Vì Sao SmartPLS 4 Bỏ Hẳn Blindfolding Và Q²?
SmartPLS xác nhận rõ ràng trong tài liệu chính thức: thuật toán Blindfolding đã bị gỡ bỏ khỏi SmartPLS 4, không phải vì lỗi kỹ thuật mà vì Blindfolding chưa bao giờ thật sự đánh giá được năng lực dự báo trên dữ liệu mới. Bài viết giải thích đúng cơ chế Blindfolding hoạt động ra sao, vì sao nó vẫn là một phép đánh giá trong mẫu, và cách chuyển sang PLSpredict, CVPAT mà không viết sai lịch sử của chỉ số Q² từng rất quen thuộc này.
Blindfolding chỉ loại bỏ từng điểm dữ liệu của một construct rồi ước lượng lại mô hình trên gần như toàn bộ mẫu còn lại, nên về bản chất vẫn là một phép đánh giá trong mẫu, không phải ngoài mẫu. Đây là lý do SmartPLS chính thức loại thuật toán này khỏi phiên bản 4 và thay bằng PLSpredict, CVPAT, hai công cụ dùng cách chia mẫu khác hẳn để mô phỏng đúng tình huống dự báo trên quan sát mới.
1. Blindfolding và Q² Stone-Geisser là gì
Chỉ số Q² mà nhiều thế hệ luận văn PLS-SEM từng báo cáo có nguồn gốc từ hai bài báo độc lập cùng năm 1974: Stone (1974) và Geisser (1974), cả hai cùng đề xuất một dạng tiêu chí lựa chọn mô hình dựa trên cross-validation, sau này được giới nghiên cứu PLS-SEM gọi chung là Stone-Geisser Q². Trong SmartPLS, chỉ số này được tính bằng thuật toán Blindfolding, dựa trên tổng bình phương sai số dự báo của các điểm dữ liệu bị loại bỏ có hệ thống.
Công thức chuẩn, được trình bày trong hầu hết giáo trình PLS-SEM, là Q² = 1 − SSE/SSO, trong đó SSE là tổng bình phương sai số dự báo của các điểm bị loại bỏ, còn SSO là tổng bình phương của chính các giá trị quan sát đó. Một biến nội sinh có Q² lớn hơn 0 được xem là có predictive relevance, tức mô hình dự báo tốt hơn việc chỉ lấy trung bình mẫu làm giá trị dự báo.
Q² > 0 trả lời câu hỏi: nếu loại bỏ một phần dữ liệu của biến nội sinh rồi dùng phần mô hình còn lại để dự báo lại, kết quả dự báo đó có tốt hơn việc đoán mò bằng trung bình mẫu hay không. Đây là một tiêu chí có giá trị lịch sử và vẫn đúng về mặt toán học, vấn đề nằm ở việc nó trả lời câu hỏi nào, như phần sau sẽ làm rõ.
2. Cơ chế Blindfolding: vì sao vẫn là "trong mẫu"
Blindfolding vận hành qua một tham số gọi là omission distance (D), với giá trị khuyến nghị từ 5 đến 12 và mặc định là 7 trong SmartPLS. Ở vòng đầu tiên, thuật toán bắt đầu từ điểm dữ liệu thứ nhất và loại bỏ mỗi điểm thứ D của các chỉ báo thuộc biến nội sinh đang xét, xem các điểm đó là missing, rồi ước lượng lại mô hình PLS trên phần dữ liệu còn lại để dự báo chính các điểm vừa bị loại. Vòng thứ hai dịch điểm bắt đầu sang vị trí thứ hai, và cứ thế tiếp tục. Số vòng blindfolding luôn bằng đúng D, nên mỗi điểm dữ liệu được loại bỏ và dự báo đúng một lần trong toàn bộ quy trình.
Điểm mấu chốt nằm ở chỗ: Blindfolding chỉ loại bỏ từng điểm dữ liệu riêng lẻ của các chỉ báo, không loại bỏ toàn bộ một quan sát (một người trả lời). Ở mỗi vòng, mô hình vẫn được ước lượng trên gần như toàn bộ cấu trúc dữ liệu mẫu, chỉ thiếu một phần nhỏ thông tin của một biến. Nói cách khác, mô hình chưa bao giờ thật sự "chưa từng thấy" một quan sát nào trong toàn bộ quy trình, nó chỉ tạm thời không thấy một vài điểm dữ liệu rồi đoán lại ngay trên chính bối cảnh quen thuộc đó.
"The blindfolding method does not provide an out-of-sample assessment of predictive power." SmartPLS xác nhận trực tiếp rằng Blindfolding không cung cấp đánh giá ngoài mẫu, dù chỉ số Q² nó tạo ra vẫn thường được diễn giải như một bằng chứng về năng lực dự báo trong nhiều năm.
3. SmartPLS 4 đã chính thức gỡ bỏ Blindfolding
Trang tài liệu chính thức của SmartPLS nêu rõ: "We have discontinued support for blindfolding in SmartPLS 4 and removed the algorithm." Đây không phải một thông báo mơ hồ, mà là xác nhận trực tiếp rằng thuật toán đã bị loại khỏi phần mềm, không còn là lựa chọn trong menu Calculate của phiên bản 4, dù vẫn còn xuất hiện trong các phiên bản SmartPLS cũ hơn.
Lý do thay thế được chính SmartPLS nêu: "the PLSpredict procedure and the cross-validated predictive ability test (CVPAT) provide the results" cần thiết cho một đánh giá ngoài mẫu thật sự. Khác với Blindfolding, PLSpredict (Shmueli et al., 2019) dùng k-fold cross-validation ở cấp độ quan sát: toàn bộ một phần quan sát bị loại khỏi tập huấn luyện, mô hình được ước lượng lại hoàn toàn mà không nhìn thấy các quan sát đó, rồi mới dùng để dự báo. CVPAT (Sharma et al., 2022) bổ sung thêm một kiểm định thống kê chính thức cho đúng kết quả đó. Cách vận hành chi tiết của hai công cụ này, kèm case thực tế và cách đọc Q²predict, RMSE, MAE, CVPAT, đã được trình bày trong một chuyên đề riêng trên amosleminh.com.
4. Phân biệt Q² (Blindfolding) và Q²predict (PLSpredict)
Hai chỉ số cùng mang chữ Q² nhưng không đo cùng một thứ, và không nên dùng thay thế cho nhau hay so sánh trực tiếp giá trị số học của chúng.
| Tiêu chí | Q² (Blindfolding) | Q²predict (PLSpredict) |
|---|---|---|
| Mục đích ban đầu | Predictive relevance trong mẫu đã ước lượng | Đánh giá năng lực dự báo trên quan sát ngoài mẫu |
| Cách loại bỏ dữ liệu | Từng điểm dữ liệu riêng lẻ, theo chu kỳ D | Toàn bộ quan sát, theo k-fold cross-validation |
| Mô hình có "thấy" quan sát bị loại khi ước lượng không | Có, gần như toàn bộ cấu trúc mẫu vẫn còn | Không, quan sát thuộc fold kiểm tra bị loại hoàn toàn khỏi huấn luyện |
| Có benchmark so sánh không | Không | Có, so với mô hình hồi quy tuyến tính (LM) |
| Trong SmartPLS 4 | Đã gỡ bỏ | Được hỗ trợ đầy đủ |
Hai chỉ số có cùng tên gọi Q² nhưng khác cơ chế tạo ra chúng, nên một bài viết không nên trình bày Q²predict như "phiên bản mới của Q² Blindfolding" hay ngược lại.
5. Luận văn cũ dùng Q² Blindfolding có sai không
Không. Hàng nghìn nghiên cứu PLS-SEM đã công bố trong hơn một thập kỷ qua dùng Q² Blindfolding, và chỉ số đó vẫn đúng về mặt toán học cho đúng câu hỏi nó trả lời: predictive relevance trong mẫu. Vấn đề không nằm ở bản thân Blindfolding, mà ở cách nó thường bị diễn giải, tức xem Q² > 0 như bằng chứng cho năng lực dự báo trên dữ liệu mới, một khẳng định vượt quá những gì thuật toán này thật sự kiểm chứng được.
Với một nghiên cứu thuần túy giải thích, tập trung kiểm định hệ số đường dẫn, R² và f², việc không còn Blindfolding trong SmartPLS 4 gần như không ảnh hưởng gì, vì những tiêu chí đó vẫn đứng vững độc lập. Với một nghiên cứu có phát biểu rõ về năng lực dự báo, hoặc gửi đến các tạp chí ngày càng quen với yêu cầu đánh giá dự báo ngoài mẫu, PLSpredict và CVPAT là bước cần bổ sung. Một ví dụ thực tế: nghiên cứu của Jumani (2026) trên người tiêu dùng thương hiệu Hồi giáo tại Thái Lan không hề nhắc đến Blindfolding, đi thẳng từ đánh giá mô hình cấu trúc (R², f²) sang PLSpredict và CVPAT, đúng theo quy trình hiện hành.
6. Mẫu trả lời khi phản biện hỏi về Q²
Một phản biện quen với quy trình cũ có thể hỏi vì sao bài viết không có bảng Q² Blindfolding. Câu trả lời nên nêu rõ đây là thay đổi ở cấp độ phần mềm và phương pháp luận, không phải một thiếu sót.
Mẫu đoạn giải thích
Năng lực dự báo của mô hình trong nghiên cứu này được đánh giá qua PLSpredict và Cross-Validated Predictive Ability Test (CVPAT), thay vì chỉ số Stone-Geisser Q² tính bằng thuật toán Blindfolding. SmartPLS đã gỡ bỏ thuật toán Blindfolding khỏi phiên bản 4 vì phương pháp này chỉ cung cấp đánh giá trong mẫu, không phản ánh đầy đủ năng lực dự báo trên quan sát ngoài mẫu. PLSpredict (Shmueli et al., 2019) và CVPAT (Sharma et al., 2022) dùng cơ chế chia mẫu theo k-fold cross-validation, cho phép mô hình được kiểm chứng trên những quan sát hoàn toàn không tham gia quá trình ước lượng.
Bước 1: Xác định mục tiêu của nghiên cứu
Nếu nghiên cứu chỉ nhằm giải thích và kiểm định lý thuyết, không cần thêm bước đánh giá dự báo; R², f² và hệ số đường dẫn đã đủ.
Bước 2: Nếu từng dùng SmartPLS 3 với Blindfolding
Kết quả Q² cũ không sai, nhưng cần được gọi đúng tên, tức predictive relevance trong mẫu, không phải năng lực dự báo ngoài mẫu.
Bước 3: Chạy PLSpredict và CVPAT trong SmartPLS 4
Dùng đúng quy trình k-fold cross-validation, lấy Q²predict, RMSE, MAE và kết quả kiểm định CVPAT làm bằng chứng dự báo ngoài mẫu.
Bước 4: Chuẩn bị sẵn đoạn giải thích cho phản biện
Dùng mẫu đoạn giải thích ở trên, chỉnh sửa cho phù hợp với cấu trúc mô hình cụ thể của nghiên cứu.
7. Những lỗi thường gặp khi chuyển đổi
| Cách viết dễ gặp | Vì sao sai | Cách viết đúng hơn |
|---|---|---|
| "Q²predict của PLSpredict thay thế trực tiếp cho Q² Blindfolding, hai giá trị có thể so sánh với nhau." | Hai chỉ số được tính từ hai cơ chế chia mẫu khác nhau, không đo cùng một đại lượng. | Trình bày Q²predict như một chỉ số riêng, không gắn với giá trị Q² Blindfolding đã từng báo cáo trước đó. |
| "Nghiên cứu trước đây dùng Q² Blindfolding nên có lỗi phương pháp luận." | Blindfolding không sai về mặt toán học cho đúng câu hỏi nó trả lời; vấn đề là cách diễn giải vượt quá phạm vi của nó. | Ghi nhận Blindfolding là tiêu chí predictive relevance trong mẫu, có giá trị lịch sử riêng, khác với đánh giá dự báo ngoài mẫu. |
| "SmartPLS 4 không còn đánh giá được năng lực dự báo." | SmartPLS 4 không bỏ việc đánh giá dự báo, mà thay công cụ thực hiện việc đó bằng PLSpredict và CVPAT. | Nêu rõ công cụ đánh giá dự báo hiện hành là PLSpredict và CVPAT, không phải sự vắng mặt của đánh giá dự báo. |
- Đã xác định rõ nghiên cứu thiên về giải thích hay có phát biểu về năng lực dự báo.
- Nếu dùng SmartPLS 3 với Blindfolding, đã gọi đúng tên kết quả là predictive relevance trong mẫu.
- Nếu dùng SmartPLS 4, đã thay Blindfolding bằng PLSpredict và CVPAT cho phần đánh giá dự báo.
- Không so sánh trực tiếp giá trị Q² Blindfolding với Q²predict như hai con số cùng loại.
- Đã chuẩn bị sẵn một đoạn giải thích ngắn cho phản biện về lý do không còn bảng Blindfolding.
Kết luận
SmartPLS gỡ bỏ Blindfolding khỏi phiên bản 4 không phải vì chỉ số Q² sai, mà vì cách thuật toán này tạo ra Q², loại bỏ từng điểm dữ liệu riêng lẻ trong khi vẫn ước lượng mô hình trên gần như toàn bộ mẫu, khiến nó không thể trả lời đúng câu hỏi về năng lực dự báo trên quan sát ngoài mẫu. Đây là một điều chỉnh có cơ sở phương pháp luận rõ ràng, được chính SmartPLS xác nhận công khai trong tài liệu kỹ thuật.
Với các nghiên cứu đã công bố trước đây, Q² Blindfolding vẫn giữ nguyên giá trị lịch sử của nó, miễn là được gọi đúng tên. Với các nghiên cứu đang viết, PLSpredict và CVPAT là lựa chọn phù hợp hơn khi cần phát biểu về năng lực dự báo, và việc chuẩn bị sẵn một đoạn giải thích ngắn gọn, có trích dẫn tài liệu chính thức của SmartPLS, là đủ để trả lời bất kỳ câu hỏi nào từ phản biện về sự vắng mặt của Blindfolding trong bài viết dùng SmartPLS 4.
Tài liệu tham khảo
Nguồn gốc Q² và tài liệu chính thức SmartPLS
- Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Journal of the Royal Statistical Society: Series B, 36(2), 111-147. https://doi.org/10.1111/j.2517-6161.1974.tb00994.x
- Geisser, S. (1974). A predictive approach to the random effect model. Biometrika, 61(1), 101-107.
- SmartPLS (n.d.). Blindfolding. SmartPLS Documentation. Truy cập 04/11/2026. https://smartpls.com/documentation/algorithms-and-techniques/resampling-and-inference/blindfolding/
Nguồn về PLSpredict, CVPAT và minh họa
- Shmueli, G., Ray, S., Estrada, J.M.V. and Chatla, S.B. (2019). Predictive model assessment in PLS-SEM: Guidelines for using PLSpredict. European Journal of Marketing, 53(11), 2322-2347. https://doi.org/10.1108/EJM-02-2019-0189
- Sharma, P.N., Liengaard, B.D., Hair, J.F. and Ringle, C.M. (2022). Predictive model assessment and selection in composite-based modeling using PLS-SEM: Extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 3341-3365. https://doi.org/10.1108/EJM-08-2020-0636
- Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.
- Jumani, Z.A. (2026). Predictive validation of an extended TPB model in Islamic branding: PLSpredict and CVPAT evidence from Muslim and non-Muslim Thai consumers. Journal of Islamic Marketing, ahead-of-print. https://doi.org/10.1108/JIMA-09-2025-0574
Ghi chú học thuật: Các trích dẫn nguyên văn từ tài liệu SmartPLS trong bài được lấy từ trang Blindfolding chính thức, truy cập ngày 04/11/2026; nội dung trang có thể được SmartPLS cập nhật theo thời gian. Việc có cần báo cáo PLSpredict, CVPAT hay không vẫn tùy thuộc vào mục tiêu cụ thể của từng nghiên cứu và yêu cầu của tạp chí hoặc hội đồng.
