Hướng Dẫn Chuyên Sâu Về Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần của Hair et al.

Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) là phương pháp phân tích dữ liệu đa biến thế hệ thứ hai, được thiết kế để kiểm định các mô hình lý thuyết phức tạp bao gồm biến quan sát và biến tiềm ẩn. Nguyên nhân chính khiến PLS-SEM ngày càng phổ biến là khả năng giải quyết các giới hạn của phương pháp CB-SEM truyền thống, đặc biệt trong điều kiện cỡ mẫu nhỏ, dữ liệu không phân phối chuẩn và các mô hình có thang đo kết tạo (formative). Giải pháp nhanh nhất để làm chủ PLS-SEM là nắm vững quy trình đánh giá 2 bước: kiểm định mô hình đo lường (Outer Model) và phân tích mô hình cấu trúc (Inner Model) thông qua các thuật toán chuẩn hóa.

Nội dung bài viết

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

1.1 Thông tin định danh bài báo/sách

Tiêu đề gốc: A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM)
Tiêu đề tiếng Việt: Nhập môn Mô hình Phương trình Cấu trúc Bình phương Tối thiểu Riêng phần (PLS-SEM)
Tác giả: Joseph F. Hair, Jr., G. Tomas M. Hult, Christian M. Ringle, Marko Sarstedt
Tạp chí/Nhà xuất bản: SAGE Publications

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Trong nghiên cứu hàn lâm và tiếp thị, đặc biệt là trong kỷ nguyên Dữ liệu lớn (Big Data), các mô hình lý thuyết ngày càng phức tạp. Phương pháp tiếp cận dựa trên hiệp phương sai truyền thống (CB-SEM – Covariance-Based SEM) đòi hỏi khắt khe về giả định phân phối chuẩn đa biến và cỡ mẫu lớn, đồng thời gặp khó khăn khi xử lý các thang đo kết tạo (formative constructs). Tài liệu này ra đời nhằm lấp đầy khoảng trống đó, cung cấp một hệ thống phương pháp luận hoàn chỉnh cho phương pháp tiếp cận dựa trên phương sai (Variance-based SEM), tức PLS-SEM, tập trung vào mục tiêu dự báo và phát triển lý thuyết khám phá.

1.3 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)

Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) dựa trên nền tảng của phương pháp bình phương tối thiểu thông thường (OLS – Ordinary Least Squares) và phân tích thành phần chính (Principal Component Analysis). Thay vì cố gắng tái tạo ma trận hiệp phương sai của mẫu như CB-SEM, thuật toán PLS-SEM hoạt động với mục tiêu tối đa hóa phương sai được giải thích (R²) của các biến phụ thuộc nội sinh. Điều này làm cho PLS-SEM trở thành công cụ tối ưu cho các nghiên cứu mang định hướng dự báo (prediction-oriented).

1.4 Thế Hệ Phương Pháp Thống Kê & Sự Chuyển Dịch (Statistical Generations)

Thống kê thế hệ thứ nhất: Bao gồm hồi quy đa biến, phân tích phương sai (ANOVA), phân tích nhân tố. Các phương pháp này chủ yếu dùng để xác nhận lý thuyết hoặc khám phá các mẫu dữ liệu đơn giản. Hạn chế lớn nhất của chúng là không tính toán được sai số đo lường, dẫn đến việc ước lượng các mối quan hệ thường bị chệch.
Thống kê thế hệ thứ hai (SEM): Khắc phục triệt để điểm yếu của thế hệ thứ nhất bằng cách cho phép đưa vào các biến không quan sát được (biến tiềm ẩn) và trực tiếp tính toán sai số đo lường trong cùng một lần chạy thuật toán. Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) chính là đại diện ưu tú nhất của nhóm này trong việc xử lý dữ liệu phi tham số.

1.5 Các Loại Thang Đo Cơ Bản (Measurement Scales)

Khi thiết kế biến tổng hợp (Variate) trong PLS-SEM, nhà nghiên cứu cần thu thập dữ liệu thông qua 4 loại thang đo cơ bản để đảm bảo độ chính xác của đầu vào:

Định danh (Nominal): Phân loại không có thứ tự, dùng để gán nhãn (VD: Giới tính, Nghề nghiệp).
Thứ bậc (Ordinal): Phân loại có thứ tự nhưng khoảng cách giữa các bậc không đều nhau.
Khoảng (Interval): Có thứ tự, khoảng cách đều, không có điểm 0 tuyệt đối (VD: Thang đo Likert 5 điểm hoặc 7 điểm thường dùng trong khảo sát hành vi).
Tỷ lệ (Ratio): Có thứ tự, khoảng cách đều và có điểm 0 tuyệt đối (VD: Thu nhập thực tế, Độ tuổi, Doanh thu).

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

Mô hình PLS-SEM được cấu thành từ hai thành phần cốt lõi, bắt buộc phải được đặc tả rõ ràng trước khi chạy dữ liệu:

Mô hình cấu trúc (Structural Model / Inner Model): Thể hiện mối quan hệ lý thuyết giữa các biến tiềm ẩn (Latent Variables) với nhau. Các biến này được chia thành biến ngoại sinh (Exogenous – đóng vai trò biến độc lập, chỉ có mũi tên hướng ra) và biến nội sinh (Endogenous – đóng vai trò biến phụ thuộc, có mũi tên hướng vào).
Mô hình đo lường (Measurement Model / Outer Model): Thể hiện mối quan hệ giữa một biến tiềm ẩn và các biến quan sát (Indicators/Items) của nó. PLS-SEM hỗ trợ phân tích hai loại cấu trúc đo lường với bản chất hoàn toàn trái ngược:
- Thang đo phản ánh (Reflective): Biến tiềm ẩn là nguyên nhân gây ra sự biến thiên của các biến quan sát. Các chỉ báo có tương quan cao với nhau và có thể thay thế cho nhau. Việc loại bỏ một biến quan sát không làm thay đổi bản chất của khái niệm.
- Thang đo nguyên nhân/kết tạo (Formative): Các chỉ báo tạo ra hoặc định hình nên biến tiềm ẩn. Các chỉ báo này đại diện cho các khía cạnh độc lập, không nhất thiết phải có tương quan với nhau. Việc loại bỏ một chỉ báo có thể làm mất đi một phần ý nghĩa cấu thành của khái niệm.

2.1 Mở Rộng Các Mối Quan Hệ Trong Mô Hình (Extended Relationships)

Bên cạnh các tác động trực tiếp tuyến tính, mô hình cấu trúc thường bao gồm các hiệu ứng phức tạp nhằm phản ánh đúng thực tế kinh doanh:

Biến trung gian (Mediation): Xảy ra khi biến thứ ba xen vào giữa hai biến khác, giải thích cơ chế “tại sao” hoặc “như thế nào” mối quan hệ tồn tại. PLS-SEM hỗ trợ phân tích chính xác tác động trực tiếp và tác động gián tiếp.
Biến điều tiết (Moderation): Làm thay đổi cường độ hoặc hướng tác động của một mối quan hệ có sẵn. Bao gồm điều tiết liên tục (Metric – ví dụ: Thu nhập) và phân loại (Categorical – ví dụ: Giới tính).
Mô hình thành phần bậc cao (Hierarchical Component Models – HCMs): Tóm tắt các cấu trúc đa chiều bậc thấp (Lower-order) thành một khái niệm bậc cao (Higher-order) nhằm giảm tính phức tạp của mô hình và khắc phục hiện tượng đa cộng tuyến.
Biến đơn chỉ báo (Single-Item Measures): Chỉ dùng một câu hỏi để đo lường toàn bộ khái niệm. Phương pháp này có độ tin cậy và giá trị dự báo thấp, do đó chỉ nên áp dụng khi cỡ mẫu rất nhỏ (< 50) hoặc khái niệm cực kỳ đơn giản, không thể gây nhầm lẫn.

3. Quy Trình Phát Triển Thang Đo & Thu Thập Dữ Liệu (Data & Scale Process)

Quy trình áp dụng Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần được chuẩn hóa nghiêm ngặt qua 5 bước:

Đặc tả mô hình cấu trúc: Xây dựng sơ đồ đường dẫn (Path model) dựa trên cơ sở lý thuyết vững chắc để kết nối các biến nội sinh và ngoại sinh.
Đặc tả mô hình đo lường: Quyết định dùng thang đo phản ánh hay nguyên nhân cho từng biến tiềm ẩn dựa trên bản chất khái niệm.
Thu thập dữ liệu và kiểm tra (Data Screening): Đây là bước cốt lõi để đảm bảo thuật toán không bị nhiễu.
- Dữ liệu bị thiếu (Missing Data): Loại bỏ hoàn toàn quan sát nếu thiếu > 15% dữ liệu. Nếu tỷ lệ thiếu < 5% cho mỗi chỉ báo, bắt buộc dùng phương pháp thay thế trung bình (Mean replacement).
- Phản hồi đường thẳng (Straight-lining): Loại bỏ ngay các đáp viên đánh cùng một mức điểm cho mọi câu hỏi (ví dụ: toàn đánh 3 hoặc 4), vì điều này tạo ra phương sai bằng 0 và làm sai lệch ma trận tương quan.
- Cỡ mẫu: Áp dụng quy tắc “10 lần” (10 times rule): Cỡ mẫu tối thiểu phải bằng 10 lần số lượng đường dẫn cấu trúc lớn nhất hướng vào một biến nội sinh trong mô hình.
- Phân phối: Dù PLS-SEM là phương pháp phi tham số, dữ liệu quá lệch (Độ lệch Skewness hoặc Độ nhọn Kurtosis có giá trị tuyệt đối > 1) sẽ làm giảm năng lực thống kê của thuật toán Bootstrapping.
Đánh giá mô hình đo lường: Kiểm định độ tin cậy và giá trị của các biến quan sát.
Đánh giá mô hình cấu trúc: Kiểm định các giả thuyết và năng lực dự báo của mô hình tổng thể.

4. Thuật Toán & Đánh Giá Mô Hình Đo Lường (Algorithm & Outer Model)

4.1 Cài Đặt Thuật Toán PLS-SEM (Algorithm Settings)

Để hạn chế tối đa “Độ chệch PLS-SEM” (PLS-SEM bias – xu hướng đánh giá thấp hệ số đường dẫn cấu trúc và đánh giá cao hệ số tải đo lường), thuật toán trên phần mềm (như SmartPLS) cần được thiết lập chuẩn xác:

Lược đồ trọng số (Weighting scheme): Bắt buộc chọn Lược đồ trọng số đường dẫn (Path weighting scheme) vì nó cung cấp giá trị R² cao nhất cho các biến nội sinh.
Chuẩn hóa dữ liệu: Sử dụng z-standardization để đưa dữ liệu về giá trị trung bình bằng 0 và phương sai bằng 1.
Số vòng lặp tối đa (Max iterations): Đặt ở mức 300 để đảm bảo thuật toán có đủ thời gian hội tụ.
Tiêu chí dừng (Stop criterion): Đặt ở mức 10⁻⁵ (0.00001). Thuật toán sẽ dừng khi sự thay đổi của trọng số ngoài giữa hai vòng lặp liên tiếp nhỏ hơn mức này.

4.2 Bộ Tiêu Chí Đánh Giá Thang Đo Phản Ánh (Reflective Metrics)

Lưu ý: Không sử dụng Cronbach’s Alpha làm tiêu chí duy nhất vì nó giả định các hệ số tải bằng nhau, dẫn đến đánh giá thấp độ tin cậy. Hãy ưu tiên Độ tin cậy tổng hợp (CR).

Tiêu chí đánh giá gốc (English)	Bản dịch Tiếng Việt	Ngưỡng chấp nhận chuẩn khoa học (Thresholds)	Phân loại
Indicator Reliability (Outer Loadings)	Độ tin cậy của biến quan sát (Hệ số tải ngoài)	Giá trị > 0.708. Bắt buộc loại bỏ nếu < 0.40. Nếu nằm trong khoảng 0.40 – 0.70, chỉ xóa khi việc xóa làm tăng AVE hoặc CR qua ngưỡng tiêu chuẩn.	Phản ánh
Internal Consistency Reliability (Composite Reliability – CR)	Độ tin cậy nhất quán nội bộ (Độ tin cậy tổng hợp ρc)	Giá trị CR từ 0.70 – 0.90 là thỏa đáng. Tuyệt đối không được vượt quá 0.95 (dấu hiệu cho thấy các câu hỏi đang bị lặp ý thừa thãi).	Phản ánh
Convergent Validity (Average Variance Extracted – AVE)	Độ giá trị hội tụ (Phương sai trích trung bình)	Giá trị AVE ≥ 0.50. Điều này chứng tỏ biến tiềm ẩn giải thích được hơn 50% phương sai của các biến quan sát cấu thành nó.	Phản ánh
Discriminant Validity (Fornell-Larcker criterion / Cross Loadings)	Độ giá trị phân biệt (Tiêu chuẩn Fornell-Larcker / Tải chéo)	Căn bậc hai của AVE phải lớn hơn mức tương quan cao nhất của cấu trúc đó với bất kỳ cấu trúc nào khác. Tải chéo của một chỉ báo phải lớn nhất trên chính biến tiềm ẩn của nó.	Phản ánh

4.3 Quy Trình Đánh Giá Thang Đo Nguyên Nhân (Formative Metrics)

Các tiêu chí của thang đo phản ánh không thể áp dụng cho thang đo nguyên nhân. Thay vào đó, quy trình đánh giá gồm 3 bước khắt khe:

Phân tích sự dư thừa (Redundancy Analysis – Đánh giá độ hội tụ): Hệ số đường dẫn giữa biến formative và một biến phản ánh đại diện (global item) cho cùng một khái niệm đó phải đạt ≥ 0.80.
Kiểm tra Đa cộng tuyến (Collinearity): Sự tồn tại của đa cộng tuyến sẽ làm đảo dấu hệ số. Hệ số phóng đại phương sai (VIF) phải ≤ 5.0 (lý tưởng nhất là VIF ≤ 3.0) và Dung sai (Tolerance) phải ≥ 0.20.
Kiểm định Bootstrapping: Chạy 5,000 mẫu lặp để kiểm tra mức ý nghĩa. Trọng số ngoài (Outer weights) phải có ý nghĩa thống kê (p-value < 0.05). Nếu trọng số không có ý nghĩa nhưng Hệ số tải (Outer loading) ≥ 0.50, nhà nghiên cứu vẫn giữ lại chỉ báo vì nó đóng góp ý nghĩa tuyệt đối (Absolute importance) vào việc hình thành khái niệm.

5. Mạng Lưới Quan Hệ Lý Thuyết & Mô Hình Cấu Trúc (Nomological Network)

Sau khi mô hình đo lường đạt chuẩn hợp lệ, bước tiếp theo là đánh giá năng lực dự báo của cấu trúc lý thuyết thông qua các nguyên tắc vàng (Rules of Thumb) sau:

Bác bỏ Chỉ số độ phù hợp (Rejecting Goodness-of-Fit – GoF): Các chỉ số như SRMR ≤ 0.08 và GFI ≥ 0.90 thường dùng trong CB-SEM. Tuy nhiên, theo nghiên cứu của Tenenhaus và Henseler, GoF không có khả năng phân biệt mô hình hợp lệ và không hợp lệ trong hệ thống PLS-SEM và không phạt việc tham số hóa quá mức. Do đó, khuyến nghị không sử dụng GoF.
Hệ số đường dẫn (Path Coefficients): Sử dụng thủ tục Bootstrapping (5,000 mẫu lặp) để lấy giá trị t thực nghiệm. Ngưỡng tới hạn (critical values) cho kiểm định hai phía là t ≥ 1.65 (mức ý nghĩa 10%), t ≥ 1.96 (mức ý nghĩa 5%) và t ≥ 2.57 (mức ý nghĩa 1%).
Hệ số xác định (R² & Adjusted R²): Đo lường mức độ phương sai của cấu trúc nội sinh được giải thích. Các mức 0.75, 0.50, 0.25 tương ứng với sức mạnh tác động đáng kể, trung bình và yếu. Bắt buộc dùng R² hiệu chỉnh (Adjusted R²) khi so sánh các mô hình có độ phức tạp khác nhau.
Kích thước tác động (f²): Đo lường sự thay đổi của R² khi loại bỏ một biến ngoại sinh. Công thức f² = (R²_included – R²_excluded) / (1 – R²_included). Các mức f² đạt 0.02, 0.15, 0.35 lần lượt thể hiện mức tác động nhỏ, trung bình, lớn.
Năng lực dự báo (Q² & q²): Áp dụng kỹ thuật Blindfolding (bỏ qua các điểm dữ liệu và dự báo lại) với khoảng cách bỏ sót D từ 5 đến 10. Giá trị Q² > 0 khẳng định mô hình có mức độ phù hợp dự báo (predictive relevance) cao.
Tính Không Đồng Nhất Của Dữ Liệu (Heterogeneity): Kiểm tra xem có sự khác biệt tiềm ẩn nào làm sai lệch kết quả hay không. Nếu có cơ sở phân nhóm rõ ràng (Ví dụ: Nam/Nữ), áp dụng Phân tích đa nhóm (Multigroup Analysis) cho tính không đồng nhất được quan sát. Nếu không có cơ sở lý thuyết chia nhóm, phải dùng thuật toán FIMIX-PLS để xử lý tính không đồng nhất không được quan sát (Unobserved heterogeneity).

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

Đối với các nghiên cứu sinh và học giả, khi thiết kế một mô hình nghiên cứu khoa học chuẩn mực, việc lựa chọn đúng phương pháp là nền tảng tối quan trọng để bảo vệ thành công công trình:

Khi nào CHỌN PLS-SEM: Hãy sử dụng Mô hình phương trình cấu trúc bình phương tối thiểu riêng phần khi mục tiêu cốt lõi của nghiên cứu là dự báo các cấu trúc mục tiêu (prediction-oriented), khi hệ thống lý thuyết chưa phát triển hoàn thiện (mô hình mang tính khám phá), khi mô hình có chứa thang đo nguyên nhân (formative), hoặc khi cấu trúc dữ liệu bị vi phạm nghiêm trọng giả định phân phối chuẩn (Non-normal data).
Khai báo phương pháp lý do (Methodological Justification): Trong phần Phương pháp nghiên cứu (Methodology), tác giả bắt buộc phải trích dẫn tài liệu gốc của Hair et al. để biện luận tính phù hợp của PLS-SEM, khẳng định đây là phương pháp bổ trợ độc lập chứ không phải là giải pháp thay thế yếu kém của CB-SEM.
Thao tác kiểm định thực tiễn: Luôn chạy thuật toán PLS Algorithm cơ bản để lấy các chỉ số đánh giá mô hình đo lường, sau đó mới chạy Bootstrapping để lấy giá trị p-value và t-value phục vụ cho việc bác bỏ hay chấp nhận giả thuyết nghiên cứu.

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

PLS-SEM không chỉ là công cụ hàn lâm trong các tháp ngà nghiên cứu mà còn là vũ khí ra quyết định sắc bén cho nhà quản trị Marketing và Kinh doanh:

Phân tích động lực tác động (Driver Analysis): Doanh nghiệp có thể sử dụng PLS-SEM để đo lường Chỉ số Hài lòng Khách hàng (Customer Satisfaction Index) đối với sản phẩm/dịch vụ. Kết quả hệ số đường dẫn sẽ chỉ ra chính xác yếu tố cốt lõi nào (chất lượng, giá cả, thương hiệu) đang tác động mạnh nhất đến quyết định mua hàng.
Phân tích Ma trận Tầm quan trọng – Hiệu suất (IPMA): Ma trận IPMA kết hợp điểm hiệu suất thực tế của các biến dự báo và tầm quan trọng của chúng (dựa trên hệ số đường dẫn). Công cụ này giúp định tuyến nguồn lực chiến lược. Cụ thể, nhà quản lý sẽ biết được cần ưu tiên dồn ngân sách marketing vào biến số nào đang có hiệu suất thực tế thấp nhưng lại có tầm quan trọng lý thuyết rất cao nhằm tối đa hóa tỷ suất hoàn vốn (ROI).

8. Các Câu Hỏi Thường Gặp (FAQ)

Sự khác biệt cốt lõi giữa phương pháp PLS-SEM và CB-SEM là gì?

Sự khác biệt nằm ở triết lý của thuật toán tối ưu. CB-SEM (sử dụng phần mềm AMOS/LISREL) định hướng ước lượng tham số nhằm tái tạo lại ma trận hiệp phương sai của mẫu, đòi hỏi lý thuyết phải cực kỳ chặt chẽ. Ngược lại, PLS-SEM (sử dụng SmartPLS) định hướng dự báo, tập trung tối đa hóa phương sai giải thích (R²) của biến phụ thuộc, cực kỳ phù hợp cho nghiên cứu khám phá và phát triển lý thuyết mới.

Hiện tượng Phản hồi đường thẳng (Straight-lining) ảnh hưởng nghiêm trọng thế nào đến PLS-SEM?

Phản hồi đường thẳng là hành vi đáp viên đánh cùng một mức điểm cho mọi câu hỏi trong khảo sát. Dữ liệu rác này gây ra sự sai lệch cực đại, làm phương sai bằng 0 và tạo ra các tương quan giả tạo giữa các biến. Nó làm hỏng thuật toán OLS nền tảng, do đó bắt buộc phải bị loại bỏ trong bước “Data Screening” (kiểm tra dữ liệu) trước khi đưa vào phần mềm.

Tại sao không được sử dụng Cronbach’s Alpha làm tiêu chí duy nhất để đo lường độ tin cậy trong PLS-SEM?

Hệ số Cronbach’s Alpha mang một khiếm khuyết lớn là giả định tất cả các biến quan sát đều có hệ số tải bằng nhau (Tau-equivalent). Điều này trái với thực tế dữ liệu và dẫn đến việc thường xuyên đánh giá thấp mức độ tin cậy thực tế của thang đo. Trong PLS-SEM, tiêu chí Độ tin cậy tổng hợp (Composite Reliability – ρc) được ưu tiên tuyệt đối vì nó tôn trọng và tính toán dựa trên trọng số thực (outer loadings) của từng biến chỉ báo.

9. Tài Liệu Tham Khảo (References)

Diamantopoulos, A., & Riefler, P. (2011). Using formative measures in international marketing models: A cautionary tale using consumer animosity as an example. Advances in International Marketing, 10, 11-30.

Diamantopoulos, A., Riefler, P., & Roth, K. P. (2008). Advancing formative measurement models. Journal of Business Research, 61, 1203-1218.

Diamantopoulos, A., Sarstedt, M., Fuchs, C., Kaiser, S., & Wilczynski, P. (2012). Guidelines for choosing between multi-item and single-item scales for construct measurement: A predictive validity perspective. Journal of the Academy of Marketing Science, 40, 434-449.

Diamantopoulos, A., & Siguaw, J. A. (2006). Formative vs. reflective indicators in measure development: Does the choice of indicators matter? British Journal of Management, 13, 263-282.

Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38, 269-277.

Drolet, A. L., & Morrison, D. G. (2001). Do we really need multiple-item measures in service research? Journal of Service Research, 3, 196-204.

Eberl, M. (2010). An application of PLS in multi-group analysis: The need for differentiated corporate… (Lưu ý: Tài liệu này trong bản gốc bị thiếu phần đuôi, bạn nhớ bổ sung thêm nhé).

Eberl, M., & Schwaiger, M. (2005). Corporate reputation: Disentangling the effects on financial performance. European Journal of Marketing, 39, 838-854.

Edwards, J. R., & Bagozzi, R. P. (2000). On the nature and direction of relationships between constructs and measures. Psychological Methods, 5, 155-174.

Efron, B., & Tibshirani, R. (1986). Bootstrap methods for standard errors, confidence intervals, and other measures of statistical accuracy. Statistical Science, 1, 54-75.

Falk, R. F., & Miller, N. B. (1992). A primer for soft modeling. Akron, OH: University of Akron Press.

Fornell, C. G. (1982). A second generation of multivariate analysis: An overview. In C. Fornell (Ed.), A second generation of multivariate analysis (pp. 1-21). New York: Praeger.

Fornell, C. G. (1987). A second generation of multivariate analysis: Classification of methods and implications for marketing research. In M. J. Houston (Ed.), Review of marketing (pp. 407-450). Chicago: American Marketing Association.

Fornell, C. G., & Bookstein, F. L. (1982). Two structural equation models: LISREL and PLS applied to consumer exit-voice theory. Journal of Marketing Research, 19, 440-452.

Fornell, C. G., 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, 7-18.

Fuchs, C., & Diamantopoulos, A. (2009). Using single-item measures for construct measurement in management research: Conceptual issues and application guidelines. Die Betriebswirtschaft, 69, 197-212.

Geisser, S. (1974). A predictive approach to the random effects model. Biometrika, 61, 101-107.

Goodhue, D. L., Lewis, W., & Thompson, R. (2012). Does PLS have advantages for small sample size or non-normal data? MIS Quarterly, 36, 891-1001.

Götz, O., Liehr-Gobbers, K., & Krafft, M. (2010). Evaluation of structural equation models using the partial least squares (PLS) approach. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications in marketing and related fields (pp. 691-711). Berlin: Springer.

Gudergan, S. P., Ringle, C. M., Wende, S., & Will, A. (2008). Confirmatory tetrad analysis in PLS path modeling. Journal of Business Research, 61, 1238-1249.

Haenlein, M., & Kaplan, A. M. (2004). A beginner’s guide to partial least squares analysis. Understanding Statistics, 3, 283-297.

Haenlein, M., & Kaplan, A. M. (2011). The influence of observed heterogeneity on path coefficient significance: Technology acceptance within the marketing discipline. Journal of Marketing Theory and Practice, 19, 153-168.

Hahn, C., Johnson, M. D., Herrmann, A., & Huber, F. (2002). Capturing customer heterogeneity using a finite mixture PLS approach. Schmalenbach Business Review, 54, 243-269.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis. Englewood Cliffs, NJ: Prentice Hall.

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19, 139-151.

Hair, J. F., Sarstedt, M., Pieper, T., & 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, 320-340.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40, 414-433.

Hair, J. F., Wolfinbarger Celsi, M., Money, A. H., Samouel, P., & Page, M. J. (2011). Essentials of business research methods. Armonk, NY: Sharpe.

Hayduk, L. A., & Littvay, L. (2012). Should researchers use single indicators, best indicators, or multiple indicators in structural equation models? BMC Medical Research Methodology, 12(159), 12-159.

Helm, S., Eggert, A., & Garnefeld, I. (2010). Modelling the impact of corporate reputation on customer satisfaction and loyalty using PLS. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications in marketing and related fields (pp. 515-534). Berlin: Springer.

Henseler, J. (2007, September 5-7). A new and simple approach to multi-group analysis in partial least squares path modeling. Paper presented at the 5th International Symposium on PLS and Related Methods (PLS’07), Oslo, Norway.

Henseler, J. (2010). On the convergence of the partial least squares path modeling algorithm. Computational Statistics, 25, 107-120.

Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17, 82-109.

Henseler, J., & Fassott, G. (2010). Testing moderating effects in PLS path models: An illustration of available procedures. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications in marketing and related fields (pp. 713-735). Berlin: Springer.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2012). Using partial least squares path modeling in international advertising research: Basic concepts and recent issues. In S. Okazaki (Ed.), Handbook of research in international advertising (pp. 252-276). Cheltenham, UK: Edward Elgar.

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-320.

Henseler, J., & Sarstedt, M. (in press). Goodness-of-fit indices for partial least squares path modeling. Computational Statistics.

Höck, C., Ringle, C. M., & Sarstedt, M. (2010). Management of multi-purpose stadiums: Importance and performance measurement of service interfaces. International Journal of Services Technology and Management, 14, 188-207.

Homburg, C., & Giering, A. (2001). Personal characteristics as moderators of the relationship between customer satisfaction and loyalty-an empirical analysis. Psychology and Marketing, 18, 43-66.

Hui, B. S., & Wold, H. (1982). Consistency and consistency at large of partial least squares estimates. In K. G. Jöreskog & H. Wold (Eds.), Systems under indirect observation, Part II (pp. 119-130). Amsterdam: North-Holland.

Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic Management Journal, 20, 195-204.

Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30, 199-218.

Jones, M. A., Mothersbaugh, D. L., & Beatty, S. E. (2000). Switching barriers and repurchase intentions in services. Journal of Retailing, 76, 259-274.

Keil, M., Saarinen, T., Tan, B. C. Y., Tuunainen, V., Wassenaar, A., & Wei, Κ.-Κ. (2000). A cross-cultural study on escalation of commitment behavior in software projects. MIS Quarterly, 24, 299-325.

Kim, G., Shin, B., & Grover, V. (2010). Investigating two contradictory views of formative measurement in information systems research. MIS Quarterly, 34, 345-365.

Kristensen, K., Martensen, A., & Grønholdt, L. (2000). Customer satisfaction measurement at Post Denmark: Results of application of the European Customer Satisfaction Index Methodology. Total Quality Management, 11, 1007-1015.

Little, R. J. A., & Rubin, D. B. (2002). Statistical analysis with missing data. New York: John Wiley.

Lohmöller, J.-B. (1987). LVPLS 1.8. Cologne, Germany: Zentralarchiv für Empirische Sozialforschung.

Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares. Heidelberg, Germany: Physica.

Loo, R. (2002). A caveat on using single-item versus multiple-item scales. Journal of Managerial Psychology, 17, 68-75.

MacKenzie, S. B., Podsakoff, P. M., & Podsakoff, N. P. (2011). Construct measurement and validation procedures in MIS and behavioral research: Integrating new and existing techniques. MIS Quarterly, 35, 293-295.

Marcoulides, G. A., & Saunders, C. (2006). PLS: A silver bullet? MIS Quarterly, 30, iii-ix.

Mateos-Aparicio, G. (2011). Partial least squares (PLS) methods: Origins, evolution, and application to social sciences. Communications in Statistics-Theory and Methods, 40(13), 2305-2317.

Money, K. G., Hillenbrand, C., Henseler, J., & Da Camara, N. (2012). Exploring unanticipated consequences of strategy amongst stakeholder segments: The case of a European revenue service. Long Range Planning, 45(5/6), 395-423.

Mooi, E. A., & Sarstedt, M. (2011). A concise guide to market research: The process, data, and methods using IBM SPSS Statistics. Berlin: Springer.

Navarro, A., Acedo, F. J., Losada, F., & Ruzo, E. (2011). Integrated model of export activity: Analysis of heterogeneity in managers’ orientations and perceptions on strategic marketing management in foreign markets. Journal of Marketing Theory and Practice, 19(2), 187-204.

Nunally, J. C., & Bernstein, I. (1994). Psychometric theory. New York: McGraw-Hill.

Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers, 36, 717-731.

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in simple and multiple mediator models. Behavior Research Methods, 40, 879-891.

Raithel, S., Wilczynski, P., Schloderer, M. P., & Schwaiger, M. (2010). The value-relevance of corporate reputation during the financial crisis. Journal of Product and Brand Management, 19, 389-400.

Ramirez, E., David, M. E., & Brusco, M. J. (in press). Marketing’s SEM based nomological network: Constructs and research streams in 1987-1997 and in 1998-2008. Journal of Business Research.

Reinartz, W., 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, 332-344.

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45, 341-358.

Rigdon, E. E., Ringle, C. M., & Sarstedt, M. (2010). Structural modeling of heterogeneous data with partial least squares. In N. K. Malhotra (Ed.), Review of marketing research (pp. 255-296). Armonk, NY: Sharpe.

Rigdon, E. E., Ringle, C. M., Sarstedt, M., & Gudergan, S. P. (2011). Assessing heterogeneity in customer satisfaction studies: Across industry similarities and within industry differences. Advances in International Marketing, 22, 169-194.

Ringle, C. M., Götz, O., Wetzels, M., & Wilson, B. (2009). On the use of formative measurement specifications in structural equation modeling: A Monte Carlo simulation study to compare covariance-based and partial least squares model estimation methodologies (METEOR Research Memoranda RM/09/014). Maastricht, the Netherlands: Maastricht University.

Ringle, C. M., Sarstedt, M., & Mooi, E. A. (2010). Response-based segmentation using finite mixture partial least squares: Theoretical foundations and an application to American customer satisfaction index data. Annals of Information Systems, 8, 19-49.

Ringle, C. M., Sarstedt, M., Schlittgen, R., & Taylor, C. R. (in press). PLS path modeling and evolutionary segmentation. Journal of Business Research.

Ringle, C. M., Sarstedt, M., & Straub, D. W. (2012). A critical look at the use of PLS-SEM in MIS Quarterly. MIS Quarterly, 36, iii-xiv.

Ringle, C., Sarstedt, M., & Zimmermann, L. (2011). Customer satisfaction with commercial airlines: The role of perceived safety and purpose of travel. Journal of Marketing Theory and Practice, 19, 459-472.

Ringle, C. M., Wende, S., & Will, A. (2005). SmartPLS 2.0 [Computer software]. Retrieved from www.smartpls.de

Ringle, C. M., Wende, S., & Will, A. (2010). Finite mixture partial least squares analysis: Methodology and numerical examples. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications in marketing and related fields (pp. 195-218). Berlin: Springer.

Roldán, J. L., & Sánchez-Franco, M. J. (2012). Variance-based structural equation modeling: Guidelines for using partial least squares in information systems research. In Research methodologies, innovations and philosophies in software systems engineering and information systems (pp. 192-221). Hershey, PA: IGI Global.

Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19, 305-335.

Sarstedt, M. (2008). A review of recent approaches for capturing heterogeneity in partial least squares path modelling. Journal of Modelling in Management, 3, 140-161.

Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS: Which model selection criterion provides an appropriate number of segments? Schmalenbach Business Review, 63, 34-62.

Sarstedt, M., Henseler, J., & Ringle, C. M. (2011). Multi-group analysis in partial least squares (PLS) path modeling: Alternative methods and empirical results. Advances in International Marketing, 22, 195-218.

Sarstedt, M., & Ringle, C. M. (2010). Treating unobserved heterogeneity in PLS path modelling: A comparison of FIMIX-PLS with different data analysis strategies. Journal of Applied Statistics, 37, 1299-1318.

Sarstedt, M., & Schloderer, M. P. (2010). Developing a measurement approach for reputation of non-profit organizations. International Journal of Nonprofit & Voluntary Sector Marketing, 15, 276-299.

Sarstedt, M., Schwaiger, M., & Ringle, C. M. (2009). Do we fully understand the critical success factors of customer satisfaction with industrial goods? Extending Festge and Schwaiger’s model to account for unobserved heterogeneity. Journal of Business Market Management, 3, 185-206.

Sarstedt, M., & Wilczynski, P. (2009). More for less? A comparison of single-item and multi-item measures. Die Betriebswirtschaft, 69, 211-227.

Sarstedt, M., Wilczynski, P., & Melewar, T. (in press). Measuring reputation in global markets: A comparison of reputation measures’ convergent and criterion validities. Journal of World Business.

Sattler, H., Völckner, F., Riediger, C., & Ringle, C. (2010). The impact of brand extension success factors on brand extension price premium. International Journal of Research in Marketing, 27, 319-328.

Schafer, J. L., & Graham, J. L. (2002). Missing data: Our view of the state of the art. Psychological Methods, 7, 147-177.

Schwaiger, M. (2004). Components and parameters of corporate reputation: An empirical study. Schmalenbach Business Review, 56, 46-71.

Schwaiger, M., Raithel, S., & Schloderer, M. P. (2009). Recognition or rejection: How a company’s reputation influences stakeholder behavior. In J. Klewes & R. Wreschniok (Eds.), Reputation capital: Building and maintaining trust in the 21st century (pp. 39-55). Berlin: Springer.

Schwaiger, M., Sarstedt, M., & Taylor, C. R. (2010). Art for the sake of the corporation: Audi, BMW Group, DaimlerChrysler, Montblanc, Siemens, and Volkswagen help explore the effect of sponsorship on corporate reputations. Journal of Advertising Research, 50, 77-90.

Slack, N. (1994). The importance-performance matrix as a determinant of improvement priority. International Journal of Operations and Production Management, 44, 59-75.

Sobel, M. E. (1982). Asymptotic confident intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290-312.

Steenkamp, J. B. E. M., & Baumgartner, H. (1998). Assessing measurement invariance in cross national consumer research. Journal of Consumer Research, 25, 78-107.

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society, 36, 111-147.

Tenenhaus, M., Amato, S., & Esposito Vinzi, V. (2004). A global goodness-of-fit index for PLS structural equation modeling. In Proceedings of the XLII SIS Scientific Meeting (pp. 739-742). Padova, Italy: CLEUP.

Tenenhaus, M., Esposito Vinzi, V., Chatelin, Y.-M., & Lauro, C. (2005). PLS path modeling. Computational Statistics & Data Analysis, 48, 159-205.

Völckner, F., Sattler, H., Hennig-Thurau, T., & Ringle, C. M. (2010). The role of parent brand quality for service brand extension success. Journal of Service Research, 13, 359-361.

Walsh, G., Mitchell, V.-W., Jackson, P. R., & Beatty, E. (2009). Examining the antecedents and consequences of corporate reputation: A customer perspective. British Journal of Management, 20, 187-203.

Wanous, J. P., Reichers, A., & Hudy, M. J. (1997). Overall job satisfaction: How good are single-item measures? Journal of Applied Psychology, 82, 247-252.

Wetzels, M., Odekerken-Schroder, G., & van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 33, 177-195.

Wilson, B., Callaghan, W., Ringle, C. M., & Henseler, J. (2007). Exploring causal path directionality for a marketing model using Cohen’s path method. In H. Martens, T. Næs, & M. Martens (Eds.), Causalities explored by indirect observation: Proceedings of the 5th International Symposium on PLS and Related Methods (PLS’07) (pp. 57-61). Åas, Norway: MATFORSK.

Wold, H. (1975). Path models with latent variables: The NIPALS approach. In H. M. Blalock, A. Aganbegian, F. M. Borodkin, R. Boudon, & V. Capecchi (Eds.), Quantitative sociology: International perspectives on mathematical and statistical modeling (pp. 307-357). New York: Academic Press.

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

Wold, H. (1985). Partial least squares. In S. Kotz & N. L. Johnson (Eds.), Encyclopedia of statistical sciences (pp. 581-591). New York: John Wiley.

Zhang, Y., & Schwaiger, M. (2009). An empirical research of corporate reputation in China. Communicative Business, 1, 80-104.

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37, 197-206.

Chỉ mục tác giả (Author Index)

10. Lời kêu gọi hành động (CTA)

Việc nắm vững hệ thống phương pháp luận và bộ tiêu chuẩn đánh giá của mô hình phương trình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) sẽ nâng tầm chất lượng các công trình nghiên cứu khoa học, giúp số liệu được giải thích một cách sắc bén, chuẩn xác và được công nhận bởi các tạp chí quốc tế hàng đầu. Hãy đi sâu vào việc làm chủ bộ công cụ này để tối ưu hóa xuất sắc các dự án luận văn học thuật cũng như các báo cáo phân tích quản trị doanh nghiệp của bạn.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). Sage Publications.

Nguyễn Thanh Phương

Giảng viên Nguyễn Thanh Phương là chuyên gia chuyên sâu về Nghiên cứu khoa học, Ứng dụng AI, Digital Marketing và Quản trị bản thân. Với kinh nghiệm giảng dạy thực chiến, tác giả trực tiếp hướng dẫn ứng dụng phương pháp luận và phân tích dữ liệu chuyên sâu cho người học nên được sinh viên gọi là Thầy giáo quốc dân. Mọi nội dung chia sẻ đều tuân thủ nguyên tắc khách quan, thực chứng và mang giá trị ứng dụng cao, hướng tới mục tiêu cốt lõi: “Làm bạn tốt hơn!