Đối tượng: Sinh viên đại học, học viên sau đại học, nghiên cứu sinh, giảng viên và nhà nghiên cứu trong các lĩnh vực kinh doanh, quản lý, marketing, kinh tế, tài chính, du lịch, thương mại điện tử và khoa học xã hội.
Mục tiêu: Trang bị nền tảng và kỹ năng sử dụng SmartPLS để đặc tả mô hình, đánh giá thang đo, kiểm định các mối quan hệ, phân tích trung gian và điều tiết, đồng thời trình bày kết quả PLS-SEM trong luận văn hoặc bài báo khoa học.
Phạm vi: Nội dung cốt lõi được tổ chức theo Chương 1–7 của Hair và cộng sự (2022). Các nội dung formative, dự báo và trung gian có điều tiết được triển khai theo mức độ phù hợp với thời lượng khóa học.
Học viên có thể kết hợp khóa học SMARTPLS với khóa học SPSS để hoàn thiện kỹ năng phân tích dữ liệu nghiên cứu → Xem khóa học SPSS tại đây.
LO1. Hiểu nền tảng PLS-SEM. Phân biệt mô hình đo lường và mô hình cấu trúc; giải thích cơ sở lựa chọn PLS-SEM.
LO2. Xây dựng mô hình trên SmartPLS. Chuẩn bị dữ liệu, tạo project, gán biến quan sát và đặc tả reflective/formative.
LO3. Đánh giá mô hình đo lường. Đọc độ tin cậy, giá trị hội tụ, giá trị phân biệt và các kết quả đánh giá formative cơ bản.
LO4. Đánh giá mô hình cấu trúc. Đọc VIF, hệ số đường dẫn, kết quả bootstrap, R² và f².
LO5. Đọc kết quả dự báo. Hiểu PLSpredict, Q²_predict, sai số dự báo và cách đối chiếu mô hình chuẩn.
LO6. Phân tích trung gian và điều tiết. Kiểm định hiệu ứng gián tiếp, tương tác và diễn giải đồ thị độ dốc đơn.
LO7. Báo cáo nghiên cứu. Xuất bảng kết quả và viết phần diễn giải có căn cứ, phù hợp với thiết kế nghiên cứu.
|
Buổi |
Trọng tâm |
Sản phẩm cuối buổi |
|
1 |
Nền tảng PLS-SEM, đặc tả mô hình và làm quen với SmartPLS |
Project, mô hình nghiên cứu và kết quả PLS Algorithm ban đầu |
|
2 |
Đánh giá mô hình đo lường reflective và formative |
Bảng đánh giá thang đo và ma trận HTMT |
|
3 |
Bootstrapping, mô hình cấu trúc và dự báo |
Bảng kiểm định giả thuyết và kết quả dự báo |
|
4 |
Trung gian, điều tiết và báo cáo nghiên cứu |
Bảng phân tích trung gian/điều tiết và báo cáo thực hành tổng hợp |
Kết hợp giải thích khái niệm, minh họa trên phần mềm và thực hành với một bộ dữ liệu xuyên suốt. Học viên thực hiện từng bước, đọc kết quả và trao đổi về các quyết định phân tích. Các ví dụ bổ sung được sử dụng khi cần minh họa mô hình formative hoặc điều tiết.
Nội dung cốt lõi: Đặc tả mô hình, đánh giá thang đo reflective, bootstrapping, đánh giá mô hình cấu trúc và phân tích trung gian/điều tiết cơ bản. Nội dung giới thiệu và demo: Đánh giá formative, PLSpredict, các phương pháp tạo tương tác và trung gian có điều tiết.
Học viên chuẩn bị máy tính có phần mềm SmartPLS và quyền sử dụng phù hợp; có kiến thức cơ bản về thống kê mô tả, tương quan, hồi quy và kiểm định giả thuyết. Dữ liệu thực hành cần đi kèm mô tả biến, thang đo và mô hình nghiên cứu.
Một project SmartPLS hoàn chỉnh; bộ bảng mô hình đo lường, HTMT, kiểm định giả thuyết và trung gian/điều tiết; kết quả dự báo khi phù hợp; đoạn viết diễn giải kết quả theo cấu trúc luận văn hoặc bài báo.
MGA/MICOM, FIMIX-PLS, đánh giá nội sinh, tính không đồng nhất không quan sát được, NCA và các kỹ thuật nâng cao khác không thuộc chuẩn đầu ra của khóa 4 buổi.
Người học có thể được xem lại record khoá học trên website trong 2 năm (kể từ ngày kích hoạt khoá học trên website - sau 2 năm bạn vẫn muốn xem tiếp record có thể liên hệ mua thêm gói xem record theo năm).
Bạn sẽ được bảo lưu việc tham gia học lớp Zoom 1 lần (thời gian thông báo việc bảo lưu cho BTC phải được thực hiện trước buổi học số 3 của khoá đăng ký - Ví dụ bạn đăng ký K10 thì chậm nhất trước buổi học số 3 của K10 nếu có nhu cầu Bảo Lưu bạn phải thông báo cho BTC để được hướng dẫn bảo lưu, sau thời gian này quyền được bảo lưu không có hiệu lực).
Ưu đãi khi đăng ký theo nhóm từ 3 bạn (giảm 10%).
Bạn sẽ được giảm 5% khi đăng ký khoá tiếp theo.
Học viên sẽ được GIẢM NGAY 20% phí khi sử dụng dịch vụ check đạo văn với phần mềm TURNITIN, KIEMTRATAILIEU (được miễn phí 100% tư vấn giảm tỷ lệ trùng lặp, đạo văn).
LƯU Ý: Để đảm bảo chất lượng, mỗi khoá học khoảng 40 học viên.
CHƯƠNG TRÌNH ĐÀO TẠO
SỬ DỤNG PHẦN MỀM SMARTPLS
TRONG PHÂN TÍCH PLS SEM ỨNG DỤNG
Mỗi buổi: 90 phút giảng bài kết hợp thực hành + 30 phút hỏi đáp.
Thời lượng: 120 phút, gồm 90 phút giảng bài kết hợp thực hành và 30 phút hỏi đáp.
1.1.1. Structural Equation Modeling là gì.
Khái niệm SEM và vai trò trong nghiên cứu định lượng; phân biệt với hồi quy, ANOVA và EFA.
1.1.2. Biến quan sát và biến tiềm ẩn.
Phân biệt observed/manifest variables với latent variables/constructs; vai trò của chỉ báo trong đo lường các khái niệm như sự hài lòng, niềm tin, thái độ và ý định.
1.1.3. Hai thành phần của mô hình SEM.
Phân biệt mô hình đo lường (measurement model) và mô hình cấu trúc (structural model); liên hệ giữa chất lượng thang đo và kiểm định giả thuyết.
1.1.4. Tổng quan về PLS-SEM.
Khái niệm, đặc điểm và định hướng giải thích kết hợp dự báo; mục tiêu giải thích phương sai của các biến nội sinh.
1.1.5. So sánh PLS-SEM và CB-SEM.
Phân biệt mục tiêu, cách tiếp cận, bản chất mô hình và các tình huống nghiên cứu phù hợp với từng phương pháp.
1.1.6. Khi nào nên sử dụng PLS-SEM.
Lựa chọn dựa trên mục tiêu nghiên cứu, bản chất khái niệm, cấu trúc mô hình và yêu cầu giải thích/dự báo; tránh chỉ viện dẫn mẫu nhỏ hoặc dữ liệu không chuẩn.
1.2.1. Xây dựng mô hình cấu trúc.
Xác định biến ngoại sinh, biến nội sinh, biến trung gian, biến điều tiết và biến kiểm soát.
1.2.2. Xác định hướng và bản chất các mối quan hệ.
Chuyển giả thuyết dựa trên lý thuyết thành các đường dẫn trong mô hình.
1.2.3. Mô hình đo lường reflective.
Giải thích logic khái niệm → chỉ báo; nhận diện dạng đo lường phản ánh dựa trên lý thuyết đo lường.
1.2.4. Mô hình đo lường formative.
Giải thích logic chỉ báo → khái niệm; phân biệt dạng đo lường cấu tạo và nguyên tắc đánh giá so với reflective.
1.2.5. Hậu quả của đặc tả sai.
Phân tích ảnh hưởng của việc xác định sai reflective/formative đến ước lượng, đánh giá và kết luận nghiên cứu.
1.3.1. Cấu trúc dữ liệu.
Một dòng tương ứng một quan sát; một cột tương ứng một chỉ báo/biến; tên biến rõ ràng và không trùng lặp.
1.3.2. Mã hóa và mã hóa lại.
Kiểm tra thang Likert, biến phân loại, biến kiểm soát và các câu hỏi đảo chiều.
1.3.3. Giá trị thiếu.
Nhận diện missing values và lựa chọn phương án xử lý phù hợp trước khi phân tích.
1.3.4. Mẫu trả lời đáng ngờ.
Nhận diện straight-lining, trả lời theo quy luật và các dấu hiệu phản hồi thiếu tin cậy; xem xét nhiều bằng chứng trước khi loại quan sát.
1.3.5. Ngoại lệ và phân phối dữ liệu.
Kiểm tra giá trị bất thường, phạm vi thang đo và đặc điểm phân phối.
1.4.1. Giao diện và cấu trúc project.
Làm quen với không gian làm việc, project, tệp dữ liệu, mô hình và kết quả.
1.4.2. Nhập dữ liệu.
Nhập dữ liệu từ Excel/CSV theo định dạng được hỗ trợ và kiểm tra cấu trúc biến.
1.4.3. Tạo khái niệm và gán chỉ báo.
Tạo các biến tiềm ẩn, kéo thả chỉ báo và thiết lập mô hình đo lường.
1.4.4. Vẽ mô hình cấu trúc.
Thiết lập các đường dẫn theo giả thuyết nghiên cứu.
1.4.5. Chạy PLS Algorithm lần đầu.
Hiểu mục đích của thuật toán và định vị các nhóm kết quả chính.
1.5.1. Nhập bộ dữ liệu mẫu vào SmartPLS.
1.5.2. Xây dựng mô hình nghiên cứu hoàn chỉnh.
1.5.3. Phân loại các khái niệm thành reflective/formative và giải thích lựa chọn.
1.5.4. Chạy PLS Algorithm và định vị các nhóm kết quả.
1.5.5. Kiểm tra, sửa lỗi thường gặp và lưu project.
Sản phẩm cuối buổi: Project SmartPLS, mô hình đã đặc tả và kết quả PLS Algorithm ban đầu.
Hỏi đáp: Khi nào chọn PLS-SEM? Phân biệt reflective/formative thế nào? Có cần chuẩn hóa dữ liệu? Xử lý biến phân loại, câu hỏi đảo chiều và dữ liệu thiếu ra sao?
Thời lượng: 120 phút, gồm 90 phút giảng bài kết hợp thực hành và 30 phút hỏi đáp.
2.1.1. Vai trò của mô hình đo lường trong PLS-SEM.
2.1.2. Lý do đánh giá mô hình đo lường trước khi diễn giải mô hình cấu trúc.
2.1.3. Quy trình đánh giá riêng cho reflective và formative.
2.1.4. Phân biệt độ tin cậy (reliability) và giá trị đo lường (validity).
2.2.1. Độ tin cậy của chỉ báo và outer loadings.
Đọc hệ số tải ngoài; nhận diện chỉ báo có hệ số tải cao, ở vùng cần cân nhắc hoặc quá thấp. Quyết định giữ/loại phải kết hợp bằng chứng thống kê với giá trị nội dung.
2.2.2. Độ tin cậy nhất quán nội tại.
Đánh giá Cronbach’s alpha, composite reliability (CR/rho_C) và rho_A; phân biệt ý nghĩa của từng chỉ số; thảo luận trường hợp độ tin cậy quá thấp hoặc quá cao.
2.2.3. Giá trị hội tụ.
Đọc average variance extracted (AVE); giải thích mức độ khái niệm phản ánh phương sai của các chỉ báo.
2.3.1. Khái niệm giá trị phân biệt.
Xác định mức độ các khái niệm khác biệt với nhau về mặt thực nghiệm.
2.3.2. Heterotrait-monotrait ratio.
Đọc ma trận HTMT và diễn giải kết quả theo đặc điểm của các khái niệm nghiên cứu.
2.3.3. HTMT inference.
Sử dụng bootstrapping và khoảng tin cậy để đánh giá giá trị phân biệt bằng suy luận thống kê; xác định rõ tiêu chí kiểm định được áp dụng.
2.3.4. Fornell–Larcker và cross-loadings.
Giới thiệu ý nghĩa và vai trò lịch sử; giải thích hạn chế khi chỉ dựa vào hai tiêu chí này để kết luận giá trị phân biệt.
2.4.1. Giá trị hội tụ.
Giới thiệu redundancy analysis và nguyên tắc sử dụng biến đo lường tổng quát hoặc thước đo tiêu chuẩn phù hợp.
2.4.2. Đa cộng tuyến giữa các chỉ báo.
Đọc VIF và đánh giá mức độ trùng lặp thông tin giữa các chỉ báo formative.
2.4.3. Outer weights.
Giải thích trọng số ngoài và đóng góp tương đối của từng chỉ báo vào khái niệm.
2.4.4. Kiểm định ý nghĩa của outer weights.
Sử dụng bootstrapping; đọc trọng số, t-value, p-value và khoảng tin cậy.
2.4.5. Outer loadings trong đo lường formative.
Sử dụng hệ số tải ngoài để hỗ trợ đánh giá khi trọng số ngoài không có ý nghĩa thống kê; kết hợp với giá trị nội dung.
2.5.1. Không loại chỉ báo chỉ dựa trên một ngưỡng thống kê.
2.5.2. Kết hợp bằng chứng thống kê với lý thuyết và giá trị nội dung.
2.5.3. Xem xét ảnh hưởng của việc loại chỉ báo đến phạm vi nội dung của khái niệm.
2.5.4. Giải trình minh bạch việc giữ/loại chỉ báo trong luận văn hoặc bài báo.
2.6.1. Chạy PLS Algorithm.
2.6.2. Kiểm tra và diễn giải outer loadings.
2.6.3. Đánh giá Cronbach’s alpha, rho_A, CR và AVE.
2.6.4. Đọc ma trận HTMT và nhận diện các cặp khái niệm cần xem xét.
2.6.5. Đánh giá ví dụ formative bằng VIF, weights và loadings.
2.6.6. Xây dựng bảng mô hình đo lường theo cấu trúc báo cáo nghiên cứu.
Sản phẩm cuối buổi: Bảng đánh giá thang đo, ma trận HTMT và phần giải trình các quyết định liên quan đến chỉ báo.
Hỏi đáp: Loading thấp xử lý thế nào? HTMT cao cần xem xét điều gì? CR rất cao có luôn tốt? Khi nào nên giữ một chỉ báo có weight không có ý nghĩa?
Thời lượng: 120 phút, gồm 90 phút giảng bài kết hợp thực hành và 30 phút hỏi đáp.
3.1.1. Khái niệm bootstrapping.
Giải thích lấy mẫu lặp có hoàn lại và vai trò của bootstrapping trong suy luận thống kê.
3.1.2. Thiết lập bootstrapping.
Giới thiệu số mẫu lặp, kiểm định một phía/hai phía, mức ý nghĩa và khoảng tin cậy; lựa chọn phù hợp với giả thuyết và mục tiêu phân tích.
3.1.3. Đọc kết quả bootstrapping.
Phân biệt Original Sample, Sample Mean, Standard Deviation, t-statistic, p-value và confidence interval.
3.2.1. Khái niệm đa cộng tuyến giữa các biến dự báo trong mô hình cấu trúc.
3.2.2. Đọc inner VIF.
3.2.3. Kiểm tra đa cộng tuyến riêng cho tập biến dự báo của từng biến nội sinh.
3.2.4. Xem xét nguyên nhân và phương án xử lý khi đa cộng tuyến cao.
3.3.1. Hệ số đường dẫn β.
Đọc chiều và độ lớn của mối quan hệ trong mô hình.
3.3.2. Ý nghĩa thống kê.
Đọc đồng thời t-value, p-value và khoảng tin cậy; sử dụng tiêu chí nhất quán với thiết lập kiểm định.
3.3.3. Kiểm định giả thuyết.
Đối chiếu dấu kỳ vọng với hệ số ước lượng và bằng chứng thống kê để xác định giả thuyết được hỗ trợ hay không.
3.3.4. Ý nghĩa thống kê và ý nghĩa thực tiễn.
Giải thích vì sao p < 0,05 không đồng nghĩa với hiệu ứng lớn hoặc quan trọng về mặt thực tiễn.
3.4.1. Hệ số R².
Giải thích tỷ lệ phương sai của biến nội sinh được giải thích bởi các biến dự báo; đánh giá theo bối cảnh nghiên cứu.
3.4.2. Quy mô hiệu ứng f².
Đánh giá đóng góp riêng của từng biến dự báo vào khả năng giải thích của biến nội sinh.
3.4.3. Phân biệt β, R² và f².
Làm rõ ba chỉ số trả lời những câu hỏi khác nhau về mối quan hệ và mô hình.
3.5.1. Giải thích và dự báo.
Phân biệt đánh giá khả năng giải thích trong mẫu với đánh giá dự báo ngoài mẫu.
3.5.2. PLSpredict.
Giới thiệu logic kiểm định chéo k phần (k-fold cross-validation) và cách tổ chức dự báo ngoài mẫu.
3.5.3. Sai số dự báo.
Đọc RMSE và MAE; hiểu ý nghĩa của mức sai số và lựa chọn chỉ số phù hợp.
3.5.4. Q²_predict.
Đánh giá kết quả dự báo so với dự báo chuẩn dựa trên giá trị trung bình; phân biệt với Q² từ blindfolding.
3.5.5. So sánh với mô hình chuẩn.
Đối chiếu sai số dự báo PLS với benchmark phù hợp, bao gồm mô hình tuyến tính, để diễn giải khả năng dự báo.
3.6.1. Giới thiệu SRMR.
3.6.2. Giới thiệu NFI và các kết quả độ phù hợp khác khi xuất hiện trong phần mềm.
3.6.3. Thảo luận hạn chế của việc áp dụng tư duy đánh giá độ phù hợp CB-SEM cho PLS-SEM.
3.6.4. Không dùng một chỉ số độ phù hợp đơn lẻ để kết luận toàn bộ mô hình tốt hoặc kém.
3.7.1. Chạy bootstrapping với thiết lập phù hợp.
3.7.2. Kiểm tra inner VIF theo từng biến nội sinh.
3.7.3. Đọc hệ số đường dẫn và kiểm định giả thuyết.
3.7.4. Đánh giá R² của các biến nội sinh.
3.7.5. Đánh giá f² của các biến dự báo.
3.7.6. Chạy và đọc kết quả PLSpredict ở mức ứng dụng cơ bản.
3.7.7. Xây dựng bảng kiểm định giả thuyết theo cấu trúc bài báo.
Sản phẩm cuối buổi: Bảng kiểm định giả thuyết, bảng R² và f², cùng phần diễn giải kết quả dự báo.
Hỏi đáp: R² thấp có phải mô hình kém? Đường dẫn có ý nghĩa nhưng f² rất nhỏ thì diễn giải ra sao? Mô hình giải thích tốt nhưng dự báo yếu có mâu thuẫn không?
Thời lượng: 120 phút, gồm 90 phút giảng bài kết hợp thực hành và 30 phút hỏi đáp.
4.1.1. Khái niệm mediation.
Biến trung gian giúp làm rõ cơ chế liên hệ giữa X và Y thông qua M; mô hình minh họa: X → M → Y.
4.1.2. Hiệu ứng trực tiếp.
Xác định đường dẫn X → Y khi đồng thời xét biến trung gian.
4.1.3. Hiệu ứng gián tiếp.
Xác định hiệu ứng của X lên Y thông qua M và logic tích các hệ số đường dẫn trong chuỗi trung gian.
4.1.4. Tổng hiệu ứng.
Phân biệt tổng hiệu ứng với hiệu ứng trực tiếp và hiệu ứng gián tiếp.
4.1.5. Specific Indirect Effects.
Chạy bootstrapping và định vị kết quả các hiệu ứng gián tiếp cụ thể trong SmartPLS.
4.1.6. Kiểm định hiệu ứng trung gian.
Đọc hệ số hiệu ứng gián tiếp, t-value, p-value và khoảng tin cậy bootstrap.
4.1.7. Các dạng trung gian.
Diễn giải dựa trên ý nghĩa và dấu của hiệu ứng trực tiếp, gián tiếp; không chỉ nhìn một p-value riêng lẻ.
4.2.1. Trung gian song song.
Minh họa hai cơ chế X → M₁ → Y và X → M₂ → Y trong cùng mô hình.
4.2.2. Trung gian nối tiếp.
Minh họa chuỗi X → M₁ → M₂ → Y và ý nghĩa của trình tự lý thuyết.
4.2.3. Đọc hiệu ứng gián tiếp cụ thể.
Phân biệt từng chuỗi trung gian và tổng hiệu ứng gián tiếp trong mô hình có nhiều biến trung gian.
4.3.1. Khái niệm moderator.
Giải thích khi nào, với ai hoặc trong điều kiện nào mối quan hệ X → Y thay đổi.
4.3.2. Hiệu ứng tương tác.
Giới thiệu đồng thời X, W và tích tương tác X × W trong phương trình dự báo Y; hệ số tương tác phản ánh sự thay đổi độ dốc của X theo W.
4.3.3. Phương pháp tạo biến tương tác.
Giới thiệu product indicator approach, orthogonalizing approach và two-stage approach.
4.3.4. Lựa chọn phương pháp.
So sánh các cách tiếp cận theo đặc điểm mô hình; tập trung thực hành two-stage approach.
4.4.1. Hệ số tương tác dương.
Diễn giải độ dốc của X → Y tăng khi W tăng; kết hợp với dấu của mối quan hệ gốc.
4.4.2. Hệ số tương tác âm.
Diễn giải độ dốc của X → Y giảm khi W tăng; tránh tự động đồng nhất với việc làm yếu mọi mối quan hệ.
4.4.3. Ý nghĩa thống kê.
Đánh giá bằng chứng về tương tác qua kiểm định và khoảng tin cậy.
4.4.4. Hiệu ứng chính và hiệu ứng tương tác.
Hiểu hiệu ứng của X có điều kiện theo giá trị W khi mô hình bao gồm tương tác.
4.4.5. Phân tích độ dốc đơn.
Đọc simple slopes tại các mức thấp, trung bình và cao của biến điều tiết.
4.4.6. Đồ thị tương tác.
Đọc interaction plot và mô tả sự thay đổi của mối quan hệ theo mức biến điều tiết.
4.5.1. Hiệu ứng gián tiếp có điều kiện.
Giới thiệu conditional indirect effect và ý nghĩa nghiên cứu.
4.5.2. Điều tiết một mắt xích trong chuỗi trung gian.
Nhận diện mô hình trong đó W điều tiết một mối quan hệ thuộc chuỗi trung gian.
4.5.3. Đọc kết quả ở mức giới thiệu.
Định hướng diễn giải và tự học; không đặt yêu cầu thành thạo kỹ thuật nâng cao trong khóa học này.
4.6.1. Trình tự báo cáo kết quả.
Trình bày dữ liệu và đặc tả mô hình; đánh giá thang đo reflective, formative nếu có và giá trị phân biệt; đánh giá mô hình cấu trúc và giả thuyết; phân tích trung gian/điều tiết; đánh giá dự báo.
Nguyên tắc diễn giải: Báo cáo nhất quán hệ số, sai số chuẩn, khoảng tin cậy và kết luận. Phân biệt bằng chứng về quan hệ thống kê với kết luận nhân quả, đặc biệt khi sử dụng khảo sát cắt ngang.
|
Bảng |
Nội dung và trường thông tin |
|
1. Mô hình đo lường |
Khái niệm | Chỉ báo | Loading | Cronbach’s alpha | rho_A | CR | AVE |
|
2. Giá trị phân biệt |
Ma trận HTMT; bổ sung kết quả suy luận HTMT khi thực hiện |
|
3. Kiểm định giả thuyết |
Giả thuyết | Mối quan hệ | β | SE | t | p | Khoảng tin cậy | f² | Kết luận; báo cáo R² theo biến nội sinh |
|
4. Phân tích trung gian |
Đường dẫn gián tiếp | Hiệu ứng gián tiếp | SE | t | p | Khoảng tin cậy | Kết luận |
|
5. Phân tích điều tiết |
Tương tác | β | SE | t | p | Khoảng tin cậy | Diễn giải; kèm đồ thị tương tác |
|
Bổ sung khi phù hợp |
Bảng formative: redundancy, VIF, weights, loadings; bảng dự báo: Q²_predict, RMSE/MAE và benchmark |
4.8.1. Sử dụng bộ dữ liệu nghiên cứu hoàn chỉnh và mô tả thang đo.
4.8.2. Nhập dữ liệu, tạo project và xây dựng mô hình trên SmartPLS.
4.8.3. Chạy PLS Algorithm.
4.8.4. Đánh giá mô hình đo lường và giải trình các quyết định liên quan.
4.8.5. Chạy bootstrapping.
4.8.6. Đánh giá mô hình cấu trúc và kiểm định giả thuyết.
4.8.7. Kiểm định trung gian hoặc điều tiết.
4.8.8. Chạy PLSpredict khi phù hợp.
4.8.9. Xuất và chuẩn hóa các bảng kết quả.
4.8.10. Viết tóm tắt kết quả theo cấu trúc luận văn hoặc bài báo.
Thảo luận các tình huống: Loading thấp; HTMT cao; CR quá cao; đường dẫn có ý nghĩa nhưng f² nhỏ; R² thấp; hiệu ứng gián tiếp có ý nghĩa trong khi hiệu ứng trực tiếp không có ý nghĩa; hệ số tương tác âm; khả năng giải thích và dự báo khác nhau; yêu cầu trình bày bảng của tạp chí.
Sản phẩm cuối buổi: Project hoàn chỉnh, bộ bảng kết quả trung gian/điều tiết và bản diễn giải kết quả nghiên cứu.
Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications.
Định hướng đọc: Module 1 tương ứng Chương 1–3; Module 2 tương ứng Chương 4–5; Module 3 tương ứng Chương 6; Module 4 tương ứng Chương 7.
2 Bài học - 0 phút
Nhập thông tin giảng viên: Thầy Đỗ Duy Quý, nhà nghiên cứu có các công bố quốc tế trên hệ thống Scopus/SSCI, trong đó có các tạp chí Q1, Q2 (một trong các công trình điển hình năm 2026 của thầy:
https://doi.org/10.1016/j.jretconser.2026.105074. Thầy có kinh nghiệm nghiên cứu định lượng với SPSS, SmartPLS, VOSviewer, đặc biệt trong PLS-SEM, trực tiếp ứng dụng vào các nghiên cứu có mô hình trung gian, điều tiết và SEM.
