Lý thuyết và các dạng mô hình bậc hai trong PLS-SEM

Bài viết giúp bạn hiểu rõ mô hình bậc hai trong PLS-SEM, lý do sử dụng, các dạng mô hình phổ biến, cũng như cách xây dựng và đánh giá hiệu quả.

1. Mô hình bậc hai trong PLS-SEM là gì?

Mô hình bậc cao (higher-order model hay hierarchical component model) trong PLS-SEM là cách tiếp cận được sử dụng khi khái niệm nghiên cứu mang tính phức tạp và bao gồm nhiều lớp ý nghĩa. Trong các nghiên cứu thông thường, mô hình bậc một chỉ xem xét khái niệm ở một chiều duy nhất và đo lường trực tiếp thông qua các biến quan sát. Tuy nhiên, với những khái niệm đa chiều, cách tiếp cận này khó phản ánh đầy đủ bản chất nghiên cứu. Khi đó, mô hình bậc hai trong PLS-SEM được áp dụng nhằm tổng hợp các thành phần bậc thấp hơn thành một khái niệm tổng quát.

Cụ thể, một biến tiềm ẩn được gọi là biến bậc cao khi nó không được đo lường trực tiếp bởi các biến quan sát mà thông qua các biến tiềm ẩn bậc một. Các biến bậc một này tiếp tục được đo lường bằng các biến quan sát, thường là các câu hỏi trong bảng khảo sát.

Ví dụ, chất lượng trải nghiệm học tập trực tuyến có thể được xem là một biến tiềm ẩn bậc hai, được hình thành từ các biến bậc một như chất lượng nội dung học tập, mức độ tương tác trong lớp học và chất lượng nền tảng công nghệ; mỗi thành phần này lại được đo lường bằng các câu hỏi cụ thể về nội dung bài giảng, khả năng trao đổi với giảng viên và sự ổn định của hệ thống học trực tuyến.

Trong mô hình trên, chất lượng trải nghiệm học tập trực tuyến là biến tiềm ẩn bậc hai, không được đo lường trực tiếp mà được hình thành từ ba biến tiềm ẩn bậc một gồm chất lượng nội dung học tập, mức độ tương tác trong lớp học và chất lượng nền tảng công nghệ. Mỗi biến bậc một tiếp tục được đo lường thông qua các biến quan sát tương ứng (a1, a2; b1, b2; c1), là các câu hỏi trong bảng khảo sát được thu thập trực tiếp từ người trả lời. Cách xây dựng này cho phép tổng hợp các khía cạnh cụ thể thành một khái niệm tổng thể, giúp mô hình gọn hơn và phù hợp với phân tích PLS-SEM.

Việc sử dụng mô hình bậc cao trong PLS-SEM giúp phản ánh đúng cấu trúc đa chiều của khái niệm nghiên cứu, đồng thời làm giảm độ phức tạp của mô hình và nâng cao khả năng diễn giải kết quả. Mặc dù về mặt lý thuyết có thể xây dựng mô hình với nhiều cấp độ hơn, song trong thực tiễn nghiên cứu, mô hình bậc hai vẫn được sử dụng phổ biến nhất nhằm đảm bảo tính chặt chẽ về lý thuyết và khả năng ước lượng của mô hình.

2. Phân biệt mô hình bậc cao và mô hình bậc một trong PLS-SEM

Trong phân tích PLS-SEM, mô hình được gọi là mô hình bậc cao khi trong cấu trúc nghiên cứu tồn tại ít nhất một biến tiềm ẩn bậc cao (Higher-Order Construct – HOC), tức là biến được hình thành từ các biến tiềm ẩn cấp thấp hơn. Ngược lại, mô hình bậc một (hay mô hình bậc thấp) chỉ bao gồm các biến tiềm ẩn bậc một (Lower-Order Constructs – LOC) và các biến này được đo lường trực tiếp thông qua các biến quan sát.

So với mô hình bậc một, mô hình bậc cao mang lại hai khác biệt quan trọng.

Thứ nhất, việc gộp các biến bậc thấp vào một biến bậc cao giúp giảm số lượng đường dẫn trong mô hình, từ đó làm cấu trúc mô hình trở nên tinh gọn và dễ trình bày hơn.

Thứ hai, mô hình bậc cao cho phép đánh giá trực tiếp mối quan hệ giữa biến bậc cao (biến mẹ) với các biến khác trong mô hình, qua đó phản ánh rõ hơn vai trò tổng thể của khái niệm nghiên cứu.

3. Phân loại mô hình bậc cao trong PLS-SEM (SmartPLS)

Về bản chất, mô hình bậc cao (Hierarchical Component Model – HCM) có nguyên lý giống nhau trong cả SEM dựa trên hiệp phương sai (CB-SEM) và SEM dựa trên phương sai (PLS-SEM). Tuy nhiên, do sự khác biệt trong cách biểu diễn mô hình và xử lý dữ liệu giữa các phần mềm, nội dung này chỉ tập trung trình bày mô hình bậc cao trong PLS-SEM và cách thể hiện chúng trên phần mềm SmartPLS.

3.1 Hướng tác động giữa biến bậc hai và biến bậc một

Trong mô hình bậc cao, mối quan hệ giữa biến tiềm ẩn bậc hai (HOC) và các biến tiềm ẩn bậc một (LOC) có thể được thiết lập theo hai hướng khác nhau, tương ứng với hai loại mô hình đo lường là nguyên nhân (formative) và kết quả (reflective).

a) Quan hệ nguyên nhân (formative): LOC → HOC

Ở dạng này, các biến bậc một đóng vai trò hình thành nên biến bậc hai. Ví dụ, Chất lượng dịch vụ y tế là biến bậc hai, được hình thành từ các biến bậc một gồm chất lượng chuyên môn bác sĩ, thái độ phục vụ của nhân viên y tế và điều kiện cơ sở vật chất bệnh viện. Mỗi biến bậc một phản ánh một khía cạnh riêng biệt, nhưng khi kết hợp lại sẽ tạo nên khái niệm tổng thể về chất lượng dịch vụ y tế. Trên sơ đồ SmartPLS, các mũi tên được vẽ từ các biến bậc một hướng lên biến bậc hai, thể hiện mối quan hệ mang tính nguyên nhân (formative).

b) Quan hệ kết quả (reflective): HOC → LOC

Ngược lại, trong quan hệ phản xạ (reflective), biến bậc hai được xem là nguyên nhân tạo ra các biểu hiện ở cấp độ bậc một. Ví dụ, Chất lượng dịch vụ y tế có thể được phản ánh thông qua các biến bậc một như mức độ hài lòng chung của người bệnh, ý định quay lại khám chữa bệnh và sự sẵn sàng giới thiệu bệnh viện cho người khác. Các biến bậc một này không phải là những thành phần cấu thành độc lập, mà là những biểu hiện khác nhau của cùng một khái niệm chất lượng dịch vụ y tế.

Khi thể hiện trên diagram trong SmartPLS, mũi tên sẽ hướng từ biến bậc hai xuống các biến bậc một, phản ánh mối quan hệ kết quả. Hai dạng quan hệ này khác nhau về bản chất lý thuyết, dẫn đến sự khác biệt trong cách xây dựng mô hình, kiểm định và diễn giải kết quả. Vì vậy, nếu xác định sai hướng quan hệ giữa HOC và LOC, mô hình có thể vi phạm các tiêu chí thống kê và làm sai lệch kết luận nghiên cứu.

3.2 Các cấu trúc mô hình bậc cao phổ biến trong PLS-SEM

Mỗi mô hình bậc cao đều bao gồm hai cấp độ: biến bậc cao (HOC) đại diện cho khái niệm trừu tượng hơn và các biến bậc thấp (LOC) phản ánh các thành phần cấu thành của khái niệm đó. Đặc điểm của từng dạng mô hình phụ thuộc vào hai mối quan hệ: (1) mối quan hệ giữa biến quan sát và biến bậc một, và (2) mối quan hệ giữa biến bậc một và biến bậc hai. Hai mối quan hệ này được xây dựng dựa trên hai loại mô hình đo lường là kết quả (reflective) và nguyên nhân (formative).

Trong PLS-SEM, bốn dạng mô hình bậc hai được sử dụng phổ biến, bao gồm: kết quả – kết quả, kết quả – nguyên nhân, nguyên nhân – kết quả và nguyên nhân – nguyên nhân. Tên gọi của mỗi dạng mô hình gồm hai phần A–B, trong đó A thể hiện mối quan hệ giữa biến quan sát và biến tiềm ẩn bậc một, còn B thể hiện mối quan hệ giữa biến tiềm ẩn bậc một và biến tiềm ẩn bậc hai. Ví dụ, mô hình kết quả – nguyên nhân cho thấy các biến quan sát phản ánh biến bậc một theo dạng kết quả, trong khi các biến bậc một lại hình thành nên biến bậc hai theo dạng nguyên nhân.

Kết luận

Mô hình bậc cao trong PLS-SEM là một công cụ phân tích quan trọng, đặc biệt phù hợp với các nghiên cứu sử dụng khái niệm đa chiều và trừu tượng. Thông qua việc tổ chức các biến tiềm ẩn bậc thấp (LOC) thành một biến tiềm ẩn bậc cao (HOC), mô hình không chỉ giúp phản ánh đúng bản chất lý thuyết của khái niệm nghiên cứu mà còn góp phần đơn giản hóa cấu trúc mô hình, nâng cao khả năng diễn giải và trình bày kết quả.

Bài viết đã làm rõ sự khác biệt giữa mô hình bậc một và mô hình bậc cao, đồng thời phân tích chi tiết hai hướng quan hệ giữa HOC và LOC (nguyên nhân – formative và kết quả – reflective). Đây là bước then chốt trong quá trình xây dựng mô hình, bởi việc xác định sai bản chất quan hệ có thể dẫn đến sai lệch kết quả kiểm định và vi phạm các tiêu chí thống kê trong PLS-SEM.

Bên cạnh đó, bốn dạng cấu trúc mô hình bậc hai phổ biến trong PLS-SEM (kết quả – kết quả, kết quả – nguyên nhân, nguyên nhân – kết quả, nguyên nhân – nguyên nhân) đã được hệ thống hóa nhằm giúp người nghiên cứu lựa chọn mô hình phù hợp với cơ sở lý thuyết và bối cảnh nghiên cứu thực tế. Trong quá trình ứng dụng SmartPLS, việc hiểu đúng ý nghĩa của từng dạng mô hình sẽ giúp quá trình thiết lập diagram, ước lượng và diễn giải kết quả trở nên chính xác và nhất quán hơn.

Xem thêm: xây dựng và xử lý mô hình bậc cao trong SmartPLS 3

-------------------

Nội dung được Resdata biên soạn dựa trên kinh nghiệm trực tiếp trong quá trình xử lý và phân tích dữ liệu cho nhiều đề tài nghiên cứu khác nhau. Trong trường hợp bạn gặp khó khăn khi thao tác AMOS, chưa tự tin trong việc đọc và diễn giải kết quả, hoặc cần hỗ trợ để hoàn thiện mô hình nghiên cứu đúng hướng và đúng chuẩn học thuật, dịch vụ AMOS tại Resdata sẵn sàng đồng hành và hỗ trợ bạn giúp bạn vượt qua mọi deadline cận kề nhất.

Resdata hỗ trợ bạn những gì?

 ✅ Tư vấn & định hướng toàn bộ quy trình xử lý dữ liệu AMOS: Rà soát thang đo, phát hiện và xử lý các biến không phù hợp, đồng thời định hướng từng bước phân tích (Cronbach’s Alpha, EFA, hồi quy/SEM…) theo đúng bản chất dữ liệu, bối cảnh nghiên cứu và mục tiêu đề tài, giúp kết quả phản ánh thực tế nghiên cứu và đáp ứng yêu cầu học thuật.

✅ Hỗ trợ SPSS 1 kèm 1 qua ultraview: Hướng dẫn chi tiết từng bước thực hành và cách viết nhận xét chuẩn học thuật.

✅ Xử lý nhanh – đúng chuẩn: Xử lý kết quả trong ngày Phù hợp cho khóa luận, luận văn, luận án và bài báo khoa học.

✅ Cam kết chỉnh sửa theo góp ý của giảng viên/hội đồng cho đến khi đạt yêu cầu.

Nếu bạn đang gặp phải các tình huống trên và chưa tìm được hướng xử lý phù hợp, đừng ngần ngại liên hệ ngay: Hotline: 0907 786 895.

Resdata luôn sẵn sàng đồng hành cùng bạn với phương châm Nhanh chóng – Tin cậy – Bảo mật – Chi phí hợp lý.