Phân Tích Cấu Trúc Đa Nhóm Multigroup MGA Trong PLS-SEM

Phân tích cấu trúc đa nhóm Multigroup MGA là kỹ thuật thống kê dùng để kiểm định xem có sự khác biệt có ý nghĩa thống kê về các hệ số đường dẫn cấu trúc giữa hai hay nhiều nhóm đối tượng khảo sát riêng biệt (như Giới tính: Nam vs Nữ, Độ tuổi: Trẻ vs Trưởng thành, Khách hàng: Mới vs Trung thành) hay không. Trong phân tích mô hình phương trình cấu trúc PLS-SEM, MGA là công cụ nghiên cứu mạnh mẽ giúp khám phá các hiệu ứng điều tiết của các biến phân loại danh nghĩa, giúp các nhà quản trị nhận diện sự khác biệt sâu sắc trong hành vi của từng phân khúc thị trường.

Mục đích nghiên cứu và bản chất phương pháp luận của PLS-MGA

Khi xây dựng mô hình nghiên cứu, một giả định ngầm định là toàn bộ tập dữ liệu mẫu đều đồng nhất và chịu sự chi phối của cùng một quy luật nhân quả. Tuy nhiên, trong thực tế hành vi xã hội, cùng một chính sách khuyến mại hay trải nghiệm dịch vụ có thể tạo ra phản ứng tâm lý hoàn toàn trái ngược giữa khách hàng nam và khách hàng nữ, hoặc giữa người có thu nhập cao và người có thu nhập thấp.

Phân tích cấu trúc đa nhóm Multigroup MGA trả lời câu hỏi: “Hệ số tác động từ biến X sang biến Y ở nhóm 1 (β₁) có thực sự khác biệt có ý nghĩa thống kê so với hệ số tác động ở nhóm 2 (β₂) hay sự chênh lệch đó chỉ là do ngẫu nhiên của mẫu khảo sát?”

“MGA là chiếc kính hiển vi giúp bạn bóc tách từng phân khúc khách hàng: Nó chứng minh rằng một chiến lược kinh doanh không thể áp dụng rập khuôn cho mọi nhóm đối tượng mà phải được tùy biến theo đặc tính riêng của từng nhóm.”

Điều kiện tiên quyết bắt buộc: Quy trình kiểm định tính bất biến đo lường MICOM

Trước khi tiến hành so sánh hệ số đường dẫn giữa các nhóm, nhà nghiên cứu bắt buộc phải chứng minh rằng thang đo đo lường được hiểu theo cùng một cách giống nhau ở tất cả các nhóm. Nếu tính bất biến đo lường (Measurement Invariance) bị vi phạm, mọi sự khác biệt tìm thấy ở mô hình cấu trúc có thể là do các nhóm hiểu câu hỏi khảo sát theo nghĩa khác nhau chứ không phải do sự khác biệt thực tế về bản chất hành vi.

Henseler, Ringle, & Sarstedt (2016) đã thiết lập quy trình MICOM (Measurement Invariance of Composite Models) gồm 3 bước kiểm tra tuần tự:

Bước 1: Bất biến về mặt hình thức (Configural Invariance)

Bảo đảm rằng mô hình nghiên cứu ở tất cả các nhóm đều có cùng cấu trúc đồ họa: cùng số lượng biến tiềm ẩn, cùng các biến quan sát chỉ báo và cùng thuật toán xử lý dữ liệu. Bước này đạt được thông qua thiết kế nghiên cứu thống nhất.

Bước 2: Bất biến về mặt thành phần (Compositional Invariance)

Kiểm định xem các trọng số của biến chỉ báo có tạo ra cùng một biến tiềm ẩn tổng hợp giữa hai nhóm hay không. Thuật toán hoán vị (Permutation Test) tính toán hệ số tương quan c giữa điểm số biến tiềm ẩn của hai nhóm: Nếu hệ số c có ý nghĩa thống kê lớn hơn giá trị tới hạn 5% của phân phối hoán vị (p-value > 0.05), ta kết luận đạt tính bất biến thành phần.

Bước 3: Bất biến về giá trị trung bình và phương sai (Equality of Composite Mean and Variance)

Kiểm tra xem giá trị trung bình và phương sai của các biến tiềm ẩn có bằng nhau giữa các nhóm hay không.

• Nếu cả Bước 1, Bước 2 và Bước 3 đều được thỏa mãn: Đạt Bất biến đo lường toàn phần (Full Measurement Invariance), cho phép gộp mẫu và so sánh điểm số trung bình.
• Nếu chỉ đạt Bước 1 và Bước 2: Đạt Bất biến đo lường một phần (Partial Measurement Invariance). Mức độ này hoàn toàn đủ điều kiện pháp lý để tiến hành so sánh các hệ số đường dẫn cấu trúc trong PLS-MGA.

Bảng tổng hợp quy trình kiểm định MICOM 3 bước

Dưới đây là bảng tra cứu các bước kiểm định tính bất biến đo lường:

Bước kiểm định	Nội dung kiểm tra	Tiêu chí đánh giá	Kết luận điều kiện
Bước 1: Configural	Cấu trúc mô hình giống nhau	Thiết lập thuật toán và sơ đồ giống nhau ở các nhóm	Bắt buộc đạt được
Bước 2: Compositional	Tương quan điểm số biến tiềm ẩn	Hệ số tương quan c > ngưỡng tới hạn 5% (p > 0.05)	Đạt bất biến một phần → Được phép chạy MGA
Bước 3a: Mean Equality	Bằng nhau về giá trị trung bình	Độ chênh lệch trung bình nằm trong khoảng tin cậy 95%	Kiểm tra điều kiện gộp mẫu
Bước 3b: Variance Equality	Bằng nhau về phương sai	Độ chênh lệch log phương sai nằm trong khoảng 95%	Đạt bất biến toàn phần (Full Invariance)

Các phương pháp kiểm định khác biệt hệ số đường dẫn trong PLS-MGA

Khi đã thỏa mãn điều kiện MICOM, phần mềm SmartPLS cung cấp 3 kiểm định đối chiếu hệ số đường dẫn cấu trúc:

• Henseler’s MGA (Kiểm định phi tham số của Henseler): Phương pháp nguyên bản so sánh trực tiếp các phân phối Bootstrap của hai nhóm. Sự khác biệt giữa hai hệ số đường dẫn (|β₁ – β₂|) được kết luận có ý nghĩa thống kê ở mức 5% khi giá trị p-value của MGA nhỏ hơn 0.05 hoặc lớn hơn 0.95.
• Kiểm định hoán vị (Permutation Test): Phương pháp đối chuẩn ngẫu nhiên hoán vị dữ liệu giữa hai nhóm; p-value < 0.05 khẳng định có sự khác biệt thực sự.
• Kiểm định tham số Welch-Satterthwaite t-test: Tương tự kiểm định t-test hai mẫu độc lập không đòi hỏi phương sai đồng nhất.

Nghiên cứu tình huống phân tích MGA so sánh hành vi mua sắm giữa Gen Z và Millennials

Để minh họa rõ nét cách vận hành của Phân tích cấu trúc đa nhóm Multigroup MGA, chúng ta khảo sát một nghiên cứu so sánh hành vi mua sắm thời trang qua mạng xã hội giữa nhóm Gen Z (18 – 25 tuổi, N = 240) và nhóm Millennials (26 – 40 tuổi, N = 220):

• Kết quả kiểm định bất biến đo lường MICOM:

• Bước 1 (Configural Invariance): Đạt chuẩn do cả hai nhóm sử dụng cùng sơ đồ mô hình SmartPLS.
• Bước 2 (Compositional Invariance): Thuật toán hoán vị 5.000 mẫu cho thấy hệ số tương quan c của tất cả các biến tiềm ẩn đều > 0.995 với p-value > 0.05. Kết luận: Đạt tính bất biến thành phần, đủ điều kiện để tiến hành phân tích MGA.
• Kết quả so sánh hệ số đường dẫn qua PLS-MGA:
• Mối quan hệ: Tác động của Influencer Review → Ý định mua sắm:

• Nhóm Gen Z: Hệ số đường dẫn β_GenZ = 0.524 (p < 0.001).
• Nhóm Millennials: Hệ số đường dẫn β_Millennials = 0.215 (p < 0.01).
• Chênh lệch hệ số |β₁ – β₂| = 0.309. Kiểm định Henseler’s MGA cho p-value = 0.004 (< 0.05). Kết luận: Có sự khác biệt có ý nghĩa thống kê rất lớn; Gen Z chịu ảnh hưởng từ Influencer mạnh hơn hẳn thế hệ Millennials.
• Mối quan hệ: Uy tín thương hiệu (Brand Reputation) → Ý định mua sắm:

• Nhóm Gen Z: β_GenZ = 0.185 (p < 0.05).
• Nhóm Millennials: β_Millennials = 0.462 (p < 0.001).
• Chênh lệch hệ số = 0.277 với p-value MGA = 0.012 (< 0.05). Kết luận: Thế hệ Millennials đặt nặng yếu tố uy tín thương hiệu lâu năm hơn thế hệ Gen Z.

Nhờ phân tích MGA, nhóm nghiên cứu đã đề xuất hai chiến lược truyền thông riêng biệt: Sử dụng mạng lưới KOC/Influencer trẻ trung trên TikTok cho khách hàng Gen Z, và tập trung vào các cam kết bảo hành, chứng nhận chất lượng cho tệp khách hàng Millennials.

Hướng dẫn 4 bước thực hiện phân tích đa nhóm trên phần mềm SmartPLS

Quy trình triển khai MGA trên SmartPLS được thực hiện như sau:

1. Bước 1: Tạo nhóm dữ liệu (Generate Data Groups): Trong giao diện quản lý dữ liệu của SmartPLS, nhấp vào mục Add Data Group, chọn biến phân loại (ví dụ: biến GioiTinh) để tách thành 2 nhóm mẫu con: Nhóm 1 (Nam) và Nhóm 2 (Nữ).
2. Bước 2: Chạy thủ tục MICOM: Vào menu Calculate → Permutation, chọn hai nhóm cần so sánh, đặt số lần lặp hoán vị là 5.000 để kiểm tra bất biến đo lường.
3. Bước 3: Kích hoạt thuật toán PLS-MGA: Vào menu Calculate → Multi-Group Analysis (MGA), lựa chọn Nhóm 1 và Nhóm 2, chọn 5.000 mẫu lặp Bootstrap.
4. Bước 4: Đọc bảng kết quả: Mở mục kết quả PLS-MGA, quan sát cột Path Coefficients Difference (|Group 1 – Group 2|) và cột p-value (Henseler’s MGA). Nếu p < 0.05 (hoặc p > 0.95), bạn kết luận có sự khác biệt có ý nghĩa thống kê về tác động của mối quan hệ đó giữa hai nhóm đối tượng.

Câu hỏi thường gặp về phân tích cấu trúc đa nhóm Multigroup MGA (FAQ)

Cần quy mô mẫu tối thiểu bao nhiêu cho mỗi nhóm con khi chạy MGA?

Mỗi nhóm con trong phân tích MGA cần đạt quy mô tối thiểu từ 80 đến 100 quan sát để bảo đảm thuật toán ước lượng hội tụ ổn định và đạt lực kiểm định thống kê.

Nếu không thỏa mãn Bước 2 của MICOM thì có được chạy MGA không?

Tuyệt đối không được phép chạy MGA nếu vi phạm Bước 2 của MICOM; bạn phải rà soát lại câu hỏi khảo sát hoặc kiểm tra xem dữ liệu của nhóm nào bị lỗi phân tán.

Có thể so sánh đồng thời 3 nhóm trở lên trong MGA không?

Có thể, nhưng bạn cần thực hiện so sánh từng cặp đôi một (Pairwise Comparisons) giữa các nhóm (ví dụ: Nhóm 1 vs Nhóm 2, Nhóm 1 vs Nhóm 3, Nhóm 2 vs Nhóm 3).

Kết luận và định hướng ứng dụng

Làm chủ kỹ thuật Phân tích cấu trúc đa nhóm Multigroup MGA giúp các nhà khoa học khám phá những sắc thái hành vi chuyên sâu giữa các phân khúc thị trường, nâng cao tính thuyết phục và giá trị đóng góp của công trình nghiên cứu. Để tải về các bộ dữ liệu mẫu đa nhóm và tài liệu hướng dẫn quy trình MICOM chi tiết, mời quý bạn đọc tham khảo tại thầy Phương.