Tải lên dữ liệu khảo sát
Hỗ trợ CSV hoặc Excel (.xlsx). Mỗi cột là một biến quan sát (item), mỗi dòng là một quan sát.
Kéo thả file vào đây hoặc
Đây là danh sách gợi ý, không giới hạn.
Bước 1: Định nghĩa câu hỏi khảo sát
Mỗi dòng là một biến quan sát (indicator).
| Tên cột | Construct | Nội dung câu hỏi phỏng vấn |
|---|
Chấp nhận file định nghĩa (JSON) hoặc file mô hình đã xuất ở Bước 2 (construct + indicator).
Bước 2: Đối tượng khảo sát
Tất cả các trường đều tuỳ chọn.
Mô tả càng chi tiết càng tốt.
Thuộc tính demographic bổ sung (tuỳ chọn)
Số (khoảng min-max) hoặc phân loại (danh sách lựa chọn cách nhau bởi dấu phẩy).
| Tên thuộc tính | Kiểu | Khoảng số hoặc danh sách lựa chọn |
|---|
Bước 3: Cấu hình & Prompt
Từ 1 đến 50.
Prompt hệ thống (có thể chỉnh sửa)
Đối tượng khảo sát
Thống kê mô tả
Minh bạch prompt theo lô
Mỗi lô sinh ra nhiều dòng từ CÙNG một prompt.
Sơ đồ đường dẫn kết quả (Path Diagram)
Đường nét đứt = path không có ý nghĩa thống kê (p ≥ 0.05) theo kết quả Bootstrapping.
Độ tin cậy & giá trị hội tụ (Reflective)
Hệ số tải ngoài (Outer Loadings)
Cross Loadings
Mỗi indicator nên tải cao nhất lên construct của chính nó.
Giá trị phân biệt — Fornell-Larcker
Giá trị phân biệt — HTMT
Mô hình cấu trúc — Path Coefficients & f²
Total & Indirect Effects (Kiểm định Mediation)
Hiệu ứng gián tiếp = tổng tích các hệ số path dọc theo mọi đường đi qua biến trung gian (mediator); hiệu ứng tổng = trực tiếp + gián tiếp.
Hiệu ứng gián tiếp cụ thể (Specific Indirect Effects)
Mỗi dòng là một đường đi trung gian cụ thể — khác với bảng Total & Indirect Effects vốn cộng gộp tất cả đường đi giữa một cặp construct. Nếu đã bootstrap, ý nghĩa thống kê được kiểm định trực tiếp trên tích của đúng lần lấy mẫu lại đó.
R² & Q² của biến nội sinh (Predictive Relevance)
Đa cộng tuyến (VIF)
Common Method Bias — Full Collinearity Test
Minh bạch tính toán (Computation Transparency)
Mã nguồn Python thật sự đã chạy để tính ra các kết quả ở trên, lấy trực tiếp từ mã đang chạy trên server (không phải bản sao chép tay).
Hướng dẫn đọc & Ý nghĩa các chỉ số
Mô hình đo lường (Outer Model)
- Outer Loadings: tương quan giữa mỗi indicator và construct chứa nó. Với construct reflective, nên ≥0.7; 0.4–0.7 có thể cân nhắc loại bỏ nếu việc loại không làm giảm AVE/độ tin cậy. Cross Loadings cho thấy mỗi indicator nên tải cao nhất lên đúng construct của chính nó, không phải construct khác.
- Cronbach's Alpha, rho_A, Composite Reliability (CR): đo độ tin cậy nhất quán nội bộ — thường xem ≥0.7 là chấp nhận được (0.6–0.7 có thể chấp nhận ở nghiên cứu khám phá).
- AVE (Average Variance Extracted): đo giá trị hội tụ — nên ≥0.5 (construct giải thích được ít nhất 50% phương sai của các indicator của nó).
Giá trị phân biệt (Discriminant Validity)
- Fornell-Larcker: căn bậc hai AVE trên đường chéo nên lớn hơn tương quan giữa construct đó với bất kỳ construct nào khác.
- HTMT (Heterotrait-Monotrait Ratio): nên <0.85 (khắt khe) hoặc <0.90 (khi các construct gần nhau về khái niệm) theo Henseler et al. (2015); ≥0.90 là dấu hiệu vi phạm giá trị phân biệt.
Mô hình cấu trúc — Path Coefficients
- Path coefficient (β chuẩn hoá): dấu (+/−) và độ lớn thể hiện chiều và cường độ quan hệ giữa hai construct.
- Nếu đã bật Bootstrapping: các cột STDEV / T-Statistics / P-Values / Ý nghĩa cho biết path có ý nghĩa thống kê khi p < 0.05 (tương đương |T| > 1.96 với kiểm định 2 đuôi).
- f² (effect size): <0.02 không đáng kể, 0.02–0.15 nhỏ, 0.15–0.35 vừa, ≥0.35 lớn (Cohen, 1988). Riêng path từ biến điều tiết (interaction) dùng ngưỡng nhỏ hơn nhiều: 0.005/0.01/0.025 (Kenny 2018; Aguinis et al. 2005).
Hiệu ứng trung gian (Mediation)
- Total & Indirect Effects: hiệu ứng gián tiếp = tổng tích các path coefficient dọc theo mọi đường đi qua biến trung gian, giữa một cặp construct; hiệu ứng tổng = trực tiếp + gián tiếp.
- Specific Indirect Effects: tách riêng từng đường đi trung gian cụ thể (thay vì cộng gộp như bảng trên) — nếu đã bootstrap, mỗi đường đi cũng được kiểm định ý nghĩa thống kê riêng, dựa trên đúng tích số của các hệ số trong cùng một lần lấy mẫu lại.
- Index of Moderated Mediation (Hayes, 2015): chỉ xuất hiện khi mô hình vừa có mediator vừa có moderator tác động lên đúng một đoạn của đường trung gian đó (Model 7/14 của PROCESS). Chỉ số này là độ dốc của hiệu ứng gián tiếp theo biến điều tiết — hiệu ứng gián tiếp thay đổi bao nhiêu khi biến điều tiết tăng 1 đơn vị. Nếu khoảng tin cậy 95% của chỉ số không chứa 0 → mức độ điều tiết lên hiệu ứng gián tiếp có ý nghĩa thống kê, một kiểm định chặt chẽ hơn việc chỉ so sánh "có ý nghĩa ở nhóm này nhưng không ở nhóm kia".
R², Q² & Đa cộng tuyến (VIF)
- R²: 0.19 yếu, 0.33 trung bình, 0.67 mạnh (Chin, 1998) — chỉ là ngưỡng tham khảo, tùy lĩnh vực nghiên cứu.
- Q² (Predictive Relevance, từ Blindfolding): >0 nghĩa là mô hình có khả năng dự báo ngoài mẫu cho construct đó; ≤0 nghĩa là không.
- VIF (Inner/Outer): nên <3.3 (hoặc <5 nếu nới lỏng hơn) để tránh đa cộng tuyến làm méo các hệ số ước lượng.
Common Method Bias
Full collinearity VIF (Kock, 2015): mỗi construct được hồi quy trên tất cả construct còn lại trong mô hình, không chỉ predictor trực tiếp của nó. VIF ≤ ngưỡng (mặc định 3.3) nghĩa là không có dấu hiệu common method bias đáng kể.
Simple Slopes (khi có biến điều tiết)
Ba đường tại −1SD / Trung bình / +1SD của biến điều tiết cho thấy quan hệ giữa biến độc lập và biến kết quả thay đổi ra sao theo mức độ của biến điều tiết (Aiken & West, 1991). Ba đường càng tách xa nhau (không song song) → tương tác càng mạnh; ba đường gần như song song → tương tác yếu, dù hệ số path của interaction có ý nghĩa thống kê hay không.
Phân phối Bootstrap (khi đã bật Bootstrapping)
Mỗi biểu đồ là phân phối của một hệ số path qua toàn bộ số lần lấy mẫu lại (resample). Vạch xanh liền = giá trị ước lượng gốc; vạch đỏ đứt = khoảng tin cậy 95% (percentile). Nếu khoảng tin cậy 95% không chứa 0, path đó có ý nghĩa thống kê.
Sơ đồ đường dẫn kết quả (Path Diagram) — CB-SEM
Hệ số hiển thị là standardized (β); đường nét đứt = không có ý nghĩa thống kê (p ≥ 0.05).
Model Fit
Độ tin cậy & giá trị hội tụ
Factor Loadings
Giá trị phân biệt — Fornell-Larcker
Giá trị phân biệt — HTMT
Mô hình cấu trúc — Path Coefficients
Total & Indirect Effects (Kiểm định Mediation)
Hiệu ứng gián tiếp = tổng tích các hệ số path dọc theo mọi đường đi qua biến trung gian (mediator); hiệu ứng tổng = trực tiếp + gián tiếp.
Hiệu ứng gián tiếp cụ thể (Specific Indirect Effects)
Mỗi dòng là một đường đi trung gian cụ thể — khác với bảng Total & Indirect Effects vốn cộng gộp tất cả đường đi giữa một cặp construct. Nếu đã bootstrap, ý nghĩa thống kê được kiểm định trực tiếp trên tích của đúng lần lấy mẫu lại đó.
R² của biến nội sinh
Đã hiệu chỉnh sai lệch đo lường — thường cao hơn R² của PLS-SEM trên cùng dữ liệu.
Common Method Bias — Full Collinearity Test
Minh bạch tính toán (Computation Transparency)
Mã nguồn Python thật sự đã chạy để tính ra các kết quả ở trên, lấy trực tiếp từ mã đang chạy trên server (không phải bản sao chép tay).
Hướng dẫn đọc & Ý nghĩa các chỉ số
Model Fit
- Chi-square / df: càng nhỏ càng tốt — thường χ²/df < 3 được xem là chấp nhận được.
- CFI, TLI: ≥0.90 chấp nhận được, ≥0.95 tốt.
- RMSEA: ≤0.08 chấp nhận được, ≤0.05 tốt.
- SRMR: ≤0.08 chấp nhận được.
- Đây chỉ là ngưỡng tham khảo — nên xem xét nhiều chỉ số cùng lúc, không dựa hoàn toàn vào một chỉ số riêng lẻ.
Mô hình đo lường (Outer Model)
- Cronbach's Alpha, Composite Reliability (CR), AVE: ngưỡng tham khảo giống PLS-SEM — CR ≥0.7, AVE ≥0.5.
- Factor Loadings: cột Unstd./Std./SE/z/p — ý nghĩa thống kê dựa trên kiểm định z (Wald test) từ ước lượng Maximum Likelihood, khác với PLS-SEM (vốn luôn cần Bootstrap vì không có công thức sai số chuẩn dạng đóng).
Giá trị phân biệt (Discriminant Validity)
- Fornell-Larcker: căn bậc hai AVE trên đường chéo nên lớn hơn tương quan giữa construct đó với bất kỳ construct nào khác.
- HTMT (Heterotrait-Monotrait Ratio): nên <0.85 (khắt khe) hoặc <0.90 (khi các construct gần nhau về khái niệm) theo Henseler et al. (2015); ≥0.90 là dấu hiệu vi phạm giá trị phân biệt.
Mô hình cấu trúc — Path Coefficients
- Unstd. (B): hệ số hồi quy chưa chuẩn hoá, theo đơn vị gốc của thang đo. Std. (β): hệ số đã chuẩn hoá, so sánh được giữa các path.
- SE, z, p: ý nghĩa thống kê được kiểm định bằng z-test (Wald test) trực tiếp từ ma trận hiệp phương sai ước lượng của Maximum Likelihood — không cần chạy Bootstrap như PLS-SEM. Path có ý nghĩa khi p < 0.05.
Hiệu ứng trung gian (Mediation)
- Total & Indirect Effects: hiệu ứng gián tiếp = tổng tích các path coefficient dọc theo mọi đường đi qua biến trung gian, giữa một cặp construct; hiệu ứng tổng = trực tiếp + gián tiếp.
- Specific Indirect Effects: tách riêng từng đường đi trung gian cụ thể — ở CB-SEM đây chỉ là điểm ước lượng (point estimate), chưa có kiểm định ý nghĩa thống kê riêng cho từng đường đi (cần một phương pháp riêng, ví dụ delta method/Sobel test, để suy ra sai số chuẩn của một tích số).
R² & Common Method Bias
- R²: 0.19 yếu, 0.33 trung bình, 0.67 mạnh (Chin, 1998) — R² của CB-SEM thường cao hơn PLS-SEM trên cùng dữ liệu vì đã hiệu chỉnh sai lệch đo lường.
- Common Method Bias (Full collinearity VIF, Kock 2015): mỗi construct được hồi quy trên tất cả construct còn lại; VIF ≤ ngưỡng (mặc định 3.3) nghĩa là không có dấu hiệu common method bias đáng kể.
Simple Slopes (khi có biến điều tiết)
Ba đường tại −1SD / Trung bình / +1SD của biến điều tiết cho thấy quan hệ giữa biến độc lập và biến kết quả thay đổi ra sao theo mức độ của biến điều tiết (Aiken & West, 1991). Ba đường càng tách xa nhau (không song song) → tương tác càng mạnh; ba đường gần như song song → tương tác yếu, dù hệ số path của interaction có ý nghĩa thống kê hay không.