Hướng Dẫn Cơ Bản Về Phân Tích Thành Phần Cấu Trúc Tổng Quát Tích Hợp – Hwang et al. 2023

Vấn đề cốt lõi trong mô hình hóa phương trình cấu trúc (SEM) là sự sai lệch ước lượng thống kê khi ép buộc dữ liệu phải tuân theo hoàn toàn “nhân tố” hoặc “thành phần” một cách độc lập. Nguyên nhân chính là sự thiếu tương thích giữa bản chất lý thuyết của biến số và công cụ đo lường truyền thống. Giải pháp tối ưu nhất hiện nay là phương pháp phân tích thành phần cấu trúc tổng quát tích hợp (IGSCA) – một cách tiếp cận đa năng cho phép tích hợp và ước lượng chính xác, không chệch các tham số trong một mô hình chứa đồng thời cả hai loại khái niệm này.

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

1.1 Thông tin định danh bài báo

Để đảm bảo tính toàn vẹn của học thuật và trích dẫn chuẩn, dưới đây là thông tin gốc của nền tảng nghiên cứu này:

• Tiêu đề gốc: A primer on integrated generalized structured component analysis.
• Tiêu đề tiếng Việt: Hướng dẫn cơ bản về phân tích thành phần cấu trúc tổng quát tích hợp.
• Tác giả: Heungsun Hwang, Marko Sarstedt, Gyeongcheol Cho, Hosung Choo, Christian M. Ringle.
• Tạp chí: European Business Review, Tập 35, Số 3, 2023, trang 261-284 (Emerald Publishing Limited).

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Mô hình hóa phương trình cấu trúc (SEM) thường được chia thành hai trường phái tách biệt: SEM dựa trên nhân tố (CB-SEM) và SEM dựa trên thành phần (như PLS-SEM, GSCA). Việc rạch ròi quá mức này đã vô tình tạo ra rào cản lớn đối với các nhà khoa học dữ liệu.

Trong thực tiễn nghiên cứu kinh doanh (ví dụ: Mntande et al., 2023), các mô hình hỗn hợp chứa cả hai loại đại diện này rất phổ biến. Tuy nhiên, các phương pháp truyền thống luôn tạo ra các ước lượng tham số bị chệch (biased estimates) khi xử lý mô hình hỗn hợp do bản chất thuật toán không thể tối ưu hóa đồng thời cả hai loại cấu trúc.

Phương pháp Phân tích thành phần cấu trúc tổng quát tích hợp (IGSCA) ra đời nhằm khỏa lấp khoảng trống này, cung cấp khuôn khổ để chỉ định, ước lượng và đánh giá toàn diện các mô hình phức tạp mà các phương pháp cũ như PLSc (Consistent PLS) không xử lý triệt để (thường gặp lỗi improper solutions – tức là các giải pháp không hợp lệ hoặc dữ liệu không hội tụ). Sự xuất hiện của phân tích IGSCA đánh dấu một bước tiến quan trọng trong việc phản ánh đúng thực tế kinh doanh vào mô hình toán học.

1.3 Tóm tắt Giá trị Nguyên bản (Originality & Value)

• Mục đích: Trình bày IGSCA như một cách tiếp cận đa năng để ước lượng mô hình chứa cả thành phần và nhân tố, nhằm phá bỏ những giới hạn cứng nhắc của SEM truyền thống.
• Thiết kế/Phương pháp: Tổng hợp tài liệu từ nhiều lĩnh vực khoa học, đưa ra các hướng dẫn cụ thể dựa trên khái niệm, phân tích và thực nghiệm thông qua phần mềm GSCA Pro.
• Tính nguyên bản: Đây là tài liệu nền tảng đầu tiên cung cấp hướng dẫn toàn diện về cách sử dụng phương pháp IGSCA trong nghiên cứu kinh doanh thực tiễn, giúp các chuyên gia có một quy trình chuẩn hóa từ khâu làm sạch dữ liệu đến diễn giải kết quả đo lường.

1.4 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)

Sự ra đời của IGSCA dựa trên việc tôn trọng và kết hợp hai triết lý đo lường trái ngược nhau:

• Lý thuyết đo lường độc lập tâm trí (Mind-independent measurement): Đại diện khái niệm bằng Nhân tố chung (Factor). Nhân tố là thực thể bên ngoài, gây ra sự biến thiên chung của các biến quan sát (reflective indicators). Nghĩa là, nếu một nhân tố (như sự thỏa mãn) thay đổi, tất cả các câu hỏi đo lường nó đều sẽ thay đổi theo cùng một chiều hướng.
• Lý thuyết đo lường tổng hợp (Composite measurement): Đại diện khái niệm bằng Thành phần (Component). Khái niệm là sự kết hợp (tổng trọng số) của các biến quan sát (composite indicators), hoạt động như một thực thể đơn hướng. Các biến quan sát trong trường hợp này độc lập với nhau và cùng gộp lại để tạo nên khái niệm (ví dụ: bộ chỉ số kinh tế vĩ mô được cấu thành từ GDP, lạm phát, tỷ lệ thất nghiệp).

2. Khái Niệm Hóa và Cấu Trúc Khái Niệm (Conceptualization)

Dưới góc độ học thuật, Phân tích thành phần cấu trúc tổng quát tích hợp (IGSCA) là một bộ ước lượng dựa trên thành phần không chệch. Trong IGSCA, cấu trúc đo lường được phân định rạch ròi thành hai dạng nhằm hạn chế tối đa sai số thiết lập:

• Mô hình Nhân tố (Factor Model): Sử dụng các biến quan sát phản ánh. Các biến này được kỳ vọng có tương quan cao với nhau, rất lý tưởng để đo lường các thái độ, nhận thức và tâm lý vô hình.
• Mô hình Thành phần (Component Model): Sử dụng các biến quan sát tổng hợp. Tương quan giữa các biến này không nhất thiết phải cao. Thành phần được chỉ định rõ ràng là một hàm xác định tuyến tính của các chỉ báo. Mặc định, IGSCA ưu tiên sử dụng Thành phần danh pháp (nomological components) để giải thích phương sai tối đa của cả chỉ báo và cấu trúc nội sinh, thay vì Thành phần chính tắc (canonical component) vốn rất dễ gây ra hiện tượng nhiễu diễn giải thuật ngữ khi áp dụng vào các tình huống kinh doanh khác nhau.

3. Quy Trình Phát Triển Thang Đo & Ước Lượng (Scale Development & Estimation Process)

Quy trình này được thực hiện thông qua thuật toán lặp (Iterative Algorithm) của phần mềm GSCA Pro, tuân thủ nghiêm ngặt các quy tắc tính toán của lý thuyết bình phương tối thiểu.

• Bước 1: Khai báo Mô hình (Model Specification): Chọn Analysis -> IGSCA -> Basic IGSCA single group. Thêm Component (hình lục giác) và Factor (hình tròn), sau đó vẽ các đường dẫn (Path) tương ứng với giả thuyết. Đây là bước đòi hỏi nhà nghiên cứu phải nắm vững cơ sở lý luận chuyên ngành để định dạng đúng bản chất biến số.
• Bước 2: Xử lý Dữ liệu Khuyết (Missing Data): Trong mục Preferences, chọn Mean Substitution (thay thế bằng giá trị trung bình) nếu tỷ lệ thiếu dưới 5% mỗi chỉ báo, hoặc Listwise Deletion (xóa theo danh sách) nếu cao hơn để đảm bảo tập dữ liệu đầu vào không bị nhiễu.
• Bước 3: Thiết lập Thuật toán Ước lượng: Cài đặt mức dung sai (Tolerance Level) là 0.0001 và giới hạn số vòng lặp tối đa là 100. Thuật toán tối ưu hóa hàm mục tiêu bình phương tối thiểu để tối đa hóa phương sai được giải thích, giúp kết quả đầu ra phản ánh trung thực nhất mối quan hệ trong quần thể thực tế.
• Bước 4: Thiết lập Bootstrapping: Sử dụng phương pháp lấy mẫu lại phi tham số (non-parametric bootstrap). Cài đặt tối thiểu 1.000 mẫu bootstrap để tính toán chính xác sai số chuẩn (SEs) và khoảng tin cậy (CIs), từ đó gia tăng tính vững chắc cho các kiểm định thống kê.

4. Thang Đo Lường Chính Thức (Measurement Scale)

Mô hình thực nghiệm được sử dụng là Mô hình Danh tiếng Doanh nghiệp (Corporate Reputation) với tập dữ liệu gồm 344 quan sát. Việc tách biệt các biến thể hiện sự áp dụng triệt để nguyên lý Phân tích thành phần cấu trúc tổng quát tích hợp (IGSCA).

• Loại thang đo: Likert 7 điểm.

Ký hiệu	Tên Khái Niệm Tiếng Anh [Khái Niệm Tiếng Việt]	Loại Đại Diện	Số lượng Biến quan sát (Items)
QUAL	Quality [Chất lượng]	Thành phần (Component)	8 biến (qual_1 đến qual_8)
PERF	Performance [Hiệu suất]	Thành phần (Component)	5 biến (perf_1 đến perf_5)
CSOR	Corporate Social Responsibility [Trách nhiệm xã hội]	Thành phần (Component)	5 biến (csor_1 đến csor_5)
ATTR	Attractiveness [Sự hấp dẫn]	Thành phần (Component)	3 biến (attr_1 đến attr_3)
COMP	Competence [Năng lực]	Nhân tố (Factor)	3 biến (comp_1 đến comp_3)
LIKE	Likeability [Sự dễ mến]	Nhân tố (Factor)	3 biến (like_1 đến like_3)
CUSA	Customer Satisfaction [Sự hài lòng của khách hàng]	Nhân tố (Factor – Single Item)	1 biến (cusa)
CUSL	Customer Loyalty [Lòng trung thành của khách hàng]	Nhân tố (Factor)	3 biến (cusl_1 đến cusl_3)

5. Mạng Lưới Quan Hệ Lý Thuyết & Kết Quả Thực Nghiệm (Nomological Network & Empirical Results)

5.1 Cấu trúc mạng lưới

Việc sắp xếp vị trí các biến tạo ra một luồng tác động tuyến tính logic trong hệ thống:

• Tiền tố (Antecedents): QUAL, PERF, CSOR, ATTR (Đều là Thành phần). Các yếu tố này đóng vai trò kiến tạo nền tảng khách quan cho danh tiếng.
• Biến trung gian (Mediators): Danh tiếng nhận thức (Năng lực – COMP) và danh tiếng cảm xúc (Sự dễ mến – LIKE) (Đều là Nhân tố). Chúng đóng vai trò chuyển hóa giá trị chức năng thành sự gắn kết tâm lý.
• Hậu tố (Consequences): Sự hài lòng (CUSA) và Lòng trung thành của khách hàng (CUSL) (Đều là Nhân tố). Đây là những biến số nội sinh đích, phản ánh kết quả kinh doanh cốt lõi.

5.2 Kết quả phân tích thực nghiệm từ GSCA Pro

• Độ phù hợp tổng thể: Chỉ số SRMR đạt 0.068 (thỏa mãn tiêu chuẩn ≤ 0.08 cho cỡ mẫu 344). Điều này khẳng định cấu trúc lý thuyết được xây dựng hoàn toàn khớp với thực tế dữ liệu thu thập.
• Mô hình đo lường (Nhân tố): Cronbach’s α và độ tin cậy tổng hợp ρc đều > 0.7; Phương sai trích xuất trung bình (AVE) > 0.50; Tỷ lệ HTMT đều < 0.90, chứng minh giá trị phân biệt rõ ràng, bảo đảm các khái niệm đo lường không bị chồng chéo ý nghĩa.
• Mô hình đo lường (Thành phần): Kiểm tra song song (Parallel analysis) và PVE cho thấy các thành phần mang tính đơn hướng. Mọi trọng số (weights) đều có ý nghĩa thống kê ở mức 5%.
• Mô hình cấu trúc: VIF lớn nhất = 3.099 (không có vấn đề đa cộng tuyến). Mô hình giải thích được 68% phương sai của Lòng trung thành (R² = 0.680), một kết quả ấn tượng cho thấy sức mạnh của mô hình phân tích IGSCA. Các hệ số đường dẫn như CUSA -> CUSL (0.491) và LIKE -> CUSL (0.516) có tác động mạnh và mang ý nghĩa thống kê rõ rệt.

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

Khi thực hiện nghiên cứu hàn lâm bằng IGSCA, nghiên cứu sinh cần áp dụng quy trình đánh giá 3 bước với các tiêu chuẩn khắt khe sau nhằm xác định tính hợp lệ của bài phân tích khoa học:

Bảng Đánh Giá Tiêu Chuẩn Trong IGSCA

Tiêu chí Đánh giá	Ngưỡng Khuyến nghị (Recommendation)
1. Độ phù hợp tổng thể (Overall Model Fit)
Standardized root mean square residual (SRMR)	SRMR ≤ 0.08 (với mẫu N = 200). Có thể nới lỏng ≤ 0.13 (N = 50) hoặc ≤ 0.10 (N = 100) và siết chặt ≤ 0.06 (N ≥ 500).
2. Mô hình Đo lường: Nhân tố (Factors)
Độ tin cậy nhất quán nội bộ (Internal consistency)	Cronbach’s α > 0.7 (nhưng ≤ 0.95). Độ tin cậy tổng hợp ρc ≥ 0.7 (nhưng ≤ 0.95).
Giá trị hội tụ & Giá trị phân biệt	Phương sai trích xuất trung bình (AVE) ≥ 0.50. Tỷ lệ HTMT < 0.90 (khái niệm tương đồng) hoặc < 0.85 (khái niệm khác biệt).
3. Mô hình Đo lường: Thành phần (Components)
Tính đơn hướng & Trọng số	Tiêu chuẩn Kaiser (1 trị riêng > 1). Phân tích song song. PVE ≥ 70%. Khoảng tin cậy Bootstrap (CI) của trọng số không chứa 0.
4. Mô hình Cấu trúc (Structural Model)
Sức mạnh giải thích & Tác động	VIF lý tưởng < 3, báo động ≥ 5. Khoảng tin cậy của hệ số đường dẫn không chứa 0. Cỡ tác động f² ở mức 0.02 (nhỏ), 0.15 (vừa), 0.35 (lớn). R² > 0.90 cảnh báo overfitting (mô hình quá khớp).

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

Đối với nhà quản trị, lý thuyết đo lường này giúp chuẩn hóa dữ liệu thu thập từ thị trường theo một tiêu chuẩn thống kê quốc tế. Các yếu tố như Trách nhiệm xã hội (CSOR) hay Chất lượng (QUAL) nên được định hình là Thành phần (Components) vì chúng là kết quả tổng hợp của nhiều chỉ báo thực tiễn độc lập (như chính sách môi trường, từ thiện, tỷ lệ lỗi sản phẩm…).

Ngược lại, Thái độ, Sự dễ mến (LIKE) và Lòng trung thành (CUSL) phải đo bằng Nhân tố (Factors) do bản chất tâm lý vô hình của người tiêu dùng, nơi mà mọi tác động đều chi phối đồng thời mọi phản ứng.

Việc ứng dụng IGSCA giúp doanh nghiệp có cái nhìn không bị bóp méo về hành vi khách hàng, từ đó tối ưu hóa chi phí Marketing thay vì dựa vào các báo cáo thống kê sai lệch do phương pháp cũ mang lại. Nhờ đó, ban lãnh đạo có thể phân bổ nguồn ngân sách dựa trên “trọng số” của từng thành phần đóng góp vào hệ thống thay vì phán đoán chủ quan.

8. Hạn Chế Của Nghiên Cứu và Hướng Phát Triển (Limitations & Future Research)

• Hạn chế: Các phát triển phương pháp luận liên quan đến phân tích IGSCA đang nổi lên rất nhanh. Các số liệu và ngưỡng cắt (cutoff criteria) báo cáo trong bài viết hữu ích cho hiện tại, nhưng học giả cần liên tục cập nhật các thông số mới nhất để duy trì chuẩn mực khoa học.
• Hướng nghiên cứu tương lai: Cần thiết lập phương pháp đánh giá sức mạnh dự báo ngoài mẫu (out-of-bag prediction error) tương tự GSCA truyền thống nhằm định lượng mức độ ứng dụng tổng quát của mô hình. Các hướng đi hứa hẹn khác bao gồm: kết hợp phương pháp IGSCA với mô hình đa cấp độ (multilevel modeling), phân tích điều tiết (moderation analysis) và phân tích cụm (cluster-wise analysis) để nhận diện các phân khúc thị trường đặc thù sâu hơn.

9. Các Câu Hỏi Thường Gặp (FAQ)

Tại sao IGSCA lại ưu việt hơn phương pháp PLSc khi phân tích mô hình hỗn hợp?

IGSCA vượt trội hơn PLSc (Consistent PLS) vì nó hạn chế tối đa hiện tượng “giải pháp không phù hợp” (improper solutions) trong quá trình bootstrapping. Hơn nữa, IGSCA khôi phục chính xác hệ số tải lượng và mang lại hệ số đường dẫn (path coefficients) ngang bằng hoặc tốt hơn, tạo ra kết quả ước lượng khách quan, vững chắc hơn so với các phương pháp cũ.

Làm thế nào để quyết định một khái niệm là Nhân tố (Factor) hay Thành phần (Component)?

Quyết định phải dựa trên lý thuyết khoa học chuyên ngành. Nếu khái niệm là một thực thể tâm lý độc lập tồn tại trước các biến quan sát (ví dụ: sự hài lòng, trạng thái nhận thức), hãy dùng Nhân tố. Nếu khái niệm được cấu thành từ việc gộp các biến hoạt động độc lập với nhau (ví dụ: hiệu suất doanh nghiệp đo bằng doanh thu, lợi nhuận, thị phần), hãy dùng Thành phần.

Nên sử dụng loại thành phần nào trong phân tích IGSCA: Nomological hay Canonical?

Nên ưu tiên Thành phần danh pháp (Nomological components). Thành phần chính tắc (Canonical components) dễ bị ảnh hưởng bởi vấn đề “gây nhiễu diễn giải” (interpretational confounding) vì ý nghĩa của chúng thay đổi hoàn toàn phụ thuộc vào biến nội sinh trong mô hình, dẫn đến việc rút ra kết luận thực tiễn gặp khó khăn lớn.

10. Tài Liệu Tham Khảo (References)

• Backhaus, K., Erichson, B., Gensler, S., Weiber, R. and Weiber, T. (2021), Multivariate Analysis: An Application-Oriented Introduction, Gabler, Wiesbaden.
• Bentler, P.M. and Huang, W. (2014), “On components, latent variables, PLS and simple methods: reactions to rigdon’s rethinking of PLS”, Long Range Planning, Vol. 47 No. 3, pp. 138-145.
• Bollen, K.A. (1989), Structural Equations with Latent Variables, Wiley, New York, NY.
• Bollen, K.A. (2011), “Evaluating effect, composite, and causal indicators in structural equation models”, MIS Quarterly, Vol. 35 No. 2, pp. 359-372.
• Bollen, K.A. and Diamantopoulos, A. (2017), “In defense of causal-formative indicators; a minority report”, Psychological Methods, Vol. 22 No. 3, pp. 581-596.
• Borsboom, D., Mellenbergh, G.J. and van Heerden, J. (2003), “The theoretical status of latent variables”, Psychological Review, Vol. 110 No. 2, pp. 203-219.
• Campbell, D.T. and Fiske, D.W. (1959), “Convergent and discriminant validation by the multitrait-multimethod matrix”, Psychological Bulletin, Vol. 56 No. 2, pp. 81-105.
• Chatterjee, S. and Price, B. (1977), Regression Analysis by Example, Wiley, New York, NY.
• Chen, Y.-C., Lin, Y.-H. and Tsai, H.-T. (2020), “Toward greater understanding of the relationship between entrepreneurial orientation and international performance”, Management International Review, Vol. 60 No. 2, pp. 211-245.
• Chin, W.W. (1998), “The partial least squares approach to structural equation modeling”, in Marcoulides, G.A. (Ed), Modern Methods for Business Research, Lawrence Erlbaum: Mahwah, NJ, pp. 295-358.
• Cho, G. and Choi, J.Y. (2020), “An empirical comparison of generalized structured component analysis and partial least squares path modeling under variance-based structural equation models”, Behaviormetrika, Vol. 47 No. 1, pp. 243-272.
• Cho, G., Jung, K. and Hwang, H. (2019), “Out-of-bag prediction error: a cross validation index for generalized structured component analysis”, Multivariate Behavioral Research, Vol. 54 No. 4, pp. 505-513.
• Cho, G., Sarstedt, M. and Hwang, H. (2022a), “A comparative evaluation of factor- and component-based structural equation modeling methods under (in)consistent model specifications”, British Journal of Mathematical and Statistical Psychology, Vol. 75 No. 2, pp. 220-251.
• Cho, G., Hwang, H., Sarstedt, M. and Ringle, C.M. (2020), “Cutoff criteria for overall model fit indexes in generalized structured component analysis”, Journal of Marketing Analytics, Vol. 8 No. 4, pp. 189-202.
• Cho, G., Hwang, H., Sarstedt, M. and Ringle, C.M. (2022b), “A prediction-oriented specification search algorithm for generalized structured component analysis”, Structural Equation Modeling: A Multidisciplinary Journal, Vol. 29 No. 4, pp. 611-619.
• Cho, G., Kim, S., Hwang, H., Lee, J., Sarstedt, M. and Ringle, C.M. (2022c), “A comparative study of the predictive power of component-based approaches to structural equation modeling”, European Journal of Marketing.
• Cho, G., Schlägel, C., Hwang, H., Choi, Y., Sarstedt, M. and Ringle, C.M. (2022d), “Integrated generalized structured component analysis: on the use of model fit criteria in international management research”, Management International Review, Vol. 62 No. 4, pp. 569-609.
• Cohen, J. (1988), Statistical Power Analysis for the Behavioral Sciences, 2nd ed., Lawrence Erlbaum Associates, Hillside, NJ.
• Cronbach, L.J. and Meehl, P.E. (1955), “Construct validity in psychological tests”, Psychological Bulletin, Vol. 52 No. 4, pp. 281-302.
• Davison, A.C. and Hinkley, D.V. (1997), Bootstrap Methods and Their Application, Cambridge University Press, Cambridge.
• Diamantopoulos, A. and Winklhofer, H.M. (2001), “Index construction with formative indicators: an alternative to scale development”, Journal of Marketing Research, Vol. 38 No. 2, pp. 269-277.
• Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P. and Kaiser, S. (2012), “Guidelines for choosing between multi-item and single-item scales for construct measurement: a predictive validity perspective”, Journal of the Academy of Marketing Science, Vol. 40 No. 3, pp. 434-449.
• Dijkstra, T.K. (2014), “PLS’ Janus face – response to professor rigdon’s ‘rethinking partial least squares modeling…'”, Long Range Planning, Vol. 47 No. 3, pp. 146-153.
• Dijkstra, T.K. (2017), “A perfect match between a model and a mode”, in Latan, H. and Noonan, R. (Eds), Partial Least Squares Path Modeling, Springer, Berlin, pp. 55-80.
• Dijkstra, T.K. and Henseler, J. (2015), “Consistent partial least squares path modeling”, MIS Quarterly, Vol. 39 No. 2, pp. 297-316.
• Dijkstra, T.K. and Schermelleh-Engel, K. (2014), “Consistent partial least squares for nonlinear structural equation models”, Psychometrika, Vol. 79 No. 4, pp. 585-604.
• Dinno, A. (2009), “Implementing horn’s parallel analysis for principal component analysis and factor analysis”, The Stata Journal, Vol. 9 No. 2, pp. 291-298.
• Drolet, A.L. and Morrison, D.G. (2001), “Do we really need multiple-item measures in service research?”, Journal of Service Research, Vol. 3 No. 3, pp. 196-204.
• Duncan, T.E., Duncan, S.C. and Strycker, L.A. (2006), An Introduction to Latent Variable Growth Curve Modeling, 2nd ed., Erlbaum, Mahwah, NJ.
• Efron, B. (1979), “Bootstrap methods: another look at the jackknife”, The Annals of Statistics, Vol. 7 No. 1, pp. 1-26.
• Eklund, A.A., Berndt, A. and Sandberg, S. (2022), “Orchestrating an experiential value proposition…”, European Business Review, Vol. 34 No. 5, pp. 624-641.
• Fakfare, P., Cho, G., Hwang, H. and Manosuthi, N. (2021), “Examining the sensory impressions, value perception, and behavioral responses of tourists…”, Journal of Travel and Tourism Marketing, Vol. 38 No. 7, pp. 666-681.
• Fornell, C., Johnson, M.D., Anderson, E.W., Cha, J. and Bryant, B.E. (1996), “The American customer satisfaction index…”, Journal of Marketing, Vol. 60 No. 4, pp. 7-18.
• Franke, G. and Sarstedt, M. (2019), “Heuristics versus statistics in discriminant validity testing…”, Internet Research, Vol. 29 No. 3, pp. 430-447.
• Götz, O., Liehr-Gobbers, K. and Krafft, M. (2010), “Evaluation of structural equation models using the partial least squares (PLS) approach”, in Esposito Vinzi, V. et al. (Eds), Handbook of Partial Least Squares, Springer, Berlin, Heidelberg, pp. 691-711.
• Grace, J.B. and Bollen, K.A. (2008), “Representing general theoretical concepts in structural equation models…”, Environmental and Ecological Statistics, Vol. 15 No. 2, pp. 191-213.
• Gustafsson, A. and Johnson, M.D. (2004), “Determining attribute importance in a service satisfaction model”, Journal of Service Research, Vol. 7 No. 2, pp. 124-141.
• Haenlein, M. and Kaplan, A.M. (2011), “The influence of observed heterogeneity on path coefficient significance…”, Journal of Marketing Theory and Practice, Vol. 19 No. 2, pp. 153-168.
• Hair, J.F. and Sarstedt, M. (2019), “Factors versus composites: guidelines for choosing the right structural equation modeling method”, Project Management Journal, Vol. 50 No. 6, pp. 619-624.
• Hair, J.F., Ringle, C.M. and Sarstedt, M. (2011), “PLS-SEM: indeed a silver bullet”, Journal of Marketing Theory and Practice, Vol. 19 No. 2, pp. 139-152.
• Hair, J.F., Sarstedt, M. and Ringle, C.M. (2019a), “Rethinking some of the rethinking of partial least squares”, European Journal of Marketing, Vol. 53 No. 4, pp. 566-584.
• Hair, J.F., Black, W.C., Babin, B.J. and E., A.R. (2018), Multivariate Data Analysis, 8th ed., Cengage, London.
• 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., Risher, J.J., Sarstedt, M. and Ringle, C.M. (2019b), “When to use and how to report the results of PLS-SEM”, European Business Review, Vol. 31 No. 1, pp. 2-24.
• Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M. and Thiele, K.O. (2017), “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.
• Henseler, J. (2017), “Bridging design and behavioral research with variance-based structural equation modeling”, Journal of Advertising, Vol. 46 No. 1, pp. 178-192.
• Henseler, J., Ringle, C.M. and Sarstedt, M. (2015), “A new criterion for assessing discriminant validity in variance-based structural equation modeling”, Journal of the Academy of Marketing Science, Vol. 43 No. 1, pp. 115-135.
• Henson, R.K. and Roberts, J.K. (2006), “Use of exploratory factor analysis in published research…”, Educational and Psychological Measurement, Vol. 66 No. 3, pp. 393-416.
• Holzinger, K.J. and Swineford, F. (1937), “The Bi-factor method”, Psychometrika, Vol. 2 No. 1, pp. 41-54.
• Horn, J.L. (1965), “A rationale and test for the number of factors in factor analysis”, Psychometrika, Vol. 30 No. 2, pp. 179-185.
• Howell, R.D., Breivik, E. and Wilcox, J.B. (2007), “Reconsidering formative measurement”, Psychological Methods, Vol. 12 No. 2, pp. 205-218.
• Hu, L. and Bentler, P.M. (1999), “Cutoff criteria for fit indexes in covariance structure analysis…”, Structural Equation Modeling: A Multidisciplinary Journal, Vol. 6 No. 1, pp. 1-55.
• Huang, W. (2013), PLSe: Efficient Estimators and Tests for Partial Least Square (Dissertation), University of CA Los Angeles, Los Angeles, CA.
• Hwang, H. and Takane, Y. (2004), “Generalized structured component analysis”, Psychometrika, Vol. 69 No. 1, pp. 81-99.
• 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., Takane, Y. and Jung, K. (2017), “Generalized structured component analysis with uniqueness terms for accommodating measurement error”, Frontiers in Psychology, Vol. 8, p. 2137.
• Hwang, H., Cho, G. and Choo, H. (2021a), “GSCA pro 1 (version 1.2.1) [computer software]”, available at: www.gscapro.com.
• Hwang, H., Cho, G., Jung, K., Falk, C.F., Flake, J. and Jin, M.J. (2021b), “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.
• JASP Team (2022), “JASP (version 0.16.3) [computer software]”, available at: www.jasp-stats.org/.
• Jolliffe, I.T. and Cadima, J. (2016), “Principal component analysis: a review and recent developments”, Philosophical Transactions. Series A, Vol. 374 No. 2065, p. 20150202.
• Jöreskog, K.G. (1971), “Statistical analysis of sets of congeneric tests”, Psychometrika, Vol. 36 No. 2, pp. 109-133.
• Jöreskog, K.G. (1978), “Structural analysis of covariance and correlation matrices”, Psychometrika, Vol. 43 No. 4, pp. 443-477.
• Jung, K., Lee, J., Gupta, V. and Cho, G. (2019), “Comparison of bootstrap confidence interval methods for GSCA using a Monte Carlo simulation”, Frontiers in Psychology, Vol. 10, Article No. 2215.
• Kaiser, H.F. (1960), “The application of electronic computers to factor analysis”, Educational and Psychological Measurement, Vol. 20 No. 1, pp. 141-151.
• Kaplan, A.M., Schoder, D. and Haenlein, M. (2007), “Factors influencing the adoption of mass customization…”, Journal of Product Innovation Management, Vol. 24 No. 2, pp. 101-116.
• Kim, G., Shin, B. and Grover, V. (2010), “Research note: investigating two contradictory views of formative measurement in information systems research”, MIS Quarterly, Vol. 34 No. 2, pp. 345-365.
• Lohmöller, J.-B. (1989), Latent Variable Path Modeling with Partial Least Squares, Physica, Heidelberg.
• Longman, R.S., Cota, A.A., Holden, R.R. and Fekken, G.C. (1989), “A regression equation for the parallel analysis criterion…”, Multivariate Behavioral Research, Vol. 24 No. 1, pp. 59-69.
• Manosuthi, N., Lee, J.-S. and Han, H. (2022a), “Investigating residents’ support for muslim tourism: the application of IGSCA-SEM and fsQCA”, Journal of Travel and Tourism Marketing, Vol. 39 No. 4, pp. 412-431.
• Manosuthi, N., Lee, J.-S. and Han, H. (2022b), “Green behavior at work of hospitality and tourism employees: evidence from IGSCA-SEM and fsQCA”, Journal of Sustainable Tourism.
• Meredith, W. and Tisak, J. (1990), “Latent curve analysis”, Psychometrika, Vol. 55 No. 1, pp. 107-122.
• Mntande, K.A., Stiehler-Mulder, B. and Roberts-Lombard, M. (2023), “Securing delight and loyalty in a market with low switching costs”, European Business Review, Vol. 35 No. 1, pp. 1-22.
• Rahman, S.M., Carlson, J., Gudergan, S.P., Wetzels, M. and Grewal, D. (2022), “Perceived omnichannel customer experience (OCX)…”, Journal of Retailing, Vol. 98 No. 4, pp. 611-632.
• Rhemtulla, M., van Bork, R. and Borsboom, D. (2020), “Worse than measurement error: consequences of inappropriate latent variable measurement models”, Psychological Methods, Vol. 25 No. 1, pp. 30-45.
• Rigdon, E.E. and Sarstedt, M. (2022), “Accounting for uncertainty in the measurement of unobservable marketing phenomena”, in Baumgartner, H. and Weijters, B. (Eds), Measurement in Marketing, Emerald, Bingley, Vol. 19, pp. 53-73.
• Rigdon, E.E., Sarstedt, M. and Ringle, C.M. (2017), “On comparing results from CB-SEM and PLS-SEM: five perspectives and five recommendations”, Marketing ZFP, Vol. 39 No. 3, pp. 4-16.
• Sarstedt, M. and Mooi, E.A. (2019), A Concise Guide to Market Research: The Process, Data, and Methods Using IBM SPSS Statistics, Springer, Berlin.
• Sarstedt, M., Hair, J.F. and Ringle, C.M. (2022), “PLS-SEM: indeed a silver bullet retrospective observations and recent advances”, Journal of Marketing Theory and Practice.
• Sarstedt, M., Hair, J.F., Ringle, C.M., Thiele, K.O. and Gudergan, S.P. (2016), “Estimation issues with PLS and CBSEM: where the bias lies!”, Journal of Business Research, Vol. 69 No. 10, pp. 3998-4010.
• Schwaiger, M. (2004), “Components and parameters of corporate reputation an empirical study”, Schmalenbach Business Review, Vol. 56 No. 1, pp. 46-71.
• Sharma, P., Sarstedt, M., Shmueli, G., Kim, K.H. and Thiele, K.O. (2019), “PLS-based model selection…”, Journal of the Association for Information Systems, Vol. 20 No. 4.
• Tenenhaus, M. (2008), “Component-based structural equation modelling”, Total Quality Management and Business Excellence, Vol. 19 Nos 7/8, pp. 871-886.
• Treiblmaier, H., Bentler, P.M. and Mair, P. (2011), “Formative constructs implemented via common factors”, Structural Equation Modeling: A Multidisciplinary Journal, Vol. 18 No. 1, pp. 1-17.
• Wang, H., Lu, S. and Liu, Y. (2022), “Missing data imputation in PLS-SEM”, Quality and Quantity, Vol. 56 No. 6, pp. 4777-4795.
• Wold, H. (1982), “Soft modeling the basic design and some extensions”, in Jöreskog, K.G. and Wold, H. (Eds), Systems under Indirect Observation: Causality, Structure, Prediction, Part II, North Holland, Amsterdam, pp. 1-54.
• Zeugner-Roth, K.P., Diamantopoulos, A. and Montesinos, M.Á. (2008), “Home country image, country brand equity and consumers’ product preferences…”, Management International Review, Vol. 48 No. 5, pp. 577-602.
• Yuan, K.-H., Wen, Y. and Tang, J. (2020), “Regression analysis with latent variables by partial least squares and four other composite scores…”, Structural Equation Modeling: A Multidisciplinary Journal, Vol. 27 No. 3, pp. 333-350.

11. Lời kêu gọi hành động (CTA)

Phương pháp IGSCA đại diện cho một bước tiến mạnh mẽ trong phương pháp nghiên cứu định lượng, cho phép các học giả và doanh nghiệp tiến gần hơn tới bản chất thực sự của dữ liệu mà không bị gò ép bởi giới hạn của phần mềm. Hãy để hệ thống dữ liệu doanh nghiệp của bạn cất tiếng nói một cách chân thực nhất. Để nắm bắt trọn vẹn thuật toán và các thao tác thực hành chi tiết trên phần mềm GSCA Pro, vui lòng tham khảo toàn văn tài liệu nghiên cứu gốc.

[Hwang, H., Sarstedt, M., Cho, G., Choo, H., & Ringle, C. M. (2023). A primer on integrated generalized structured component analysis. European Business Review, 35(3), 261-284.]