SmartPLS-các chỉ số cần đánh giá trong mô hình đo lường và mô hình cấu trúc

Khi thực hiện phân tích dữ liệu với SmartPLS-các chỉ số cần đánh giá trong mô hình đo lường và mô hình cấu trúc là những chỉ số nào? Bài này nhóm MBA Bách Khoa sẽ giới thiệu cho các bạn

Trong bất kì mô hình đo lường nào, phần mềm tự tính ra indicator loadings và indicator weights. Khi sử dụng mô hình reflective measurement models, outer loadings được đem ra phân tích, Khi sử dụng formative measurement models ,outer weights được đem ra phân tích chủ yếu.

Outer weight khác outer loading như thế nào?

  1. Outer weight : quan hệ giữa các biến chỉ báo indicator và formative construct
  2. Outer loading : quan hệ giữa các biến chỉ báo indicator và reflective construct

Các chỉ số quan trọng trong mô hình đo lường (measurement model ) của PLS-SEM là

  1. Độ tin cậy reliability
  2. Giá trị hội tụ convergent validity
  3. Giá trị phân biệt discriminant validity.

Các chỉ số quan trọng trong mô hình cấu trúc (structural model ) của PLS-SEM là

  1. R2 (phần phương sai giải thích được)
  2. Độ lớn và mức ý nghĩa significance của các mối quan hệ, các giả thiết trong mô hình.

Còn độ phù hợp mô hình, model fit trong PLS-SEM so với CB-SEM thì sao?

CB-SEM dựa vào một số chỉ số để đo độ phù hợp goodness-of-fit measures dựa vào sự khác biệt giữa ma trận hiệp phương sai mô hình thực nghiệm và mô hình lý thuyết. Trong khi đó PLS-SEM dựa vào variances thay vì covariances để tính toán giải pháp tối ưu, các chỉ số độ phù hợp mô hình covariance-based goodness-of-fit không có đầy đủ trong ngữ cảnh của PLS-SEM. Các chỉ số model fit trong PLS-SEM dựa vào phương sai variance và tập trung vào sự khác biệt giữa giá trị quan sát được ( trong trường hợp biến quan sát trực tiếp được) hoặc giá trị xấp xỉ (trong trường hợp latent variables biến tiềm ẩn) của biến phụ thuộc và giá trị dự đoán bởi mô hình