Cheah et al. (2020): Quy trình Phân tích đa nhóm trên SmartPLS

Phân tích đa nhóm trên SmartPLS (Multigroup Analysis – MGA) sử dụng mô hình đường dẫn bình phương tối thiểu riêng phần (PLSPM) là một cách tiếp cận hiệu quả để đánh giá sự điều tiết qua nhiều mối quan hệ trong một mô hình nghiên cứu.

Bài viết này, được xây dựng dựa trên bài xã luận và hướng dẫn của Cheah et al. (2020), giải thích tầm quan trọng và cách sử dụng MGA để giải quyết vấn đề sự không đồng nhất quan sát được (observed heterogeneity), giúp các nhà nghiên cứu tránh được những kết luận sai lệch do việc gộp dữ liệu (pooling data) gây ra.

1. Tổng Quan & Lý Thuyết Nền Tảng

1.1. Thông tin định danh bài báo (Article Metadata)

Để đảm bảo tính chính xác trong trích dẫn khoa học, nội dung bài viết này được tổng hợp và phân tích sâu từ tài liệu gốc sau:

• Tiêu đề gốc: Multigroup Analysis using SmartPLS: Step-by-Step Guidelines for Business Research.
• Tiêu đề tiếng Việt: Phân tích đa nhóm sử dụng SmartPLS: Hướng dẫn từng bước cho nghiên cứu kinh doanh.
• Tác giả: Jun-Hwa Cheah, Ramayah Thurasamy, Mumtaz Ali Memon, Francis Chuah, & Hiram Ting.
• Tạp chí: Asian Journal of Business Research, Volume 10, Issue 3, 2020.
• DOI: 10.14707/ajbr.200087.

1.2. Tại sao Phân tích đa nhóm lại quan trọng? (Vấn đề Không đồng nhất)

Mô hình PLSPM đã phát triển mạnh mẽ với nhiều đóng góp phương pháp luận như HTMT, PLSc, và PLSpredict. Tuy nhiên, một sai lầm phổ biến của các nhà nghiên cứu kinh doanh là giả định dữ liệu thực nghiệm bắt nguồn từ một tổng thể đồng nhất duy nhất (homogeneous population). Trong thực tế, giả định này thường phi thực tế vì người tiêu dùng từ các giới tính, văn hóa, hoặc mức thu nhập khác nhau thường có nhận thức và hành vi khác biệt.

Việc bỏ qua sự không đồng nhất (heterogeneity) và gộp dữ liệu để phân tích chung có thể dẫn đến Nghịch lý Simpson (Simpson’s Paradox) – tình huống mà kết quả của tổng thể bị đảo ngược hoặc che lấp bởi kết quả thực sự của các nhóm con.

Ví dụ minh họa cụ thể từ Cheah et al. (2020):

Xét một nghiên cứu về Ý định mua xe hơi (Y) chịu tác động bởi hai yếu tố: Chất lượng (X_1) và Giá cả (X_2). Mẫu nghiên cứu bao gồm số lượng bằng nhau giữa Nam và Nữ.

• Trường hợp gộp dữ liệu (Pooled Data): Kết quả phân tích cho thấy hệ số đường dẫn của cả Giá cả và Chất lượng đều là 0.40. Nhà quản trị có thể kết luận sai lầm rằng hai yếu tố này quan trọng như nhau đối với tất cả mọi người.
• Trường hợp tách nhóm (MGA):
  • Nhóm Nam: Chất lượng tác động rất mạnh (0.60), trong khi Giá cả tác động yếu (0.30).
  • Nhóm Nữ: Chất lượng tác động yếu (0.20), trong khi Giá cả tác động rất mạnh (0.50).

→ Kết luận: MGA cung cấp bức tranh hoàn chỉnh hơn về ảnh hưởng của biến điều tiết lên tất cả các mối quan hệ được mô hình hóa, thay vì chỉ kiểm tra một mối quan hệ đơn lẻ như phương pháp điều tiết tương tác (Interaction Effect).

2. Quy Trình Chuẩn Bị Dữ Liệu & Tạo Nhóm (Data Preparation)

Trước khi thực hiện MGA trên SmartPLS, khâu chuẩn bị dữ liệu đóng vai trò quyết định đến độ chính xác của kết quả.

2.1. Đảm bảo lực thống kê (Statistical Power)

Khi chia tách mẫu tổng thể thành các nhóm nhỏ, kích thước mẫu (sample size) của mỗi nhóm sẽ giảm đi, dẫn đến nguy cơ giảm lực thống kê. Nếu lực thống kê thấp, nghiên cứu có thể thất bại trong việc phát hiện các hiệu ứng điều tiết thực sự tồn tại (Sai lầm loại II).

• Tính toán cỡ mẫu: Nhà nghiên cứu cần sử dụng phần mềm G*Power để đảm bảo mỗi nhóm đạt lực thống kê tối thiểu là 80%.
• Kích thước mẫu tối thiểu: Theo Kock và Hadaya (2016), nếu nhà nghiên cứu không biết trước kích thước hiệu ứng, cần tuân thủ các ngưỡng an toàn sau cho mỗi nhóm:
  • Phương pháp Căn bậc hai nghịch đảo (Inverse Square Root Method): Tối thiểu 160 quan sát/nhóm.
  • Phương pháp Gamma-mũ (Gamma-hat Method): Tối thiểu 146 quan sát/nhóm.
• Cân bằng mẫu: Nên cố gắng thu thập dữ liệu sao cho kích thước mẫu giữa các nhóm tương đương nhau để tối đa hóa phương sai. Mặc dù việc lấy mẫu quá mức (oversampling) nhóm thiểu số có thể giúp cân bằng về số lượng, nhưng nó có thể làm sai lệch tính đại diện của tổng thể.

2.2. Kiểm soát chất lượng dữ liệu (Data Quality Checks)

Cheah et al. (2020) nhấn mạnh việc loại bỏ các dữ liệu kém chất lượng trước khi chạy MGA:

• Hiện tượng “Trả lời thẳng đuột” (Straight Lining): Đây là tình trạng người trả lời đánh dấu cùng một phương án cho hầu hết các câu hỏi (ví dụ: chọn toàn bộ là 4 hoặc toàn bộ là 7 trên thang đo Likert).
  • Hậu quả: Các câu trả lời này làm giảm sự biến thiên (variance) của dữ liệu, dẫn đến việc các hiệu ứng điều tiết bị đánh giá thấp hoặc không được phát hiện.
  • Giải pháp: Cần rà soát và loại bỏ triệt để các quan sát này.
• Độ tin cậy và Tính hợp lệ: Cần đánh giá thang đo (Cronbach’s Alpha, CR, AVE) cho từng nhóm riêng biệt. Nếu độ tin cậy thấp ở một nhóm bất kỳ, kết quả so sánh MGA sẽ bị sai lệch.

2.3. Quy trình tạo nhóm trong SmartPLS (Step-by-Step)

Dựa trên giao diện SmartPLS 3.3.2 (và các phiên bản mới hơn), quy trình tạo nhóm được thực hiện như sau:

1. Truy cập Data View: Nhấp đúp vào file dữ liệu đã import (ví dụ: Cross-border Food Study).
2. Tạo nhóm: Nhấp vào biểu tượng “Generate Data Groups” trên thanh công cụ.
3. Cấu hình:
   • Tại mục Name Prefix (Tiền tố tên): Đặt tên gợi nhớ, ví dụ Group_.
   • Tại mục Group Column (Cột nhóm): Chọn biến phân loại từ danh sách (ví dụ: biến Region có 2 giá trị là “Peninsular Malaysia” và “Singapore”).
   • Nhấn OK.
4. Chỉnh sửa tên nhóm: Trong tab Data Groups vừa xuất hiện, nhấn nút Edit để đổi tên các nhóm cho dễ hiểu (ví dụ: đổi Group_Region(1.0) thành Peninsular Malaysia và Group_Region(2.0) thành Singapore).

3. Kiểm định Bất biến đo lường (MICOM – Measurement Invariance)

Đây là bước BẮT BUỘC và quan trọng nhất trước khi tiến hành so sánh hệ số đường dẫn. MICOM đảm bảo rằng người trả lời ở các nhóm khác nhau hiểu và diễn giải các câu hỏi đo lường theo cùng một cách. Quy trình gồm 3 bước:

Bước 1: Bất biến cấu hình (Configural Invariance)

Đảm bảo rằng mô hình đo lường, cấu trúc dữ liệu và các cài đặt thuật toán là giống hệt nhau giữa các nhóm.

• Cụ thể: Cùng chỉ báo, cùng cách xử lý dữ liệu thiếu (missing value), cùng cài đặt thuật toán PLS (trọng số đường dẫn, 300 lần lặp, tiêu chuẩn dừng 10^{-7}).
• Lưu ý: SmartPLS tự động xác lập bước này khi bạn thiết lập mô hình đa nhóm.

Bước 2: Bất biến thành phần (Compositional Invariance)

Kiểm tra xem các chỉ báo cấu thành nên biến tiềm ẩn có trọng số giống nhau giữa các nhóm hay không.

• Thực hiện: Chọn Calculate → Permutation. Chọn hai nhóm cần so sánh, đặt số lần hoán vị là 5000, mức ý nghĩa 0.05 (hai đuôi).
• Đánh giá: Xem tab MICOM → Step 2.
• Tiêu chuẩn: So sánh tương quan c (Original Correlation) với phân vị 5% (5% Quantile).
  • Nếu c bằng 1 (hoặc giá trị p-value của hoán vị > 0.05), Bất biến thành phần được thiết lập.
• Kết luận: Nếu đạt Bước 1 và Bước 2 → Đạt Bất biến từng phần (Partial Invariance). Nhà nghiên cứu đủ điều kiện để tiến hành so sánh các hệ số đường dẫn (MGA).

Bước 3: Đẳng thức về Trung bình và Phương sai (Equality of Composite Mean and Variance)

Đánh giá xem giá trị trung bình và phương sai của các biến tiềm ẩn có bằng nhau giữa các nhóm hay không.

• Đánh giá: Xem tab MICOM → Step 3. Kiểm tra Mean Difference (Hiệu số trung bình) và Variance Difference (Hiệu số phương sai).
• Tiêu chuẩn: Kiểm tra xem các hiệu số gốc có nằm trong Khoảng tin cậy 95% (từ giới hạn dưới 2.5% đến giới hạn trên 97.5%) hay không.
• Kết luận:
  • Nếu đạt cả Bước 3 (cả trung bình và phương sai đều bằng nhau): Đạt Bất biến toàn phần (Full Invariance). Khi đó, dữ liệu có thể được gộp lại để phân tích chung nhằm tăng lực thống kê, và việc chạy MGA là không cần thiết.
  • Nếu không đạt Bước 3 (nhưng đã đạt Bước 2): Vẫn đủ điều kiện chạy MGA để so sánh sự khác biệt về hệ số đường dẫn.

4. Các Phương Pháp Kiểm Định MGA (Tests for Multigroup Comparison)

Sau khi thiết lập bất biến đo lường (ít nhất là từng phần), nhà nghiên cứu tiến hành kiểm định sự khác biệt nhóm. SmartPLS cung cấp các phương pháp sau:

4.1. So sánh 2 nhóm (Two-group Comparison)

Kiểm định Hoán vị (Permutation Test):

• Cơ chế: Sử dụng kỹ thuật hoán vị ngẫu nhiên các quan sát giữa các nhóm.
• Ưu điểm: Là phương pháp kiểm định phi tham số (non-parametric), kiểm soát tốt lỗi Loại I và có tính bảo thủ (conservative) phù hợp với nghiên cứu khoa học.
• Khuyên dùng: Đây là phương pháp được Cheah et al. (2020) và Hair et al. (2018) khuyến nghị ưu tiên sử dụng.
• Cách đọc kết quả: Xem cột Permutation p-values. Nếu p < 0.05, sự khác biệt giữa hai nhóm là có ý nghĩa thống kê.

PLS-MGA (Henseler’s MGA):

• Cơ chế: Dựa trên bootstrapping phi tham số.
• Đặc điểm: Đây là kiểm định một đuôi (one-tailed test).
• Cách đọc kết quả: Sự khác biệt có ý nghĩa khi giá trị p cực nhỏ (p < 0.05) hoặc cực lớn (p > 0.95).
  • Ví dụ: p < 0.05 nghĩa là Nhóm 1 > Nhóm 2.
  • p > 0.95 nghĩa là Nhóm 2 > Nhóm 1.

Welch-Satterthwaite Test:

• Cơ chế: Kiểm định t-test tham số (parametric).
• Hạn chế: Giả định dữ liệu phân phối chuẩn, điều này thường không phù hợp với bản chất phi tham số của PLS-SEM. Chỉ nên dùng để tham khảo.

4.2. So sánh nhiều hơn 2 nhóm (Multiple Group Comparison)

Khi nghiên cứu có nhiều hơn 2 nhóm (ví dụ: so sánh 3 quốc gia: Việt Nam, Thái Lan, Singapore), việc thực hiện nhiều cặp so sánh t-test liên tiếp sẽ làm tăng lạm phát lỗi (Alpha inflation/Family-wise error rate). Cần áp dụng các hiệu chỉnh sau:

• Kiểm định Tổng quát (OTG – Omnibus Test of Group Differences): Tương tự như kiểm định F trong ANOVA, OTG kiểm tra xem có bất kỳ sự khác biệt nào tồn tại trong tất cả các nhóm hay không trước khi đi vào so sánh cặp. Hiện tại, OTG chưa có sẵn trực tiếp trong SmartPLS mà cần dùng mã R bổ trợ.
• Hiệu chỉnh Bonferroni: Đây là phương pháp kiểm soát lỗi đơn giản nhất.
  • Công thức: Mức ý nghĩa mới alpha_{new} = alpha_{original} / m (trong đó m là tổng số cặp so sánh).
  • Ví dụ: Nếu so sánh 5 nhóm, ta sẽ có m = 10 cặp so sánh. Mức ý nghĩa để kết luận sự khác biệt sẽ là 0.05 / 10 = 0.005 (thay vì 0.05).
• Hiệu chỉnh Šidák: Phương pháp này có lực thống kê mạnh hơn Bonferroni khi số lượng nhóm lớn.
  • Công thức: alpha_{new} = 1 – (1 – alpha)^{1/m}.
  • Ví dụ: Với 5 nhóm (10 cặp so sánh), mức ý nghĩa sẽ là 1 – (1 – 0.05)^{1/10} \approx 0.005116$.

5. Minh Họa Nghiên Cứu Tình Huống: Ẩm Thực Dayak (Case Study)

Để minh họa, bài báo sử dụng dữ liệu từ nghiên cứu của Ting et al. (2019) về hành vi tiêu thụ thực phẩm dân tộc Dayak.

• Mô hình: Thuyết Hành động Hợp lý (TRA).
• Biến độc lập: Chuẩn chủ quan.
• Biến trung gian: Thái độ.
• Biến phụ thuộc: Ý định tiêu thụ.
• Biến phân nhóm: Khu vực (Bán đảo Malaysia: n=139 và Singapore: n=109). Mẫu này đủ lớn và cân bằng.

Kết quả MICOM:

• Bước 2: Tất cả các tương quan c đều lớn hơn phân vị 5% (p > 0.05) → Đạt Bất biến thành phần.
• Bước 3: Biến Thái độ có phương sai khác biệt đáng kể giữa hai nhóm → Không đạt Bất biến toàn phần.
• Kết luận chung: Đạt Bất biến từng phần, đủ điều kiện chạy MGA.

Kết quả Phân tích Đa nhóm (MGA Results):

Kiểm định Hoán vị cho thấy chỉ có một mối quan hệ có sự khác biệt đáng kể (p < 0.05):

• Đường dẫn: Chuẩn chủ quan → Thái độ.
• Chi tiết: Tác động này ở nhóm Bán đảo Malaysia (beta = 0.730) mạnh hơn rất nhiều so với nhóm Singapore (beta = 0.197).
• Các mối quan hệ khác (ví dụ: Thái độ → Ý định) không có sự khác biệt có ý nghĩa thống kê giữa hai nhóm du khách.

6. Các Cân Nhắc Thực Tiễn & Hướng Nghiên Cứu (Practical Implications)

Cheah et al. (2020) đúc kết 5 lời khuyên thực tiễn (“Best Practices”) để nâng cao chất lượng nghiên cứu MGA:

1. Sử dụng PLS Nhất quán (Consistent PLS – PLSc): Nếu nhà nghiên cứu muốn mô phỏng các kết quả của mô hình dựa trên hiệp phương sai (CB-SEM), hãy chọn thuật toán Consistent PLS Algorithm và Consistent Bootstrapping/MGA trong SmartPLS.
2. Giải pháp khi không đạt MICOM: Nếu Bước 2 (Bất biến thành phần) bị thất bại, đặc biệt với các cấu trúc kết quả (reflective constructs), nhà nghiên cứu nên kiểm tra Hệ số tải ngoài (Outer Loadings). Hãy loại bỏ các biến quan sát (items) có sự chênh lệch tải trọng quá lớn giữa các nhóm, vì điều này cho thấy người trả lời hiểu câu hỏi theo nghĩa khác nhau.
3. Ưu tiên Khoảng tin cậy (Confidence Intervals): Đừng chỉ dựa vào giá trị p-value. Khoảng tin cậy cung cấp cái nhìn chính xác hơn vì nó tính đến độ lệch (skewness) của phân phối lấy mẫu, trong khi p-value thường giả định phân phối đối xứng.
4. Tiếp cận Đa phương pháp (Multi-method approach): Để tăng tính thuyết phục, hãy báo cáo cả kết quả của Kiểm định Hoán vị (Permutation) và Henseler’s MGA. Mặc dù thuật toán khác nhau, kết quả của chúng thường hội tụ và bổ trợ cho nhau.
5. Kết hợp Dị biệt Quan sát và Không quan sát: Nghiên cứu tương lai nên kết hợp MGA (cho các nhóm đã biết như giới tính, quốc gia) với các kỹ thuật phân khúc tiềm ẩn như FIMIX-PLS hoặc PLS-POS (cho các nhóm chưa biết) để có cái nhìn toàn diện nhất về sự không đồng nhất của dữ liệu.

7. Các Câu Hỏi Thường Gặp (FAQ)

Có thể thực hiện Phân tích đa nhóm trên SmartPLS với cỡ mẫu nhỏ không?

Có, PLS-SEM hoạt động tốt với cỡ mẫu nhỏ hơn so với CB-SEM. Tuy nhiên, để MGA có ý nghĩa thống kê và tránh sai lầm loại II, quy tắc “Gamma-hat” gợi ý kích thước mẫu tối thiểu khoảng 146-160 quan sát cho mỗi nhóm. Nếu một trong các nhóm có mẫu quá nhỏ (ví dụ n < 50), kết quả kiểm định sự khác biệt sẽ thiếu độ tin cậy.

Nếu tôi có 3 nhóm (Ví dụ: Doanh nghiệp Nhà nước, Tư nhân, Nước ngoài), tôi nên làm gì?

Bạn cần chạy so sánh từng cặp (Nhà nước vs Tư nhân; Tư nhân vs Nước ngoài; Nhà nước vs Nước ngoài). Tuy nhiên, bắt buộc phải áp dụng hiệu chỉnh Bonferroni hoặc Šidák cho mức ý nghĩa alpha (ví dụ: chia nhỏ alpha ra) để tránh kết luận sai lầm do lạm phát xác suất tìm thấy sự khác biệt ngẫu nhiên.

Tại sao kết quả MGA của tôi không có ý nghĩa dù nhìn hệ số beta rất khác nhau (ví dụ 0.5 vs 0.2)?

Sự khác biệt về con số tuyệt đối (|0.5 – 0.2| = 0.3) có thể trông rất lớn, nhưng về mặt thống kê có thể không đáng kể. Nguyên nhân thường do Phương sai (Standard Error) của các ước lượng trong mỗi nhóm quá lớn, hoặc kích thước mẫu của các nhóm quá chênh lệch, khiến khoảng tin cậy của hai nhóm bị chồng lấn lên nhau.

8. Tài Liệu Tham Khảo (References)

Aguinis, H., Edwards, J. R., & Bradley, K. J., (2017), “Improving our understanding of moderation and mediation in strategic management research”, Organizational Research Methods, vol. 20, no. 4, pp. 665-685.

Becker, J. M., Rai, A., Ringle, C. M., & Völckner, F., (2013)., “Discovering unobserved heterogeneity in structural equation models to avert validity threats”, MIS Quarterly, vol. 37, no. 3, pp. 665-694.

Cheah, J. H., Roldán, J. L., Ciavolino, E., Ting, H., & Ramayah, T., (2020), “Sampling weight adjustments in partial least squares structural equation modelling: Guidelines and illustrations”, Total Quality Management & Business Excellence, pp. 1-20.

Chin, W., Cheah, J. H., Liu, Y., Ting, H., Lim, X. J., & Cham, T. H., (2020), “Demystifying the role of causal-predictive modelling using partial least squares structural equation modelling in information systems research”, Industrial Management & Data Systems, vol. 120, no. 12, pp. 2161-2209.

Chin, W. W., & Dibbern, J., (2010), “An introduction to a permutation based procedure for multi-group PLS analysis: Results of tests of differences on simulated data and a cross cultural analysis of the sourcing of information system services between Germany and the USA”, In Handbook of partial least squares (pp. 171-193). Springer, Berlin, Heidelberg.

Cohen, J., (1988), Statistical power analysis for the behavioural sciences (2nd ed.), Lawrence Erlbaum: New Jersey.

Danks, N. P., Sharma, P. N., & Sarstedt, M., (2020), “Model selection uncertainty and multimodel inference in partial least squares structural equation modelling (PLS-SEM)”, Journal of Business Research, vol. 113, pp. 13-24.

Dijkstra, T. K., & Henseler, J., (2015), “Consistent partial least squares path modeling”, MIS Quarterly, vol. 39, no. 2, pp. 297-316.

Hahn, E. D., & Ang, S. H., (2017), “From the editors: New directions in the reporting of statistical results in the Journal of World Business”, Journal of World Business, vol. 52, no. 2, pp. 125-126.

Hair Jr, J. F., (2020), “Next-generation prediction metrics for composite-based PLS-SEM”, Industrial Management & Data Systems, Forthcoming.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E., (2019a), Multivariate data analysis, (8th ed.), Cengage Learning: London.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M., (2017b), A primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), (2nd ed.), Sage Publication: Thousand Oaks.

Hair, J. F., Ringle, C. M., Gudergan, S. P., Fischer, A., Nitzl, C., & Menictas, C., (2019b), “Partial least squares structural equation modeling-based discrete choice modeling: An illustration in modeling retailer choice”, Business Research, vol. 12, no. 1, pp. 115-142.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M., (2019c), “When to use and how to report the results of PLS-SEM”, European Business Review, vol. 31, no. 1, pp. 2-24.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P., (2018), Advanced issues in Partial Least Squares Structural Equation Modeling (PLS-SEM), Sage Publication: Thousand Oaks.

Henseler, J., Ringle, C. M., & Sarstedt, M., (2015), “A new criterion for assessing discriminant validity in variance-based structural equation modeling”, Journal of the Academy of Marketing Science, vol. 43, no. 1, pp. 115-135.

Henseler, J., Ringle, C. M., & Sarstedt, M., (2016), “Testing measurement invariance of composites using partial least squares”, International Marketing Review, vol. 33, no. 3, pp. 405-431.

Henseler, J., Ringle, C. M., & Sinkovics, R. R., (2009), “The use of partial least squares path modeling in international marketing”, In New challenges to international marketing (pp. 277-319): Emerald Group Publishing Limited.

Hult, G. T. M., Hair Jr, J. F., Proksch, D., Sarstedt, M., Pinkwart, A., & Ringle, C. M., (2018), “Addressing endogeneity in international marketing applications of partial least squares structural equation modeling”, Journal of International Marketing, vol. 26, no. 3, pp. 1-21.

Hult, G. T. M., Ketchen, D. J., Griffith, D. A., Finnegan, C. A., Gonzalez-Padron, T., Harmancioglu, N., & Cavusgil, S. T., (2008), “Data equivalence in cross-cultural international business research: Assessment and guidelines”, Journal of International Business Studies, vol. 39, no. 6, pp. 1027-1044.

Hwang, H., Sarstedt, M., Cheah, J. H., & Ringle, C. M., (2020), “A concept analysis of methodological research on composite-based structural equation modeling: Bridging PLSPM and GSCA”, Behaviormetrika, vol. 47, no. 1, pp. 219-241.

Johnson, T., Kulesa, P., Cho, Y. I., & Shavitt, S., (2005), “The relation between culture and response styles: Evidence from 19 countries”, Journal of Cross-Cultural Psychology, vol. 36, no. 2, pp. 264-277.

Jöreskog, K. G., & Wold, H. O. A., (1982), “The ML and PLS techniques for modeling with latent variables: Historical and comparative aspects”, in Wold, H.O.A. and Jeoreskog, K.G. (Eds), Systems under indirect observation: Part I, North-Holland, Amsterdam, pp. 263-270.

Keil, M., Tan, B. C., & Wei, K. K., (2000), “A cross-cultural study on escalation of commitment behaviour in software projects”, MIS Quarterly, vol. 24, no. 2, pp. 299-325.

Kock, N., & Hadaya, P., (2018), “Minimum sample size estimation in PLS – SEM: The inverse square root and gamma exponential methods”, Information Systems Journal, vol. 28, no. 1, pp. 227-261.

Liengaard, B. D., Sharma, P. N., Hult, G. T. M., Jensen, M. B., Sarstedt, M., Hair, J. F., & Ringle, C. M., (2020), “Prediction: Coveted, yet forsaken? Introducing a cross-validated predictive ability test in partial least squares path modeling”, Decision Sciences, Forthcoming.

Lin, M., Lucas Jr, H. C., & Shmueli, G., (2013), “Research commentary too big to fail: Large samples and the p-value problem”, Information Systems Research, vol. 24, no. 4, pp. 906-917.

Memon, M. A., Ting, H., Cheah, J. H., Ramayah, T., Chuah, F., & Cham, T. H., (2020), “Sample size for survey research: Review and recommendations”, Journal of Applied Structural Equation Modelling, vol. 4, no. 2, pp. 1-20.

Osakwe, C. N., Ruiz, B., Amegbe, H., Chinje, N. B., Cheah, J. H., & Ramayah, T., (2020), “A multi-country study of bank reputation among customers in Africa: Key antecedents and consequences”, Journal of Retailing and Consumer Services, vol. 56, pp. 102-182.

Picón-Berjoyo, A., Ruiz-Moreno, C., & Castro, I., (2016), “A mediating and multigroup analysis of customer loyalty”, European Management Journal, vol. 34, no. 6, pp. 701-713.

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, Forthcoming.

Ringle, C. M., Wende, S., & Becker, J. M., (2015), SmartPLS 3, SmartPLS, Beonningstedt.

Sarstedt, M., & Cheah, J. H., (2019), “Partial least squares structural equation modeling using SmartPLS: A software review”, Journal of Marketing Analytics, vol. 7, no. 3, pp. 196-202.

Sarstedt, M., & Mooi, E. A., (2019), A concise guide to market research: The process, data, and methods using IBM SPSS statistics, Springer: London.

Sarstedt, M., Henseler, J., & Ringle, C. M., (2011), “Multigroup analysis in Partial Least Squares (PLS) Path Modeling: Alternative methods and empirical results”, Sarstedt, M., Schwaiger, M., & Taylor, C. R., (Ed.) Measurement and research methods in international marketing (Advances in International Marketing, vol. 22), Emerald Group Publishing Limited, Bingley, pp. 195-218.

Sarstedt, M., & Ringle, C. M., (2010)., “Treating unobserved heterogeneity in PLS path modeling: A comparison of FIMIX-PLS with different data analysis strategies”, Journal of Applied Statistics, vol. 37, no. 8, pp. 1299-1318.

Sarstedt, M., Ringle, C. M., Cheah, J. H., Ting, H., Moisescu, O. I., & Radomir, L., (2020), “Structural model robustness checks in PLS-SEM”, Tourism Economics, vol. 26, no. 4, pp. 531-554.

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, vol. 3, no. 3, p. 185.

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, vol. 34, no. 6, pp. 633-649.

Sharma, P., Sarstedt, M., Shmueli, G., Kim, K. H., & Thiele, K. O., (2019a), “PLS-based model selection: The role of alternative explanations in information systems research”, Journal of the Association for Information Systems, vol. 20, no. 4, p. 4.

Sharma, P. N., Shmueli, G., Sarstedt, M., Danks, N., & Ray, S., (2019b), “Prediction oriented model selection in partial least squares path modeling”, Decision Sciences, Forthcoming.

Shmueli, G., Ray, S., Estrada, J. M. V., & Chatla, S. B., (2016), “The elephant in the room: Predictive performance of PLS models”, Journal of Business Research, vol. 69, no. 10, pp. 4552-4564.

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J. H., Ting, H., Vaithilingam, S., & Ringle, C. M., (2019), “Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict”, European Journal of Marketing, vol. 53, no. 11, pp. 2322-2347.

Ting, H., Fam, K. S., Hwa, J. C. J., Richard, J. E., & Xing, N., (2019), “Ethnic food consumption intention at the touring destination: The national and regional perspectives using multi-group analysis”, Tourism Management, vol. 71, pp. 518-529.

Welch, B. L., (1947), “The generalization of student’s problem when several different population variances are involved”, Biometrika, vol. 34, no. 1/2, pp. 28-35.

Wold, H. O. A., (1982), “Soft modeling: The basic design and some extensions”, in JEoreskog, K.G. and Wold, H.O.A. (Eds), Systems under Indirect Observations: Part II, North-Holland, Amsterdam, pp. 1-54.

9. Lời Kết 

Việc áp dụng chính xác Phân tích đa nhóm trên SmartPLS theo quy trình chuẩn mực (từ MICOM đến MGA) không chỉ giúp bạn tránh được những cạm bẫy của việc gộp dữ liệu mà còn nâng tầm giá trị đóng góp của bài nghiên cứu trong cộng đồng học thuật. Hãy nhớ rằng: Không có sự so sánh nào là hợp lệ nếu không có sự bất biến trong đo lường.

Để nghiên cứu chi tiết từng bước và tham khảo các hình ảnh minh họa giao diện phần mềm, bạn có thể tải tài liệu gốc bên dưới.

Cheah, J.-H., Thurasamy, R., Memon, M. A., Chuah, F., & Ting, H. (2020). Multigroup analysis using SmartPLS: Step-by-step guidelines for business research. Asian Journal of Business Research, 10(3), I–XIX.