PLS-SEM · Bước 2

Đánh giá mô hình cấu trúc SmartPLS: đọc β, R², f², Q², T và P-Value để kết luận giả thuyết

Chạy Bootstrapping xong, bảng nào cũng toàn số — giả thuyết nào được chấp nhận, viết kết luận ra sao, và làm gì khi P-value lớn hơn 0,05?

⏱ ~9 phút đọcNguồn: Hair et al. (2022)Cập nhật:

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.

🧭 Trình tự đánh giá

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).

Mô hình cấu trúc: Functional Value và Social Value tác động có ý nghĩa đến Perceived Value, Time Risk không có ý nghĩa, R² bằng 0,684
H1 và H2 được ủng hộ; H3 có P = 0,389 nên không được ủng hộ.

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.

Ví dụ
Biến → Ý định mua hàngVIF
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.

Ví dụ

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
✦ Đừng “hoảng” khi R² thấp

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.

Ví dụ

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).

Ví dụ
Pathf²
PV → PI0.42
Social Value → PV0.18
Physical Risk → PV0.04

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.

Ví dụ
Biến nội sinhQ²
Perceived Value0.412
Purchase Intention0.327

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.

Ví dụ
  • 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.

Ví dụ
Pathβ
Functional Value → PV0.521
Social Value → PV0.247
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
Sơ đồ quyết định: T lớn hơn 1,96 và P nhỏ hơn 0,05 thì giả thuyết được ủng hộ, ngược lại rà soát và thảo luận
Cách kết luận một giả thuyết từ T và P.

10Lập bảng kết luận giả thuyết

Giả thuyếtβTPKết luận
H1: FV → PV0.52112.846<0.001Ủng hộ
H2: SV → PV0.2474.963<0.001Ủng hộ
H3: TR → PV-0.0520.8610.389Không ủng hộ
✍️ Cách viết

“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:

  1. Mô hình đo lường đã đạt chưa (AVE, HTMT)? Thang đo yếu làm suy giảm hệ số.
  2. Đa cộng tuyến: VIF cao có thể “chia” tác động giữa các biến.
  3. Cỡ mẫu có đủ lực kiểm định cho hiệu ứng nhỏ không?
  4. Tác động gián tiếp: biến có thể tác động qua một biến trung gian thay vì trực tiếp.
  5. Bối cảnh: đặc điểm mẫu, văn hóa, thời điểm khảo sát khác nghiên cứu gốc.
⚠️ Báo cáo trung thực

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.

🎯 Đọc kết quả trong 30 giây
  • 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.
①
Xem lại bước 1
Đánh giá mô hình đo lường
6 chỉ số đánh giá thang đo trước khi kiểm định cấu trúc.
→

Câu hỏi thường gặp

P-value lớn hơn 0,05 có phải là kết quả sai không?

Không. Đó là một kết quả: dữ liệu không ủng hộ giả thuyết. Hãy rà lại dữ liệu, mô hình đo lường và cỡ mẫu, sau đó báo cáo trung thực và thảo luận nguyên nhân dựa trên bối cảnh nghiên cứu.

R² bao nhiêu là đạt?

Các mức 0,75 / 0,50 / 0,25 thường được xem là mạnh / trung bình / yếu (Hair et al., 2022), nhưng cần so với các nghiên cứu cùng lĩnh vực; trong nghiên cứu hành vi người tiêu dùng, R² khoảng 0,20 đã có thể được xem là cao.

Nên chạy Bootstrapping bao nhiêu mẫu?

Hair et al. (2022) khuyến nghị 10.000 mẫu bootstrap cho kết quả cuối cùng; có thể chạy thử với số nhỏ hơn để kiểm tra nhanh.

Q² trong SmartPLS 4 xem ở đâu?

SmartPLS 4 đánh giá khả năng dự báo bằng Q²predict qua thủ tục PLSpredict; Q² Stone–Geisser bằng Blindfolding là cách làm quen thuộc ở SmartPLS 3. Giá trị lớn hơn 0 cho thấy mô hình có khả năng dự báo.

Kiểm định tác động trung gian trong SmartPLS thế nào?

Sau Bootstrapping, xem bảng Specific Indirect Effects: nếu khoảng tin cậy 95% không chứa 0 (hoặc P < 0,05) thì tác động gián tiếp có ý nghĩa; so với tác động trực tiếp để kết luận trung gian toàn phần hay một phần.