Khi các Yếu tố Dự báo Kết quả là Cần thiết: Hướng dẫn Sử dụng Kết hợp PLS-SEM và NCA 

Kết hợp PLS-SEM và NCA là hệ thống phương pháp phân tích dữ liệu đa biến nhằm đánh giá đồng thời điều kiện cần (must-have) và điều kiện đủ (should-have) trong mô hình nghiên cứu khoa học. Nguyên nhân chính của sự sai lệch trong các phân tích truyền thống là bỏ qua yếu tố bắt buộc phải có để đạt được một mức độ kết quả nhất định. Giải pháp nhanh nhất là chạy phân tích PLS-SEM để lấy điểm số biến tiềm ẩn, sau đó đưa dữ liệu này vào phần mềm NCA để xác định chính xác nút thắt cổ chai (bottleneck) của mô hình.

1. Tổng Quan & Lý Thuyết Nền Tảng (Overview & Theoretical Foundations)

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: When predictors of outcomes are necessary: Guidelines for the combined use of PLS-SEM and NCA
• Tiêu đề tiếng Việt: Khi các yếu tố dự báo kết quả là cần thiết: Hướng dẫn sử dụng kết hợp mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) và phân tích điều kiện cần (NCA)
• Tác giả: Richter, Nicole Franziska; Schubring, Sandra; Hauff, Sven; Ringle, Christian M.; Sarstedt, Marko
• Tạp chí: Industrial Management & Data Systems (2020)

1.2 Tóm tắt nghiên cứu (Abstract) – Nội dung bổ sung

• Mục đích: Nghiên cứu này giới thiệu việc sử dụng kết hợp PLS-SEM và NCA, cho phép các nhà nghiên cứu khám phá và xác nhận các giả thuyết theo logic điều kiện đủ, cũng như các giả thuyết dựa trên logic điều kiện cần.
• Thiết kế/phương pháp: Trình bày các hướng dẫn mô tả cách kết hợp hai phương pháp từ khâu xác định mục tiêu, chuẩn bị dữ liệu, chạy phân tích, đến đánh giá mô hình và diễn giải phát hiện.
• Phát hiện: Phương pháp này cho phép xác định các yếu tố bắt buộc phải có (must-have/điều kiện cần) và các yếu tố nên có (should-have/điều kiện đủ mang tính cộng gộp).
• Tính nguyên bản/giá trị: Cung cấp hiểu biết sâu sắc về logic, cách đánh giá, thách thức và lợi ích của NCA cho các nhà nghiên cứu đã quen thuộc với PLS-SEM, giúp tiết lộ các yếu tố quan trọng trong việc ra quyết định.

1.3 Bối cảnh thực tiễn & Khoảng trống nghiên cứu 

Để hệ thống thông tin mang lại hiệu quả trong các tổ chức, chúng phải được sử dụng; không có việc sử dụng, thất bại là điều chắc chắn. Tuy nhiên, chỉ riêng việc sử dụng có thể không đủ để thành công, mà cần các yếu tố khác như sự thay đổi quy trình làm việc. Trong lĩnh vực quản lý hoạt động (JIT, ERP), sự tồn tại của cả điều kiện cần và điều kiện đủ là rất phổ biến.

Mô hình PLS-SEM truyền thống giúp xác định các yếu tố dự báo dẫn đến kết quả (ví dụ: X làm tăng Y), do đó nó hoạt động dựa trên logic sự đầy đủ (sufficiency logic). Các phương pháp khác như QCA tập mờ (fuzzy-set QCA) có thể phân tích điều kiện cần nhưng bị hạn chế vì các tuyên bố mang tính nhị phân và bỏ qua các biến thiên về mức độ. Khoảng trống nghiên cứu này được lấp đầy bằng cách đề xuất bộ khung hướng dẫn kết hợp PLS-SEM và NCA nhằm kiểm định cả hai logic nhân quả này với độ chính xác cao về mức độ (degree variation).

1.4 Hệ thống Lý thuyết nền tảng (Theoretical Foundations) 

Bài báo ứng dụng các lý thuyết lớn (Grand Theories) để xây dựng Mô hình khái niệm (Hình 4) minh họa quy trình:

• Mô hình Chấp nhận Công nghệ (TAM): Cung cấp các cấu trúc cốt lõi như tính hữu ích và tính dễ sử dụng.
• Thuyết Hành động Hợp lý (TRA) và Thuyết Hành vi Có kế hoạch (TPB): Giải thích nguồn gốc ý định hành vi.
• Thuyết Lan truyền Đổi mới (Innovation Diffusion Theory): Đóng góp khái niệm tính tương thích.
• Thuyết Giá trị Tiêu dùng (Theory of Consumption Values): Bổ sung khía cạnh cảm xúc vào hành vi sử dụng.

2. Khái Niệm Hóa và Cấu Trúc Khái Niệm (Conceptualization)

• PLS-SEM: Là kỹ thuật phân tích đa biến tiêu chuẩn thiết lập một hàm tuyến tính (đường OLS) qua tâm của các điểm dữ liệu để ước lượng các mối quan hệ dự báo – nhân quả.
• NCA: Nhằm mục đích tiết lộ các khu vực trong biểu đồ phân tán có thể chỉ ra sự hiện diện của một điều kiện cần bằng cách xác định một đường trần (ceiling line) trên cùng của dữ liệu. Hai đường trần mặc định là CE-FDH (đường tuyến tính từng bậc không giảm) và CR-FDH (đường hồi quy tuyến tính đi qua đường CE-FDH).

Tiêu chí	PLS-SEM (Tính Đủ – Sufficiency)	NCA (Tính Cần – Necessity)
Bản chất lý thuyết	Yếu tố cấu thành nên kết quả tốt nhất (Should-have factors)	Yếu tố hạn chế/bắt buộc phải có để đạt kết quả (Must-have factors)
Mô hình hóa dữ liệu	Đường hồi quy OLS đi qua trung tâm phân phối dữ liệu	Đường trần (Ceiling line) bao bọc toàn bộ dữ liệu ở biên trên, tạo ra vùng trống
Đánh giá tiêu chuẩn	Hệ số xác định (R²), Path coefficient, f², Q² predict	Ceiling accuracy, Necessity effect size (d)

Ghi chú về mức độ tác động (d) trong NCA: 0 < d < 0.1 (nhỏ), 0.1 ≤ d < 0.3 (trung bình), 0.3 ≤ d < 0.5 (lớn), và d ≥ 0.5 (rất lớn).

3. Quy Trình Phát Triển Thang Đo và Phân Tích (Scale Development Process)

Việc kết hợp PLS-SEM và NCA yêu cầu quy trình nghiên cứu 8 bước chuẩn mực (Hình 3 trong bài gốc):

1. Xác định mục tiêu và cơ sở lý thuyết: Phác thảo các lập luận lý thuyết cụ thể về các điều kiện đủ và điều kiện cần.
2. Chuẩn bị và kiểm tra dữ liệu: Đánh giá kích thước mẫu, phân phối dữ liệu, và đặc biệt là phát hiện điểm ngoại lai (Outliers) qua Z-score > 3 hoặc biểu đồ phân tán, vì một ngoại lệ duy nhất có thể làm giảm không gian trống trong NCA. Dữ liệu nên là thang đo khoảng (metric/interval-scaled).
3. Chạy phân tích PLS-SEM: Ước lượng mô hình đường dẫn bằng phần mềm SmartPLS 3.
4. Đánh giá mô hình đo lường: Kiểm tra độ tin cậy nhất quán nội bộ, tính hợp lệ hội tụ và phân biệt.
5. Chuyển đổi điểm số biến tiềm ẩn (Hình 2): Trích xuất Latent Variable Scores (LVS) từ thuật toán PLS-SEM làm dữ liệu đầu vào. Đối với cấu trúc phản ánh, dùng LVS cho cả biến ngoại sinh và nội sinh. Đối với cấu trúc hình thành, bổ sung thêm các chỉ báo riêng lẻ cho biến ngoại sinh.
6. Chạy phân tích NCA: Chạy các phân tích NCA riêng biệt cho từng biến nội sinh trong phần mềm R.
7. Đánh giá mô hình cấu trúc: Kiểm tra VIF, R², Q² predict trong PLS-SEM và kích thước tác động d, mức ý nghĩa thống kê trong NCA.
8. Diễn giải các phát hiện: Kết hợp hai kết quả để đưa ra kết luận chiến lược.

4. Thang Đo Lường Chính Thức (Measurement Scale)

Dữ liệu khảo sát (N = 174 người dùng e-book tại Pháp) dùng thang đo phản xạ (Reflective). Dưới đây là các biến quan sát cốt lõi:

• Giá trị cảm xúc (Emotional value)
  • EMV_01: Enjoyment [Sự thích thú]
  • EMV_02: Pleasure [Niềm vui]
  • EMV_03: Relaxation [Sự thư giãn]
• Tính dễ sử dụng (Ease of use)
  • EOU_01: Learning duration [Thời gian học cách dùng]
  • EOU_02: Operation [Thao tác vận hành]
  • EOU_03: Menu navigation [Điều hướng menu]
• Sự hữu ích cảm nhận (Perceived usefulness)
  • PU_01: General advantage [Lợi thế chung]
  • PU_02: Practical application [Ứng dụng thực tế]
  • PU_03: Improvement of reading [Cải thiện việc đọc]
• Tính tương thích (Compatibility)
  • CO_01: Reading behavior [Hành vi đọc]
  • CO_02: Consumption pattern [Mô hình tiêu dùng]
  • CO_03: Reading needs [Nhu cầu đọc]
• Ý định áp dụng (Adoption Intention)
  • AD_01: Future usage [Sử dụng trong tương lai]
  • AD_02: Daily usage [Sử dụng hàng ngày]
  • AD_03: Frequent usage [Sử dụng thường xuyên]

5. Mạng Lưới Quan Hệ Lý Thuyết & Kết Quả Thực Nghiệm (Nomological Network & Empirical Results)

Dựa trên phân tích kết hợp, dưới đây là các bảng kết quả cốt lõi minh minh họa sức mạnh của mô hình:

Bảng 2: Kích thước tác động NCA (Necessity Effect Size)

Khái niệm	Ý định áp dụng (CE-FDH)	Giá trị p	Sử dụng công nghệ (CE-FDH)	Giá trị p
Giá trị cảm xúc	0.214	0.000	0.331	0.000
Tính dễ sử dụng	0.151	0.007	0.235	0.016
Tính hữu ích cảm nhận	0.119	0.002	0.243	0.001
Tính tương thích	0.082	0.011	0.211	0.000
Ý định áp dụng	—	—	0.294	0.000

Bảng 3: Tóm tắt dự đoán chỉ báo PLSpredict

(So sánh các chỉ số RMSE, MAE, Q² predict của PLS-SEM với mô hình tuyến tính LM)

Chỉ báo	PLS-SEM RMSE	PLS-SEM MAE	PLS-SEM Q² predict	LM RMSE	LM MAE
AD_01	0.688	0.522	0.457	0.701	0.525
AD_02	0.757	0.559	0.399	0.795	0.591
AD_03	0.685	0.518	0.458	0.711	0.546
USE_01	1.366	1.115	0.289	1.397	1.142

Bảng 4: Hệ số đường dẫn và Kích thước tác động f² (PLS-SEM)

Mối quan hệ	Hệ số đường dẫn	Ý nghĩa (p < 0.05)	Kích thước tác động f²
Giá trị cảm xúc → Ý định áp dụng	0.515	Có	0.336
Giá trị cảm xúc → Sử dụng công nghệ	0.137	Không	0.014
Tính dễ sử dụng → Ý định áp dụng	0.088	Không	0.012
Tính dễ sử dụng → Sử dụng công nghệ	0.010	Không	0.000
Tính hữu ích → Ý định áp dụng	0.227	Có	0.044
Tính tương thích → Ý định áp dụng	0.045	Không	0.001
Ý định áp dụng → Sử dụng công nghệ	0.437	Có	0.152

Bảng 5: Bảng điểm nghẽn – Bottleneck table

(Trích xuất các mốc quan trọng trong phân tích NCA)

Kết quả mong muốn	Giá trị cảm xúc	Tính dễ sử dụng	Tính hữu ích	Tính tương thích	Ý định áp dụng
50% Ý định áp dụng	25.0%	20.0%	9.3%	NN	–
60% Ý định áp dụng	41.2%	20.0%	15.7%	NN	–
60% Sử dụng công nghệ	49.6%	20.0%	15.7%	33.7%	33.8%
70% Sử dụng công nghệ	49.6%	20.5%	48.1%	33.7%	33.8%

(Ghi chú: NN = Not necessary – Không cần thiết).

Điểm đáng lưu ý từ nghiên cứu: Tính tương thích và Tính dễ sử dụng KHÔNG mang lại ý nghĩa thống kê trong PLS-SEM (Bảng 4). Tuy nhiên, kết quả NCA (Bảng 2 và Bảng 5) lại chỉ ra chúng đóng vai trò là điều kiện cần bắt buộc phải có.

6. Hướng Dẫn Ứng Dụng Nghiên Cứu (Academic Implications)

Đối với nghiên cứu sinh, việc kết hợp PLS-SEM và NCA mở ra một định dạng giả thuyết hoàn toàn mới. Để diễn giải đúng các mối quan hệ đa chiều này, bài báo đề xuất 3 Kịch Bản Diễn Giải (Bảng 1):

• Kịch bản 1: Biến ngoại sinh vừa là yếu tố quyết định có ý nghĩa (PLS-SEM) vừa là điều kiện cần (NCA). ➔ Tăng biến ngoại sinh sẽ làm tăng kết quả, nhưng cần duy trì một mức tối thiểu để đảm bảo kết quả xảy ra. (Ví dụ: Giá trị cảm xúc đối với Ý định áp dụng).
• Kịch bản 2: Biến ngoại sinh là yếu tố quyết định có ý nghĩa nhưng không phải điều kiện cần. ➔ Tăng biến này sẽ tăng kết quả, nhưng không bắt buộc phải có mức nền tối thiểu.
• Kịch bản 3: Biến ngoại sinh không có ý nghĩa trong PLS-SEM nhưng lại là một điều kiện cần trong NCA. ➔ Bắt buộc phải đạt một ngưỡng nhất định của biến này để kết quả xảy ra. Tuy nhiên, việc đầu tư tăng nó vượt qua ngưỡng này là vô ích vì nó không làm kết quả tăng thêm. (Ví dụ: Tính dễ sử dụng và Tính tương thích).

7. Ứng Dụng Quản Trị Doanh Nghiệp (Managerial Implications)

Đối với chuyên gia thực hành, phương pháp này trực tiếp giải quyết bài toán tối ưu hóa nguồn lực theo ma trận MoSCoW (Must-have, Should-have). Doanh nghiệp phải phân định rạch ròi:

• Đầu tiên, phải thỏa mãn các điểm nghẽn (bottleneck) được chỉ ra bởi bảng điểm nghẽn NCA (Bảng 5). Cụ thể, để khách hàng đạt mức độ sử dụng công nghệ ở mức 60%, tính tương thích phải đạt tối thiểu mức 33.7%.
• Nếu không đạt ngưỡng tương thích này (Kịch bản 3), việc bạn nỗ lực rót ngân sách vào cải thiện “Giá trị cảm xúc” (biến có trọng số tác động lớn nhất là 0.515 trong PLS-SEM) là hoàn toàn lãng phí và không thể tăng tỷ lệ sử dụng. Do đó, chỉ khi các điểm nghẽn được giải quyết, các khoản đầu tư khác mới có thể phát huy tác dụng.

8. Các Câu Hỏi Thường Gặp (FAQ)

Điểm khác biệt giữa việc kết hợp PLS-SEM và NCA so với việc dùng Fuzzy-set QCA (fsQCA) là gì?

Mặc dù fsQCA có phân tích sự cần thiết, nhưng kết quả của nó mang tính nhị phân và bỏ qua sự thay đổi về mức độ (degree variation). NCA vượt trội hơn nhờ khả năng định lượng chính xác kích thước ảnh hưởng (d) và mức độ cụ thể của điều kiện cần thiết mà không yêu cầu bước hiệu chuẩn (pre-calibration) phức tạp trước khi phân tích.

Cỡ mẫu tối thiểu để chạy hệ thống phân tích này là bao nhiêu?

Về mặt kỹ thuật thuật toán, NCA không có giới hạn khắt khe về mẫu tối thiểu. Tuy nhiên, vì bạn phải nạp dữ liệu LVS từ PLS-SEM, bạn phải tuân thủ nghiêm ngặt quy tắc sức mạnh kiểm định (Power Table) của cấu trúc PLS-SEM. Ví dụ, với 10 mũi tên hướng vào một biến, sức mạnh 80%, độ sai số 5%, bạn cần N = 156 quan sát.

Xử lý ngoại lai (Outliers) có thực sự quan trọng trong NCA không?

Bắt buộc phải xử lý. Khác biệt so với PLS-SEM, chỉ cần một cá thể ngoại lai ngẫu nhiên lọt vào vùng trống (ceiling zone) trong biểu đồ Scatter Plot, NCA sẽ suy giảm hoặc mất toàn bộ kích thước hiệu ứng (effect size). Nhà nghiên cứu phải kiểm tra kỹ bằng Z-score > 3, nhưng cũng cần thận trọng để không loại bỏ các “trường hợp tốt nhất” mang tính xây dựng lý thuyết.

9. Phụ Lục (Appendix) – Tài liệu tham chiếu đo lường

Để phục vụ quá trình ứng dụng thực tế, bài viết đính kèm các tài liệu kỹ thuật sau từ bản gốc:

• A1: Mô tả dữ liệu: Cung cấp thống kê mô tả trung bình, độ lệch chuẩn, độ nhọn, độ lệch theo nguyên bản của 13 chỉ báo và 1 biến kết quả.
• A2: Đánh giá mô hình đo lường: Báo cáo tính hợp lệ hội tụ (Loadings > 0.70, AVE > 0.50), độ tin cậy nhất quán nội bộ (Composite Reliability > 0.70) và tính hợp lệ phân biệt thỏa mãn tiêu chuẩn HTMT.
• A3: Mã R để chạy NCA

10. Tài Liệu Tham Khảo (References)

(Danh sách đã được căn chỉnh chuẩn định dạng hiển thị danh mục theo phong cách APA. Các thông tin gốc không bị cắt bỏ từ nào).

Dưới đây là danh mục tài liệu tham khảo từ bài nghiên cứu của Richter và cộng sự (2020) được trình bày đầy đủ theo chuẩn APA (American Psychological Association) dựa trên nội dung tệp đính kèm:

Tài liệu tham khảo chính của bài báo

• Richter, N. F., Schubring, S., Hauff, S., Ringle, C. M., & Sarstedt, M. (2020). When predictors of outcomes are necessary: Guidelines for the combined use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12), 2243-2267. https://doi.org/10.1108/IMDS-11-2019-0638.

Danh mục tài liệu tham khảo trích dẫn (Alphabetical order)

• Agag, G., & El-Masry, A. A. (2016). Understanding consumer intention to participate in online travel community and effects on consumer intention to purchase travel online and WOM: An integration of innovation diffusion theory and TAM with trust. Computers in Human Behavior, 60, 97-111.
• Aggarwal, C. C. (2017). Outlier Analysis. Springer.
• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
• Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behavior. Prentice-Hall.
• Aladwani, A. M. (2001). Change management strategies for successful ERP implementation. Business Process Management Journal, 7(3), 266-275.
• Aldás-Manzano, J., Ruiz-Mafé, C., & Sanz-Blas, S. (2009). Exploring individual personality factors as drivers of M-shopping acceptance. Industrial Management & Data Systems, 109(6), 739-757.
• Al-Jabri, I. M., & Sohail, M. S. (2012). Mobile banking adoption: Application of diffusion of innovation theory. Journal of Electronic Commerce Research, 13(4), 379-391.
• Antón, C., Camarero, C., & Rodríguez, J. (2013). Usefulness, enjoyment, and self-image congruence: The adoption of e-book readers. Psychology & Marketing, 30(4), 372-384.
• Arenius, P., Engel, Y., & Klyver, K. (2017). No particular action needed? A necessary condition analysis of gestation activities and firm emergence. Journal of Business Venturing Insights, 8, 87-92.
• Becker, J.-M., Ringle, C. M., Sarstedt, M., & Völckner, F. (2015). How collinearity affects mixture regression results. Marketing Letters, 26(4), 643-659.
• Cassel, C., Hackl, P., & Westlund, A. H. (1999). Robustness of partial least-squares method for estimating latent variable quality structures. Journal of Applied Statistics, 26(4), 435-446.
• Chau, P. Y., & Hu, P. J. (2002). Examining a model of information technology acceptance by individual professionals: An exploratory study. Journal of Management Information Systems, 18(4), 191-229.
• Cheng, Y.-M. (2011). Antecedents and consequences of e-learning acceptance. Information Systems Journal, 21(3), 269-299.
• Chernick, M. R. (2008). Bootstrap methods: A guide for practitioners and researchers. Wiley.
• Chi, T., & Seth, A. (2009). A dynamic model of the choice of mode for exploiting complementary capabilities. Journal of International Business Studies, 40(3), 365-387.
• Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155-159.
• Cole, D. A., & Preacher, K. J. (2014). Manifest variable path analysis: Potentially serious and misleading consequences due to uncorrected measurement error. Psychological Methods, 19(3), 300-315.
• Danks, N. P., Ray, S., & Shmueli, G. (2019, December). Predictive analysis and out-of-sample generalizability of construct-based models. Paper presented at the 2019 Pre-ICIS SIGDSA Symposium, Munich, Germany.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
• Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003.
• Domínguez-Escrig, E., Broch, F. F. M., Lapiedra, R., & Chiva, R. (2018). Promoting radical innovation through end-user computing satisfaction. Industrial Management & Data Systems, 118(8), 1629-1646.
• Duarte, P., & Pinho, J. C. (2019). A mixed methods UTAUT2-based approach to assess mobile health adoption. Journal of Business Research, 102, 140-150.
• Dul, J. (2016a). Necessary condition analysis (NCA): Logic and methodology of “necessary but not sufficient” causality. Organizational Research Methods, 19(1), 10-52.
• Dul, J. (2016b). Identifying single necessary conditions with NCA and fsQCA. Journal of Business Research, 69(4), 1516-1523.
• Dul, J. (2019). Necessary condition analysis (NCA) with R. (R package version 3.0.2) .
• Dul, J. (2020). Conducting Necessary Condition Analysis. SAGE.
• Dul, J., Hak, T., Goertz, G., & Voss, C. (2010). Necessary condition hypotheses in operations management. International Journal of Operations & Production Management, 30(11), 1170-1190.
• Dul, J., Vis, B., & Goertz, G. (2018). Necessary condition analysis (NCA) does exactly what it should do when applied properly. Sociological Methods & Research. https://doi.org/10.1177/0049124118799383.
• Dul, J., Van der Laan, E., Kuik, R., & Karwowski, M. (2019). Necessary condition analysis: Type I error, power, and over-interpretation of test results. A reply to a comment on NCA. Frontiers in Psychology, 10, 1493.
• Dul, J., Van der Laan, E., & Kuik, R. (2020). A statistical significance test for necessary condition analysis. Organizational Research Methods, 23(2), 385-395.
• Fainshmidt, S., Witt, M. A., Aguilera, R. V., & Verbeke, A. (2020). The contributions of qualitative comparative analysis (QCA) to international business research. Journal of International Business Studies. https://doi.org/10.1057/s41267-020-00313-1.
• Field, A. (2009). Discovering statistics using SPSS (3rd ed.). SAGE.
• Gao, Y., Li, H., & Luo, Y. (2015). An empirical study of wearable technology acceptance in healthcare. Industrial Management & Data Systems, 115(9), 1704-1723.
• Garson, G. D. (2016). Partial Least Squares: Regression and Structural Equation Models. Statistical Associates Publishing.
• Gibbert, M., Nair, L. B., Weiss, M., & Hoegl, M. (2020). Using outliers for theory building. Organizational Research Methods. https://doi.org/10.1177/1094428119898877.
• Gigerenzer, G. (1991). From tools to theories: A heuristic of discovery in cognitive psychology. Psychological Review, 98(2), 254-267.
• Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101-110.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017a). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). SAGE.
• Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., & Thiele, K. O. (2017b). Mirror, mirror on the wall: A comparative evaluation of composite-based structural equation modeling methods. Journal of the Academy of Marketing Science, 45(5), 616-632.
• Hair, J. F., Ringle, C. M., Gudergan, S. P., Fischer, A., Nitzl, C., & Menictas, C. (2018). Partial least squares structural equation modeling-based discrete choice modeling: An illustration in modeling retailer choice. Business Research, 12, 115-142.
• Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019a). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.
• Hair, J. F., & Sarstedt, M. (2019). Factors vs. composites: Guidelines for choosing the right structural equation modeling method. Project Management Journal, 50(6), 619-624.
• Hair, J. F., Sarstedt, M., Pieper, T. M., & Ringle, C. M. (2012a). The use of partial least squares structural equation modeling in strategic management research: A review of past practices and recommendations for future applications. Long Range Planning, 45(5-6), 320-340.
• Hair, J. F., Sarstedt, M., & Ringle, C. M. (2019b). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566-584.
• Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012b). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414-433.
• Hauff, S., Guerci, M., Dul, J., & van Rhee, H. (2019). Exploring necessary conditions in HRM research: Fundamental issues and methodological implications. Human Resource Management Journal, 1-19. https://doi.org/10.1111/1748-8583.12231.
• Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., … & Calantone, R. J. (2014). Common beliefs and reality about partial least squares: Comments on Rönkkö & Evermann (2013). Organizational Research Methods, 17(2), 182-209.
• Ho, C.-H., & Wu, T.-Y. (2012). Factors affecting intent to purchase virtual goods in online games. International Journal of Electronic Business Management, 10(3), 204-212.
• Holden, H., & Rada, R. (2011). Understanding the influence of perceived usability and technology self-efficacy on teachers’ technology acceptance. Journal of Research on Technology in Education, 43(4), 343-367.
• Hu, P. J., Chau, P. Y., Sheng, O. R. L., & Tam, K. Y. (1999). Examining the technology acceptance model using physician acceptance of telemedicine technology. Journal of Management Information Systems, 16(2), 91-112.
• Huang, L.-Y., & Hsieh, Y.-J. (2012). Consumer electronics acceptance based on innovation attributes and switching costs: The case of e-book readers. Electronic Commerce Research and Applications, 11(3), 218-228.
• Hur, W.-M., Yoo, J.-J., & Chung, T.-L. (2012). The consumption values and consumer innovativeness on convergence products. Industrial Management & Data Systems, 112(5), 688-706.
• Karwowski, M., Dul, J., Gralewski, J., Jauk, E., Jankowska, D. M., Gajda, A., … & Benedek, M. (2016). Is creativity without intelligence possible? A necessary condition analysis. Intelligence, 57, 105-117.
• Khan, G. F., Sarstedt, M., Shiau, W.-L., Hair, J. F., Ringle, C. M., & Fritze, M. P. (2019). Methodological research on partial least squares structural equation modeling (PLS-SEM): An analysis based on social network approaches. Internet Research, 29(3), 407-429.
• Lin, C., & Lin, M. (2019). The determinants of using cloud supply chain adoption. Industrial Management & Data Systems, 119(2), 351-366.
• Mandel, D. R., & Lehman, D. R. (1998). Integration of contingency information in judgement of cause, covariation, and probability. Journal of Experimental Psychology: General, 127(3), 269-285.
• Marimon, F., Mas-Machuca, M., & Rey, C. (2016). Assessing the internalization of the mission. Industrial Management & Data Systems, 116(1), 170-187.
• Mathieson, K. (1991). Predicting user intentions: Comparing the technology acceptance model with the theory of planned behavior. Information Systems Research, 2(3), 173-191.
• McLachlin, R. (1997). Management initiatives and just-in-time manufacturing. Journal of Operations Management, 15(4), 271-292.
• Mikalef, P., & Pateli, A. (2017). Information technology-enabled dynamic capabilities and their indirect effect on competitive performance: Findings from PLS-SEM and fsQCA. Journal of Business Research, 70, 1-16.
• Moore, G. C., & Benbasat, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information Systems Research, 2(3), 192-222.
• Noorderhaven, N., & Harzing, A.-W. (2009). Knowledge-sharing and social interaction within MNEs. Journal of International Business Studies, 40(5), 719-741.
• Park, Y., & Chen, J. V. (2007). Acceptance and adoption of the innovative use of smartphone. Industrial Management & Data Systems, 107(9), 1349-1365.
• Ramayah, T., Cheah, J.-H., Chuah, F., Ting, H., & Memon, M. A. (2016). Partial least squares structural equation modeling (PLS-SEM) using SmartPLS 3.0: An updated and practical guide to statistical analysis. Pearson.
• Reinartz, W. J., Haenlein, M., & Henseler, J. (2009). An empirical comparison of the efficacy of covariance-based and variance-based SEM. International Journal of Research in Marketing, 26(4), 332-344.
• Reyes-Mercado, P. (2018). Adoption of fitness wearables: Insights from partial least squares and qualitative comparative analysis. Journal of Systems and Information Technology, 20(1), 103-127.
• Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358.
• Rigdon, E. E., Becker, J.-M., & Sarstedt, M. (2019). Parceling cannot reduce factor indeterminacy in factor analysis: A research note. Psychometrika, 84(3), 772-780.
• Rigdon, E. E., Sarstedt, M., & Becker, J.-M. (2020). Quantify uncertainty in behavioral research. Nature Human Behaviour, 4, 329-331.
• Richter, N. F., Cepeda Carrión, G., Roldán, J. L., & Ringle, C. M. (2016a). European management research using partial least squares structural equation modeling (PLS-SEM): Editorial. European Management Journal, 34(6), 589-597.
• Richter, N. F., Schlaegel, C., Midgley, D. F., & Tressin, T. (2019). Organizational structure characteristics’ influences on international purchasing performance in different purchasing locations. Journal of Purchasing and Supply Management, 25(3), 1-25.
• Richter, N. F., Sinkovics, R. R., Ringle, C. M., & Schlaegel, C. (2016b). A critical look at the use of SEM in international business research. International Marketing Review, 33(3), 376-404.
• Richter, N. F., Schlaegel, C., van Bakel, M., & Engle, R. L. (2020). The expanded model of cultural intelligence and its explanatory power in the context of expatriation intention. European Journal of International Management, 14(3), 381-419.
• Ringle, C. M., Sarstedt, M., & Straub, D. W. (2012). A critical look at the use of PLS-SEM in MIS Quarterly. MIS Quarterly, 36(1), 3-14.
• Ringle, C. M., Wende, S., & Becker, J.-M. (2015). SmartPLS 3. SmartPLS GmbH.
• Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.
• Sarstedt, M., Hair, J. F., Ringle, C. M., Thiele, K. O., & Gudergan, S. P. (2016). Estimation issues with PLS and CBSEM: Where the bias lies! Journal of Business Research, 69(10), 3998-4010.
• Sarstedt, M., & Mooi, E. A. (2019). A concise guide to market research: The process, data, and methods using IBM SPSS statistics (3rd ed.). Springer.
• Sarstedt, M., Ringle, C. M., & Hair, J. F. (2017). Partial least squares structural equation modeling. In C. Homburg, M. Klarmann, & A. Vomberg (Eds.), Handbook of Market Research. Springer.
• Sanchez, G., & Trinchera, L. (2012). plspm: Partial Least Squares Data Analysis Methods. (R package version 0.2-2) .
• Seny Kan, A. K., Adegbite, E., El Omari, S., & Abdellatif, M. (2016). On the use of qualitative comparative analysis in management. Journal of Business Research, 69(4), 1458-1463.
• Sheppard, B. H., Hartwick, J., & Warshaw, P. R. (1988). The theory of reasoned action: A meta-analysis of past research with recommendations for modifications and future research. Journal of Consumer Research, 15(3), 325-343.
• Sheth, J. N., Newman, B. I., & Gross, B. L. (1991). Why we buy what we buy: A theory of consumption values. Journal of Business Research, 22(2), 159-170.
• Shmueli, G., Ray, S., Velasquez Estrada, J. M., & Chatla, S. B. (2016). The elephant in the room: Evaluating the predictive performance of PLS models. Journal of Business Research, 69(10), 4552-4564.
• Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J.-H., Ting, H., Vaithilingam, S., & Ringle, C. M. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347.
• Sorjonen, K., & Melin, B. (2019). Predicting the significance of necessity. Frontiers in Psychology, 10, 1870.
• Sousa, R., & da Silveira, G. J. C. (2017). Capability antecedents and performance outcomes of servitization: Differences between basic and advanced services. International Journal of Operations & Production Management, 37(4), 447-467.
• Subramanian, G. H. (1994). A replication of perceived usefulness and perceived ease of use measurement. Decision Sciences, 25(5-6), 863-874.
• Sweeney, J. C., & Soutar, G. N. (2001). Consumer perceived value: The development of a multiple item scale. Journal of Retailing, 77(2), 203-220.
• Thiem, A. (2018). The logic and methodology of “necessary but not sufficient causality”: A comment on Necessary Condition Analysis (NCA). Sociological Methods & Research. https://doi.org/10.1177/0049124118782548.
• Turner, M., Kitchenham, B., Brereton, P., Charters, S., & Budgen, D. (2010). Does the technology acceptance model predict actual use? A systematic literature review. Information and Software Technology, 52(5), 463-479.
• Van der Valk, W., Sumo, R., Dul, J., & Schroeder, R. G. (2016). When are contracts and trust necessary for innovation in buyer-supplier relationships? A necessary condition analysis. Journal of Purchasing and Supply Management, 22(4), 266-277.
• Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273-315.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
• Venkatesh, V., Thong, J. Y., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178.
• Vis, B., & Dul, J. (2018). Analyzing relationships of necessity not just in kind but also in degree: Complementing fsQCA with NCA. Sociological Methods & Research, 47(4), 872-899.
• Weigel, F. K., Hazen, B. T., Cegielski, C. G., & Hall, D. J. (2014). Diffusion of innovations and the theory of planned behavior in information systems research: A meta-analysis. Communications of the Association for Information Systems, 34, Article 31.
• Woodside, A. G. (2013). Moving beyond multiple regression analysis to algorithms: Calling for adoption of a paradigm shift from symmetric to asymmetric thinking in data analysis and crafting theory. Journal of Business Research, 66(4), 463-472.

11. Lời kêu gọi hành động (CTA)

Để nắm bắt được toàn bộ cơ sở toán học, cách đọc các chỉ số Effect Size (d), cũng như quy trình thiết lập phân tích chuẩn trên phần mềm SmartPLS và R, vui lòng tải và nghiên cứu chi tiết bài báo gốc bên dưới.

Richter, N. F., Schubring, S., Hauff, S., Ringle, C. M., & Sarstedt, M. (2020). When predictors of outcomes are necessary: Guidelines for the combined use of PLS-SEM and NCA. Industrial Management & Data Systems, 120(12), 2243–2267.