Post Views:12

Phân tích SEM (Cấu trúc tuyến tính): Phân biệt CB-SEM PLS-SEM; Đây là một trong những mô hình phân tích mối quan hệ trong quản trị được sử dụng phổ biến nhất, được các bạn nghiên cứu viên ứng dụng nhiều trong thực tế, nên trong bài viết này, chúng tôi sẽ làm hướng dẫn cho các bạn hiểu hơn về cách ứng dụng vào trong nghiên cứu của mình.

Nổi dung nổi bậc

Phân tích SEM

Phân tích SEM là gì?

SEM (Structural Equation Modeling) hay “Phân tích cấu trúc tuyến tính” là một phương pháp thống kê mạnh mẽ dùng để kiểm định và ước lượng các mô hình phức tạp có sự tương tác giữa nhiều biến số. SEM kết hợp giữa phân tích nhân tố (factor analysis) và phân tích hồi quy (regression analysis), cho phép kiểm tra các mối quan hệ giữa các biến quan sát được và các biến tiềm ẩn (latent variables).

Các thành phần chính của SEM:

Biến quan sát (Observed Variables): Là các biến có thể đo lường trực tiếp, thu thập từ dữ liệu.
Biến tiềm ẩn (Latent Variables): Là các biến không thể đo lường trực tiếp, mà thường được suy luận từ các biến quan sát.
Quan hệ nhân quả (Causal Relationships): SEM có khả năng mô tả và kiểm định các giả thuyết về mối quan hệ nhân quả giữa các biến tiềm ẩn và biến quan sát.

Các bước cơ bản trong SEM:

Xây dựng mô hình lý thuyết: Dựa trên lý thuyết và kiến thức chuyên môn, xây dựng mô hình dự kiến mô tả mối quan hệ giữa các biến.
Ước lượng tham số: Sử dụng dữ liệu để ước lượng các tham số của mô hình. Thường sử dụng phương pháp ước lượng Maximum Likelihood (ML).
Kiểm định mô hình: Kiểm tra xem mô hình có phù hợp với dữ liệu hay không qua các chỉ số như Chi-square test, CFI (Comparative Fit Index), RMSEA (Root Mean Square Error of Approximation),…
Sửa đổi mô hình: Nếu mô hình không phù hợp với dữ liệu, có thể tiến hành sửa đổi dựa trên các gợi ý từ phân tích SEM hoặc điều chỉnh lý thuyết.

Ưu điểm của SEM:

Xử lý được các mối quan hệ phức tạp: SEM cho phép phân tích nhiều biến đồng thời, xử lý cả mối quan hệ nhân quả lẫn tương quan.
Kết hợp được nhiều mô hình thống kê: SEM có thể kết hợp các phương pháp như phân tích hồi quy, phân tích đường dẫn (path analysis), và phân tích nhân tố.
Đánh giá trực tiếp các biến tiềm ẩn: Giúp kiểm tra các yếu tố không quan sát được từ dữ liệu thực tế.

Nhược điểm:

Yêu cầu dữ liệu lớn: SEM thường yêu cầu mẫu lớn để đảm bảo kết quả chính xác.
Phức tạp: Việc xây dựng và giải thích mô hình SEM đòi hỏi sự hiểu biết sâu về thống kê và lý thuyết.

SEM là một công cụ mạnh mẽ để mô hình hóa và kiểm định các giả thuyết phức tạp trong nghiên cứu, đặc biệt hữu ích khi nghiên cứu các mối quan hệ giữa nhiều biến và các cấu trúc tiềm ẩn.

Mục đích của phân tích SEM

Mục đích của phân tích SEM (Structural Equation Modeling – Phân tích cấu trúc tuyến tính) là:

1. Kiểm định mô hình lý thuyết

SEM được sử dụng để kiểm tra xem mô hình lý thuyết đã được đề xuất có phù hợp với dữ liệu thực tế hay không. Mô hình này thường bao gồm các mối quan hệ nhân quả giữa các biến tiềm ẩn và biến quan sát. SEM giúp đánh giá xem các giả thuyết ban đầu về quan hệ giữa các biến có được dữ liệu thực nghiệm ủng hộ hay không.

2. Phân tích các mối quan hệ phức tạp

SEM cho phép phân tích các mối quan hệ phức tạp giữa nhiều biến. Các mối quan hệ này có thể là quan hệ nhân quả trực tiếp hoặc gián tiếp giữa các biến quan sát và các biến tiềm ẩn. SEM cho phép đo lường không chỉ các mối quan hệ bề mặt mà còn các tương tác ngầm giữa các yếu tố không thể quan sát trực tiếp.

3. Ước lượng và kiểm định biến tiềm ẩn

Một trong những mục tiêu chính của SEM là giúp nhà nghiên cứu có thể ước lượng và kiểm định các biến tiềm ẩn (latent variables), những khái niệm không thể đo lường trực tiếp nhưng lại có thể được suy ra từ các biến đo lường cụ thể. Điều này thường được sử dụng trong các lĩnh vực như tâm lý học, xã hội học và kinh tế học.

4. Đánh giá sự phù hợp của mô hình

SEM có thể cung cấp các chỉ số giúp đánh giá sự phù hợp của mô hình với dữ liệu, như chỉ số CFI (Comparative Fit Index), RMSEA (Root Mean Square Error of Approximation), và Chi-square. Điều này giúp xác định xem mô hình hiện tại có cần chỉnh sửa để phù hợp hơn với dữ liệu hay không.

5. So sánh giữa các mô hình

SEM cũng giúp so sánh sự khác biệt giữa các mô hình lý thuyết khác nhau, từ đó chọn ra mô hình nào phù hợp nhất với dữ liệu. Nhà nghiên cứu có thể kiểm tra các mô hình cạnh tranh để xem mô hình nào giải thích dữ liệu tốt hơn, từ đó cung cấp bằng chứng ủng hộ một mô hình lý thuyết nhất định.

6. Phân tích trung gian và điều chỉnh

SEM giúp xác định các biến trung gian (mediator variables) hoặc điều chỉnh (moderator variables) trong mối quan hệ giữa các biến. Điều này rất quan trọng trong việc hiểu rõ hơn về cơ chế tác động giữa các yếu tố, giúp nhà nghiên cứu không chỉ biết rằng có một mối quan hệ tồn tại, mà còn hiểu cách mà mối quan hệ đó hoạt động.

7. Tối ưu hóa dự đoán

Bằng cách kết hợp giữa hồi quy và phân tích nhân tố, SEM cho phép tạo ra các mô hình dự đoán tối ưu hơn. Điều này hữu ích trong các lĩnh vực như marketing, tài chính, giáo dục và khoa học xã hội, nơi việc dự đoán kết quả dựa trên nhiều yếu tố là quan trọng.

8. Kiểm soát các sai số đo lường

Một trong những ưu điểm của SEM là khả năng kiểm soát sai số đo lường. Nhờ vào mô hình hóa biến tiềm ẩn, SEM giúp giảm thiểu ảnh hưởng của sai số trong việc đo lường các biến quan sát được.

Đọc thêm: Dịch vụ phân tích số liệu xử lý SPSS STATA R EVIEW chuyên nghiệp

Vậy, mục đích của phân tích SEM là để giúp nhà nghiên cứu kiểm tra, xác thực, và tối ưu hóa các mô hình lý thuyết phức tạp về mối quan hệ giữa các biến, đồng thời cung cấp cái nhìn sâu sắc về các yếu tố tiềm ẩn và các mối quan hệ nhân quả.

Phân biệt CB-SEM

Ứng dụng linh hoạt SEM vào trong nghiên cứu

CB-SEM (Covariance-Based Structural Equation Modeling), hay còn gọi là “Phân tích cấu trúc tuyến tính dựa trên hiệp phương sai”, là phương pháp phân tích SEM truyền thống và được sử dụng rộng rãi nhất. Phương pháp này tập trung vào việc tối ưu hóa sự phù hợp giữa mô hình lý thuyết và ma trận hiệp phương sai từ dữ liệu quan sát, qua đó kiểm định các mối quan hệ nhân quả giữa các biến quan sát và biến tiềm ẩn.

Dưới đây là phân tích chi tiết về CB-SEM bao gồm cơ sở lý thuyết, các bước thực hiện, ưu và nhược điểm, và các chỉ số đánh giá sự phù hợp của mô hình.

1. Cơ sở lý thuyết của CB-SEM

CB-SEM hoạt động dựa trên lý thuyết ma trận hiệp phương sai. Trong đó, SEM sẽ xây dựng một mô hình lý thuyết dựa trên mối quan hệ nhân quả giữa các biến. Mô hình này sau đó được kiểm định bằng cách so sánh ma trận hiệp phương sai giả thuyết (được ước lượng từ mô hình lý thuyết) với ma trận hiệp phương sai từ dữ liệu thực nghiệm.
Ma trận hiệp phương sai: Là ma trận chứa thông tin về độ tương quan giữa các biến quan sát. SEM sử dụng ma trận này để xác định các mối quan hệ tuyến tính giữa các biến.
Biến quan sát (Observed Variables): Là những biến có thể đo lường trực tiếp từ dữ liệu.
Biến tiềm ẩn (Latent Variables): Là những khái niệm hoặc yếu tố không thể đo lường trực tiếp, nhưng có thể ước lượng từ các biến quan sát thông qua mô hình SEM.

2. Các bước thực hiện CB-SEM

a. Xác định mô hình lý thuyết

Bước đầu tiên là xây dựng mô hình lý thuyết mô tả mối quan hệ giữa các biến. Điều này đòi hỏi nhà nghiên cứu phải có kiến thức chuyên sâu về lĩnh vực nghiên cứu và xác định rõ các biến quan sát, biến tiềm ẩn, cùng các mối quan hệ nhân quả giữa chúng.
Mô hình đo lường (Measurement Model): Mô tả mối quan hệ giữa các biến tiềm ẩn và biến quan sát.
Mô hình cấu trúc (Structural Model): Mô tả mối quan hệ nhân quả giữa các biến tiềm ẩn.

b. Ước lượng tham số

Các tham số của mô hình, bao gồm trọng số hồi quy (regression weights), các hiệp phương sai và phương sai, sẽ được ước lượng từ dữ liệu bằng phương pháp Maximum Likelihood Estimation (ML). Phương pháp này tối ưu hóa sự khác biệt giữa ma trận hiệp phương sai lý thuyết và ma trận hiệp phương sai từ dữ liệu thực tế.

c. Đánh giá sự phù hợp của mô hình

Sau khi các tham số đã được ước lượng, cần đánh giá xem mô hình có phù hợp với dữ liệu hay không. Các chỉ số đánh giá bao gồm:
Chi-Square Test: Kiểm tra sự khác biệt giữa ma trận hiệp phương sai lý thuyết và thực tế. Giá trị Chi-square thấp hoặc không có ý nghĩa thống kê (p-value lớn hơn 0.05) cho thấy mô hình phù hợp với dữ liệu.
CFI (Comparative Fit Index): So sánh mức độ phù hợp của mô hình với một mô hình giả định không có sự tương quan giữa các biến. Giá trị CFI trên 0.90 được coi là tốt.
TLI (Tucker-Lewis Index): Tương tự CFI, TLI cũng đo lường mức độ phù hợp của mô hình so với mô hình độc lập. Giá trị TLI trên 0.90 cho thấy mô hình tốt.
RMSEA (Root Mean Square Error of Approximation): Đo lường mức độ lỗi xấp xỉ của mô hình. RMSEA dưới 0.05 cho thấy mô hình rất phù hợp, dưới 0.08 là chấp nhận được, và trên 0.10 cho thấy mô hình kém phù hợp.
SRMR (Standardized Root Mean Square Residual): Đo lường mức độ khác biệt giữa ma trận hiệp phương sai lý thuyết và thực tế. Giá trị dưới 0.08 cho thấy mô hình phù hợp tốt.

d. Sửa đổi mô hình

Nếu mô hình không phù hợp với dữ liệu, các chỉ số từ phân tích sẽ gợi ý sửa đổi mô hình, chẳng hạn như thêm bớt các đường hồi quy giữa các biến, điều chỉnh các tham số hoặc loại bỏ các biến quan sát không phù hợp.

3. Ưu điểm của CB-SEM

Kiểm định giả thuyết mạnh mẽ: CB-SEM cung cấp công cụ mạnh mẽ để kiểm định các giả thuyết lý thuyết về mối quan hệ nhân quả giữa các biến tiềm ẩn và biến quan sát. Nó giúp khẳng định hoặc bác bỏ các giả thuyết nghiên cứu dựa trên dữ liệu thực tế.
Phân biệt giữa biến quan sát và biến tiềm ẩn: CB-SEM cho phép nhà nghiên cứu mô hình hóa các biến tiềm ẩn, những yếu tố không thể đo lường trực tiếp, nhưng rất quan trọng trong nhiều lĩnh vực như tâm lý học, kinh tế học và xã hội học.
Phân tích đồng thời nhiều biến: CB-SEM có thể phân tích đồng thời nhiều mối quan hệ giữa các biến trong một mô hình duy nhất. Điều này giúp hiểu rõ hơn về toàn bộ cấu trúc của các mối quan hệ trong dữ liệu.
Cung cấp chỉ số đánh giá mô hình: CB-SEM cung cấp một loạt các chỉ số giúp đánh giá sự phù hợp của mô hình với dữ liệu, cho phép nhà nghiên cứu có cái nhìn sâu hơn về chất lượng của mô hình.

4. Nhược điểm của CB-SEM

Yêu cầu kích thước mẫu lớn: CB-SEM yêu cầu kích thước mẫu lớn để có thể ước lượng chính xác các tham số và kiểm định mô hình. Kích thước mẫu nhỏ có thể dẫn đến kết quả sai lệch và không đáng tin cậy.
Yêu cầu phân phối chuẩn: CB-SEM giả định rằng các biến quan sát tuân theo phân phối chuẩn đa biến. Nếu dữ liệu không tuân theo phân phối này, kết quả có thể bị lệch và sai sót.
Không phù hợp cho mục đích dự đoán: CB-SEM tập trung vào việc kiểm định mô hình lý thuyết hơn là dự đoán các kết quả. Nếu mục tiêu là dự đoán thay vì kiểm định mô hình lý thuyết, các phương pháp như PLS-SEM có thể phù hợp hơn.
Khó khăn trong việc sửa đổi mô hình: Khi mô hình không phù hợp với dữ liệu, việc sửa đổi mô hình có thể trở nên phức tạp. Thêm vào đó, quá trình sửa đổi mô hình thường đòi hỏi kinh nghiệm và sự hiểu biết sâu về thống kê và mô hình hóa.

Đọc thêm: Ứng dụng của thuật toán rừng ngẫu nhiên - Random Forests

5. Các ứng dụng của CB-SEM

CB-SEM được ứng dụng rộng rãi trong nhiều lĩnh vực, bao gồm:
Kinh tế học: Để kiểm tra các mô hình nhân quả về ảnh hưởng của các biến kinh tế như lãi suất, lạm phát, hoặc tăng trưởng GDP.
Tâm lý học: CB-SEM thường được sử dụng để mô hình hóa các khái niệm trừu tượng như thái độ, hành vi, hoặc cảm xúc, và để kiểm tra các lý thuyết về động lực học của con người.
Xã hội học: Để phân tích các yếu tố tiềm ẩn tác động đến hành vi xã hội hoặc các mô hình xã hội phức tạp.
Marketing: CB-SEM giúp phân tích mối quan hệ giữa các yếu tố như nhận thức thương hiệu, sự hài lòng của khách hàng, và hành vi mua sắm.

6. Các công cụ phần mềm hỗ trợ CB-SEM

CB-SEM yêu cầu các công cụ phần mềm chuyên biệt để ước lượng và kiểm định mô hình. Một số phần mềm phổ biến hỗ trợ phân tích CB-SEM bao gồm:

AMOS: Đây là phần mềm được sử dụng rộng rãi để thực hiện phân tích CB-SEM, tích hợp tốt với SPSS.
LISREL: Là một trong những phần mềm đầu tiên phát triển cho SEM và vẫn được sử dụng phổ biến.
Mplus: Là một công cụ mạnh mẽ hỗ trợ nhiều loại phân tích SEM khác nhau.
R (lavaan package): Một gói phần mềm mã nguồn mở trong R giúp thực hiện các phân tích SEM, bao gồm cả CB-SEM.

CB-SEM là một phương pháp phân tích cấu trúc tuyến tính mạnh mẽ và phức tạp, được thiết kế để kiểm định các mô hình lý thuyết với nhiều biến quan sát và tiềm ẩn. Tuy có nhiều ưu điểm, đặc biệt là khả năng kiểm định giả thuyết, CB-SEM cũng đòi hỏi kích thước mẫu lớn và dữ liệu tuân theo phân phối chuẩn. Nó là công cụ hữu ích trong các nghiên cứu lý thuyết, nhưng có thể gặp khó khăn khi ứng dụng trong các trường hợp dữ liệu thực tế không đạt yêu cầu.

Phân biệt PLS-SEM

PLS-SEM (Partial Least Squares Structural Equation Modeling), hay còn gọi là “Phân tích cấu trúc tuyến tính dựa trên phương pháp bình phương tối thiểu từng phần”, là một biến thể của SEM (Structural Equation Modeling) được phát triển với mục tiêu tối ưu hóa dự đoán thay vì kiểm định sự phù hợp của mô hình với dữ liệu. Đây là một phương pháp mô hình hóa quan hệ tuyến tính có thể làm việc tốt với kích thước mẫu nhỏ và dữ liệu không cần tuân theo phân phối chuẩn.

Dưới đây là phân tích chi tiết về PLS-SEM bao gồm cơ sở lý thuyết, các bước thực hiện, ưu và nhược điểm, và các ứng dụng phổ biến của nó.

1. Cơ sở lý thuyết của PLS-SEM

PLS-SEM tập trung vào việc tối đa hóa khả năng dự đoán của mô hình thay vì tìm kiếm sự phù hợp hoàn hảo giữa mô hình lý thuyết và dữ liệu. Trong khi CB-SEM tập trung vào việc ước lượng ma trận hiệp phương sai để kiểm tra giả thuyết, PLS-SEM tập trung vào việc tối ưu hóa khả năng dự đoán của các biến tiềm ẩn và biến quan sát.

Các khái niệm chính trong PLS-SEM:

Phương pháp bình phương tối thiểu từng phần (Partial Least Squares – PLS): PLS là một phương pháp tối ưu hóa trong đó các thành phần của mô hình (biến tiềm ẩn) được ước lượng sao cho tối thiểu hóa sai số trong việc dự đoán các biến phụ thuộc.
Mô hình đo lường (Measurement Model): Tương tự như trong CB-SEM, mô hình đo lường mô tả mối quan hệ giữa các biến quan sát và các biến tiềm ẩn.
Mô hình cấu trúc (Structural Model): Mô hình này mô tả các mối quan hệ nhân quả giữa các biến tiềm ẩn, nhưng với mục tiêu chính là tối đa hóa độ chính xác dự đoán của mô hình.

2. Các bước thực hiện PLS-SEM

a. Xác định mô hình lý thuyết

Tương tự như CB-SEM, quá trình bắt đầu với việc xác định mô hình lý thuyết, bao gồm các biến quan sát, biến tiềm ẩn, và các mối quan hệ nhân quả giữa chúng. Tuy nhiên, mục tiêu chính trong PLS-SEM là tối đa hóa khả năng dự đoán, nên mô hình cần chú trọng vào các biến có ảnh hưởng dự đoán mạnh mẽ.

b. Ước lượng tham số

PLS-SEM sử dụng phương pháp ước lượng từng phần, trong đó mô hình được chia thành các thành phần nhỏ hơn và được ước lượng từng phần một cách tuần tự. Mục tiêu là tối ưu hóa sự giải thích phương sai của biến tiềm ẩn và khả năng dự đoán của các biến phụ thuộc.

Các tham số trong PLS-SEM bao gồm:

Trọng số hồi quy (Regression Weights): Biểu thị mối quan hệ nhân quả giữa các biến trong mô hình cấu trúc.
Tải số nhân tố (Factor Loadings): Đo lường sức mạnh của mối quan hệ giữa biến quan sát và biến tiềm ẩn trong mô hình đo lường.

c. Đánh giá mô hình

Trong PLS-SEM, sự đánh giá mô hình được chia thành hai phần: mô hình đo lường và mô hình cấu trúc.

Đánh giá mô hình đo lường:

Reliability (Độ tin cậy): Thường kiểm tra bằng Cronbach’s Alpha hoặc Composite Reliability (CR). CR trên 0.7 được coi là đạt yêu cầu.
Convergent Validity (Tính hội tụ): Đánh giá xem các biến quan sát có phản ánh đúng các biến tiềm ẩn không. Average Variance Extracted (AVE) được sử dụng để đo lường, với giá trị trên 0.5 là chấp nhận được.
Discriminant Validity (Tính phân biệt): Đảm bảo rằng các biến tiềm ẩn khác nhau có thể phân biệt rõ ràng với nhau. Heterotrait-Monotrait Ratio (HTMT) thường được sử dụng để kiểm tra tính phân biệt.

Đánh giá mô hình cấu trúc:

R² (Hệ số xác định): Đo lường phần trăm phương sai của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Giá trị R² càng cao cho thấy mô hình có khả năng giải thích tốt.
Q² (Predictive Relevance): Đo lường khả năng dự đoán của mô hình, với giá trị Q² dương cho thấy mô hình có giá trị dự đoán.
Path Coefficients: Các hệ số đường dẫn trong mô hình cho biết mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc. Các hệ số này có thể được kiểm định ý nghĩa bằng phương pháp bootstrap.

Đọc thêm: Phương pháp viết đề cương, luận văn khoa học

d. Sửa đổi mô hình

Nếu các chỉ số đánh giá không đạt yêu cầu, nhà nghiên cứu có thể sửa đổi mô hình bằng cách thêm bớt các mối quan hệ nhân quả hoặc điều chỉnh mô hình để phù hợp hơn với mục tiêu dự đoán.

3. Ưu điểm của PLS-SEM

Không yêu cầu phân phối chuẩn: PLS-SEM không yêu cầu dữ liệu phải tuân theo phân phối chuẩn, làm cho phương pháp này trở nên linh hoạt và dễ áp dụng trong thực tế, đặc biệt với dữ liệu không chuẩn hoặc không tuân theo phân phối chuẩn đa biến.
Phù hợp với mẫu nhỏ: PLS-SEM có thể hoạt động tốt với kích thước mẫu nhỏ, đôi khi chỉ cần một mẫu từ 30 đến 100 quan sát. Điều này làm cho PLS-SEM trở thành lựa chọn tốt trong các nghiên cứu thăm dò hoặc khi dữ liệu hạn chế.
Tập trung vào dự đoán: Một trong những ưu điểm nổi bật nhất của PLS-SEM là khả năng tối ưu hóa dự đoán. Điều này làm cho nó phù hợp trong các nghiên cứu hoặc ứng dụng mà mục tiêu chính là dự đoán kết quả thay vì kiểm định mô hình lý thuyết.
Xử lý các mô hình phức tạp: PLS-SEM có thể xử lý các mô hình phức tạp với nhiều biến tiềm ẩn và biến quan sát, thậm chí là các mô hình có tính chất phi tuyến tính hoặc có các tương tác đa chiều.
Linh hoạt và dễ sử dụng: So với CB-SEM, PLS-SEM dễ triển khai hơn và không đòi hỏi người dùng phải có kiến thức quá sâu về lý thuyết mô hình hiệp phương sai.

4. Nhược điểm của PLS-SEM

Kiểm định giả thuyết yếu hơn: PLS-SEM không tối ưu hóa sự phù hợp của mô hình với dữ liệu như CB-SEM, do đó nó không phải là công cụ tốt nhất cho việc kiểm định các giả thuyết lý thuyết phức tạp hoặc trong các nghiên cứu có nền tảng lý thuyết mạnh.
Không cung cấp các chỉ số phù hợp toàn cục: PLS-SEM không cung cấp các chỉ số phù hợp tổng quát như Chi-Square, CFI, hay RMSEA, điều này làm hạn chế việc đánh giá sự phù hợp của mô hình với dữ liệu tổng thể.
Kết quả có thể lệch nếu mẫu quá nhỏ: Dù có thể hoạt động với mẫu nhỏ, nhưng nếu kích thước mẫu quá nhỏ hoặc dữ liệu không đầy đủ, các kết quả từ PLS-SEM có thể bị lệch và không đáng tin cậy.
Tính lý thuyết hạn chế: Do tập trung vào dự đoán, PLS-SEM không thể kiểm tra đầy đủ các mô hình lý thuyết phức tạp và các giả thuyết nhân quả như CB-SEM.

5. Các ứng dụng phổ biến của PLS-SEM

PLS-SEM thường được sử dụng trong các lĩnh vực mà khả năng dự đoán là quan trọng, đặc biệt khi mô hình lý thuyết còn chưa được phát triển toàn diện hoặc khi dữ liệu không đáp ứng các giả định của CB-SEM. Một số lĩnh vực ứng dụng của PLS-SEM bao gồm:

Marketing: PLS-SEM được sử dụng rộng rãi trong nghiên cứu marketing để mô hình hóa hành vi của người tiêu dùng, phân tích các yếu tố tác động đến sự hài lòng của khách hàng và dự đoán hành vi mua sắm.
Quản trị: Phương pháp này thường được áp dụng trong nghiên cứu quản trị doanh nghiệp để phân tích mối quan hệ giữa hiệu suất công ty và các yếu tố quản lý.
Hệ thống thông tin: PLS-SEM cũng thường được áp dụng trong lĩnh vực hệ thống thông tin để đánh giá hiệu quả của các hệ thống quản lý thông tin và các công nghệ mới trong doanh nghiệp.
Tâm lý học và xã hội học: PLS-SEM có thể được sử dụng để dự đoán hành vi xã hội hoặc tâm lý, đặc biệt là trong các nghiên cứu mà các mô hình lý thuyết vẫn đang được phát triển.

6. Công cụ phần mềm hỗ trợ PLS-SEM

Một số phần mềm phổ biến hỗ trợ phân tích PLS-SEM bao gồm:

SmartPLS: Một phần mềm chuyên biệt cho phân tích PLS-SEM, được sử dụng rộng rãi và dễ sử dụng.
WarpPLS: Phần mềm khác dành cho phân tích PLS-SEM với các tính năng hỗ trợ cho các mô hình phi tuyến tính và phức tạp.
ADANCO: Cũng là một phần mềm được thiết kế đặc biệt cho PLS-SEM với các công cụ linh hoạt cho ước lượng và phân tích.

PLS-SEM là một phương pháp phân tích mạnh mẽ và linh hoạt, đặc biệt phù hợp trong các trường hợp mà mục tiêu là dự đoán và mẫu nghiên cứu nhỏ. Nó không yêu cầu dữ liệu tuân theo phân phối chuẩn, do đó, dễ sử dụng và áp dụng rộng rãi trong nhiều lĩnh vực nghiên cứu. Tuy nhiên, PLS-SEM có những hạn chế về khả năng kiểm định giả thuyết lý thuyết và không cung cấp các chỉ số phù hợp toàn diện như CB-SEM. Do đó, việc chọn giữa CB-SEM và PLS-SEM phụ thuộc vào mục tiêu nghiên cứu, tính chất dữ liệu và yêu cầu lý thuyết.

So sánh CB-SEM với PLS-SEM