Mô hình bậc hai trong SmartPLS, đặc biệt là dạng Reflective–Reflective, là một phương pháp phổ biến trong phân tích dữ liệu bằng PLS-SEM. Trong SmartPLS 4, mô hình Reflective-Reflective bậc cao (Higher Order Construct – HOC) được sử dụng để mô hình hóa các khái niệm phức tạp, bao gồm nhiều biến tiềm ẩn bậc thấp (Lower Order Constructs – LOCs) hợp lại để tạo thành một khái niệm tổng thể. Mô hình HOC giúp đơn giản hóa mô hình bằng cách giảm số lượng mối quan hệ cần phân tích, đồng thời thể hiện cấu trúc khái niệm rõ ràng hơn.
Nhiều nghiên cứu và luận văn yêu cầu mô hình phải có mức độ phức tạp cao hơn. Do đó, các nhà nghiên cứu thường cố gắng phát triển mô hình với nhiều cấu trúc bậc cao trong cùng một mô hình. Những mô hình này có thể bao gồm các cấu trúc reflective-reflective, reflective-formative, và các cấu trúc bậc thấp trong cùng một mô hình.
Giới thiệu mô hình Reflective–Reflective
Trong mô hình phương trình cấu trúc (PLS-SEM), mô hình bậc hai (Higher-Order Model – HCM) hay còn gọi là mô hình thành phần thứ bậc, thường được sử dụng để đại diện cho các khái niệm trừu tượng có cấu trúc đa chiều. Một trong những dạng phổ biến của HCM là mô hình phản xạ – phản xạ (Reflective–Reflective Higher-Order Model), trong đó cả biến bậc cao (Higher-Order Construct – HOC) và các thành phần bậc một (Lower-Order Components – LOCs) đều được đo lường bằng chỉ báo phản xạ.
Việc mô hình hóa và ước lượng mô hình phản xạ–phản xạ trong SmartPLS có thể được thực hiện bằng nhiều phương pháp, trong đó phương pháp hai giai đoạn dạng tách biệt (Disjoint Two-Stage Approach) là một trong những cách tiếp cận được khuyến nghị vì sự rõ ràng, linh hoạt và dễ triển khai.
Bài viết này sẽ hướng dẫn chi tiết cách xử lý mô hình Reflective–Reflective HOC trong SmartPLS bằng phương pháp Disjoint Two-Stage Approach.
MÔ HÌNH PHẢN XẠ – PHẢN XẠ BẬC 2 LÀ GÌ?
Trong mô hình phản xạ–phản xạ bậc hai (Reflective–Reflective Higher-Order Model), HOC được đo lường thông qua các LOCs ((Lower-Order Components), và mỗi LOC lại được đo lường thông qua các chỉ báo phản xạ riêng biệt. Ví dụ, khái niệm “Uy tín doanh nghiệp” có thể là HOC được đo qua hai LOCs là “Năng lực” và “Sự dễ mến”, trong đó mỗi LOC này được đo bằng các câu hỏi Likert phản ánh khái niệm cụ thể.
Đặc điểm chính của mô hình này:
– Tất cả các mối quan hệ đều mang tính phản xạ (reflective).
– HOC đóng vai trò là nhân tố giải thích các LOCs.
– Mỗi LOC có chỉ báo riêng biệt, không trùng lặp chỉ báo giữa các LOC.
TẠI SAO LẠI CHỌN PHƯƠNG PHÁP 2 GIAI ĐOẠN DẠNG TÁCH BIỆT?
Có một số phương pháp để phân tích mô hình reflective-reflective bậc cao trong SmartPLS 4, phổ biến nhất là:
a. Phương pháp tiếp cận hai giai đoạn (Two-Stage Approach)
Phương pháp này bao gồm hai giai đoạn chính:
- Giai đoạn 1: Đầu tiên, các LOCs được phân tích trong mô hình bậc thấp để tạo ra điểm số cho các biến tiềm ẩn bậc thấp.
- Giai đoạn 2: Sử dụng các điểm số từ giai đoạn 1 để phân tích HOC như một biến tiềm ẩn bậc cao trong mô hình cấu trúc.
b. Phương pháp tiếp cận trọng số lặp lại (Repeated Indicator Approach)
Phương pháp này sử dụng toàn bộ các chỉ báo của LOCs để đo lường trực tiếp HOC. Trong phương pháp này, chỉ báo của các LOCs được lặp lại để đại diện cho cả LOC và HOC. Điều này cho phép HOC được đo lường trực tiếp từ chỉ báo của LOC.
Phương pháp Disjoint Two-Stage Approach là một kỹ thuật phổ biến để xử lý HCM trong PLS-SEM. Ưu điểm chính:
– Dễ triển khai và kiểm soát trong SmartPLS.
– Tách riêng quy trình đánh giá mô hình đo lường và mô hình cấu trúc.
– Cho kết quả tương đương phương pháp chỉ báo lặp lại, nhưng linh hoạt hơn về mô hình hóa.
Trong phần tiếp theo, chúng tôi sẽ tập trung giới thiệu phương pháp hai giai đoạn dạng tách biệt (disjoint two-stage approach) được áp dụng cho các cấu trúc bậc cao loại phản xạ – phản xạ (reflective-reflective higher-order constructs).
CÁCH THỰC HIỆN PHÂN TÍCH
Giai đoạn 1: Trong giai đoạn đầu tiên, ta tiến hành tạo và ước lượng mô hình kết nối tất cả các thành phần bậc thấp (bao gồm các cấu trúc ngoại sinh và nội sinh). Đánh giá mô hình sẽ tập trung vào các mô hình đo lường phản xạ của các thành phần bậc thấp. Không có cấu trúc bậc cao nào được mô hình hóa trong giai đoạn này. Chỉ có các thành phần bậc thấp (LOC) của các cấu trúc bậc cao (HOC) được thêm vào sơ đồ trong SmartPLS. Ở giai đoạn này, các LOC sẽ được đánh giá về độ tin cậy và tính hợp lệ. Mô hình đo lường được đánh giá theo cách thông thường.
Sau khi mô hình đo lường được đánh giá và báo cáo, sử dụng điểm biến tiềm ẩn (Latent Variable Score) và lưu vào tệp dữ liệu để sử dụng trong giai đoạn hai.
Bước 1.1: Tạo mô hình PLS chỉ bao gồm các LOCs
– Không đưa biến HOC vào giai đoạn này.
– Mỗi LOC được kết nối với các chỉ báo phản xạ tương ứng.
Bước 1.2: Đánh giá mô hình đo lường
– Đảm bảo hệ số tải (outer loadings) > 0.7
– Cronbach’s Alpha, Composite Reliability (CR) > 0.7
– Average Variance Extracted (AVE) > 0.5
– Kiểm tra giá trị phân biệt qua HTMT (< 0.85)
Bước 1.3: Xuất điểm số tiềm ẩn (Latent Variable Scores)
– Nhấn chuột phải vào các LOCs → ‘Export Latent Variable Scores’
– Lưu vào file Excel/CSV để sử dụng cho giai đoạn 2
Giai đoạn 2: Trong giai đoạn hai, sử dụng điểm biến tiềm ẩn của các thành phần bậc thấp từ giai đoạn một để tạo và ước lượng mô hình cho giai đoạn hai.
Để làm điều này, tìm các điểm số của LOCs thuộc HOC và thêm chúng như những biến mới vào tập dữ liệu. Kết quả sẽ tương tự như phương pháp chỉ báo lặp lại nhưng với sự khác biệt nhỏ về ước lượng hệ số đường dẫn.
Đánh giá giai đoạn hai bắt đầu với việc tập trung vào mô hình đo lường phản xạ của cấu trúc bậc cao. Đối với HOC, xem xét các hệ số tải (loadings) của LOC cho HOC, đánh giá độ tin cậy tổng hợp (CR) và phương sai trung bình trích (AVE) dựa trên hệ số tải. Những kết quả này phải trên giá trị giới hạn là 0.5. Các chỉ số Cronbach’s alpha, CR và AVE thiết lập độ tin cậy và giá trị hội tụ. Dựa vào tiêu chí HTMT, có thể xác định giá trị phân biệt giữa các LOC khác.
Cuối cùng, đánh giá kết quả của giai đoạn hai sẽ xem xét mô hình cấu trúc, bao gồm việc đánh giá các chỉ số quan trọng như ý nghĩa và mức độ liên quan của hệ số đường dẫn và PLS predict.
Bước 2.1: Chuẩn bị dữ liệu
– Mở dữ liệu mới trong SmartPLS gồm các điểm số LOCs
Bước 2.2: Tạo mô hình PLS cho HOC
– Thêm biến HOC và kết nối với các LOCs (giờ là các chỉ báo)
Bước 2.3: Đánh giá mô hình đo lường HOC
– Tải số > 0.5, Cronbach’s Alpha, CR > 0.7, AVE > 0.5
– Kiểm tra HTMT nếu có
Bước 2.4: Đánh giá mô hình cấu trúc
– Kiểm tra path coefficients, R², Q², và PLS Predict
Minh họa mô hình Phong cách lãnh đạo chuyển đổi (TL)
Ví dụ minh họa một mô hình Reflective–Reflective:
– HOC: Phong cách lãnh đạo chuyển đổi (TL)
- LOCs:
- Ảnh hưởng bằng phẩm chất (IA);
- Ảnh hưởng bằng hành vi (IB);
- Truyền cảm hứng (IM);
- Kích thích trí tuệ ( IS);
- Quan tâm cá nhân (IC)
Các LOCs khác gồm: Sự tự tin vào năng lực bản thân (SE); Sự sáng tạo (SC); Kết quả làm việc (JP)
– Mỗi LOC đo bằng 4–5 chỉ báo phản xạ
Giai đoạn 1: Ước lượng mô hình chỉ gồm các biến bậc 1: Ảnh hưởng bằng phẩm chất (IA); Ảnh hưởng bằng hành vi (IB); Truyền cảm hứng (IM); Kích thích trí tuệ ( IS); Quan tâm cá nhân (IC); Sự tự tin vào năng lực bản thân (SE); Sự sáng tạo (SC); Kết quả làm việc (JP)
Giai đoạn 2: Sử dụng điểm số IA, IB, IM, IS và IC để làm chỉ báo cho Phong cách lãnh đạo chuyển đổi (TL)
Kết luận
Phân tích mô hình bậc hai Reflective–Reflective trong SmartPLS bằng phương pháp Disjoint Two-Stage Approach là một kỹ thuật đơn giản, rõ ràng và hiệu quả để xử lý các khái niệm phức tạp có cấu trúc đa chiều. Phương pháp này đặc biệt hữu ích trong nghiên cứu quản trị, marketing, hành vi người tiêu dùng, và các lĩnh vực khoa học xã hội có sử dụng các mô hình khái niệm tổng hợp.
Việc thực hiện đúng quy trình hai giai đoạn giúp đảm bảo kết quả phân tích có độ tin cậy cao, giá trị khoa học vững chắc và dễ dàng trình bày trong các bài báo, luận văn hoặc báo cáo nghiên cứu.
Tài liệu tham khảo
Sarstedt, M., Hair Jr, J. F., Cheah, J. H., Becker, J. M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal (AMJ), 27(3), 197–211.
Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5–6), 359–394.
