Kiểm định tính vững trong PLS-SEM: Đánh giá thực tiễn và Khuyến nghị ứng dụng (Robustness checks in PLS-SEM)

Kiểm định tính vững trong PLS-SEM (Robustness checks in PLS-SEM) là một tập hợp các quy trình thống kê nghiêm ngặt được thực hiện trước và sau khi ước lượng mô hình, nhằm xác nhận tính ổn định và độ tin cậy của kết quả nghiên cứu trước các vi phạm giả định thống kê. Nguyên nhân chính khiến kết quả PLS-SEM bị sai lệch thường đến từ tính phi chuẩn, nội sinh hoặc không đồng nhất. Giải pháp tối ưu là áp dụng danh mục kiểm tra (checklist) bao gồm Gaussian Copula, FIMIX-PLS và kiểm định RESET theo khuyến nghị mới nhất.

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

1.1 Thông tin định danh bài báo

Để đảm bảo tính trích dẫn khoa học chuẩn xác, dưới đây là thông tin định danh của công trình nghiên cứu gốc được sử dụng trong bài giảng này:

• Tiêu đề gốc: Robustness checks in PLS-SEM: A review of recent practices and recommendations for future applications in business research.
• Tiêu đề tiếng Việt: Kiểm định tính vững trong PLS-SEM: Đánh giá thực tiễn gần đây và khuyến nghị cho các ứng dụng tương lai trong nghiên cứu kinh doanh.
• Tác giả: Santha Vaithilingam, Chu Sun Ong, Ovidiu I. Moisescu, Mahendhiran S. Nair.
• Tạp chí: Journal of Business Research, Tập 173, Năm 2024 (Mã bài báo: 114465).

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Trong thập kỷ qua, mô hình cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) đã trở thành công cụ chủ đạo trong nghiên cứu kinh doanh (Marketing, Quản trị chiến lược, Chuỗi cung ứng…). Sự phổ biến này xuất phát từ khả năng xử lý các mô hình phức tạp với dữ liệu nhỏ và không yêu cầu phân phối chuẩn khắt khe như CB-SEM.

Tuy nhiên, dễ sử dụng không đồng nghĩa với dễ dãi. Một khoảng trống lớn tồn tại: Đa số các nhà nghiên cứu đang bỏ qua các bước kiểm định tính vững trong PLS-SEM, dẫn đến nguy cơ các phát hiện khoa học thiếu tính xác thực (validity threats). Bài báo này ra đời nhằm đánh giá thực trạng việc áp dụng các kiểm định này trong giai đoạn 2016-2021 và cung cấp hướng dẫn chuẩn hóa.

2. Phương Pháp Nghiên Cứu (Research Methodology of the Review)

Để đưa ra các kết luận trong bài viết này, nhóm tác giả đã thực hiện một quy trình Đánh giá Văn học Hệ thống (Systematic Literature Review – SLR) nghiêm ngặt. Đây là cơ sở để khẳng định độ tin cậy của các số liệu được trình bày.

• Chuỗi tìm kiếm (Search String): (PLS-SEM) OR (PLS) OR (PARTIAL LEAST SQUARES).
• Cơ sở dữ liệu: Clarivate Analytics Web of Science Core Collection.
• Tiêu chí sàng lọc (Inclusion Criteria):
  • Ngôn ngữ: Tiếng Anh.
  • Lĩnh vực: Kinh doanh (Business).
  • Thời gian: 2016 – 2021.
  • Chất lượng: Chỉ chọn các tạp chí xếp hạng Q1 theo chỉ số SCImago Journal Rank (SJR) năm 2020.
  • Loại bài: Nghiên cứu thực nghiệm (loại trừ bài lý thuyết thuần túy).

Kết quả sàng lọc: Từ 2.725 bài báo tìm thấy ban đầu, sau khi loại trừ, nghiên cứu đã phân tích sâu 1.228 bài báo chất lượng cao để đánh giá thực trạng áp dụng kiểm định tính vững trong PLS-SEM.

3. Khái Niệm Hóa và Các Mối Đe Dọa Tính Vững (Conceptualization & Threats)

Trước khi đi vào số liệu, chúng ta cần định nghĩa rõ 5 “kẻ thù” của tính vững trong mô hình PLS-SEM mà bài báo đề cập:

1. Tính phi chuẩn (Nonnormality): Mặc dù PLS-SEM là phi tham số, dữ liệu cực kỳ phi chuẩn (độ lệch và độ nhọn quá cao) có thể làm sai lệch mức ý nghĩa thống kê (p-value) và khoảng tin cậy.
2. Tính nội sinh (Endogeneity): Xảy ra khi biến dự báo (biến độc lập) có sự tương quan với sai số của biến phụ thuộc (do biến bị bỏ sót, sai số đo lường, hoặc quan hệ hai chiều). Điều này dẫn đến ước lượng hệ số đường dẫn bị chệch.
3. Tính không đồng nhất không quan sát được (Unobserved Heterogeneity): Giả định rằng toàn bộ mẫu nghiên cứu là đồng nhất. Nếu thực tế tồn tại các nhóm con (sub-groups) có hành vi khác nhau mà không được tách ra, kết quả chung sẽ vô nghĩa hoặc sai lệch.
4. Tính phi tuyến (Nonlinearity): Giả định sai lầm rằng quan hệ giữa các biến luôn là đường thẳng. Nếu thực tế quan hệ là hình chữ U (quadratic), mô hình tuyến tính sẽ đánh giá thấp tác động thực sự.
5. Phương sai sai số thay đổi (Heteroskedasticity): Hiện tượng phương sai của sai số thay đổi theo các giá trị của biến độc lập, ảnh hưởng đến hiệu quả của ước lượng.

4. Thực Trạng Áp Dụng Kiểm Định Tính Vững (Current Practices & Findings)

Kết quả phân tích 1.228 bài báo cho thấy một thực tế đáng báo động: Chỉ có 14,9% (182 bài) báo cáo ít nhất một trong các kiểm định tính vững. Dưới đây là phân tích chi tiết từng khía cạnh:

4.1 Thực trạng về Tính chuẩn (Normality)

Dữ liệu cho thấy sự chủ quan của các nhà nghiên cứu khi tin rằng “PLS-SEM không cần chuẩn”.

• Tỷ lệ thực hiện: Chỉ 10,5% (129 bài) có đánh giá tính chuẩn.
• Xu hướng: Không có sự cải thiện đáng kể qua các năm.
• Kỹ thuật phổ biến: Skewness và Kurtosis (41,7%).

Bảng 1: Các kỹ thuật kiểm định tính chuẩn được sử dụng (2016-2021)

Kỹ thuật sử dụng	2016-2018 (Số lượng)	Tỷ trọng (%)	2019-2021 (Số lượng)	Tỷ trọng (%)
Skewness và Kurtosis	14	28%	40	39%
Không cung cấp chi tiết	9	18%	14	14%
Kolmogorov-Smirnov	9	18%	14	14%
Shapiro-Wilk	7	14%	11	11%
Mardia’s multivariate test	5	10%	11	11%

4.2 Thực trạng về Tính nội sinh (Endogeneity)

Đây là vấn đề nghiêm trọng nhất nhưng lại bị bỏ qua nhiều nhất.

• Tỷ lệ thực hiện: Rất thấp, chỉ 2,3% (28 bài).
• Dấu hiệu tích cực: Tăng từ 0,8% (2016-2018) lên 2,9% (2019-2021).
• Kỹ thuật: Gaussian Copula đang trở thành xu hướng mới thay thế cho các phương pháp truyền thống yêu cầu biến công cụ (IV) khó tìm.

Bảng 2: Các kỹ thuật kiểm định tính nội sinh

Kỹ thuật sử dụng	2016-2018 (Số lượng)	2019-2021 (Số lượng)	Ghi chú chuyên môn
Gaussian Copula approach	0	10 (38%)	Xu hướng mới, được khuyến nghị
Hausman/Durbin-Wu-Hausman	3	5 (19%)	Yêu cầu biến công cụ (IV)
Ramsey (RESET)	0	2 (8%)	Sai lầm: Kỹ thuật này dùng cho phi tuyến, không phải nội sinh

4.3 Thực trạng về Tính không đồng nhất (Unobserved Heterogeneity)

• Tỷ lệ thực hiện: 2,4% (30 bài). Đáng lo ngại là tỷ lệ này đang giảm nhẹ.
• Kỹ thuật: FIMIX-PLS chiếm đa số (73-82%). Tuy nhiên, quy trình chuẩn là kết hợp FIMIX-PLS và PLS-POS rất ít được thực hiện.

4.4 Thực trạng về Tính phi tuyến (Nonlinearity)

• Tỷ lệ thực hiện: Cực thấp, chỉ 1,3% (16 bài).
• Kỹ thuật: Ramsey’s RESET test là kỹ thuật nổi bật nhất nhưng mới chỉ được chú ý gần đây.

4.5 Thực trạng về Phương sai sai số thay đổi (Heteroskedasticity)

• Tỷ lệ thực hiện: Thấp nhất, chỉ 1% (12 bài).
• Kỹ thuật: Kiểm định Levene (So sánh phương sai) là phổ biến nhất.

5. Quy Trình & Danh Mục Kiểm Tra Khuyến Nghị (Recommended Checklist)

Dựa trên thực trạng trên, bài báo cung cấp một Bộ khung hướng dẫn (Guidelines) cho các ứng dụng tương lai. Đây là phần quan trọng nhất để bạn áp dụng vào nghiên cứu của mình nhằm đạt chuẩn kiểm định tính vững trong PLS-SEM.

Bảng 3: Các khuyến nghị kiểm định tính vững cho nghiên cứu PLS-SEM

Vấn đề cần kiểm định	Khi nào thực hiện?	Kỹ thuật Khuyến nghị (Ưu tiên 1)	Công cụ thực hiện	Kỹ thuật bổ sung
Tính chuẩn (Normality)	Luôn luôn	Kiểm tra Skewness & Kurtosis (Đơn biến)	SmartPLS, Excel, R (package ‘moments’)	Shapiro-Wilk, Kolmogorov-Smirnov
Tính chuẩn đa biến	Khi đơn biến đạt yêu cầu	Kiểm định Mardia	Webpower, R (package ‘MVN’)	Small (1980), Srivastava (1984)
Tính nội sinh (Endogeneity)	Khi mục tiêu là giải thích lý thuyết	Gaussian Copula (không cần biến công cụ ngoài)	SmartPLS, R code	Durbin-Wu-Hausman (nếu có IV)
Tính phi tuyến (Nonlinearity)	Luôn luôn	Kiểm định RESET + Đánh giá hiệu ứng bậc 2 (Quadratic)	R (package ‘lmtest’), SmartPLS	Đồ thị hóa
Tính không đồng nhất	Luôn luôn	FIMIX-PLS theo sau bởi PLS-POS	SmartPLS (Chức năng FIMIX & POS)	REBUS-PLS, PLS-GAS

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

Để hiểu sâu sắc hơn, chúng ta cần đặt kiểm định tính vững trong PLS-SEM vào mạng lưới nguyên nhân – kết quả trong nghiên cứu khoa học:

• Tiền tố (Nguyên nhân): Tại sao cần kiểm định? Do đặc thù dữ liệu hành vi con người thường phức tạp, không tuân theo quy luật chuẩn, và bị ảnh hưởng bởi nhiều biến ngoại lai không kiểm soát được.
• Hậu tố (Kết quả): Việc thực hiện đầy đủ các kiểm định này dẫn đến:
  1. Tăng độ chính xác thống kê (Statistical Rigor).
  2. Giảm thiểu rủi ro sai lầm loại I và II (Type I & II Errors).
  3. Tăng khả năng công bố trên các tạp chí hạng A (Top-tier journals).

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

Đối với các nghiên cứu sinh và giảng viên, việc tích hợp phần này vào bài báo/luận án là bắt buộc để nâng cao chất lượng học thuật:

1. Thay đổi tư duy: Ngừng trích dẫn rằng “PLS-SEM không có giả định phân phối” để biện minh cho việc bỏ qua kiểm tra dữ liệu. Hãy báo cáo trung thực tính phi chuẩn và cách xử lý (ví dụ: dùng Bootstrapping 5.000 – 10.000 mẫu).
2. Quy trình chuẩn: Trong chương “Kết quả nghiên cứu”, hãy thêm một mục riêng có tên “Robustness Checks” ngay sau phần kiểm định giả thuyết.
3. Xử lý nội sinh: Nếu không tìm được biến công cụ (IV) từ dữ liệu thứ cấp, hãy mạnh dạn sử dụng phương pháp Gaussian Copula có sẵn trong SmartPLS 4. Đây là “chìa khóa vàng” để giải quyết vấn đề nội sinh trong dữ liệu khảo sát cắt ngang.

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

Dù mang tính kỹ thuật, nhưng kiểm định tính vững trong PLS-SEM ảnh hưởng trực tiếp đến túi tiền của doanh nghiệp:

• Tránh bẫy ngụy biện: Kiểm định tính nội sinh giúp doanh nghiệp không lầm tưởng về nguyên nhân – kết quả. Ví dụ: Doanh số tăng là do “Chất lượng sản phẩm” hay thực chất do “Giảm giá”? Nếu mô hình bị nội sinh, Marketer có thể đầu tư sai vào nâng cấp sản phẩm thay vì chạy khuyến mãi.
• Cá nhân hóa chiến lược: Kiểm định tính không đồng nhất (FIMIX-PLS) giúp phát hiện các phân khúc khách hàng ẩn. Thay vì tung ra một chiến dịch chung chung (Mass Marketing), doanh nghiệp có thể thiết kế chiến lược riêng cho từng nhóm hành vi khác biệt mà FIMIX phát hiện ra.

9. Các Câu Hỏi Thường Gặp (FAQ)

Tôi dùng SmartPLS thì có cần tính toán thủ công các kiểm định này không?

Trả lời: Hầu hết các kỹ thuật như FIMIX-PLS, PLS-POS, Gaussian Copula, Bootstrapping (cho tính chuẩn) đều đã được tích hợp trong SmartPLS 3 và 4. Bạn không cần tính tay, nhưng cần hiểu ý nghĩa để biện giải.

Nếu kiểm định RESET cho thấy có tính phi tuyến thì xử lý thế nào?

Trả lời: Nếu RESET có ý nghĩa (p < 0.05), tức là mô hình tuyến tính chưa đủ. Bạn cần thêm các biến bậc hai (Quadratic terms – ví dụ: $X^2$) vào mô hình trong SmartPLS để nắm bắt mối quan hệ hình chữ U hoặc U ngược.

Tại sao Gaussian Copula lại được ưu chuộng hơn các phương pháp cũ?

Trả lời: Vì phương pháp cũ (như 2SLS) yêu cầu bạn phải có một biến công cụ (Instrumental Variable) thỏa mãn các điều kiện lý thuyết rất khắt khe mà dữ liệu khảo sát thường không có. Gaussian Copula tạo ra biến công cụ từ chính dữ liệu phân phối của biến hiện tại, giúp giải quyết vấn đề nội sinh mà không cần thu thập thêm dữ liệu.

10. Tài Liệu Tham Khảo (References)

Dưới đây là danh sách đầy đủ các tài liệu tham khảo gốc từ bài báo, tuân thủ định dạng APA:

Ali, F., Rasoolimanesh, S. M., Sarstedt, M., Ringle, C. M., & Ryu, K. (2018). An assessment of the use of partial least squares structural equation modeling (PLS-SEM) in hospitality research. International Journal of Contemporary Hospitality Management, 30(1), 514–538.

Basco, R., Hair, J. F., Ringle, C. M., & Sarstedt, M. (2022). Advancing family business research through modeling nonlinear relationships: Comparing PLS-SEM and multiple regression. Journal of Family Business Strategy, 13(3), Article 100457.

Bayonne, E., Marín-García, J. A., & Alfalla-Luque, R. (2020). Partial least squares (PLS) in Operations Management research: Insights from a systematic literature review. Journal of Industrial Engineering and Management, 13(3), 565–597.

Becker, J. M., Proksch, D., & Ringle, C. M. (2022). Revisiting Gaussian copulas to handle endogenous regressors. Journal of the Academy of Marketing Science, 50, 46–66.

Becker, J.-M., Rai, A., Ringle, C. M., & Völckner, F. (2013). Discovering Unobserved Heterogeneity in Structural Equation Models to Avert Validity Threats. MIS Quarterly, 37(3), 665–694.

Cepeda-Carrión, G., Cegarra-Navarro, J. G., & Cillo, V. (2018). Tips to use partial least squares structural equation modelling (PLS-SEM) in knowledge management. Journal of Knowledge Management, 23(1), 67–89.

Cepeda-Carrión, G., Henseler, J., Ringle, C. M., & Roldán, J. L. (2016). Prediction-oriented modeling in business research by means of PLS path modeling: Introduction to a JBR special section. Journal of Business Research, 69(10), 4545–4551.

Certo, S. T., Busenbark, J. R., Woo, H.-S., & Semadeni, M. (2016). Sample selection bias and Heckman models in strategic management research. Strategic Management Journal, 37(13), 2639–2657.

Chin, W. W., Thatcher, J. B., Wright, R. T., & Steel, D. (2013). Controlling for common method variance in PLS analysis: The measured latent marker variable approach. In New perspectives in partial least squares and related methods (pp. 231–239). Springer.

DeCarlo, L. T. (1997). On the meaning and use of kurtosis. Psychological Methods, 2(3), 292–307.

Dessart, L., Aldás-Manzano, J., & Veloutsou, C. (2019). Unveiling heterogeneous engagement-based loyalty in brand communities. European Journal of Marketing, 53(9), 1854–1881.

Ebbes, P., Papies, D., & van Heerde, H. J. (2016). Dealing with Endogeneity: A nontechnical Guide for Marketing Researchers. In Handbook of Market Research (pp. 1–37). Springer.

Ebbes, P., Papies, D., & van Heerde, H. J. (2011). The Sense and Non-Sense of Holdout Sample Validation in the Presence of Endogeneity. Marketing Science, 30(6), 1115–1122.

Esposito Vinzi, V., Trinchera, L., Squillacciotti, S., & Tenenhaus, M. (2008). REBUS-PLS: A response-based procedure for detecting unit segments in PLS path modelling. Applied Stochastic Models in Business and Industry, 24(5), 439–458.

Gudergan, S. P., Ringle, C. M., Wende, S., & Will, A. (2008). Confirmatory Tetrad Analysis in PLS Path Modeling. Journal of Business Research, 61(12), 1238–1249.

Guenther, P., Guenther, M., Ringle, C. M., Zaefarian, G., & Cartwright, S. (2023). Improving PLS-SEM use for business marketing research. Industrial Marketing Management, 111, 127–142.

Guide, V. D. R., & Ketokivi, M. (2015). Notes from the Editors: Redefining some methodological criteria for the journal. Journal of Operations Management, 37(1), v-viii.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill Irwin.

Hair, J. F., Astrachan, C. B., Moisescu, O. I., Radomir, L., Sarstedt, M., Vaithilingam, S., & Ringle, C. M. (2021). Executing and interpreting applications of PLS-SEM: Updates for family business researchers. Journal of Family Business Strategy, 12(3), Article 100392.

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

Hair, J. F., Hult, T., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.

Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019b). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.

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

Hair, J. F., Sarstedt, M., Matthews, L. M., & Ringle, C. M. (2016). Identifying and treating unobserved heterogeneity with FIMIX-PLS: Part I-method. European Business Review, 28(1), 63–76.

Hair, J. F., Sarstedt, M., Pieper, T. M., & Ringle, C. M. (2012). 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(5–6), 320–340.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2024). Advanced Issues in Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). SAGE Publications.

Hair, J. F., Hollingsworth, C. L., Randolph, A. B., & Chong, A. Y. L. (2017). An updated and expanded assessment of PLS-SEM in information systems research. Industrial Management + Data Systems, 117(3), 442–458.

Hair, J. F., Howard, M. C., & Nitzl, C. (2020). Assessing measurement model quality in PLS-SEM using confirmatory composite analysis. Journal of Business Research, 109, 101–110.

Henseler, J. (2018). Partial least squares path modeling: Quo vadis? Quality & Quantity, 52(1), 1–8.

Hult, G. T. M., Hair, 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, 26(3), 1–21.

Kaufmann, L., & Gaeckler, J. (2015). A structured review of partial least squares in supply chain management research. Journal of Purchasing and Supply Management, 21(4), 259–272.

Kitchenham, B., Brereton, O. P., Budgen, D., Turner, M., Bailey, J., & Linkman, S. (2009). Systematic literature reviews in software engineering – A systematic literature review. Information and Software Technology, 51(1), 7–15.

Kock, N. (2015). WarpPLS 5.0 User Manual. ScriptWarp Systems.

Kock, N. (2022). WarpPLS User Manual: Version 8.0. ScriptWarp Systems.

Latan, H. (2018). PLS Path Modeling in Hospitality and Tourism Research: The Golden Age and Days of Future Past. In Applying Partial Least Squares in Tourism and Hospitality Research (pp. 53–83). Emerald Publishing Limited.

Liengaard, B. D., Sharma, P. N., Hult, G. T. M., Jensen, M. B., Sarstedt, M., Hair, J. F., & Ringle, C. M. (2021). Prediction: Coveted, Yet Forsaken? Introducing a Cross-validated Predictive Ability Test in Partial Least Squares Path Modeling. Decision Sciences, 52(2), 362–392.

Loy, A., Follett, L., & Hofmann, H. (2016). Variations of Q-Q Plots: The Power of Our Eyes! American Statistician, 70(2), 202–214.

Mardia, K. V. (1970). Measures of Multivariate Skewness and Kurtosis with Applications. Biometrika, 57(3), 519–530.

Mardia, K. V. (1974). Applications of Some Measures of Multivariate Skewness and Kurtosis in Testing Normality and Robustness Studies. Sankhyā: The Indian Journal of Statistics, Series B, 36(2), 115–128.

Matthews, L. M., Sarstedt, M., Hair, J. F., & Ringle, C. M. (2016). Identifying and treating unobserved heterogeneity with FIMIX-PLS: Part II-A case study. European Business Review, 28(2), 63–76.

Mikalef, P., & Pateli, A. (2017). Information technology-enabled dynamic capabilities and their indirect effect on competitive performance: Findings from PLS-SEM and fsQCA. Journal of Business Research, 70, 1–16.

Papies, D., Ebbes, P., & Van Heerde, H. J. (2017). Addressing Endogeneity in Marketing Models. In Advanced Methods for Modeling Markets (pp. 581–627). Springer.

Park, S., & Gupta, S. (2012). Handling Endogenous Regressors by Joint Estimation Using Copulas. Marketing Science, 31(4), 567–586.

Pierce, J. R., & Aguinis, H. (2013). The Too-Much-of-a-Good-Thing Effect in Management. Journal of Management, 39(2), 313–338.

Ramsey, J. B. (1969). Tests for Specification Errors in Classical Linear Least-Squares Regression Analysis. Journal of the Royal Statistical Society. Series B (Methodological), 31(2), 350–371.

Razali, N. M., & Wah, Y. B. (2011). Power Comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling tests. Journal of Statistical Modeling and Analytics, 2(1), 21–33.

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.

Richter, N. F., Hauff, S., Ringle, C. M., & Gudergan, S. P. (2022). The Use of Partial Least Squares Structural Equation Modeling and Complementary Methods in International Management Research. Management International Review, 62, 449–470.

Ringle, C. M., Sarstedt, M., & Mooi, E. A. (2010). Response-Based Segmentation Using Finite Mixture Partial Least Squares. In Data Mining (pp. 19–49). Springer.

Ringle, C. M., Sarstedt, M., & Schlittgen, R. (2014). Genetic algorithm segmentation in partial least squares structural equation modeling. OR spectrum, 36(1), 251–276.

Ringle, C. M., Sarstedt, M., Mitchell, R., & Gudergan, S. P. (2020). Partial least squares structural equation modeling in HRM research. International Journal of Human Resource Management, 31(12), 1617–1643.

Ringle, C. M., Sarstedt, M., Sinkovics, N., & Sinkovics, R. R. (2023). A perspective on using partial least squares structural equation modelling in data articles. Data in Brief, 48, Article 109074.

Ringle, C. M., Wende, S., & Becker, J. M. (2022). SmartPLS (Version 4). SmartPLS.

Sarstedt, M., & Cheah, J. H. (2019). Partial least squares structural equation modeling using SmartPLS: a software review. Journal of Marketing Analytics, 7, 196–202.

Sarstedt, M., & Mooi, E. (2014). A Concise Guide to Market Research. Springer.

Sarstedt, M., Becker, J.-M., Ringle, C. M., & Schwaiger, M. (2011). Uncovering and treating unobserved heterogeneity with FIMIX-PLS. Schmalenbach Business Review, 63(1), 34–62.

Sarstedt, M., Hair, J. F., Pick, M., Liengaard, B. D., Radomir, L., & Ringle, C. M. (2022a). Progress in partial least squares structural equation modeling use in marketing research in the last decade. Psychology & Marketing, 39(5), 1035–1064.

Sarstedt, M., Radomir, L., Moisescu, O. I., & Ringle, C. M. (2022b). Latent class analysis in PLS-SEM: A review and recommendations for future applications. Journal of Business Research, 138, 398–407.

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, 26(4), 531–554.

Schlittgen, R., Ringle, C. M., Sarstedt, M., & Becker, J.-M. (2016). Segmentation of PLS path models by iterative reweighted regressions. Journal of Business Research, 69(10), 4583–4592.

SCImago (n.d.). SJR — SCImago Journal & Country Rank.

Schuberth, F., Rademaker, M. E., & Henseler, J. (2022). Assessing the overall fit of composite models estimated by partial least squares path modeling. European Journal of Marketing, 57(6), 46–66.

Sharma, P. N., Sarstedt, M., Shmueli, G., Kim, K. H., & Thiele, K. O. (2019). PLS-Based Model Selection: The Role of Alternative Explanations in Information Systems Research. Journal of the Association for Information Systems, 20(4), 346–397.

Shmueli, G. (2010). To Explain or to Predict? Statistical Science, 25(3), 289–310.

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, 69(10), 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, 53(11), 2322–2347.

Small, N. J. H. (1980). Marginal Skewness and Kurtosis in Testing Multivariate Normality. Journal of the Royal Statistical Society. Series C (Applied Statistics), 29(1), 85–87.

Srivastava, M. S. (1984). A Measure of Skewness and Kurtosis and a Graphical-Method for Assessing Multivariate Normality. Statistics & Probability Letters, 2(5), 263–267.

Svensson, G., Ferro, C., Høgevold, N., Padin, C., Varela, J. C. S., & Sarstedt, M. (2018). Framing the triple bottom line approach. Journal of Cleaner Production, 197, 972–991.

Vaithilingam, S., Nair, M., Macharia, M., & Venkatesh, V. (2022). Mobile communication and use behavior of the urban poor in a developing country. International Journal of Information Management, 63, Article 102440.

West, R. E., & Rich, P. J. (2012). Rigor, Impact and Prestige. Innovative Higher Education, 37, 359–371.

Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.

Wooldridge, J. M. (2013). Introductory Econometrics: A Modern Approach (5th ed.). Cengage Learning.

Kết Luận

Việc thực hiện kiểm định tính vững trong PLS-SEM không chỉ là yêu cầu kỹ thuật mà là đạo đức nghiên cứu, đảm bảo giá trị tri thức đóng góp cho cộng đồng. Đừng để công trình tâm huyết của bạn bị từ chối chỉ vì thiếu một bước kiểm định.

Để nắm rõ chi tiết cách thực hiện từng bước trên phần mềm và tham khảo các trích dẫn gốc, hãy tải ngay tài liệu đầy đủ dưới đây:

Vaithilingam, S., Ong, C. S., Moisescu, O. I., & Nair, M. S. (2024). Robustness checks in PLS-SEM: A review of recent practices and recommendations for future applications in business research. Journal of Business Research, 173, 114465.