PLS-SEM thường được giới thiệu như một lựa chọn khi dữ liệu không chuẩn hoặc mẫu nhỏ. Cách nói này quá đơn giản và dễ dẫn tới lạm dụng. Partial Least Squares SEM là một cách ước lượng theo hướng thành phần/phương sai, đặc biệt phù hợp với một số mục tiêu dự báo, mô hình phức tạp, composites/formative constructs và nghiên cứu phát triển lý thuyết.
Điểm quan trọng không phải “AMOS hay SmartPLS dễ hơn”, mà là mục tiêu nghiên cứu, bản chất cấu trúc và loại kết luận ta muốn.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 05 · Đo lường, SEM và ra quyết định bán định lượng
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. PLS-SEM khác CB-SEM về mục tiêu
CB-SEM truyền thống tập trung tái tạo covariance matrix và đánh giá model fit theo lý thuyết xác nhận. PLS-SEM tập trung tối đa hóa phương sai giải thích của endogenous constructs và thường thiên về prediction.
Không nên nói một phương pháp luôn tốt hơn phương pháp kia.
2. Khi PLS-SEM có lý do mạnh
- Trọng tâm prediction/explained variance.
- Mô hình có constructs formative/composite quan trọng.
- Mô hình tương đối phức tạp so với dữ liệu có thể thu.
- Nghiên cứu phát triển/khám phá lý thuyết.
- Cần higher-order components/composites.
- Muốn đánh giá out-of-sample prediction.
Dữ liệu không chuẩn có thể là một lý do kỹ thuật, nhưng không nên là lý do duy nhất.
3. Khi không nên chọn PLS chỉ vì mẫu nhỏ
Mẫu quá nhỏ vẫn tạo estimates bất ổn. “10-times rule” đã bị chỉ trích vì không bảo đảm power. Nên dùng power analysis, inverse square root method hoặc simulation phù hợp.
PLS không biến 40 quan sát thành mẫu tốt cho một model 12 constructs.
4. Measurement assessment với reflective constructs
Cần kiểm indicator loadings, reliability, AVE, discriminant validity (HTMT). Logic measurement không biến mất chỉ vì dùng PLS.
Xóa item để loading đẹp phải có lý do nội dung như trong CB-SEM.
5. Formative measurement
Với formative/composite construct, cần kiểm collinearity giữa indicators, significance/relevance của outer weights và content validity. Một indicator weight không significant nhưng loading cao và nội dung quan trọng có thể vẫn được giữ.
Không dùng Alpha/AVE như tiêu chuẩn chính cho formative.
6. Structural model trong PLS
Kiểm collinearity, path coefficients, bootstrap confidence intervals, R², effect size f² và predictive relevance. Nhưng không nên biến danh sách chỉ số thành checklist không hiểu ý nghĩa.
R² cao có thể do overfit; cần prediction ngoài mẫu.
7. Bootstrapping
PLS-SEM thường dùng nonparametric bootstrap để ước lượng uncertainty cho loadings/weights/paths/indirect effects. Số bootstrap đủ lớn giúp khoảng tin cậy ổn định.
P-value từ bootstrap vẫn không thay thế effect size và lý thuyết.
8. PLSpredict và dự báo ngoài mẫu
Nếu tuyên bố PLS mạnh về prediction, nên thực sự kiểm out-of-sample predictive performance. PLSpredict so sai số dự báo của PLS với benchmark như linear model cho các indicators/outcomes.
Chỉ báo Q² hay R² in-sample không đồng nghĩa dự báo tốt ngoài mẫu.
9. Higher-order constructs
Một cấu trúc như Digital Readiness có thể gồm Data Readiness, Skills, Governance và Infrastructure. PLS hỗ trợ mô hình bậc cao khá thuận tiện, nhưng phải xác định các lower-order components tạo hay phản ánh higher-order construct.
Không nên dùng higher-order chỉ để giảm số đường.
10. Model fit trong PLS
Một số fit indices như SRMR được báo trong phần mềm, nhưng logic PLS không giống CB-SEM. Không nên áp nguyên bộ cutoff CB-SEM để “chứng minh fit”. Mục tiêu prediction/composite cần được giữ đúng.
Nếu nghiên cứu thuần xác nhận common-factor theory với strong fit testing, CB-SEM có thể phù hợp hơn.
11. Common-method bias và endogeneity
PLS không miễn nhiễm common-method bias hoặc endogeneity. Nếu predictor và outcome cùng survey, cần thiết kế nguồn/thời điểm. Nếu quan hệ hai chiều hoặc omitted variable, path coefficient vẫn có thể bias.
Các kiểm tra endogeneity/robustness cần được xem xét như với mô hình khác.
12. Case BĐS: Digital Readiness → PropTech Adoption
Digital Readiness là composite bậc cao gồm Data, Skills, Infrastructure, Governance. Adoption Intensity là outcome tổ chức. Đây là tình huống PLS-SEM có thể hợp lý nếu mục tiêu prediction và composites là trọng tâm.
Nếu mục tiêu xác nhận một theory common-factor đã rất trưởng thành, CB-SEM có thể tốt hơn.
13. Cấu trúc dữ liệu
| firm_id | DATA1.. | SKILL1.. | INFRA1.. | GOV1.. | ADOPT_INTENSITY |
|---|---|---|---|---|---|
| F001 | Likert | Likert | Likert | Likert | 3 |
Firm-level outcome đòi đơn vị phân tích doanh nghiệp; không được coi 5 người cùng công ty là 5 firms.
14. Báo cáo PLS-SEM
- Lý do chọn PLS.
- Measurement model.
- Bootstrap settings.
- Structural paths + CI.
- R²/f².
- Prediction ngoài mẫu nếu tuyên bố prediction.
- Sample/power.
- Robustness và giới hạn.
15. Sai lầm thường gặp
- PLS vì mẫu nhỏ.
- PLS vì dữ liệu không chuẩn mà không xét mục tiêu.
- Dùng 10-times rule như luật.
- Không kiểm HTMT.
- Không kiểm prediction ngoài mẫu.
- Áp cutoff CB-SEM máy móc.
- Mô hình formative nhưng xử lý như reflective.
16. Bài tập thực hành
Cho một nghiên cứu doanh nghiệp BĐS về Digital Readiness và AI Adoption. Hãy quyết định CB-SEM hay PLS-SEM, giải thích theo mục tiêu, measurement type và prediction. Thiết kế cách kiểm out-of-sample prediction và một formative higher-order construct.
Ghi nhớ trong 30 giây
- PLS-SEM không phải ‘SEM cho mẫu nhỏ’.
- Phù hợp khi prediction/composites/phức tạp là trọng tâm.
- Reflective và formative phải xử lý khác nhau.
- Bootstrapping và prediction ngoài mẫu quan trọng.
- Chọn PLS vì câu hỏi nghiên cứu, không vì phần mềm dễ dùng.
Nguồn tham khảo
- Hair và cộng sự – A Primer on Partial Least Squares Structural Equation Modeling.
- Hair & Alamer (2022) – hướng dẫn PLS-SEM và các tình huống phù hợp.
- Henseler và cộng sự – measurement/discriminant validity trong PLS-SEM.
Bài tiếp theo: Mediation, Moderation và Multi-group Analysis trong mô hình hành vi BĐS