Giới thiệu về phần mềm SmartPLS trong kiểm định mô hình đo lường SEM

Phần mềm SmartPLS gây được sự quan tâm bởi sự gọn nhẹ và trực quan so với các phần mềm cùng loại khi phân tích mô hình SEM mà vẫn bảo đảm sự hiệu quả trong ước lượng mô hình. Phần mềm SmartPLS được phát triển dành cho hai mục đích: (i) khám phá và dự đoán khái niệm và (ii) kiểm định và khẳng định mối liên hệ giữa các khái niệm dựa trên lý thuyết (thay thế cho CB-SEM). Hai mục đích đó hoàn toàn phù hợp với các nghiên cứu học thuật ở đa dạng các lĩnh vực khác nhau (tài chính, giáo dục, quản trị, kinh doanh, kế toán xã hội học, tâm lý…). 

Giới thiệu về mô hình đo lường PLS-SEM

PLS-SEM viết tắt từ cụm thuật ngữ Partial Least Square – Structural Equation Modeling – Mô hình phương trình cấu trúc dựa trên bình phương tối thiểu riêng phần. Khác với CB-SEM, PLS-SEM ước lượng các tham số của mô hình dựa trên ma trận phương sai (variance based matrix).

Theo Hair & cộng sự (2016), PLS-SEM áp dụng kỹ thuật hồi quy bình phương tối thiểu (OLS) với mục tiêu làm giảm thiểu các sai số (tức là phương sai phần dư) của các biến phụ thuộc.

PLS-SEM thể hiện nhiều ưu điểm vượt trội so với CB-SEM và các kỹ thuật phân tích thế hệ thứ nhất khác

• PLS-SEM là phương pháp được ưa thích đối với nhà nghiên cứu khi mục tiêu nghiên cứu của họ là phát triển lý thuyết và giải thích sự thay đổi của biến phụ thuộc (dự báo biến nghiên cứu).
• PLS-SEM không sử dụng các chỉ số đo lường sự phù hợp của mô hình như CB-SEM. Ở PLS – SEM, sự tối đa hóa phương sai được giải thích thay vì giảm thiểu sự khác biệt giữa các ma trận hiệp phương sai như CB-SEM.
• Kích thước mẫu tối thiểu khi áp dụng phần mềm SmartPLS: PLS-SEM không nhất thiết phải sử dụng cỡ mẫu lớn như CB-SEM. PLS-SEM dùng cỡ mẫu tối thiểu 10 lần biến quan sát nguyên nhân (formative observator) lớn nhất được đo lường cho một khái niệm hoặc 10 lần số đường dẫn lớn nhất tác động đến một khái niệm trong mô hình (Barclay & cộng sự, 1995). Chin và Newsted (1999) đã đánh giá một cách hệ thống tính hiệu quả của PLS – SEM với các kích thước mẫu nhỏ và đã kết luận rằng nó hoạt động tốt.
• PLS-SEM đã chứng minh rằng thuật toán của PLS – SEM không tính toán tất cả các mối quan hệ trong mô hình cấu trúc trong cùng một lúc. Thay vào đó, nó sử dụng hồi quy OLS để ước lượng các mối quan hệ hồi quy riêng phần của mô hình.
• Đối với sự phân phối của dữ liệu, đặc tính thống kê của PLS-SEM cung cấp những ước lượng mô hình mạnh mẽ với dữ liệu có đặc tính phân phối chuẩn cũng như phân phối không chuẩn (Henseler & cộng sự, 2009).
• PLS-SEM được sử dụng khi nhà nghiên cứu đề xuất mô hình phức tạp. Nghĩa phức tạp được hiểu ở đây là mô hình có nhiều biến (lớn hơn 4 biến độc lập) và mối quan hệ trong mô hình chồng chéo, nhiều biến vừa đóng vai trò là biến độc lập, vừa là biến phụ thuộc (Hair và cộng sự, 2016).

Giới thiệu về phần mềm SmartPLS

         Trong nghiên cứu kinh tế liên quan tới việc phân tích các dữ liệu sơ cấp đặc biệt là các nghiên cứu có sử dụng mô hình phương trình cấu trúc (SEM), AMOS là phần mềm được các nhà nghiên cứu tại Việt Nam sử dụng rộng rãi. Nhưng hiện nay kỹ thuật phân tích thế hệ thứ hai đã có những phần mềm thực hiện tốt những yêu cầu trên và hơn hết là cách sử dụng thân thiện, hiệu quả, trực quan. Một trong số đó phải kể đến phần mềm SmartPLS. Đối với những người bắt đầu nghiên cứu, SmartPLS  gây được ấn tượng mạnh bởi sự gọn nhẹ và trực quan so với các phần mềm cùng loại mà vẫn bảo đảm sự hiệu quả trong ước lượng mô hình.

         SmartPLS 3 là một trong những công cụ phần mềm hàng đầu trong việc ứng dụng và cách tiếp cận phương pháp PLS trong mô hình ước lượng cấu trúc tuyến tính SEM (PLS-SEM). Đặc biệt khi so sánh với AMOS – phần mềm cũng có chức năng ước lượng SEM, SmartPLS tỏ ra có ưu thế hơn về sự đơn giản, trực quan, thân thiện cho người sử dụng.

Ứng dụng của phần mềm SmartPLS

         Với hơn 59.200 trích dẫn trong các tài liệu học thuật trên Google Scholar (tính đến 11/03/2022), SmartPLS  là một trong những công cụ phần mềm hàng đầu trong việc ứng dụng và cách tiếp cận phương pháp PLS trong mô hình ước lượng cấu trúc tuyến tính SEM (PLS-SEM).

         SmartPLS 3 có thể thực hiện hầu hết các nghiên cứu sử dụng dữ liệu sơ cấp với mô hình SEM hay các mô hình khác:

• Nghiên cứu tâm lý học: Tâm lý tội phạm, tâm lý học sinh, sinh viên…
• Nghiên cứu xã hội học: Đánh giá chất lượng dịch vụ, ý kiến người dân, thống kê…
• Nghiên cứu thị trường: Nghiên cứu và định hướng phát triển sản phẩm, mở rộng thị trường, sự hài lòng khách hàng…
• Nghiên cứu kinh doanh: Dự định mua sản phẩm, xu hướng chấp nhận một sản phẩm, Định vị thương hiệu trên các thuộc tính sản phẩm…
• Nghiên cứu đa dạng sinh học, trong phát triển nông lâm nghiệp…
• Phân tích thực trạng, tìm ra nhân tố ảnh hưởng, dự đoán các xu hướng tiếp theo.

TÀI LIỆU THAM KHẢO

1. Barclay D., C. Higgins and R. Thompson, “The Partial Least Squares (PLS) Approach to Causal Modelling: Personal Computer Adoption and Use as an Illustration,” Technology Studies, Special Issue on Research Method- ology, Vol. 2, No. 2, 1995, pp. 285-309.
2. Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial least squares. In R. H. Hoyle (Ed.), Statistical strategies for small sample research (pp. 307-341). Thousand Oaks: CA: Sage Publications.
3. Hair, Jr. J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Thousand Oaks: Sage.
4. Henseler, J., Ringle, C., & Sinkovics, R. (2009). The Use of Partial Least Squares Path Modeling in International Marketing. Advance in International Marketing, 20, 277-319.