Xử lý mô hình biến bậc hai, biến bậc cao trong SMARTPLS

NGÀY ĐĂNG: 14/12/2021 |DANH MỤC: Học SMARTPLS

Để hiểu được đầy đủ nội dung bài viết này, trước hết cần nắm được lý thuyết về mô hình bậc cao tại bài viết Mô hình thành phần thứ bậc, mô hình bậc cao trong PLS-SEM. Để xử lý vấn đề đo lường của các HCM trong PLS-SEM, các nhà nghiên cứu có thể dựa trên hai phương pháp tiếp cận chính cho đặc điểm kỹ thuật của họ trong mô hình đường dẫn PLS (Becker và cộng sự, 2012; Ringle và cộng sự, 2012; Wetzels và cộng sự, 2009): (1) phương pháp tiếp cận các biến quan sát lặp lại (repeated indicator approach) và (2) phương pháp tiếp cận hai giai đoạn (two-stages approach).

1. Phương pháp biến quan sát lặp lại – Repeated indicator approach

Trong phương pháp tiếp cận biến quan sát lặp lại (repeated indicator approach), tất cả biến quan sát của các LOC được gán cho mô hình đo lường của các HOC (Lohmöller, 1989; Wold, 1982). Trong các ví dụ mô hình bậc hai ở dưới, phương pháp tiếp cận biến quan sát lặp lại sử dụng các biến quan sát x1 đến x9 của các LOC để thiết lập mô hình đo lường của HOC. Do đó, các biến quan sát được sử dụng hai lần: một lần cho các LOC và một lần nữa cho HOC. Nếu có bất kỳ biến quan sát nào của LOC bị loại do không đạt tiêu chuẩn kiểm định, khi xóa nó khỏi LOC cũng sẽ cần xóa nó khỏi HOC.

Xét ví dụ bên dưới khi biểu diễn lên diagram phần mềm SMARTPLS, biến Chất lượng dịch vụ (CLDV) là HOC được đo qua ba LOC gồm Nhân viên (NV), Giá cả (GC), Cơ sở vật chất (CSVC). Áp dụng kỹ thuật biến quan sát lặp lại, chúng ta sẽ kéo 11 biến quan sát từ NV, GC, CSVC thả vào biến bậc hai CLDV.

Đánh giá lợi thế và bất lợi của hướng tiếp cận biến quan sát lặp lại trên SMARTPLS:

– Lợi thế: Thực hiện dễ dàng. Các chỉ số đánh giá mô hình đo lường và mô hình cấu trúc về mặt cơ bản đều có được nên hoàn toàn có thể kết luận được mô hình trong phương pháp tiếp cận này mà không cần phải thực hiện thêm phân tích gì khác.

– Bất lợi: Khi mối quan hệ giữa HOC và LOC ở dạng nguyên nhân hoặc muốn đánh giá kỹ hơn HOC, nhiều chỉ số phần mềm không thể tính toán được dẫn đến nhà nghiên cứu phải bỏ qua phần đánh giá đặc điểm của HOC.

2. Phương pháp tiếp cận hai giai đoạn – Two stages approach

HCM dạng kết quả – kết quả hay nguyên nhân – kết quả, bên cạnh đánh giá mô hình đo lường của các LOC, nhà nghiên cứu nên đánh giá cả mô hình đo lường của HOC. Đánh giá mô hình đo lường của HOC nghĩa là chúng ta đánh giá mối quan hệ giữa HOC và các LOC chứ không phải HOC với các biến quan sát được kéo thả vào nó.

Với phương pháp tiếp cận biến quan sát lặp lại, hầu như các chỉ số đánh giá mô hình như Cronbach’s Alpha, CR, AVE, bảng Fornell-Larcker, bảng HTMT,… trong xem xét độ tin cậy, giá trị hội tụ, giá trị phân biệt chỉ dùng được cho LOC. Kết quả từ phân tích PLS Algorithm hay Bootstrapping trên SMARTPLS cung cấp cho nhà nghiên cứu các giá trị Cronbach’s Alpha, CR, AVE của HOC ở output. Tuy nhiên, các giá trị này lại được tính từ biến quan sát lặp lại ở LOC được kéo thả vào HOC chứ không phải tính mối quan hệ giữa HOC với LOC.

Chính vì vậy, sự xuất hiện của kỹ thuật hai giai đoạn sẽ giúp chúng ta đánh giá được mô hình đo lường cho HOC một cách chính xác hơn. Nó được gọi là kỹ thuật hai giai đoạn bởi quá trình thực hiện sẽ chia làm giai đoạn.

Giai đoạn một, thực hiện phân tích mô hình bằng kỹ thuật biến quan sát lặp lại để thu về điểm số LOC. Sau đó lấy dữ liệu điểm số LOC lưu thành các biến LOC trong dữ liệu để phục vụ cho giai đoạn phân tích thứ hai. Việc làm này giúp chúng ta chuyển biến bậc hai phức tạp thành biến bậc một cơ bản.

Giai đoạn hai, vẽ diagram mới trên dữ liệu đã có các biến trọng số LOC. Lúc này, các LOC chuyển thành các biến quan sát và HOC trở thành biến tiềm ẩn bậc một. Chúng ta thực hiện đánh giá mô hình mới như một mô hình bậc một cơ bản.

Đánh giá lợi thế và bất lợi của hướng tiếp cận hai giai đoạn trên SMARTPLS:

– Lợi thế: Có được đầy đủ các chỉ số để đánh giá mô hình đo lường HOC. Có thể sử dụng được cho tất cả các dạng mô hình HCM mà không gặp vấn đề gì.

– Bất lợi: Thực hiện rườm rà. Không đánh giá được mô hình đo lường các LOC.

3. Quy trình xử lý biến bậc hai trong SMARTPLS

Mặc dù Hair và cộng sự (2018) cho rằng nên ưu tiên sử dụng phương pháp tiếp cận biến quan sát lặp lại với mối quan hệ HOC và LOC là kết quả, và sử dụng phương pháp tiếp cận hai giai đoạn khi HOC và LOC có quan hệ nguyên nhân. Nhưng vì những hạn chế của từng kỹ thuật mà chúng ta nên sử dụng kết hợp cả hai hướng tiếp cận trên để đánh giá mô hình một cách đầy đủ nhất.

Trong giai đoạn một của kỹ thuật hai giai đoạn, thay vì chúng ta chỉ lấy trọng số LOC qua phương pháp tiếp cận biến quan sát lặp lại thì tại đây, chúng ta sẽ đánh giá luôn cả mô hình đo lường cho LOC. Sau đó đi tiếp tới giai đoạn thứ hai, chúng ta đánh giá mô hình đo lường cho HOC. Tóm lại, quy trình xử lý biến bậc hai tối ưu trong SMARTPLS sẽ là:

Bước 1 – Sử dụng kỹ thuật biến quan sát lặp lại. Ở bước này chúng ta làm hai việc:

– Đánh giá mô hình đo lường cho các LOC. Tùy theo dạng mô hình là kết quả hay nguyên nhân mà chúng ta sử dụng các chỉ số tương ứng. Xem lại hai viết (1) Đánh giá mô hình đo lường dạng kết quả trên SMARTPLS và (2) Đánh giá mô hình đo lường dạng nguyên nhân trên SMARTPLS.

– Lấy dữ liệu trọng số các LOC để bổ sung vào dữ liệu phục vụ cho bước tiếp theo.

Bước 2 – Sử dụng giai đoạn hai của kỹ thuật hai giai đoạn. Ở bước này chúng ta làm hai việc:

– Vẽ diagram mới biểu diễn các biến LOC được tính từ trọng số nhân tố. Đánh giá mô hình đo lường cho các HOC.

– Đánh giá mô hình cấu trúc.

4. Thực hành xử lý biến bậc hai trong SMARTPLS

Xét một mô hình nghiên cứu với cấu trúc biến như sau:

– Biến Chất lượng dịch vụ là biến bậc hai dạng kết quả – nguyên nhân được đo lường qua bốn biến bậc một: Nhân viên (4 biến quan sát), Giá cả (3 biến quan sát), Cơ sở vật chất (4 biến quan sát).

– Biến Hài lòng dịch vụ là biến bậc một được đo bằng 4 biến quan sát dạng kết quả.

Mình đã có một tập dữ liệu thu thập cỡ mẫu 150 tương ứng cấu trúc mô hình này. Tiến hành đưa dữ liệu vào xử lý trên SMARTPLS.

Bước 1: Biểu diễn mô hình nghiên cứu lý thuyết lên diagram SMARTPLS theo hướng tiếp cận biến quan sát lặp lại.

Mối quan hệ giữa HOC và LOC là dạng nguyên nhân, cần chú ý kéo mũi tên hướng từ LOC lên HOC. Sử dụng hướng tiếp cận biến quan sát lặp lại nên chúng ta sẽ kéo toàn bộ các biến quan sát ở NV, GC, CSVC thả vào CLDV. Chiều mũi tên giữa HOC và biến quan sát được kéo thả vào sẽ giống với chiều mũi tên giữa LOC và biến quan sát. Ví dụ: LOC và biến quan sát là dạng thang đo kết quả, thì HOC với các biến quan sát được kéo thả vào cũng phải là thang đo kết quả.

Bước 2: Đánh giá mô hình đo lường các LOC.

Tùy theo LOC ở dạng mô hình là kết quả hay nguyên nhân mà chúng ta có cách đánh giá mô hình đo lường khác nhau. Do các LOC đang ở dạng kết quả nên các tiêu chí đánh giá sẽ gồm: chất lượng biến quan sát (chỉ báo), độ tin cậy, tính hội tụ và tính phân biệt của các thang đo. Chúng ta tiến hành phân tích PLS Algorithm để lấy các bảng kết quả.

1. Chất lượng biến quan sát

Chúng ta không xét các biến quan sát của biến bậc hai, do vậy sẽ xóa cột CLDV và các hàng biến quan sát tương ứng với giá trị cột CLDV khỏi kết quả xử lý. Bảng Outer Loadings sau khi trình bày lại:

→ Biến quan sát CSVC1 có hệ số tải ngoài (outer loading) bằng 0.409 < 0.7, biến này sẽ được loại bỏ khỏi phần phân tích tiếp theo. Chúng ta sẽ trở về diagram SMARTPLS, nhân đôi diagram cũ và đặt tên khác với tên diagram cũ (ví dụ: tên cũ là diagram 1 thì tên diagram được nhân đôi lên đặt là diagram 2) và xóa biến CSVC1 khỏi nhóm CSVC, đồng thời cũng xóa CSVC1 khỏi CLDV.

Lưu ý rằng, mỗi lần phân tích có biến quan sát hay cấu trúc bị loại, chúng ta lại nhân mới lên một diagram mới và xóa các đối tượng trên diagram mới đó chứ không xóa trực tiếp trên cùng một diagram. Bởi vì khi xuất kết quả hoặc trình bày vào bài nghiên cứu, chúng ta cần trích dẫn phụ lục từng bước thay đổi của diagram.

Sau khi xóa biến CSVC1 khỏi diagram, tiến hành phân tích lại PLS Algorithm và đọc lại kết quả Outer Loadings để đánh giá lại chất lượng biến quan sát.

→ Outer loading các biến quan sát đều lớn hơn 0.7 , do đó các biến quan sát đều có ý nghĩa trong mô hình.

2. Độ tin cậy, giá trị hội tụ thang đo

Đánh giá độ tin cậy và tính hội tụ thang đo cho các LOC, lưu ý, không đánh giá cho HOC ở bước này.

→ Cronbach’s Alpha và Composite Reliability các LOC đều trên 0.7, như vậy các thang đo LOC đều đảm bảo độ tin cậy rất tốt.

→ AVE các LOC đều trên 0.5, các thang đo LOC đều đảm bảo giá trị hội tụ. Đối với AVE biến bậc hai CLDV, giá trị này SMARTPLS tính từ các biến quan sát được kéo thả vào CLDV chứ không phải các LOC. Như đã đề cập ở phần lý thuyết đầu bài viết, đánh giá mô hình đo lường của HOC nghĩa là chúng ta đánh giá mối quan hệ giữa HOC và các LOC chứ không phải HOC với các biến quan sát được kéo thả vào nó. Do vậy, chúng ta không sử dụng AVE biến CLDV ở đây. Khi trình bày vào bài nghiên cứu, bạn có thể xóa hàng kết quả của CLDV đi.

3. Giá trị phân biệt thang đo

Đánh giá giá trị phân biệt thang đo cho các LOC qua bảng Fornell-Larcker Criterion và HTMT, không đánh giá cho HOC. Trong ví dụ bên dưới mình làm mẫu cho bảng HTMT, bảng Fornell-Larcker Criterion các bạn nhận xét tương tự.

Khi đọc kết quả và trình bày vào bài nghiên cứu bạn bỏ qua giá trị của cột và hàng CLDV. Bạn có thể xóa hẳn cột và hàng CLDV đi, chỉ giữ lại bảng gồm các LOC.

→ Giữa các cặp biến LOC, giá trị HTMT đều dưới 0.85, như vậy tính phân biệt giữa các LOC được đảm bảo.

Bước 3: Lấy kết quả trọng số nhân tố các LOC và đưa vào tệp dữ liệu

Phân tích lại PLS Algorithm một lần nữa để lấy trọng số nhân tố các biến tiềm ẩn. Một điểm khác biệt quan trọng ở phần Setup đó là thay vì chọn Path, chúng ta nên chọn vào Factor.

Từ output PLS Algorithm, nhấp vào phần Latent Variable để đi đến phần kết quả trọng số nhân tố các biến tiềm ẩn.

Tại bảng Latent Variable, chúng ta copy ba cột dữ liệu LOC gồm CSVC, GC, NV và dán vào tệp .csv dữ liệu đầu vào của SMARTPLS.

Chúng ta nên dán các biến trọng số LOC vào các cột cuối file dữ liệu .csv. Sau đó lưu lại file .csv và import lại vào mô hình đang xử lý trên SMARTPLS. Lúc này file dữ liệu của chúng ta đã cập nhật thêm các biến CSVC, GC, NV.

Khi đã đưa lại file dữ liệu mới vào SMARTPLS, check lại phần Incators để xác nhận file dữ liệu đã có mặt các biến CSVC, GC, NV hay chưa.

Bước 4: Tạo diagram mới cho giai đoạn hai của kỹ thuật hai giai đoạn.

Tiến hành tạo một diagram mới biểu diễn các biến LOC vào mô hình. Lúc này từ mô hình bậc hai chúng ta đã chuyển về mô hình bậc một cơ bản. Biến tiềm ẩn CLDV từ bậc hai chuyển thành biến tiềm ẩn bậc một, các LOC gồm CSVC, GC, NV chuyển thành biến quan sát.

Bước 5: Đánh giá mô hình đo lường HOC.

Mô hình của HOC là dạng nguyên nhân, chúng ta dựa theo cách đọc kết quả ở bài viết Đánh giá mô hình đo lường dạng nguyên nhân trên SMARTPLS.

1. Đánh giá cộng tuyến giữa các biến quan sát

Do không có biến quan sát tổng quát, chúng ta sẽ bỏ qua phần đánh giá tính hội tụ thang đo HOC mà đi đến phần đánh giá vấn đề cộng tuyến giữa các biến quan sát ở bảng Outer VIF Values từ phân tích PLS Algorithm.

→ Outer VIF Values của CSVC, GC, NV đều rất nhỏ (dưới ngưỡng 5). Như vậy, không xảy ra tình trạng cộng tuyến giữa các biến quan sát nguyên nhân của thang đo CLDV.

2. Đánh giá chất lượng biến quan sát

Tiếp tục phân tích Bootstrapping để đánh giá trọng số tải ngoài của các biến quan sát. Từ output Bootstrapping, nhấp vào Outer Weights.

Chúng ta sẽ chỉ quan tâm đến kết quả các hàng outer weight mối quan hệ giữa LOC và HOC.

→ Kết quả cho thấy p-value trọng số tải ngoài của CSVC và GC nhỏ hơn 0.05, như vậy hai biến quan sát này có ý nghĩa trong mô hình. Riêng biến NV có p-value bằng 0.227 > 0.05 không có ý nghĩa thống kê, chúng ta xét tiếp hệ số tải ngoài outer loading. Quay lại output, nhấp vào Outer Loadings.

Giá trị outer loading của các biến nằm ở cột Original Sample (O). Các cột khác chúng ta không cần quan tâm kết quả thế nào.

→ Hệ số tải ngoài outer loading của NL bằng 0.676 > 0.5 nên biến quan sát NL vẫn được giữ lại để đánh giá mô hình (Hair và cộng sự, 2011).

Bước 6: Đánh giá mô hình cấu trúc có biến bậc hai.

Thực hiện đánh giá mô hình cấu trúc như một mô hình cơ bản bình thường. Bạn xem cách đánh giá mô hình cấu trúc tại bài viết Chạy Bootstrap và đánh giá mô hình cấu trúc trên SMARTPLS.

Các tiêu chí cần đánh giá trong mô hình cấu trúc sẽ gồm: tính cộng tuyến, mối quan hệ tác động, giá trị R bình phường, giá trị Effect size giữa HOC với các biến khác trong mô hình.