Các Vấn Đề Nâng Cao Trong PLS-SEM (Advanced Issues in PLS-SEM): Phân Tích Chuyên Sâu Tài Liệu Hair et al. (2024)

PLS-SEM nâng cao không chỉ đơn thuần là việc chạy phần mềm, mà là tập hợp các phương pháp luận mở rộng cho phép nhà nghiên cứu xử lý các mô hình phức tạp sát với thực tế quản trị hiện đại. Kể từ ấn bản đầu tiên (2018), phương pháp này đã phát triển vượt bậc, chuyển dịch từ việc chỉ kiểm định giả thuyết sang tập trung vào khả năng dự báo (prediction). Tài liệu gốc của Hair et al. (2024) nhấn mạnh sự cần thiết của việc sử dụng SmartPLS 4 để thực hiện các kỹ thuật phức tạp như: đánh giá tính bất biến (MICOM), phân khúc dữ liệu không đồng nhất (FIMIX-PLS, PLS-POS) và phân tích điều kiện cần (NCA).

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

1.1 Thông tin định danh tài liệu và Tác giả

• Tiêu đề gốc: Advanced Issues in Partial Least Squares Structural Equation Modeling (Second Edition).
• Tiêu đề tiếng Việt: Các vấn đề nâng cao trong Mô hình cấu trúc tuyến tính từng phần (Tái bản lần thứ 2).
• Nhà xuất bản: Sage (2024).

Giới thiệu về nhóm tác giả (About the Authors):

Đây là “Dream Team” trong giới nghiên cứu định lượng toàn cầu:

• Joseph F. Hair, Jr. (University of South Alabama): “Cha đẻ” của phân tích dữ liệu đa biến hiện đại. Ông là học giả được trích dẫn nhiều nhất thế giới trong lĩnh vực PLS-SEM, người đã đặt nền móng cho việc chuẩn hóa quy trình báo cáo kết quả nghiên cứu.
• Marko Sarstedt (Ludwig-Maximilians-University – Đức): Chuyên gia hàng đầu về đo lường tâm lý và hành vi người tiêu dùng, người phát triển các thuật toán đánh giá mô hình đo lường.
• Christian M. Ringle (Hamburg University of Technology – Đức): Đồng sáng lập phần mềm SmartPLS, người trực tiếp chuyển hóa các lý thuyết toán học phức tạp thành công cụ “kéo-thả” thân thiện cho nhà nghiên cứu.
• Siegfried P. Gudergan (James Cook University – Úc): Chuyên gia về chiến lược và các mô hình động (dynamic models).

1.2 Bối cảnh thực tiễn & Sự tiến hóa của phương pháp

Trong thập kỷ qua, PLS-SEM đã vượt qua CB-SEM (như AMOS, LISREL) để trở thành phương pháp thống trị trong Marketing và Quản trị chiến lược.

• Sự khác biệt cốt lõi: Nếu CB-SEM là mô hình hóa “cứng” (hard modeling) dựa trên hiệp phương sai và giả định phân phối chuẩn đa biến khắt khe, thì PLS-SEM là mô hình hóa “mềm” (soft modeling). Nó tối đa hóa phương sai giải thích ($R^2$) của biến phụ thuộc, phù hợp với dữ liệu không chuẩn, cỡ mẫu nhỏ hoặc mô hình quá phức tạp.
• Khoảng trống nghiên cứu mới: Ấn bản thứ 2 này giải quyết các thách thức mà PLS-SEM truyền thống chưa làm rõ:
  1. Dự báo và Giải thích (EP Theories): Kết hợp khả năng kiểm định lý thuyết nhân quả (Explanatory) với khả năng dự báo mẫu ngoài (Out-of-sample prediction) thông qua quy trình PLS-Predict.
  2. Logic “Cần” (Necessity Logic): Bổ sung Phân tích điều kiện cần (NCA) để trả lời câu hỏi: “Yếu tố nào là bắt buộc phải có?”, thay vì chỉ hỏi “Yếu tố nào càng nhiều càng tốt?” (Logic Đủ – Sufficiency Logic).

1.3 Cơ chế hoạt động của Thuật toán

Để hiểu sâu, nhà nghiên cứu cần nắm rõ hai chế độ ước lượng (Estimation Modes) mà thuật toán sử dụng:

• Mode A (Correlation weights): Thường dùng cho mô hình kết quả (Reflective). Nó tối đa hóa sự tương quan giữa biến tiềm ẩn và các chỉ báo của nó.
• Mode B (Regression weights): Dùng cho mô hình cấu tạo (Formative). Nó tối đa hóa hệ số hồi quy R^2 của biến tiềm ẩn dựa trên các chỉ báo.
• Weighted PLS-SEM (WPLS): Một tiến bộ mới cho phép sử dụng trọng số lấy mẫu (sampling weights) để điều chỉnh tính đại diện của dữ liệu tổng thể.

2. Các Cấu Trúc Bậc Cao (Higher-Order Constructs – HOC)

Đây là nội dung cốt lõi của Chương 2. Cấu trúc bậc cao (hay Mô hình thành phần phân cấp – HCM) cho phép đo lường các khái niệm trừu tượng (như Danh tiếng, Sự hài lòng) thông qua các thành phần cụ thể hơn ở bậc thấp (LOC). Việc sử dụng HOC giúp giảm sự phức tạp của mô hình đường dẫn (Path model parsimony) và giải quyết vấn đề đa cộng tuyến.

2.1 Phân loại Cấu trúc bậc cao

Dựa trên mối quan hệ giữa HOC và LOC, chúng ta có 4 loại hình thái cấu trúc:

1. Loại I (Reflective-Reflective): HOC phản ánh ra các LOC, và LOC phản ánh ra các chỉ báo. (Phổ biến nhất trong nghiên cứu hành vi).
2. Loại II (Reflective-Formative): HOC được tạo thành từ các LOC (mũi tên từ LOC lên HOC), nhưng các LOC lại được đo lường bằng chỉ báo kết quả.
   • Ví dụ minh họa: Trong bài này, Danh tiếng (REPU) là HOC được tạo thành bởi hai thành phần: Năng lực (COMP) và Sự yêu thích (LIKE). Đây là mô hình Loại II điển hình.
3. Loại III (Formative-Reflective): HOC phản ánh ra các LOC, nhưng LOC được đo lường bằng chỉ báo cấu tạo.
4. Loại IV (Formative-Formative): HOC được tạo thành từ các LOC, và LOC cũng được đo bằng chỉ báo cấu tạo.

2.2 Phương pháp ước lượng HOC trong PLS-SEM

Có hai cách tiếp cận chính, nhưng các chuyên gia hiện nay khuyến nghị mạnh mẽ phương pháp số 2:

1. Phương pháp lặp lại chỉ báo (Repeated Indicators Approach): Gán tất cả chỉ báo của LOC cho HOC. Cách này đơn giản nhưng dễ gây sai lệch ước lượng nếu số lượng chỉ báo giữa các LOC không đồng đều.
2. Phương pháp hai giai đoạn tách biệt (Disjoint Two-Stage Approach) – [KHUYẾN NGHỊ]:
   • Giai đoạn 1: Ước lượng mô hình chỉ với các LOC (bỏ qua HOC). Lưu lại điểm số của các biến tiềm ẩn (Latent Variable Scores – LVS).
   • Giai đoạn 2: Dùng điểm số LVS thu được ở Giai đoạn 1 làm chỉ báo quan sát cho HOC trong một mô hình mới. Cách này giúp tách biệt sai số đo lường và cho phép sử dụng HOC như một biến ngoại sinh hoặc nội sinh linh hoạt.

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

Nghiên cứu sử dụng mô hình Danh tiếng Doanh nghiệp (Corporate Reputation) dựa trên lý thuyết của Eberl (2010) và Schwaiger (2004) để minh họa xuyên suốt.

• Bản chất khái niệm: Danh tiếng không phải là một khối đơn nhất. Nó là một cấu trúc đa chiều phức tạp.
• Thành phần Năng lực (Competence – COMP): Đại diện cho khía cạnh nhận thức (Cognitive), lý trí. Khách hàng đánh giá doanh nghiệp dựa trên hiệu suất, chất lượng và vị thế thị trường.
• Thành phần Sự yêu thích (Likeability – LIKE): Đại diện cho khía cạnh cảm xúc (Affective). Khách hàng đánh giá dựa trên sự hấp dẫn, sự đồng cảm và lòng trắc ẩn.
• Ý nghĩa: Việc tách biệt hai thành phần này cho phép doanh nghiệp hiểu rõ: Họ đang được kính trọng vì “giỏi” hay được yêu mến vì “tốt”?

4. Kỹ Thuật Mô Hình Hóa Nâng Cao (Advanced Modeling Techniques)

Nội dung từ Chương 3, tập trung vào việc xác nhận tính đúng đắn của cấu trúc mô hình.

4.1 Phân tích Tetrad Khẳng định (Confirmatory Tetrad Analysis – CTA-PLS)

Một trong những sai lầm lớn nhất của nhà nghiên cứu là mặc định thang đo là Kết quả (Reflective) hoặc Cấu tạo (Formative) chỉ dựa trên cảm tính. CTA-PLS cung cấp bằng chứng thống kê.

• Nguyên lý “Tetrad Vanishing”: Trong mô hình Kết quả, các biến quan sát có tương quan mạnh với nhau vì cùng xuất phát từ một nguồn. Do đó, hiệu của tích các hiệp phương sai giữa các cặp chỉ báo (ví dụ: $\sigma_{12}\sigma_{34} – \sigma_{13}\sigma_{24}$) phải bằng 0.
• Quy tắc ra quyết định: Chạy CTA-PLS trong SmartPLS. Nếu khoảng tin cậy (CI) của thống kê Tetrad chứa số 0 (không có ý nghĩa thống kê), mô hình Kết quả (Reflective) được ủng hộ. Nếu CI không chứa 0, bạn cần xem xét lại, có thể đó là mô hình Cấu tạo.

4.2 Mối quan hệ Phi tuyến tính (Nonlinear Relationships)

• Vấn đề: Các mối quan hệ quản trị thường tuân theo quy luật hiệu suất giảm dần (Diminishing returns). Ví dụ: Sự hài lòng tăng thì lòng trung thành tăng, nhưng đến mức hài lòng quá cao, lòng trung thành sẽ bão hòa (đường cong hình chữ U ngược).
• Giải pháp: PLS-SEM sử dụng phương pháp hồi quy đa thức hai bước (Two-stage calculation) để tạo ra số hạng bậc hai ($x^2$). Nếu hệ số đường dẫn của số hạng bậc hai này có ý nghĩa thống kê ($p < 0.05$), tồn tại quan hệ phi tuyến.

5. Đánh Giá Kết Quả Nâng Cao (Advanced Results Assessment)

Nội dung từ Chương 4, mở rộng góc nhìn phân tích dữ liệu.

5.1 Phân tích Điều kiện Cần (Necessary Condition Analysis – NCA)

Đây là bổ sung quan trọng nhất trong ấn bản 2024.

• Logic Đủ (Sufficiency): “Càng nhiều càng tốt”. Ví dụ: Tăng chất lượng thì tăng sự hài lòng. (PLS truyền thống).
• Logic Cần (Necessity): “Không có cái này thì hỏng việc”. Ví dụ: Nếu chất lượng không đạt mức 4/7, sự hài lòng không bao giờ vượt quá mức trung bình, bất kể giá rẻ hay khuyến mãi nhiều.
• Đường trần (Ceiling Line): NCA vẽ một đường bao trên biểu đồ phân tán. Vùng phía trên đường này là “vùng trống” (empty zone). Kích thước vùng trống càng lớn (Effect size $d$), điều kiện cần càng mạnh.
• Bảng nút thắt (Bottleneck Table): Kết quả NCA cho biết chính xác: Để đạt Y ở mức 50%, X phải đạt tối thiểu bao nhiêu %.

5.2 Phân tích Bản đồ Tầm quan trọng – Hiệu suất (IPMA)

IPMA chuyển kết quả thống kê thành chiến lược quản trị.

• Trục hoành (Importance): Tổng tác động (Total Effects) của biến tiền tố lên biến mục tiêu.
• Trục tung (Performance): Giá trị trung bình của biến tiềm ẩn (thang 0-100).
• Phân tích góc phần tư: Các biến nằm ở góc dưới bên phải (Tầm quan trọng cao, Hiệu suất thấp) là những “trái cây dễ hái” (low-hanging fruits) cần ưu tiên cải thiện ngay lập tức để tối ưu hóa nguồn lực.

6. Đánh Giá Tính Bất Biến Của Mô Hình Đo Lường (MICOM)

Trích từ Chương 5. Trước khi so sánh sự khác biệt giữa các nhóm (Multi-Group Analysis – MGA), bắt buộc phải thực hiện MICOM. Nếu không, mọi kết luận về sự khác biệt nhóm đều vô giá trị.

Quy trình Bước 1: Tính bất biến về cấu hình (Configural Invariance)

Đây là bước định tính, yêu cầu nhà nghiên cứu phải đảm bảo 3 yếu tố sau là giống hệt nhau giữa các nhóm:

1. Chỉ báo giống hệt nhau (Identical Indicators):
   • Sử dụng cùng một bộ câu hỏi.
   • Trong nghiên cứu đa quốc gia, phải sử dụng quy trình dịch xuôi – dịch ngược (translation and back-translation) để đảm bảo ngữ nghĩa tương đương.
   • Đánh giá “Face Validity” để chắc chắn người trả lời ở các nhóm hiểu câu hỏi theo cùng một cách.
2. Xử lý dữ liệu giống hệt nhau (Identical Data Treatment):
   • Quy trình làm sạch dữ liệu (Data Cleaning) phải thống nhất.
   • Cách xử lý giá trị khuyết thiếu (Missing values) (ví dụ: thay thế bằng trung bình hay xóa bỏ) phải giống nhau.
   • Mã hóa (Coding) và Mã hóa ngược (Reverse coding) phải đồng nhất cho mọi nhóm.
3. Cài đặt thuật toán giống hệt nhau (Identical Algorithm Settings):
   • Khi chạy SmartPLS cho từng nhóm, các tham số kỹ thuật không được thay đổi.
   • Ví dụ: Sơ đồ trọng số (Path weighting scheme), Tiêu chí dừng (Stop criterion $10^{-7}$), và Số vòng lặp tối đa (Max iterations) phải y hệt nhau.

7. Thang Đo Lường Chính Thức (Measurement Scale)

Dưới đây là bộ thang đo chuẩn hóa (Likert 7 điểm) từ nghiên cứu mẫu tại Đức ($N=344$), đã được kiểm định độ tin cậy và giá trị. Đây là tài liệu tham khảo quý giá để xây dựng bảng câu hỏi.

Bảng 1: Thang đo Danh tiếng Doanh nghiệp và Các Tiền tố

Mã biến	Biến quan sát (Gốc Tiếng Anh)	Biến quan sát (Dịch Tiếng Việt)
COMP	Competence (Năng lực)	Biến bậc 1 của Danh tiếng
comp_1	[The company] is a top competitor in its market.	[Công ty] là đối thủ cạnh tranh hàng đầu trên thị trường.
comp_2	As far as I know, [the company] is recognized worldwide.	Theo tôi biết, [công ty] được công nhận trên toàn thế giới.
comp_3	I believe that [the company] performs at a premium level.	Tôi tin rằng [công ty] hoạt động ở mức độ cao cấp.
LIKE	Likeability (Sự yêu thích)	Biến bậc 1 của Danh tiếng
like_1	[The company] is a company that I can better identify with than other companies.	Tôi có thể đồng cảm với [công ty] tốt hơn các công ty khác.
like_2	[The company] is a company that I would regret more not having if it no longer existed than I would other companies.	Tôi sẽ hối tiếc nhiều hơn nếu [công ty] không còn tồn tại so với các công ty khác.
like_3	I regard [the company] as a likable company.	Tôi coi [công ty] là một công ty đáng mến.
QUAL	Quality (Chất lượng)	Biến Tiền tố (Ngoại sinh)
qual_1	The products/services offered by [the company] are of high quality.	Các sản phẩm/dịch vụ của [công ty] có chất lượng cao.
qual_2	[The company] is an innovator, rather than an imitator with respect to the industry.	[Công ty] là nhà đổi mới, thay vì là kẻ bắt chước trong ngành.
qual_3	[The company]’s products/services offer good value for money.	Sản phẩm/dịch vụ của [công ty] mang lại giá trị tốt so với giá tiền.
qual_4	The services [the company] offered are good.	Các dịch vụ mà [công ty] cung cấp là tốt.
qual_5	Customer concerns are held in high regard at [the company].	Các mối quan tâm của khách hàng được coi trọng tại [công ty].
qual_6	[The company] is a reliable partner for customers.	[Công ty] là đối tác đáng tin cậy của khách hàng.
qual_7	[The company] is a trustworthy company.	[Công ty] là một công ty đáng tin cậy.
qual_8	I have a lot of respect for [the company].	Tôi dành nhiều sự tôn trọng cho [công ty].
PERF	Performance (Hiệu suất)	Biến Tiền tố (Ngoại sinh)
perf_1	[The company] is a very well-managed company.	[Công ty] được quản lý rất tốt.
perf_2	[The company] is an economically stable company.	[Công ty] là một công ty ổn định về mặt kinh tế.
perf_3	The business risk for [the company] is modest compared to its competitors.	Rủi ro kinh doanh của [công ty] là khiêm tốn so với các đối thủ cạnh tranh.
perf_4	[The company] has growth potential.	[Công ty] có tiềm năng tăng trưởng.
perf_5	[The company] has a clear vision about the future of the company.	[Công ty] có tầm nhìn rõ ràng về tương lai.
CSOR	Corporate Social Responsibility (Trách nhiệm xã hội)	Biến Tiền tố (Ngoại sinh)
csor_1	[The company] behaves in a socially conscious way.	[Công ty] hành xử theo cách có ý thức xã hội.
csor_2	[The company] is forthright in giving information to the public.	[Công ty] thẳng thắn trong việc cung cấp thông tin cho công chúng.
csor_3	[The company] has a fair attitude toward competitors.	[Công ty] có thái độ công bằng đối với các đối thủ cạnh tranh.
csor_4	[The company] is concerned about the preservation of the environment.	[Công ty] quan tâm đến việc bảo vệ môi trường.
csor_5	[The company] is not only concerned about profits.	[Công ty] không chỉ quan tâm đến lợi nhuận.
ATTR	Attractiveness (Sự hấp dẫn)	Biến Tiền tố (Ngoại sinh)
attr_1	[The company] is successful in attracting high-quality employees.	[Công ty] thành công trong việc thu hút nhân viên chất lượng cao.
attr_2	I could see myself working at [the company].	Tôi có thể thấy mình làm việc tại [công ty].
attr_3	I like the physical appearance of [the company] (company logo, buildings, shops, etc.).	Tôi thích diện mạo vật lý của [công ty] (logo, tòa nhà, cửa hàng, v.v.).
CUSA	Customer Satisfaction (Sự hài lòng khách hàng)	Biến Kết quả (Nội sinh)
cusa	If you consider your experiences with [the company], how satisfied are you with [the company]?	Nếu xem xét trải nghiệm của bạn với [công ty], bạn hài lòng như thế nào với [công ty]? (Thang đo đơn biến)
CUSL	Customer Loyalty (Lòng trung thành)	Biến Kết quả (Nội sinh)
cusl_1	I would recommend [the company] to friends and relatives.	Tôi sẽ giới thiệu [công ty] cho bạn bè và người thân.
cusl_2	If I had to choose again, I would choose [the company].	Nếu được chọn lại, tôi vẫn sẽ chọn [công ty].
cusl_3	I will remain a customer of [the company] in the future.	Tôi sẽ tiếp tục là khách hàng của [công ty] trong tương lai.

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

Mạng lưới quan hệ (Nomological Network) xác lập vị trí và vai trò của các biến trong mô hình tổng thể:

• Biến Tiền tố (Antecedents): QUAL, PERF, CSOR, ATTR. Đây là các biến ngoại sinh, đóng vai trò là nguyên nhân kích hoạt nhận thức về danh tiếng.
• Biến Trung gian (Mediator): Danh tiếng Doanh nghiệp. Trong mô hình bậc 2, nó nhận tác động từ các tiền tố và chuyển tiếp tác động đó tới hành vi khách hàng. Điều thú vị là Danh tiếng vừa là biến phụ thuộc (của QUAL/PERF…) vừa là biến độc lập (của CUSA/CUSL).
• Biến Hậu tố (Consequences): Sự hài lòng (CUSA) và Lòng trung thành (CUSL). Đây là đích đến cuối cùng của mô hình marketing.

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

Dành cho các nhà nghiên cứu đang thực hiện luận án hoặc bài báo khoa học, hãy tuân thủ quy trình sau để đảm bảo độ tin cậy:

1. Biện luận mô hình đo lường: Đừng chỉ trích dẫn lý thuyết. Hãy chạy CTA-PLS để chứng minh rằng bạn có cơ sở thực nghiệm để chọn mô hình Kết quả (Reflective) thay vì Cấu tạo (Formative).
2. Xử lý HOC chuẩn xác: Tuyệt đối tránh gộp trung bình (Mean split) một cách thô sơ. Hãy dùng Disjoint Two-Stage Approach để giữ lại phương sai tối đa của dữ liệu.
3. Kiểm soát tính không đồng nhất: Đừng giả định tất cả mẫu đều giống nhau. Hãy chạy FIMIX-PLS để xem có bao nhiêu phân khúc ẩn (segments), sau đó dùng PLS-POS để gán đối tượng vào phân khúc và chạy MGA để so sánh.
4. Báo cáo toàn diện: Một bài báo chất lượng cao hiện nay cần vượt ra ngoài $R^2$ và $f^2$. Hãy bổ sung các chỉ số dự báo mẫu ngoài ($Q^2_{predict}$) và phân tích điều kiện cần (NCA).

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

Kết quả từ PLS-SEM nâng cao mang lại bộ công cụ ra quyết định sắc bén cho cấp quản lý (C-level):

• Tối ưu hóa ngân sách (IPMA): Thay vì rải đều ngân sách marketing, hãy tập trung vào các yếu tố có Tầm quan trọng cao nhưng Hiệu suất thấp. Ví dụ: Nếu phân tích chỉ ra “Sự hấp dẫn” (ATTR) có tác động mạnh lên Danh tiếng nhưng điểm số hiện tại của công ty thấp, HR và Marketing cần hợp tác để làm Employer Branding ngay lập tức.
• Quản trị rủi ro bằng ngưỡng tối thiểu (NCA): Giúp CEO hiểu rằng: “Để khách hàng trung thành, Chất lượng dịch vụ bắt buộc phải đạt 5/7 điểm”. Dưới mức này, mọi nỗ lực giảm giá hay khuyến mãi đều là lãng phí vì điều kiện cần chưa thỏa mãn.
• Cá nhân hóa chiến lược: Nhờ FIMIX-PLS, doanh nghiệp có thể phát hiện ra nhóm khách hàng “thực dụng” (quan tâm PERF) và nhóm “cảm xúc” (quan tâm CSOR), từ đó thiết kế thông điệp truyền thông riêng biệt.

11. Các Câu Hỏi Thường Gặp (FAQ)

Sự khác biệt giữa FIMIX-PLS và PLS-POS là gì?

FIMIX-PLS là bước đầu tiên để xác định số lượng phân khúc ẩn tối ưu (ví dụ: dữ liệu có 2 hay 3 nhóm?). Sau khi biết số lượng nhóm, PLS-POS được dùng để tối ưu hóa việc gán từng quan sát vào các nhóm đó nhằm làm rõ sự khác biệt. Chúng là cặp đôi quy trình không thể tách rời trong phân tích tính không đồng nhất không quan sát được.

Tại sao nên dùng Phương pháp hai giai đoạn tách biệt (Disjoint Two-Stage) cho HOC?

Vì phương pháp lặp lại chỉ báo (Repeated Indicators) có xu hướng làm sai lệch các ước lượng đường dẫn của biến bậc cao do các chỉ báo bị sử dụng lặp lại. Phương pháp Disjoint tách biệt quá trình ước lượng biến bậc thấp và bậc cao, giúp kết quả chính xác và ổn định hơn.

MICOM có ý nghĩa gì trong nghiên cứu đa quốc gia?

Trong nghiên cứu đa quốc gia, rủi ro lớn nhất là người dân các nước hiểu câu hỏi khác nhau do văn hóa. MICOM (đặc biệt là Bước 1: Configural Invariance) giúp kiểm chứng xem cấu trúc đo lường có thực sự tương đương hay không. Nếu không đạt MICOM, việc so sánh điểm số trung bình giữa các nước (ví dụ: Khách hàng Đức hài lòng hơn khách hàng Pháp) là vô nghĩa.

12. Tài Liệu Tham Khảo (References)

Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5–6), 359–394.

Chin, W. W., Cheah, J.-H., Liu, Y., Ting, H., Lim, X.-J., & Cham, T. H. (2020). Demystifying the role of causal-predictive modeling using partial least squares structural equation modeling in information systems research. Industrial Management & Data Systems, 120(12), 2161–2209.

Dul, J. (2016). Necessary condition analysis (NCA): Logic and methodology of “necessary but not sufficient causality”. Organizational Research Methods, 19(1), 10–52.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–152.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). Rethinking some of the rethinking of partial least squares. European Journal of Marketing, 53(4), 566–584.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2024). Advanced issues in partial least squares structural equation modeling (2nd ed.). Sage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431.

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Trong New challenges to international marketing (Advances in International Marketing, Vol. 20, pp. 277–319). Emerald Group Publishing Limited.

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

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5–6), 341–358.

Rigdon, E. E., 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.

Ringle, C. M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865–1886.

Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order models in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211.

Schlägel, C., & Sarstedt, M. (2016). Assessing the measurement invariance of the four-dimensional cultural intelligence scale across countries: A composite model approach. European Management Journal, 34(6), 633–649.

Wetzels, M., Odekerken-Schröder, G., & van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 33(1), 177–195.

Wilson, B. (2010). Using PLS to investigate interaction effects between higher order branding constructs. Trong V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications (pp. 621–652). Springer.

13. Lời kêu gọi hành động (CTA)

Việc làm chủ PLS-SEM nâng cao là bước chuyển mình từ một người chạy số liệu (data runner) thành một nhà phân tích chiến lược (strategic analyst). Cuốn sách của Hair et al. (2024) không chỉ là giáo trình, mà là tấm bản đồ dẫn đường cho những nghiên cứu đỉnh cao.

Để nghiên cứu sâu hơn từng thao tác trên phần mềm SmartPLS, hãy tải ngay tài liệu gốc dưới đây:

Hair, J. F., Jr., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2024). Advanced issues in partial least squares structural equation modeling (2nd ed.). Sage.

Xem thêm:

Các Lý thuyết tổ chức: Tiêu Chí Đánh Giá, Cấu Trúc và Nền Tảng Xây Dựng (Bacharach, 1989)

Đóng góp lý thuyết trong Nghiên cứu Quản trị Xu hướng qua 5 Thập kỷ (Theoretical Contribution)

Hướng dẫn xây dựng lý thuyết từ Corley & Gioia (2011) (Building Theory About Theory Building)

Báo cáo kết quả PLS-SEM theo Hair et al. (2019): Hướng dẫn chuẩn hóa và Quy trình thực hiện