top of page
Tìm kiếm

Phân tích CONSTRUCT bậc 2 mô hình cấu trúc tuyến tính (SEM)

  • Ảnh của tác giả: Simon Dang
    Simon Dang
  • 24 thg 4, 2022
  • 7 phút đọc




Với 1 mô hình nghiên cứu lý thuyết minh hoạ như hình



Hình 1. Mô hình lý thuyết minh hoạ


Mô hình có 2 nhân tố bậc 2 (second-order construct) là Cognitive Response và Affective Response. Chúng ta phải thiết kế đo lường các construct bậc 2 này như thế nào? Bài viết này hướng dẫn lại một cách thực nghiệm (handy) dựa trên công bố của nhóm nghiên cứu của ông Hair - cha để của mô hình SEM (Sarstedt et al., 2019). Trong phạm vi bài viết này sẽ chỉ cover những gì liên quan đến construct bậc 2 trong mô hình SEM. Từ cách xây dựng thang đo, đóng gói, lưu dữ liệu và cách chạy bằng phần mềm SmartPLS kèm cách thức báo cáo dữ liệu với một mô hình có construct bậc 2 (khác với mô hình chỉ có các construct bậc 1).

Trước tiên, chúng ta phải hiểu construct bậc 2 là như thế nào. Có bao nhiêu loại construct bậc 2?



Nguồn: (Sarstedt et al., 2019)


ở đây chúng ta có 04 cách xây dựng một construct bậc 2 – HOC (Higher-order component) từ các construct bậc 1 – LOC (Lower-order component). Nói 1 cách đơn giản, 1 construct bậc 2 được tổng hợp và phản ánh ý nghĩa của các construct bậc thấp hơn (ở đây là bậc 1)

Thực tế hơi phức tạp hơn 1 chút khi chúng ta xem xét cách xây dựng của từng loại construct theo 2 loại quan hệ là Reflective (ánh xạ) và Formative (hội tụ).


Trong loại 1 (Type I) ở hình trên, mối quan hệ của construct bậc 1 và bậc 2 đều là reflective, tức hiểu LOC1 là biến độc lập (independant variable) giải thích các biến phụ thuộc (dependant variables) – x1,x2,x3. Và Construct bậc 2 – HOC là biến độc lập giải thích các biến phụ thuộc LOC1, LOC2, LOC3


Và ngược lại đối với quan hệ formative (hội tụ)

Trong loại 4 (Type IV) ở hình trên, mối quan hệ của các construct bậc 1 và 2 đều là formative, tức hiểu LOC1, LOC2, LOC3 là các biến phụ thuộc được giải thích bởi các biến độc lập x1,x2,x3…x9. Và LOC1, LOC2, LOC3 gỉai thích construct bậc 2 – HOC


Vậy làm cách nào để xác định một mối quan hệ là reflective hay formative. Việc này đòi hỏi bạn phải tổng quan tài liệu nghiên cứu lý thuyết và trong trường hợp khái niệm bạn đang nghiên cứu là quá mới thì việc xác định sẽ cần liên hệ mạnh mẽ với các lý thuyết có liên quan sẵn có trong quá khứ để làm rõ rằng reflective hay formative là phù hợp. Trong nhiều trường hợp, reflective hay formative thì kết quả mô hình SEM là không có quá nhiều khác biệt. Thông thường, các nghiên cứu có liên quan đã công bố sẽ giúp bạn xác định mối quan hệ này, bật mí là thường là reflective với hàm ý các construct bậc cao được cấu thành từ các construct bậc thấp hơn hay nói cách khác là reflect (ánh xạ) ý nghĩa các construct bậc thấp.


Vì vậy bài viết này sẽ hướng dẫn cách chạy SEM với construct bậc 2 có mối quan hệ reflective. Nghiên cứu của Sarstedt et al. (2019) chỉ ra rằng trong trường hợp mô hình của bạn là dạng reflective-reflective thì xử lý dữ liệu bằng cách nào trong 2 cách dưới đây đều cho kết quả như nhau

Phương pháp 1. Tiếp cận nhúng 2 giai đoạn (the embedded two-stage approach) hay đúng hơn là tiếp cận nhúng 2 giai đoạn với các thông số lặp (the embedded two-stage repeated indicators approach).


Trở lại với mô hình lý thuyết minh hoạ. Chúng ta chuẩn bị sẵn bộ dữ liệu và tạo dự án mới trong SmartPLS


Bước 1: Xây dựng construct bậc 2 với các phát biểu (items) là tổng hợp lặp lại của tất cả các items của các construct bậc 1 của chính nó (như hình)



Hình 2. Minh hoạ Construct bậc 2 – Cognitive Response được tổng hợp từ toàn bộ các items của các construct bậc 1 của chính nó như Perceived Benefits, Perceived Usefulness, Perceived Advantage


Và các bạn vẽ toàn bộ mô hình cho hoàn chỉnh. Hình 3 minh hoạ dưới đây đã dấu đi các items của construct bậc 2 cho dễ nhìn nhưng bản chất vẫn giống ở Hình 2.



Hình 3. Mô hình minh hoạ hoàn chỉnh


Bước 2: Chạy mô hình cấu trúc như bình thường



Hình 4. Chạy mô hình bước 1



Ở đây hiểu bước 1 và 2 chính là Stage 1 (giai đoạn 1) trong 2 giai đoạn của tiếp cận nhúng 2 giai đoạn


Trong bước này chúng ta phải lưu lại các thông số quan trọng sau và báo cáo trong bài viết

+ Internal consistency – nhất quán nội tại (các chỉ số như: Cronbach’s Alpha, Composite reliability, pA)

+ Convergent validity – giá trị hội tụ (cá chỉ số: indicator reliability, average variance extracted – AVE)

+ Discriminant validity – giá trị phân biệt


Lưu ý: cần lưu cả 3 mục này cho cả construct bậc 1 và 2 luôn và báo cáo trong bài



Internal consistency


Trong trường hợp các giá trị internal consistency không thoả như Hình 5:

+ Cronbach’s Alpha >= 0.6 (giá trị mặc định trong SmartPLS là 0.7 nhưng không vấn đề gì nhé)

+ Rho_A >= 0.6 (giá trị mặc định trong SmartPLS là 0.7 nhưng không vấn đề gì nhé)

+ Composite Reliability >= 0.7

+ AVE >= 0.5



Hình 5. Các giá trị internal consistency chưa thoả


Ta xử lý bằng cách loại các items có mức độ đóng góp (loading) dưới 0.6 (tuỳ theo số mẫu tối thiểu – xem thêm Hair et al. (2017)).

Lưu ý: ở mỗi construct 1 lần chỉ nên loại 1 item theo nguyên tắc loại dần để xem internal consistency có tăng hay không rồi hãy loại thêm (nếu cần)




Hình 6a. Các items có loading nhỏ hơn 0.5 bị loại đầu tiên

Lưu ý: cần loại các items tương ứng nhỏ hơn 0.5 trong construct bậc 2 luôn nhé



Hình 6b. Mô hình sau khi loại items


Và ta lặp lại bước 2 và tiến hành loại cho đến khi đạt internal consistency như kỳ vọng


Bước 3: (là bước 2 trong 2 bước)


Bạn nhấn vào thẻ “Latent variables” và chọn copy ra “Excel format”




Hình 7. Lưu lại dữ liệu hồi quy để dùng vẽ lại mô hình


Xong bạn Ctrl+V vào Excel và lúc này các construct đã được hồi quy thành 1 cột dữ liệu duy nhất. Bạn dùng file excel chứa các trường dữ liệu này để mở một dự án vẽ một mô hình mới như sau.




Hình 8. Copy và paste từ hình 7 vào excel

Và vẽ lại mô hình mới như Hình 9. Lúc này các constructs đều đã được lưu lại dưới dạng dữ liệu đã chuẩn hoá (z-score) và các construct bậc 1 trở thành các item cho chính nó hoặc cho các construct bậc 2 tương ứng.




Hình 9. Mô hình sau khi được vẽ lại


Và đến đây thì ta đã xử lý xong construct bậc 2 theo phương pháp tiếp cận nhúng 2 giai đoạn (the embedded two-stage approach)


Còn lại là chạy mô hình SEM và báo cáo kết quả của mô hình cấu trúc (structural model) thông qua các thông số:

+ Collinearity (cộng tuyến) giữa các constructs

+ Path coefficients (các hệ số đường dẫn)

+ R2 và các thông số dự báo tác động trong mô hình như f2, Q2




Phương pháp 2: The disjoint two-stage approach (tiếp cận 2 bước tách rời)


Bước 1. Ở bước này các construct bậc 2 chưa tồn tại, chúng ta phải thực hiện một bước đệm trước.

Thay vì vẽ quan hệ giữa các construct bậc 2 và các construct còn lại trong mô hình (interactivity, visual aesthetics, intention to buy) thì ta thiết lập thay vì dùng construct bậc 2 thì là từng construct bậc 1 của chính nó. Ta được hình 10.


Ví dụ: thay vì Interactivity sẽ trỏ vào 2 construct bậc 2 là Cognitive response và Affective response thì ở đây Interactivity sẽ trỏ vào toàn bộ các construct bậc 1 cấu thành 2 construct bậc 2 trên.

Tương tự cho các mối quan hệ còn lại


Mô hình bậc 1 lúc bấy giờ sẽ trở thành như Hình 10



Hình 10. Bước 1 trong tiếp cận 2 bước tách rời


Ta tiến hành phân tích thường quy bước 1 như bình thường





Và cũng tiến hành kiểm tra internal consistency và loại items để đạt các giá trị kỳ vọng như ở phương pháp 1




Ở đây tiến hành loại các items có loading dưới 0.5


Tiếp theo đó chạy PLS Algorithm như thường quy.


Bước 2. Lưu lại dữ liệu đã chuẩn hoá (z-score)


Vào thẻ Latent variable à Copy to clipboard “Excel format”


Ở bước này sẽ khác với tiếp cận nhúng ở chỗ chúng ta chỉ lưu z-score của các construct bậc 1 của các construct bậc 2 là Cognitive response và Affective response mà ko lưu của các construct bậc 1 độc lập khác trong mô hình.


Lưu ý: chỉ lưu khi bước 1 các yếu tố này thoả các tiêu chí internal consistency



Ta chỉ lưu z-score của những construct bậc 1 sẽ gộp bậc 2 mà thôi.


Bước 2: Vẽ lại mô hình dùng các z-score này làm các items định nghĩa cho các construct bậc 2


Khác với phương pháp 1, phương pháp tiếp cận 2 bước tách rời vẫn giữ nguyên cấu trúc của các construct bậc 1 khác trong mô hình (như hình minh hoạ)




Và khác với Phương pháp 1, phương pháp 2 phải báo cáo tách biệt Internal consistency của cả construct bậc 1 và bậc 2.


Đối với construct bậc 1 như Interactivity, Visual Aesthetics và Intention to Buy thì ở bước chạy 1 đã có các thông số Internal consistency


Riêng với 2 construct bậc 2 – Cognitive response và Affective response thì ở bước 2 sau khi chạy PLS Algorithm chúng ta mới ghi nhận Internal Consistency của 2 construct này. Nếu bước 1 đã làm tốt thì bước 2 chắc chắn sẽ không loại thêm items nào nữa.


Đến đây là xong phần phân tích construct bậc 2 theo phương pháp tiếp cận 2 bước tách rời

Còn lại là chạy mô hình SEM và báo cáo kết quả của mô hình cấu trúc (structural model) ở lần chạy 2 thông qua các thông số:

+ Collinearity (cộng tuyến) giữa các constructs

+ Path coefficients (các hệ số đường dẫn)

+ R2 và các thông số dự báo tác động trong mô hình như f2, Q2


Good luck! Comment bên dưới nếu bạn muốn thảo luận.




Tài liệu tham khảo


[1] Hair, J., Hult, T., Ringle, C., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (pls-sem) (2nd ed.). Los Angeles: SAGE Publications, Inc.


[2] Sarstedt, M., Hair, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to Specify, Estimate, and Validate Higher-Order Constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197-211. https://doi.org/10.1016/j.ausmj.2019.05.003



 
 
 

Comments


Post: Blog2_Post

© 2023 bởi Simon Dang. Tự hào được tạo bằng Wix.com

bottom of page