Hiệu Chỉnh Data PLS-SEM Chỉnh Sửa Số Liệu SmartPLS

 

Tại sao phải cần hiệu chỉnh data

Trong mô hình hồi quy cấu trúc tuyến tính pls có rất nhiều kiểm định, kiểm định chất lượng thang đo Cronback’s Alpha > 0.7, Đa cộng tuyến của bộ dữ liệu VIF < 5, Đánh giá về sự hội tụ AVE, CR >0.5, đặc biệt là giá trị riêng biệt HTMT < 0.9 … Đây là những giá trị đầu vào, còn đầu ra nữa cũng không hề dễ dàng gì ? Như hệ số Outer Loading > 0.7, RSMR < 0.8, NFI > 0.9 …và hệ số tác động phải có ý nghĩa thống kê.

Với rất nhiều kiểm định như thế, để có được bộ dữ liệu tốt thì quả thật không dễ, nên trong quá trình nghiên cứu chúng ta gặp phải là thường xuyên.

Nếu bộ dữ liệu của các bạn đã có vấn đề cần hỗ trợ chỉnh sửa data các bạn đừng ngần ngại hãy liên hệ ngay với chúng tôi, để được tư vấn và giải quyết triệt để.

Trong bài này chúng tôi sẽ nói về vài sai phạm của mô hình hồi quy cấu trúc tuyến tình bình phương nhỏ nhất từng phần mà các bạn thường hay gặp phải.

Kiểm định giá trị riêng biệt HTMT

Đây là một kiểm định rất quan trọng mà trong mô hình khám phá nhân tố đã bỏ qua, và cũng được rất nhiều nghiên cứu bỏ qua, vì nó rất dễ bị sai phạm. Đó là kiểm định Heterotrait-monotrait Ratio of Correlations (HTMT), trong kiểm định này yêu cầu các giá trị phải  < 0.9 để có tính riêng biệt.

Henseler, Ringle và Sarstedt (2015) cho thấy bằng một nghiên cứu mô phỏng rằng những cách tiếp cận này không phát hiện một cách đáng tin cậy việc thiếu giá trị phân biệt trong các tình huống nghiên cứu thông thường. Do đó, các tác giả này đề xuất một cách tiếp cận thay thế, dựa trên ma trận multitrait-multimethod, để đánh giá tính hợp lệ phân biệt: tỷ lệ tương quan heterotrait-monotrait (HTMT) .

ingle và Sarstedt (2015) chứng minh hiệu suất vượt trội của phương pháp này bằng nghiên cứu mô phỏng Monte Carlo, trong đó họ so sánh phương pháp tiếp cận mới với tiêu chí Fornell-Larcker và việc đánh giá tải chéo (một phần). Cuối cùng, họ cung cấp các hướng dẫn về cách xử lý các vấn đề hợp lệ phân biệt trong mô hình phương trình cấu trúc dựa trên phương sai.

Xem Henseler, Ringle và Sarstedt (2015) để biết giải thích chi tiết về tiêu chí HTMT để đánh giá tính hợp lệ phân biệt trong mô hình phương trình cấu trúc dựa trên phương sai.

Giá trị hội tụ AVE 

Trong thống kê ( lý thuyết kiểm định cổ điển ), phương sai trung bình trích xuất (average variance extracted: AVE) là một phép đo lượng phương sai được một cấu trúc thu thập được liên quan đến lượng phương sai do sai số đo; Giá trị này yều cầu phải > 0.5 để có giá trị hội tụ.

Các chỉ số rho_A và CR thường tương quan mật thiết với AVE

Đa cộng tuyến dữ liệu

Một nghiên cứu định lượng thường được nghiên cứu rất kỹ càng, nhưng không hiểu sao mô hình EFA và CB-SEM thì tôi thấy rất ít người kiểm tra dữ liệu có bị đa cộng tuyến không? Nhưng rất may trong phần mềm SmartPLS nó mặc định là có luôn rồi.

Đây là một kiểm định cơ bản, nên cũng không có gì phải bàn nhiều, ai cũng biết VIF < 5 thì không bị đa cộng tuyến.

Chỉ số NFI  

Dữ liệu yêu cầu NFI > 0.9 ( Nếu ra kết quả này thì bạn không cần chỉnh sửa số liệu nữa)

Một trong những thước đo phù hợp đầu tiên được đề xuất trong tài liệu SEM là chỉ số phù hợp được định mức bởi Bentler và Bonett (1980). Nó tính toán giá trị Chi² của mô hình được đề xuất và so sánh nó với một điểm chuẩn có ý nghĩa. Vì bản thân giá trị Chi² của mô hình được đề xuất không cung cấp đủ thông tin để đánh giá sự phù hợp của mô hình, NFI sử dụng giá trị Chi² từ mô hình rỗng, làm thước đo. Tuy nhiên, tài liệu không giải thích giá trị PLS-SEM Chi² khác với giá trị CB-SEM như thế nào.

Sau đó, NFI được định nghĩa là 1 trừ đi giá trị Chi² của mô hình được đề xuất chia cho các giá trị Chi² của mô hình rỗng. Do đó, NFI dẫn đến các giá trị trong khoảng từ 0 đến 1. NFI càng gần 1 thì mức độ phù hợp càng tốt. Giá trị NFI trên 0,9 thường thể hiện sự phù hợp có thể chấp nhận được. Lohmöller (1989) cung cấp thông tin chi tiết về tính toán NFI của các mô hình đường dẫn PLS. Tuy nhiên, đối với người dùng đã áp dụng, những giải thích này khá khó hiểu.

NFI đại diện cho một thước đo phù hợp gia tăng. Như vậy, một nhược điểm lớn là nó không phạt về độ phức tạp của mô hình. Càng nhiều tham số trong mô hình, kết quả NFI càng lớn (tức là tốt hơn). Chính vì lý do đó mà biện pháp này không được khuyến nghị, mà là các lựa chọn thay thế như chỉ số phù hợp không theo quy chuẩn (NNFI) hoặc chỉ số Tucker-Lewis, xử phạt các giá trị Chi² theo bậc tự do (df). Lohmöller (1989) đề xuất tính toán NNFI của các mô hình đường dẫn PLS. Tuy nhiên, NNFI vẫn chưa được triển khai trong SmartPLS.

Trên đây chúng tôi liệt kê ra 4 chỉ tiêu thường hay bị lỗi nhất, còn rất nhiều sai phạm cũng xảy ra nhưng không phải thường xuyên, mỗi nghiên cứu sẽ có mỗi lỗi khác nhau, không có gì là chắc chắn cả, nếu bạn bị sai phạm thì phải xử lý làm đẹp dữ liệu lại thôi.

Categories: DỊCH VỤ, EVIEWS, LUẬN VĂN, NGHIÊN CỨU KHOA HỌC, PHẦN MỀM, PHƯƠNG PHÁP ĐỊNH LƯỢNG, SPSS, Y HỌC CÔNG CỘNG