Phần Mềm GSCA Pro Miễn Phí Cho Mô Hình Phương Trình Cấu Trúc – Hwang et al. (2024)

GSCA-SEM (Generalized Structured Component Analysis Structural Equation Modeling) là một khung phương pháp thống kê tiên tiến được tích hợp trong phần mềm GSCA Pro, cho phép ước lượng các mô hình phương trình cấu trúc phức tạp. Nguyên nhân chính khiến nền tảng này ra đời là do các phương pháp truyền thống như CSA hay PLS-SEM thường dẫn đến sai số chệch (biased solutions) khi ước lượng mô hình có chứa đồng thời cả nhân tố (factors) và thành phần (components). Giải pháp nhanh nhất là cài đặt và sử dụng GSCA Pro – một công cụ hoàn toàn miễn phí (tải tại www.gscapro.com), cung cấp giao diện đồ họa thân thiện giúp các nhà nghiên cứu áp dụng ba phương pháp phân tích thống kê cốt lõi (GSCA, GSCA_M, và IGSCA) một cách chuẩn xác và dễ dàng. Bài hướng dẫn này nhằm mục đích cung cấp các minh họa từng bước chuyên sâu về cách sử dụng phần mềm để thiết lập, ước lượng và đánh giá toàn diện các mô hình khác nhau.

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

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: GSCA Pro—Free Stand-Alone Software for Structural Equation Modeling
• Tiêu đề tiếng Việt: GSCA Pro – Phần mềm độc lập, miễn phí dành cho Mô hình Phương trình Cấu trúc
• Tác giả: Heungsun Hwang, Gyeongcheol Cho và Hosung Choo. Đơn vị công tác bao gồm: Đại học McGill; Đại học Bang Ohio; và Ngân hàng KEB Hana.
• Tạp chí: Structural Equation Modeling: A Multidisciplinary Journal (2024)

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Trong thực tiễn nghiên cứu khoa học xã hội và kinh doanh, chúng ta thường khảo sát các mối quan hệ phân tích đường dẫn (path-analytic) giữa các khái niệm (constructs) như lòng tự trọng, trầm cảm, hoặc tình trạng kinh tế xã hội. Vấn đề đặt ra là vì các khái niệm này rất trừu tượng và không thể đo lường trực tiếp, chúng được đại diện bởi các biến quan sát liên kết với dữ liệu thực nghiệm trong các mô hình thống kê. Có hai cách biểu diễn thống kê cho các khái niệm này: nhân tố (factors) và thành phần (components). Trong nhiều thập kỷ, các công cụ phân tích chỉ tập trung ước lượng độc quyền một trong hai loại, dẫn đến hạn chế khi nghiên cứu liên ngành đòi hỏi một mô hình chứa cả hai. Nghiên cứu này ra đời nhằm giới thiệu GSCA-SEM thông qua phần mềm GSCA Pro, giúp lấp đầy khoảng trống thống kê này, cho phép phân tích tích hợp mà không bị vướng vào các lỗi improper solutions (giải pháp không phù hợp). Theo các nghiên cứu uy tín (ví dụ: Hwang et al., 2021; Sarstedt et al., 2016), việc sử dụng sai phương pháp phân tích dành riêng cho nhánh này sang nhánh kia (chẳng hạn như dùng CSA cho mô hình thành phần) đã được chứng minh bằng toán học là sẽ gây ra sự sai lệch nghiêm trọng trong các hệ số ước lượng.

1.3 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)

Dưới góc độ học thuật, GSCA-SEM được xây dựng dựa trên nền tảng của Mô hình Phương trình Cấu trúc (SEM). Khung lý thuyết này chia làm ba nhánh cốt lõi:

• Mô hình dựa trên nhân tố (Factor-based SEM): Giả định khái niệm là một thực thể độc lập gây ra sự hiệp phương sai giữa các biến quan sát (chỉ báo phản ánh – reflective indicators). Mô hình này thường dùng cho các thuộc tính tâm lý như nhận thức, cảm xúc, tính cách. Hệ thống ứng dụng phương pháp GSCA_M. Khác với CSA truyền thống, phương pháp GSCA_M giúp tránh các trường hợp lỗi tính toán bằng cách ước lượng đồng thời cả điểm số nhân tố (factor scores) như một tổng có trọng số của các chỉ báo, đi kèm với việc loại bỏ các thuật ngữ đơn nhất (uniqueness terms) của chúng.
• Mô hình dựa trên thành phần (Component-based SEM): Giả định khái niệm là sự tổng hợp hoặc kết hợp của các biến quan sát (chỉ báo kết hợp – composite indicators). Ví dụ: Tình trạng kinh tế xã hội được tổng hợp từ học vấn, thu nhập và nghề nghiệp. Các biến quan sát tạo ra thành phần không bắt buộc phải có tương quan với nhau. Hệ thống ứng dụng phương pháp GSCA. Về bản chất, GSCA là một mô hình tạo ra thành phần, trong đó thành phần được thu nhận bằng cách tổng hợp các chỉ báo nhằm giải thích toàn bộ phương sai của hệ thống.
• Mô hình tích hợp (Integrated GSCA – IGSCA): Lý thuyết hiện đại nhất (vượt trội hơn PLSc) cho phép kết hợp cả nhân tố và thành phần trong cùng một mạng lưới quan hệ. IGSCA bao gồm tất cả các tham số của cả GSCA và GSCA_M, xử lý tốt các mô hình phức tạp có hệ số tải chéo (cross loadings) và triệt tiêu khả năng xảy ra lỗi ước lượng.

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

Trong khung lý thuyết của GSCA-SEM, chúng ta cần định nghĩa rõ bản chất của các biến đại diện (Constructs) để lựa chọn phương pháp phù hợp:

• Nhân tố (Factors): Là biến tiềm ẩn (latent variable) tồn tại độc lập với đặc tính thực nghiệm của cá nhân và là nguồn gốc duy nhất tạo ra mối tương quan giữa các biến đó. Các biến quan sát của nó bắt buộc phải có sự tương quan nội bộ cao. Các nhân tố thường đóng vai trò nền tảng cho việc xây dựng thang đo (scale construction) liên quan đến rối loạn tâm thần hay các khía cạnh tâm lý phức tạp (Bollen, 2011).
• Thành phần (Components): Là biến tổ hợp (composite), đại diện cho một khái niệm chung được hình thành từ việc lắp ghép các khía cạnh/đặc tính khác nhau. Nó không yêu cầu các biến quan sát phải tương quan, vì sự tương quan này không xuất phát từ một khái niệm cơ sở duy nhất. Lấy ví dụ thực tiễn: Hoạt động thể chất là một biến thành phần được cấu thành từ sự kết hợp của cường độ làm việc, phương thức di chuyển, hoạt động giải trí và thời gian ít vận động (Bull et al., 2009). Căng thẳng công việc cũng là một thành phần được cấu trúc từ khối lượng công việc, cảm giác kiểm soát, và môi trường tổ chức.

3. Xác Định, Ước Lượng Và Đánh Giá Mô Hình Thống Kê (Model Specification & Evaluation)

3.1. Các Phương Trình Toán Học Cốt Lõi (Mathematical Specifications)

Là một nhà nghiên cứu, bạn cần hiểu bản chất thuật toán bên trong GSCA Pro. Mô hình GSCA bao gồm ba mô hình phụ được biểu diễn qua các phương trình toán học sau:

• Mô hình quan hệ có trọng số (Weighted relation model): Định nghĩa một thành phần là tổng có trọng số của các chỉ báo.
  γ = Wz
• Mô hình đo lường (Measurement model): Xác định mối quan hệ hồi quy của các chỉ báo lên thành phần của nó.
  z = Cγ + ε
• Mô hình cấu trúc (Structural model): Xác định mối quan hệ phân tích đường dẫn giữa các thành phần.
  γ = Bγ + ζ

Trong đó: z là véc-tơ chỉ báo (kích thước J x 1), γ là véc-tơ thành phần (kích thước P x 1), W là ma trận trọng số (kích thước P x J), C là ma trận hệ số tải thành phần (kích thước J x P), B là ma trận hệ số đường dẫn (kích thước P x P), còn ε và ζ là các véc-tơ sai số. Ba mô hình này được kết hợp thành một phương trình duy nhất (mô hình GSCA tổng quát):

Vz = AWz + e

Phương pháp này ước lượng các thông số bằng cách tối thiểu hóa hàm bình phương tối thiểu thông qua thuật toán lặp, không cần giả định phân phối chuẩn đa biến, và sử dụng phương pháp bootstrap phi tham số (percentile bootstrap) để tính toán sai số chuẩn và khoảng tin cậy. Đáng chú ý, trong hệ thống GSCA-SEM, các sai số trong một khối chỉ báo thuộc mô hình đo lường được cho phép tương quan với nhau, đảm bảo mô hình giải thích được toàn bộ hiệp phương sai mẫu nội bộ khối (within-block sample covariances).

3.2. Tiêu Chuẩn Đánh Giá Mô Hình (Model Evaluation Metrics)

GSCA Pro cung cấp hệ thống thước đo toàn diện để đánh giá mô hình:

• Thước đo tổng thể (Overall Fit): GFI và SRMR so sánh ma trận hiệp phương sai mẫu và ma trận ngụ ý từ mô hình. FIT cho biết tỷ lệ phương sai (của cả chỉ báo và thành phần) được giải thích (dao động từ 0 đến 1). Đối với mô hình thành phần, phần mềm cung cấp thêm AFIT (điều chỉnh độ phức tạp – dùng để so sánh các mô hình) và OPE (sai số dự báo ngoài mẫu). Giá trị OPE < 1 chứng tỏ mô hình của bạn có sai số dự báo ngoài mẫu thấp hơn so với một mô hình rỗng (null model).
• Thước đo cục bộ (Local Fit): FIT_M và FIT_S chỉ định tỷ lệ phương sai giải thích riêng cho mô hình đo lường và cấu trúc. OPE_M và OPE_S biểu thị sai số dự báo ngoài mẫu trung bình của các mô hình phụ tương ứng.

Đánh giá mô hình đo lường:

• Yếu tố: Đánh giá qua độ tin cậy nhất quán nội bộ (Cronbach’s α, ρ_c), độ giá trị hội tụ (AVE), độ giá trị phân biệt (HTMT), và ý nghĩa thống kê của hệ số tải yếu tố. Lưu ý rằng chỉ số ρ_c (Dillon-Goldstein’s rho) ưu việt hơn α vì nó không đòi hỏi giả định các hệ số tải trong quần thể phải bằng nhau. Đối với HTMT, tỷ lệ lớn hơn 0.90 (hoặc 0.85 giữa các khái niệm khác biệt) là tín hiệu cảnh báo vi phạm tính phân biệt (Henseler et al., 2015).
• Thành phần: Đánh giá qua trọng số thành phần, hệ số tải thành phần, và tỷ lệ phương sai giải thích (PVE) để kiểm tra tính đơn nguyên (unidimensionality). Dựa trên tiêu chuẩn Kaiser (1960), tính đơn nguyên được xác nhận nếu một thành phần duy nhất giải thích tối thiểu 70% phương sai của các chỉ báo (PVE ≥ 0.70).

Đánh giá mô hình cấu trúc: Kiểm tra VIF để phát hiện đa cộng tuyến, mức độ ý nghĩa của hệ số đường dẫn, hệ số xác định (R²) và kích thước hiệu ứng (f²). Khoảng tin cậy bootstrap 95% không chứa số 0 sẽ khẳng định ý nghĩa thống kê của hệ số. Với f², các giá trị 0.02, 0.15, và 0.35 lần lượt đại diện cho sức mạnh hiệu ứng nhỏ, trung bình, và lớn.

4. Hướng Dẫn Chuẩn Bị Dữ Liệu Cho GSCA Pro (Data Preparation)

Để phần mềm vận hành trơn tru, người làm nghiên cứu khoa học cần chuẩn bị dữ liệu theo các quy tắc nghiêm ngặt sau:

• Cấu trúc tệp: Tên biến (indicators) phải được đặt ở hàng đầu tiên của bộ dữ liệu. Nếu bỏ trống, phần mềm sẽ tự động gán nhãn V_1, V_2, …, V_J. Các hàng tiếp theo chứa điểm số cá nhân của N quan sát (mỗi hàng tương ứng với một cá nhân).
• Định dạng: Dữ liệu bắt buộc chỉ chứa ký tự số (numeric only). Hỗ trợ các định dạng .txt, .csv, và .xlsx.
• Xử lý dữ liệu khuyết (Missing Values): Mặc định, tất cả các giá trị bị thiếu phải được ký hiệu bằng số -9999. Bạn cũng có thể thiết lập một giá trị số học khác để biểu thị dữ liệu khuyết trong phần mềm.
• Cơ chế xử lý: GSCA Pro sẽ chuyển đổi ma trận dữ liệu thô N x J thành ma trận hiệp phương sai J x J của các chỉ báo trước khi ước lượng, giúp giảm tải đáng kể gánh nặng tính toán đối với các bộ dữ liệu mẫu lớn. Phần mềm hiện không yêu cầu mức RAM cố định, do tài nguyên tiêu thụ sẽ phụ thuộc vào kích thước ma trận hiệp phương sai và độ phức tạp cấu trúc mô hình.

5. Minh Họa 3 Phương Pháp Ước Lượng Thực Tế (Empirical Illustrations)

Bài báo đã trình bày 3 trường hợp ứng dụng thực tiễn để minh họa sức mạnh của GSCA Pro:

5.1. GSCA (Mô hình chỉ có Thành phần)

• Dữ liệu: Nghiên cứu của Jun et al. (2011) trên 1.212 công nhân khuyết tật tại Hàn Quốc (N=1212). Bộ dữ liệu đi kèm 6 biến kiểm soát: giới tính, tuổi tác, loại khuyết tật, mức độ khuyết tật, và 2 biến giả về tình trạng hôn nhân.
• Mô hình: Khảo sát 4 khái niệm (Tình trạng kinh tế xã hội – SES, hành vi sức khỏe, tình trạng sức khỏe, sự hài lòng công việc) được xem là Thành phần. Theo quy định của GSCA Pro, ngay cả các biến kiểm soát cũng phải được mô hình hóa dưới dạng một thành phần đơn chỉ báo (single-indicator component).
• Kết quả: Mô hình đạt độ phù hợp tốt (GFI = 0.98, SRMR = 0.04, FIT = 0.50, OPE = 0.50). Về cấu trúc, SES có tác động tích cực và có ý nghĩa thống kê đến hành vi sức khỏe (ước lượng 0.08, Sai số chuẩn SE=0.04, Khoảng tin cậy 95% CI=[0.01, 0.15]), tình trạng sức khỏe (0.20, SE=0.03, CI=[0.15, 0.26]), và sự hài lòng công việc (0.44, SE=0.03, CI=[0.39, 0.49]). Thêm vào đó, hành vi sức khỏe tác động dương lên tình trạng sức khỏe (0.05), và tình trạng sức khỏe tác động tích cực lên sự hài lòng công việc (0.21). Đa cộng tuyến rất thấp với VIF cao nhất chỉ là 1.65 (đối với biến Age tác động lên sự hài lòng).

5.2. GSCA_M (Mô hình chỉ có Yếu tố)

• Dữ liệu: Nghiên cứu của Boubker và Douayri (2020) khảo sát 195 người tiêu dùng các sản phẩm từ sữa tại Ma-rốc (N=195).
• Mô hình: Phân tích sự hài lòng của khách hàng (CS), thái độ thương hiệu (BA), sự ưa thích thương hiệu (BP) và ý định mua hàng (PI) dưới dạng Yếu tố.
• Kết quả: Mô hình cực kỳ phù hợp (GFI = 0.99, SRMR = 0.07, FIT = 0.86). Về đo lường, độ tin cậy được củng cố vững chắc khi Cronbach’s α và ρ_c đều > 0.7, AVE > 0.7, và HTMT < 0.9 (đảm bảo tính phân biệt giữa các biến tiềm ẩn). Về cấu trúc đường dẫn, CS ảnh hưởng tích cực đến BA (0.62, SE=0.07, CI=[0.47, 0.75]), BP (0.57, SE=0.07, CI=[0.40, 0.70]) và PI (0.45, SE=0.08, CI=[0.30, 0.64]). Cùng lúc, Thái độ thương hiệu BA tác động dương lên BP (0.21) và PI (0.28). Các giá trị VIF đều nhỏ (< 3).

5.3. IGSCA (Mô hình kết hợp Yếu tố và Thành phần)

• Dữ liệu: Nghiên cứu của Le và Dang (2022) trên 773 sinh viên tốt nghiệp tại Việt Nam (N=773).
• Mô hình: Khảo sát 6 đặc điểm tính cách HEXACO (Đại diện bằng Yếu tố: Tính khiêm tốn, Tính đa cảm, Tính hướng ngoại, Tính hòa đồng, Tính tận tâm, và Cởi mở với trải nghiệm) tác động lên Hành vi tìm kiếm mạng lưới công việc (7 biến quan sát, đại diện bằng Thành phần), từ đó ảnh hưởng đến số lượng phỏng vấn (2 biến) và lời mời làm việc (2 biến, đại diện bằng Thành phần).
• Kết quả: Mô hình đạt độ phù hợp xuất sắc (GFI = 0.98, SRMR = 0.03, FIT = 0.83). Phân tích cấu trúc khẳng định mọi tính cách đều có tác động ý nghĩa lên hành vi mạng lưới; đáng chú ý, tính đa cảm (Emotionality) tác động âm (-0.43, SE=0.03, CI=[-0.50, -0.37]), trong khi hướng ngoại (Extraversion) tác động dương lớn nhất (0.41, SE=0.04, CI=[0.33, 0.48]). Hành vi tìm kiếm mạng lưới cũng tác động tích cực đến số lượng phỏng vấn (0.13, SE=0.04) và số lượng lời mời nhận việc (0.09, SE=0.04). VIF của các yếu tố tính cách đối với hành vi mạng lưới đều rất nhỏ (< 3).

6. Thang Đo Lường Chính Thức (Measurement Scale)

Dưới đây là hệ thống thang đo chính thức (được trích xuất từ nghiên cứu của Boubker và Douayri, 2020) để các nhà nghiên cứu có thể sao chép và tái sử dụng vào bảng khảo sát Likert 5 điểm một cách hoàn chỉnh:

Khái Niệm (Construct)	Biến Quan Sát Tiếng Anh (Original Items)	Dịch Nghĩa Tiếng Việt (Vietnamese Translation)	Ký hiệu
Sự Hài Lòng (Consumer Satisfaction)	I am satisfied with my decision to customize the product…	Tôi hài lòng với quyết định tùy chỉnh sản phẩm từ thương hiệu này.	cs1
	Consuming dairy products from this brand is a good idea.	Tiêu thụ sản phẩm từ sữa của thương hiệu này là một ý tưởng hay.	cs2
	I am happy that I customized the product from this brand.	Tôi vui vì đã tùy chỉnh sản phẩm từ thương hiệu này.	cs3
	Consuming dairy products of this brand is a good choice.	Lựa chọn sản phẩm sữa của thương hiệu này là một quyết định đúng.	cs4
	I am disappointed with this brand (reverse scoring).	Tôi thất vọng về thương hiệu này (câu hỏi đảo ngược).	cs5
Thái Độ Thương Hiệu (Brand Attitude)	Unpleasant / pleasant	Không dễ chịu / Dễ chịu	ba1
	Bad / good differential scale	Tồi tệ / Tốt	ba2
	Unfavorable / favorable	Không thuận lợi / Thuận lợi (Không thích/Thích)	ba3
Sự Ưa Thích Thương Hiệu (Brand Preference)	I like this brand better than any other brand…	Tôi thích thương hiệu này hơn bất kỳ thương hiệu sữa nào khác.	bp1
	I would consume this brand more than any other…	Tôi sẽ tiêu dùng thương hiệu này nhiều hơn các thương hiệu khác.	bp2
	I would be inclined to buy dairy products from this brand…	Tôi có khuynh hướng mua sản phẩm của thương hiệu này hơn là nhãn hiệu khác.	b43
	This is my preferred brand overall brands of dairy products.	Đây là thương hiệu sữa tôi ưa thích nhất.	ba4
Ý Định Mua Hàng (Purchase Intentions)	What is the likelihood that you would recommend…	Khả năng bạn giới thiệu thương hiệu này cho người thân là bao nhiêu?	pi1
	You were again consuming dairy products offered by this brand?	Bạn sẽ tiếp tục tiêu thụ sản phẩm sữa của thương hiệu này chứ?	pi2
	Would you recommend dairy products offered by this brand…	Bạn có khuyên bạn bè/người thân dùng sản phẩm này không?	pi3
	Were you buying products offered by this brand?	Bạn đã mua các sản phẩm do thương hiệu này cung cấp chưa?	pi4

7. Mạng Lưới Quan Hệ Lý Thuyết (Nomological Network)

Phân tích từ dữ liệu mô hình yếu tố GSCA_M bằng phần mềm GSCA Pro cho thấy một hệ sinh thái quan hệ rất rõ rệt:

• Tiền tố (Antecedents): Sự Hài Lòng Khách Hàng (Consumer Satisfaction) đóng vai trò là tiền tố cốt lõi, là điểm xuất phát của toàn bộ hành vi. Phân tích chỉ ra rằng biến số này có tác động dương và có ý nghĩa thống kê rất lớn lên Thái Độ Thương Hiệu (Brand Attitude) với hệ số 0.62 (Sai số chuẩn SE=0.07, 95% CI=[0.47, 0.75]).
• Hậu tố (Consequences): Thái Độ Thương Hiệu (Brand Attitude) và Sự Ưa Thích Thương Hiệu (Brand Preference) là các biến trung gian có tính quyết định, tác động trực tiếp lên biến kết quả cuối cùng là Ý Định Mua Hàng (Purchase Intentions) với các hệ số tương ứng đều đạt mức 0.28 và 0.28.

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

Là một giảng viên hướng dẫn phương pháp nghiên cứu, tôi khuyên các nghiên cứu sinh áp dụng GSCA-SEM trong các trường hợp sau để nâng cấp luận văn của mình:

• Lựa chọn mô hình chính xác: Trước khi chạy dữ liệu, hãy tự hỏi khái niệm của bạn là nguyên nhân (nhân tố) hay kết quả của các biến quan sát (thành phần). Không được áp dụng mù quáng phương pháp PLS-SEM truyền thống nếu mô hình của bạn chỉ có nhân tố, vì nó sẽ gây sai lệch ước lượng.
• Sử dụng IGSCA cho mô hình phức hợp: Khi luận văn của bạn kết hợp các đặc tính tâm lý học (đại diện bằng nhân tố, ví dụ: Tính cách HEXACO) và các chỉ số tổng hợp (đại diện bằng thành phần, ví dụ: Hành vi tìm kiếm việc làm), hãy sử dụng tính năng Analysis -> IGSCA trong GSCA Pro. Trong giao diện phần mềm, bạn chỉ cần click đúp vào hình lục giác hoặc hình tròn đại diện cho khái niệm, bảng “Assign Indicators to Constructs” sẽ mở ra để bạn gán các chỉ báo tương ứng dưới dạng các biến tự do (gắn nhãn “Free”).
• Tối ưu kiểm định Bootstrap: Luôn thiết lập một số lượng lớn mẫu bootstrap (khuyến nghị tối thiểu 2000 mẫu) để thuật toán tái lấy mẫu phi tham số có thể tính toán các chỉ số lỗi dự đoán ngoài mẫu một cách đáng tin cậy (như OPE, OPE_M, OPE_S).

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

Dưới góc độ thực tiễn kinh doanh, các nhà quản trị có thể áp dụng logic của hệ thống GSCA-SEM để thiết kế các chỉ số đo lường hiệu suất (KPI) hoặc phân tích dữ liệu khách hàng:

• Xây dựng chỉ số tổng hợp (Index Construction): Khi đo lường “Áp lực công việc” của nhân sự, đừng coi nó là một “cảm xúc vô hình”. Hãy coi nó là một Thành phần (Component) được tạo ra bởi: khối lượng công việc, môi trường an toàn, và mức độ kiểm soát. Bằng cách này, nhà quản trị biết chính xác cần can thiệp phân bổ nguồn lực vào yếu tố nào để giảm áp lực tổng thể.
• Tối ưu hóa hành trình khách hàng: Dựa trên mô hình đo lường sự hài lòng bằng GSCA_M, doanh nghiệp cần hiểu rằng sự hài lòng với sản phẩm tùy chỉnh sẽ dẫn dắt mạnh mẽ đến thái độ tích cực đối với toàn bộ thương hiệu, từ đó trực tiếp thúc đẩy sự trung thành và hành vi mua lặp lại.

10. Các Câu Hỏi Thường Gặp (FAQ)

Sự khác biệt bản chất giữa phương pháp GSCA và phương pháp PLS-SEM truyền thống là gì?

GSCA là phương pháp SEM dựa trên thành phần mang tính tổng quát nhất, dựa vào hàm mục tiêu bình phương tối thiểu. Phương pháp PLS-SEM truyền thống thực chất chỉ là một trường hợp đặc biệt (special case) nằm bên trong phương pháp GSCA. Không giống PLS-SEM, GSCA cung cấp một mô hình quần thể rõ ràng, minh bạch và đem lại các ước lượng khách quan, không bị chệch (unbiased estimator) cho các mô hình chứa thành phần.

Làm thế nào để giải quyết vấn đề đa cộng tuyến (Multicollinearity) trong GSCA-SEM?

Phần mềm GSCA Pro cung cấp chỉ số Hệ số lạm phát phương sai (Variance Inflation Factor – VIF) cho các đường dẫn cấu trúc để kiểm tra đa cộng tuyến. Nếu giá trị VIF ≥ 5, mô hình của bạn đang đối mặt với mức độ cộng tuyến nghiêm trọng, có nguy cơ làm mất tính ổn định của dấu hệ số hoặc làm sai lệch kết luận thống kê. Mức độ lý tưởng nhất là luôn tối ưu hóa các biến để giữ VIF < 3.

Tôi có thể sử dụng chỉ số R² (R-squared) để đánh giá sức mạnh của toàn bộ mô hình không?

Bạn không nên lạm dụng R² để đánh giá toàn cục. Trong GSCA Pro, R² chỉ phản ánh mức độ giải thích phương sai (in-sample error) của các biến độc lập lên một biến phụ thuộc cụ thể trong mô hình cấu trúc. Để đánh giá và so sánh sức mạnh dự báo tổng thể giữa nhiều mô hình cạnh tranh, bạn cần sử dụng các chỉ số toàn diện hơn như AFIT (Adjusted FIT) để đánh giá sức mạnh giải thích đã được điều chỉnh độ phức tạp, hoặc OPE (Out-of-sample prediction error) nhằm phân tích sai số dự báo thực tế.

11. Lời Kết & Tuyên Bố Trách Nhiệm (Conclusion & Disclaimers)

GSCA Pro là một phần mềm độc lập, thân thiện và miễn phí dành cho việc áp dụng GSCA-SEM. Hướng dẫn này đã minh họa rõ nét cách sử dụng phần mềm để ước lượng các mô hình chỉ có yếu tố, chỉ có thành phần, và hỗn hợp, thông qua cả lý thuyết lập mô hình, ước lượng, và đánh giá tiêu chuẩn. Với khả năng đáp ứng linh hoạt các cách đại diện thống kê khác nhau của các khái niệm, GSCA-SEM chính là phương pháp SEM đa năng nhất hiện nay, cung cấp giá trị phân tích vượt trội. Điều này hứa hẹn sẽ đưa GSCA Pro trở thành phần mềm được lựa chọn hàng đầu cho các nghiên cứu liên ngành phức tạp trong tương lai. (Ghi chú: Nhóm tác giả tuyên bố hoàn toàn không có xung đột lợi ích tiềm ẩn nào trong nghiên cứu này).

12. Tài Liệu Tham Khảo (References)

• Aittomäki, A., Lahelma, E., & Roos, E. (2003). Work conditions and socioeconomic inequalities in work ability. Scandinavian Journal of Work, Environment and Health, 29, 159-165.
• American Psychological Association (2007). Report of the APA Task Force on Socioeconomic Status.
• Ashton, M. C., & Lee, K. (2009). The HEXACO-60: a short measure of the major dimensions of personality. Journal of Personality Assessment, 91, 340-345.
• Bentler, P. M., & Weeks, D. G. (1980). Linear structural equations with latent variables. Psychometrika, 45, 289-308.
• Bollen, K. A. (1989). Structural equations with latent variables. Wiley.
• Bollen, K. A. (2011). Evaluating effect, composite, and causal indicators in structural equation models. MIS Quarterly, 35, 359-372.
• Bollen, K. A. (2019). Model implied instrumental variables (MIIVs): An alternative orientation to structural equation modeling. Multivariate Behavioral Research, 54, 31-46.
• Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2003). The theoretical status of latent variables. Psychological Review, 110, 203-219.
• Borsboom, D., Mellenbergh, G. J., & Van Heerden, J. (2004). The concept of validity. Psychological Review, 111, 1061-1071.
• Boubker, O., & Douayri, K. (2020). Dataset on the relationship between consumer satisfaction, brand attitude, brand preference and purchase intentions of dairy product… Data in Brief, 32, 106172.
• Box-Steffensmeier, J. M., et al. (2022). The future of human behaviour research. Nature Human Behaviour, 6, 15-24.
• Bull, F. C., Maslin, T. S., & Armstrong, T. (2009). Global physical activity questionnaire (GPAQ)… Journal of Physical Activity and Health, 6, 790-804.
• Chatterjee, S., & Price, B. (1977). Regression analysis by example. Wiley.
• Chin, W. W. (1998). The partial least squares approach for structural equation modeling.
• Cho, G., & Choi, J. Y. (2020). An empirical comparison of generalized structured component analysis… Behaviormetrika, 47, 243-272.
• Cho, G., & Hwang, H. (2023a). Deep learning generalized structured component analysis… Structural Equation Modeling.
• Cho, G., & Hwang, H. (2023b). Structured factor analysis… Structural Equation Modeling, 30, 364-377.
• Cho, G., & Hwang, H. (2021). Generalized structured component analysis accommodating convex components.
• Cho, G., Hwang, H., Sarstedt, M., & Ringle, C. M. (2020). Cutoff criteria for overall model fit indexes… Journal of Marketing Analytics, 8, 189-202.
• Cho, G., Jung, K., & Hwang, H. (2019). Out-of-bag prediction error… Multivariate Behavioral Research, 54, 505-513.
• Cho, G., Sarstedt, M., & Hwang, H. (2022). A comparative evaluation of factor and component-based SEM… The British Journal of Mathematical and Statistical Psychology, 75, 220-251.
• Cho, G., Schlaegel, C., et al. (2022). Integrated generalized structured component analysis… Management International Review, 62, 569-609.
• Choi, J. Y., & Hwang, H. (2020). Bayesian generalized structured component analysis. The British Journal of Mathematical and Statistical Psychology, 73, 347-373.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences.
• Côté, S., Saks, A. M., & Zikic, J. (2006). Trait affect and job search outcomes. Journal of Vocational Behavior, 68, 233-252.
• Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16, 297-334.
• Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281-302.
• Croon, M. (2002). Using predicted latent scores in general latent structure models.
• Davison, A. C., & Hinkley, D. V. (1997). Bootstrap methods and their application.
• Diamantopoulos, A., et al. (2012). Guidelines for choosing between multi-item and single-item scales… Journal of the Academy of Marketing Science, 40, 434-449.
• Dijkstra, T. K. (2011). Consistent partial least squares estimators…
• Dijkstra, T. K. (2013). Composites as factors…
• Dijkstra, T. K. (2017). A perfect match between a model and a mode.
• Dijkstra, T. K., & Henseler, J. (2015a, 2015b). Consistent partial least squares path modeling. MIS Quarterly, 39, 297-316 / Computational Statistics and Data Analysis, 81, 10-23.
• Drolet, A. L., & Morrison, D. G. (2001). Do we really need multiple-item measures… Journal of Service Research, 3, 196-204.
• Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7, 1-26.
• Fornell, C., et al. (1996). The American customer satisfaction index… Journal of Marketing, 60, 7-18.
• Franke, G., & Sarstedt, M. (2019). Heuristics versus statistics in discriminant validity testing… Internet Research, 29, 430-447.
• Götz, O., Liehr-Gobbers, K., & Krafft, M. (2010). Evaluation of structural equation models using the PLS approach.
• Guyon, H., et al. (2018). Measurement, ontology, and epistemology… Theory and Psychology, 28, 149-171.
• Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19, 139-152.
• Hair, J. F., et al. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31, 2-24.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity… Journal of the Academy of Marketing Science, 43, 115-135.
• Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes… Structural Equation Modeling, 6, 1-55.
• Hwang, H., & Cho, G. (2020). Global least squares path modeling… Psychometrika, 85, 947-972.
• Hwang, H., & Takane, Y. (2004). Generalized structured component analysis. Psychometrika, 69, 81-99.
• Hwang, H., & Takane, Y. (2014). Generalized structured component analysis. Chapman and Hall/CRC Press.
• Hwang, H., Cho, G., & Choo, H. (2023). GSCA Pro for Window User’s Manual.
• Hwang, H., et al. (2021). An approach to structural equation modeling with both factors and components… Psychological Methods, 26, 273-294.
• Hwang, H., Desarbo, W. S., & Takane, Y. (2007). Fuzzy clusterwise generalized structured component analysis. Psychometrika, 72, 181-198.
• Hwang, H., et al. (2023). A primer on integrated generalized structured component analysis. European Business Review, 35, 261-284.
• Hwang, H., Takane, Y., & Jung, K. (2017). Generalized structured component analysis with uniqueness terms… Frontiers in Psychology, 8, 2137.
• Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis… Philosophical Transactions, 374, 20150202.
• Jöreskog, K. G. (1971, 1973, 1978). Various papers on structural equation systems. Psychometrika.
• Jöreskog, K. G., & Wold, H. (1982). The ML and PLS techniques for modeling with latent variables.
• Jun, Y. H., Nam, Y. H., & Ryu, J.-J. (2011). Relationships among socioeconomic status, health behavior… Disability and Employment, 21, 187-208.
• Jung, K., et al. (2019). Comparison of bootstrap confidence interval methods for GSCA… Frontiers in Psychology, 10, 2215.
• Kaiser, H. F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement, 20, 141-151.
• Kline, R. B. (2016). Principles and practice of structural equation modeling.
• Le, S. T., & Dang, C. X. (2022). Data for the link between HEXACO personality traits and job search outcomes in Vietnam. Data in Brief, 45, 108677.
• Lin, S. P., & Le, S. T. (2019). Predictors and outcomes of Vietnamese university graduates networking behavior… Social Behavior and Personality, 47, 1-11.
• Lohman, T. G. (1992). Advances in body composition assessment.
• MacCallum, R. C., et al. (1999, 2001). Sample size in factor analysis. Psychological Methods & Multivariate Behavioral Research.
• McArdle, J. J., & McDonald, R. P. (1984). Some algebraic properties of the reticular action model… The British Journal of Mathematical and Statistical Psychology, 37, 234-251.
• McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23, 412-433.
• Rhemtulla, M., van Bork, R., & Borsboom, D. (2020). Worse than measurement error… Psychological Methods, 25, 30-45.
• Rigdon, E. E. (2012, 2017). Papers on PLS-SEM and CB-SEM comparisons.
• Roemer, E., Schuberth, F., & Henseler, J. (2021). HTMT2—an improved criterion… Industrial Management Data Systems, 121, 2637-2650.
• Rönkkö, M., & Cho, E. (2022). An updated guideline for assessing discriminant validity. Organizational Research Methods, 25, 6-14.
• Sarstedt, M., et al. (2016). Estimation issues with PLS and CBSEM: Where the bias lies!. Journal of Business Research, 69, 3998-4010.
• Sharma, P., et al. (2019). PLS-based model selection… Journal of the Association for Information Systems, 20, 346-397.
• Skrondal, A., & Laake, P. (2001). Regression among factor scores. Psychometrika, 66, 563-575.
• Tenenhaus, M. (2008). Component-based structural equation modelling. Total Quality Management & Business Excellence, 19, 871-886.
• van der Maas, H. L. J., Kan, K.-J., & Borsboom, D. (2014). Intelligence is what the intelligence test measures. Journal of Intelligence, 2, 12-15.
• von Zimmermann, C., et al. (2020). Physical activity and body composition are associated with severity and risk of depression… Frontiers in Psychiatry, 11, 494.

13. Lời kêu gọi hành động (CTA)

Việc nắm vững và áp dụng công cụ GSCA-SEM thông qua phần mềm GSCA Pro sẽ mở ra bước ngoặt lớn, giúp các công trình nghiên cứu và luận văn của bạn đáp ứng tiêu chuẩn khắt khe nhất của các tạp chí quốc tế Q1. Đừng chỉ dừng lại ở lý thuyết, hãy bắt tay vào thực hành phân tích dữ liệu ngay hôm nay.

Hwang, H., Cho, G., & Choo, H. (2024). GSCA Pro—Free Stand-Alone Software for Structural Equation Modeling. Structural Equation Modeling: A Multidisciplinary Journal, 31(4), 696-711.