Thang đo đã đạt, bạn chạy Bootstrapping và nhận về hàng loạt bảng: Path Coefficients, T Statistics, P Values, R Square, f Square… Giả thuyết nào được ủng hộ? Viết kết luận ra sao? Và nếu một giả thuyết “tâm đắc” lại có P-value 0,21 thì sao? Bài viết hướng dẫn đánh giá mô hình cấu trúc trong SmartPLS theo Hair et al. (2022): đọc đúng 9 chỉ số, lập bảng kết luận giả thuyết và xử lý trung thực khi kết quả không như kỳ vọng.
① Kiểm tra đa cộng tuyến (VIF) → ② khả năng giải thích & dự báo (R², f², Q²) → ③ kiểm định giả thuyết (β, T, P qua Bootstrapping).

1VIF — kiểm tra đa cộng tuyến trong mô hình cấu trúc
Đa cộng tuyến xảy ra khi các biến độc lập cùng tác động lên một biến phụ thuộc tương quan quá cao với nhau, làm hệ số đường dẫn sai lệch. SmartPLS tính VIF cho từng nhóm biến độc lập trỏ vào cùng một biến phụ thuộc.
| Biến → Ý định mua hàng | VIF |
|---|---|
| Giá trị cảm nhận (PV) | 1.84 |
| Niềm tin (TR) | 2.12 |
| Chất lượng dịch vụ (SQ) | 2.45 |
Tất cả nhỏ hơn 3 → không có đa cộng tuyến.
- VIF < 3 — Lý tưởng
- 3 ≤ VIF < 5 — Có thể có vấn đề, cần lưu ý
- VIF ≥ 5 — Đa cộng tuyến nghiêm trọng
2R² — hệ số xác định bao nhiêu là đạt?
R² là tỷ lệ biến thiên của biến phụ thuộc được các biến độc lập giải thích.
Functional, Social, Environmental Value giải thích Perceived Value với R² = 0,684 → 68,4% biến thiên được giải thích, 31,6% do yếu tố ngoài mô hình.
- 0,75 — Mạnh
- 0,50 — Trung bình
- 0,25 — Yếu
Các mức trên chỉ để tham khảo. Hair et al. (2022) lưu ý trong nghiên cứu hành vi người tiêu dùng, R² khoảng 0,20 đã có thể được xem là cao. Hãy so với các nghiên cứu cùng lĩnh vực.
3Adjusted R²
Phiên bản điều chỉnh của R², trừ đi ảnh hưởng của số lượng biến độc lập — vì cứ thêm biến là R² tăng, dù biến đó không có ý nghĩa.
R² = 0,705, Adjusted R² = 0,697 (chênh 0,008) → các biến đều đóng góp. Nếu R² = 0,72 nhưng Adjusted R² = 0,54 → mô hình có thể chứa nhiều biến thừa.
4f² — Effect Size: biến nào tác động mạnh nhất?
Theo Cohen (1988), f² đo mức đóng góp riêng của từng biến độc lập vào R² của biến phụ thuộc (so sánh R² khi có và không có biến đó).
| Path | f² |
|---|---|
| PV → PI | 0.42 |
| Social Value → PV | 0.18 |
| Physical Risk → PV | 0.04 |
PV → PI ảnh hưởng lớn · Social Value trung bình · Physical Risk nhỏ.
- 0,02 — Nhỏ
- 0,15 — Trung bình
- 0,35 — Lớn
5Q² — khả năng dự báo của mô hình
R² cho biết mô hình giải thích dữ liệu hiện có tốt đến đâu; Q² cho biết mô hình dự báo tốt đến đâu. Ở SmartPLS 3, Q² Stone–Geisser được tính bằng Blindfolding; SmartPLS 4 đánh giá khả năng dự báo bằng Q²predict qua thủ tục PLSpredict.
| Biến nội sinh | Q² |
|---|---|
| Perceived Value | 0.412 |
| Purchase Intention | 0.327 |
Cả hai lớn hơn 0 → mô hình có khả năng dự báo.
- Q² > 0 — Có khả năng dự báo (0,25 và 0,50 lần lượt là mức trung bình, lớn)
- Q² ≤ 0 — Không có khả năng dự báo
6Path — đường dẫn giả thuyết
Mỗi mũi tên giữa hai biến tiềm ẩn là một giả thuyết cần kiểm định.
- H1: Functional Value → Perceived Value
- H2: Social Value → Perceived Value
- H3: Perceived Value → Purchase Intention
7Path Coefficient (β) — chiều và độ mạnh tác động
Hệ số hồi quy chuẩn hóa, dao động từ −1 đến +1: dấu cho biết chiều, giá trị tuyệt đối cho biết độ mạnh.
| Path | β |
|---|---|
| Functional Value → PV | 0.521 |
| Social Value → PV | 0.247 |
| Physical Risk → PV | -0.184 |
Tác động tích cực mạnh · tích cực yếu hơn · tác động tiêu cực.
8T-Statistic — từ Bootstrapping
T-Statistic được tính qua Bootstrapping để kiểm định β có khác 0 một cách có ý nghĩa thống kê hay không. Lưu ý: PLS Algorithm không cho T và P — bắt buộc phải chạy Bootstrapping (Hair et al., 2022 khuyến nghị 10.000 mẫu cho kết quả cuối cùng).
- T > 1,645 — Ý nghĩa ở mức 10%
- T > 1,96 — Ý nghĩa ở mức 5%
- T > 2,576 — Ý nghĩa ở mức 1%
9P-Value — chấp nhận hay bác bỏ giả thuyết?
P-Value là xác suất quan sát được kết quả ít nhất cực đoan như vậy nếu giả thuyết không (H₀: β = 0) đúng. P càng nhỏ, bằng chứng ủng hộ giả thuyết nghiên cứu càng mạnh.
- P < 0,05 — Có ý nghĩa, giả thuyết được ủng hộ
- P < 0,01 / < 0,001 — Ý nghĩa cao / rất cao
- P ≥ 0,05 — Không có ý nghĩa thống kê

10Lập bảng kết luận giả thuyết
| Giả thuyết | β | T | P | Kết luận |
|---|---|---|---|---|
| H1: FV → PV | 0.521 | 12.846 | <0.001 | Ủng hộ |
| H2: SV → PV | 0.247 | 4.963 | <0.001 | Ủng hộ |
| H3: TR → PV | -0.052 | 0.861 | 0.389 | Không ủng hộ |
“Giá trị chức năng có tác động tích cực đến giá trị cảm nhận (β = 0,521; T = 12,846; p < 0,001), do đó giả thuyết H1 được ủng hộ.” Ghi “p < 0,001” thay vì “p = 0,000”.
11P-value lớn hơn 0,05: nên làm gì?
Một giả thuyết không được ủng hộ không phải là lỗi — đó là phát hiện của nghiên cứu. Trước khi kết luận, hãy rà soát:
- Mô hình đo lường đã đạt chưa (AVE, HTMT)? Thang đo yếu làm suy giảm hệ số.
- Đa cộng tuyến: VIF cao có thể “chia” tác động giữa các biến.
- Cỡ mẫu có đủ lực kiểm định cho hiệu ứng nhỏ không?
- Tác động gián tiếp: biến có thể tác động qua một biến trung gian thay vì trực tiếp.
- Bối cảnh: đặc điểm mẫu, văn hóa, thời điểm khảo sát khác nghiên cứu gốc.
Không thêm, bớt hay chỉnh phiếu để P-value “đẹp”. Hội đồng đánh giá cao phần thảo luận thuyết phục về lý do giả thuyết không được ủng hộ hơn là một bảng toàn chữ “chấp nhận”.
12Kiểm định tác động trung gian trong SmartPLS
Sau Bootstrapping, xem bảng Specific Indirect Effects. Tác động gián tiếp có ý nghĩa khi P < 0,05 (khoảng tin cậy 95% không chứa 0). Sau đó so với tác động trực tiếp:
- Gián tiếp có ý nghĩa, trực tiếp không có ý nghĩa → trung gian toàn phần.
- Cả gián tiếp và trực tiếp đều có ý nghĩa → trung gian một phần.
- Gián tiếp không có ý nghĩa → không có tác động trung gian.
Lên kế hoạch chương 4 trước khi có dữ liệu
Trên bàn vẽ mô hình của The Light Data, bạn vẽ mô hình với các giả thuyết dương/âm và biến điều tiết, chọn SmartPLS và xem bộ bảng hệ số đường dẫn, Bootstrap, R² trên dữ liệu mô phỏng — giúp hình dung cách trình bày kết quả. Dữ liệu mô phỏng chỉ để học, không dùng thay dữ liệu thật.
- VIF < 3 · R² và Q² so với lĩnh vực · f² cho biết biến nào tác động mạnh.
- β cho chiều và độ mạnh · T > 1,96 và P < 0,05 → giả thuyết được ủng hộ.
- P, T lấy từ Bootstrapping; P > 0,05 là một phát hiện cần thảo luận, không phải lỗi.


