All posts by hotrospss

Thực hành phân tích nhân tố khẳng định CFA và ý nghĩa mục đích của CFA

Bài này sẽ làm hai phần chính là nói sơ qua về mục đích của CFA, và phần chủ yếu là cung cấp cho bạn một bộ số liệu spss chuẩn có sẵn để bạn có thể thực hành phân tích từng bước CFA luôn nhé

Ý nghĩa mục đích của CFA -phân tích nhân tố khẳng định (Confirm Factor Analysis)

Phân tích nhân tố khẳng định (Confirm Factor Analysis) trong AMOS mục tiêu chính là đánh giá độ phù hợp model fit của mô hình. Đồng thời tính toán các giá trị CR, AVE, kiểm định giá trị phân biệt, hội tụ của các nhân tố. Cụ thể là đánh giá mức độ phù hợp tổng thể của dữ liệu dựa trên các chỉ số phù hợp của mô hình như Chisquare/df, CFI, TLI, GFI, RMSEA. Đánh giá chất lượng các biến quan sát, xác nhận các cấu trúc nhân tố. Các biến quan sát được đưa vào phân tích CFA là đã xác định biến quan sát thuộc nhân tố nào và chức năng của CFA bây giờ là đánh giá xem các dữ liệu của biến quan sát trong thang đo đó có phù hợp với các biến khác trong cùng thang đo, và phù hợp với mô hình hay không.
Để phân tích CFA, chúng ta cần vẽ mô hình trên giao diện đồ họa AMOS bằng tay từng bước. Tuy nhiên tốn rất nhiều thời gian, plugin Pattern Matrix Builder đã được tiến sĩ Gaskin thiết lập ra để đưa các biến vào AMOS nhanh hơn từ ma trận xoay EFA. Trang web của ông ấy ở đây statwiki.gaskination.com/index.php?title=Main_Page
Plugin là công cụ giúp rút ngắn thao tác, không phải không có plugin là chúng ta không vẽ được sơ đồ SEM. Vẽ sơ đồ theo cách thủ công bằng công cụ có sẵn của AMOS vẫn được, nhưng có thể ra cái hình xấu hơn so với vẽ tự động.

Thực hành vẽ và phân tích ý nghĩa CFA với AMOS

Đầu tiên các bạn tải file số liệu tại đây phantichspss.com/filefordownload/ve-cfa.sav, đồng thời tải luôn file kết quả đã chạy EFA của bộ số liệu trên để sau này copy partern matrix ở đây phantichspss.com/filefordownload/ve-cfa.spv
Các bạn có thể chạy phân tích nhân tố EFA để ra được ma trận mẫu pattern matrix như sau:

Ma trận mẫu

Bằng cách tự chạy theo link sau từ file số liệu SAV đã tải ở trên theo hướng dẫn sau: https://phantichspss.com/cach-chay-phan-tich-nhan-efa-khi-lam-mo-hinh-sem-voi-amos.html
Hoặc mở luôn file spv ở trên để copy bằng cách ấn chuột phải vào ma trận mẫu pattern matrix và chọn copy

Sau đó bật phần mềm Amos Graphics lên , chọn select data file để lựa chọn file số liệu cho bài CFA

Chọn data file AMOS

Ấn vào nút File name để chọn file data là file đã tải về lúc nãy ve-cfa.sav.

Chọn file SPSS vào AMOS

Lưu ý là phải chọn loại file là IBM SPSS Statistics , vì chương trình AMOS có thể đọc được rất nhiều loại file, như là Excel, Lotus, Access, Spss…. Nên cần chọn đúng loại cho AMOS nhé.

Chọn loại file SPSS vào AMOS

Sau đó ấn OK

Chọn file SPSS vào Amos thành công

Vào menu Plugin- Pattern Matrix Model Builder

Menu vẽ tự động CFA

Nếu máy nào chưa cài plugin này sẽ không xuất hiện trên menu, lúc đó các bạn cài lại theo hướng dẫn ở đây https://phantichspss.com/cai-dat-plugin-pattern-matrix-builder-cho-phan-mem-amos.html
Và ấn vào để hiện lên hộp thoại sau:

Ma trận mẫu vẽ tự động CFA EFA

Phần trong khung màu đỏ thì các bạn dán phần ma trận mẫu lúc nãy đã copy nhé. Ấn vào nút tạo sơ đồ Create Diagram. Lúc đó hình sau sẽ xuất hiện

CFA được vẽ tự động

Lúc này chỉ còn 2 việc
Việc thứ nhất là đổi tên các nhân tố, vì hiện tại các nhân tố được đặt tự động là 1234. Bằng cách ấn đúp vào chỗ các số đó, sau đó gõ lại tên mới vào mục Variable_name

Đổi tên nhân tố CFA

Việc thứ 2 là tạo các thông số để hiển thị các chỉ số trực quan trên hình vẽ. Chọn vào biểu tượng Figure Captions, hoặc vào menu Diagram-> Figure Captions, và vẽ Figure Captions trên màn hình amos, gõ nội dung sau vào:
Chi-square=\cmin ; df=\df ; P=\p;
Chi-square/df=\cmindf ;
GFI=\gfi ; TLI=\tli ; CFI=\cfi ;
RMSEA=\rmsea

Sau đó ta được hình sau


Tiếp tục ấn vào Calculate Estimate như trên hình để thực hiện chạy CFA cho AMOS
Lưu ý sau khi chạy xong nếu thành công thì chữ sau sẽ xuất hiện OK default model. Nếu có lỗi gì đó thì chữ sau sẽ xuất hiện XX: default model

Sau đó ta có thể tiếp tục đánh giá các chỉ tiêu: độ phù hợp mô hình, giá trị hội tụ, giá trị phân biệt, độ tin cậy tổng hợp CR , phương sai trích AVE
Độ phù hợp mô hình: đây là các chỉ tiêu model fit. Thông thường các ngưỡng cần đạt để mô hình good fit là: chisquare/df<3, rmsea<0.08, CFI >=0.9, TLI>=0.9, GFI >=0.9. Tuy nhiên GFI thì nhạy cảm với kích cỡ mẫu, nên nếu GFI>0.8 thì vẫn có trích dẫn hợp lệ nhé.
Độ tin cậy tổng hợp CR cần lớn hơn 0.7, phương sai trích AVE cần lớn hơn 0.5: có thể được tính ở theo cách ở đây
https://phantichspss.com/cong-cu-stats-tools-package-dung-de-tinh-tin-cay-tong-hop-va-phuong-sai-trich-tu-dong.html
Giá trị hội tụ được khẳng định khi chỉ số AVE ở trên >=0.5
Giá trị phân biệt dựa vào tiêu chuẩn Fornell-Larcker, là bảng tô vàng ở hình dưới

Tiêu chuẩn đánh giá giá trị phân biệt fornell-larcker

Giá trị phân biệt này đạt khi giá trị trên đường chéo( là các ô tô đỏ) lớn hơn giá trị trên cùng dòng và cùng cột của nó. Về ý nghĩa, giá trị trên đường chéo chính là căn bậc 2 của phương sai trích AVE. Còn các giá trị dưới đường chéo là hệ số tương quan của hai nhân tố đó. Cụ thể là căn bậc 2 của AVE của 1 nhân tố phải lớn hơn hệ số tương quan lớn nhất của nhân tố đó và các nhân tố khác. Ví dụ ô tô màu đỏ ở dòng DD , cột DD là giá trị 0.845, đây chính là căn bậc hai AVE của DD, căn bậc 2 của 0.714. Còn giá trị ngay dưới ô màu đỏ đó là -0.157 chính là hệ số tương quan correlation giữa DD và BB lấy từ kết quả của CFA.
Kết quả phân tích nhân tố khẳng định CFA có thể cung cấp bằng chứng thuyết phục về giá trị hội tụ và giá trị phân biệt của cấu trúc lý thuyết. Giá trị hội tụ được sử dụng để chỉ ra các items, còn gọi là các biến quan sát trong cùng một thang đo có liên quan chặt chẽ với nhau, cùng nhóm về 1 nhân tố lớn. Giá trị phân biệt được sử dụng để chỉ ra rằng các khái niệm khác nhau thì có sự phân biệt với nhau, không bị trùng lắp nhau

Như vậy, nhóm MBA đã trình bài chi tiết cách đánh giá phân tích nhân tố khẳng định CFA.

Các bạn cần hỗ trợ kiến thức, hoặc xử lý số liệu cứ liên hệ nhé

– Zalo, Viber, SMS

phone number

– Facebook: http://facebook.com/hoidapSPSS/

– Email:        hotrospss@gmail.com

Hướng dẫn thực hành phân tích biến điều tiết trên phần mềm SmartPLS

Bài viết này sẽ hướng dẫn các bạn phân tích biến điều tiết trong mô hình PLS SEM bằng phần mềm Smart Pls. Cả hai kĩ thuật xử lý biến điều tiết liên tục interaction effect và phân loại MGA đều được đề cập trong bài này.

Lý thuyết chung về biến điều tiết trên phần mềm SmartPLS


Biến điều tiết tác động vào mối quan hệ từ độc lập đến biến phụ thuộc, làm cho mức ảnh hưởng này cao hơn, nhỏ hơn hoặc không đổi. Biến điều tiết ảnh hưởng trực tiếp đến mối quan hệ giữa hai yếu tố trong mô hình, có thể làm tăng hoặc giảm độ lớn giữa hai yếu tố đó tùy vào giá trị của biến điều tiết.

Hai dạng biến điều tiết trong Smart PLS

-Biến điều tiết phân loại, ví dụ như giới tính (nam nữ), trình độ (tiểu học, trung học, đại học)
-Biến điều tiết biến liên tục,ví dụ như Thu Nhập trong ảnh ở trên. Lưu ý thu nhập ở đây là số tiền thực tế, chứ không phải là nhóm thu nhập nhé. Vì nếu là chia nhóm ra ví dụ (trên 10 triệu, dưới 10 triệu) thì nó lại quay về trường hợp biến điều tiết phân loại category moderator.
Với biến điều tiết là biến định tính phân loại, sử dụng kỹ thuật phân tích cấu trúc đa nhóm multigroup analysis – MGA trên Smartpls.
Với biến điều tiết là biến liên tục, có hai cách xử lý. Cách 1 là chia nhóm biến liên tục đó và thực hiện phân tích MGA như trên, cách 2 là sử dụng interaction moderator effect trên Smart Pls. Để một biến trở thành biến điều tiết tốt, có ý nghĩa thống kê thì tích của biến điều tiết và biến độc lập phải có ảnh hưởng đến biến phụ thuộc, sau đó thì có thể kết luận rằng biến đó có điều tiết mối quan hệ giữa biến độc lập và phụ thuộc.
Smart Pls đã tích hợp chức năng xử lý biến điều tiết liên tục và biến điều tiết phân loại vào phần mềm. Có sẵn menu cho cả hai dạng điều tiết trong Smart PLS.

Ví dụ về mô hình biến điều tiết trong Smart PLS

File dự án mẫu về phân tích điều tiết PLS các bạn có thể tải ở đây:

phantichspss.com/filefordownload/biendieutiet.zip

Mô hình tổng thể biến điều tiết trong ví dụ:

Phần mềm Smart Pls để phân tích mức độ ảnh hưởng của biến điều tiết trong mô hình cấu trúc SEM PLS.

Cách vẽ và xử lý biến điều tiết liên tục trong SMARTPLS

Đối với biến điều tiết liên tục, ta sẽ sử dụng interaction effect để xử lý.

Cách sử dụng công cụ chạy điều tiết trên Smart Pls:
Đầu tiên, import dự án PLS có sẵn vào chương trình bằng cách tải file dự án pls ở đây phantichspss.com/filefordownload/biendieutiet.zip và lưu về máy
Kế đến bật Smart PLS lên và để con trỏ chuột trong khung Project Explorer và ấn chuột phải, chọn Import Project From Backup File. Hoặc vào menu File-Import Project From Backup File. Sau đó chọn file biendieutiet.zip vừa tải về. Sau đó ấn vào mục biendieutiet như trong hình dưới để mở file graphic pls lên, được kết quả như hình dưới

Nhấp chuột phải vào biến phụ thuộc TrungThanh và chọn Add moderating Effect…

Sau đó, chọn tên của biến điều tiết và biến độc lập để đưa vào mô hình như trong hình :


Và nhấn OK
Biến interaction được tạo ra có tên là Moderating Effect 1, ta cần đổi tên để cho nhìn dễ hiểu hơn. Bằng cách chọn biến đó và ấn F2 để rename. Ở đây ta rename đổi tên thành Moder_HaiLongxThuNhap sau đó OK, lúc đó mô hình mới như sau:


Smart Pls sử dụng kỹ thuật Bootstrapping để đánh giá mối quan hệ có ý nghĩa thống kê hay không. Thực hiện phân tích bootstrap cho mô hình này với 5000 mẫu lặp lại.
Ta vào menu Caculate- Bootstrapping như ảnh


Chọn sub-samples là 5000, sau đó nhấn Start Calculation

Sau khi phân tích xong, kết quả sau hiện ra như sau:

Cách đọc kết quả phân tích biến điều tiết liên tục trên Smart PLS

Nhìn vào p-value của quan hệ Moder_HaiLongxThuNhap -> TrungThanh , giá trị này là 0.084 lớn hơn 5% nên kết luận luôn là biến ThuNhap không có điều tiết mối quan hệ giữa HaiLong đến TrungThanh. Nếu giá trị đó < 5% thì kết luận là ThuNhap điều tiết mối quan hệ giữa HaiLong đến TrungThanh. Tuy nhiên trong trường hợp này, nếu mình lấy mức ý nghĩa 10% thì có thể kết luận được ThuNhap là biến điều tiết, do 0.084<10%
Bây giờ sẽ xét dấu của tác động điều tiết, xem biến điều tiết khi tăng lên thì làm cho mối quan hệ giữa HaiLong đến TrungThanh tăng hay giảm. Ở đây do hệ số của biến tương tác là 0.135 lớn hơn 0, nên biến điều tiết này khi tăng sẽ làm tăng mối quan hệ, cụ thể khi thu nhập tăng thì làm cho mối quan hệ từ HaiLong đến TrungThanh tăng lên nhé.

Cách xử lý biến điều tiết phân loại category trong SMARTPLS

Đối với biến điều tiết phân loại, ta sẽ sử dụng Smart PLS MGA mutigroup analysis để xử lý. Cách sử dụng công cụ chạy điều tiết trên Smart Pls như sau:
Trước tiên ta cũng tải file dự án về và import vào như trên bằng cách tải file dự án pls ở đây phantichspss.com/filefordownload/biendieutiet.zip và lưu về máy
Kế đến bật Smart PLS lên và để con trỏ chuột trong khung Project Explorer và ấn chuột phải, chọn Import Project from Backup File. Hoặc vào menu File-Import Project from Backup File. Sau đó chọn file biendieutiet.zip vừa tải về. Sau đó ấn vào mục biendieutiet như trong hình dưới để mở file graphic pls lên, được kết quả như hình dưới

Sau đó ấn vào file số liệu moderator[79 records] như trong ảnh. Lúc đó màn hình số liệu bên phải hiện ra. Lúc đó ấn tiếp vào nút Generate Data Groups để tạo ra các nhóm số liệu con.

Tiếp tục chọn ô Group column 0, chọn biến để chia bộ dữ liệu ra là GioiTinh,

Sau đó ấn OK


Như ta thấy, trong số liệu 79 người, có 33 người giới tính Nam-1, 46 người giới tính Nữ-2
Sau đó ta tiến hành chạy phân tích đa nhóm MGA trong Smart PLS bằng cách vào Menu Calculate- MultiGroup Analysis (MGA)


Sau đó tiến hành trong Group A chọn nhóm giới tính 1, trong Group B chọn nhóm giới tính 2.


Sau đó ấn Start Caculation để tiến hành phân tích đa nhóm Smart PLS theo dạng biến phân loại. Khi tính toán xong cửa sổ kết quả sẽ hiện ra. Ta chọn tab PLS-MGA như trong ảnh để đánh giá kết quả


Cách đọc kết quả biến điều tiết phân loại category Smart PLS

Nhìn vào cột p-value tô đỏ ở trên, ta so sánh với 0.05 để rút ra kết luận là biến Giới Tính có điều tiết mối quan hệ giữa biến độc lập và phụ thuộc.
Đối với mối quan hệ HaiLong->TrungThanh, giá trị p-value của mối quan hệ điều tiết của Giới Tính là 0.269 >5%, nên kết luận là biến Giới Tính không có điều tiết mối quan hệ này.
Đối với mối quan hệ ThuNhap->TrungThanh, giá trị p-value của mối quan hệ điều tiết của Giới Tính là 0.915 >5%, nên kết luận là biến Giới Tính không có điều tiết mối quan hệ này.
Như vậy, bài này đã hướng dẫn bạn cách xử lý biến điều tiết và đọc kết quả biến điều tiết liên tục và phân loại trong Smart Pls. Thực ra việc này không khó, nhưng vì trong SmartPls có nhiều menu nên có thể gây bối rối cho các bạn khi xử lý.
Các bạn khi phân tích có bất cứ khó khăn gì cứ liên hệ cho nhóm nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

Cách khai báo mã hóa biến câu hỏi nhiều lựa chọn,nhiều câu trả lời với SPSS

Bài này nhóm ThS Bách Khoa giới thiệu đến bạn cách khai báo mã hóa biến cho câu hỏi nhiều lựa chọn, đồng thời giới thiệu cách thống kê tần số áp dụng cho câu trả lời nhiều lựa chọn.

Câu hỏi nhiều lựa chọn là gì?

Câu hỏi nhiều lựa chọn là câu hỏi mà người được khảo sát có thể không cần trả lời câu nào, hoặc trả lời chọn được tất cả các câu. Ví dụ câu sau:

Bạn đã từng mua sắm ở những nơi nào trong 1 tháng qua?

1. Siêu thị

2. Chợ truyền thống

3. Cửa hàng tiện lợi

Như vậy, người được khảo sát có thể chọn cả 3 ý trên, hoặc có thể không chọn ý nào cả( trong trường hợp họ không đi mua sắm ở chỗ nào trong 3 chỗ trên trong 1 tháng qua.

Sự khác nhau giữa câu hỏi nhiều lựa chọn multiple response và câu hỏi một lựa chọn single response: câu hỏi nhiều lựa chọn multiple response cần phải dùng cách mã hóa riêng, và sử dụng menu thống kê riêng( Analyze-Multile response-…)

Nguyên tắc mã hóa câu hỏi nhiều lựa chọn

-Mỗi ý trả lời là 1 cột trong excel. Ví dụ ở trên có 3 ý trả lời, ứng với 3 cột trong excel.

-Giá trị trong các cột ở trên là 0( ứng với lựa chọn đó không được chọn) hoặc 1 ( ứng với lựa chọn đó có được chọn).

Ví dụ quan sát 5 người đầu tiên:

Người thứ 1 chọn đáp án 1

Người thứ 2 chọn đáp án 1,3

Người thứ 3 không chọn đáp án  nào cả

Người thứ 4 chọn đáp án 2

Thì ta nhập vào excel như sau:

Sau khi nhập dữ liệu Excel thì chuyển sang File SPSS để thực hiện mã hóa.

File số liệu sau khi nhập và mã hóa các bạn tải ở đây: phantichspss.com/filefordownload/multichoice.sav

Chỗ mục Label ta đặt tên các lựa chọn chợ, siêu thị,…. cho các biến nhé.

Cách thực hiện chạy câu trả lời nhiều lựa chọn sau khi mã hóa làm như sau:

Vào menu Analyze –> Multiple Response –> Define Variable Sets…

Ở cửa sổ Define Multiple Response Set, ta chọn 3 ý ở khung “Set Definition” và ấn nút mũi tên để đưa vào ô “Variables in Set”.

Trong phần Variables Are Coded As, chọn Dichotomies, chỗ Counted value bạn gõ vào số 1 nhé. (có các mã hóa khác là chọn Categrories, nhưng áp dụng khi trong file excel bạn không nhập giá trị 0/1 mà là nhập giá trị 1/2/3/4/5/6…, phần này sẽ được đề cập trong một bài khác)

Mục Name, bạn nhập tên cho biến chung đó, ví dụ nhập MuaSam

Sau đó ấn nút Add, rồi Close, như vậy là đã định nghĩa xong biến spss nhiều câu lựa chọn rồi nhé.

Tiếp đến ta thực hiện chạy tần số cho biến đó bằng cách vào menu Analyze –> Multiple Response –> Frequencies

Đưa giá trị ở cột Multiple Response Sets vào khung “Table(s) for:”, sau đó ấn OK

Kết quả xuất hiện bên dưới

Cách đọc kết quả thống kê nhiều câu trả lời:

Các câu trả lời có nhiều đáp án mình sẽ đọc kết quả ở 2cột sau

Percent: tổng sẽ bằng 100%, Ví dụ ta xét dòng SIÊU THỊ, giá trị percent = 2/7=28.6%

Percent of case: thường tổng sẽ lớn hơn 100%, ví dụ ta xét dòng SIÊU THỊ, giá trị percent = 2/6=33.3%

Sự khác biệt ở hai cột percent và percent of case là: Percent thì tính trên tổng số lựa chọn, còn Percent of case là tính trên tổng số trường hợp, nghĩa là tổng số người trả lời, ví dụ ở đây là 6 người do bộ số liệu của chúng ta có 6 dòng nhé.

Như vậy qua bài này bạn đã được biết cách mã hóa nhập liệu và chạy kết quả câu hỏi nhiều lựa chọn multiple answer nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS để được tư vấn và xử lý về các vấn đề khi làm bài:

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com