Lấy mẫu bootstrap

Trong bài viết Phân mô hình ước lượng trên SMARTPLS chúng ta đã làm quen với cách thiết lập và phân mô hình ước lượng. Từ kết quả phân tích mô hình ước lượng, chúng ta đánh giá mô hình đo lường thông qua các yếu tố như chất lượng biến quan sát, độ tin cậy, tính hội tụ/phân biệt

Bước tiếp theo, chúng ta sẽ phân tích bootstrap để đánh giá mô hình cấu trúc trên SMARTPLS. Kết quả có được từ bootstrap sẽ giúp người nghiên cứu kết luận được giả thuyết về các mối quan hệ tác động trong mô hình

Bài viết này sử dụng tệp dữ liệu và biến cấu trúc cấu trúc đã được giới thiệu tại bài viết Cách nhập dữ liệu và vẽ mô hình đường dẫn trên SMARTPLS. Bạn nên mở xem lại bài viết để hiểu phần phân tích bên dưới

lục mục

• 1. Phân tích Bootstrap trên SMARTPLS
• 2. Đánh giá mô hình cấu trúc SEM trên SMARTPLS
  • 2. 1 Hiện thông số đường dẫn trong sơ đồ
  • 2. 2 Đánh giá cộng tuyến/đa cộng tuyến
  • 2. 3 Đánh giá các mối quan hệ tác động
  • 2. 4 Mức độ giải thích của biến độc lập cho phụ thuộc (R bình phương)
  • 2. 5 Giá trị effect size (f normal)

1. Phân tích Bootstrap trên SMARTPLS

Để thực hiện phân tích bootstrap trên SMARTPLS, tại sơ đồ giao diện, chúng ta nhấp vào Tính toán > Bootstrapping. Lưu ý, nút này chỉ xuất hiện khi chúng ta đang ở cửa số sơ đồ hình vẽ mô hình đường dẫn

Cửa sổ Bootstrapping xuất hiện, tiến trình thiết lập phân tích bootstrap SMARTPLS như sau

– Mẫu phụ. Số lần bootstrap, thông thường chúng ta sẽ sử dụng 1000 hoặc 5000

– Bootstrapping cơ bản / Bootstrapping hoàn chỉnh. Mặc định Bootstrap trên SMARTPL sẽ sử dụng Basic. Kết quả Cơ bản sẽ xuất cho chúng tôi kết quả bootstrap bao gồm Hệ số đường dẫn, Hiệu ứng gián tiếp, Hiệu ứng tổng, Tải trọng bên ngoài và Trọng lượng bên ngoài. Trường hợp chúng tôi muốn xuất đầy đủ toàn bộ chỉ số, chúng tôi sẽ chọn vào Complete Bootstrapping, tuy nhiên sẽ mất rất nhiều thời gian và yêu cầu máy tính hoạt động nghiêm trọng. Do đó, nếu không cần thiết, chúng ta chỉ cần dùng Basic là đủ

– Phương pháp khoảng tin cậy. Chúng ta sẽ mặc định Bias-Correct and Accelerated (BCa), đây là lựa chọn tối ưu nhất. Chi tiết về 3 phương pháp, các bạn có thể search trên wikipedia về bootstrap

– Loại thử nghiệm. Chọn Hai đuôi để kiểm tra hai đầu

- Mức độ đáng kể. Ý nghĩa của sự cho phép kiểm tra, mặc định sẽ là 0. 05 (5%), chúng ta có thể tùy chỉnh 10% hay 1% tính chất nghiên cứu

Tiếp tục nhấp vào Bắt đầu tính toán để tiến hành phân tích bootstrap trên SMARTPLS

Kết quả xuất ra của Bootstrap hiện ra, chúng ta sẽ quan tâm đến 3 mục như ảnh bên dưới. Mục số 1, Xuất sang Excel, Web, R để chúng ta xuất kết quả xuất ra tệp excel, tệp html hoặc định dạng của phần mềm R. Mục số 2 là giao diện hiển thị kết quả khi chúng ta nhấp vào đầu mục kết quả ở mục 3. Mục số 3 là danh sách các kết quả phân tích bootstrap

2. Đánh giá mô hình cấu trúc SEM trên SMARTPLS

Chúng ta sẽ đi vào chi tiết phần đánh giá cấu hình mô hình. Các mục được trình bày bên dưới Theo thứ tự đánh giá kết quả của phần định lượng SMARTPLS của một đề tài nghiên cứu, luận văn hiện nay

2. 1 Hiện thông số đường dẫn trong sơ đồ

Chúng ta có thể cho hiển thị thông số kết quả đường dẫn của mô hình SEM trên sơ đồ để đánh giá trực tiếp và nhanh chóng kết quả đường dẫn

Trong mục số 1, chúng tôi chọn vào loại kết quả cần hiển thị, cụ thể trong trường hợp này là Bootstrapping (Run No. 3). Khi chúng ta chạy bootstrapping nhiều lần, ở đây sẽ xuất hiện danh sách tất cả các lần chạy. Bạn muốn hiển thị kết quả của lần chạy nào, sẽ chọn tương ứng với lần chạy đó

Với mục số 2, chúng ta sẽ tùy chọn ở 2 mục Inner model và Outer model các thông số hiển thị

• mô hình bên trong. kết quả đường dẫn giữa các biến tiềm ẩn (mối quan hệ của các biến tròn màu xanh). Tại đây có 4 lựa chọn
  • Giá trị P. giá trị sig mối quan hệ tác động ở đường dẫn đó
  • Hệ số đường dẫn và giá trị P. hệ số tác động và giá trị sig
  • Hệ số đường dẫn và giá trị T. hệ thống tác động và giá trị kiểm tra
  • Giá trị T. check value
• Thường thì chúng ta sẽ cho hiển thị Hệ số đường dẫn và Giá trị P để vừa hiển thị hệ số tác động, vừa hiển thị kết quả mối tác động đó là có nghĩa hay không có nghĩa
• mô hình bên ngoài. kết quả đường dẫn giữa biến tiềm ẩn với các biến quan sát (kết nối quan hệ giữa biến tròn xanh và biến hình chữ nhật vàng tương ứng). Tại đây có 4 lựa chọn
  • Trọng lượng/Tải trọng bên ngoài và Giá trị P. hệ số tải của biến quan sát và giá trị sig
  • Trọng lượng/Tải bên ngoài và Giá trị T. hệ thống tải xuống của biến quan sát và giá trị kiểm tra
  • Giá trị P. giá trị sig mối quan hệ tác động ở đường dẫn đó
  • Giá trị T. check value
• Thường thì chúng ta sẽ hiển thị P-Values để biết các biến quan sát có ý nghĩa hay không. Hoặc chúng ta có thể cho hiển thị Trọng lượng bên ngoài/Tải trọng và Giá trị P cũng được, nhưng mô hình nhìn sẽ chật chội và hơi rối

Sau khi đã hiển thị các thông số mong muốn, chúng ta sẽ sử dụng công cụ chụp ảnh màn hình máy tính để chụp sơ đồ này và dán vào phần trình bày đánh giá mô hình cấu trúc SMARTPLS của bài viết.

2. 2 Đánh giá cộng tuyến/đa cộng tuyến

Để đánh giá đa cộng tuyến, chúng ta sẽ sử dụng kết quả của Thuật toán PLS phân tích. Cách chạy thuật toán PLS phân tích bạn xem tại đây

Lướt vào Collinearity Statistics (VIF) để xem kết quả VIF. Kết quả VIF được chia làm hai vùng. VIF ngoài và VIF trong

• Giá trị VIF bên trong. Đánh giá các đối tượng đa tuyến giữa các biến ảo. Đây là mục quan trọng nhất, bởi đa tuyến giữa các biến tiềm ẩn độc lập là vấn đề nghiêm trọng
• Giá trị VIF bên ngoài. Đánh giá hiện tượng đa tuyến giữa các biến quan sát. Với các cấu trúc được xây dựng theo mô hình phản chiếu, chúng ta không cần quan tâm đến chỉ số này. Với các cấu trúc được xây dựng theo hình thức mô hình, chỉ số này cao cũng quan trọng như Giá trị VIF bên trong, chúng ta cần phải xử lý. Xem thêm bài viết Lý thuyết mô hình đo lường Hình thức, Phản xạ

Cách bố trí bảng VIF ở định dạng ma trận. Phần màu đỏ biểu thị cho biến phụ thuộc, phần cột màu vàng biểu thị cho biến độc lập. Phần phụ thuộc chúng ta chỉ thấy 2 biến có kết quả là GB và HL do trong mô hình SEM đang đánh giá, chỉ có 2 biến này là phụ thuộc và cần xem xét đa cộng tuyến giữa các biến độc lập tác động lên từng biến phụ

• Biến phụ thuộc HL. có 3 biến độc lập tác động lên nó bao gồm CV, DK và TL nên cột HL có 3 giá trị
• Biến phụ thuộc GB. có 1 biến độc lập tác động lên nó là HL nên cột GB có 1 giá trị

Theo Hair and cộng sự (2019), nếu VIF từ 5 trở đi, mô hình có khả năng xuất hiện đối tượng đa tuyến rất cao. Ngưỡng đánh giá VIF do nhóm tác giả đề xuất như sau

• VIF ≥ 5. Khả năng xuất hiện đa cộng tuyến là rất cao
• 3 ≤ VIF ≤ 5. Có thể gặp các đối tượng đa tuyến
• VIF < 3. There could not be current multi-objects

Các cấu trúc trong mô hình SEM ở trên đều là phản chiếu, hệ số VIF kết quả đều nhỏ hơn 3, do đó không xảy ra đa cộng tuyến trong mô hình

2. 3 Đánh giá các mối quan hệ tác động

Để đánh giá các mối quan hệ tác động, chúng ta sẽ sử dụng kết quả của Bootstrap phân tích

Lật vào Hệ số đường dẫn để xem kết quả. Chúng ta sẽ quan trọng các yếu tố trung tâm vào hai cột (1) Mẫu ban đầu (hệ số tác động chuẩn hóa) và (2) Giá trị P (giá trị sig so sánh với nghĩa 0. 05)

Kết quả ở trên để xem toàn bộ P Giá trị của các mối tác động đều bằng 0. 000 < 0. 05, do vậy các mối tác động này đều có ý nghĩa thống kê. Có 3 biến tác động lên HL là CV, DK và TL. Số tác động chuẩn hóa của 3 biến này lần cuối là 0. 423, 0. 438, 0. 350. Như vậy, mức độ tác động của 3 biến này lên HL theo thứ tự từ mạnh đến yếu tố là DK, CV, TL

2. 4 Mức độ giải thích của biến độc lập cho phụ thuộc (R bình phương)

Để đánh giá hệ số R bình phương, chúng ta sẽ sử dụng kết quả của thuật toán PLS phân tích

Trong SMARTPLS, chúng ta có hai kết quả là R bình phương (R Square) và R bình phương hiệu chỉnh (R Square Adjusted)

Ý nghĩa chỉ số này hoàn toàn tương tự như trong hồi quy tuyến tính trên SPSS, các bạn xem tại bài viết Ý nghĩa của giá trị R bình phương hiệu chỉnh trong hồi quy. Nếu kết quả phân tích có cả hai chỉ số này, chúng tôi sẽ ưu tiên sử dụng số R bình phương hiệu chỉnh đầu tiên

Trường hợp cụ thể ở ví dụ bên trên, R bình phương hiệu chỉnh của HL bằng 0. 675, như vậy các biến độc lập đã giải thích được 67. 5% the natural variable (descriptor) of HL variable, but back 32. 5% là từ sai số hệ thống và từ các yếu tố khác nằm ngoài mô hình

Giá trị R bình phương (R bình phương hiệu chỉnh cũng tương tự) nằm trong khoảng từ 0 đến 1, càng tiến gần về 1 để thấy các biến độc lập giải thích cho các biến phụ thuộc càng nhiều. Rất khó khăn để đưa ra quy tắc kinh nghiệm chấp nhận giá trị R bình phương, điều này phụ thuộc vào sự phức tạp của mô hình và lĩnh vực nghiên cứu

2. 5 Giá trị effect size (f normal)

Để đánh giá hệ số kích thước hiệu ứng f2 (f bình phương hoặc f vuông), chúng ta sẽ sử dụng kết quả của Thuật toán PLS phân tích

Cách trình bày bảng f bình phương (f Square) tương tự như bảng Inner VIF Values. Hệ số f bình phương cho biết mức độ ảnh hưởng của biến độc lập lên biến phụ thuộc là mạnh hay yếu

Nếu xét về tính chất, kích thước hiệu ứng f Square và hệ số hồi quy chuẩn hóa Mẫu ban đầu đã đề cập ở phần trước tương tự nhau khi so sánh thứ tự tác động của biến độc lập phụ thuộc. Tuy nhiên, với hệ số hồi quy chuẩn hóa, chúng ta không đánh giá được giá trị bao nhiêu là mạnh, bao nhiêu là yếu. Trong khi đó f bình phương sẽ có các đề xuất để chúng ta xác định điều này

Cohen (1988) đã đưa ra tiêu đề bảng số f Square duy nhất để đánh giá tầm quan trọng của các biến độc lập như sau

• f Vuông < 0. 02. mức tác động là cực kỳ nhỏ hoặc không có tác động
• 0. 02 ≤ f Vuông < 0. 15. small effect
• 0. 15 ≤ f Hình vuông < 0. 35. mức độ tác động trung bình
• f Hình vuông ≥ 0. 35. lực tác động lớn

Trong ví dụ có thể ở bên trên, tất cả f Square đều trên 0. 35, như vậy các biến độc lập trong mô hình SEM đều có ảnh hưởng lớn đến các biến phụ thuộc