Pls sem là gì? Các công bố khoa học về Pls sem

Mục đích của bài báo này là cung cấp một cái nhìn tổng quan đầy đủ, nhưng ngắn gọn, về các yếu tố cần cân nhắc và các chỉ số cần thiết cho phân tích mô hình phương trình cấu trúc sử dụng phương pháp tối thiểu bình phương (PLS-SEM) và báo cáo kết quả. Những cân nhắc sơ bộ được tóm tắt trước tiên, bao gồm lý do chọn PLS-SEM, kích thước mẫu được khuyến nghị trong các bối cảnh đã chọn, giả định phân phối, sử dụng dữ liệu thứ cấp, sức mạnh thống kê và nhu cầu cần kiểm tra độ phù hợp. Tiếp theo, các chỉ số cũng như những quy tắc cần tuân thủ để đánh giá kết quả PLS-SEM sẽ được đề cập. Ngoài việc trình bày các tiêu chí đánh giá PLS-SEM đã được thiết lập, cái nhìn tổng quan này còn bao gồm các hướng dẫn mới sau: PLSpredict (tức là, một phương pháp mới để đánh giá khả năng dự đoán ngoài mẫu của mô hình), các chỉ số so sánh mô hình, và một số phương pháp bổ sung để kiểm tra tính ổn định của kết quả.

Bài báo này cung cấp cái nhìn tổng quan về các chỉ số đã được đề xuất trước đây và gần đây cũng như các quy tắc áp dụng để đánh giá kết quả nghiên cứu dựa trên ứng dụng của PLS-SEM.

Hầu hết các chỉ số đã áp dụng trước đây để đánh giá kết quả PLS-SEM vẫn còn phù hợp. Tuy nhiên, các nhà nghiên cứu cần phải nắm vững về các chỉ số và phương pháp được đề xuất gần đây (ví dụ: tiêu chí so sánh mô hình) và khi nào, cũng như cách áp dụng chúng để mở rộng phân tích của mình.

Các phát triển phương pháp học liên quan đến PLS-SEM đang nhanh chóng xuất hiện. Các chỉ số được báo cáo trong bài báo này hữu ích cho các ứng dụng hiện tại, nhưng luôn cần phải cập nhật với những phát triển mới nhất trong phương pháp PLS-SEM.

Theo ánh sáng của các nghiên cứu và phát triển phương pháp gần đây trong lĩnh vực PLS-SEM, các hướng dẫn sử dụng phương pháp cần được mở rộng và cập nhật liên tục. Bài báo này là bản tóm tắt hiện tại và toàn diện nhất về phương pháp PLS-SEM và các chỉ số được áp dụng để đánh giá các giải pháp của nó.

Nhằm thực hiện lời kêu gọi nâng cao nhận thức về các phương pháp báo cáo đã được chấp nhận của Ringle, Sarstedt và Straub vào năm 2012, mục đích của bài báo này là xem xét và phân tích việc sử dụng mô hình phương trình cấu trúc hồi quy suy diễn theo phần (PLS-SEM) trong tạp chí Quản lý Công nghiệp & Hệ thống Thông tin (IMDS) và mở rộng các ứng dụng của tạp chí Quản lý Thông tin Hệ thống (MIS Quarterly) để bao gồm khoảng thời gian từ 2012 đến 2014.

Xem xét các ứng dụng PLS-SEM trong các nghiên cứu hệ thống thông tin (IS) được công bố trong IMDS và MISQ trong khoảng thời gian từ 2010 đến 2014, xác định tổng cộng 57 bài báo báo cáo việc sử dụng hoặc bình luận về PLS-SEM.

Kết quả cho thấy sự trưởng thành ngày càng tăng của lĩnh vực IS trong việc sử dụng PLS-SEM cho độ phức tạp của mô hình và các phép đo hình thành, không chỉ giới hạn ở quy mô mẫu nhỏ và dữ liệu không phân phối chuẩn.

Kết quả cho thấy việc tiếp tục sử dụng và chấp nhận PLS-SEM như một phương pháp nghiên cứu được chấp nhận trong IS. PLS-SEM được thảo luận như là phương pháp SEM ưa thích khi mục tiêu nghiên cứu là dự đoán.

Cập nhật này về việc sử dụng PLS-SEM và các phát triển gần đây sẽ giúp các tác giả hiểu và áp dụng phương pháp này tốt hơn. Các nhà nghiên cứu được khuyến khích tham gia vào các thủ tục báo cáo hoàn chỉnh.

Việc áp dụng PLS-SEM cho nghiên cứu khám phá và phát triển lý thuyết đang gia tăng. Các học giả IS nên tiếp tục thực hiện các thực hành đúng đắn bằng cách báo cáo lý do sử dụng PLS-SEM và công nhận tính khả dụng rộng rãi của nó cho nghiên cứu. Các hướng dẫn báo cáo được khuyến nghị theo Ringle et al. (2012) và Gefen et al. (2011) được đưa vào. Một số cập nhật quan trọng về phương pháp cũng được bao gồm.

Phương pháp tối thiểu bậc (PLS) đã được giới thiệu như một phương pháp "nguyên nhân-dự đoán" trong mô hình phương trình cấu trúc (SEM), nhằm vượt qua sự phân chia rõ rệt giữa giải thích và dự đoán. Tuy nhiên, trong khi các nhà nghiên cứu sử dụng PLS-SEM thường nhấn mạnh tính chất dự đoán của phân tích, việc đánh giá mô hình lại phụ thuộc hoàn toàn vào các chỉ số được thiết kế để đánh giá sức mạnh giải thích của mô hình đường dẫn. Nghiên cứu gần đây đã đề xuất PLSpredict, một quy trình dựa trên mẫu giữu lại tạo ra các dự đoán ở mức trường hợp về một yếu tố hoặc một khái niệm. Bài báo này cung cấp hướng dẫn để áp dụng PLSpredict và giải thích các lựa chọn chính mà các nhà nghiên cứu cần thực hiện khi sử dụng quy trình này.

Các tác giả thảo luận về sự cần thiết của các đánh giá mô hình hướng đến dự đoán trong PLS-SEM và giải thích khái niệm cũng như tiến bộ thêm phương pháp PLSpredict. Ngoài ra, họ minh họa việc sử dụng quy trình PLSpredict với một mô hình tiếp thị du lịch và đưa ra những khuyến nghị về cách kết quả nên được diễn giải. Trong khi trọng tâm của bài báo là quy trình PLSpredict, mục tiêu chung là khuyến khích đánh giá thường xuyên theo định hướng dự đoán trong các phân tích PLS-SEM.

Bài báo thúc đẩy PLSpredict và cung cấp hướng dẫn về cách sử dụng phương pháp đánh giá mô hình theo định hướng dự đoán này. Các nhà nghiên cứu nên thường xuyên xem xét việc đánh giá sức mạnh dự đoán của các mô hình đường dẫn PLS của họ. PLSpredict là một cách tiếp cận hữu ích và đơn giản để đánh giá khả năng dự đoán ngoài mẫu của các mô hình đường dẫn PLS mà các nhà nghiên cứu có thể áp dụng trong các nghiên cứu của họ.

Nghiên cứu trong tương lai cần tìm cách mở rộng khả năng của PLSpredict, ví dụ như phát triển thêm các tiêu chuẩn so sánh kết quả PLS-SEM và so sánh thực nghiệm giữa các phương pháp nguyên nhân sớm nhất và phương pháp nguyên nhân trực tiếp trong việc đánh giá sức mạnh dự đoán.

Bài báo này cung cấp hướng dẫn rõ ràng cho việc sử dụng PLSpredict, mà các nhà nghiên cứu và thực hành nên thường xuyên áp dụng như một phần của các phân tích PLS-SEM của họ.

Nghiên cứu này củng cố việc sử dụng PLSpredict. Nó cung cấp cho các nhà nghiên cứu tiếp thị và thực hành kiến thức cần thiết để đánh giá, báo cáo và giải thích chính xác các kết quả PLS-SEM. Nhờ đó, nghiên cứu này góp phần bảo vệ tính nghiêm ngặt của các nghiên cứu tiếp thị sử dụng PLS-SEM.