Mẫu chỉ hơn 200 phiếu, dữ liệu lệch chuẩn, mô hình có biến trung gian lẫn điều tiết — chạy AMOS thì chỉ số fit không đạt, còn bạn bè bảo “dùng SmartPLS cho nhanh”. Nhưng chọn SmartPLS vì sao, và trả lời thế nào khi hội đồng hỏi “tại sao em không dùng CB-SEM?”. Bài viết giải thích SmartPLS là gì, khác AMOS ở đâu, khi nào nên — và không nên — chọn PLS-SEM, cùng những lỗi người mới hay gặp.

1SmartPLS là gì?
SmartPLS là phần mềm phân tích mô hình phương trình cấu trúc dựa trên bình phương tối thiểu từng phần (PLS-SEM — Partial Least Squares Structural Equation Modeling), do SmartPLS GmbH (Đức) phát triển dưới sự dẫn dắt của GS. Christian M. Ringle cùng các cộng sự. Đây là một trong những công cụ PLS-SEM được dùng nhiều nhất thế giới, xuất hiện trong nhiều bài báo thuộc hệ thống Scopus và Web of Science.
Khác với AMOS, LISREL hay Mplus dựa trên hiệp phương sai (CB-SEM), SmartPLS dùng thuật toán PLS nhằm tối đa hóa phương sai được giải thích của các biến phụ thuộc — tức là hướng tới khả năng giải thích và dự báo.
Dựng mô hình bằng kéo–thả: tạo biến tiềm ẩn, thả biến quan sát vào, nối mũi tên giả thuyết — rồi chạy PLS Algorithm và Bootstrapping chỉ với vài cú nhấp.
2SmartPLS và AMOS khác nhau thế nào?
| Tiêu chí | SmartPLS (PLS-SEM) | AMOS (CB-SEM) |
|---|---|---|
| Mục tiêu | Giải thích & dự báo, phát triển lý thuyết | Kiểm định & khẳng định lý thuyết |
| Cỡ mẫu | Linh hoạt hơn với mẫu nhỏ, vừa | Cần mẫu lớn hơn (thường ≥ 200) |
| Phân phối chuẩn | Không bắt buộc (Bootstrapping) | Ước lượng ML giả định phân phối chuẩn |
| Biến hình thành (formative) | Hỗ trợ tốt | Hạn chế |
| Chỉ số phù hợp tổng thể | Hạn chế (SRMR) | Đầy đủ: CFI, TLI, RMSEA… |
| Kiểm định ý nghĩa | Bootstrapping → T, P-value | Critical Ratio → P-value |
3Khi nào nên (và không nên) chọn SmartPLS?

✅ Nên chọn khi
- Mô hình có nhiều biến tiềm ẩn và đường dẫn
- Dữ liệu không tuân theo phân phối chuẩn
- Cỡ mẫu nhỏ hoặc trung bình
- Có biến trung gian, điều tiết, biến bậc hai hoặc biến hình thành
- Nghiên cứu hướng tới dự báo, mở rộng lý thuyết
⚠️ Cân nhắc CB-SEM khi
- Mục tiêu chính là kiểm định lại một lý thuyết đã vững
- Hội đồng/tạp chí yêu cầu chỉ số Model Fit đầy đủ
- Cần so sánh các mô hình cạnh tranh bằng chỉ số fit
“Nghiên cứu hướng tới giải thích và dự báo các yếu tố tác động đến [biến phụ thuộc], mô hình có [số] biến tiềm ẩn kèm biến trung gian, và dữ liệu không tuân theo phân phối chuẩn; theo Hair et al. (2022), PLS-SEM là phương pháp phù hợp trong các điều kiện này.”
4Ứng dụng thực tiễn của SmartPLS theo lĩnh vực
Kinh doanh & Marketing
- Chất lượng dịch vụ → sự hài lòng → lòng trung thành
- Ý định mua hàng trực tuyến, marketing mạng xã hội
- Giá trị thương hiệu, trải nghiệm khách hàng, CSR
Giáo dục
- Chất lượng đào tạo, sự hài lòng của sinh viên
- Ý định học trực tuyến, ứng dụng công nghệ
- Động lực và kết quả học tập
Tài chính – Ngân hàng
- Ý định dùng ngân hàng số, ví điện tử
- Niềm tin, rủi ro cảm nhận, hành vi đầu tư
Tâm lý & hành vi
- Mô hình TAM, TPB, UTAUT
- Gắn kết tổ chức, động lực làm việc, chất lượng cuộc sống
5Quy trình 2 bước đánh giá mô hình PLS-SEM
Bước 1 — Mô hình đo lường →
Thang đo có đáng tin và đo đúng khái niệm không?
Bước 2 — Mô hình cấu trúc →
Giả thuyết nào được ủng hộ, mô hình giải thích và dự báo tốt đến đâu?
66 lỗi người mới dùng SmartPLS hay gặp
| Lỗi | Cách làm đúng |
|---|---|
| Lấy P-value từ PLS Algorithm | PLS Algorithm chỉ cho hệ số; P-value phải lấy từ Bootstrapping |
| Chạy Bootstrapping với quá ít mẫu | Hair et al. (2022) khuyến nghị 10.000 mẫu cho kết quả cuối cùng |
| Nhầm biến phản xạ và hình thành | Xác định theo lý thuyết: mũi tên từ biến tiềm ẩn ra chỉ báo (phản xạ) hay ngược lại |
| Kiểm định giả thuyết khi thang đo chưa đạt | Hoàn tất bước 1 (đo lường) trước khi đọc kết quả cấu trúc |
| Quên đảo mã câu đảo ngược | Đảo mã trong SPSS/Excel trước khi nhập dữ liệu vào SmartPLS |
| Dữ liệu còn ô trống, mã 99 chưa khai báo | Khai báo giá trị missing khi nhập dữ liệu hoặc xử lý trước trong SPSS |
7Bắt đầu nhanh với mô hình của bạn
Trước khi mở SmartPLS, hãy vẽ mô hình trên bàn vẽ mô hình của The Light Data: thêm biến, số câu hỏi mỗi biến, mũi tên giả thuyết dương/âm và biến điều tiết. Chọn phương pháp SmartPLS để xem bộ bảng kết quả — Outer Loading, HTMT, hệ số đường dẫn, Bootstrap — trên dữ liệu mô phỏng, giúp bạn hình dung chương 4 sẽ trình bày những gì. Từ mô hình đó, có thể sinh luôn bảng hỏi Likert bằng AI.
Dữ liệu mô phỏng chỉ để học cách đọc và lên kế hoạch phân tích, không dùng thay dữ liệu khảo sát thật trong báo cáo.
- SmartPLS = PLS-SEM: mạnh về giải thích & dự báo, linh hoạt với mẫu nhỏ, dữ liệu không chuẩn, mô hình phức tạp.
- Cần khẳng định lý thuyết với chỉ số fit đầy đủ → cân nhắc AMOS (CB-SEM).
- Quy trình 2 bước: mô hình đo lường → mô hình cấu trúc; P-value lấy từ Bootstrapping.


