fbpx

Kích thước mẫu tối thiểu khi áp dụng phần mềm SmartPLS

Kích thước mẫu tối thiểu trong ứng dụng PLS-SEM

Kích thước mẫu tối thiểu rất nhỏ trong ứng dụng PLS-SEM so với CB-SEM là một trong những đặc điểm mà các nhà nghiên cứu quan tâm. Bởi vì, mẫu khảo sát quá nhỏ sẽ dẫn đến những sai số và gây tranh cãi trong giới khoa học. Bài viết sẽ cung cấp một số quy tắc để tính kích thước mẫu tối thiểu khi sử dụng phần mềm SmartPLS giúp nhà nghiên cứu tham khảo như: phần mềm G*Power, Cohen (1992), Hair & cộng sự (2016), Barclay & cộng sự, 1995.

Kích thước mẫu tối thiểu là gì? Đặc điểm của mẫu tối thiểu

Kích thước mẫu tối thiểu sẽ bảo đảm rằng các kết quả của phương pháp thống kê như PLS-SEM có đủ độ nhạy thống kê. Trong những điều này, một kích cỡ mẫu không đủ có thể không tiết lộ một tác động đáng kể nào tồn tại trong tổng thể. Hơn nữa, cỡ mẫu tối thiểu phải đảm bảo rằng các kết quả của phương pháp thống kê là mạnh mẽ và mô hình có thể khái quát được. Kích thước mẫu không đủ có thể dẫn đến các kết quả PLS-SEM có sự khác biệt lớn so với các mẫu khác.
Một mẫu là một sự lựa chọn của các yếu tố hoặc các cá thể riêng lẻ từ một tổng thể lớn hơn. Các cá thể được lựa chọn cụ thể trong quá trình lấy mẫu để đại diện cho tổng thể. Một mẫu tốt phải phản ánh sự tương đồng và sự khác biệt được tìm thấy trong tổng thể để có thể suy ra từ mẫu (nhỏ) về đám đông (lớn) tổng thể. Do đó, quy mô tổng thể và đặc biệt biến thể của các biến số trong nghiên cứu ảnh hưởng đến kích cỡ mẫu được yêu cầu trong quá trình lấy mẫu. Ngoài ra, khi áp dụng các kỹ thuật phân tích đa biến, các khuynh hướng mang tính kỹ thuật của mẫu sẽ trở nên phù hợp.

Đặc điểm dữ liệu khi sử dụng PLS-SEM

Đặc điểm dữ liệu khi sử dụng PLS-SEM như là kích thước mẫu tối thiểu rất nhỏ, dữ liệu không chuẩn và sử dụng các loại thang đo khác nhau.
Phương pháp PLS-SEM cho phép nhà nghiên cứu sử dụng một mẫu rất nhỏ (ví dụ dưới 100). Tính phức tạp nói chung của mô hình cấu trúc có ảnh hưởng một ít lên yêu cầu kích thước mẫu cho PLS-SEM. Lý do là thuật toán 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. Các nghiên cứu ban đầu 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 thực hiện tốt. Gần đây hơn, nghiên cứu mô phỏng đã chỉ ra rằng PLS- SEM là sự lựa chọn tốt khi kích thước mẫu nhỏ. Hơn nữa, so với kỹ thuật dựa trên hiệp phương sai đối lập, PLS-SEM có độ nhạy thống kê cao hơn trong các trường hợp cấu trúc mô hình phức tạp hoặc các kích thước mẫu nhỏ.
Tương tự, các giải pháp có thể thu được với PLS-SEM khi các phương pháp khác không hội tụ hoặc các giải pháp không thể chấp nhận được. Ví dụ, những vấn đề thường bị gặp phải khi sử dụng CB-SEM trên những mô hình phức tạp, đặc biệt khi kích cỡ mẫu bị giới hạn. Tương tự, CB-SEM bị các vấn đề nhận dạng và hội tụ khi đo lường nguyên nhân xuất hiện.
Một số nhà nghiên cứu tin rằng kích thước mẫu nhỏ không đóng vai trò đặc biệt trong ứng dụng PLS-SEM.

 

Quy tắc 10 lần lấy mẫu tối thiểu khi sử dụng PLS-SEM

Theo Barclay & cộng sự (1995), PLS-SEM dùng cỡ mẫu tối thiểu theo quy tắc 10 lần, cho rằng kích thước mẫu nên bằng hoặc lớn hơn:
1. Mười (10) lần số lớn nhất của các biến quan sát nguyên nhân được sử dụng để đo lường khái niệm đơn, hoặc
2. Mười (10) lần số lớn nhất của đường dẫn cấu trúc hướng vào một khái niệm riêng biệt trong mô hình cấu trúc.
Quy tắc kinh nghiệm nói rằng kích thước mẫu tối thiểu nên bằng 10 lần số lớn nhất của mũi tên trong biến tiềm ẩn ở mọi vị trí trong mô hình cấu trúc PLS. Trong khi quy định 10 lần đề xuất chỉ dẫn sơ bộ về yêu cầu kích thước mẫu tối thiểu, PLS-SEM – cũng như các kỹ thuật thống kê khác – yêu cầu nhà nghiên cứu cân nhắc lại kích thước mẫu với nền tảng mô hình và đặc điểm dữ liệu. Đặc biệt, kích thước mẫu cần thiết nên được xác định bởi phân tích độ nhạy dựa trên một phần mô hình với số lượng lớn nhất của biến dự báo.
Vì những kiến nghị kích thước mẫu trong PLS-SEM cơ bản dựa trên đặc tính của hồi quy OLS, các nhà nghiên cứu có thể dựa trên các quy tắc kinh nghiệm khác trong phân tích độ nhạy thống kê cho nhiều mô hình hồi quy bội, cung cấp mô hình đo lường có thể chấp nhận được về mặt hệ số tải ngoài (ví dụ hệ số tải nên ở trên ngưỡng chung là 0.70).

Lấy mẫu tối thiểu khi sử dụng PLS-SEM thông qua phân tích độ nhạy

Cách khác, các nhà nghiên cứu có thể sử dụng các chương trình như G*Power để thực hiện phân tích độ nhạy cụ thể nhằm thiết lập mô hình.

Công thức Cohen (1992) lấy mẫu tối thiểu khi sử dụng PLS-SEM

Theo Cohen (1992), cỡ mẫu đề nghị khi sử dụng PLS-SEM với độ nhạy thống kê 80% chỉ ra những yêu cầu cần thiết về kích thước mẫu tối thiếu để phát hiện giá trị R2 nhỏ nhất: 0.10, 0.25, 0.50 và 0.75 ở bất cứ khái niệm biến nội sinh nào trong mô hình cấu trúc với mức ý nghĩa 1%, 5% và 10%, giả định chung việc sử dụng độ nhạy thống kê 80% và mức độ phức tạp cụ thể của mô hình PLS (tức là số lượng tối đa các điểm mũi tên tại một khái niệm nghiên cứu trong mô hình PLS). Ví dụ, khi số lượng tối đa biến độc lập trong mô hình đo lường và mô hình cấu trúc là 5 (năm), sẽ cần 45 quan sát để đạt được độ nhạy thống kê 80% cho việc phát hiện giá trị R2 nhỏ nhất 0.25 (với xác suất sai số 5%).

(Nguồn: Cohen, 1992)

Kết luận chung về cỡ mẫu tối thiểu khi sử dụng PLS-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). Trong nhiều trường hợp Hair & cộng sự (2016) khuyên nhà nghiên cứu nên chọn công thức tính cỡ mẫu theo chuẩn của Cohen (1992).

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. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159.
  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.

Có thể bạn nên xem:

Trả lời

Email của bạn sẽ không được hiển thị công khai.