1 1. Báo cáo này dùng để làm gì?

File này không chỉ in lại output từ SEMinR. Mục tiêu là giúp đọc kết quả theo đúng trình tự của một phân tích PLS-SEM.

Trình tự được dùng trong báo cáo:

Kiểm tra dữ liệu.
Đánh giá measurement model.
Đánh giá structural model.
Kiểm định H1–H15.
Kiểm định mediation H16–H20.
Đánh giá khả năng dự báo bằng PLSpredict và CVPAT.
Tổng hợp cách viết kết quả vào luận văn.

Nguyên tắc quan trọng: chưa nên diễn giải các structural paths nếu measurement model chưa được chứng minh là đạt yêu cầu.

2 2. Cấu trúc mô hình nghiên cứu

Mô hình gồm 7 constructs phản xạ:

Construct	Nội dung	Indicators
SQ	AI System Quality	SQ1–SQ5
PP	Perceived Personalization	PP1–PP5
TR	AI Transparency	TR1–TR3
PU	Perceived Usefulness	PU1–PU4
PEOU	Perceived Ease of Use	PEOU1–PEOU4
BT	Brand Trust	BT1–BT4
PI	Purchase Intention	PI1–PI3

Phân tích structural model gồm:

15 direct hypotheses H1–H15;
5 mediation hypotheses H16–H20 thông qua Brand Trust.

3 3. Bước 1 – Kiểm tra chất lượng dữ liệu

3.1 3.1 Tại sao phải kiểm tra?

Trước khi chạy PLS-SEM cần xác nhận:

không có respondent ID bị duplicate;
không có missing scale item chưa xử lý;
câu trả lời Likert vẫn nằm trong khoảng hợp lệ;
data chạy PLS khớp với file SPSS final.

Điều này bảo đảm rằng phần descriptive và phần PLS-SEM không vô tình sử dụng hai bộ dữ liệu khác nhau.

3.2 3.2 Data quality của file PLS

show_table(
  data_quality,
  caption = "Kiểm tra chất lượng dữ liệu PLS"
)

Kiểm tra chất lượng dữ liệu PLS
Metric	Value
Rows	534
Columns	29
Duplicate IDs	0
Missing cells in scale items	0
Cases with >=1 missing scale item	0
Out-of-range Likert responses	0

3.3 3.3 Đối chiếu SPSS và PLS

show_table(
  tieout,
  caption = "Đối chiếu file SPSS final và file PLS"
)

Đối chiếu file SPSS final và file PLS
Metric	Value
SPSS unique IDs	534
PLS unique IDs	534
Common IDs	534
PLS IDs missing from SPSS	0
SPSS IDs missing from PLS	0
Scale-item mismatches	0

3.4 3.4 Cách kết luận

Có thể tiếp tục sang measurement model nếu:

duplicate ID = 0;
missing scale values = 0;
out-of-range = 0;
không có mismatch bất thường giữa SPSS và PLS.

4 4. Bước 2 – Outer loadings và indicator reliability

4.1 4.1 Outer loading là gì?

Với reflective measurement model, outer loading cho biết một indicator phản ánh construct của nó mạnh đến mức nào.

Ngưỡng tham khảo thường dùng:

Loading ≥ 0.708: đạt tốt;
0.400–0.707: chưa được tự động xóa; phải xem thêm CR, AVE và content validity;
< 0.400: cần xem xét nghiêm túc.

Bình phương loading chính là indicator reliability.

Ví dụ:

\[ 0.708^2 \approx 0.50 \]

nghĩa là construct giải thích khoảng 50% phương sai của indicator đó.

4.2 4.2 Kết quả outer loadings

loading_report <- outer_loadings

if ("Loading" %in% names(loading_report)) {
  loading_report <- loading_report |>
    mutate(
      Loading_Decision = interpret_loading(abs(Loading))
    )
}

show_table(
  loading_report,
  caption = "Outer loadings và indicator reliability"
)

Outer loadings và indicator reliability
Indicator	Construct	Loading	Indicator_Reliability	Loading_Assessment	Indicator_Reliability_Assessment	Loading_Decision
SQ1	SQ	0.826	0.682	Recommended (>= 0.708)	>= 0.50	Đạt
SQ2	SQ	0.768	0.590	Recommended (>= 0.708)	>= 0.50	Đạt
SQ3	SQ	0.771	0.595	Recommended (>= 0.708)	>= 0.50	Đạt
SQ4	SQ	0.832	0.693	Recommended (>= 0.708)	>= 0.50	Đạt
SQ5	SQ	0.807	0.651	Recommended (>= 0.708)	>= 0.50	Đạt
PP1	PP	0.820	0.672	Recommended (>= 0.708)	>= 0.50	Đạt
PP2	PP	0.815	0.664	Recommended (>= 0.708)	>= 0.50	Đạt
PP3	PP	0.803	0.645	Recommended (>= 0.708)	>= 0.50	Đạt
PP4	PP	0.753	0.567	Recommended (>= 0.708)	>= 0.50	Đạt
PP5	PP	0.802	0.643	Recommended (>= 0.708)	>= 0.50	Đạt
TR1	TR	0.854	0.730	Recommended (>= 0.708)	>= 0.50	Đạt
TR2	TR	0.861	0.742	Recommended (>= 0.708)	>= 0.50	Đạt
TR3	TR	0.804	0.646	Recommended (>= 0.708)	>= 0.50	Đạt
PEOU1	PEOU	0.844	0.713	Recommended (>= 0.708)	>= 0.50	Đạt
PEOU2	PEOU	0.807	0.652	Recommended (>= 0.708)	>= 0.50	Đạt
PEOU3	PEOU	0.860	0.740	Recommended (>= 0.708)	>= 0.50	Đạt
PEOU4	PEOU	0.795	0.632	Recommended (>= 0.708)	>= 0.50	Đạt
PU1	PU	0.844	0.713	Recommended (>= 0.708)	>= 0.50	Đạt
PU2	PU	0.816	0.666	Recommended (>= 0.708)	>= 0.50	Đạt
PU3	PU	0.862	0.743	Recommended (>= 0.708)	>= 0.50	Đạt
PU4	PU	0.858	0.737	Recommended (>= 0.708)	>= 0.50	Đạt
BT1	BT	0.833	0.694	Recommended (>= 0.708)	>= 0.50	Đạt
BT2	BT	0.852	0.726	Recommended (>= 0.708)	>= 0.50	Đạt
BT3	BT	0.839	0.705	Recommended (>= 0.708)	>= 0.50	Đạt
BT4	BT	0.847	0.717	Recommended (>= 0.708)	>= 0.50	Đạt
PI1	PI	0.849	0.721	Recommended (>= 0.708)	>= 0.50	Đạt
PI2	PI	0.866	0.751	Recommended (>= 0.708)	>= 0.50	Đạt
PI3	PI	0.836	0.698	Recommended (>= 0.708)	>= 0.50	Đạt

4.3 4.3 Biểu đồ outer loadings

if (all(c("Indicator", "Construct", "Loading") %in% names(outer_loadings))) {

  ggplot(
    outer_loadings,
    aes(
      x = reorder(Indicator, Loading),
      y = Loading
    )
  ) +
    geom_col() +
    geom_hline(
      yintercept = 0.708,
      linetype = "dashed"
    ) +
    facet_wrap(
      ~ Construct,
      scales = "free_x"
    ) +
    coord_flip() +
    labs(
      title = "Outer Loadings theo từng Construct",
      subtitle = "Đường đứt = ngưỡng tham khảo 0.708",
      x = NULL,
      y = "Outer loading"
    ) +
    theme_minimal(base_size = 11)
}

4.4 4.4 R tự diễn giải kết quả

if ("Loading" %in% names(outer_loadings) && nrow(outer_loadings) > 0) {

  min_loading <- min(abs(outer_loadings$Loading), na.rm = TRUE)
  max_loading <- max(abs(outer_loadings$Loading), na.rm = TRUE)
  n_ge_708 <- sum(abs(outer_loadings$Loading) >= 0.708, na.rm = TRUE)
  n_indicators <- sum(!is.na(outer_loadings$Loading))

  cat(
    sprintf(
      "Mô hình có **%d indicators**. Outer loadings nằm trong khoảng **%.3f–%.3f**. ",
      n_indicators,
      min_loading,
      max_loading
    )
  )

  cat(
    sprintf(
      "Có **%d/%d indicators đạt loading ≥ 0.708**. ",
      n_ge_708,
      n_indicators
    )
  )

  if (n_ge_708 == n_indicators) {
    cat(
      "Do đó, indicator reliability đạt yêu cầu và không có lý do thống kê để loại item chỉ dựa trên outer loading.\n"
    )
  } else {
    cat(
      "Những item dưới 0.708 phải được đánh giá cùng CR, AVE và nội dung thang đo trước khi quyết định giữ hay loại.\n"
    )
  }
}

Mô hình có 28 indicators. Outer loadings nằm trong khoảng 0.753–0.866. Có 28/28 indicators đạt loading ≥ 0.708. Do đó, indicator reliability đạt yêu cầu và không có lý do thống kê để loại item chỉ dựa trên outer loading.

5 5. Bước 3 – Internal consistency reliability và convergent validity

5.1 5.1 Reliability cần xem những gì?

Ba chỉ số được dùng:

Cronbach’s alpha (α);
rho_A;
Composite Reliability (rho_C / CR).

Ngưỡng tham khảo:

≥ 0.70: thường được xem là đạt;
CR quá cao, đặc biệt khoảng > 0.95, có thể gợi ý item bị redundant.

5.2 5.2 AVE dùng để làm gì?

Average Variance Extracted (AVE) đo convergent validity.

AVE ≥ 0.50: construct giải thích ít nhất 50% phương sai của indicators trung bình.

5.3 5.3 Kết quả

show_table(
  reliability_ave,
  caption = "Reliability và convergent validity"
)

Reliability và convergent validity
Construct	alpha	rhoA	rhoC	AVE	Alpha_OK	rhoA_OK	rhoC_OK	AVE_OK	Overall_Assessment
SQ	0.860	0.865	0.900	0.642	TRUE	TRUE	TRUE	TRUE	Pass
PP	0.858	0.863	0.898	0.638	TRUE	TRUE	TRUE	TRUE	Pass
TR	0.793	0.806	0.878	0.706	TRUE	TRUE	TRUE	TRUE	Pass
PEOU	0.846	0.849	0.896	0.684	TRUE	TRUE	TRUE	TRUE	Pass
PU	0.867	0.868	0.909	0.715	TRUE	TRUE	TRUE	TRUE	Pass
BT	0.864	0.865	0.908	0.711	TRUE	TRUE	TRUE	TRUE	Pass
PI	0.809	0.814	0.887	0.724	TRUE	TRUE	TRUE	TRUE	Pass

5.4 5.4 R tự tóm tắt

if (nrow(reliability_ave) > 0) {

  if ("alpha" %in% names(reliability_ave)) {
    cat(
      sprintf(
        "- Cronbach's alpha: **%.3f–%.3f**.\n",
        min(reliability_ave$alpha, na.rm = TRUE),
        max(reliability_ave$alpha, na.rm = TRUE)
      )
    )
  }

  if ("rhoA" %in% names(reliability_ave)) {
    cat(
      sprintf(
        "- rho_A: **%.3f–%.3f**.\n",
        min(reliability_ave$rhoA, na.rm = TRUE),
        max(reliability_ave$rhoA, na.rm = TRUE)
      )
    )
  }

  if ("rhoC" %in% names(reliability_ave)) {
    cat(
      sprintf(
        "- Composite Reliability: **%.3f–%.3f**.\n",
        min(reliability_ave$rhoC, na.rm = TRUE),
        max(reliability_ave$rhoC, na.rm = TRUE)
      )
    )
  }

  if ("AVE" %in% names(reliability_ave)) {
    cat(
      sprintf(
        "- AVE: **%.3f–%.3f**.\n",
        min(reliability_ave$AVE, na.rm = TRUE),
        max(reliability_ave$AVE, na.rm = TRUE)
      )
    )
  }

  if (all(c("alpha", "rhoA", "rhoC", "AVE") %in% names(reliability_ave))) {

    all_pass <- all(
      reliability_ave$alpha >= 0.70 &
        reliability_ave$rhoA >= 0.70 &
        reliability_ave$rhoC >= 0.70 &
        reliability_ave$rhoC <= 0.95 &
        reliability_ave$AVE >= 0.50,
      na.rm = TRUE
    )

    if (all_pass) {
      cat(
        "\n**Kết luận:** toàn bộ constructs đạt internal consistency reliability và convergent validity theo các tiêu chuẩn được sử dụng.\n"
      )
    } else {
      cat(
        "\n**Kết luận:** có ít nhất một construct cần kiểm tra kỹ hơn trước khi chuyển sang structural model.\n"
      )
    }
  }
}

Cronbach’s alpha: 0.793–0.867.
rho_A: 0.806–0.868.
Composite Reliability: 0.878–0.909.
AVE: 0.638–0.724.

Kết luận: toàn bộ constructs đạt internal consistency reliability và convergent validity theo các tiêu chuẩn được sử dụng.

6 6. Bước 4 – Discriminant validity

Discriminant validity trả lời câu hỏi:

Các construct có thực sự khác nhau về mặt thực nghiệm hay chúng đang đo gần như cùng một khái niệm?

Trong báo cáo này, HTMT được ưu tiên. Fornell–Larcker và cross-loadings được dùng bổ sung.

6.1 6.1 HTMT

Ngưỡng tham khảo:

HTMT < 0.85: tiêu chuẩn bảo thủ;
HTMT < 0.90: tiêu chuẩn ít bảo thủ hơn.

show_table(
  htmt_long,
  caption = "HTMT"
)

HTMT
Construct_1	Construct_2	HTMT	Pair_Key	HTMT_085	HTMT_090
PP	SQ	0.327	PP \| SQ	Pass	Pass
TR	SQ	0.222	SQ \| TR	Pass	Pass
PEOU	SQ	0.390	PEOU \| SQ	Pass	Pass
PU	SQ	0.441	PU \| SQ	Pass	Pass
BT	SQ	0.479	BT \| SQ	Pass	Pass
PI	SQ	0.318	PI \| SQ	Pass	Pass
TR	PP	0.245	PP \| TR	Pass	Pass
PEOU	PP	0.374	PEOU \| PP	Pass	Pass
PU	PP	0.414	PP \| PU	Pass	Pass
BT	PP	0.429	BT \| PP	Pass	Pass
PI	PP	0.233	PI \| PP	Pass	Pass
PEOU	TR	0.378	PEOU \| TR	Pass	Pass
PU	TR	0.383	PU \| TR	Pass	Pass
BT	TR	0.383	BT \| TR	Pass	Pass
PI	TR	0.267	PI \| TR	Pass	Pass
PU	PEOU	0.559	PEOU \| PU	Pass	Pass
BT	PEOU	0.494	BT \| PEOU	Pass	Pass
PI	PEOU	0.473	PEOU \| PI	Pass	Pass
BT	PU	0.525	BT \| PU	Pass	Pass
PI	PU	0.464	PI \| PU	Pass	Pass
PI	BT	0.575	BT \| PI	Pass	Pass

if ("HTMT" %in% names(htmt_long) && nrow(htmt_long) > 0) {

  max_htmt <- max(htmt_long$HTMT, na.rm = TRUE)

  max_pair <- htmt_long |>
    filter(HTMT == max(HTMT, na.rm = TRUE)) |>
    slice(1)

  cat(
    sprintf(
      "HTMT lớn nhất = **%.3f**",
      max_htmt
    )
  )

  if (all(c("Construct_1", "Construct_2") %in% names(max_pair))) {
    cat(
      sprintf(
        ", giữa **%s và %s**",
        max_pair$Construct_1,
        max_pair$Construct_2
      )
    )
  }

  cat(". ")

  if (max_htmt < 0.85) {
    cat(
      "Giá trị này thấp hơn 0.85, vì vậy discriminant validity được hỗ trợ rõ ràng.\n"
    )
  } else if (max_htmt < 0.90) {
    cat(
      "Giá trị nằm giữa 0.85 và 0.90; cần diễn giải cùng mức độ tương đồng lý thuyết của hai constructs.\n"
    )
  } else {
    cat(
      "Giá trị này cần được xem xét kỹ vì có thể tồn tại vấn đề discriminant validity.\n"
    )
  }
}

HTMT lớn nhất = 0.575, giữa PI và BT. Giá trị này thấp hơn 0.85, vì vậy discriminant validity được hỗ trợ rõ ràng.

6.2 6.2 Heatmap HTMT

if (all(c("Construct_1", "Construct_2", "HTMT") %in% names(htmt_long))) {

  ggplot(
    htmt_long,
    aes(
      x = Construct_1,
      y = Construct_2,
      fill = HTMT
    )
  ) +
    geom_tile() +
    geom_text(
      aes(label = sprintf("%.3f", HTMT)),
      size = 3
    ) +
    labs(
      title = "HTMT Heatmap",
      x = NULL,
      y = NULL,
      fill = "HTMT"
    ) +
    theme_minimal(base_size = 11) +
    theme(
      axis.text.x = element_text(angle = 45, hjust = 1)
    )
}

6.3 6.3 Bootstrapped HTMT

show_table(
  htmt_boot,
  caption = "Bootstrapped HTMT confidence intervals"
)

Bootstrapped HTMT confidence intervals
Construct_Pair	Original_Est	Bootstrap_Mean	Bootstrap_SD	T_Stat	CI_Lower	CI_Upper	HTMT_CI_below_0_85	HTMT_CI_below_0_90
SQ -> PP	0.327	0.326	0.044	15.150	0.251	0.398	TRUE	TRUE
SQ -> TR	0.222	0.222	0.051	15.152	0.137	0.307	TRUE	TRUE
SQ -> PEOU	0.390	0.390	0.046	13.283	0.313	0.465	TRUE	TRUE
SQ -> PU	0.441	0.440	0.043	12.937	0.366	0.509	TRUE	TRUE
SQ -> BT	0.479	0.478	0.041	12.719	0.411	0.546	TRUE	TRUE
SQ -> PI	0.318	0.318	0.046	14.825	0.242	0.393	TRUE	TRUE
PP -> TR	0.245	0.247	0.049	15.520	0.169	0.328	TRUE	TRUE
PP -> PEOU	0.374	0.374	0.045	14.030	0.298	0.445	TRUE	TRUE
PP -> PU	0.414	0.414	0.041	14.282	0.346	0.480	TRUE	TRUE
PP -> BT	0.429	0.429	0.040	14.295	0.363	0.494	TRUE	TRUE
PP -> PI	0.233	0.234	0.047	16.208	0.156	0.312	TRUE	TRUE
TR -> PEOU	0.378	0.378	0.045	13.972	0.303	0.450	TRUE	TRUE
TR -> PU	0.383	0.383	0.048	12.842	0.301	0.460	TRUE	TRUE
TR -> BT	0.383	0.382	0.047	13.165	0.304	0.458	TRUE	TRUE
TR -> PI	0.267	0.267	0.051	14.332	0.183	0.352	TRUE	TRUE
PEOU -> PU	0.559	0.558	0.037	11.892	0.496	0.617	TRUE	TRUE
PEOU -> BT	0.494	0.494	0.041	12.277	0.425	0.560	TRUE	TRUE
PEOU -> PI	0.473	0.473	0.044	12.028	0.400	0.545	TRUE	TRUE
PU -> BT	0.525	0.524	0.041	11.438	0.454	0.591	TRUE	TRUE
PU -> PI	0.464	0.463	0.043	12.574	0.393	0.533	TRUE	TRUE
BT -> PI	0.575	0.575	0.038	11.274	0.510	0.635	TRUE	TRUE

Điểm cần nhớ:

HTMT 0.85/0.90 là descriptive guideline;
với inferential HTMT, điều quan trọng là confidence interval có tiến đến hoặc chứa 1.00 hay không.

Không nên nhầm hai loại tiêu chuẩn này.

6.4 6.4 Fornell–Larcker

show_table(
  fornell_larcker,
  caption = "Fornell–Larcker criterion"
)

Fornell–Larcker criterion
Row	SQ	PP	TR	PEOU	PU	BT	PI
SQ	0.801	NA	NA	NA	NA	NA	NA
PP	0.281	0.799	NA	NA	NA	NA	NA
TR	0.185	0.211	0.840	NA	NA	NA	NA
PEOU	0.336	0.321	0.311	0.827	NA	NA	NA
PU	0.382	0.359	0.323	0.478	0.845	NA	NA
BT	0.415	0.374	0.320	0.426	0.455	0.843	NA
PI	0.267	0.201	0.217	0.393	0.391	0.482	0.851

Logic:

căn bậc hai của AVE của một construct nên lớn hơn correlations giữa construct đó với các constructs khác.

Đây là diagnostic bổ sung. Khi HTMT đã được báo cáo, không nên chỉ dựa vào Fornell–Larcker để kết luận discriminant validity.

6.5 6.5 Cross-loadings

show_table(
  cross_loadings,
  caption = "Cross-loadings"
)

Cross-loadings
Row	SQ	PP	TR	PEOU	PU	BT	PI
SQ1	0.826	0.229	0.174	0.312	0.341	0.359	0.218
SQ2	0.768	0.210	0.132	0.230	0.273	0.304	0.201
SQ3	0.771	0.244	0.158	0.220	0.304	0.324	0.235
SQ4	0.832	0.252	0.130	0.283	0.324	0.326	0.198
SQ5	0.807	0.190	0.146	0.293	0.284	0.346	0.217
PP1	0.254	0.820	0.127	0.278	0.302	0.296	0.167
PP2	0.216	0.815	0.181	0.253	0.303	0.316	0.184
PP3	0.208	0.803	0.203	0.271	0.299	0.309	0.215
PP4	0.213	0.753	0.113	0.219	0.240	0.226	0.080
PP5	0.229	0.802	0.209	0.255	0.284	0.335	0.140
TR1	0.148	0.185	0.854	0.291	0.272	0.291	0.184
TR2	0.181	0.227	0.861	0.250	0.329	0.283	0.212
TR3	0.135	0.105	0.804	0.241	0.199	0.227	0.145
PU1	0.322	0.332	0.284	0.420	0.844	0.357	0.290
PU2	0.307	0.272	0.258	0.383	0.816	0.382	0.309
PU3	0.303	0.331	0.282	0.419	0.862	0.385	0.367
PU4	0.359	0.281	0.270	0.396	0.858	0.414	0.354
PEOU1	0.305	0.217	0.219	0.844	0.402	0.338	0.316
PEOU2	0.278	0.274	0.250	0.807	0.385	0.346	0.318
PEOU3	0.303	0.295	0.277	0.860	0.395	0.430	0.349
PEOU4	0.224	0.271	0.282	0.795	0.402	0.285	0.317
BT1	0.292	0.294	0.254	0.358	0.367	0.833	0.405
BT2	0.393	0.355	0.270	0.367	0.386	0.852	0.428
BT3	0.380	0.294	0.278	0.351	0.395	0.839	0.394
BT4	0.329	0.315	0.277	0.359	0.386	0.847	0.398
PI1	0.195	0.162	0.214	0.310	0.349	0.403	0.849
PI2	0.264	0.214	0.181	0.368	0.361	0.438	0.866
PI3	0.218	0.130	0.159	0.324	0.285	0.386	0.836

Một indicator nên có loading lớn nhất trên chính construct mà nó được thiết kế để đo.

7 7. Bước 5 – Structural VIF

7.1 7.1 Tại sao cần VIF?

Trước khi đọc path coefficients, cần xác nhận rằng các predictor constructs không bị collinearity quá cao.

Ngưỡng tham khảo:

VIF < 3: tốt theo tiêu chuẩn bảo thủ;
3–5: cần xem xét;
≥ 5: có khả năng problematic collinearity.

7.2 7.2 Kết quả

show_table(
  structural_vif,
  caption = "Structural VIF"
)

Structural VIF
Outcome	Predictor	VIF	VIF_Assessment
PU	SQ	1.177	< 3 (conservative criterion met)
PU	PP	1.172	< 3 (conservative criterion met)
PU	TR	1.130	< 3 (conservative criterion met)
PU	PEOU	1.275	< 3 (conservative criterion met)
PEOU	SQ	1.105	< 3 (conservative criterion met)
PEOU	PP	1.117	< 3 (conservative criterion met)
PEOU	TR	1.066	< 3 (conservative criterion met)
BT	SQ	1.239	< 3 (conservative criterion met)
BT	PP	1.216	< 3 (conservative criterion met)
BT	TR	1.165	< 3 (conservative criterion met)
BT	PU	1.505	< 3 (conservative criterion met)
BT	PEOU	1.417	< 3 (conservative criterion met)
PI	PU	1.441	< 3 (conservative criterion met)
PI	PEOU	1.395	< 3 (conservative criterion met)
PI	BT	1.358	< 3 (conservative criterion met)

if ("VIF" %in% names(structural_vif) && nrow(structural_vif) > 0) {

  min_vif <- min(structural_vif$VIF, na.rm = TRUE)
  max_vif <- max(structural_vif$VIF, na.rm = TRUE)

  cat(
    sprintf(
      "Structural VIF nằm trong khoảng **%.3f–%.3f**. ",
      min_vif,
      max_vif
    )
  )

  if (max_vif < 3) {
    cat(
      "Toàn bộ VIF < 3, do đó không có dấu hiệu structural collinearity đáng kể.\n"
    )
  } else if (max_vif < 5) {
    cat(
      "Có VIF lớn hơn 3 nhưng vẫn dưới 5; cần kiểm tra predictor set tương ứng.\n"
    )
  } else {
    cat(
      "Có VIF ≥ 5, vì vậy cần xem xét collinearity trước khi diễn giải paths.\n"
    )
  }
}

Structural VIF nằm trong khoảng 1.066–1.505. Toàn bộ VIF < 3, do đó không có dấu hiệu structural collinearity đáng kể.

8 8. Bước 6 – R²: khả năng giải thích

8.1 8.1 R² là gì?

R² cho biết tỷ lệ variance của một endogenous construct được giải thích bởi các predictors trong model.

Ví dụ:

\[ R^2 = 0.30 \]

nghĩa là model giải thích khoảng 30% variance của endogenous construct đó.

Các mức 0.25 / 0.50 / 0.75 đôi khi được dùng làm heuristic, nhưng không phải ngưỡng pass/fail phổ quát.

8.2 8.2 Kết quả

show_table(
  r2_table,
  caption = "R² và Adjusted R²"
)

R² và Adjusted R²
Construct	R^2	AdjR^2	R2_Heuristic
PU	0.336	0.331	Weak
PEOU	0.216	0.211	Very weak / context dependent
BT	0.351	0.345	Weak
PI	0.292	0.288	Weak

if (all(c("Construct", "R^2") %in% names(r2_table))) {

  ggplot(
    r2_table,
    aes(
      x = reorder(Construct, `R^2`),
      y = `R^2`
    )
  ) +
    geom_col() +
    coord_flip() +
    scale_y_continuous(
      limits = c(0, 1),
      labels = percent_format(accuracy = 1)
    ) +
    labs(
      title = "Explained Variance",
      x = NULL,
      y = expression(R^2)
    ) +
    theme_minimal(base_size = 11)
}

8.3 8.3 R tự diễn giải từng construct

if (all(c("Construct", "R^2") %in% names(r2_table))) {

  for (i in seq_len(nrow(r2_table))) {
    cat(
      sprintf(
        "- **%s:** R² = %.3f → model giải thích khoảng **%.1f%%** variance.\n",
        r2_table$Construct[i],
        r2_table$`R^2`[i],
        100 * r2_table$`R^2`[i]
      )
    )
  }

  cat(
    "\nKhi viết luận văn, nên diễn giải các giá trị này theo bối cảnh nghiên cứu hành vi người tiêu dùng, không gắn nhãn 'tốt/xấu' một cách cơ học.\n"
  )
}

PU: R² = 0.336 → model giải thích khoảng 33.6% variance.
PEOU: R² = 0.216 → model giải thích khoảng 21.6% variance.
BT: R² = 0.351 → model giải thích khoảng 35.1% variance.
PI: R² = 0.292 → model giải thích khoảng 29.2% variance.

Khi viết luận văn, nên diễn giải các giá trị này theo bối cảnh nghiên cứu hành vi người tiêu dùng, không gắn nhãn ‘tốt/xấu’ một cách cơ học.

9 9. Bước 7 – f²: effect size của từng predictor

9.1 9.1 f² khác p-value như thế nào?

p-value/t-statistic: cho biết bằng chứng về statistical significance;
f²: cho biết mức đóng góp cục bộ của một predictor vào R².

Một path có thể:

p < .001 nhưng f² vẫn nhỏ.

Ngưỡng heuristic:

0.02 = small;
0.15 = medium;
0.35 = large.

9.2 9.2 Kết quả

f2_report <- f2_table

if ("f2" %in% names(f2_report)) {
  f2_report <- f2_report |>
    mutate(
      Effect_Size_Recomputed = interpret_f2(f2)
    )
}

show_table(
  f2_report,
  caption = "f² effect sizes"
)

f² effect sizes
From	To	f2	Effect_Size	Effect_Size_Recomputed
SQ	PEOU	0.064	Small	Small
PP	PEOU	0.049	Small	Small
TR	PEOU	0.060	Small	Small
SQ	PU	0.052	Small	Small
PP	PU	0.038	Small	Small
TR	PU	0.032	Small	Small
PEOU	PU	0.111	Small	Small
SQ	BT	0.058	Small	Small
PP	BT	0.034	Small	Small
TR	BT	0.023	Small	Small
PEOU	BT	0.031	Small	Small
PU	BT	0.037	Small	Small
PEOU	PI	0.031	Small	Small
PU	PI	0.023	Small	Small
BT	PI	0.118	Small	Small

if ("f2" %in% names(f2_table) && nrow(f2_table) > 0) {

  cat(
    sprintf(
      "f² nằm trong khoảng **%.3f–%.3f**.\n\n",
      min(f2_table$f2, na.rm = TRUE),
      max(f2_table$f2, na.rm = TRUE)
    )
  )

  f2_counts <- tibble(
    Muc = c("Negligible", "Small", "Medium", "Large"),
    So_path = c(
      sum(f2_table$f2 < 0.02, na.rm = TRUE),
      sum(f2_table$f2 >= 0.02 & f2_table$f2 < 0.15, na.rm = TRUE),
      sum(f2_table$f2 >= 0.15 & f2_table$f2 < 0.35, na.rm = TRUE),
      sum(f2_table$f2 >= 0.35, na.rm = TRUE)
    )
  )

  print(
    knitr::kable(
      f2_counts,
      caption = "Phân loại f²"
    )
  )
}

f² nằm trong khoảng 0.023–0.118.

Phân loại f²
Muc	So_path
Negligible	0
Small	15
Medium	0
Large	0

10 10. Bước 8 – Kiểm định direct hypotheses H1–H15

10.1 10.1 Đọc bảng hypothesis như thế nào?

Với một positive hypothesis, cần xem:

β / Original_Est có đúng chiều kỳ vọng không;
t statistic;
bootstrap p-value;
95% bootstrap CI có chứa 0 không.

Nếu CI không chứa 0 và p < 0.05, relationship có bằng chứng statistical significance ở mức 5%.

10.2 10.2 Bảng H1–H15

direct_report <- direct_results |>
  mutate(
    P_Reported = if ("Bootstrap_P" %in% names(direct_results)) {
      format_p(Bootstrap_P)
    } else NA_character_
  )

show_table(
  direct_report |>
    select(
      any_of(c(
        "Hypothesis",
        "From",
        "To",
        "Original_Est",
        "T_Stat",
        "P_Reported",
        "CI_Lower",
        "CI_Upper",
        "Decision"
      ))
    ),
  caption = "Kết quả H1–H15"
)

Kết quả H1–H15
Hypothesis	From	To	Original_Est	T_Stat	P_Reported	CI_Lower	CI_Upper	Decision
H1	SQ	PU	0.202	5.170	< .001	0.124	0.277	Supported
H2	SQ	PEOU	0.237	5.861	< .001	0.158	0.316	Supported
H3	SQ	BT	0.215	5.543	< .001	0.140	0.292	Supported
H4	PP	PU	0.172	4.532	< .001	0.098	0.247	Supported
H5	PP	PEOU	0.207	5.303	< .001	0.132	0.283	Supported
H6	PP	BT	0.163	4.411	< .001	0.092	0.236	Supported
H7	TR	PU	0.154	4.094	< .001	0.080	0.228	Supported
H8	TR	PEOU	0.223	5.820	< .001	0.147	0.298	Supported
H9	TR	BT	0.132	3.548	< .001	0.059	0.204	Supported
H10	PEOU	PU	0.307	8.084	< .001	0.231	0.380	Supported
H11	PU	BT	0.191	4.141	< .001	0.098	0.279	Supported
H12	PEOU	BT	0.169	4.023	< .001	0.086	0.251	Supported
H13	PU	PI	0.154	3.562	< .001	0.068	0.238	Supported
H14	PEOU	PI	0.177	4.133	< .001	0.092	0.260	Supported
H15	BT	PI	0.337	8.367	< .001	0.257	0.416	Supported

10.3 10.3 Biểu đồ β và confidence interval

if (all(
  c(
    "Hypothesis",
    "Original_Est",
    "CI_Lower",
    "CI_Upper"
  ) %in% names(direct_results)
)) {

  plot_direct <- direct_results |>
    mutate(
      Label = if (
        all(c("From", "To") %in% names(direct_results))
      ) {
        paste0(Hypothesis, ": ", From, " → ", To)
      } else {
        Hypothesis
      }
    )

  ggplot(
    plot_direct,
    aes(
      x = reorder(Label, Original_Est),
      y = Original_Est
    )
  ) +
    geom_point(size = 2.5) +
    geom_errorbar(
      aes(
        ymin = CI_Lower,
        ymax = CI_Upper
      ),
      width = 0.15
    ) +
    geom_hline(
      yintercept = 0,
      linetype = "dashed"
    ) +
    coord_flip() +
    labs(
      title = "Direct Structural Effects",
      subtitle = "β và 95% bootstrap CI",
      x = NULL,
      y = expression(beta)
    ) +
    theme_minimal(base_size = 11)
}

10.4 10.4 Tự động tóm tắt

if (!is.na(n_direct_supported)) {
  cat(
    sprintf(
      "**Có %d/%d direct hypotheses được hỗ trợ.**\n\n",
      n_direct_supported,
      n_direct_total
    )
  )
}

Có 15/15 direct hypotheses được hỗ trợ.

if (
  all(c("Original_Est", "From", "To") %in% names(direct_results)) &&
    nrow(direct_results) > 0
) {

  strongest_direct <- direct_results |>
    arrange(desc(abs(Original_Est))) |>
    slice(1)

  cat(
    sprintf(
      "Path có |β| lớn nhất là **%s → %s (β = %.3f)**. ",
      strongest_direct$From,
      strongest_direct$To,
      strongest_direct$Original_Est
    )
  )

  cat(
    "Đây là direct standardized relationship lớn nhất trong model, nhưng vẫn cần đọc cùng f² và lý thuyết.\n"
  )
}

Path có |β| lớn nhất là BT → PI (β = 0.337). Đây là direct standardized relationship lớn nhất trong model, nhưng vẫn cần đọc cùng f² và lý thuyết.

10.4.1 Lưu ý p-value

Nếu output hiển thị:

Bootstrap_P = 0

thì trong luận văn viết:

p < .001

không viết:

p = .000

11 11. Bước 9 – Mediation H16–H20 qua Brand Trust

11.1 11.1 Mediation đang kiểm tra điều gì?

Mediation xem xét liệu X có ảnh hưởng đến Purchase Intention thông qua Brand Trust hay không:

\[ X \rightarrow BT \rightarrow PI \]

Specific indirect effect được xem là statistically significant nếu bootstrap confidence interval không chứa 0.

Các giả thuyết:

H16: SQ → BT → PI
H17: PP → BT → PI
H18: TR → BT → PI
H19: PU → BT → PI
H20: PEOU → BT → PI

11.2 11.2 Bảng mediation

mediation_report <- mediation_results |>
  mutate(
    P_Reported = if ("Bootstrap_P" %in% names(mediation_results)) {
      format_p(Bootstrap_P)
    } else NA_character_
  )

show_table(
  mediation_report |>
    select(
      any_of(c(
        "Hypothesis",
        "From",
        "Through",
        "To",
        "Original_Est",
        "T_Stat",
        "P_Reported",
        "CI_Lower",
        "CI_Upper",
        "Decision",
        "Mediation_Interpretation"
      ))
    ),
  caption = "Specific indirect effects qua Brand Trust"
)

Specific indirect effects qua Brand Trust
Hypothesis	From	Through	To	Original_Est	T_Stat	P_Reported	CI_Lower	CI_Upper	Decision	Mediation_Interpretation
H16	SQ	BT	PI	0.073	4.530	< .001	0.044	0.106	Supported	Significant specific indirect effect; direct X->PI path not specified in canonical model
H17	PP	BT	PI	0.055	3.963	< .001	0.030	0.084	Supported	Significant specific indirect effect; direct X->PI path not specified in canonical model
H18	TR	BT	PI	0.044	3.158	< .001	0.019	0.073	Supported	Significant specific indirect effect; direct X->PI path not specified in canonical model
H19	PU	BT	PI	0.064	3.558	< .001	0.031	0.102	Supported	Complementary mediation
H20	PEOU	BT	PI	0.057	3.687	< .001	0.028	0.089	Supported	Complementary mediation

11.3 11.3 Biểu đồ indirect effects

if (all(
  c(
    "Hypothesis",
    "Original_Est",
    "CI_Lower",
    "CI_Upper"
  ) %in% names(mediation_results)
)) {

  plot_med <- mediation_results |>
    mutate(
      Label = if (
        all(c("From", "Through", "To") %in% names(mediation_results))
      ) {
        paste0(
          Hypothesis,
          ": ",
          From,
          " → ",
          Through,
          " → ",
          To
        )
      } else {
        Hypothesis
      }
    )

  ggplot(
    plot_med,
    aes(
      x = reorder(Label, Original_Est),
      y = Original_Est
    )
  ) +
    geom_point(size = 2.5) +
    geom_errorbar(
      aes(
        ymin = CI_Lower,
        ymax = CI_Upper
      ),
      width = 0.15
    ) +
    geom_hline(
      yintercept = 0,
      linetype = "dashed"
    ) +
    coord_flip() +
    labs(
      title = "Specific Indirect Effects qua Brand Trust",
      subtitle = "Indirect effect và 95% bootstrap CI",
      x = NULL,
      y = "Specific indirect effect"
    ) +
    theme_minimal(base_size = 11)
}

11.4 11.4 Tự động tóm tắt

if (!is.na(n_med_supported)) {
  cat(
    sprintf(
      "**Có %d/%d mediation hypotheses được hỗ trợ.**\n\n",
      n_med_supported,
      n_med_total
    )
  )
}

Có 5/5 mediation hypotheses được hỗ trợ.

if (
  all(c("From", "Mediation_Interpretation") %in% names(mediation_results)) &&
    nrow(mediation_results) > 0
) {

  print(
    knitr::kable(
      mediation_results |>
        select(
          any_of(c(
            "Hypothesis",
            "From",
            "Through",
            "To",
            "Mediation_Interpretation"
          ))
        ),
      caption = "Phân loại mediation"
    )
  )
}

Phân loại mediation
Hypothesis	From	Through	To	Mediation_Interpretation
H16	SQ	BT	PI	Significant specific indirect effect; direct X->PI path not specified in canonical model
H17	PP	BT	PI	Significant specific indirect effect; direct X->PI path not specified in canonical model
H18	TR	BT	PI	Significant specific indirect effect; direct X->PI path not specified in canonical model
H19	PU	BT	PI	Complementary mediation
H20	PEOU	BT	PI	Complementary mediation

11.5 11.5 Điểm rất quan trọng với H16–H18

Nếu canonical model không estimate:

SQ → PI
PP → PI
TR → PI

thì không nên tự động gọi H16–H18 là:

full mediation;
partial mediation.

Kết luận chính xác hơn là:

Specific indirect effect through Brand Trust is significant.

Với H19 và H20, vì model có direct paths PU → PI và PEOU → PI, có thể phân loại mediation dựa trên direct và indirect effects.

12 12. Bước 10 – Supplementary serial indirect effects

Ngoài 5 mediation hypotheses chính, model còn tạo ra các chuỗi gián tiếp dài hơn, ví dụ:

\[ SQ \rightarrow PEOU \rightarrow PU \rightarrow BT \rightarrow PI \]

show_table(
  serial_indirect,
  caption = "Supplementary serial indirect effects"
)

Supplementary serial indirect effects
From	Through	To	Effect	Original_Est	Bootstrap_Mean	Bootstrap_SD	T_Stat	CI_Lower	CI_Upper	Bootstrap_P	Significant
SQ	PU	PI	SQ->PU->PI	0.031	0.031	0.011	2.938	0.012	0.054	0.001	TRUE
SQ	PEOU	PI	SQ->PEOU->PI	0.042	0.042	0.013	3.317	0.020	0.069	0.000	TRUE
SQ	PU -> BT	PI	SQ->PU->BT->PI	0.013	0.013	0.005	2.889	0.005	0.023	0.000	TRUE
SQ	PEOU -> BT	PI	SQ->PEOU->BT->PI	0.013	0.014	0.004	3.018	0.006	0.024	0.000	TRUE
SQ	PEOU -> PU	PI	SQ->PEOU->PU->PI	0.011	0.011	0.004	2.782	0.004	0.020	0.001	TRUE
SQ	PEOU -> PU -> BT	PI	SQ->PEOU->PU->BT->PI	0.005	0.005	0.002	2.849	0.002	0.008	0.000	TRUE
PP	PU	PI	PP->PU->PI	0.026	0.026	0.009	2.879	0.010	0.046	0.001	TRUE
PP	PEOU	PI	PP->PEOU->PI	0.037	0.037	0.011	3.361	0.017	0.060	0.000	TRUE
PP	PU -> BT	PI	PP->PU->BT->PI	0.011	0.011	0.004	2.712	0.004	0.020	0.000	TRUE
PP	PEOU -> BT	PI	PP->PEOU->BT->PI	0.012	0.012	0.004	3.016	0.005	0.020	0.000	TRUE
PP	PEOU -> PU	PI	PP->PEOU->PU->PI	0.010	0.010	0.004	2.600	0.004	0.018	0.001	TRUE
PP	PEOU -> PU -> BT	PI	PP->PEOU->PU->BT->PI	0.004	0.004	0.002	2.728	0.002	0.007	0.000	TRUE
TR	PU	PI	TR->PU->PI	0.024	0.024	0.009	2.632	0.008	0.043	0.001	TRUE
TR	PEOU	PI	TR->PEOU->PI	0.039	0.040	0.012	3.228	0.018	0.066	0.000	TRUE
TR	PU -> BT	PI	TR->PU->BT->PI	0.010	0.010	0.004	2.570	0.004	0.019	0.000	TRUE
TR	PEOU -> BT	PI	TR->PEOU->BT->PI	0.013	0.013	0.004	3.074	0.006	0.022	0.000	TRUE
TR	PEOU -> PU	PI	TR->PEOU->PU->PI	0.011	0.011	0.004	2.811	0.004	0.019	0.001	TRUE
TR	PEOU -> PU -> BT	PI	TR->PEOU->PU->BT->PI	0.004	0.004	0.002	2.862	0.002	0.008	0.000	TRUE
PEOU	PU	PI	PEOU->PU->PI	0.047	0.047	0.015	3.197	0.020	0.078	0.001	TRUE
PEOU	PU -> BT	PI	PEOU->PU->BT->PI	0.020	0.020	0.006	3.332	0.009	0.033	0.000	TRUE

Các paths này nên được xem là:

supplementary analysis;
dùng cho discussion hoặc appendix;

trừ khi chúng đã được đặt giả thuyết từ trước.

Không nên nhìn thấy significant rồi mới biến chúng thành hypotheses chính.

13 13. Bước 11 – PLSpredict

13.1 13.1 Tại sao cần prediction?

R² là in-sample explanatory power.

PLSpredict hỏi một câu khác:

Model dự báo các observations chưa được dùng để estimate training fold tốt đến đâu?

Vì vậy không được kết luận model có predictive power chỉ vì:

R² cao;
nhiều path significant.

13.2 13.2 PLS out-of-sample errors

show_table(
  predict_pls_out,
  caption = "PLSpredict – PLS out-of-sample"
)

PLSpredict – PLS out-of-sample
Row	PU1	PU2	PU3	PU4	PEOU1	PEOU2	PEOU3	PEOU4	BT1	BT2	BT3	BT4	PI1	PI2	PI3
RMSE	1.058	1.108	1.088	1.072	1.165	1.181	1.152	1.164	1.114	1.069	1.048	1.096	1.152	1.097	1.169
MAE	0.883	0.934	0.894	0.881	0.982	0.993	0.951	0.962	0.926	0.866	0.866	0.899	0.945	0.916	0.984

13.3 13.3 Linear-model benchmark

show_table(
  predict_lm_out,
  caption = "PLSpredict – Linear Model benchmark"
)

PLSpredict – Linear Model benchmark
Row	PU1	PU2	PU3	PU4	PEOU1	PEOU2	PEOU3	PEOU4	BT1	BT2	BT3	BT4	PI1	PI2	PI3
RMSE	1.081	1.123	1.106	1.091	1.167	1.200	1.165	1.172	1.120	1.069	1.056	1.101	1.167	1.112	1.183
MAE	0.895	0.944	0.902	0.895	0.988	0.997	0.963	0.969	0.936	0.863	0.867	0.902	0.957	0.923	0.998

13.4 13.4 Construct-level result

show_table(
  predict_construct,
  caption = "PLSpredict – construct-level assessment"
)

PLSpredict – construct-level assessment
Row	PU	PEOU	BT	PI
IS_MSE	0.662	0.782	0.646	0.706
IS_MAE	0.672	0.731	0.650	0.696
OOS_MSE	0.671	0.796	0.661	0.714
OOS_MAE	0.677	0.737	0.658	0.700
overfit	0.014	0.018	0.023	0.011

13.5 13.5 Cách đọc

Với cùng một error metric:

RMSE càng thấp càng tốt;
MAE càng thấp càng tốt.

Nếu PLS có RMSE/MAE thấp hơn benchmark ở phần lớn indicators quan trọng, điều đó hỗ trợ predictive performance.

14 14. Bước 12 – CVPAT

14.1 14.1 CVPAT để làm gì?

PLSpredict cho phép so sánh prediction error.

CVPAT đi thêm một bước: kiểm định xem chênh lệch predictive loss giữa PLS và benchmark có đủ lớn về mặt thống kê hay không.

14.2 14.2 PLS so với Linear Model

show_table(
  cvpat_lm,
  caption = "CVPAT – PLS versus Linear Model"
)

CVPAT – PLS versus Linear Model
Row	PLS Loss	LM Loss	Diff	Boot T value	Boot P Value
PU	1.170	1.211	-0.041	3.095	0.001
PEOU	1.358	1.383	-0.025	2.099	0.018
BT	1.171	1.181	-0.010	0.620	0.268
PI	1.299	1.333	-0.034	3.132	0.001
Overall	1.250	1.277	-0.027	4.170	0.000

14.3 14.3 PLS so với Indicator Average

show_table(
  cvpat_ia,
  caption = "CVPAT – PLS versus Indicator Average"
)

CVPAT – PLS versus Indicator Average
Row	PLS Loss	IA Loss	Diff	Boot T value
PU	1.170	1.520	-0.350	7.587
PEOU	1.358	1.570	-0.212	5.474
BT	1.171	1.532	-0.361	7.648
PI	1.299	1.626	-0.327	6.947
Overall	1.250	1.562	-0.313	9.984

14.4 14.4 Cách đọc

Trong output của pipeline hiện tại:

Difference < 0 → PLS có prediction loss thấp hơn benchmark;
sau đó xem p-value để biết improvement có statistically significant hay không.

Cần đọc riêng:

từng endogenous construct;
overall model.

Model có thể outperform benchmark ở overall level nhưng một construct riêng lẻ vẫn không significant.

15 15. Tổng hợp toàn bộ logic phân tích

summary_table <- tibble(
  Buoc = c(
    "1. Data quality",
    "2. Indicator reliability",
    "3. Internal consistency",
    "4. Convergent validity",
    "5. Discriminant validity",
    "6. Structural collinearity",
    "7. Explanatory power",
    "8. Effect size",
    "9. Direct hypotheses",
    "10. Mediation",
    "11. Prediction"
  ),
  Chi_so_chinh = c(
    "Missing, duplicate, range, SPSS–PLS tie-out",
    "Outer loadings",
    "Cronbach's alpha, rho_A, rho_C",
    "AVE",
    "HTMT + bootstrapped HTMT",
    "Structural VIF",
    "R², Adjusted R²",
    "f²",
    "β, t, p, bootstrap CI",
    "Specific indirect effect, bootstrap CI",
    "PLSpredict + CVPAT"
  ),
  Cau_hoi = c(
    "Data có sạch và nhất quán không?",
    "Indicators có phản ánh construct tốt không?",
    "Construct có reliability tốt không?",
    "Construct có convergent validity không?",
    "Các constructs có phân biệt nhau không?",
    "Predictors có bị collinearity không?",
    "Model giải thích được bao nhiêu variance?",
    "Từng predictor đóng góp lớn tới đâu?",
    "H1–H15 có được hỗ trợ không?",
    "Brand Trust có vai trò trung gian không?",
    "Model dự báo out-of-sample tốt không?"
  )
)

show_table(
  summary_table,
  caption = "Trình tự đánh giá PLS-SEM"
)

Trình tự đánh giá PLS-SEM
Buoc	Chi_so_chinh	Cau_hoi
1. Data quality	Missing, duplicate, range, SPSS–PLS tie-out	Data có sạch và nhất quán không?
2. Indicator reliability	Outer loadings	Indicators có phản ánh construct tốt không?
3. Internal consistency	Cronbach’s alpha, rho_A, rho_C	Construct có reliability tốt không?
4. Convergent validity	AVE	Construct có convergent validity không?
5. Discriminant validity	HTMT + bootstrapped HTMT	Các constructs có phân biệt nhau không?
6. Structural collinearity	Structural VIF	Predictors có bị collinearity không?
7. Explanatory power	R², Adjusted R²	Model giải thích được bao nhiêu variance?
8. Effect size	f²	Từng predictor đóng góp lớn tới đâu?
9. Direct hypotheses	β, t, p, bootstrap CI	H1–H15 có được hỗ trợ không?
10. Mediation	Specific indirect effect, bootstrap CI	Brand Trust có vai trò trung gian không?
11. Prediction	PLSpredict + CVPAT	Model dự báo out-of-sample tốt không?

16 16. Cách chuyển kết quả thành phần Results của luận văn

16.1 16.1 Measurement model

Thứ tự nên viết:

Outer loadings.
Cronbach’s alpha, rho_A, CR.
AVE.
HTMT.
Bootstrapped HTMT.
Kết luận measurement model đạt hay không.

Không cần đọc lại toàn bộ số trong bảng bằng prose.

Ví dụ, thay vì viết 28 loading một lần nữa, chỉ cần:

Outer loadings ranged from X to Y, and all indicators exceeded the recommended reference value of 0.708.

Sau đó bảng sẽ chứa chi tiết.

16.2 16.2 Structural model

Thứ tự:

VIF.
R².
f².
H1–H15.
Nhấn mạnh các paths quan trọng về mặt lý thuyết.

Không nên viết:

“Path này rất mạnh vì p < .001.”

p-value không cho biết magnitude của effect.

16.3 16.3 Mediation

Mỗi hypothesis nên báo cáo:

indirect effect;
t;
p;
95% CI;
supported/not supported;
mediation interpretation nếu đủ điều kiện.

Cấu trúc câu:

Brand Trust significantly mediated the relationship between X and Purchase Intention (indirect effect = …, t = …, p < …, 95% CI […, …]). Therefore, Hxx was supported.

16.4 16.4 Prediction

Prediction nên nằm sau structural model và mediation:

PLSpredict;
benchmark comparison;
CVPAT;
overall predictive conclusion.

Không được dùng R² thay thế cho predictive assessment.

17 17. Những lỗi cần tránh khi báo cáo

Không xóa item chỉ vì loading thấp hơn 0.708 mà chưa xem CR, AVE và content validity.
Không chỉnh model chỉ để làm hypotheses significant hơn.
Không ghi p = .000; dùng p < .001.
Không đồng nhất statistical significance với effect size.
Không gọi R² là “strong” chỉ dựa vào một heuristic chung.
Không gọi H16–H18 full/partial mediation nếu direct X → PI không được estimate.
Không biến supplementary significant paths thành hypotheses sau khi đã xem kết quả.
Nếu dataset hoặc model thay đổi, phải chạy lại toàn bộ report.

18 18. Reproducibility

cat("Workbook kết quả:", normalizePath(RESULT_FILE), "\n\n")

## Workbook kết quả: D:\Research\ai_home_appliance\data_analysis\ai_appliance_rpubs\R_results\02_pls_sem_results.xlsx

cat("R version:", R.version.string, "\n\n")

## R version: R version 4.6.1 (2026-06-24 ucrt)

cat("Thời điểm tạo report:", format(Sys.time()), "\n\n")

## Thời điểm tạo report: 2026-08-26 14:06:35

sessionInfo()

## R version 4.6.1 (2026-06-24 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=English_United Kingdom.utf8 
## [2] LC_CTYPE=English_United Kingdom.utf8   
## [3] LC_MONETARY=English_United Kingdom.utf8
## [4] LC_NUMERIC=C                           
## [5] LC_TIME=English_United Kingdom.utf8    
## 
## time zone: Asia/Bangkok
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] tibble_3.3.1  scales_1.4.0  stringr_1.6.0 knitr_1.51    ggplot2_4.0.3
## [6] tidyr_1.3.2   dplyr_1.2.1   readxl_1.5.0 
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.6       jsonlite_2.0.0     compiler_4.6.1     tidyselect_1.2.1  
##  [5] jquerylib_0.1.4    yaml_2.3.12        fastmap_1.2.0      R6_2.6.1          
##  [9] labeling_0.4.3     generics_0.1.4     bslib_0.11.0       pillar_1.11.1     
## [13] RColorBrewer_1.1-3 rlang_1.2.0        stringi_1.8.7      cachem_1.1.0      
## [17] xfun_0.59          sass_0.4.10        S7_0.2.2           otel_0.2.0        
## [21] cli_3.6.6          withr_3.0.3        magrittr_2.0.5     digest_0.6.39     
## [25] grid_4.6.1         rstudioapi_0.19.0  lifecycle_1.0.5    vctrs_0.7.3       
## [29] evaluate_1.0.5     glue_1.8.1         farver_2.1.2       cellranger_1.1.0  
## [33] rmarkdown_2.31     purrr_1.2.2        tools_4.6.1        pkgconfig_2.0.3   
## [37] htmltools_0.5.9

19 Tài liệu phương pháp nên tham khảo

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM).
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. Hướng dẫn đánh giá kết quả PLS-SEM.
Henseler, J., Ringle, C. M., & Sarstedt, M. Nghiên cứu về HTMT và discriminant validity.
Shmueli, G., Sarstedt, M., Hair, J. F., et al. Nghiên cứu về predictive assessment trong PLS-SEM.
Zhao, X., Lynch, J. G., & Chen, Q. Nghiên cứu về cách diễn giải mediation.

Báo cáo phân tích PLS-SEM từng bước – AI Home Appliance

Tự động đọc output SEMinR và giải thích theo trình tự phân tích

26/08/2026

1 1. Báo cáo này dùng để làm gì?

2 2. Cấu trúc mô hình nghiên cứu

3 3. Bước 1 – Kiểm tra chất lượng dữ liệu

3.1 3.1 Tại sao phải kiểm tra?

3.2 3.2 Data quality của file PLS

3.3 3.3 Đối chiếu SPSS và PLS

3.4 3.4 Cách kết luận

4 4. Bước 2 – Outer loadings và indicator reliability

4.1 4.1 Outer loading là gì?

4.2 4.2 Kết quả outer loadings

4.3 4.3 Biểu đồ outer loadings

4.4 4.4 R tự diễn giải kết quả

5 5. Bước 3 – Internal consistency reliability và convergent validity

5.1 5.1 Reliability cần xem những gì?

5.2 5.2 AVE dùng để làm gì?

5.3 5.3 Kết quả

5.4 5.4 R tự tóm tắt

6 6. Bước 4 – Discriminant validity

6.1 6.1 HTMT

6.2 6.2 Heatmap HTMT

6.3 6.3 Bootstrapped HTMT

6.4 6.4 Fornell–Larcker

6.5 6.5 Cross-loadings

7 7. Bước 5 – Structural VIF

7.1 7.1 Tại sao cần VIF?

7.2 7.2 Kết quả

8 8. Bước 6 – R²: khả năng giải thích

8.1 8.1 R² là gì?

8.2 8.2 Kết quả

8.3 8.3 R tự diễn giải từng construct

9 9. Bước 7 – f²: effect size của từng predictor

9.1 9.1 f² khác p-value như thế nào?

9.2 9.2 Kết quả

10 10. Bước 8 – Kiểm định direct hypotheses H1–H15

10.1 10.1 Đọc bảng hypothesis như thế nào?

10.2 10.2 Bảng H1–H15

10.3 10.3 Biểu đồ β và confidence interval

10.4 10.4 Tự động tóm tắt

10.4.1 Lưu ý p-value

11 11. Bước 9 – Mediation H16–H20 qua Brand Trust

11.1 11.1 Mediation đang kiểm tra điều gì?

11.2 11.2 Bảng mediation

11.3 11.3 Biểu đồ indirect effects

11.4 11.4 Tự động tóm tắt

11.5 11.5 Điểm rất quan trọng với H16–H18

12 12. Bước 10 – Supplementary serial indirect effects

13 13. Bước 11 – PLSpredict

13.1 13.1 Tại sao cần prediction?

13.2 13.2 PLS out-of-sample errors

13.3 13.3 Linear-model benchmark

13.4 13.4 Construct-level result

13.5 13.5 Cách đọc

14 14. Bước 12 – CVPAT

14.1 14.1 CVPAT để làm gì?

14.2 14.2 PLS so với Linear Model

14.3 14.3 PLS so với Indicator Average

14.4 14.4 Cách đọc

15 15. Tổng hợp toàn bộ logic phân tích

16 16. Cách chuyển kết quả thành phần Results của luận văn

16.1 16.1 Measurement model

16.2 16.2 Structural model

16.3 16.3 Mediation

16.4 16.4 Prediction

17 17. Những lỗi cần tránh khi báo cáo

18 18. Reproducibility

19 Tài liệu phương pháp nên tham khảo