Vấn đề cốt lõi trong việc đánh giá các mô hình nghiên cứu phức tạp hiện nay là sự thiếu hụt các phương pháp đo lường sức mạnh dự báo chính xác và phân tích chuyên sâu. Nguyên nhân chính là do các nhà nghiên cứu có thói quen phụ thuộc vào các chỉ số giải thích trong mẫu (in-sample prediction) truyền thống và bỏ qua các công cụ đo lường mới. Giải pháp nhanh nhất là cập nhật và ứng dụng bộ công cụ phân tích PLS-SEM tiên tiến, bao gồm PLSpredict, CVPAT, phân tích điều kiện cần (NCA) và mô hình cấu trúc bậc cao (HOCs) để tối ưu hóa độ tin cậy và giá trị khoa học của bài báo. Sự kết hợp của những công cụ này không chỉ giúp khắc phục các hạn chế của phương pháp luận cũ mà còn cung cấp một nền tảng vững chắc cho việc kiểm định các giả thuyết đa chiều một cách chuẩn xác nhất.
1. Tổng Quan & Lý Thuyết Nền Tảng (Overview & Theoretical Foundations)
1.1 Thông tin định danh bài báo
- Tiêu đề gốc: Emerging opportunities for information systems researchers to expand their PLS-SEM analytical toolbox
- Tiêu đề tiếng Việt: Các cơ hội mới nổi cho các nhà nghiên cứu hệ thống thông tin nhằm mở rộng công cụ phân tích PLS-SEM của họ
- Tác giả: Gabriel Cepeda, José L. Roldán, Misty Sabol, Joe Hair, Alain Yee Loong Chong
- Tạp chí: Industrial Management & Data Systems (2024)
1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu (Tóm tắt bài báo)
- Mục đích: Việc áp dụng nghiêm ngặt các công cụ phân tích trong nghiên cứu hệ thống thông tin (IS) là rất quan trọng để phát triển kiến thức. Bài viết này tổng hợp việc áp dụng các công cụ phân tích PLS-SEM trong 5 năm qua.
- Thiết kế/Phương pháp: Lựa chọn và nhấn mạnh các công cụ phân tích PLS-SEM tiên tiến nhưng chưa được áp dụng rộng rãi.
- Kết quả: Các công cụ phân tích PLS-SEM hiện tại đã tạo điều kiện thuận lợi để giải mã các mô hình phức tạp và cải thiện dự báo ngoài mẫu.
- Hạn chế/Ý nghĩa nghiên cứu: Khẳng định PLS-SEM là phương pháp thay thế hữu ích và được ưa chuộng, giúp các nhà nghiên cứu kiểm tra khái niệm và xuất bản công trình dễ dàng hơn nếu biết tận dụng các công cụ mới.
- Khoảng trống: Mặc dù PLS-SEM có lịch sử hơn 50 năm (Wold, 1966), sự áp dụng các công cụ mới (Sabol et al., 2023) vẫn còn hạn chế. Do đó, cần phổ cập để nâng cao cơ sở kiến thức (Bergh et al., 2022). Các học giả hệ thống thông tin không ngừng cố gắng giải thích các mối quan hệ đa chiều giữa công nghệ, con người và bối cảnh, nhưng việc chỉ dừng lại ở các phương pháp cơ bản sẽ làm giảm độ chính xác của các kết luận nhân quả.
1.3 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)
Lý thuyết nền tảng phân chia rõ hai luồng logic kiểm định trong thống kê:
- Logic tính đủ (Sufficiency logic): Giả định mỗi biến tiền tố (antecedent construct) là đủ để tạo ra sự thay đổi ở biến phụ thuộc. PLS-SEM truyền thống hoạt động dựa trên logic này. Trọng tâm của nó là tối đa hóa phương sai được giải thích, thường được đánh giá qua các phát biểu định hướng tuyến tính như “X cao hơn dẫn đến Y cao hơn”.
- Logic tính cần (Necessity logic): Kiểm tra các biến tiền tố bắt buộc phải có để đạt được kết quả, thông qua Phân tích Điều kiện Cần (NCA). Logic này khẳng định rằng nếu không có biến điều kiện cần, việc đạt được kết quả mong đợi là bất khả thi, và mức độ hụt hẫng của biến này tuyệt đối không thể được bù đắp bởi bất kỳ cấu trúc tiền đề nào khác.
2. Khái Niệm Hóa và Cấu Trúc Khái Niệm (Conceptualization & Analytical Tools)
Với tư cách là người hướng dẫn nghiên cứu, tôi chia hệ sinh thái công cụ phân tích PLS-SEM thành 2 nhóm cấu trúc cốt lõi dựa trên tài liệu gốc:
2.1 Các công cụ và thước đo phân tích PLS-SEM thiết yếu (Essential Tools)
- Dự đoán ngoài mẫu (Out-of-sample prediction): Thay vì phụ thuộc vào dự đoán trong mẫu (R²), Shmueli et al. (2019) đề xuất quy trình dự đoán mẫu kiểm chứng (holdout sample) có tên là PLSpredict. Nếu thống kê Q²_predict > 0, mô hình PLS-SEM có hiệu suất dự đoán tốt hơn giá trị trung bình. Thêm vào đó, sai số RMSE/MAE của PLS-SEM phải nhỏ hơn mô hình hồi quy tuyến tính (LM) chuẩn. Việc chỉ đánh giá dựa trên R² hay kỹ thuật blindfolding giờ đây được xem là không đầy đủ vì PLSpredict cung cấp bằng chứng thực nghiệm ở cấp độ từng trường hợp (case-level) mạnh mẽ hơn rất nhiều.
- Trung gian (Mediation): Phân tích trung gian giải thích cách biến độc lập tác động lên biến phụ thuộc qua biến can thiệp. Nguyên tắc cốt lõi: Tránh phương pháp Baron & Kenny cũ; luôn báo cáo hiệu ứng trực tiếp; sử dụng bootstrapping của PLS-SEM thay vì PROCESS macro. Sarstedt và Moisescu (2024) còn đề xuất dùng Tiêu chí Thông tin Bayes (BIC) và trọng số Akaike để đánh giá tính khái quát hóa của mô hình trung gian. Việc bỏ qua hiệu ứng trực tiếp có thể dẫn đến lạm phát sai số loại I (Type I error). Hơn nữa, việc tích hợp các thước đo kích thước hiệu ứng trung gian với các ngưỡng định lượng rõ ràng là bắt buộc để hỗ trợ cho giá trị p-value.
- Điều tiết (Moderation): Biến điều tiết thay đổi cường độ/hướng của mối quan hệ. PLS-SEM ưu tiên cách tiếp cận biến liên tục (phương pháp hai giai đoạn – two-stage approach) bằng cách kiểm tra hệ số tương tác (d) qua bootstrapping và đo lường kích thước hiệu ứng f². Phân tích đa nhóm (MGA) chỉ nên dùng để đánh giá nhanh biến phân loại. Trước khi thực hiện phân tích MGA, học giả phải bắt buộc kiểm định tính bất biến của phép đo (Measurement Invariance) để đảm bảo độ tin cậy chéo.
- Trung gian có điều kiện (Conditional mediation – CoMe): Còn gọi là trung gian bị điều tiết (moderated mediation). CoMe kiểm tra cách thức các mối quan hệ trung gian thay đổi tùy theo ngữ cảnh/ranh giới. PLS-SEM vượt trội hơn việc dùng CB-SEM kết hợp PROCESS trong việc ước lượng các mô hình CoMe phức tạp (Sarstedt et al., 2020). Phương pháp này cho phép phân tích đồng thời sự tác động nội tại, mở ra hướng khai phá lý thuyết chi tiết hơn trong khoa học dữ liệu.
- So sánh mô hình lý thuyết (Theoretical model comparisons): Sử dụng tiêu chí BIC, Geweke-Meese (GM) (Sharma et al., 2019) và trọng số Akaike (Danks et al., 2020) để so sánh sức mạnh dự đoán ngoài mẫu của các mô hình cạnh tranh nhằm chọn ra mô hình tối ưu nhất. Trọng số Akaike đặc biệt hiệu quả trong việc phân tách và loại trừ các mô hình bị xác định sai lệch, đồng thời định lượng chính xác độ rủi ro khi chọn sai mô hình.
2.2 Các công cụ và thước đo phân tích mới nổi (Emerging Tools)
- Kiểm định khả năng dự đoán xác thực chéo (CVPAT): Do Liengaard et al. (2021) phát triển, giúp kiểm định suy luận xem mô hình thay thế có sức mạnh dự báo vượt trội mô hình gốc hay không. CVPAT tập trung độc quyền vào năng lực dự báo thực tiễn, cho phép đo lường độ chính xác trên từng cấu trúc riêng lẻ thay vì ép buộc đánh giá toàn bộ mạng lưới cấu trúc cùng một lúc.
- Cấu trúc bậc cao (Higher-order constructs – HOCs): Lập mô hình các khái niệm ở mức độ trừu tượng cao (HOC) với các khía cạnh phụ (LOCs). Có 4 loại (Phản xạ-Phản xạ, Phản xạ-Định hình, Định hình-Phản xạ, Định hình-Định hình). Phương pháp tốt nhất hiện nay là phương pháp hai giai đoạn rời rạc (disjoint two-stage) giúp loại bỏ triệt để hiện tượng đa cộng tuyến (Becker et al., 2023). HOCs làm cho hệ thống các đường dẫn phức tạp trở nên tinh gọn và dễ diễn giải hơn đáng kể.
- Phân tích điều kiện cần (NCA): Áp dụng logic điều kiện cần. Ví dụ: Tính tương thích là điều kiện bắt buộc (phải có) để người dùng sử dụng công nghệ, dù bản thân nó không đủ để trực tiếp tạo ra hành vi (Richter et al., 2020). Sự tích hợp NCA giúp phát hiện ra những “điểm nghẽn” sinh tử trong mô hình mà phân tích tương quan truyền thống thường bỏ sót.
- Phân tích thành phần cấu trúc tổng quát (GSCA): Một phương pháp thay thế PLS-SEM dựa trên thông tin đầy đủ, cho phép tồn tại mối quan hệ vòng tròn (phi đệ quy) và một chỉ báo thuộc về nhiều cấu trúc (Hwang & Takane, 2014). Việc bổ sung mô hình quan hệ có trọng số thứ ba cho phép GSCA tính toán được thước đo tối ưu hóa toàn cục (Global Fit metric), mang lại sự cân bằng giữa sức mạnh dự đoán và độ phù hợp tổng thể của mô hình.
Bảng 1: Lập luận lý giải tại sao PLS-SEM thích hợp hơn PROCESS để kiểm định trung gian
| PLS-SEM | PROCESS |
| Sử dụng dữ liệu thô để tính điểm cấu trúc biến tiềm ẩn có trọng số | Sử dụng dữ liệu thô để tính điểm tổng biến tiềm ẩn không trọng số (sum scores) |
| Sử dụng các ước lượng trực tiếp từ thuật toán PLS-SEM lấy từ tập dữ liệu gốc | Bao gồm sai số đo lường và giả định các biến quan sát được tính trọng số như nhau |
| Bao gồm bootstrapping dựa trên các cấu trúc được tính trọng số riêng biệt | Không bao gồm quá trình bootstrapping dựa trên các composite tính trọng số riêng biệt |
| Cung cấp kết quả đáng tin cậy và hợp lệ hơn | Dùng tổng phương sai và yêu cầu các hồi quy ad-hoc bổ sung |
3. Quy Trình Phát Triển Thang Đo (Scale Development Process)
Trong phân tích SEM định lượng, quy trình chuẩn bao gồm:
- Chỉ định mô hình (Model Specification): Khái niệm hóa các HOCs và LOCs dựa trên lý thuyết hoặc nghiên cứu định tính. Xác định rõ hệ sinh thái đo lường từ những biến tiềm ẩn trừu tượng nhất đến các biến quan sát cụ thể.
- Đánh giá mô hình đo lường (Outer Model): Xác định biến phản xạ (reflective) hay định hình (formative). Quá trình này có thể được hỗ trợ xác thực thông qua phương pháp phân tích bộ bốn CTA-PLS.
- Xử lý dữ liệu: PLS-SEM hoạt động ổn định với mẫu nhỏ, dữ liệu lệch phân phối (skewed data) và chịu được khoảng 10% dữ liệu khuyết ngẫu nhiên (missing at random). Không cần quy mô mẫu quá lớn nhưng phải tuân thủ phương pháp rễ bình phương nghịch đảo của Kock & Hadaya (2018). Đối với các ô dữ liệu trống, nhà nghiên cứu nên xóa bỏ theo từng trường hợp (case-wise) hoặc xử lý chuyên sâu qua thuật toán gán giá trị lân cận gần nhất để bảo toàn tính toàn vẹn của tệp mẫu.
Bảng 2: So sánh kỹ thuật giữa PLS-SEM và GSCA
| Tiêu chí | GSCA | PLS-SEM |
| Loại Thành Phần | Mạng lưới Nomological / Điển hình | Phản xạ (Mode A) / Định hình (Mode B) |
| Mô Hình Đo Lường | Đơn hướng & Đa hướng (Chéo lặp) | Đơn hướng (Nghiêm ngặt) |
| Mô Hình Cấu Trúc | Đơn hướng & Hai chiều (Non-recursive) | Đơn hướng (Recursive) |
| Phương pháp | Thông tin đầy đủ (Full information) | Thông tin hạn chế (Limited information) |
| Ước lượng | Bình phương tối thiểu (có/không ràng buộc) | Bình phương tối thiểu (không ràng buộc) |
| Đánh giá mô hình | Đánh giá tổng thể & cục bộ | Đánh giá cục bộ |
4. Thang Đo Lường Chính Thức & Khuyến Nghị Thực Hành Tốt Nhất (Best Practices)
Để đáp ứng tiêu chuẩn xuất bản (Topical Authority), dưới đây là Bảng 4 tổng hợp các thực hành tốt nhất trong việc đánh giá và báo cáo công cụ phân tích PLS-SEM (Theo Hair et al., 2022, 2024a, b).
| Tiêu chí | Nguyên tắc theo kinh nghiệm (Rules of Thumb) |
| Cỡ mẫu | Áp dụng cách tiếp cận xác định cỡ mẫu (Kock & Hadaya, 2018). Nếu tổng thể rất nhỏ, n < 100 có thể chấp nhận. |
| Sử dụng mẫu kiểm chứng | Tối thiểu 30 quan sát từ mẫu gốc cho dự đoán ngoài mẫu. |
| Cài đặt thuật toán | Sơ đồ trọng số theo đường dẫn (path weighting scheme). Tiêu chí dừng < 10⁻⁵. Giá trị khởi tạo ngoài luôn bắt đầu bằng 1. |
| Cài đặt Bootstrapping | 10.000 mẫu bootstrap. Thay đổi dấu cá nhân (individual sign changes). Số lượng mẫu phải lớn hơn số quan sát. |
| Mô hình ngoài phản xạ (Reflective) | Hệ số tải (Loadings) ≥ 0.708. Độ tin cậy composite CR ≥ 0.70 (tránh CR > 0.95). Giá trị hội tụ AVE ≥ 0.50. Nếu SRMR ≤ 0.08 thì mô hình đạt độ phù hợp tốt chuẩn hóa. |
| Giá trị phân biệt (Discriminant) | Ưu tiên dùng HTMT thay vì Fornell-Larcker. HTMT < 0.85 (cấu trúc khác biệt) hoặc HTMT < 0.90 (cấu trúc tương đồng). |
| Mô hình ngoài định hình (Formative) | Báo cáo t-values, p-values. Hiện tượng đa cộng tuyến phải được kiểm soát bằng hệ số VIF < 3. |
| Đánh giá mô hình trong (Inner) | Báo cáo hiệu ứng trực tiếp và gián tiếp khi kiểm định trung gian. Kích thước hiệu ứng f² (0.02, 0.15, 0.35). Chỉ số giải thích R² đánh giá tùy vào bối cảnh cụ thể của ngành. |
| Đánh giá dự báo PLSpredict | Thống kê Q²_predict > 0. Sai số RMSE và MAE của PLS-SEM phải nhỏ hơn mô hình LM. |
| Tính nội sinh (Endogeneity) | Giải quyết bằng biến kiểm soát/công cụ hoặc dùng Copula Gauss (Gaussian copulas). |
5. Mạng Lưới Quan Hệ Lý Thuyết (Nomological Network)
Từ góc nhìn học thuật, các công cụ mới nổi tạo ra một mạng lưới nomological sâu sắc hơn:
- Tiền tố (Antecedents): Thay vì chỉ kiểm tra sự tồn tại của mối quan hệ, CVPAT (Sharma et al., 2023) cho phép đánh giá độ chính xác dự đoán của từng tiền tố riêng lẻ.
- Hậu tố (Consequences): Thông qua NCA, ta xác định được tiền tố nào là “rào cản” (nếu không có thì Hậu tố chắc chắn thất bại) và tiền tố nào là “động lực” (giúp Hậu tố tốt hơn).
- Biến phức tạp (HCM): Các Cấu trúc Bậc cao kết hợp cùng kỹ thuật hai giai đoạn rời rạc giúp kiểm định các mạng lưới lý thuyết vĩ mô mà không làm nhiễu dữ liệu do đa cộng tuyến. Để xử lý rủi ro từ tính không đồng nhất chưa được quan sát, FIMIX-PLS là một phương thức sàng lọc bổ sung xuất sắc giúp hoàn thiện bản đồ mạng lưới lý thuyết tổng thể.
Bảng 3: Các công cụ mới nổi và ứng dụng
- CVPAT: Mở rộng so sánh mô hình đồng thời sang so sánh cấu trúc đích một cách độc lập.
- HCM (HOCs): Lập mô hình khía cạnh trừu tượng và cụ thể, áp dụng dự đoán CVPAT dễ dàng hơn để bảo đảm tính chính xác.
- NCA: Kết hợp cùng PLS-SEM và fsQCA để mở rộng nghiên cứu logic nhân quả đa chiều, đo lường điểm nghẽn của hệ thống.
- GSCA: Khắc phục hạn chế của PLS-SEM bằng cách liên kết chỉ báo với nhiều thành phần, phù hợp với các bảng hỏi tích hợp phức tạp.
6. Hướng Dẫn Ứng Dụng Nghiên Cứu (Academic Implications)
(Lời khuyên từ Giáo sư dành cho Nghiên cứu sinh)
- Tránh cạm bẫy phương pháp cũ: Đừng chạy hồi quy tuyến tính OLS hay dùng PROCESS Macro nếu bạn đã dùng SEM. Hãy dùng PLS-SEM Bootstrapping để đánh giá tác động trung gian/điều tiết. Việc trộn lẫn phương pháp cũ trên bộ dữ liệu SEM sẽ tạo ra sai lệch học thuật nghiêm trọng.
- Khai phá khoảng trống nghiên cứu bằng NCA: Kết hợp PLS-SEM và NCA. Ví dụ, bài báo của Sukhov et al. (2023) chứng minh: Để người già cảm thấy dễ tiếp cận dịch vụ, “Chi phí” không phải là điều kiện cần, nhưng “Sự thoải mái” là yếu tố bắt buộc (NCA).
- Tăng tính minh bạch (Open Science): Sử dụng các mẫu đăng ký trước (preregistration) chuyên biệt cho PLS-SEM theo Adler et al. (2023) để tăng uy tín học thuật. Luôn báo cáo chi tiết các thuật toán cài đặt (như 10.000 mẫu bootstap, xử lý missing data case-wise) để luận án có khả năng tái lập (reproducibility) cao.
7. Ứng Dụng Quản Trị Doanh Nghiệp (Managerial Implications)
Các công cụ lý thuyết này ứng dụng trực tiếp vào quản trị chiến lược:
- Sử dụng cIPMA để phân bổ ngân sách: Phương pháp cIPMA (kết hợp Bản đồ Tầm quan trọng – Hiệu suất và Phân tích Điều kiện Cần) giúp nhà quản lý vạch rõ ranh giới: “Phải đầu tư vào đâu để sản phẩm không bị tẩy chay?” (NCA) và “Đầu tư vào đâu để khách hàng yêu thích hơn?” (PLS-SEM).
- Dự báo hành vi thị trường: Không ra quyết định dựa trên mức độ “khớp” dữ liệu (R²). Quản trị viên phải yêu cầu nhóm Data phân tích chỉ số PLSpredict ngoài mẫu để biết chính xác khả năng ứng dụng của mô hình vào tệp khách hàng mới trong tương lai. Điều này giúp loại bỏ rủi ro thiên kiến khi kiểm định sản phẩm mới (MVP) trên tập dữ liệu đã quá lỗi thời.
8. Các Câu Hỏi Thường Gặp (FAQ)
Làm thế nào để giải quyết vấn đề đa cộng tuyến nghiêm trọng giữa các biến độc lập trong PLS-SEM?
Giải pháp tối ưu là thiết lập Cấu trúc bậc cao (HOCs). Bằng cách gộp các biến độc lập có tương quan cao thành các khía cạnh cấp thấp (LOCs) của một biến bậc cao duy nhất bằng phương pháp hai giai đoạn rời rạc, bạn sẽ loại bỏ triệt để hiện tượng đa cộng tuyến. Việc làm này cũng đưa chỉ số VIF về mức an toàn (< 3), giúp mô hình tinh gọn và hợp logic kinh doanh.
Tại sao kiểm định CVPAT lại quan trọng hơn R² truyền thống?
R² chỉ đánh giá mức độ mô hình giải thích được bộ dữ liệu hiện tại (in-sample). Trong khi đó, CVPAT là một kiểm định suy luận chuyên biệt để so sánh sức mạnh dự đoán ngoài mẫu (out-of-sample) giữa các mô hình cạnh tranh, giúp chứng minh mô hình của bạn có tính khái quát hóa thực tế cao hơn, chống lại ảo giác thống kê do việc “ép khớp” dữ liệu gây ra.
Khi nào tôi nên dùng GSCA thay cho PLS-SEM?
Hãy sử dụng GSCA khi mô hình lý thuyết của bạn tồn tại mối quan hệ hai chiều (phi đệ quy) giữa các biến, hoặc khi một biến quan sát (indicator) bắt buộc phải đóng góp (cross-load) vào nhiều cấu trúc tiềm ẩn cùng lúc. GSCA cung cấp bổ sung thước đo tương đương chuẩn phù hợp tổng quát của CB-SEM, giúp bảo vệ công trình khi bị phản biện bởi các học giả chuộng phương pháp thông tin đầy đủ.
9. Tài Liệu Tham Khảo (References) & Đọc Thêm
- Adler, S.J., Sharma, P.N. and Radomir, L. (2023), “Toward open science in PLS-SEM: assessing the state of the art and future perspectives”, Journal of Business Research, Vol. 169, January.
- Becker, J.M., Cheah, J.-H., Gholamzade, R., Ringle, C.M. and Sarstedt, M. (2023), “PLS-SEM’s most wanted guidance”, International Journal of Contemporary Hospitality Management, Vol. 35 No. 1, pp. 321-346.
- Cataldo, R., Grassia, M.G. and Lauro, N.C. (2024), “Alternative approaches to higher-order PLS-path modeling: a discussion on methodological issues and applications”, in Latan, H., Hair., J.F. Jr and Noonan, R. (Eds), Partial Least Squares Path Modeling.
- Cheah, J.H., Nitzl, C., Roldan, J., Cepeda-Carrion, G. and Gudergan, S. (2021), “A primer on the conditional mediation analysis in PLS-SEM”, ACM SIGMIS Database, Vol. 52, SI, pp. 43-100.
- Danks, N.P. and Ray, S. (2018), “Predictions from partial least squares models”, Applying Partial Least Squares in Tourism and Hospitality Research.
- Gaskin, J., Ogbeibu, S. and Lowry, P.B. (2023), “Demystifying prediction in mediation research and the use of specific indirect effects and indirect effect sizes”, Partial Least Squares Path Modeling, pp. 209-228.
- Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2022), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd ed., Sage, Thousand Oaks, CA.
- Hair, J.F., Sarstedt, M., Ringle, C. and Gudergan, S. (2024a), Advanced Issues in Partial Least Squares Structural Equation Modeling, 2nd ed., Sage Publications.
- Hauff, S., Richter, N.F., Sarstedt, M. and Ringle, C.M. (2024), “Importance and performance in PLS-SEM and NCA: introducing the combined importance-performance map analysis (CIPMA)”, Journal of Retailing and Consumer Services.
- Hwang, H. and Takane, Y. (2014), Generalized Structured Component Analysis: A Component-Based Approach to Structural Equation Modeling, Chapman and Hall/CRC Press.
- Kock, N. and 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.
- Richter, N.F., Schubring, S., Hauff, S., Ringle, C.M. and Sarstedt, M. (2020), “When predictors of outcomes are necessary: guidelines for the combined use of PLS-SEM and NCA”, Industrial Management and Data Systems.
- Sarstedt, M., Hair, J.F., Nitzl, C., Ringle, C.M. and Howard, M.C. (2020), “Beyond a tandem analysis of SEM and PROCESS: use PLS-SEM for mediation analyses”, International Journal of Market Research.
- Sharma, P.N., Liengaard, B.D., Hair, J.F., Sarstedt, M. and Ringle, C.M. (2023), “Predictive model assessment and selection in composite-based modeling using PLS-SEM: extensions and guidelines for using CVPAT”, European Journal of Marketing.
- Shmueli, G., Sarstedt, M., Hair, J.F., Cheah, J., Ting, H., Vaithilingam, S. and 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.
- Sukhov, A., Friman, M. and Olsson, L.E. (2023), “Unlocking potential: an integrated approach using PLS-SEM, NCA, and fsQCA for informed decision making”, Journal of Retailing and Consumer Services.
Đọc thêm (Further reading):
- Basco, R., Hair, Jr., J.F., Ringle, C.M. and Sarstedt, M. (2021), “Advancing family business research through modeling nonlinear relationships”.
- Cepeda-Carrión, G.C., Nitzl, C. and Roldán, J.L. (2017), “Mediation analyses in partial least squares structural equation modeling”.
- Dul, J. (2020), Conducting Necessary Condition Analysis, Sage, London.
- Hair, J.F., Sarstedt, M. and Ringle, C.M. (2019b), “Rethinking some of the rethinking of partial least squares”, European Journal of Marketing.
- Latan, H., Hair, J.F. Jr and Noonan, R. (2023a), Partial Least Squares Path Modeling – Basic Concepts.
- Legate, A., Hair, J.F., Chretien, J. and Risher, J. (2022), “PLS-SEM: prediction-oriented solutions for HRD researchers”.
- Nitzl, C. (2016), “The use of partial least squares structural equation modelling (PLS-SEM) in management accounting research”.
- Schuberth, F., Henseler, J. and Dijkstra, T.K. (2018), “Confirmatory composite analysis”, Frontiers in Psychology.
- Sharma, P., Pratyush, N., Liengaard, B., Sarstedt, M., Hair, J.F. and Ringle, C. (2022), “Extraordinary claims require extraordinary evidence: a comment on ‘recent developments in PLS”.
- Swartz, N. (n.d.), “Conditions necessary for the identification of or operation of causal relationships”, Simon Fraser University.
10. Lời kêu gọi hành động (CTA)
Việc cập nhật và ứng dụng thành thạo các công cụ phân tích PLS-SEM tiên tiến không chỉ giúp mô hình nghiên cứu khoa học của bạn trở nên chặt chẽ và dễ dàng được chấp nhận bởi các tạp chí uy tín, mà còn mang lại những dự báo kinh doanh sắc bén ngoài đời thực. Đừng để mô hình của bạn tụt hậu bởi những phương pháp đo lường đã cũ.
Sự đầu tư nghiêm túc vào phương pháp luận chính là đòn bẩy ngắn nhất để nâng tầm sự nghiệp học giả và nhà quản trị của bạn. Hãy tham khảo và tải xuống bài báo gốc hoàn chỉnh để nghiên cứu chi tiết từng công thức toán học và cách thiết lập trên phần mềm SmartPLS.
