Category Archives: AMOS

mô hình SEM, CFA, AMOS

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

PLS-SEM là gì, so sánh PLS-SEM với CB-SEM

PLS-Sem là gì?

Partial least squares structural equation modeling( mô hình cấu trúc bình phương nhỏ nhất từng phần, thường được gọi là PLS-SEM, là sự kết hợp của các kỹ thuật phụ thuộc và phụ thuộc lẫn nhau. Phương pháp mô hình thống kê tìm cách giải thích các mối quan hệ giữa nhiều biến đồng thời cùng lúc. Như với SEM dựa trên hiệp phương sai (CB-SEM), PLS-SEM bao gồm hai mô hình, mô hình đo lường (đại diện cho cách các biến đo lường đại diện cho các cấu trúc) và mô hình cấu trúc (cho biết cách các cấu trúc được liên kết với cấu trúc khác). Trong PLS-SEM, mô hình đo lường thường được gọi là mô hình bên ngoài (outer model) và mô hình cấu trúc được gọi là mô hình bên trong(inner model). Nhưng hai mô hình này về cơ bản hoạt động theo cùng một cách chính xác trong cả hai cách tiếp cận.  

Phần mềm để thực thi hiện tại phổ biến nhất là Smart-PLS nhé

So sánh PLS-SEM với CB-SEM

Mặc dù chúng ta đã thấy rằng CB-SEM và PLS-SEM có thể so sánh được về các yếu tố cơ bản của chúng, nhưng có một số khác biệt rõ ràng mà chúng ta sẽ trình bày chi tiết.Chúng ta giới thiệu mô hình cấu trúc bình phương nhỏ nhất từng phần như cách tiếp cận thứ hai của chúng ta đối với mô hình cấu trúc vì mục tiêu thống kê chính về cơ bản khác với mô hình cấu trúc dựa trên hiệp phương sai và có thể thu được các giải pháp không thể thực hiện được với CB-SEM. Sự khác biệt cơ bản giữa hai cách tiếp cận này là:

CB-SEM: Mặc dù có thể dự đoán với mô hình cấu trúc dựa trên hiệp phương sai, nhưng mục tiêu thống kê chính của CB-SEM đang xác nhận lý thuyết bằng cách ước tính một ma trận hiệp phương sai mới không khác biệt có ý nghĩa thống kê (not significantly different)so với ma trận hiệp phương sai quan sát ban đầu.

PLS-SEM: Ngược lại, mục tiêu thống kê chính của PLS-SEM là dự đoán tối đa hóa phương sai được giải thích trong (các) biến phụ thuộc.

Khi nào PLS-SEM và CB-SEM là phương pháp mô hình cấu trúc thích hợp?

PLS-SEM và CB-SEM là hai cách tiếp cận khác nhau để lập mô hình phương trình cấu trúc. Cả hai phương pháp SEM đều đánh giá hai mô hình:mô hình đo lường (cách các biến đo lường đại diện cho các cấu trúc) và mô hình cấu trúc (cho thấy cách các cấu trúc liên kết với nhau). Mặc dù CB-SEM và PLS-SEM có thể so sánh được về các yếu tố cơ bản của chúng, nhưng có một số khác biệt rõ ràng. Có thể dự đoán với mô hình cấu trúc dựa trên hiệp phương sai, nhưng mục tiêu thống kê chính của CB-SEM là xác nhận lý thuyết bằng cách ước tính một ma trận hiệp phương sai mới không khác biệt có ý nghĩa thống kê so với ma trận hiệp phương sai quan sát ban đầu. Ngược lại, mục tiêu thống kê chính của PLS-SEM là dự đoán tối đa hóa phương sai được giải thích trong (các) biến phụ thuộc. Phương pháp CB-SEM là tham số parametric và do đó yêu cầu phân phối chuẩn trong dữ liệu của bạn và các giả định hạn chế khác. Nhưng PLS-SEM là phi tham số và linh hoạt hơn nhiều trong việc đáp ứng các giả định cần thiết. Tính linh hoạt này có nghĩa là phân phối dữ liệu không chuẩn và độ lệch skewness không phải là vấn đề đối với các ứng dụng PLS-SEM, các thang đo nonmetric dễ dàng được cung cấp hơn và do đó có thể áp dụng rộng rãi hơn

Sự khác biệt cấu trúc tiềm ẩn và biến quan sát

Biến quan sát

Biến quan sát (còn được gọi là biến đo lường hoặc chỉ báo quan sát) được sử dụng để phản ánh một cấu trúc tiềm ẩn không thể đo lường trực tiếp. Nhà nghiên cứu phải chỉ rõ các chỉ báo nào được liên kết với mỗi cấu trúc tiềm ẩn.

Cấu trúc tiềm ẩn

Cấu trúc tiềm ẩn: Là cấu trúc không thể đo lường trực tiếp nhưng có thể được biểu diễn hoặc đo lường bằng một hoặc nhiều biến quan sát. Các biến quan sát kết hợp lại với nhau đưa ra một thước đo chính xác hợp lý về cấu trúc tiềm ẩn. SEM cũng có khả năng kết hợp các biến tiềm ẩn vào phân tích. Cấu trúc tiềm ẩn (còn được gọi là biến tiềm ẩn) là một khái niệm giả định, không quan sát được , có thể được biểu diễn bằng các biến quan sát hoặc đo lường. Các cấu trúc tiềm ẩn được đo lường gián tiếp bằng cách kết hợp nhiều biến được đo lường, đôi khi được gọi là biến biểu hiện hoặc chỉ số. Dưới bất kỳ tên gọi nào, các chỉ số là những biến đánh giá trực tiếp một số khía cạnh hoặc khái niệm cụ thể.

Lợi ích của việc sử dụng các cấu trúc tiềm ẩn

Tuy nhiên, tại sao chúng ta lại muốn sử dụng một biến tiềm ẩn mà chúng ta không thể đo lường trực tiếp thay vì các biện pháp trực tiếp do người trả lời cung cấp?

  • Đầu tiên, chúng tôi thực sự có thể biểu diễn các khái niệm lý thuyết, tiềm ẩn bằng cách sử dụng nhiều chỉ số của một khái niệm, điều này làm giảm sai số đo lường so với việc dựa vào một chỉ số duy nhất.
  • Thứ hai, SEM có thể giải thích sai số đo lường liên quan đến các cấu trúc tiềm ẩn và sửa sai số đo lường đó để đưa ra các ước tính thống kê chính xác hơn về mối quan hệ giữa các cấu trúc.

Hầu hết các khái niệm yêu cầu nhiều lần đánh giá để thể hiện đầy đủ. Từ góc độ lý thuyết, hầu hết các khái niệm đều tương đối phức tạp (ví dụ: lòng yêu nước, lòng tin của người tiêu dùng, bản thân) và có nhiều khía cạnh. Với sự phức tạp, nhà nghiên cứu cố gắng thiết kế các hạng mục tốt nhất để đo lường khái niệm khi biết rằng các cá nhân có thể diễn giải bất kỳ hạng mục đơn lẻ nào theo cách hơi khác nhau. Mục đích là để tập hợp các câu hỏi thể hiện khái niệm tốt hơn bất kỳ mục đơn lẻ nào.

Sai số đo lường tại sao lại xuất hiện?

Nhà nghiên cứu cũng phải biết về sai số đo lường xảy ra với bất kỳ hình thức đo lường nào. Mặc dù chúng ta có thể giảm thiểu nó bằng các khái niệm vật lý như thời gian (ví dụ: phép đo bằng đồng hồ nguyên tử), bất kỳ khái niệm lý thuyết hoặc trừu tượng nào cũng nhất thiết phải có sai số đo. Ở dạng cơ bản nhất của nó, sai số đo là do sự biểu diễn không chính xác của khái niệm. Nhưng, quan trọng hơn, lỗi đo lường xảy ra khi người trả lời có thể hơi không chắc chắn về cách trả lời hoặc có thể diễn giải câu hỏi theo cách khác với dự định của nhà nghiên cứu. Cuối cùng, nó có thể xuất phát từ mức độ không nhất quán tự nhiên của người trả lời khi chúng tôi sử dụng nhiều quan điểm hoặc nhiều mục để đo lường cùng một khái niệm. Tất cả những tình huống này đều làm phát sinh sai số đo. Nếu chúng ta biết mức độ của vấn đề, chúng ta có thể kết hợp mức độ sai số đo lường vào ước tính thống kê và cải thiện mô hình phụ thuộc của chúng ta.

Làm thế nào để chúng ta biểu diễn các khái niệm về mặt lý thuyết và tính toán được sai số đo lường? SEM bao gồm một mô hình đo lường xác định giữa các biến đo lường và biến  tiềm ẩn. Mô hình đo lường cho phép tính toán đại lượng đo lường của cấu trúc để đại diện cho bất kỳ cấu trúc phụ thuộc hoặc độc lập nào với nhiều hạng mục. Bằng cách kiểm tra sự phù hợp của mô hình đo lường lý thuyết so với thực tế, người ta có thể đánh giá mức độ sai số đo lường hiện tại.