Mô hình đường dẫn bình phương tối thiểu toàn cục (GLSPM) – Hwang & Cho 2020

Mô hình GLSPM (Global Least Squares Path Modeling) là một phương pháp phân tích phương trình cấu trúc (SEM) dựa trên thành phần sử dụng thông tin đầy đủ (full-information). Nguyên nhân chính ra đời của mô hình này là để khắc phục sự thiếu sót của mô hình PLSPM truyền thống, vốn chỉ xử lý thông tin hạn chế qua hai giai đoạn tuần tự mà không có tiêu chí tối ưu hóa thống nhất. Giải pháp nhanh nhất và triệt để nhất mà Mô hình GLSPM mang lại là cực tiểu hóa một tiêu chí bình phương tối thiểu duy nhất thông qua thuật toán lặp (ALS), giúp ước lượng đồng thời toàn bộ trọng số thành phần, hệ số tải và hệ số đường dẫn với độ chính xác cao.

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

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: Global Least Squares Path Modeling: A Full-Information Alternative to Partial Least Squares Path Modeling
• Tiêu đề tiếng Việt: Mô hình đường dẫn bình phương tối thiểu toàn cục: Một phương pháp thay thế đầy đủ thông tin cho mô hình đường dẫn bình phương tối thiểu bán phần
• Tác giả: Heungsun Hwang và Gyeongcheol Cho
• Tạp chí: Psychometrika (2020)

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Mô hình đường dẫn bình phương tối thiểu bán phần [Tiếng Anh: Partial Least Squares Path Modeling – PLSPM] là một công cụ phân tích thống kê tiêu chuẩn, nổi tiếng trong phương pháp mô hình hóa phương trình cấu trúc (SEM) dựa trên thành phần. Trong đó, các khái niệm (constructs) được biểu diễn bằng các biến tổng hợp có trọng số của các biến quan sát.

Tuy nhiên, giới nghiên cứu học thuật đối mặt với một khoảng trống phương pháp luận nghiêm trọng:

• Tính chất thông tin hạn chế (Limited-information): PLSPM chia quá trình ước lượng thành hai giai đoạn tuần tự tách biệt. Giai đoạn một ước lượng các trọng số thành phần được gán cho một khối biến quan sát bằng thuật toán lặp. Giai đoạn hai thực hiện một loạt các phân tích hồi quy tuyến tính (không lặp) để ước lượng các tham số còn lại (hệ số tải và hệ số đường dẫn).
• Thiếu tiêu chí tối ưu hóa duy nhất: Do áp dụng tuần tự, mô hình không có một tiêu chí thống nhất để tối thiểu hóa sai số cho toàn bộ hệ phương trình cùng lúc.
• Hạn chế của thuật toán Lohmöller (1989): Thuật toán này lặp lại hai bước (ước lượng bên trong và ước lượng bên ngoài theo Chế độ A/Mode A hoặc Chế độ B/Mode B). Tuy được sử dụng rộng rãi trên SmartPLS hay XLSTAT, thuật toán này bị chỉ trích nặng nề vì không đảm bảo sự hội tụ đơn điệu (monotonic convergence) và thiếu nền tảng lý thuyết rõ ràng để khẳng định các trọng số ước lượng được là tối ưu.

1.3 Hệ thống Lý thuyết nền tảng & Các phương pháp hiện có (Theoretical Foundations & Existing Methods)

Để giải quyết bài toán của thuật toán Lohmöller, nhiều học giả đã đề xuất các lý thuyết nền tảng và phương pháp tinh chỉnh cho giai đoạn đầu tiên, cụ thể:

• Thuật toán của Wold (1985) & Hanafi (2007): Đề xuất tiêu chí tối đa hóa tương quan mở rộng dành riêng cho Chế độ B (Mode B).
• RGCCA (Tenenhaus & Tenenhaus, 2011): Phân tích tương quan chính tắc tổng quát được chuẩn hóa. Phương pháp này sử dụng tiêu chí tối đa hóa hiệp phương sai/tương quan duy nhất cho đa khối, và khi chuẩn hóa, nó cho kết quả giống với Chế độ B của Lohmöller.
• Quy trình của Hwang et al. (2015): Đề xuất tiêu chí bình phương tối thiểu duy nhất để ước lượng trọng số thành phần, hoạt động tương đương thuật toán Lohmöller dưới cả Chế độ A và B.

Dù vậy, các phương pháp trên vẫn chỉ xử lý “thông tin hạn chế” cho giai đoạn 1. Do đó, Mô hình GLSPM được phát triển nhằm tích hợp cả hai giai đoạn. Từ góc độ thuật toán học thuật, phương pháp đề xuất này có thể được xem như một trường hợp đặc biệt theo khối (block-wise special case) của Phân tích thành phần cấu trúc tổng quát (GSCA), khắc phục hoàn toàn nhược điểm của SEM truyền thống.

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

Mô hình GLSPM được định nghĩa là một phương pháp tiếp cận thông tin đầy đủ (full-information), trong đó một tiêu chí bình phương tối thiểu duy nhất được tối thiểu hóa một cách nhất quán để ước lượng toàn bộ các tham số của mô hình cấu trúc cùng một lúc, thay vì tách làm các cụm biến rời rạc.

Dưới góc độ cấu trúc toán học, PLSPM và Mô hình GLSPM bao gồm ba thành phần tham số cốt lõi. Trong đó, hệ thống ký hiệu quy ước chuẩn như sau:

• Trọng số thành phần (Component weights – ký hiệu là w_j): Hệ số gán cho các biến quan sát để tạo ra các điểm số thành phần tổng hợp. Nó quyết định mức độ đóng góp của từng biến đo lường vào khái niệm ẩn.
• Hệ số tải đo lường (Loadings – ký hiệu là c_j): Hệ số biểu diễn mối quan hệ hồi quy từ biến quan sát lên thành phần đại diện của nó. Trong mô hình phản xạ (hướng ra ngoài), hệ số này phản ánh độ tin cậy của thang đo.
• Hệ số đường dẫn (Path coefficients – ký hiệu là b_j): Hệ số thể hiện mối quan hệ nhân quả/tác động giữa các thành phần độc lập (như nguyên nhân) và thành phần phụ thuộc (như kết quả) trong mô hình cấu trúc.

Sự khác biệt cốt lõi là Mô hình GLSPM không xử lý chúng tách rời mà đưa tất cả (w_j, c_j, b_j) vào một hàm mục tiêu duy nhất. Các mô hình truyền thống thường phân mảnh, dẫn đến việc giải thích các chỉ số như R² (hệ số xác định) hay Q² (năng lực dự báo) có thể bị thiên lệch, nhưng GLSPM giúp tối ưu hóa tổng thể.

3. Quy Trình Phát Triển Thang Đo & Thuật Toán Tối Ưu Hóa (Scale Development Process & Optimization)

Thay vì đi theo lối mòn của Lohmöller, để phát triển thang đo và ước lượng trọng số chuẩn xác, bài nghiên cứu đưa ra hàm tiêu chí tối ưu hóa và áp dụng Thuật toán Bình phương Tối thiểu Luân phiên (Alternating Least Squares – ALS). Thuật toán này lặp lại liên tục 4 bước sau cho đến khi sự chênh lệch (ngưỡng hội tụ đạt mức 0.00001) không còn đáng kể:

• Bước 1 (Cập nhật ước lượng bên trong – inner weights, e_j): Tính toán và cập nhật trọng số bên trong với các tham số khác được giữ cố định. Bước này thay thế các lược đồ (schemes) cảm tính của Lohmöller bằng một ước lượng toán học chính xác.
• Bước 2 (Cập nhật trọng số thành phần – component weights, w_j): Cập nhật véc-tơ trọng số theo khối dựa trên biến nhị phân alpha. Ở Chế độ A (Mode A), bài toán ràng buộc bậc hai này được giải quyết trơn tru bằng thuật toán điểm trong (interior point algorithm). Ở Chế độ B (Mode B), nó biến thành bài toán tối đa hóa được giải quyết bằng phép phân tích suy biến (Singular Value Decomposition – SVD).
• Bước 3 (Cập nhật hệ số tải – loadings, c_j): Cập nhật mối quan hệ cấu trúc của biến quan sát thông qua nguyên lý hồi quy bình phương tối thiểu thông thường.
• Bước 4 (Cập nhật hệ số đường dẫn – path coefficients, b_j): Cập nhật mối quan hệ nhân quả giữa các thành phần độc lập và phụ thuộc.

Lưu ý quan trọng cho nhà nghiên cứu: Vì Mô hình GLSPM là một phương pháp phi tham số (distribution-free, không yêu cầu dữ liệu có phân phối chuẩn đa biến), thuật toán sử dụng kỹ thuật Bootstrap phi tham số (Efron, 1979) để lấy Sai số chuẩn (Standard Errors – SE) và Khoảng tin cậy thay vì dựa vào lý thuyết phân phối chuẩn thông thường. Để tránh việc hàm hội tụ tại các “cực tiểu cục bộ” (local minima), GLSPM lặp lại thuật toán với nhiều tập giá trị khởi tạo ngẫu nhiên.

4. Thang Đo Lường Chính Thức (Measurement Scale)

Để minh họa tính ứng dụng thực tế, nghiên cứu sử dụng bộ dữ liệu Chỉ số Hài lòng Khách hàng Mỹ (ACSI) khảo sát 774 người tiêu dùng (N = 774) đối với các dịch vụ hành chính công. Dưới đây là hệ thống biến quan sát được trích xuất trực tiếp:

Khái niệm (Constructs)	Biến quan sát (Items – Tiếng Anh gốc)	Bản dịch Tiếng Việt (Ý nghĩa ứng dụng)
Customer Expectations (CE)	Z1: Customer expectations about overall quality	Kỳ vọng của khách hàng về chất lượng tổng thể
	Z2: Customer expectations about reliability	Kỳ vọng của khách hàng về độ tin cậy
	Z3: Customer expectations about customization	Kỳ vọng của khách hàng về tính tùy chỉnh
Perceived Quality (PQ)	Z4: Overall quality	Chất lượng tổng thể cảm nhận thực tế
	Z5: Reliability	Độ tin cậy cảm nhận thực tế
	Z6: Customization	Tính tùy chỉnh cảm nhận thực tế
Perceived Value (PV)	Z7: Price given quality	Đánh giá Giá cả xét trên tương quan chất lượng
	Z8: Quality given price	Đánh giá Chất lượng xét trên tương quan giá cả
Customer Satisfaction (CS)	Z9: Overall customer satisfaction	Sự hài lòng tổng thể của khách hàng
	Z10: Confirmation of expectations	Mức độ dịch vụ đáp ứng/xác nhận kỳ vọng
	Z11: Distance to ideal product or service	Khoảng cách so với sản phẩm/dịch vụ lý tưởng
Customer Complaints (CC)	Z12: Formal or informal complaint behavior	Hành vi phàn nàn chính thức hoặc phi chính thức
Customer Loyalty (CL)	Z13: Repurchase intention	Ý định tiếp tục sử dụng/mua lại
	Z14: Price tolerance	Độ dung sai về giá (Sẵn lòng trả giá cao hơn)

(Ghi chú: Bộ thang đo này sử dụng Chế độ A / Mode A làm cơ sở mặc định để ước lượng các thành phần theo cấu trúc ACSI chuẩn.)

5. Mạng Lưới Quan Hệ Lý Thuyết & Phân Tích Dữ Liệu Mô Phỏng (Nomological Network & Simulation Data)

Mạng lưới quan hệ (Nomological Network): Dựa trên cấu trúc hàn lâm của mô hình ACSI, mạng lưới cấu trúc được xác lập logic như sau:

• Tiền tố (Antecedents): Kỳ vọng (CE), Chất lượng cảm nhận (PQ), và Giá trị cảm nhận (PV) là các biến độc lập khởi tạo.
• Biến trung tâm (Focal Construct): Sự hài lòng của khách hàng (CS) đóng vai trò xương sống của mạng lưới.
• Hậu tố (Consequences): Sự hài lòng (CS) có sức mạnh tác động nhân quả trực tiếp tới Lời phàn nàn (CC) và Lòng trung thành (CL).

Kết quả Phân Tích Dữ Liệu Mô Phỏng (Simulation Data Analysis): Nghiên cứu tiến hành phương pháp mô phỏng Monte Carlo để đánh giá khả năng phục hồi tham số dựa trên 3 yếu tố thực nghiệm: Chế độ (Mode A và Mode B), Kích thước mẫu (N = 100, 200, 500, 1000), và Hệ số tương quan giữa các thành phần độc lập (r = 0, 0.2, 0.4). Ba chỉ số dùng để đánh giá bao gồm: Độ chệch tương đối (RB), Độ lệch chuẩn (SD), và Sai số bình phương trung bình gốc (RMSE).

• Dưới Chế độ A (Mode A): Mô hình GLSPM thể hiện sự vượt trội tuyệt đối. Nó cung cấp các ước lượng hoàn toàn không chệch (unbiased) cho trọng số và hệ số tải trong MỌI điều kiện. Trong khi đó, các phương pháp thông tin hạn chế (như Lohmöller, Wold) bị chệch đáng kể khi kích thước mẫu nhỏ (N ≤ 200) hoặc tương quan thành phần ở mức khá (r = 0.4). Độ lệch chuẩn (SD) và sai số bình phương trung bình gốc (RMSE) của Mô hình GLSPM luôn nhỏ hơn hẳn các phương pháp khác.
• Dưới Chế độ B (Mode B): Tất cả các phương pháp (GLSPM, Lohmöller, Wold, RGCCA) nhìn chung hoạt động tương đương nhau. Khi độ tương quan r = 0.4, tất cả các phương pháp đều có độ chệch nhất định, nhưng giảm dần khi tăng kích thước mẫu lên N = 1000.

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

Dưới góc độ một Giáo sư hướng dẫn phương pháp nghiên cứu định lượng, tôi đưa ra các khuyến nghị thiết thực sau cho nghiên cứu sinh:

1. Chuyển đổi phương pháp luận: Khi thực hiện nghiên cứu SEM dựa trên thành phần (đặc biệt khi thiết lập biến theo Chế độ A / Mode A – Mô hình phản xạ), nhà nghiên cứu nên mạnh dạn bảo vệ việc sử dụng Mô hình GLSPM thay cho thuật toán Lohmöller truyền thống (vốn mặc định trên SmartPLS). Dữ liệu mô phỏng đã chứng minh GLSPM cung cấp ước lượng không chệch và sai số chuẩn (SE) nhỏ hơn rất nhiều. Điều này giúp bài báo của bạn có giá trị khoa học (Topical Authority) cao hơn.
2. Khắc phục tương quan cao: Trong các mô hình quản trị kinh doanh thực tế, các biến số thường có sự tương quan cao (r ≥ 0.4). PLSPM truyền thống thường bị nhiễu và sai số lớn (RMSE tăng vọt). Việc áp dụng GLSPM chứng minh tính ưu việt rõ rệt trong việc kiểm soát sự chệch hướng của dữ liệu.
3. Xử lý các chỉ số thống kê & Bootstrap: Vì GLSPM không yêu cầu phân phối chuẩn, bạn tuyệt đối không dùng các kiểm định tham số thông thường (như T-test với giả định phân phối chuẩn). Bắt buộc phải sử dụng kỹ thuật Bootstrap phi tham số (khuyến nghị từ 500 – 1000 mẫu bootstrap) để tính toán mức độ ý nghĩa thống kê của hệ số đường dẫn (path coefficients). Các chỉ số đánh giá độ phù hợp như R² (R-squared) hay GoF (Goodness of Fit) cần được diễn giải dưới lăng kính của phương pháp bình phương tối thiểu toàn cục.

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

Không chỉ mang tính hàn lâm, kết quả chạy dữ liệu ACSI thông qua Mô hình GLSPM (Bảng 7 và Bảng 8) mang lại những hệ số đường dẫn (path coefficients) cực kỳ chính xác để nhà quản trị ra quyết định:

• Bác bỏ “Kỳ vọng ảo” – Tập trung vào “Chất lượng Thực tế”: Bảng kết quả chỉ ra hệ số đường dẫn từ Chất lượng cảm nhận (PQ) đến Sự hài lòng (CS) đạt mức 0.67 (mức độ tác động rất mạnh). Ngược lại, tác động từ Kỳ vọng khách hàng (CE) đến Sự hài lòng (CS) lại không có ý nghĩa thống kê (hệ số chỉ đạt 0.03 với sai số SE là 0.02). Bài học thực tế: Marketer không nên vung tiền vào quảng cáo phóng đại để tạo kỳ vọng ảo (CE). Thay vào đó, hãy đầu tư trực tiếp vào R&D và quy trình kiểm soát chất lượng (PQ) vì chất lượng thực tế mới là nhân tố quyết định sự hài lòng.
• Chiến lược Định giá Dựa trên Giá trị (Value-based Pricing): Chất lượng cảm nhận (PQ) có tác động mạnh mẽ (hệ số 0.65) đến Giá trị cảm nhận (PV). Điều này xác nhận rằng khách hàng không “mua hàng giá rẻ”, họ “mua hàng có giá trị”. Nếu doanh nghiệp chứng minh được sự tùy chỉnh (Customization) và độ tin cậy (Reliability), khách hàng sẵn sàng định giá sản phẩm ở phân khúc cao cấp.
• Quản trị Lòng trung thành & Dung sai về giá: Sự hài lòng (CS) có tác động trực tiếp và cực mạnh (hệ số 0.58) đến Lòng trung thành (CL), bao gồm Ý định mua lại (Z13) và Độ dung sai về giá (Z14). Sự hài lòng chính là rào cản vững chắc nhất giúp doanh nghiệp có thể tăng giá bán trong tương lai mà không sợ mất khách hàng vào tay đối thủ.

8. Các Câu Hỏi Thường Gặp (FAQ)

Điểm khác biệt cốt lõi giữa PLSPM và Mô hình GLSPM là gì?

Khác biệt cốt lõi nằm ở cách xử lý hệ thống thông tin. PLSPM là phương pháp “thông tin hạn chế” (limited-information), giải bài toán qua 2 bước tách biệt một cách tuần tự mà không có tiêu chuẩn tối ưu chung. Ngược lại, Mô hình GLSPM là phương pháp “thông tin đầy đủ” (full-information), giải quyết đồng thời mọi tham số (trọng số, hệ số tải, hệ số đường dẫn) bằng cách hội tụ một hàm mục tiêu bình phương tối thiểu duy nhất, đảm bảo tính chặt chẽ về toán học và giảm thiểu sai số.

Mô hình GLSPM có khả năng xử lý được cấu trúc Mode A và Mode B không?

Hoàn toàn có. Mô hình GLSPM được thiết kế linh hoạt để ước lượng tham số cho cả Mode A (trọng số tương quan – correlation weights, dùng cho mô hình phản xạ) và Mode B (trọng số hồi quy – regression weights, dùng cho mô hình tạo hình) bằng việc tích hợp biến nhị phân alpha (nhận giá trị 1 hoặc 0) trực tiếp vào trong thuật toán Bình phương Tối thiểu Luân phiên (ALS).

Khả năng lập trình và tích hợp của GLSPM với các phương pháp cấu trúc hiện tại ra sao?

Về mặt thuật toán học thuật chuyên sâu, Mô hình GLSPM được chứng minh là một trường hợp đặc biệt theo khối (block-wise special case) của phương pháp Phân tích Thành phần Cấu trúc Tổng quát (GSCA). Do đó, nghiên cứu sinh hoàn toàn có thể lập trình các đoạn mã R (thông qua package kernlab, hàm ipop) hoặc MATLAB (thông qua hàm fmincon) để chạy thuật toán nội điểm, giải quyết triệt để bài toán hội tụ trên mọi tập dữ liệu lớn.

9. Tài Liệu Tham Khảo (References)

Addinsoft, S. (2009). XLSTAT 2009. Addinsoft. Paris, France: Addinsoft.

Anderson, E. W., & Fornell, C. (2000). Foundations of the American customer satisfaction index. Total Quality Management, 11(7), 869-882. https://doi.org/10.1080/09544120050135425.

Anderson, E. W., Fornell, C., & Lehmann, D. R. (1994). Customer satisfaction, market share, and profitability: Findings from Sweden. Journal of Marketing, 58(3), 53-66. https://doi.org/10.2307/1252310.

Bollen, K. A., Kirby, J. B., Curran, P. J., Paxton, P. M., & Chen, F. (2007). Latent variable models under misspecification two-stage least squares (2SLS) and maximum likelihood (ML) estimators. Sociological Methods and Research, 36(1), 48-86. https://doi.org/10.1177/0049124107301947.

Boyd, S., Boyd, S. P., & Vandenberghe, L. (2004). Convex optimization. Cambridge, England: Cambridge University Press.

Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-336). Mahwah, NJ, US: Erlbaum.

Chin, W. W. (2001). PLS-Graph User’s Guide Version 3.0. Soft Modeling Inc.

Cho, G., & Choi, J. Y. (2020). An empirical comparison of generalized structured component analysis and partial least squares path modeling under variance-based structural equation models. Behaviormetrika, 47(1), 243-272. https://doi.org/10.1007/s41237-019-00098-0.

Cho, G., Jung, K., & Hwang, H. (2019). Out-of-bag prediction error: A cross validation index for generalized structured component analysis. Multivariate Behavioral Research, https://doi.org/10.1080/00273171.2018.1540340.

Cho, G., Sarstedt, M., & Hwang, H. (2020). A comparative evaluation of factor- and component-based structural equation modeling methods under (in)consistent model specifications. Manuscript Submitted for Publication.

Coolen, H., & de Leeuw, J. (1987). Least squares path analysis with optimal scaling. Paper presented at the fifth international symposium of data analysis and informatics.

de Leeuw, J., Young, F. W., & Takane, Y. (1976). Additive structure in qualitative data: An alternating least squares method with optimal scaling features. Psychometrika, 41(4), 471-503. https://doi.org/10.1007/BF02296971.

Dijkstra, T. K. (2010). Latent variables and indices: Herman Wold’s basic design and partial least squares. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 23-46). Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-540-32827-8_2.

Dijkstra, T. K. (2017). A perfect match between a model and a mode. In Partial least squares path modeling: Basic concepts, methodological issues and applications (pp. 55-80). Berlin, Germany: Springer-Verlag. https://doi.org/10.1007/978-3-319-64069-3_4.

Dijkstra, T. K., & Henseler, J. (2015). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297-316. https://doi.org/10.25300/misq/2015/39.2.

Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1-26. https://doi.org/10.1214/aos/1176344552.

Fomby, T. B., Johnson, S. R., & Hill, R. C. (2012). Advanced econometric methods. Advanced Econometric Methods. Berlin, Germany: Springer. https://doi.org/10.1007/978-1-4419-8746-4.

Fornell, C. (1992). A national customer satisfaction barometer: The Swedish experience. Journal of Marketing, 56(1), 6-21. https://doi.org/10.2307/1252129.

Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American customer satisfaction index: Nature, purpose, and findings. Journal of Marketing, 60(4), 7.https://doi.org/10.2307/1251898.

Gifi, A. (1990). Nonlinear multivariate analysis. Retrieved from: Wiley. https://www.wiley.com/en-us/Nonlinear+Multivariate+Analysis-p-9780471926207.

Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., & Thiele, K. O. (2017). 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. https://doi.org/10.1007/s11747-017-0517-x.

Hanafi, M. (2007). PLS path modelling: Computation of latent variables with the estimation mode B. Computational Statistics, 22(2), 275-292. https://doi.org/10.1007/s00180-007-0042-3.

Hwang, H., Cho, G., Jung, K., Falk, C., Flake, J., Jin, M. J., & Lee, S. H. (in press). An approach to structural equation modeling with both factors and components: Integrated generalized structured component analysis. Psychological Methods.

Hwang, H., & Takane, Y. (2004). Generalized structured component analysis. Psychometrika, 69(1), 81-99. https://doi.org/10.1007/BF02295841.

Hwang, H., & Takane, Y. (2014). Generalized structured component analysis: A component-based approach to structural equation modeling. New York, NY: Chapman and Hall/CRC Press.

Hwang, H., Takane, Y., & Jung, K. (2017). Generalized structured component analysis with uniqueness terms for accommodating measurement error. Frontiers in Psychology, 8, 2137. https://doi.org/10.3389/fpsyg.2017.02137.

Hwang, H., Takane, Y., & Tenenhaus, A. (2015). An alternative estimation procedure for partial least squares path modeling. Behaviormetrika, 42(1), 63-78. https://doi.org/10.2333/bhmk.42.63.

Johnson, M. D., Gustafsson, A., Andreassen, T. W., Lervik, L., & Cha, J. (2001). The evolution and future of national customer satisfaction index models. Journal of Economic Psychology, 22(2), 217-245. https://doi.org/10.1016/S0167-4870(01)00030-7.

Jöreskog, K. G. (1970). Estimation and testing of simplex models. British Journal of Mathematical and Statistical Psychology, 23(2), 121-145. https://doi.org/10.1111/j.2044-8317.1970.tb00439.x.

Jöreskog, K. G. (1978). Structural analysis of covariance and correlation matrices. Psychometrika, 43(4), 443-477. https://doi.org/10.1007/BF02293808.

Jöreskog, K. G., & Wold, H. (1982). The ML and PLS techniques for modeling with latent variables: Historical and comparative aspects. In H. Wold & K. G. Jöreskog (Eds.), Systems under indirect observation: Causality, structure, prediction, part I (pp. 263-270). Amsterdam, Netherlands: North Holland.

Karatzoglou, A., Smola, A., Hornik, K., & Zeileis, A. (2004). kernlab – An S4 package for kernel methods in R. Journal of Statistical Software, 11(9), 1-20. https://doi.org/10.18637/jss.v011.1.

Krämer, N. (2007). Analysis of high dimensional data with partial least squares and boosting. Technische Universität Berlin, Fakultät IV – Elektrotechnik und Informatik: Technische Universität Berlin, Berlin. https://doi.org/10.14279/depositonce-1539.

Lohmöller, J. B. (1984). LVPLS Program Manual-Version 1.6. Zentralarchiv fur Empirische Sozialforschung. Koln: Universitat zu Koln.

Lohmöller, J. B. (1989). Latent variable path modeling with partial least squares. New York, NY: Springer-Verlag. https://doi.org/10.1007/978-3-642-52512-4.

McDonald, R. P. (1996). Path analysis with composite variables. Multivariate Behavioral Research, 31(2), 239-270. https://doi.org/10.1207/s15327906mbr3102_5.

Noonan, R., & Wold, H. (1982). PLS path modeling with indirectly observed variables: A comparison of alternative estimates for the latent variable. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction, part II (pp. 75-94). Amsterdam, Netherlands: North Holland.

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341-358. https://doi.org/10.1016/j.lrp.2012.09.010.

Rigdon, E. E., Sarstedt, M., & Ringle, C. M. (2017). On comparing results from CB-SEM and PLS-SEM: Five perspectives and five recommendations. Marketing ZFP, 39(3), 4-16. https://doi.org/10.15358/0344-1369-2017-3-4.

Ringle, C. M., Wende, S., & Will, A. (2005). SmartPLS 2.0 (beta). Hamburg, Germany: SmartPLS. Retrieved from http://www.smartpls.com.

Rönkkö, M., McIntosh, C. N., Antonakis, J., & Edwards, J. R. (2016). Partial least squares path modeling: Time for some serious second thoughts. Journal of Operations Management, 47-48, 9-27. https://doi.org/10.1016/j.jom.2016.05.002.

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. https://doi.org/10.1016/j.jbusres.2016.06.007.

ten Berge, J. M. F. (1993). Least squares optimization in multivariate analysis. Leiden, Netherlands: DSWO Press.

Tenenhaus, A., & Guillemot, V. (2017). RGCCA: Regularized and sparse generalized canonical correlation analysis for multiblock data. R Package Version, 2(1), 2.

Tenenhaus, A., & Tenenhaus, M. (2011). Regularized generalized canonical correlation analysis. Psychometrika, 76(2), 257. https://doi.org/10.1007/s11336-011-9206-8.

Tenenhaus, M. (2008). Component-based structural equation modelling. Total Quality Management and Business Excellence, 19(7-8), 871-886. https://doi.org/10.1080/14783360802159543.

Tenenhaus, M., Tenenhaus, A., & Groenen, P. J. F. (2017). Regularized generalized canonical correlation analysis: A framework for sequential multiblock component methods. Psychometrika, 82(3), 737-777, https://doi.org/10.1007/s11336-017-9573-x.

Vinzi, V. E., Trinchera, L., & Amato, S. (2010). PLS path modeling: From foundations to recent developments and open issues for model assessment and improvement. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications (pp. 47-82). Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-540-32827-8_3.

Wold, H. (1966). Estimation of principal components and related models by iterative least squares. In P. R. Krishnajah (Ed.), Multivariate analysis (pp. 391-420). New York, NY: Academic Press.

Wold, H. (1973). Nonlinear iterative partial least squares (NIPALS) Modelling: Some current developments. In P. R. Krishnaiah (Ed.), Multivariate analysis-III (pp. 383-407). New York, NY: Academic Press. https://doi.org/10.1016/B978-0-12-426653-7.50032-6.

Wold, H. (1982). Soft modeling: The basic design and some extensions. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation: Causality, structure, prediction, part II (pp. 1-54). Amsterdam, Netherlands: North Holland.

Wold, H. (1985). Partial least squares. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of Statistical Sciences (Vol. 6, pp. 581-591). New York, NY: Wiley.

10. Lời kêu gọi hành động (CTA)

Để nắm vững các phương trình toán học chi tiết, cấu trúc khối thuật toán luân phiên và kiểm chứng toàn bộ thông tin từ dữ liệu mô phỏng nhằm phục vụ cho đề tài luận án, nghiên cứu sinh có thể tham khảo trực tiếp tài liệu gốc dưới đây.

[Hwang, H., & Cho, G. (2020). Global least squares path modeling: A full-information alternative to partial least squares path modeling. Psychometrika.]

Xem thêm: Nghiên cứu khoa học là gì?