- Giáo trình phân tích SmartPLS. Hướng dẫn chi tiết
- Cách đọc kết quả SmartPLS
- Các thao tác cơ bản với Project trên Smart PLS
- Các thao tác cơ bản với dữ liệu trên Smart PLS
- Các thao tác cơ bản với mô hình trên Smart PLS
- Trích dẫn kết quả từ phần mềm vào bài làm
- Đánh giá mô hình đo lường kết quả trên SmartPLS
- Phân tích mô hình PLS-SEM trên SmartPLS
- Đọc thêm: Bootstrapping và các kết quả trên SmartPLS
- Hệ số tác động f2 (f Square) trên phần mềm SmartPLS (Hệ số đánh giá tác động của 1 biến độc lập đến khả năng giải thích mô hình đối với 1 biến phụ thuôc tương ứng)
- Phép dò tìm (Blindfolding) và khả năng dự báo ngoài mẫu Q2
- Hệ số tác động năng lực dự đoán q2 (q Square)
- Tác động trực tiếp, gián tiếp và tổng hợp trên SmartPLS
- Đánh giá vai trò của biến trung gian trong PLS SEM bằng phần mềm SmartPLS
- So sánh trung bình 2 mẫu độc lập trên SmartPLS
- Xử lý biến điều tiết trên SmartPLS
- Phân tích đa nhóm và xử lý biến điều tiết phân loại trên SmartPLS
- Phân tích biến điều tiết liên tục trên SmartPLS
- Đánh giá mô hình đo lường nguyên nhân
- Xử lý mô hình có biến tiềm ẩn bậc cao
- Đọc thêm: Model Fit trên SmartPLS
- Đọc thêm: Hệ số GoF (goodness-of-fit index) của mô hình SEM
- Data demo cho loạt bài Smart PLS
- Đọc thêm: Chứng minh cách tiếp cận các biến tiềm ẩn bậc cao bằng phương pháp lặp lại các biến chỉ báo
Cập nhật: 13/03/2024 bởi admin0
Nội dung chính (Nếu bạn chưa đăng nhập, nhiều nội dung có thể đã bị ẩn đi)
Dạng 4: Nguyên nhân- Nguyên nhân (Formative- Formative)
Dạng 4.1. Biến tiềm ẩn bậc cao đóng vai trò là biến độc lập (có thể là biến trung gian)
Với vai trò này thì tương tự như dạng 2.1
Xét model4 và bộ data 0
Với biến bậc thấp và cao đều ở dạng nguyên nhân, ta chỉ cần dùng phương pháp lặp lại các biến chỉ báo dạng nguyên nhân cho biến tiềm ẩn bậc cao (mũi tên quay từ biến chỉ báo và biến tiếm ẩn bậc cao) và ước lượng mô hình bình thường. Chú ý rằng nếu xoá biến chỉ báo ở các biến bậc 1 thì cũng phải xoá ở biến bậc cao
Xem chứng minh cách tiếp cận này: https://ungdung.hotronghiencuu.com/chung-minh-cach-tiep-can-cac-bien-tiem-an-bac-cao-bang-phuong-phap-lap-lai-cac-bien-chi-bao/4#Dang_4_Nguyen_nhan-_Nguyen_nhan_Formative-_Formative
Kết quả thu được như sau
Vấn đề tương tự với mô hình dạng 2 khi mà R bình phương của biến bậc cao bằng 1 (xấp xỉ 1) và biến độc lập của X (ATTR) không thể hiện được vài trò giải thích X trong mô hình
Dạng 4.2. Biến tiềm ẩn bậc cao đóng vai trò là biến phụ thuộc (có thể là biến trung gian)
Lúc này ta tiếp tục xử lý như với dạng 2.2. Ta tiến hành phương pháp tiêp cận 2 giai đoạn như sau
Bước 1. Ước lượng mô hình bằng cách tiếp cận chỉ báo lặp lại
Lúc này ta thu được các biến đại diện cho các biến tiềm ẩn ở mục Latent Variable. Copy và dán vào bộ data gốc rồi lưu lại thành file data mới (lưu định dạng CSV)
Bước 2: Nạp lại bộ data mới vào phần mềm (data2)
Lúc này bộ data mới đã xuất hiện các biến mới đưa vào
Bước 3: Vẽ lại mô hình
Sử dụng các biến đại diện như biến chỉ báo cho biến X (model 4.2). Chú ý răng model này giống hệt model 2.3 nên có thể không cần vẽ lại
Ước lượng mô hình này thu được kết quả như sau. Các kết quả khác như R2 của các biến khác, hệ số hồi quy của các đường dẫn khác sai khác nhau chỉ vài phần ngàn. Tuy nhiên mỗi quan hệ giữa ATTR và X đã được thấy rõ nét với hệ số hồi quy bằng 0.703 và R2 bằng 0.495
Project demo (data kèm mô hình vẽ sẵn) tại đây: https://ungdung.hotronghiencuu.com/data-demo-cho-loat-bai-smart-pls