Cải Thiện Việc Sử Dụng PLS-SEM Trong Nghiên Cứu Tiếp Thị Doanh Nghiệp – Guenther et al. (2023)

Trong hai thập kỷ qua, PLS-SEM (Mô hình cấu trúc tuyến tính bình phương tối thiểu riêng phần) đã trỗi dậy như một công cụ phân tích dữ liệu thống trị trong lĩnh vực nghiên cứu kinh doanh, đặc biệt là Marketing B2B (Business-to-Business). Tuy nhiên, sự phổ biến này đi kèm với một thực trạng đáng lo ngại: tình trạng “lạm dụng” phương pháp dựa trên những lý do kỹ thuật yếu kém như “cỡ mẫu nhỏ” hay “dữ liệu không chuẩn”. Bài nghiên cứu mang tính định hướng của Guenther et al. (2023) trên tạp chí Industrial Marketing Management đã đặt lại nền móng cho phương pháp này, chuyển dịch trọng tâm từ “kiểm định lý thuyết” sang “năng lực dự báo” (predictive power). Bài viết dưới đây sẽ giải mã chi tiết các quy chuẩn mới nhất, cung cấp một lộ trình (roadmap) khắt khe để các nhà nghiên cứu nâng cao chất lượng công bố quốc tế.

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

1.1. Thông tin định danh bài báo

Để đảm bảo tính chính xác trong trích dẫn học thuật (Citation), dưới đây là thông tin gốc của tài liệu được phân tích:

• Tiêu đề gốc: Improving PLS-SEM use for business marketing research
• Tiêu đề tiếng Việt: Cải thiện việc sử dụng PLS-SEM trong nghiên cứu tiếp thị doanh nghiệp
• Tác giả: Peter Guenther, Miriam Guenther, Christian M. Ringle, Ghasem Zaefarian, Severina Cartwright
• Tạp chí: Industrial Marketing Management (2023), Vol 111, trang 127–142.

1.2. Direct Answer: Vấn đề và Giải pháp cốt lõi

• Vấn đề: Các nghiên cứu B2B hiện nay đang lạm dụng PLS-SEM (Mô hình cấu trúc tuyến tính bình phương tối thiểu riêng phần) chủ yếu vì lý do “kỹ thuật yếu” như: mẫu nhỏ, dữ liệu không phân phối chuẩn.
• Nguyên nhân: Nhà nghiên cứu chưa hiểu rõ bản chất Composite-based (Dựa trên biến tổng hợp) của PLS so với Factor-based (Dựa trên nhân tố) của CB-SEM (như AMOS).
• Giải pháp: Chuyển dịch tư duy từ “Kiểm định sự phù hợp mô hình” (Model Fit) sang “Đánh giá năng lực dự báo” (Predictive Power). Sử dụng các thước đo hiện đại như PLSpredict, CVPAT và Gaussian Copula.

1.3. Bối cảnh thực tiễn & Khoảng trống nghiên cứu (Expanded)

PLS-SEM đã trở thành phương pháp chủ đạo (“Silver bullet”) trong các lĩnh vực như quản trị nguồn nhân lực, hệ thống thông tin, du lịch và đặc biệt là Marketing B2B. Lý do là môi trường B2B thường gặp khó khăn trong việc thu thập mẫu lớn (do số lượng doanh nghiệp hữu hạn), và dữ liệu thu được từ CEO/Giám đốc thường có độ lệch cao (non-normal distribution).

Tuy nhiên, bài đánh giá hệ thống (Systematic Review) trên 140 bài báo từ tạp chí Industrial Marketing Management (1998-2020) của Guenther et al. (2023) đã chỉ ra một “khoảng trống chất lượng”:

1. Lý do chọn sai: Hầu hết chọn PLS-SEM vì mẫu nhỏ, nhưng lại không kiểm định sức mạnh thống kê (Statistical Power), dẫn đến rủi ro sai lầm loại II (Type II error – không tìm thấy mối quan hệ dù nó có thật).
2. Bỏ qua dự báo: Dù PLS-SEM là công cụ dự báo, rất ít nghiên cứu thực hiện quy trình Out-of-sample prediction (Dự báo ngoài mẫu).
3. Lạc hậu về phương pháp: Các chỉ số mới như HTMT, Rho_A hay Gaussian Copula ít được áp dụng.

2. Khi Nào Nên Sử Dụng PLS-SEM? Hai Câu Hỏi Cốt Lõi (New Section)

Thay vì chọn phương pháp dựa trên cảm tính, Guenther et al. (2023) yêu cầu nhà nghiên cứu phải trả lời hai câu hỏi mang tính bản chất thống kê về sự khác biệt giữa Biến tổng hợp (Composite) và Nhân tố chung (Common Factor):

Câu hỏi 1: Về phương sai dư (Residual Variance)

• Nội dung: Liệu phương sai dư của chỉ báo (indicator) có mang ý nghĩa thực tiễn đối với cấu trúc trọng tâm không?
• Phân tích sâu: Trong CB-SEM (như AMOS), phần phương sai dư được coi là “sai số” (error) và bị loại bỏ khỏi cấu trúc tiềm ẩn. Ngược lại, trong PLS-SEM, cấu trúc tiềm ẩn là một tổ hợp tuyến tính của các chỉ báo, nghĩa là nó giữ lại toàn bộ phương sai.
• Quyết định: Nếu bạn nghi ngờ rằng các chỉ báo có sự tương tác với nhau, hoặc khái niệm nghiên cứu mang tính tổng hợp (ví dụ: “Thành công của dự án” được tạo thành từ “Tiến độ”, “Ngân sách”, “Chất lượng”), việc loại bỏ phương sai dư là sai lầm. Lúc này, PLS-SEM là bắt buộc.

Câu hỏi 2: Về sai số đo lường (Measurement Error)

• Nội dung: Sai số đo lường có khả năng ở mức thấp hoặc không đáng kể hay không?
• Phân tích sâu: CB-SEM mô hình hóa sai số đo lường một cách rõ ràng, nhưng điều này đòi hỏi cỡ mẫu rất lớn để mô hình hội tụ. PLS-SEM xử lý sai số bằng cách gán trọng số tối ưu cho các chỉ báo.
• Quyết định: Nếu bạn sử dụng các thang đo đã được kiểm chứng (established scales) và quy trình thu thập dữ liệu nghiêm ngặt, sai số đo lường được coi là thấp. Khi đó, PLS-SEM sẽ mang lại kết quả ước lượng tham số chính xác và tránh được các lỗi “Model identification” (Không định danh được mô hình) thường gặp ở CB-SEM.

3. Giải Quyết Các Vấn Đề Dữ Liệu: Mẫu và Phân Phối (Data Issues Handling)

Đây là phần để xử lý dữ liệu đầu vào sao cho chuẩn khoa học nhất.

3.1. Kích thước mẫu & “Quy tắc 10 lần” (Sample Size)

• Phủ định huyền thoại cũ: Quy tắc “Gấp 10 lần” (10-times rule: Mẫu = 10 lần số đường dẫn lớn nhất) bị coi là không chính xác và thiếu cơ sở khoa học. Nó thường dẫn đến cỡ mẫu quá nhỏ (ví dụ: 30-40 mẫu), không đủ sức mạnh thống kê.
• Giải pháp chuẩn xác (theo thứ tự ưu tiên):
  1. Phân tích sức mạnh (Power Analysis): Sử dụng phần mềm G*Power. Thiết lập: Power (1-β) = 0.80; Significance level (α) = 0.05; Effect size ($f^2$) = 0.15 (trung bình).
  2. Phương pháp nghịch đảo căn bậc hai (Inverse square root method): Công thức của Kock & Hadaya (2018), tính toán dựa trên độ lớn của hệ số đường dẫn nhỏ nhất mà bạn muốn phát hiện.
  3. Phương pháp Gamma-exponential: Dùng để hiệu chỉnh khi dữ liệu có độ lệch chuẩn lớn.

3.2. Xử lý dữ liệu khuyết (Missing Data Handling)

Trong B2B, việc bỏ sót câu trả lời là thường xuyên. Cách xử lý quyết định độ tin cậy của kết quả:

• Sai lầm (Nên tránh): Xóa theo danh sách (Listwise deletion). Ví dụ: Có 200 mẫu, chỉ cần 1 ô trống là xóa cả dòng. Điều này làm mất mẫu nghiêm trọng và gây chệch kết quả nếu dữ liệu khuyết không ngẫu nhiên.
• Khuyến nghị (Best Practice):
  • Với Mô hình Đo lường (Indicators): Sử dụng Mean Replacement (Thay thế bằng giá trị trung bình) nếu tỷ lệ khuyết < 5% trên mỗi chỉ báo.
  • Với Mô hình Cấu trúc (Structural paths): Sử dụng Multiple Regression Imputation (Thay thế bằng hồi quy bội). Kỹ thuật này dùng các biến khác để dự đoán giá trị của ô trống, giữ nguyên cấu trúc tương quan của dữ liệu.

3.3. Dữ liệu phi chuẩn (Non-normal Data)

• Bản chất: PLS-SEM là phương pháp phi tham số (non-parametric), không yêu cầu dữ liệu chuẩn đa biến.
• Nhưng: Dữ liệu quá lệch (Skewness > 1 hoặc Kurtosis > 1) sẽ ảnh hưởng đến độ chính xác của việc ước lượng khoảng tin cậy (Confidence Intervals).
• Kỹ thuật xử lý: Khi chạy Bootstrapping (5,000 hoặc 10,000 mẫu lặp), hãy chọn tùy chọn “Percentile Bootstrap”. Tránh dùng Bias-Corrected and Accelerated (BCa) trừ khi bạn chắc chắn dữ liệu cực kỳ lệch và cỡ mẫu rất lớn, vì BCa có thể không ổn định.

4. Quy Trình Đánh Giá Mô Hình Đo Lường (Measurement Model Guidelines)

Phần này cung cấp các ngưỡng (thresholds) cụ thể để bạn đưa vào bài báo cáo.

4.1. Với thang đo kết quả (Reflective Measurement Models)

Thang đo kết quả là khi các chỉ báo là biểu hiện của khái niệm (Ví dụ: Sự hài lòng -> Tôi vui, Tôi thích, Tôi thỏa mãn).

• Độ tin cậy nhất quán nội bộ (Internal Consistency Reliability):
  • Chỉ số ưu tiên: $\rho_A$ (Rho_A). Đây là chỉ số chuẩn nhất cho PLS.
  • Lý do: Cronbach’s Alpha ($\alpha$) thường đánh giá thấp (underestimate), trong khi Composite Reliability ($\rho_c$) thường đánh giá cao (overestimate). $\rho_A$ nằm giữa và chính xác nhất.
  • Ngưỡng: $\rho_A$ > 0.70.
• Giá trị hội tụ (Convergent Validity):
  • Hệ số tải ngoài (Outer Loadings): $\ge 0.708$. (Tại sao là 0.708? Vì $0.708^2 \approx 0.50$, nghĩa là biến tiềm ẩn giải thích được hơn 50% phương sai của chỉ báo).
  • AVE (Average Variance Extracted): > 0.50.
• Giá trị phân biệt (Discriminant Validity):
  • Công cụ: HTMT (Heterotrait-Monotrait ratio). Không dùng Fornell-Larcker đơn thuần nữa.
  • Ngưỡng 1: Giá trị HTMT < 0.85 (tiêu chuẩn khắt khe) hoặc < 0.90 (tiêu chuẩn nới lỏng).
  • Ngưỡng 2 (Quan trọng nhất): Khoảng tin cậy Bootstrapping của HTMT (HTMT inference) phải không chứa giá trị 1. Nếu khoảng tin cậy chứa số 1 (ví dụ: [0.80; 1.05]), hai khái niệm này bị trùng lặp.

4.2. Với thang đo nguyên nhân (Formative Measurement Models)

Thang đo nguyên nhân là khi các chỉ báo tạo nên khái niệm (Ví dụ: Chỉ số kinh tế = GDP + Lạm phát + Thất nghiệp).

• Giá trị hội tụ (Convergent Validity):
  • Thực hiện Redundancy Analysis (Phân tích dư thừa).
  • Cách làm: Tạo một biến đo lường đơn lẻ (Global single item) đại diện cho khái niệm đó. Chạy tương quan giữa biến Formative và biến Global này.
  • Ngưỡng: Hệ số đường dẫn phải $\ge 0.708$, hoặc $R^2 \ge 0.50$.
• Đa cộng tuyến (Collinearity):
  • Do các chỉ báo tạo nên khái niệm, chúng không được trùng lặp nhau quá nhiều.
  • Chỉ số: VIF (Variance Inflation Factor).
  • Ngưỡng: Lý tưởng là VIF < 3. Chấp nhận được là VIF < 5. Nếu VIF > 5, phải loại bỏ hoặc gộp chỉ báo.
• Trọng số (Outer Weights):
  • Kiểm tra ý nghĩa thống kê của trọng số (Weights) qua Bootstrapping (p-value < 0.05).
  • Nếu trọng số không có ý nghĩa, hãy kiểm tra hệ số tải (Loading). Nếu Loading cao ($\ge 0.50$) và có ý nghĩa, vẫn có thể giữ lại chỉ báo đó (theo lý thuyết của Hair et al.).

5. Đánh Giá Mô Hình Cấu Trúc & Năng Lực Dự Báo (Structural & Prediction)

Đây là phần trọng tâm để nâng cao giá trị bài báo theo chuẩn Guenther et al. (2023).

5.1. Dự báo trong mẫu (In-sample Prediction)

• Hệ số xác định ($R^2$): Cho biết mức độ giải thích. Tuy nhiên, $R^2$ luôn tăng khi thêm biến, dễ dẫn đến hiện tượng quá khớp (overfitting). Chỉ dùng để tham khảo độ mạnh của mô hình.
• Kích thước tác động ($f^2$): Đánh giá mức độ ảnh hưởng thực tế của từng biến độc lập lên biến phụ thuộc (0.02: nhỏ; 0.15: trung bình; 0.35: lớn).

5.2. Dự báo ngoài mẫu (Out-of-sample Prediction) – BẮT BUỘC

Phương pháp $Q^2$ (Blindfolding) truyền thống không còn được coi là thước đo dự báo ngoài mẫu thực sự. Bạn phải dùng PLSpredict.

• Quy trình thực hiện PLSpredict:
  • Chia mẫu thành $k$ phần (thường là k=10 folds).
  • Sử dụng 9 phần để xây dựng mô hình, dùng 1 phần còn lại để dự báo. Lặp lại cho đến hết.
  • Tính sai số dự báo: RMSE (Root Mean Square Error) hoặc MAE (Mean Absolute Error).
  • So sánh sai số của mô hình PLS với mô hình Hồi quy tuyến tính (LM – Linear Model benchmark).
• Đọc kết quả:
  • Nếu RMSE(PLS) < RMSE(LM) ở tất cả các chỉ báo: Năng lực dự báo cao (High predictive power).
  • Nếu RMSE(PLS) < RMSE(LM) ở đa số các chỉ báo: Năng lực dự báo trung bình (Medium).
  • Nếu RMSE(PLS) < RMSE(LM) ở thiểu số các chỉ báo: Năng lực dự báo thấp (Low).
  • Nếu RMSE(PLS) > RMSE(LM) ở tất cả: Mô hình không có giá trị dự báo.

5.3. Kiểm định so sánh dự báo (CVPAT)

• Cross-Validated Predictive Ability Test (CVPAT): Đây là một kiểm định thống kê (chứ không chỉ nhìn bằng mắt thường như PLSpredict) để khẳng định rằng: “Mô hình A có khả năng dự báo tốt hơn Mô hình B một cách có ý nghĩa thống kê”.
• Nên dùng CVPAT khi bạn muốn so sánh mô hình đề xuất của mình với một mô hình lý thuyết cạnh tranh khác.

5.4. Độ phù hợp mô hình (Model Fit)

• PLS-SEM không tối ưu hóa hàm Model Fit như CB-SEM. Tuy nhiên, vẫn nên báo cáo SRMR (Standardized Root Mean Square Residual).
• Ngưỡng: SRMR < 0.08 được coi là chấp nhận được.
• Lưu ý: Cần thận trọng khi dùng SRMR để loại bỏ mô hình trong PLS-SEM, vì các ngưỡng này chưa được kiểm chứng đầy đủ như trong CB-SEM.

6. Các Kỹ Thuật Phân Tích Nâng Cao (Advanced Modeling Issues)

Để bài nghiên cứu đạt chuẩn Q1 (Quartile 1), bạn cần đi xa hơn các phân tích cơ bản.

6.1. Nội sinh (Endogeneity)

• Vấn đề: Biến nội sinh (Endogeneity) xảy ra khi có sự tương quan giữa biến giải thích và sai số (do bỏ sót biến quan trọng, hoặc do quan hệ nhân quả ngược). Điều này làm sai lệch hệ số đường dẫn.
• Giải pháp – Gaussian Copula:
  • Phương pháp này sử dụng thông tin từ phân phối của phần dư để hiệu chỉnh tham số ước lượng.
  • Quy trình: Kiểm tra xem phân phối của biến độc lập có phi chuẩn hay không (Gaussian Copula yêu cầu biến phải không phân phối chuẩn). Sau đó thêm các biến “Copula” vào mô hình để kiểm soát nhiễu.

6.2. Phân tích đa nhóm (Multigroup Analysis – MGA)

• Dùng để so sánh sự khác biệt giữa các nhóm (Nam vs Nữ; Doanh nghiệp Nhà nước vs Tư nhân).
• Yêu cầu bắt buộc: Phải chạy kiểm định MICOM (Measurement Invariance of Composite Models) gồm 3 bước:
  1. Cấu hình bất biến (Configural invariance).
  2. Bất biến về thành phần (Compositional invariance).
  3. Bất biến về trung bình và phương sai (Equality of composite mean and variance).
• Chỉ khi thỏa mãn MICOM (ít nhất là bước 2), bạn mới được phép so sánh hệ số đường dẫn giữa hai nhóm.

6.3. Tính không đồng nhất không quan sát được (Unobserved Heterogeneity)

• Đôi khi dữ liệu của bạn chứa các “nhóm ngầm” (latent classes) mà bạn không biết trước (ví dụ: nhóm khách hàng nhạy cảm về giá và nhóm khách hàng thích sang trọng). Nếu gộp chung lại phân tích sẽ ra kết quả sai.
• Công cụ: Sử dụng FIMIX-PLS (Finite Mixture PLS) hoặc PLS-POS (Prediction-Oriented Segmentation) để phát hiện và tách các nhóm này ra.

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

• PLS-SEM truyền thống tuân theo logic “Thêm X thì Y tăng” (Tính đủ – Sufficiency).
• NCA bổ sung góc nhìn “Không có X thì không thể có Y” (Tính cần – Necessity).
• Ví dụ: “Hài lòng” có thể làm tăng “Trung thành”, nhưng “Tin cậy” là điều kiện CẦN. Nếu không có tin cậy, dù hài lòng đến mấy cũng không trung thành. Kết hợp PLS-SEM và NCA là xu hướng nghiên cứu rất mới (“Hot trend”).

6.5. Quan hệ phi tuyến (Nonlinear Effects)

• Đừng mặc định mọi quan hệ đều là đường thẳng. Trong kinh tế, quy luật “Lợi ích cận biên giảm dần” rất phổ biến (hình chữ U ngược).
• Hãy kiểm tra Quadratic effects (Tác động bậc 2) trong SmartPLS để xem mối quan hệ có dạng hình U hay U ngược hay không.

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

Phần này hướng dẫn cách viết phần “Khuyến nghị quản trị” sao cho thuyết phục sếp hoặc chủ doanh nghiệp.

1. Chuyển đổi tư duy: Thay vì nói “Yếu tố A ảnh hưởng đến B”, hãy nói “Nếu tăng A lên 1 đơn vị, chúng ta dự báo B sẽ tăng bao nhiêu”. Nhấn mạnh vào năng lực dự báo tương lai.
2. Tối ưu hóa nguồn lực (IPMA):
   • Sử dụng biểu đồ Importance-Performance Map Analysis (IPMA).
   • Trục hoành: Tầm quan trọng (Total Effects). Trục tung: Hiệu suất thực tế (Performance – thang điểm 0-100).
   • Chiến lược: Tìm các yếu tố ở góc phần tư “Ưu tiên hành động” (Tầm quan trọng cao nhưng Hiệu suất hiện tại thấp). Đây là nơi doanh nghiệp cần đổ tiền vào để cải thiện ngay lập tức.
3. Dự báo rời bỏ (Churn Prediction): Áp dụng mô hình PLS để tính điểm rủi ro cho từng khách hàng cụ thể (dựa trên các biến số đầu vào của họ), từ đó bộ phận Sales có thể chăm sóc trước khi khách hàng rời bỏ.

8. Kết luận

Bài báo của Guenther et al. (2023) là lời cảnh tỉnh và cũng là kim chỉ nam cho cộng đồng nghiên cứu Marketing B2B. Việc sử dụng PLS-SEM không còn là “lối thoát” cho dữ liệu yếu, mà là sự lựa chọn chiến lược cho mục tiêu dự báo. Để được công nhận, nghiên cứu cần tuân thủ nghiêm ngặt quy trình:

1. Thiết kế: Power Analysis cho mẫu.
2. Đo lường: Báo cáo ρA và HTMT.
3. Dự báo: Thực hiện PLSpredict so sánh với LM.
4. Kiểm soát: Sử dụng Gaussian Copula và NCA.

9. Tài Liệu Tham Khảo (References)

Tài liệu chính (Primary Source):

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (2nd ed.). Thousand Oaks, CA: Sage.

Các công trình nghiên cứu nền tảng (Foundational Works):

Aguinis, H., Beaty, J. C., Boik, R. J., & Pierce, C. A. (2005). Effect size and power in assessing moderating effects of categorical variables using multiple regression: A 30-year review. Journal of Applied Psychology, 90(1), 94–107.

Albers, S. (2010). PLS and success factor studies in marketing. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications (pp. 409–425). Berlin: Springer.

Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182.

Becker, J.-M., Klein, K., & Wetzels, M. (2012). Formative hierarchical latent variable models in PLS-SEM: Recommendations and guidelines. Long Range Planning, 45(5-6), 359–394.

Becker, J.-M., Rai, A., Ringle, C. M., & Völckner, F. (2013). Discovering unobserved heterogeneity in structural equation models to avert validity threats. MIS Quarterly, 37(3), 665–694.

Bentler, P. M., & Huang, W. (2014). On components, latent variables, PLS and simple methods: Reactions to Rigdon’s rethinking of PLS. Long Range Planning, 47(3), 136–145.

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295–336). Mahwah, NJ: Lawrence Erlbaum.

Chin, W. W. (2010). How to write up and report PLS analyses. In V. Esposito Vinzi, W. W. Chin, J. Henseler, & H. Wang (Eds.), Handbook of partial least squares: Concepts, methods and applications (pp. 655–690). Berlin: Springer.

Chin, W. W., Marcolin, B. L., & Newsted, P. R. (2003). A partial least squares latent variable modeling approach for measuring interaction effects: Results from a Monte Carlo simulation study and an electronic-mail emotion/adoption study. Information Systems Research, 14(2), 189–217.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Mahwah, NJ: Lawrence Erlbaum.

Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159.

Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277.

Dijkstra, T. K., & Henseler, J. (2015a). Consistent and asymptotically normal PLS estimators for linear structural equations. Computational Statistics & Data Analysis, 81, 10–23.

Dijkstra, T. K., & Henseler, J. (2015b). Consistent partial least squares path modeling. MIS Quarterly, 39(2), 297–316.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.

Geisser, S. (1974). A predictive approach to the random effects model. Biometrika, 61(1), 101–107.

Gudergan, S. P., Ringle, C. M., Wende, S., & Will, A. (2008). Confirmatory tetrad analysis in PLS path modeling. Journal of Business Research, 61(12), 1238–1249.

Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–151.

Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena, J. A. (2012). An assessment of the use of partial least squares structural equation modeling in marketing research. Journal of the Academy of Marketing Science, 40(3), 414–433.

Hayes, A. F. (2013). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. New York, NY: Guilford.

Hayes, A. F. (2015). An index and test of linear moderated mediation. Multivariate Behavioral Research, 50(1), 1–22.

Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82–109.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.

Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. In Advances in International Marketing (Vol. 20, pp. 277–319). Bingley: Emerald Group Publishing.

Höck, M., Ringle, C. M., & Sarstedt, M. (2010). Management of multi-purpose stadiums: Importance and performance measurement of service interfaces. International Journal of Services Technology and Management, 14(2-3), 188–207.

Little, T. D., Bovaird, J. A., & Widaman, K. F. (2006). On the merits of orthogonalizing powered and product terms: Implications for modeling interactions. Structural Equation Modeling, 13(4), 497–519.

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in simple and multiple mediator models. Behavior Research Methods, 40(3), 879–891.

Rigdon, E. E. (2012). Rethinking partial least squares path modeling: In praise of simple methods. Long Range Planning, 45(5-6), 341–358.

Ringle, C. M., Sarstedt, M., & Straub, D. W. (2012). Editor’s comments: A critical look at the use of PLS-SEM in MIS Quarterly. MIS Quarterly, 36(1), iii–xiv.

Sarstedt, M., Henseler, J., & Ringle, C. M. (2011). Multi-group analysis in partial least squares (PLS) path modeling. Advances in International Marketing, 22, 195–218.

Sarstedt, M., Ringle, C. M., Henseler, J., & Hair, J. F. (2014). On the emancipation of PLS-SEM: A commentary on Rigdon (2012). Long Range Planning, 47(3), 154–160.

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

Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312.

Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 111–147.

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206.

Tải toàn văn bài báo gốc (Full Text PDF):

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