Mở Rộng Bộ Công Cụ Phân Tích PLS-SEM Trong Nghiên Cứu Hệ Thống Thông Tin

Mở rộng bộ công cụ phân tích PLS-SEM là quá trình chuyển đổi căn bản từ việc chỉ kiểm định mô hình giải thích truyền thống sang áp dụng các kỹ thuật thống kê tiên tiến nhằm đảm bảo tính chặt chẽ về phương pháp luận và tính thực tiễn của kết quả. Vấn đề cốt lõi hiện nay là nhiều nghiên cứu IS vẫn dậm chân tại chỗ với các chỉ số đánh giá cũ kỹ, bỏ qua hoàn toàn năng lực dự báo và kiểm định điều kiện cần. Giải pháp bắt buộc để nâng cao chất lượng công bố là áp dụng triệt để bộ công cụ Thiết yếu (như PLSpredict, CoMe) và bộ công cụ Mới nổi (như CVPAT, NCA, HOCs) tuân theo các hướng dẫn báo cáo chuẩn mực mới nhất.

1. Giới thiệu & Bối cảnh Nghiên cứu (Introduction)

Trong lĩnh vực Hệ thống thông tin (IS), các học giả luôn nỗ lực không ngừng để giải thích và dự báo các mối quan hệ phức tạp giữa công nghệ, hành vi con người và bối cảnh tổ chức. Phương pháp Mô hình cấu trúc tuyến tính bình phương tối thiểu từng phần (PLS-SEM), được phát triển bởi Herman Wold (1966), đã có lịch sử hơn 50 năm và trở thành một công cụ chủ đạo. Tuy nhiên, sự phát triển của phương pháp này trong thập kỷ qua là cực kỳ nhanh chóng, dẫn đến một thực trạng đáng báo động: Khoảng cách giữa phương pháp luận tiên tiến và thực tiễn áp dụng của nhà nghiên cứu.

Các nghiên cứu gần đây (ví dụ: Sabol et al., 2023) khi rà soát các bài báo trên tạp chí Industrial Management & Data Systems trong 5 năm gần nhất đã chỉ ra rằng: Mặc dù PLS-SEM được sử dụng rộng rãi, nhưng nhận thức về các công cụ phân tích mới vẫn còn rất hạn chế. Đa số các tác giả vẫn chỉ dừng lại ở việc đánh giá độ tin cậy và giá trị hội tụ cơ bản, mà bỏ qua các phân tích dự báo hoặc kiểm định tính vững chắc (robustness) của mô hình.

Mục tiêu của bài viết này là cung cấp một Hộp công cụ phân tích (Analytical Toolbox) toàn diện, được cập nhật mới nhất, chia làm 2 nhóm rõ ràng để các nhà nghiên cứu IS dễ dàng tiếp cận và áp dụng:

• Các công cụ Thiết yếu (Essential Tools): Những kỹ thuật đã có sẵn, được coi là tiêu chuẩn nền tảng nhưng thường bị sử dụng sai hoặc bị bỏ qua.
• Các công cụ Mới nổi (Emerging Tools): Những kỹ thuật tiên tiến, mang tính đột phá, giúp mở rộng biên giới tri thức và giải quyết các câu hỏi nghiên cứu phức tạp hơn.

2. Các Công Cụ và Chỉ Số Phân Tích PLS-SEM Thiết Yếu (Essential Analytical Tools and Metrics)

Nhóm công cụ này không còn là “lựa chọn thêm” (optional) mà phải được xem là tiêu chuẩn bắt buộc (mandatory) cho bất kỳ nghiên cứu định lượng nào sử dụng PLS-SEM trong tương lai để đảm bảo sự chấp nhận của các tạp chí uy tín.

2.1 Dự báo ngoài mẫu (Out-of-sample prediction)

Bản chất của phương pháp PLS-SEM là một cách tiếp cận nhân quả – dự báo (causal-predictive). Điều này khác biệt so với CB-SEM (như AMOS) vốn thiên về xác nhận lý thuyết. Tuy nhiên, trong quá khứ, chúng ta thường đánh đồng “sức mạnh giải thích” (Explanatory Power – đo bằng $R^2$) với “sức mạnh dự báo” (Predictive Power). Các chỉ số như $R^2$ hay $Q^2$ (tính bằng quy trình blindfolding) thực chất chỉ là đánh giá dự báo trong mẫu (in-sample), nghĩa là mô hình giải thích tốt dữ liệu đã biết, nhưng chưa chắc dự báo đúng dữ liệu mới.

• Công cụ cốt lõi: PLSpredict (được giới thiệu bởi Shmueli et al., 2019).
• Cơ chế hoạt động: PLSpredict sử dụng kỹ thuật k-fold cross-validation (kiểm chứng chéo k lần) để chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (holdout sample).
• Quy trình đánh giá chuẩn:
  1. Xác định biến mục tiêu: Tập trung vào các biến phụ thuộc (constructs) quan trọng nhất hoặc biến kết quả cuối cùng.
  2. Đánh giá $Q^2_{predict}$: Giá trị này phải > 0. Điều này chứng tỏ mô hình PLS dự báo tốt hơn việc chỉ dùng giá trị trung bình (mean) của dữ liệu lịch sử.
  3. So sánh sai số dự báo: So sánh chỉ số RMSE (Căn bậc hai sai số trung bình bình phương) hoặc MAE (Sai số tuyệt đối trung bình) của mô hình PLS-SEM với mô hình Hồi quy tuyến tính (LM – Linear Model).
     • Nếu RMSE(PLS) < RMSE(LM) ở đa số các chỉ báo: Mô hình có sức mạnh dự báo cao.
     • Nếu RMSE(PLS) < RMSE(LM) ở thiểu số các chỉ báo: Sức mạnh dự báo thấp.
• Cập nhật mới: Gần đây, Sharma et al. (2023) đã mở rộng khái niệm này thành CVPAT (Kiểm định khả năng dự báo kiểm chứng chéo) để đánh giá khắt khe hơn về mặt thống kê suy luận.

2.2 Trung gian (Mediation)

Phân tích trung gian giúp giải thích “cơ chế” tại sao biến độc lập tác động lên biến phụ thuộc. Tuy nhiên, một sai lầm phổ biến và nghiêm trọng của các nhà nghiên cứu là thực hiện mô hình PLS, sau đó xuất dữ liệu điểm tổng (sum scores) ra SPSS để chạy macro PROCESS (của Hayes) nhằm kiểm định trung gian.

• Tại sao không nên dùng PROCESS với PLS-SEM?
  • PROCESS sử dụng điểm tổng không trọng số (unweighted sum scores), coi tất cả các câu hỏi có giá trị ngang nhau và bỏ qua sai số đo lường.
  • PLS-SEM tính toán điểm biến tiềm ẩn dựa trên trọng số tối ưu (weighted composites), bao gồm sai số đo lường, do đó cho kết quả chính xác hơn nhiều (Sarstedt et al., 2020).
• Quy trình khuyến nghị:
  • Thực hiện phân tích trung gian trực tiếp trong phần mềm PLS (như SmartPLS).
  • Luôn đánh giá hiệu ứng trực tiếp (direct effect): Nitzl et al. (2016) nhấn mạnh rằng nếu bỏ qua hiệu ứng trực tiếp, hiệu ứng gián tiếp có thể bị thổi phồng một cách giả tạo, dẫn đến sai lầm Loại I.
  • Đánh giá Kích thước hiệu ứng trung gian ($v$): Không chỉ dựa vào giá trị p (p-value), nhà nghiên cứu cần báo cáo độ lớn của hiệu ứng trung gian theo chuẩn của Lachowicz et al. (2018):
    • 0.01: Hiệu ứng nhỏ.
    • 0.04: Hiệu ứng trung bình.
    • 0.09: Hiệu ứng lớn.

2.3 Điều tiết (Moderation)

Điều tiết xảy ra khi một biến thứ ba làm thay đổi cường độ hoặc hướng của mối quan hệ giữa hai biến khác. PLS-SEM xử lý điều tiết rất linh hoạt.

• Đối với biến điều tiết phân loại (Categorical): (Ví dụ: Giới tính, Loại hình doanh nghiệp)
  • Sử dụng Phân tích đa nhóm (MGA – Multi-Group Analysis).
  • Lưu ý bắt buộc: Trước khi so sánh các nhóm, phải thực hiện quy trình MICOM (Measurement Invariance of Composite Models) để đảm bảo tính bất biến của phép đo. Nếu phép đo không bất biến, sự khác biệt giữa các nhóm có thể do cách hiểu câu hỏi khác nhau chứ không phải do bản chất lý thuyết.
• Đối với biến điều tiết liên tục (Continuous): (Ví dụ: Tuổi tác, Thu nhập, Mức độ gắn kết)
  • Sử dụng Phương pháp Hai giai đoạn (Two-stage approach) (Becker et al., 2018).
  • Đây là phương pháp ưu việt hơn so với phương pháp tích số chỉ báo (product indicator) hoặc trực giao hóa (orthogonalization) vì nó có khả năng thống kê (statistical power) cao hơn.
  • Báo cáo hệ số đường dẫn tương tác ($d$) và kích thước hiệu ứng ($f^2$).

2.4 Trung gian có điều kiện (CoMe – Conditional Mediation)

Trước đây, khái niệm này thường được gọi là “Moderated Mediation” (Trung gian bị điều tiết) hoặc “Mediated Moderation” (Điều tiết qua trung gian). Thuật ngữ hiện đại và chính xác hơn là Trung gian có điều kiện (CoMe).

• Định nghĩa: Phân tích này tích hợp đồng thời cả trung gian và điều tiết vào một mô hình duy nhất để trả lời câu hỏi: “Cơ chế trung gian (Mediation) thay đổi như thế nào tùy thuộc vào các bối cảnh hoặc điều kiện biên (Moderation) khác nhau?”.
• Thực hành: PLS-SEM vượt trội hơn hẳn so với hồi quy truyền thống (PROCESS) trong việc ước tính các mô hình CoMe phức tạp (Cheah et al., 2021). Nó cho phép ước tính đồng thời tất cả các mối quan hệ mà không cần chia nhỏ quy trình, giúp giảm thiểu sai số tích lũy.

2.5 So sánh mô hình lý thuyết (Theoretical Model Comparison)

Một vấn đề lớn trong nghiên cứu là lựa chọn giữa các mô hình cạnh tranh (Model Selection). Làm sao để biết Mô hình A tốt hơn Mô hình B?

• Tiêu chí thông tin: Sử dụng các chỉ số BIC (Bayesian Information Criterion) và GM (Geweke-Meese). Các chỉ số này cân bằng giữa độ phù hợp của mô hình và độ phức tạp (số lượng biến), giúp tránh hiện tượng quá khớp (overfitting).
• Trọng số Akaike (Akaike Weights): Danks et al. (2020) đề xuất sử dụng trọng số Akaike để định lượng “sự không chắc chắn” khi lựa chọn mô hình. Nó cho biết xác suất mà một mô hình là “tốt nhất” trong tập hợp các mô hình được so sánh.
• Dựa trên dự báo: Sử dụng kết quả từ PLSpredict hoặc CVPAT. Mô hình nào có sai số dự báo (RMSE/MAE) thấp hơn trên dữ liệu mới thì được coi là mô hình ưu việt hơn về mặt thực tiễn.

3. Các Công Cụ và Chỉ Số Phân Tích Mới Nổi (Emerging Analytical Tools and Metrics)

Nhóm công cụ này đại diện cho sự phát triển tiên phong của phương pháp luận, giúp bài nghiên cứu đạt được tính “nguyên bản” (originality) cao và giải quyết các vấn đề mà phương pháp truyền thống bó tay.

3.1 Kiểm định khả năng dự báo kiểm chứng chéo (CVPAT)

Mặc dù PLSpredict rất hữu ích, nhưng nó chủ yếu mang tính chất mô tả (descriptive). CVPAT (được phát triển bởi Liengaard et al., 2021) nâng cấp đánh giá dự báo lên mức độ suy luận thống kê (inferential).

• Bản chất: CVPAT thực hiện kiểm định thống kê để xác định xem sự khác biệt về năng lực dự báo giữa hai mô hình có thực sự có ý nghĩa hay không, hay chỉ là ngẫu nhiên.
• Chức năng: Cho phép nhà nghiên cứu đưa ra khẳng định mạnh mẽ: “Mô hình đề xuất có khả năng dự báo tốt hơn một cách có ý nghĩa thống kê (statistically significant) so với mô hình ngây thơ hoặc mô hình cạnh tranh”.
• Mở rộng: Sharma et al. (2023) đã mở rộng CVPAT để cho phép so sánh ở cấp độ từng cấu trúc mục tiêu (construct-level), giúp phân tích chi tiết xem biến nào được dự báo tốt hơn.

3.2 Cấu trúc bậc cao (HOCs – Higher-Order Constructs)

Trong nghiên cứu khoa học xã hội, các khái niệm thường rất trừu tượng và đa chiều (ví dụ: “Chất lượng dịch vụ” không chỉ là một biến đơn lẻ mà bao gồm: Tin cậy, Đáp ứng, Đồng cảm…). HOCs cho phép mô hình hóa các cấu trúc này ở mức độ trừu tượng cao hơn.

• Phân loại 4 Loại HOCs: (Dựa trên mối quan hệ giữa Cấu trúc bậc cao và Cấu trúc bậc thấp):
  • Loại I (Phản ánh – Phản ánh): Phổ biến nhất. Cả bậc cao và bậc thấp đều là kết quả phản ánh của khái niệm.
  • Loại II (Phản ánh – Kết quả): Bậc cao được phản ánh bởi bậc thấp, nhưng bậc thấp được tạo thành từ các chỉ báo kết quả.
  • Loại III (Kết quả – Phản ánh): Bậc cao được tạo thành từ các bậc thấp.
  • Loại IV (Kết quả – Kết quả): Ít gặp nhất.
• Phương pháp ước tính: Khuyên dùng Phương pháp hai giai đoạn tách rời (Disjoint Two-Stage Approach) (Sarstedt et al., 2019). Phương pháp này tách biệt quá trình ước tính cấu trúc bậc thấp và bậc cao, giúp giảm đa cộng tuyến và thuận lợi cho việc áp dụng các kỹ thuật dự báo như PLSpredict hay CVPAT.

3.3 Phân tích điều kiện cần (NCA – Necessary Condition Analysis)

Đây là một sự thay đổi tư duy (paradigm shift) quan trọng trong phân tích dữ liệu: Chuyển từ “Logic Đủ” sang “Logic Cần”.

• Logic Đủ (Sufficiency Logic – PLS truyền thống): “Biến X tăng thì Biến Y tăng”. Các yếu tố này được coi là các yếu tố thành công, giúp cải thiện kết quả.
• Logic Cần (Necessity Logic – NCA): “Không có X thì không có Y”. X là điều kiện tiên quyết. Nếu X không đạt mức tối thiểu, Y sẽ thất bại bất kể các yếu tố khác tốt đến đâu.
• Ứng dụng kết hợp: Richter et al. (2020) đề xuất kết hợp PLS-SEM và NCA.
  • PLS-SEM xác định yếu tố nào có tác động mạnh nhất để tối ưu hóa hiệu suất.
  • NCA xác định yếu tố nào là “nút thắt cổ chai” (bottleneck) bắt buộc phải đáp ứng.
• Ví dụ thực tế: Trong thương mại điện tử, “An toàn bảo mật” là điều kiện Cần (phải có mới dùng), nhưng “Giao diện đẹp” là điều kiện Đủ (có thì dùng nhiều hơn).

3.4 Phân tích thành phần cấu trúc tổng quát (GSCA)

GSCA (Generalized Structured Component Analysis) là một giải pháp thay thế đầy tiềm năng cho PLS-SEM, được phát triển bởi Hwang và Takane (2004).

• Khác biệt kỹ thuật:
  • GSCA sử dụng thuật toán tối ưu hóa toàn cầu (giống CB-SEM) nhưng vẫn dựa trên thành phần (component-based) thay vì nhân tố (factor-based).
  • Nó tối thiểu hóa tổng sai số bình phương giữa dữ liệu quan sát và mô hình cấu trúc một cách đồng thời.
• Ưu điểm vượt trội:
  • Cho phép mô hình hóa các mối quan hệ vòng tròn (non-recursive), nơi A tác động lên B và B tác động ngược lại A.
  • Cho phép một chỉ báo (indicator) có thể thuộc về nhiều cấu trúc (cross-loadings) một cách chính thống.
  • Cung cấp chỉ số độ phù hợp tổng thể (Global Fit Index – FIT), điều mà PLS-SEM truyền thống còn hạn chế.

Bảng 1: So sánh chi tiết PLS-SEM và GSCA (Dựa trên Bảng 2 tài liệu gốc)

Đặc điểm	PLS-SEM	GSCA
Mối quan hệ cấu trúc	Đệ quy (Recursive – Một chiều).	Có thể vòng tròn/hai chiều (Non-recursive).
Chỉ báo đo lường	Một chỉ báo thường chỉ thuộc về 1 cấu trúc.	Một chỉ báo có thể thuộc nhiều cấu trúc.
Phương pháp ước tính	Thông tin hạn chế (Limited Information). Tối ưu hóa cục bộ từng phần.	Thông tin đầy đủ (Full Information). Tối ưu hóa toàn cầu.
Tiêu chí đánh giá	Tập trung vào SRMR, $R^2$, $Q^2$.	Cung cấp Chỉ số độ phù hợp tổng thể (Fit Index).

4. Các Khuyến Nghị Thực Tiễn Tốt Nhất Về Đánh Giá và Báo Cáo (Best Practices)

Để đảm bảo tính khoa học và khả năng tái lập (replicability), nhà nghiên cứu cần tuân thủ nghiêm ngặt bảng kiểm tra (checklist) dưới đây khi viết bài báo cáo (Dựa trên Bảng 4 tài liệu gốc):

4.1 Quản lý dữ liệu (Data Management)

• Cỡ mẫu (Sample Size): Không dùng quy tắc ngón tay cái “gấp 10 lần” nữa. Phải dùng phương pháp “Inverse square root” hoặc “Gamma exponential” (Kock & Hadaya, 2018) để tính toán dựa trên sức mạnh thống kê (Power = 0.8). Tối thiểu nên > 100 mẫu.
• Giá trị thiếu (Missing Values): PLS-SEM chịu được dữ liệu thiếu dưới 10% (ngẫu nhiên). Xử lý bằng phương pháp thay thế trung bình (Mean Replacement) hoặc thuật toán EM. Xóa bỏ các quan sát thiếu quá nhiều thông tin.

4.2 Đánh giá Mô hình Đo lường (Measurement Model)

• Mô hình Phản ánh (Reflective):
  • Hệ số tải (Outer Loadings): Phải >= 0.708 (để phương sai trích xuất > 50%).
  • Độ tin cậy nhất quán nội bộ: Báo cáo Rho_A và Độ tin cậy tổng hợp (CR). Ngưỡng chấp nhận: 0.70 – 0.95. Lưu ý: Nếu > 0.95, các câu hỏi có thể bị trùng lặp nội dung (redundant).
  • Giá trị hội tụ (AVE): Phải >= 0.50.
  • Giá trị phân biệt (Discriminant Validity):BẮT BUỘC dùng HTMT (Heterotrait-Monotrait Ratio).
    • HTMT < 0.85 (cho các khái niệm khác biệt).
    • HTMT < 0.90 (cho các khái niệm tương đồng).
    • Khoảng tin cậy của HTMT không được chứa giá trị 1.
    • Tuyệt đối không chỉ dùng tiêu chuẩn Fornell-Larcker vì độ nhạy kém.
• Mô hình Kết quả (Formative):
  • Đa cộng tuyến: VIF < 3 (ngưỡng khắt khe).
  • Trọng số (Outer Weights): Phải có ý nghĩa thống kê (p < 0.05). Nếu không, phải kiểm tra hệ số tải (loadings).

4.3 Đánh giá Mô hình Cấu trúc (Structural Model)

• Kiểm định giả thuyết: Sử dụng kỹ thuật Bootstrapping với tối thiểu 10.000 mẫu lặp lại (bootstrap samples). Báo cáo khoảng tin cậy (Confidence Interval – CI) hiệu chỉnh sai lệch (BCa).
• Nội sinh (Endogeneity): Sử dụng phương pháp Gaussian Copula để kiểm tra xem có biến nội sinh nào gây sai lệch kết quả hay không.
• Dự báo: Bắt buộc báo cáo các chỉ số Q^2_{predict}, RMSE, MAE.

5. Hướng Dẫn Ứng Dụng (Implications)

5.1 Hướng dẫn ứng dụng vào thực tiễn nghiên cứu (Academic Implications)

• Cập nhật phương pháp luận: Nhà nghiên cứu cần dũng cảm loại bỏ các thói quen cũ. Hãy áp dụng ngay CVPAT và NCA vào bài làm để tạo sự khác biệt.
• Tính minh bạch và Khoa học mở (Open Science): Cộng đồng học thuật đang hướng tới sự minh bạch tuyệt đối. Khuyến khích thực hành đăng ký trước (preregistration) thiết kế nghiên cứu (Adler et al., 2023) để tăng độ tin cậy và tránh hiện tượng “HARKing” (Hypothesizing After the Results are Known – Đặt giả thuyết sau khi đã biết kết quả).
• Lựa chọn công cụ chiến lược: Đánh giá việc sử dụng HOCs hoặc CoMe ngay từ giai đoạn lập kế hoạch và thiết kế bảng câu hỏi. Đừng đợi đến khi thu thập dữ liệu xong mới cố gắng “nhồi nhét” các kỹ thuật này vào.

5.2 Ứng dụng quản trị doanh nghiệp (Managerial Implications)

Nghiên cứu khoa học phải phục vụ thực tiễn. Các công cụ mới giúp chuyển hóa số liệu thành chiến lược kinh doanh:

• Ra quyết định dựa trên dự báo: Thay vì chỉ nói “A ảnh hưởng đến B”, hãy sử dụng kết quả CVPAT/PLSpredict để cung cấp cho doanh nghiệp các kịch bản dự báo chính xác (Ví dụ: Dự báo tỷ lệ rời bỏ khách hàng với sai số cụ thể).
• Phân bổ nguồn lực tối ưu (cIPMA): Kết hợp bản đồ Tầm quan trọng – Hiệu suất (IPMA) với phân tích điều kiện cần (NCA).
  • IPMA chỉ ra yếu tố nào cần cải thiện để tăng hiệu suất (Ví dụ: Tăng khuyến mãi).
  • NCA chỉ ra yếu tố nào là bắt buộc phải có để không bị loại khỏi thị trường (Ví dụ: An toàn thanh toán).
  • Điều này giúp nhà quản lý biết đâu là nơi để tập trung ngân sách.

5.3 Những mặt hạn chế & Khoảng trống nghiên cứu (Limitations)

• Nhận thức hạn chế: Rào cản lớn nhất không phải là công nghệ, mà là nhận thức. Nhiều nhà nghiên cứu vẫn chưa biết đến sự tồn tại của các công cụ mới này.
• Độ phức tạp: Việc áp dụng GSCA, NCA hay xử lý nội sinh đòi hỏi kiến thức thống kê sâu hơn và kỹ năng sử dụng phần mềm thành thạo (dù SmartPLS 4 đã hỗ trợ rất nhiều).
• Cơ hội nghiên cứu tương lai:
  • So sánh hiệu quả giữa GSCA và PLS-SEM trong các bối cảnh dữ liệu cực đoan (mẫu rất nhỏ, phân phối rất lệch).
  • Áp dụng rộng rãi CoMe (Trung gian có điều kiện) trong các nghiên cứu hành vi người tiêu dùng phức tạp để hiểu sâu hơn về tâm lý khách hàng.

6. Các Câu Hỏi Thường Gặp (FAQ)

Tại sao tôi phải dùng HTMT thay vì Fornell-Larcker?

Các nghiên cứu mô phỏng (Henseler et al., 2015) đã chứng minh Fornell-Larcker không đủ độ nhạy (sensitivity) để phát hiện sự thiếu giá trị phân biệt. Nói cách khác, Fornell-Larcker thường cho kết quả “đạt” ngay cả khi hai biến thực chất là giống nhau. HTMT khắc phục được điều này và hiện là tiêu chuẩn vàng.

Khi nào nên dùng Cấu trúc bậc cao (HOCs)?

Bạn nên dùng HOCs khi khái niệm nghiên cứu quá trừu tượng và bao gồm nhiều thành phần con (sub-dimensions) mà việc đo lường đơn lẻ không thể bao quát hết. Ví dụ: “Trách nhiệm xã hội doanh nghiệp (CSR)” bao gồm Kinh tế, Pháp lý, Đạo đức, Từ thiện. Sử dụng HOCs còn giúp giảm đa cộng tuyến trong mô hình cấu trúc.

Sự khác biệt lớn nhất giữa Logic Cần (NCA) và Logic Đủ (PLS) là gì?

PLS dựa trên tương quan tuyến tính: “Làm A nhiều hơn sẽ tăng B nhiều hơn”. NCA dựa trên logic tập hợp: “Phải có tối thiểu mức A này thì B mới tồn tại”. PLS giúp tối đa hóa thành công, còn NCA giúp ngăn ngừa thất bại. Kết hợp cả hai sẽ cho cái nhìn toàn diện 360 độ.

7. Kết Luận (Conclusion)

Lĩnh vực Hệ thống thông tin (IS) đang đứng trước ngưỡng cửa của sự đổi mới phương pháp luận. Việc tiếp tục thực hành đúng đắn bằng cách cải thiện báo cáo các chỉ số đánh giá PLS-SEM là chưa đủ; chúng ta cần một bước nhảy vọt về chất lượng phân tích. Bài viết này đã cung cấp một bản đồ chi tiết về:

• Công cụ Thiết yếu: Củng cố lại cách dùng đúng đắn của Dự báo, Trung gian, Điều tiết.
• Công cụ Mới nổi: Mở ra hướng đi mới đầy tiềm năng với CVPAT, NCA, GSCA.

Các nhà nghiên cứu được khuyến khích không chỉ dừng lại ở việc giải thích (Explanation) quá khứ mà hãy tiến tới dự báo (Prediction) tương lai và xác định các điều kiện cần (Necessity) cốt lõi. Đây chính là chìa khóa để nghiên cứu khoa học IS thực sự đóng góp giá trị cho xã hội và doanh nghiệp.

8. Tài Liệu Tham Khảo (References)

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, 114291, doi: 10.1016/j.jbusres.2023.114291.

Becker, J.M., Klein, K. and Wetzels, M. (2012), “Hierarchical latent variable models in PLS-SEM: guidelines for using reflective-formative type models”, Long Range Planning, Vol. 45 Nos 5-6, pp. 5-6, doi: 10.1016/j.lrp.2012.10.001.

Becker, J.M., Rai, A., Ringle, C.M. and Völckner, F. (2013), “Discovering unobserved heterogeneity in structural equation models to avert validity threats”, MISQ, Vol. 37 No. 3, pp. 665-694, doi: 10.25300/misq/2013/37.3.01.

Becker, J.M., Ringle, C.M. and Sarstedt, M. (2018), “Estimating moderating effects in PLS-SEM and PLSC-SEM: interaction term generation data treatment”, Journal of Applied Structural Equation Modeling, Vol. 2 No. 2, pp. 1-21, doi: 10.47263/jasem.2(2)01.

Becker, J.M., Proksch, D. and Ringle, C.M. (2022), “Revisiting Gaussian copulas to handle endogenous regressors”, Journal of the Academy of Marketing Science, Vol. 50 No. 1, pp. 46-66, doi: 10.1007/s11747-021-00805-y.

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, doi: 10.1108/IJCHM-04-2022-0474.

Benitez, J., Henseler, J. and Roldán, J.L.J.L. (2016), “How to address endogeneity in partial least squares path modeling”, Twenty-Second Americas Conference on Information Systems, pp. 1-10.

Bergh, D.D., Boyd, B.K., Byron, K., Gove, S. and Ketchen, D.J. (2022), “What constitutes a methodological contribution?”, Journal of Management, Vol. 48 No. 7, pp. 1835-1848, doi: 10.1177/01492063221088235.

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 Basic Concepts, Methodological Issues and Applications, Springer Nature, Switzerland, AG, pp. 231-239.

Cheah, J.H., Thurasamy, R., Memon, M.A., Chuah, F. and Ting, H. (2020), “Multigroup analysis using SmartPLS: step-by-step guidelines for business research”, Asian Journal of Business Research, Vol. 10 No. 3, doi: 10.14707/ajbr.200087.

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: the DATABASE for advances in information systems”, ACM SIGMIS Database: The DATABASE for Advances in Information Systems, Vol. 52, SI, pp. 43-100, doi: 10.1145/3505639.3505645.

Cheah, J.H., Amaro, S. and Roldán, J.L. (2023), “Multigroup analysis of more than two groups in PLS-SEM: a review, illustration, and recommendations”, Journal of Business Research, Vol. 156, 113539, doi: 10.1016/j.jbusres.2022.113539.

Chin, W., Cheah, J.H., Liu, Y., Ting, H., Lim, X.J. and Cham, T.H. (2020), “Demystifying the role of causal-predictive modeling using partial least squares structural equation modeling in information systems research”, Industrial Management and Data Systems, Vol. 120 No. 12, pp. 2161-2209, doi: 10.1108/imds-10-2019-0529.

Cho, G., Kim, S., Lee, J., Hwang, H., Sarstedt, M. and Ringle, C.M. (2023), “A comparative study of the predictive power of component-based approaches to structural equation modeling”, European Journal of Marketing, Vol. 57 No. 6, pp. 1641-1661, doi: 10.1108/ejm-07-2020-0542.

Ciavolino, E., Aria, M., Cheah, J.-H. and Roldán, J.L. (2022), “A tale of PLS structural equation modelling: episode I a bibliometrix citation analysis”, Social Indicators Research, Vol. 164 No. 3, pp. 1323-1348, doi: 10.1007/s11205-022-02994-7.

Colquitt, J.A. and Zapata-Phelan, C.P. (2007), “Trends in theory building and theory testing: a five-decade study of the Academy of Management Journal”, Academy of Management Journal, Vol. 50 No. 6, pp. 1281-1303, doi: 10.5465/AMJ.2007.28165855.

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, Vol. 52, SI, pp. 24-42, doi: 10.1145/3505639.3505644.

Danks, N.P. and Ray, S. (2018), “Predictions from partial least squares models”, in Ali, F., Rasoolimanesh, S. and Cobanoglu, C. (Eds), Applying Partial Least Squares in Tourism and Hospitality Research, Emerald Publishing, pp. 35-52, doi: 10.1108/978-1-78756-699-620181003.

Danks, N.P., Sharma, P.N. and Sarstedt, M. (2020), “Model selection uncertainty and multimodel inference in partial least squares structural equation modeling (PLS-SEM)”, Journal of Business Research, Vol. 113, pp. 13-24, doi: 10.1016/j.jbusres.2020.03.019.

Diamantopoulos, A., Schlegelmilch, B. and Halkias, G. (2023), Taking the Fear Out of Data Analysis, 2nd ed., Edward Elgar Publishing, doi: 10.4337/9781803929842.

Edwards, J.R. and Lambert, L.S. (2007), “Methods for integrating moderation and mediation: a general analytical framework using moderated path analysis”, Psychological methods, Vol. 12 No. 1, p. 1.

Fornell, C.G. and Bookstein, F.L. (1982), “Two structural equation models: LISREL and PLS applied to consumer exit-voice theory”, Journal of Marketing Research, Vol. 19 No. 4, pp. 440-452, doi: 10.1177/002224378201900406.

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”, in Latan, H., Hair, J.F.J. and Noonan, R. (Eds), Partial Least Squares Path Modeling, Springer International Publishing, pp. 209-228, doi: 10.1007/978-3-031-37772-3_8.

Gefen, D., Straub, D.W. and Rigdon, E.E. (2011), “An update and extension to SEM guidelines for administrative and social science research”, MISQ, Vol. 35 No. 2, pp. iii-xiv, doi: 10.2307/23044042.

Guenther, P., Guenther, M., Ringle, C.M., Zaefarian, G. and Cartwright, S. (2023), “Improving PLS-SEM use for business marketing research”, Industrial Marketing Management, Vol. 111, pp. 127-142, doi: 10.1016/j.indmarman.2023.03.010.

Hair, J.F. (2021), “Next generation prediction metrics for composite-based PLS-SEM”, Industrial Management and Data Systems, Vol. 121 No. 1, pp. 5-11, doi: 10.1108/IMDS-08-2020-0505.

Hair, J.F. and Sarstedt, M. (2021), “Explanation plus prediction the logical focus of project management research”, Project Management Journal, Vol. 52 No. 4, pp. 319-322, doi: 10.1177/8756972821999945.

Hair, J.F., Hollingsworth, C.L., Randolph, A.B. and Chong, A.Y.L. (2017a), “An updated and expanded assessment of PLS-SEM in information systems research”, Industrial Management and Data Systems, Vol. 117 No. 3, pp. 442-458, doi: 10.1108/imds-04-2016-0130.

Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M. and Thiele, K.O. (2017b), “Mirror, mirror on the wall: a comparative evaluation of composite-based structural equation modeling methods”, Journal of the Academy of Marketing Science, Vol. 45 No. 5, pp. 616-632, doi: 10.1007/s11747-017-0517-x.

Hair, J.F., Ringle, C.M., Gudergan, S.P., Fischer, A., Nitzl, C. and Menictas, C. (2019), “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, doi: 10.1007/s40685-018-0072-4.

Hair, J.F., Risher, J., Sarstedt, M. and Ringle, C. (2019a), “When to use and how to report the results of PLS-SEM”, European Business Review, Vol. 31 No. 1, pp. 2-24, doi: 10.1108/ebr-11-2018-0203.

Hair, J.F., Howard, M. and Nitzl, C. (2020), “Assessing measurement model quality in PLS-SEM using confirmatory composite analysis”, Journal of Business Research, Vol. 109, pp. 101-110, doi: 10.1016/j.jbusres.2019.11.069.

Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M., Danks, N.P. and Ray, S. (2021), Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R, Springer, New York.

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, Los Angeles, CA.

Hair, J.F., Sharma, P.N., Sarstedt, M., Ringle, C.M. and Liengaard, B.D. (2024b), “The shortcomings of equal weights estimation and the composite equivalence index in PLS-SEM”, European Journal of Marketing, Vol. 58 No. 13, pp. 30-55, doi: 10.1108/EJM-04-2023-0307.

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, Vol. 78, January, 103723, doi: 10.1016/j.jretconser.2024.103723.

Hayes, A.F. (2018), “Partial, conditional, and moderated moderated mediation: quantification, inference, and interpretation”, Communication Monographs, Vol. 85 No. 1, pp. 4-40.

Henseler, J., Ringle, C. and Sarstedt, M. (2016), “Testing measurement invariance of composites using partial least squares”, International Marketing Review, Vol. 33 No. 3, pp. 405-431, doi: 10.1108/imr-09-2014-0304.

Hult, T., Hair, J.F., Proksch, D., Sarstedt, M., Pinkwart, A. and Ringle, C. (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, doi: 10.1509/jim.17.0151.

Hwang, H. and Cho, G. (2020), “Global least squares path modeling: a full-information alternative to partial least squares path modeling”, Psychometrika, Vol. 85 No. 4, pp. 947-972, doi: 10.1007/s11336-020-09733-2.

Hwang, H. and Takane, Y. (2004), “Generalized structured component analysis”, Psychometrika, Vol. 69 No. 1, pp. 81-99, doi: 10.1007/bf02295841.

Hwang, H. and Takane, Y. (2014), Generalized Structured Component Analysis: A Component-Based Approach to Structural Equation Modeling, Chapman and Hall/CRC Press, New York, NY.

Hwang, H., Cho, G., Jung, K., Falk, C.F., Flake, J.K., Jin, M.J. and Lee, S.H. (2021), “An approach to structural equation modeling with both factors and components: integrated generalized structured component analysis”, Psychological Methods, Vol. 26 No. 3, pp. 273-294, doi: 10.1037/met0000336.

Hwang, H., Sarstedt, M., Cho, G., Choo, H. and Ringle, C.M. (2023a), “A primer on integrated generalized structured component analysis”, European Business Review, Vol. 35 No. 3, pp. 261-284, doi: 10.1108/EBR-11-2022-0224.

Hwang, H., Cho, G. and Choo, H. (2023b), “GSCA pro-free stand-alone software for structural equation modeling”, Structural Equation Modeling: A Multidisciplinary Journal, pp. 1-16, doi: 10.1080/10705511.2023.2272294.

Klesel, M., Schuberth, F., Niehaves, B. and Henseler, J. (2022), “Multigroup analysis in information systems research using PLS-PM: a systematic investigation of approaches”, ACM SIGMIS Database: The DATABASE for Advances in Information Systems, Vol. 53 No. 3, pp. 26-48, doi: 10.1145/3551783.3551787.

Kock, N. (2015), “One-tailed or two-tailed P values in PLS-SEM?”, International Journal of E-Collaboration, Vol. 11 No. 2, pp. 1-7, doi: 10.4018/ijec.2015040101.

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, doi: 10.1111/isj.12131.

Lachowicz, M.J., Preacher, K.J. and Kelley, K. (2018), “A novel measure of effect size for mediation analysis”, Psychological Methods, Vol. 23 No. 2, pp. 244-261, doi: 10.1037/met0000165.

Latan, H., Hair, J.F., Jr, Noonan, R. and Sabol, M.A. (2023b), “Partial least squares path modeling and selected structural equation modelling alternatives: basic concepts and recent methodological enhancements”, in Latan, H., Hair, J.F. Jr and Noonan, R. (Eds), Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications, 2nd ed., Springer, Cham.

Liengaard, B.D. (2024), “Measurement invariance testing in partial least squares structural equation modeling”, Journal of Business Research, Vol. 177, January, 114581, doi: 10.1016/j.jbusres.2024.114581.

Liengaard, B.D., Sharma, P., Hult, T., Jensen, M., Sarstedt, M., Hair, J.F. and Ringle, C. (2021), “Prediction: coveted, yet forsaken? Introducing a cross-validated predictive ability test in partial least squares path modeling”, Decision Sciences, Vol. 52 No. 2, pp. 362-392, doi: 10.1111/deci.12445.

Manley, S.C., Hair, J.F., Williams, R.I. and McDowell, W.C. (2021), “Essential new PLS-SEM analysis methods for your entrepreneurship analytical toolbox”, International Entrepreneurship and Management Journal, Vol. 17 No. 4, pp. 1805-1825, doi: 10.1007/s11365-020-00687-6.

Memon, M.A., Cheah, J.-H., Ramayah, T., Ting, H., Chuah, F. and Cham, T.H. (2019), “Moderation analysis: issues and guidelines”, Journal of Applied Structural Equation Modeling, Vol. 3 No. 1, pp. i-ix, doi: 10.47263/jasem.3(1)01.

Mithas, S., Xue, L., Huang, N. and Burton-Jones, A. (2022), “Editor’s comments: causality meets diversity in information systems research”, MIS Quarterly, Vol. 46 No. 3, pp. iii-xviii.

Nitzl, C., Roldan, J.L. and Cepeda, G. (2016), “Mediation analysis in partial least squares path modeling: helping researchers discuss more sophisticated models”, Industrial Management and Data Systems, Vol. 116 No. 9, pp. 1849-1864, doi: 10.1108/imds-07-2015-0302.

Ogbeibu, S. and Gaskin, J. (2023), “Back from the future: mediation and prediction of events uncertainty through event-driven models (EDMS)”, FIIB Business Review, Vol. 12 No. 1, pp. 10-19, doi: 10.1177/23197145221121084.

Patel, V.K., Manley, S.C., Hair, J.F., Jr, Ferrell, O.C. and Pieper, T. (2016), “Is stakeholder theory relevant for European firms?”, European Management Journal, Vol. 36 No. 6, pp. 650-660, doi: 10.1016/j.emj.2016.07.001.

Preacher, K.J., Rucker, D.D. and Hayes, A.F. (2007), “Addressing moderated mediation hypotheses: Theory, methods, and prescriptions”, Multivariate Behavioral Research, Vol. 42 No. 1, pp. 185-227.

Rasoolimanesh, S.M., Wang, M., Roldán, J.L. and Kunasekaran, P. (2021), “Are we in right path for mediation analysis? Reviewing the literature and proposing robust guidelines”, Journal of Hospitality and Tourism Management, Vol. 48, July, pp. 395-405, doi: 10.1016/j.jhtm.2021.07.013.

Richter, N.F. and Hauff, S. (2022), “Necessary conditions in international business research: advancing the field with a new perspective on causality and data analysis”, Journal of World Business, Vol. 57 No. 5, 101310, doi: 10.1016/j.jwb.2022.101310.

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, Vol. 120 No. 12, pp. 2243-2267, doi: 10.1108/imds-11-2019-0638.

Richter, N.F., Hauff, S., Ringle, C.M., Sarstedt, M., Kolev, A.E. and Schubring, S. (2024), “How to apply necessary condition analysis in PLS-SEM”, in Latan, H., HairJr., J.F. and Noonan, R. (Eds), Partial Least Squares Path Modeling Basic Concepts, Methodological Issues and Applications, Springer Nature, Switzerland, AG, pp. 231-239.

Rigdon, E., Sarstedt, M. and Moisescu, O. (2023), “Quantifying model selection uncertainty via bootstrapping and Akaike weights”, International Journal of Consumer Studies, Vol. 47 No. 4, pp. 1596-1608, doi: 10.1111/ijcs.12906.

Ringle, C.M. and Sarstedt, M. (2016), “Gain more insight from your PLS-SEM results. The importance-performance map analysis”, Industrial Management and Data Systems, Vol. 116 No. 9, pp. 1865-1886, doi: 10.1108/IMDS-10-2015-0449.

Ringle, C.M., Wende, S. and Becker, J.M. (2022), SmartPLS 4.0, SmartPLS, Oststeinbek, available at: https://www.smartpls.com

Rucker, D.D. and Preacher, K.J. (2019), “Mediation analysis in consumer psychology: models, methods, and considerations”, in Kardes, F.R., Herr, P.M. and Schwarz, N. (Eds), Handbook of Research Methods in Consumer Psychology, Routledge, pp. 373-384, doi: 10.4324/9781351137713.

Sabol, M., Hair, J.F. Jr, Cepeda, G., Roldán, J. and Chong, A.Y. (2023), “PLS-SEM in information systems: seizing the opportunity and marching ahead full speed”, Industrial Management and Data Systems, Vol. 123 No. 12, pp. 2997-3017, doi: 10.1108/imds-07-2023-0429.

Sarstedt, M. and Moisescu, O.-I. (2024), “Quantifying uncertainty in PLS-SEM-based mediation analyses”, Journal of Marketing Analytics, Vol. 12 No. 1, pp. 87-96, doi: 10.1057/s41270-023-00231-9.

Sarstedt, M., Henseler, J. and Ringle, C.M. (2011), “Multigroup analysis in partial least squares (PLS) path modeling: alternative methods and empirical results”, Advances in International Marketing, Vol. 22 No. 1, pp. 195-218, doi: 10.1108/s1474-7979(2011)0000022012.

Sarstedt, M., Hair, J.F., Jr, Cheah, J.(J.), Becker, J.-M. and Ringle, C.M. (2019), “How to specify, estimate, and validate higher-order constructs in PLS-SEM”, Australasian Marketing Journal, Vol. 27 No. 3, pp. 197-211, doi: 10.1016/j.ausmj.2019.05.003.

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, Vol. 62 No. 3, pp. 288-299, doi: 10.1177/1470785320915686.

Sarstedt, M., Hair, J.F. and Ringle, C.M. (2022a), “PLS-SEM: indeed a silver bullet – retrospective observations and recent advances”, Journal of Marketing Theory and Practice, Vol. 31 No. 3, pp. 261-275, doi: 10.1080/10696679.2022.2056488.

Sarstedt, M., Radomir, L., Moisescu, O.I. and Ringle, C.M. (2022b), “Latent class analysis in PLS-SEM: a review and recommendations for future applications”, Journal of Business Research, Vol. 138, pp. 398-407, doi: 10.1016/j.jbusres.2021.08.051.

Sarstedt, M., Hair, J.F., Pick, M., Liengaard, B., Radomir, L. and Ringle, C.M. (2022c), “Progress in partial least squares structural equation modeling use in marketing research in the last decade”, Psychology and Marketing, Vol. 39 No. 5, pp. 1-30, January 2022 doi: 10.1002/mar.21640.

Schuberth, F., Rademaker, M.E. and Henseler, J. (2020), “Estimating and assessing second-order constructs using PLS-PM: the case of composites of composites”, Industrial Management and Data Systems, Vol. 120 No. 12, pp. 2211-2241, doi: 10.1108/imds-12-2019-0642.

Sharma, P., Sarstedt, M., Shmueli, G., Kim, K.H. and Thiele, K.O. (2019), “PLS-based model selection: the role of alternative explanations in information systems research”, Journal of the Association for Information Systems, Vol. 20 No. 4, pp. 4-397, doi: 10.17705/1jais.00538.

Sharma, P.N., Shmueli, G., Sarstedt, M., Danks, N. and Ray, S. (2021), “Prediction-oriented model selection in partial least squares path modeling”, Decision Sciences, Vol. 52 No. 3, pp. 567-607, doi: 10.1111/deci.12329.

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, Vol. 57 No. 6, pp. 1662-1677, doi: 10.1108/ejm-08-2020-0636.

Shiau, W.-L., Yuan, Y., Pu, X., Ray, S. and Chen, C.C. (2020), “Understanding Fintech continuance: perspectives from self-efficacy and ECT-IS theories”, Industrial Management and Data Systems, Vol. 120 No. 9, pp. 1659-1689, doi: 10.1108/imds-02-2020-0069.

Shiau, W.L., Chau, P.Y.K., Thatcher, J.B., Teng, C.I. and Dwivedi, Y.K. (2024), “Have we controlled properly? Problems with and recommendations for the use of control variables in information systems research”, International Journal of Information Management, Vol. 74 No. 74, 102702, doi: 10.1016/j.ijinfomgt.2023.102702.

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, doi: 10.1108/EJM-02-2019-0189.

Sukhov, A., Olsson, L.E. and Friman, M. (2022), “Necessary and sufficient conditions for attractive public Transport: combined use of PLS-SEM and NCA”, Transportation Research Part A: Policy and Practice, Vol. 158, pp. 239-250, doi: 10.1016/j.tra.2022.03.012.

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, Vol. 74, 103424, doi: 10.1016/j.jretconser.2023.103424.

Wold, H. (1966), “Nonlinear estimation by iterative least squares procedures”, in David, F.N. (Ed.), Research Papers in Statistics: Festschrift for J. Neyman, Wiley, New York, pp. 411-444.

Yzerbyt, V., Muller, D., Batailler, C. and Judd, C.M. (2018), “New recommendations for testing indirect effects in mediational models: the need to report and test component paths”, Journal of Personality and Social Psychology, Vol. 115 No. 6, pp. 929-943, doi: 10.1037/pspa0000132.

Zhao, X., Lynch, J.G. and Chen, Q. (2010), “Reconsidering Baron and Kenny: Myths and Truths about mediation analysis”, Journal of Consumer Research, Vol. 37 No. 2, pp. 197-206, doi: 10.1086/651257.

Tài liệu đọc thêm

Basco, R., Hair, Jr., J.F., Ringle, C.M. and Sarstedt, M. (2021), “Advancing family business research through modeling nonlinear relationships: comparing PLS-SEM and multiple regression”, Journal of Family Business Strategy, Vol. 13 No. 3, 100457, doi: 10.1016/j.jfbs.2021.100457.

Cepeda-Carrión, G.C., Nitzl, C. and Roldán, J.L. (2017), “Mediation analyses in partial least squares structural equation modeling: guidelines and empirical examples”, Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications, pp. 173-195, doi: 10.1007/978-3-319-64069-3_8.

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, Vol. 53 No. 4, pp. 566-584, doi: 10.1108/ejm-10-2018-0665.

Latan, H., Hair, J.F. Jr and Noonan, R. (2023a), Partial Least Squares Path Modeling – Basic Concepts, Methodological Issues and Applications, Springer Nature, Switzerland, AG, pp. 231-239.

Legate, A., Hair, J.F., Chretien, J. and Risher, J. (2022), “PLS-SEM: prediction-oriented solutions for HRD researchers”, Human Resource Development Quarterly, Vol. 34 No. 1, pp. 91-109, doi: 10.1002/hrdq.21466.

Lin, C. and Lin, M. (2019), “The determinants of using cloud supply chain adoption”, Industrial Management and Data Systems, Vol. 119 No. 2, pp. 351-366, doi: 10.1108/imds-12-2017-0589.

Nitzl, C. (2016), “The use of partial least squares structural equation modelling (PLS-SEM) in management accounting research: directions for future theory development”, Journal of Accounting Literature, Vol. 37 No. 1, pp. 19-35, doi: 10.1016/j.acclit.2016.09.003.

Sarstedt, M. and Danks, N.P. (2022), “Prediction in HRM research-a gap between rhetoric and reality”, Human Resource Management Journal, Vol. 32 No. 2, pp. 485-513, doi: 10.1111/1748-8583.12400.

Schuberth, F., Henseler, J. and Dijkstra, T.K. (2018), “Confirmatory composite analysis”, Frontiers in Psychology, Vol. 9, p. 2541, doi: 10.3389/fpsyg.2018.02541.

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”, Communications of the Association for Information Systems, Vol. 52 No. 1, pp. 739-742, In Press, doi: 10.17705/1cais.05234.

Swartz, N. (n.d.), “Conditions necessary for the identification of or operation of causal relationships”, Simon Fraser University, available from: https://www.sfu.ca/~swartz/conditions1.htm

Trong bối cảnh các tạp chí hàng đầu (Q1/A*) ngày càng khắt khe về tính chính xác của phương pháp luận, việc sử dụng các tài liệu hướng dẫn thứ cấp có thể dẫn đến những sai sót không đáng có. Để đảm bảo nghiên cứu của bạn tuân thủ tuyệt đối các tiêu chuẩn báo cáo mới nhất về CVPAT, NCA và GSCA, tôi khuyến nghị bạn tham chiếu trực tiếp từng công thức và quy trình từ tài liệu gốc:

TẢI TOÀN VĂN BÀI BÁO (PDF):

Cepeda, G., Roldán, J. L., Sabol, M., Hair, J., & Chong, A. Y. L. (2024). Emerging opportunities for information systems researchers to expand their PLS-SEM analytical toolbox. Industrial Management & Data Systems, 124(6), 2230-2250. https://doi.org/10.1108/IMDS-08-2023-0580