương và các chỉ số CFI, RMSEA |
| Mục tiêu dự đoán, cần đánh giá năng lực dự đoán ngoài mẫu | PLS-SEM | Tối đa hóa R²; có PLSpredict (bài năng lực dự đoán với PLSpredict) |
| Có khái niệm formative (đo bằng các thành phần tạo nên nó) | PLS-SEM | Ước lượng biến tổng hợp trực tiếp (bài mô hình đo lường formative) |
| Mô hình rất phức tạp, nhiều khái niệm, CB-SEM không hội tụ | PLS-SEM | Ước lượng từng phần nên ổn định hơn |
| Khái niệm reflective nhưng muốn dùng SmartPLS | PLSc-SEM | Hiệu chỉnh thiên lệch, cho kết quả gần CB-SEM |
Hai lý do không đủ để chọn PLS-SEM, dù rất hay gặp trong luận văn:
- "Cỡ mẫu nhỏ." PLS-SEM chạy được với mẫu nhỏ, nhưng không làm ước lượng chính xác hơn; mẫu nhỏ vẫn cho lực kiểm định thấp. Chính Hair và cộng sự (2019) cảnh báo việc dùng mẫu nhỏ làm lý do chính và Rönkkö và cộng sự (2016) phản biện mạnh lập luận này. Cỡ mẫu cần được tính bằng phân tích lực kiểm định hoặc phương pháp căn bậc hai nghịch đảo (Hair và cộng sự, 2022; bài cỡ mẫu).
- "Dữ liệu không chuẩn." CB-SEM có các cách xử lý dữ liệu không chuẩn: ước lượng vững (MLR), bootstrap Bollen-Stine (bài phân tích nhân tố khẳng định (CFA)).
Cuộc tranh luận về PLS-SEM vẫn tiếp diễn. Nhóm ủng hộ nhấn mạnh vai trò của PLS-SEM trong dự đoán và mô hình biến tổng hợp (Hair và cộng sự, 2019; Sarstedt và cộng sự, 2016). Nhóm phê phán cho rằng PLS-SEM thường được dùng cho khái niệm nhân tố chung, nơi nó cho ước lượng thiên lệch (Rönkkö và cộng sự, 2016). Cách an toàn khi viết luận văn: nêu rõ lý do chọn phương pháp dựa trên cách hiểu khái niệm và mục tiêu nghiên cứu, không dựa trên cỡ mẫu hay phân phối.
5. Phần mềm cho PLS-SEM
Có ba lựa chọn phần mềm chính cho PLS-SEM, khác nhau về chi phí và cách nhập mô hình (Bảng 4).
Bảng 4. Phần mềm ước lượng PLS-SEM.
| Phần mềm | Chi phí | Ghi chú |
|---|---|---|
| SmartPLS 4 | Có phí; dùng thử 30 ngày; giấy phép Student miễn phí có hạn chế | Giao diện kéo thả, đầy đủ công cụ, phổ biến nhất trong nghiên cứu kinh doanh |
| JASP (mô-đun Partial Least Squares SEM) | Miễn phí | Dùng gói cSEM; nhập mô hình bằng cú pháp; mặc định là PLSc, phải bỏ chọn để có PLS-SEM như SmartPLS |
| R: gói cSEM, seminr | Miễn phí | Linh hoạt nhất; cần viết mã |
Loạt bài này hướng dẫn quy trình theo SmartPLS 4 và đối chiếu bằng JASP hoặc R, để người không có giấy phép SmartPLS vẫn thực hành được.
6. Lộ trình các bài SmartPLS
Các bài tiếp theo đi theo đúng thứ tự đánh giá một mô hình PLS-SEM (Bảng 5).
Bảng 5. Các bước của loạt bài SmartPLS.
| Bước | Nội dung |
|---|---|
| 1 | Cài đặt SmartPLS 4 và làm quen giao diện |
| 2 | Nhập dữ liệu, vẽ mô hình đo lường và mô hình cấu trúc |
| 3 | Đánh giá mô hình đo lường reflective: hệ số tải, độ tin cậy, AVE |
| 4 | Giá trị phân biệt với HTMT |
| 5 | Đánh giá mô hình đo lường formative: VIF, trọng số |
| 6 | Đánh giá mô hình cấu trúc: đa cộng tuyến, R², f² |
| 7 | Năng lực dự đoán: Q² và PLSpredict |
| 8 | Bootstrap và kiểm định ý nghĩa đường dẫn |
| 9 | Phân tích biến trung gian |
| 10 | Phân tích biến điều tiết |
| 11 | IPMA và mô hình bậc cao |
Tài liệu tham khảo
Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316. https://doi.org/10.25300/MISQ/2015/39.2.02
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
JASP Team. (2026). JASP (Version 0.99.0) [Computer software]. https://jasp-stats.org/
Rademaker, M. E., & Schuberth, F. (2025). cSEM: Composite-based structural equation modeling (R package version 0.6.1) [Computer software]. https://CRAN.R-project.org/package=cSEM
Ringle, C. M., Wende, S., & Becker, J.-M. (2026). SmartPLS 4 (Version 4.1.2.1) [Computer software]. SmartPLS GmbH. https://www.smartpls.com
Rönkkö, M., McIntosh, C. N., Antonakis, J., & Edwards, J. R. (2016). Partial least squares path modeling: Time for some serious second thoughts. Journal of Operations Management, 47–48, 9–27. https://doi.org/10.1016/j.jom.2016.05.002
Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998–4010. https://doi.org/10.1016/j.jbusres.2016.06.007
Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction (Part II, pp. 1–54). North-Holland.