Giá Trị Q2 Blindfolding Dự Báo Ngoài Mẫu Trong PLS-SEM

Giá trị Q2 Blindfolding dự báo ngoài mẫu (Stone-Geisser Q²) là một thước đo thống kê phi tham số trong mô hình phương trình cấu trúc PLS-SEM dùng để đánh giá mức độ phù hợp dự báo và năng lực suy rộng ngoài mẫu của mô hình cấu trúc đối với các biến phụ thuộc nội sinh. Được Seymour Geisser (1974) và Mervyn Stone (1974) đặt nền móng lý thuyết, chỉ số Q² kết hợp cùng thủ tục Blindfolding cung cấp bằng chứng thực nghiệm quan trọng chứng minh mô hình không chỉ khớp tốt với tập dữ liệu hiện tại mà còn có khả năng dự báo chuẩn xác cho các quan sát mới bên ngoài mẫu khảo sát.

Bản chất lý thuyết và nguyên lý vận hành của thủ tục Blindfolding

Khác biệt với hệ số xác định R² chỉ đo lường khả năng giải thích phương sai trong mẫu (In-sample explanatory power), Giá trị Q2 Blindfolding dự báo ngoài mẫu đo lường năng lực dự báo ngoài mẫu (Out-of-sample predictive relevance). Để tính toán Q² mà không cần thu thập thêm một tập dữ liệu độc lập mới, thuật toán áp dụng kỹ thuật tái sử dụng dữ liệu thông minh có tên gọi là Blindfolding.

Nguyên lý hoạt động của thủ tục Blindfolding được tiến hành theo cơ chế sau:

• Thiết lập khoảng cách bỏ qua dữ liệu (Omission Distance – d): Thuật toán chọn một số nguyên d (thường chọn d = 7 trong các nghiên cứu thực nghiệm).
• Xóa bỏ có hệ thống các điểm dữ liệu: Cứ mỗi d điểm dữ liệu trong ma trận dữ liệu, một điểm sẽ bị xóa bỏ và tạm thời coi là giá trị khuyết (ví dụ: điểm dữ liệu thứ 1, thứ 8, thứ 15, thứ 22… sẽ bị bỏ qua trong lượt chạy ban đầu).
• Tái tạo dữ liệu và ước lượng tham số: Sử dụng các điểm dữ liệu còn lại để ước lượng lại các tham số mô hình, sau đó dùng các tham số này để dự báo lại chính những điểm dữ liệu đã bị xóa bỏ trước đó.
• Tính toán sai số dự báo: So sánh giá trị dự báo với giá trị thực tế ban đầu để tính toán đại lượng tổng bình phương sai số dự báo (Sum of Squared Prediction Errors – SSE) và tổng bình phương sai số trung bình (Sum of Squares Total – SSO).

“Blindfolding là một phép thử sát hạch nghiêm khắc: Bằng cách cố tình giấu đi một phần dữ liệu rồi bắt mô hình tự phục dựng lại, nó kiểm chứng xem mô hình có thực sự hiểu được quy luật vận hành của hiện tượng hay chỉ đang học vẹt số liệu.”

Hai cách tiếp cận tính toán chỉ số Q² trong PLS-SEM

Phần mềm SmartPLS cung cấp hai phương pháp tính toán hệ số dự báo Q²:

1. Tiếp cận dự phòng chéo (Cross-Validated Redundancy)

Phương pháp này sử dụng các ước lượng cấu trúc của cả mô hình đo lường lẫn mô hình cấu trúc lý thuyết để dự báo dữ liệu bị xóa bỏ. Đây là cách tiếp cận chuẩn mực được các chuyên gia quốc tế khuyến nghị báo cáo vì nó phản ánh toàn diện năng lực dự báo của toàn bộ hệ thống mô hình nghiên cứu.

2. Tiếp cận độ chung chéo (Cross-Validated Communality)

Phương pháp này chỉ sử dụng các ước lượng của mô hình đo lường đơn lẻ mà không xét đến mối quan hệ giữa các biến tiềm ẩn trong mô hình cấu trúc. Cách tiếp cận này ít được sử dụng trong các bài báo công bố chính thức.

Công thức toán học và các ngưỡng đánh giá năng lực dự đoán của Q²

Chỉ số Q² được tính toán theo phương trình chuẩn hóa:

Q² = 1 – (SSE / SSO)

Trong đó:

• SSE: Tổng bình phương sai số dự báo của mô hình cấu trúc.
• SSO: Tổng bình phương sai số khi lấy giá trị trung bình làm dự báo cơ sở.

Nguyên tắc đánh giá giá trị Q² theo chuẩn mực học thuật của Hair, Ringle, & Sarstedt (2022):

• Q² ≤ 0: Mô hình hoàn toàn không có năng lực dự đoán ngoài mẫu (mô hình dự báo còn kém hơn việc sử dụng giá trị trung bình đơn giản).
• Q² > 0: Mô hình đạt mức độ phù hợp dự báo ngoài mẫu. Giá trị Q² càng lớn thì năng lực dự báo càng mạnh.
• Phân loại mức độ dự báo của Q²:

• 0.02 ≤ Q² < 0.15: Năng lực dự báo ở mức nhỏ (Small predictive relevance).
• 0.15 ≤ Q² < 0.35: Năng lực dự báo ở mức trung bình (Medium predictive relevance).
• Q² ≥ 0.35: Năng lực dự báo ở mức lớn (Large predictive relevance).

Bảng so sánh đối chuẩn giữa R² và Q² trong đánh giá mô hình cấu trúc

Dưới đây là bảng phân biệt vai trò của hai chỉ số trọng tâm trong PLS-SEM:

Tiêu chí so sánh	Hệ số xác định R² (R-squared)	Giá trị dự báo ngoài mẫu Q² (Stone-Geisser)
Bản chất thống kê	Đo lường độ khớp giải thích trong mẫu (In-sample)	Đo lường năng lực dự báo ngoài mẫu (Out-of-sample)
Kỹ thuật tính toán	Dựa trên toàn bộ dữ liệu mẫu ban đầu	Dựa trên kỹ thuật Blindfolding bỏ qua có hệ thống
Mục đích báo cáo	Đánh giá tỷ lệ phương sai biến nội sinh được giải thích	Khẳng định khả năng suy rộng của mô hình sang dữ liệu mới
Ngưỡng chấp nhận	R² > 0.25 (yếu), > 0.50 (vừa), > 0.75 (mạnh)	Bắt buộc Q² > 0 (ngưỡng phân loại 0.02, 0.15, 0.35)
Phạm vi đánh giá	Chỉ đánh giá cho các biến tiềm ẩn nội sinh	Chỉ tính cho các biến tiềm ẩn nội sinh có chỉ báo phản xạ

Hướng dẫn quy trình chạy Blindfolding trên phần mềm SmartPLS

Để xuất bảng kết quả Q² trên giao diện SmartPLS 3 hoặc SmartPLS 4:

1. Mở dự án mô hình nghiên cứu, trên thanh menu chọn Calculate → Blindfolding.
2. Tại hộp thoại cấu hình Blindfolding:

• Mục Omission Distance (d): Mặc định chọn giá trị 7. Cần bảo đảm rằng kích thước cỡ mẫu N chia cho d không phải là một số nguyên (ví dụ nếu N = 350 thì 350 chia hết cho 7, bạn nên đổi d sang 6 hoặc 8 để tránh hiện tượng vòng lặp trùng lặp).
• Mục Weighting Scheme: Chọn Path.

3. Nhấp chọn Start Calculation để thuật toán thực thi.
4. Đọc kết quả tại mục Quality Criteria → Construct Crossvalidated Redundancy. Quan sát cột Q² (= 1 – SSE/SSO) cho từng biến tiềm ẩn nội sinh. Khẳng định tất cả các giá trị Q² đều lớn hơn 0 để chứng minh mô hình đạt chuẩn.

Đánh giá quy mô tác động dự báo q² (q-squared effect size) của từng biến tiền đề

Tương tự như hệ số quy mô tác động f² đối với R², nhà nghiên cứu có thể đo lường mức độ đóng góp tương đối của một biến độc lập cụ thể vào năng lực dự báo ngoài mẫu của biến phụ thuộc thông qua chỉ số q² effect size:

q² = (Q²_included – Q²_excluded) / (1 – Q²_included)

Trong đó:

• Q²_included: Giá trị Q² của biến nội sinh khi có mặt đầy đủ biến độc lập trong mô hình.
• Q²_excluded: Giá trị Q² của biến nội sinh khi tạm thời loại bỏ biến độc lập đó ra khỏi mô hình cấu trúc.

Quy tắc phân loại mức độ đóng góp dự báo q² theo chuẩn quốc tế: q² = 0.02 (tác động dự báo nhỏ), q² = 0.15 (tác động dự báo trung bình), và q² = 0.35 (tác động dự báo lớn). Việc báo cáo chi tiết chỉ số q² giúp chỉ ra chính xác yếu tố độc lập nào đóng vai trò là động cơ dự báo then chốt trong mô hình nghiên cứu.

Mối liên hệ giữa Q² Blindfolding và thủ tục PLSpredict mới

Mặc dù Giá trị Q2 Blindfolding dự báo ngoài mẫu là chỉ số kinh điển được áp dụng rộng rãi qua nhiều thập kỷ, nghiên cứu gần đây của Shmueli et al. (2016, 2019) đã phát triển thêm thủ tục PLSpredict nhằm kiểm tra sai số dự báo tuyệt đối (RMSE và MAE) ở cấp độ biến quan sát độc lập thông qua phương pháp kiểm định chéo k-fold (k-fold cross-validation). Việc kết hợp báo cáo cả chỉ số Q² Blindfolding truyền thống và bảng so sánh PLSpredict giúp công trình nghiên cứu đạt tiêu chuẩn học thuật cao, thuyết phục hoàn toàn các hội đồng thẩm định quốc tế.

Câu hỏi thường gặp về giá trị Q2 Blindfolding dự báo ngoài mẫu (FAQ)

Tại sao các biến độc lập ngoại sinh không có giá trị Q²?

Biến độc lập ngoại sinh không chịu sự tác động của bất kỳ biến nào trong mô hình cấu trúc, do đó không có phương trình hồi quy để dự báo và không tồn tại chỉ số Q².

Nếu chỉ số Q² của một biến nội sinh mang giá trị âm thì phản ánh điều gì?

Giá trị Q² âm cảnh báo mô hình cấu trúc có chất lượng dự báo rất kém; các biến độc lập đưa vào không những không giúp dự báo biến phụ thuộc mà còn làm tăng mức độ sai số.

Tại sao khoảng cách bỏ qua dữ liệu (Omission Distance) lại thường chọn bằng 7?

Giá trị d = 7 là sự cân bằng tối ưu giữa việc bỏ qua đủ lượng thông tin để kiểm định tính độc lập ngoài mẫu và việc giữ lại đủ dữ liệu để các ước lượng tham số không bị chệch.

Kết luận và định hướng ứng dụng

Làm chủ kỹ thuật đánh giá Giá trị Q2 Blindfolding dự báo ngoài mẫu giúp nhà nghiên cứu khẳng định giá trị ứng dụng thực tiễn của mô hình, chứng minh năng lực dự báo khoa học bền vững. Để tham khảo các bài viết mẫu báo cáo Q² và tài liệu hướng dẫn thực hành SmartPLS chuyên sâu, mời bạn đọc tham khảo tại thầy Phương.