Trong các đề tài nghiên cứu khoa học, việc phân tích mô hình cấu trúc tuyến tính SEM gần như là một phần không thể thiếu. Vậy nên sử dụng CB-SEM hay PLS-SEM? Trong bài viết này, Marketing Du Ký sẽ hướng dẫn các bạn phân biệt được khi nào nên sử dụng CB-SEM và PLS-SEM.
1. Đôi nét về mô hình SEM
Mô hình cấu trúc tuyến tính (Structural Equation Modeling - SEM) là một kỹ thuật kiểm định và xây dựng mô hình dựa trên mối quan hệ giữa các biến. Thông thường, SEM có hai phương pháp chính:
CB-SEM (Covariance-Based SEM): Dựa trên ma trận hiệp phương sai, tập trung vào kiểm định lý thuyết và tính phù hợp của mô hình.
PLS-SEM (Partial Least Squares SEM): Dựa trên phương pháp bình phương nhỏ nhất từng phần, tối ưu hóa dự đoán và phù hợp với các mô hình phức tạp.
2. Khi nào nên sử dụng CB-SEM?
Trên thực tế, mô hình CB-SEM thường được sử dụng trong một số trường hợp sau:
Kiểm định giả thuyết: Khi nghiên cứu được thực hiện dựa trên lý thuyết vững chắc, CB-SEM sẽ giúp kiểm định mức độ phù hợp của mô hình so với dữ liệu thực tế.
Kiểm định mối quan hệ nhân quả: CB-SEM mạnh mẽ trong việc xác định quan hệ nhân quả giữa các biến trong mô hình.
Dữ liệu có cỡ mẫu lớn: Nếu bạn có kích thước mẫu lớn và đáp ứng được các giả định về phân phối chuẩn, CB-SEM sẽ mang đến kết quả chính xác hơn.
So sánh mô hình lý thuyết khác nhau: Nếu bạn muốn so sánh các mô hình khác nhau để tìm ra mô hình tốt nhất, CB-SEM có thể hỗ trợ tốt hơn so với PLS-SEM.
Tập trung vào tính phù hợp tổng thể của mô hình: CB-SEM sử dụng các chỉ số như CFI, RMSEA, SRMR để đánh giá mức độ phù hợp tổng thể của mô hình với dữ liệu.
3. Khi nào nên sử dụng PLS-SEM?
Khác với CB-SEM, mô hình PLS-SEM lại thường được sử dụng ở một số trường hợp:
Tập trung vào yếu tố dự đoán: Nếu bạn muốn tối ưu hóa khả năng dự đoán của mô hình, PLS-SEM sẽ phù hợp hơn so với CB-SEM.
Dữ liệu có cỡ mẫu nhỏ: Khi bạn không thể thu thập đủ dữ liệu hoặc có giới hạn về số lượng người tham gia khảo sát, PLS-SEM sẽ mang đến kết quả đáng tin cậy hơn.
Dữ liệu không theo phân phối chuẩn: PLS-SEM không yêu cầu dữ liệu phải tuân theo phân phối chuẩn, điều này giúp giảm thiểu rủi ro khi áp dụng trong thực tế.
Mô hình phức tạp, nhiều mối quan hệ và biến tiềm ẩn: PLS-SEM linh hoạt hơn trong việc xử lý các mô hình có nhiều biến và mối quan hệ phức tạp.
Mô hình lý thuyết chưa hoàn chỉnh hoặc mang tính khám phá: Nếu bạn đang nghiên cứu một mô hình mới và chưa có lý thuyết vững chắc hỗ trợ, PLS-SEM sẽ giúp kiểm tra giả thuyết một cách hiệu quả.
4. Sự khác biệt giữa CB-SEM và PLS-SEM
Trên thực tế, việc lựa chọn giữa CB-SEM và PLS-SEM phụ thuộc vào mục tiêu nghiên cứu, tính chất dữ liệu cùng một số yếu tố khác. Hy vọng thông qua bài viết này của Marketing Du Ký, bạn đã có thể phân biệt giữa CB-SEM và PLS-SEM.
