Chạy Mô Hình SEM Trên AMOS và SmartPLS Có Ra Kết Quả Giống Nhau Không?

Khi tiến hành phân tích **Mô hình phương trình cấu trúc (Structural Equation Modeling – SEM)**, hai phần mềm phổ biến nhất hiện nay là **IBM SPSS Amos (AMOS)** và **SmartPLS**. Nhiều nhà nghiên cứu thường thắc mắc liệu việc chạy cùng một mô hình trên cả hai phần mềm này có mang lại kết quả giống hệt nhau không. Câu trả lời ngắn gọn là **không hoàn toàn giống nhau**, và sự khác biệt này xuất phát từ phương pháp ước lượng cơ bản mà mỗi phần mềm sử dụng.

1. Hai Phương Pháp Ước Lượng Khác Biệt

Điểm mấu chốt tạo nên sự khác biệt trong kết quả giữa AMOS và SmartPLS chính là phương pháp ước lượng mà chúng áp dụng:

⚡

BÁO GIÁ SIÊU TỐC TRONG 5-15 PHÚT

Nếu bạn cần dịch vụ hỗ trợ về dữ liệu, chỉ cần nhắn Zalo và cung cấp thông tin bài. Bạn sẽ nhận được báo giá chi tiết chỉ sau 5-15 phút.

* Lưu ý: Mọi báo giá trên website chỉ là tham khảo do tính chất các bài hoàn toàn khác nhau:

• Cùng các bước chạy nhưng 3 giả thuyết độ khó khác bài 10 giả thuyết.
• Sửa dữ liệu đã đạt 5/6 bước sẽ khác bộ chỉ mới đạt 3/6 bước.
• Cùng một mô hình nhưng trình tự và yêu cầu khác nhau tạo ra độ khó khác nhau.

NHẮN ZALO BÁO GIÁ NGAY: 086 978 6862

1.1. AMOS: Ước lượng dựa trên hiệp phương sai (CB-SEM)

AMOS sử dụng phương pháp **Mô hình phương trình cấu trúc dựa trên hiệp phương sai (Covariance-Based SEM – CB-SEM)**. Phương pháp này hoạt động bằng cách tìm kiếm một mô hình lý thuyết khớp với ma trận hiệp phương sai hoặc tương quan của dữ liệu quan sát. CB-SEM thường sử dụng ước lượng **Maximum Likelihood (ML)** làm phương pháp mặc định, hoặc các phương pháp khác như Generalized Least Squares (GLS), Unweighted Least Squares (ULS), Asymptotically Distribution-Free (ADF).

• **Mục tiêu:** Ước lượng các tham số mô hình (hệ số đường dẫn, trọng số nhân tố, phương sai) sao cho ma trận hiệp phương sai/tương quan được tái tạo từ mô hình càng gần với ma trận quan sát được càng tốt.
• **Ưu điểm:** Mạnh mẽ trong kiểm định lý thuyết, đặc biệt khi dữ liệu tuân thủ phân phối chuẩn đa biến, và khi mục tiêu là khẳng định một cấu trúc lý thuyết cụ thể. CB-SEM cũng cung cấp nhiều chỉ số phù hợp mô hình tổng thể.
• **Yêu cầu:** Thường yêu cầu dữ liệu tuân theo phân phối chuẩn đa biến (đối với ML), cỡ mẫu lớn (thường > 200 quan sát).

1.2. SmartPLS: Ước lượng dựa trên bình phương tối thiểu từng phần (PLS-SEM)

SmartPLS sử dụng phương pháp **Mô hình phương trình cấu trúc bình phương tối thiểu từng phần (Partial Least Squares SEM – PLS-SEM)**. Đây là một kỹ thuật dựa trên phương sai (variance-based) và không yêu cầu giả định phân phối chuẩn của dữ liệu. PLS-SEM hoạt động bằng cách tối đa hóa phương sai giải thích được của các biến phụ thuộc trong mô hình.

• **Mục tiêu:** Ước lượng các tham số mô hình nhằm tối đa hóa khả năng dự đoán của mô hình, đặc biệt là khả năng giải thích phương sai của các biến phụ thuộc.
• **Ưu điểm:** Mạnh mẽ khi dữ liệu không tuân theo phân phối chuẩn, khi cỡ mẫu nhỏ (tối thiểu 10 lần số lượng mũi tên hướng vào biến tiềm ẩn có nhiều mũi tên nhất hoặc 10 lần số lượng biến quan sát của thang đo phức tạp nhất), hoặc khi mục tiêu chính là dự đoán và phát triển lý thuyết. Nó cũng rất hữu ích cho các mô hình phức tạp với nhiều biến tiềm ẩn và mối quan hệ.
• **Yêu cầu:** Ít ràng buộc hơn về phân phối dữ liệu và cỡ mẫu so với CB-SEM.

2. Sự Khác Biệt Trong Kết Quả (Các Chỉ Số và Hệ Số)

Vì sự khác biệt về phương pháp ước lượng, bạn sẽ thấy kết quả giữa AMOS và SmartPLS có những điểm khác biệt rõ rệt:

2.1. Về trọng số và tải nhân tố (Factor Loadings & Weights)

• **AMOS (CB-SEM):** Ước lượng tải nhân tố nhằm tối đa hóa sự phù hợp tổng thể của mô hình với ma trận hiệp phương sai.
• **SmartPLS (PLS-SEM):** Ước lượng tải nhân tố và trọng số (weights) của các biến quan sát để tối đa hóa phương sai giải thích được của biến tiềm ẩn mà chúng đo lường, đồng thời tối đa hóa sức mạnh dự đoán của mô hình. Trong PLS-SEM, biến quan sát có thể đóng góp theo hai cách: đo lường (reflective) hoặc hình thành (formative), và trọng số sẽ thể hiện vai trò này.

2.2. Về hệ số đường dẫn (Path Coefficients)

• Các giá trị hệ số đường dẫn (beta) thể hiện cường độ và hướng của mối quan hệ giữa các biến tiềm ẩn có thể khác nhau do các phương pháp tính toán và mục tiêu tối ưu hóa khác nhau.
• Giá trị p-value để kiểm định ý nghĩa thống kê của các mối quan hệ cũng có thể khác biệt do SmartPLS sử dụng kỹ thuật bootstrapping để ước lượng sai số chuẩn.

2.3. Về chỉ số phù hợp mô hình (Model Fit Indices)

• **AMOS (CB-SEM):** Cung cấp một bộ chỉ số phù hợp mô hình phong phú và chuẩn mực (Chi-square, RMSEA, CFI, TLI, GFI, SRMR), dùng để đánh giá mức độ “khớp” của mô hình với dữ liệu.
• **SmartPLS (PLS-SEM):** Ít tập trung vào các chỉ số phù hợp mô hình tổng thể theo kiểu CB-SEM. Thay vào đó, nó cung cấp các chỉ số đánh giá chất lượng mô hình dựa trên khả năng dự đoán như $R^2$ (hệ số xác định), $Q^2$ (khả năng dự đoán ngoài mẫu), và SRMR. SmartPLS 4 đã bổ sung thêm một số chỉ số phù hợp toàn cục như NFI để đáp ứng nhu cầu so sánh với CB-SEM, nhưng chúng không phải là trọng tâm chính của phương pháp.

3. Khi Nào Nên Chọn AMOS, Khi Nào Nên Chọn SmartPLS?

Việc lựa chọn phần mềm phụ thuộc vào mục tiêu nghiên cứu, đặc điểm dữ liệu và triết lý nghiên cứu của bạn:

• **Chọn AMOS (CB-SEM) khi:**
  • Mục tiêu chính là **kiểm định và khẳng định lý thuyết** đã tồn tại.
  • Dữ liệu của bạn **tuân theo phân phối chuẩn** (hoặc gần chuẩn).
  • Bạn có **cỡ mẫu đủ lớn** (thường > 200).
  • Bạn quan tâm đến các **chỉ số phù hợp mô hình tổng thể** để chứng minh mô hình khớp với dữ liệu.
  • Mô hình của bạn chủ yếu bao gồm các biến tiềm ẩn **phản ánh (reflective)**.
• **Chọn SmartPLS (PLS-SEM) khi:**
  • Mục tiêu chính là **dự đoán và phát triển lý thuyết** (exploratory and predictive research).
  • Dữ liệu của bạn **không tuân theo phân phối chuẩn**.
  • Bạn có **cỡ mẫu nhỏ** hoặc vừa.
  • Mô hình của bạn có thể bao gồm các biến tiềm ẩn **hình thành (formative)**.
  • Bạn quan tâm đến việc xác định các yếu tố dự đoán quan trọng và tối đa hóa khả năng giải thích phương sai.
  • Các mô hình rất phức tạp hoặc có nhiều biến tiềm ẩn.

Mặc dù AMOS và SmartPLS đều là công cụ mạnh mẽ cho SEM, nhưng chúng phục vụ các mục đích hơi khác nhau và dựa trên các triết lý thống kê khác nhau. Việc hiểu rõ sự khác biệt này sẽ giúp bạn đưa ra lựa chọn phần mềm phù hợp nhất cho nghiên cứu của mình, từ đó đạt được kết quả chính xác và ý nghĩa.