Mô hình điều khiển bởi sự kiện (EDMs) – Samuel Ogbeibu & James Gaskin

Mô hình điều khiển bởi sự kiện (Event-Driven Models – EDMs) được định nghĩa là các mô hình dựa trên nền tảng lý thuyết, được khái niệm hóa để giải thích mối quan hệ giữa một nhóm các sự kiện, với mục đích cốt lõi là hỗ trợ dự báo các sự kiện trong tương lai (ví dụ: biến động chính trị, kinh tế – xã hội, công nghệ, môi trường).

Vấn đề lớn nhất của các nghiên cứu hiện tại là sự phụ thuộc quá mức vào việc “xác nhận lý thuyết” (theory confirmation) và sử dụng các cấu trúc trung gian để làm rõ sự không chắc chắn, trong khi phớt lờ vai trò nền tảng của “khoa học dự báo”. Giải pháp tối ưu được đề xuất là áp dụng phương pháp Trung gian phân đoạn (Segmentation Mediation) và đánh giá kích thước tác động $v$ (v effect size) để tránh sai lầm loại IV (Type IV errors), từ đó đưa ra các hàm ý quản trị chính xác và có giá trị thực tiễn.

1. Tổng Quan & Thông Tin Định Danh Nghiên Cứu

Để đảm bảo tính chính xác và minh bạch trong trích dẫn học thuật, dưới đây là thông tin định danh đầy đủ của công trình nghiên cứu nền tảng này:

• Tiêu đề gốc: Back from the Future: Mediation and Prediction of Events Uncertainty through Event-Driven Models (EDMs).
• Tiêu đề dịch: Trở về từ Tương lai: Trung gian và Dự báo Sự không chắc chắn của Sự kiện thông qua Mô hình Điều khiển bởi Sự kiện (EDMs).
• Tác giả: Samuel Ogbeibu và James Gaskin.
• Nguồn: FIIB Business Review, 12(1) 10-19, 2023.
• DOI: 10.1177/23197145221121084.

Tóm tắt cốt lõi (Abstract Summary): Nghiên cứu này chỉ trích việc lạm dụng phương pháp “Trung gian truyền dẫn” (Transmittal) trong phân tích PLS-SEM vì nó dẫn đến sai lệch nội sinh (endogeneity bias) và sai lầm loại IV (Type IV errors) do bỏ sót các đường dẫn quan trọng và bỏ qua ước lượng kích thước tác động gián tiếp. Các tác giả giới thiệu dự báo như một lựa chọn cơ bản để ước lượng EDMs, khuyến nghị mạnh mẽ việc sử dụng phương pháp “Trung gian phân đoạn” (Segmentation) và đề xuất một thước đo kích thước tác động (v) mới cho các mô hình này.

2. Mô hình điều khiển bởi sự kiện (EDMs) và Thách thức của Sự không chắc chắn

2.1. Bản chất của Sự không chắc chắn (Event’s Uncertainty)

Sự không chắc chắn của sự kiện được định nghĩa là khả năng (likelihood) mà một sự kiện có thể xảy ra hoặc không xảy ra. Đây là rào cản lớn nhất đối với sự phát triển lý thuyết trong nghiên cứu hành vi con người và là vấn đề nghiêm trọng đối với việc quản lý các sự kiện quan trọng.

• Ví dụ thực tiễn: Đại dịch COVID-19 là một minh chứng điển hình cho sự kiện thảm khốc tác động đến toàn cầu. Mặc dù nó đã được dự báo từ trước khi xuất hiện vào cuối năm 2019 (bởi các học giả như Smil, 2008; Webster, 2018), nhưng các nền kinh tế đã không chuẩn bị kỹ lưỡng.
• Hậu quả: Sự thiếu hụt của một nền khoa học tốt hơn xoay quanh sự không chắc chắn đã khiến chúng ta bỏ lỡ các cảnh báo (warnings) rõ ràng, dẫn đến nhiều hoàn cảnh bi thảm.
• Vai trò của EDMs: EDMs được sinh ra để giải quyết thách thức này bằng cách mô hình hóa các yếu tố chính trị, kinh tế – xã hội, công nghệ… để giảm bớt sự không chắc chắn trong tương lai.

2.2. Định nghĩa và Cấu trúc của Mô hình điều khiển bởi sự kiện (EDMs)

Trong khoa học hành vi, EDMs là một khái niệm tương đối mới, được định nghĩa là các mô hình dựa trên lý thuyết nhằm giải thích mối quan hệ giữa một nhóm các sự kiện để hỗ trợ dự báo.

• Bản chất: Là các mô hình nguyên nhân – kết quả (cause-and-effect models).
• Mục đích: Khác với mô hình truyền thống chỉ tập trung vào giải thích “tại sao” (why) và “như thế nào” (how), EDMs tập trung vào việc cung cấp thông tin về sự kiện tương lai (future events).
• Ví dụ ứng dụng: Rahman và cộng sự (2021) đã sử dụng EDM để điều tra tác động của đại dịch COVID-19 (sự kiện) lên nhận thức quản lý và rủi ro du lịch (biến trung gian).

3. Tranh luận Phương pháp: Trung gian Truyền dẫn (Transmittal) vs. Phân đoạn (Segmentation)

Đây là phần đóng góp quan trọng nhất về mặt phương pháp luận. Việc lựa chọn sai phương pháp trung gian trong PLS-SEM sẽ dẫn đến kết quả sai lệch nghiêm trọng và các hàm ý chính sách gây hiểu lầm.

3.1. Phê phán cách tiếp cận Trung gian Truyền dẫn (Transmittal Approach)

• Định nghĩa: Cách tiếp cận này giả định rằng biến trung gian (M) là kênh duy nhất truyền tải tác động từ biến nguyên nhân (X) sang biến kết quả (Y). Nó ngụ ý rằng M phải chuyển tải tác động của X-Y bất chấp bối cảnh hay thời gian khác biệt.
• Vấn đề trong EDMs:
  • Bỏ sót đường dẫn (Omitted paths): Cách tiếp cận này hạn chế khả năng khám phá các đường dẫn tiềm năng khác (ví dụ: các tác động trực tiếp) bị bỏ qua một cách sai lầm.
  • Sai lệch nội sinh (Endogeneity Bias): Việc chỉ tập trung vào vai trò gián tiếp của M mà bỏ qua tác động tổng thể (total effects) dẫn đến việc “thổi phồng” các tác động gián tiếp này một cách giả tạo.
  • Không phản ánh thực tế: Nó thất bại trong việc tính toán đến các tác động biến động của sự thay đổi liên tục theo thời gian, nơi X có thể dự báo trực tiếp Y mà không cần qua M.
• Hệ quả: Tạo ra các hàm ý chính sách gây hiểu lầm, không phản ánh đúng thực tế môi trường kinh doanh.
• Khuyến nghị: Các tác giả không khuyến khích (discourage) việc sử dụng phương pháp này cho EDMs.

3.2. Ưu thế của Trung gian Phân đoạn (Segmentation Approach)

• Định nghĩa: Cách tiếp cận này liên quan đến việc lý thuyết hóa và phân tích tất cả các đường dẫn có thể quan sát được (bao gồm cả trực tiếp và gián tiếp) để đánh giá vai trò của M trong mối quan hệ X và Y.
• Lợi ích cốt lõi:
  • Đánh giá toàn diện: Cho phép đánh giá các đường dẫn trực tiếp khác và cung cấp cơ hội rộng lớn hơn cho phát triển lý thuyết.
  • Phân loại vai trò của M: Giúp xác định xem biến trung gian đóng vai trò Cạnh tranh (Competitive – khi M làm giảm tác động của X lên Y) hay Bổ sung (Complementary – khi M làm tăng tác động).
  • Phản ánh độ trễ thời gian (Time lags): Phù hợp với bản chất của EDMs, nơi có sự tách biệt về thời gian giữa các sự kiện (X tác động lên M, và sau một thời gian M mới tác động lên Y).
• Khuyến nghị: Đây là phương pháp bắt buộc áp dụng (crucial) khi ước lượng EDMs.

3.3. Rủi ro về Sai lầm loại IV (Type IV Errors)

Bài báo nhấn mạnh một khái niệm thống kê quan trọng nhưng thường bị bỏ qua: Sai lầm loại IV.

• Định nghĩa: Sai lầm loại IV xảy ra khi nhà nghiên cứu bác bỏ đúng giả thuyết null (tức là tìm ra kết quả có ý nghĩa thống kê) nhưng lại giải thích sai bản chất của mối quan hệ hoặc đưa ra “đơn thuốc” sai.
• Ví dụ minh họa: Giống như một bác sĩ chẩn đoán đúng bệnh cho bệnh nhân (bác bỏ giả thuyết null), nhưng sau đó lại kê một đơn thuốc sai hoặc không đầy đủ.
• Nguyên nhân trong EDMs: Xảy ra khi nhà nghiên cứu chỉ dựa vào giá trị p (p-value) để kết luận về sự tồn tại của sự kiện mà bỏ qua thông tin về kích thước tác động (effect size). Điều này dẫn đến các hàm ý chính sách không đầy đủ và vô tình gây hiểu lầm.

4. Thước đo Kích thước Tác động (Effect Sizes) Mới cho EDMs

Trong EDMs, chỉ dựa vào giá trị p (p-value) là chưa đủ vì nó không cho biết “độ lớn” của tác động. Các tác giả đề xuất một tiêu chuẩn mới để đánh giá kích thước tác động gián tiếp (v).

4.1. Tầm quan trọng của $v$ Effect Size

• Kích thước tác động cung cấp thông tin về mức độ (magnitude) và trọng lượng (weight) ảnh hưởng mà một sự kiện dự báo có thể gây ra đối với hành vi con người và hoạt động kinh doanh.
• Nếu bỏ qua chỉ số này, các phát hiện chỉ mang tính thống kê mà thiếu ý nghĩa thực tiễn (Substantive significance), dẫn đến các kết luận không chính xác.
• Trong EDMs, khoảng tin cậy (confidence intervals) và kích thước tác động bổ sung cho nhau: khoảng tin cậy cho biết sự không chắc chắn, còn kích thước tác động cho biết độ lớn của hiệu ứng.

4.2. Quy tắc “Giảm một nửa” của Ogbeibu et al. (2021)

Do các tác động gián tiếp (v) trong chuỗi sự kiện thường nhỏ hơn nhiều so với tác động trực tiếp, việc áp dụng thang đo chuẩn của Cohen (1988) là quá khắt khe và không thực tế. Các tác giả đề xuất thang đo mới bằng cách giảm một nửa (halving) giá trị của Cohen:

• Tác động nhỏ: 0.01 (Thay vì tiêu chuẩn cũ là 0.02).
• Tác động trung bình: 0.075 (Thay vì tiêu chuẩn cũ là 0.15).
• Tác động lớn: 0.175 (Thay vì tiêu chuẩn cũ là 0.35).

Lưu ý quan trọng: Thang đo này cũng được khuyến nghị áp dụng cho tác động trực tiếp trong EDMs nếu mô hình sử dụng các thước đo khách quan (objective measures), vì các thước đo này thường có phương sai chia sẻ thấp hơn so với thước đo nhận thức.

5. Khoa học Dự báo trong EDMs (The Science of Prediction)

Phần này làm rõ vai trò của “Khoa học dự báo” như một cầu nối giữa lý thuyết và thực tiễn, khác biệt hoàn toàn với mục tiêu “Giải thích” (Explanation) truyền thống.

• Vấn đề của thời gian: Ảnh hưởng của X lên Y thông qua M không phải là tức thời. Có thể mất hàng tuần hoặc hàng tháng để các tác động lan truyền. Trong khoảng thời gian đó (time lag), mức độ không chắc chắn là rất cao do các sự kiện can thiệp khác có thể xảy ra.
• Vai trò của dự báo:
  • Giúp nắm bắt các sự kiện liên quan qua các thời điểm khác nhau để mô tả thực tế khả dĩ nhất.
  • Giảm thiểu mức độ không chắc chắn bằng phân tích nhân quả-dự báo (causal-predictive analysis).
  • Là tiêu chí chính để xác định độ chính xác và sự liên quan thực tiễn của các sự kiện khác biệt, hỗ trợ việc bác bỏ lý thuyết sai (theory falsification).
• Đánh giá sức mạnh dự báo: Cần thiết để cung cấp thông tin về dữ liệu ngoài mẫu (out-of-sample data), điều mà các mô hình giải thích truyền thống thường bỏ qua.

6. Các Loại Dự báo và Điều kiện Sử dụng

Tùy thuộc vào dữ liệu, lý thuyết nền tảng và mục tiêu nghiên cứu, nhà nghiên cứu cần chọn đúng loại hình dự báo để áp dụng cho EDM:

6.1. Dự báo Cắt ngang (Cross-sectional Prediction)

• Đặc điểm: Quan sát và phân tích sự kiện tại một thời điểm duy nhất (single-point-in-time).
• Điều kiện sử dụng:
  • Phù hợp cho giai đoạn khởi đầu của nghiên cứu khi thông tin còn hạn chế hoặc sự kiện thưa thớt.
  • Hữu ích trong các trường hợp không có sự chắc chắn (uncertainty established) rằng sự kiện X có ảnh hưởng đến sự kiện Y hay không.
  • Là bước đệm để chuyển sang các thiết kế phức tạp hơn.

6.2. Dự báo Tương lai/Tiền cứu (Prospective Prediction)

• Đặc điểm: Giả định đã có lý thuyết vững chắc và thông tin sẵn có. Có sự tách biệt về thời gian (temporal separations): dữ liệu biến nguyên nhân (X) thu thập trước, và dữ liệu biến kết quả (Y) thu thập tại một thời điểm sau đó.
  +1
• Điều kiện sử dụng:
  • Phù hợp nhất cho EDMs vì nó cho phép tính toán độ trễ thời gian giữa các sự kiện có tương quan.
  • Sử dụng phương pháp trung gian phân đoạn (segmentation) để phân tích.
  • Cần thiết khi có các mâu thuẫn trong bằng chứng về một hiện tượng.

6.3. Dự báo Dọc (Longitudinal Prediction)

• Đặc điểm: Tất cả các sự kiện (cấu trúc) được kiểm tra tại cùng một thời điểm và quy trình này được lặp lại nhiều lần qua một khoảng thời gian xác định.
• Điều kiện sử dụng:
  • Hữu ích nhất khi cần xác định mối tương quan (correlation) giữa các sự kiện.
  • Dùng để dự báo tác động can thiệp (intervention effects) và các trường hợp có nhiều sự kiện xảy ra như là kết quả (ví dụ: sự xuất hiện của các biến thể COVID-19 mới giữa các đợt khảo sát).
  • Khuyến nghị khi khoảng cách thời gian (time gap) giữa X-Y, X-M và M-Y là đã biết rõ.

7. Đánh giá Sức mạnh Dự báo (Predictive Power)

Để xác nhận tính hợp lệ của EDM, cần sử dụng quy trình PLSpredict để so sánh sai số dự báo của mô hình PLS với mô hình hồi quy tuyến tính (LM – Linear Model).

Quy tắc đánh giá dựa trên chỉ số RMSE (hoặc MAE):

1. Sức mạnh cao (High predictive power): Khi RMSE của PLS < LM ở tất cả các chỉ báo.
2. Sức mạnh trung bình (Medium predictive power): Khi RMSE của PLS < LM ở đa số các chỉ báo.
3. Sức mạnh thấp (Low predictive power): Khi RMSE của PLS < LM ở thiểu số các chỉ báo.
4. Không có sức mạnh (Lack of predictive power): Khi RMSE của PLS > LM ở mọi chỉ báo (không có chỉ báo nào tốt hơn).

8. Hàm ý Quản trị & Ứng dụng Thực tiễn (Implications & Applications)

Phần này trình bày chi tiết cách áp dụng lý thuyết EDM vào thực tế nghiên cứu và quản trị doanh nghiệp.

8.1. Ứng dụng trong Nghiên cứu Khoa học (Theoretical Implications)

Các nhà nghiên cứu cần thay đổi cách tiếp cận để tránh sai lầm loại IV và tăng giá trị thực tiễn:

• Ngưng sử dụng (Discontinue): Tuyệt đối tránh phương pháp Trung gian truyền dẫn (Transmittal approach) trong EDMs vì nó thúc đẩy các hàm ý chính sách sai lệch.
• Áp dụng (Adopt): Bắt buộc sử dụng phương pháp Trung gian phân đoạn (Segmentation approach) để khai thác các suy luận mạnh mẽ và hợp lệ hơn.
• Báo cáo đầy đủ: Không được bỏ qua việc ước lượng và báo cáo kích thước tác động $v$ (v effect sizes). Đây là thông số quan trọng để thông báo về trọng lượng và mức độ ảnh hưởng của sự kiện.

8.2. Ứng dụng cho Nhà lãnh đạo và Quản trị Doanh nghiệp (Managerial Implications)

Khi dự báo là mục tiêu, việc phân tích chính xác các biến trung gian trong EDMs mang lại giá trị to lớn cho doanh nghiệp:

• Xây dựng Chiến lược Chủ động: Thay vì phản ứng thụ động, các nhà lãnh đạo có thể sử dụng khoa học dự báo để phát triển các chiến lược đổi mới, chuẩn bị sẵn sàng cho các tác động biến động (volatile effects) của các sự kiện gián đoạn.
• Hướng dẫn Thực hành: EDMs cung cấp một “hướng dẫn thực tế” (practical guide) giúp lãnh đạo hiểu rõ cách thức và những sự kiện tương lai nào sẽ tác động đến hoạt động và mục tiêu kinh doanh.
• Tăng cường Khả năng Phục hồi (Resilience): Dự báo giúp tổ chức giải mã và quản lý tốt hơn các sự cố tương lai, từ đó xây dựng khả năng phục hồi của tổ chức trước sự thay đổi liên tục.

8.3. Lựa chọn Loại hình Dự báo phù hợp cho Dự án

Để đảm bảo kết quả đáng tin cậy, các nhà thực hành cần khớp nối mục tiêu dự án với loại hình dự báo tương ứng:

• Dùng Dự báo Cắt ngang cho các khảo sát thị trường nhanh, khi sự kiện còn mới lạ.
• Dùng Dự báo Tương lai cho các kế hoạch chiến lược dài hạn, khi đã có dữ liệu lịch sử và lý thuyết hỗ trợ.
• Dùng Dự báo Dọc để theo dõi hiệu quả của các chiến dịch can thiệp hoặc quản lý khủng hoảng theo thời gian thực.

9. Về Tác giả (Authors)

Để hiểu rõ hơn về bối cảnh ra đời và uy tín của nghiên cứu này, chúng ta cần biết về các tác giả:

• Samuel Ogbeibu: Giảng viên Kinh doanh Quốc tế và Quản trị Chiến lược tại Khoa Quản lý, Luật và Khoa học Xã hội, Đại học Bradford (Vương quốc Anh). Ông có bằng Tiến sĩ (PhD) từ Đại học Tunku Abdul Rahman (Malaysia). Ông là diễn giả chính (Keynote Speaker) danh tiếng tại nhiều hội nghị quốc tế và là thành viên ban đánh giá của các tạp chí hàng đầu như Journal of Business Research, Journal of Cleaner Production .
• James Gaskin: Giáo sư Hệ thống thông tin tại Đại học Brigham Young (Utah, USA). Ông đã xuất bản hơn 185 bài báo được bình duyệt trên 55 tạp chí khác nhau. Ông nổi tiếng toàn cầu với kênh YouTube “Gaskination” (StatWiki) chuyên về hướng dẫn thống kê (AMOS/PLS-SEM) với hàng triệu lượt xem. Ông cũng là một doanh nhân khởi nghiệp dày dặn kinh nghiệm, đã giúp thành lập 8 công ty trong 8 năm qua.

9. Các câu hỏi thường gặp (FAQ)

Dưới đây là giải đáp cho những thắc mắc phổ biến nhất của các nhà nghiên cứu khi áp dụng Mô hình điều khiển bởi sự kiện (EDMs) và phân tích trung gian trong PLS-SEM.

Tại sao tôi không nên sử dụng phương pháp Trung gian truyền dẫn (Transmittal Mediation) cho mô hình hướng sự kiện? 

Bạn không nên sử dụng phương pháp này vì nó giả định rằng biến trung gian là con đường duy nhất truyền tải tác động, do đó bỏ qua các đường dẫn trực tiếp và các thay đổi theo thời gian . Trong bối cảnh EDMs, việc này dẫn đến sai lệch nội sinh (endogeneity bias) và hạn chế khả năng phát triển lý thuyết do không ước lượng toàn bộ các đường dẫn tiềm năng . Các tác giả khuyến nghị mạnh mẽ việc chuyển sang phương pháp Trung gian phân đoạn (Segmentation) để phản ánh đúng thực tế biến động của sự kiện .

Sai lầm loại IV (Type IV Error) trong nghiên cứu EDM là gì và làm sao để tránh? 

Sai lầm loại IV xảy ra khi bạn bác bỏ đúng giả thuyết null (tức là tìm thấy kết quả có ý nghĩa thống kê) nhưng lại đưa ra giải thích hoặc “đơn thuốc” sai lệch cho kết quả đó. Ví dụ: Bác sĩ chẩn đoán đúng bệnh nhưng kê sai thuốc. Trong EDMs, lỗi này thường xảy ra khi nhà nghiên cứu chỉ dựa vào giá trị p (p-value) mà bỏ qua kích thước tác động (effect size) . Để tránh lỗi này, bạn bắt buộc phải báo cáo cả kích thước tác động trực tiếp và gián tiếp (v) để hiểu rõ mức độ ảnh hưởng thực sự của sự kiện .

Khi nào tôi nên chọn Dự báo Dọc (Longitudinal) thay vì Dự báo Cắt ngang (Cross-sectional)? 

Bạn nên chọn Dự báo Dọc khi cần xác định mối tương quan giữa các sự kiện và theo dõi sự thay đổi của chúng qua thời gian thực . Nó đặc biệt hữu ích khi bạn cần dự báo các tác động can thiệp (intervention effects) hoặc khi khoảng cách thời gian (time gap) giữa các sự kiện X-Y, X-M và M-Y là đã biết rõ . Ngược lại, Dự báo Cắt ngang chỉ phù hợp cho giai đoạn đầu nghiên cứu khi thông tin còn hạn chế hoặc chưa chắc chắn về mối quan hệ nhân quả .

10. Tài liệu tham khảo (References)

Dưới đây là danh sách tài liệu tham khảo gốc từ bài báo để bạn tiện tra cứu (Giữ nguyên định dạng APA):

Agler, R., & De Boeck, P. (2017). On the interpretation and use of mediation: Multiple perspectives on mediation analysis. Frontiers in Psychology, 8, 1–11. https://doi.org/10.3389/fpsyg.2017.01984

Aguinis, H., Edwards, J. R., & Bradley, K. J. (2016). Improving our understanding of moderation and mediation in strategic management research. Organizational Research Methods, 20, 665–685. https://doi.org/10.1177/1094428115627498

Alon, L. (2020). COVID-19 and international business: A viewpoint. FIIB Business Review, 9, 75–77. https://doi.org/10.1177/2319714520923579

Antonakis, J. (2017). On doing better science: From thrill of discovery to policy implications. The Leadership Quarterly, 28, 5–21. https://doi.org/10.1016/j.leaqua.2017.01.010

Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21, 1086–1120. https://doi.org/10.1016/j.leaqua.2010.10.010

Athey, S. (2017). Beyond prediction: Using big data for policy problems. Science, 355(6324), 483–485.

Atinc, G., Simmering, M. J., & Kroll, M. J. (2012). Control variable use and reporting in macro and micro management research. Organizational Research Methods, 15(1), 57–74. https://doi.org/10.1177/1094428110397773

Baptista, M., Sankararaman, S., de Medeiros, I. P., Nascimento Jr, C., Prendinger, H., & Henriques, E. M. (2018). Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling. Computers & Industrial Engineering, 115, 41–53. https://doi.org/10.1016/j.cie.2017.10.033

Bernerth, J. B., & Aguinis, H. (2016). A critical review and best-practice recommendations for control variable usage. Personnel Psychology, 69(1), 229–283. https://doi.org/10.1111/peps.12103

Betz, M. A., & Gabriel, K. R. (1978). Type IV errors and analysis of simple effects. Journal of Educational Statistics, 3(2), 121–143. https://doi.org/10.3102/10769986003002121

Bicevska, Z., Bicevskis, J., & Karnitis, G. (2016). Models of event driven systems. In Databases and information systems (pp. 83–98). Springer. https://doi.org/10.1007/978-3-319-40180-5_6

Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Erlbaum.

Danks, N. P. (2021). The piggy in the middle: The role of mediators in PLS-SEM-based prediction: A research note. ACM SIGMIS Database: The DATABASE for Advances in Information Systems, 52(Special Issue), 24–42. https://doi.org/10.1145/3505639.350

Douglas, H. E. (2009). Reintroducing prediction to explanation. Philosophy of Science, 76(4), 444–463.

Ferguson, C. J. (2009). An effect size primer: A guide for clinicians and researchers. Professional Psychology: Research and Practice, 40(5), 532–538. https://doi.org/10.1037/a0015808

Grant, R., Murray, P., Orr, S., Butler, B., & Bezemer, P.-J. (2020). Strategic management. Wiley and Sons.

Hair, J. F. (2021). Next-generation prediction metrics for composite-based PLS-SEM. Industrial Management & Data Systems, 121(1), 5–11. https://doi.org/10.1108/imds-08-2020-0505

Hair, J. F., & Sarstedt, M. (2021). Explanation plus prediction—The logical focus of project management research. Project Management Journal, 52(4), 319–322. https://doi.org/10.1177/8756972821999945

Hall, C. M., Scott, D., & Gossling, S. (2020). Pandemics, transformations and tourism: Be careful what you wish for. Tourism Geographies, 22(3), 577–598. https://doi.org/10.1080/14616688.2020.1759131

Hofman, J. M., Sharma, A., & Watts, D. J. (2017). Prediction and explanation in social systems. Science, 355(6324), 486–488.

Jordan, P. J., & Troth, A. C. (2020). Common method bias in applied settings: The dilemma of researching in organizations. Australian Journal of Management, 45(1), 3–14. https://doi.org/10.1177/0312896219871976

Jurado, K., Ludvigson, S. C., & Ng. S. (2015). Measuring uncertainty. American Economic Review, 105(3), 1177–1216. https://doi.org/10.1257/aer.20131193

Kanupriya. (2020). COVID-19: A socio-economic perspective. FIIB Business Review, 9(3), 161–166.

Kaur, G., & Kaur, C. (2020). COVID-19 and the rise of the new experience economy. FIIB Business Review, 9(4), 239–248.

Keni, R., Alexander, A., Nayak, P. G., Mudgal, J., & Nandakumar, K. (2020). COVID-19: Emergence, spread, possible treatments, and global burden. Frontiers in Public Health, 8, 1–13. https://doi.org/10.3389/fpubh.2020.00216

Kesaraju, V. S., & Ciarallo, F. W. (2012). Integrated simulation combining process-driven and event-driven models. Journal of Simulation, 6, 9–20.

Kline, R. B. (2015). The mediation myth. Basic and Applied Social Psychology, 37(4), 202–213. https://doi.org/10.1080/01973533.2015.1049349

Lachowicz, M. J., Preacher, K. J., & Kelley, K. (2018). A novel measure of effect size for mediation analysis. Psychological Methods, 23(2), 244–261. https://doi.org/10.1037/met0000165

Lane, D. A., & Maxfield, R. R. (2005). Ontological uncertainty and innovation. Journal of Evolutionary Economics, 15, 3–50. https://doi.org/10.1007/s00191-004-0227-7

Lapointe-Shaw, L., Bouck, Z., Howell, N. A., Lange, T., Orchanian-Cheff, A., Austin, P. C., Ivers, N. M., Redelmeier, D. A., & Bell, C. M. (2018). Mediation analysis with a time-to-event outcome: A review of use and reporting in healthcare research. BMC Medical Research Methodology, 18(1), 118. https://doi.org/10.1186/s12874-018-0578-7

Liengaard, B. D., Sharma, P. N., Hult, G. T., 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. Decision Sciences, 52, 362–392.

Lowry, P. B., & Gaskin, J. (2014). Partial least squares (PLS) structural equation modeling (SEM) for building and testing behavioral causal theory: When to choose it and how to use it. IEEE Transactions on Professional Communication, 57(2), 123–146.

MacKinnon, D. P. (2011). Integrating mediators and moderators in research design. Research on Social Work Practice, 21(6), 675–681. https://doi.org/10.1177/1049731511414148

MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2007). Mediation analysis. Annual Review of Psychology, 58, 593–614. https://doi.org/10.1146/annurev.psych.58.110405.085542

Mathieu, J. E., & Taylor, S. R. (2006). Clarifying conditions and decision points. Journal of Organizational Behavior, 27, 1031–1056. https://doi.org/10.1002/job.406

Memon, M. A., Cheah, J.-H., Ramayah, T., Ting, H., & Chuah, F. (2018). Mediation analysis issues and recommendations. Journal of Applied Structural Equation Modeling, 2(1), i–ix.

Morse, S., Mazet, J. A., Woolhouse, M., Parrish, C. R., Carroll, D., Kareah, W. B., Zambrana-Torrelio, C., Lipkin, W. I., & Daszak, P. (2012). Prediction and prevention of the next pandemic zoonosis. Lancet, 380, 1956–1965.

Nitzl, C., Roldan, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849–1864. https://doi.org/10.1108/imds-07-2015-0302

Ogbeibu, S., Jabbour, C. J., Gaskin, J., Senadjki, A., & Hughes, M. (2021). Leveraging STARA competencies and green creativity to boost green organisational innovative evidence: A praxis for sustainable development. Business Strategy and the Environment, 30, 2421–2440. https://doi.org/10.1002/bse.2754

Ottenbacher, K. (1992). Statistical conclusion validity and type IV errors in rehabilitation research. Archives of Physical Medicine and Rehabilitation, 73(2), 121–125.

Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539–569.

Preacher, K. J., & Kelley, K. (2011). Effect size measures for mediation models: Quantitative strategies for communication indirect effects. Psychological Methods, 16, 93–115. https://doi.org/10.1037/a0022658

Rahman, M. K., Gazi, M. A., & Bhuiyan, M. A. (2021). Effect of Covid-19 pandemic on tourist travel risk and management perceptions. PLoS ONE, 16(9), e0256486. https://doi.org/10.1371/journal.pone.0256486

Rai, A. (2017). Avoiding type III errors: Formulating is research problems that matter. MIS Quarterly, 41(2), iii–vii.

Rana, S. (2021). A review on research during COVID 19 and call for research on marketing during the pandemic. FIIB Business Review, 10(4), 309–314. https://doi.org/10.1177/23197145211062431

Rasoolimanesh, M. S., Wang, M., Roldan, J. L., & Kunasekaran, P. (2021). Are we in right path for mediation analysis? Reviewing the literature and proposing robust guidelines. Journal of Hospitality and Tourism Management, 48, 395–405. https://doi.org/10.1016/j.jhtm.2021.07.013

Rasoolimanesh, S. M., & Ali, F. (2018). Editorial: Partial least squares (PLS) in hospitality and tourism research. Journal of Hospitality and Tourism Technology, 9(3), 238–248.

Rigdon, E. E., Sarstedt, M., & Becker, J.-M. (2020). Quantify uncertainty in behavioral research. Nature Human Behaviour, 4, 329–331. https://doi.org/10.1038/s41562-019-0806-0

Rungtusanatham, M., Miller, J. W., & Boyer, K. K. (2014). Theorizing, testing, and concluding for mediation in SCM research: Tutorial and procedural recommendations. Journal of Operations Management, 32, 99–113. https://doi.org/10.1016/j.jom.2014.01.002

Sahni, S., Kumari, S., & Pachaury, P. (2021). Building emotional resilience with big five personality model against COVID-19 pandemic. FIIB Business Review, 10(1), 39–51. https://doi.org/10.1177/2319714520954559

Sanbonmatsu, D. M., & Johnston, W. A. (2019). Redefining science: The impact of complexity on theory development in social and behavioral research. Perspectives on Psychological Science, 14, 672–690. https://doi.org/10.1177/1745691619848688

Sarstedt, M., & Danks, N. P. (2021). Prediction in HRM research—A gap between rhetoric and reality. Human Resource Management Journal, 32, 485–513. https://doi.org/10.1111/1748-8583.12400

Sarstedt, M., Hair, J. F., Nitzl, C., Ringle, C. M., & Howard, M. C. (2020). Beyond a tandem analysis of SEM and PROCESS: Use of PLS-SEM for mediation analyses! International Journal of Market Research, 62, 288–299. https://doi.org/10.1177/1470785320915686

Saxena, M., Bagga, T., Gupta, S., & Kaushik, N. (2022). Exploring common method variance in analytics research in the Indian context: A comparative study with known techniques. FIIB Business Review, 1–17. https://doi.org/10.1177/23197145221099098

Schad, J., Lewis, M. W., & Smith, W. K. (2019). Quo vadis, paradox? Centripetal and centrifugal forces in theory development. Strategic Organization, 17(1), 107–119. https://doi.org/10.1177/1476127018786218

Schuberth, F. (2020). Confirmatory composite analysis using partial least squares: Setting the record straight. Review of Managerial Science, 15, 1311–1345. https://doi.org/10.1007/s11846-020-00405-0

Sharma, P. N., Shmueli, G., Sarstedt, M., Danks, N., & Ray, S. (2018). Prediction-oriented model selection in partial least squares path modeling. Decision Sciences, 52, 567–607. https://doi.org/10.1111/deci.12329

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

Shmueli, G., Ray, S., Velasquez, E. J., & Chatla, S. B. (2016). The elephant in the room: Evaluating the predictive performance of PLS models. Journal of Business Research, 69(10), 4552–4564.

Shmueli, G., Sarstedt, M., Hair, J. F., Cheah, J., Ting, H., & Vaithilingam, S. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322–2347. https://doi.org/10.1108/EJM-02-2019-0189

Silver, N. (2012). The signal and the noise: Why most predictions fail—But some don’t. Penguin.

Smil, V. (2008). Global catastrophes and trends: The next fifty years. The MIT Press.

Spector, P. E. (2019). Do not cross me: Optimizing the use of cross-sectional designs. Journal of Business and Psychology, 34, 125–137. https://doi.org/10.1007/s10869-018-09613-8

Spector, P. E., & Pindek, S. (2016). The future of research methods in work and occupational health psychology. Applied Psychology: An International Review, 65(2), 412–431. https://doi.org/10.1111/apps.12056

Stone-Romero, E. F., & Rosopa, P. J. (2008). The relative validity of inferences about mediation as a function of research design characteristics. Organizational Research Methods, 11(2), 326–352. https://doi.org/10.1177/1094428107300342

Suddaby, R. (2014). Editor’s comments: Why theory? Academy of Management Review, 39(4), 407–411. https://doi.org/10.5465/amr.2014.0252

Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1

Tate, C. U. (2015). On the overuse and misuse of mediation analysis: It may be a matter of timing. Basic and Applied Social Psychology, 37(4), 235–246. https://doi.org/10.1080/01973533.2015.1062380

Tisato, F., & De Paoli, F. (1995). On the duality between event-driven and time-driven models. In A. Sahraoui, & J. A. De La Puente (Eds.), Distributed computer control systems (pp. 31–36). IFAC Postprint. https://doi.org/10.1016/B978-0-08-042593-1.50009-2

Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited. An overview of some recommended measures of effect size. Trends in Sport Science, 1(21), 19–25.

Umesh, U. N., Peterson, R. A., & McCann-Nelson, M. (1996). Type IV error in marketing research: The investigation of ANOVA interactions. Journal of the Academy of Marketing Science, 24(17), 17–26. https://doi.org/10.1007/BF02893934

Vieira, G. E., Herrmann, J. W., & Lin, E. (2000). Analytical models to predict the performance of a single-machine system under periodic and event-driven rescheduling strategies. International Journal of Production Research, 38(8), 1899–1915.

Wang, X., & Cheng, Z. (2020). Cross-sectional studies. Chest, 158(1), S65–S71. https://doi.org/10.1016/j.chest.2020.03.012

Warner, R. M. (2013). Applied statistics: From bivariate through multivariate techniques. SAGE Publications.

Webster, R. G. (2018). Flu hunter: Unlocking the secrets of a virus. Otago University Press.

Wen, Z., & Fan, X. (2015). Monotonicity of effect sizes: Questioning kappa-squared as mediation effect size measure. Psychological Methods, 20, 193–203. https://doi.org/10.1037/met0000029

Whetten, D. A. (1989). What constitutes a theoretical contribution? Academy of Management Review, 14(4), 490–495.

Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. Perspectives on Psychological Science, 12(6), 1100–1122.

Zaoui, S., Hamou-ou-Brahim, S. A., Zhou, H., Omrane, A., & Huang, D. (2021). Consumer purchasing behaviour towards strategic innovation management practices in Morocco during COVID-19 health crisis. FIIB Business Review, 10(2), 158–171. https://doi.org/10.1177/23197145211008630

Việc áp dụng Mô hình điều khiển bởi sự kiện đòi hỏi sự hiểu biết sâu sắc về thống kê và phương pháp luận khoa học. Đừng để nghiên cứu của bạn mắc phải “Sai lầm loại IV” đáng tiếc chỉ vì lựa chọn sai mô hình trung gian.

[Ogbeibu, S., & Gaskin, J. (2023). Back from the future: Mediation and prediction of events uncertainty through Event-Driven Models (EDMs). FIIB Business Review, 12(1), 10–19.]