Category Archives: AMOS

mô hình SEM, CFA, AMOS

Common method bias là gì?

Các nhà nghiên cứu đôi khi lo ngại rằng các câu trả lời khảo sát bị sai lệch dựa trên cách đặt câu hỏi. Ví dụ, có thể lập luận rằng thứ tự các câu hỏi được đặt ra có thể chịu trách nhiệm về hiệp phương sai giữa các mục được nhóm gần nhau( do khả năng là người được khảo sát đánh các câu gần nhau với giá trị na ná nhau). Tương tự, các nhà nghiên cứu thường phải đối mặt với việc giải quyết câu hỏi về sự sai lệch tiềm ẩn của các phương pháp phổ biến.

Common method bias (CMB) sẽ ngụ ý rằng hiệp phương sai giữa các mục được đo lường bị ảnh hưởng bởi thực tế là một số hoặc tất cả các câu trả lời được thu thập với cùng một loại thang đo. Do đó, hiệp phương sai có thể được giải thích bằng cách người trả lời sử dụng một loại thang đo nhất định thay vì căn cứ vào nội dung của các thang đo.

CMB là một ví dụ về những gì được gọi là một yếu tố phiền toái nuisance factor. Yếu tố gây phiền toái là thứ có thể ảnh hưởng đến các câu trả lời nhưng không được quan tâm hàng đầu đối với câu hỏi nghiên cứu. Đối với nhiều hiệu ứng thuộc loại này, người ta giả định rằng chúng chỉ được biểu diễn trong các thuật ngữ lỗi error terms. Nhưng nếu tác động của một yếu tố phiền toái đủ lớn hoặc có hệ thống để tác động đến kết quả, thì nó nên được đưa vào mô hình. Đầu tiên chúng ta thảo luận về các vấn đề đặc tả mô hình liên quan đến việc đánh giá tác động của một yếu tố phiền toái và sau đó xem xét các ước tính của mô hình để đánh giá mức độ ảnh hưởng.

Đặc tả CMB trong mô hình

Khái niệm về yếu tố phiền toái được sử dụng rộng rãi trong các thiết kế thử nghiệm, trong đó các yếu tố trong quá trình quản lý thử nghiệm (thời gian trong ngày, điều kiện phòng hoặc thậm chí đặc điểm của người quản lý) có thể có một số tác động và do đó cần được “kiểm soát” trong thiết kế. Cách tiếp cận phổ biến nhất là giới thiệu các yếu tố chặn hoặc hiệp biến để cố gắng kiểm soát các hiệu ứng gây nhiễu tiềm ẩn. Trong mô hình phương trình cấu trúc, chúng tôi thực hiện theo một cách tiếp cận tương tự. Để làm như vậy, chúng tôi tạo một cấu trúc tiềm ẩn để đại diện cho yếu tố phiền toái và sau đó giải thích nó trong mô hình. Với CMB, trọng tâm là các hiệu ứng liên quan đến thiết kế và quản lý bảng câu hỏi, nhưng cách tiếp cận có thể được mở rộng cho bất kỳ loại hiệu ứng phiền toái nào.

Trong nghiên cứu khảo sát, CMB có thể phát sinh do một loại thang đo phổ biến gây ra một phong cách phản hồi độc lập với nội dung của mục. Theo thuật ngữ SEM, điều này có nghĩa là một tác động bên ngoài (ví dụ: loại thang đo) tác động đến các biến được đo lường. Chúng ta có thể thể hiện tác động bên ngoài này trong SEM bằng cách tạo thêm một cấu trúc tiềm ẩn cho từng loại thang đo và liên hệ nó với các biến đo lường được thu thập bởi loại thang đo đó. Bởi vì “nguyên nhân” tác động đến các biến được đo lường, cấu trúc phản ánh (nghĩa là, các mũi tên đi từ cấu trúc đến các biến được đo lường) và hoạt động như bất kỳ cấu trúc nào khác thuộc loại này. Lưu ý rằng cấu trúc kiểu này vi phạm các nguyên tắc của lý thuyết đo lường tốt bởi vì nó tạo ra tải chéo cho các biến đo lường có liên quan và do đó tác động đến tính đơn hướng của cấu trúc.

Khi nào sử dụng nhân tố bậc cao high order factor

Mặc dù các mô hình đo lường bậc cao có vẻ có nhiều ưu điểm, nhưng chúng ta cũng phải xem xét các nhược điểm. Nói chung, chúng phức tạp hơn về mặt khái niệm. Một cấu trúc có thể trở nên trừu tượng đến mức khó có thể mô tả đầy đủ ý nghĩa của nó. Độ phức tạp tăng thêm cũng có thể làm giảm giá trị chẩn đoán của một cấu trúc khi nó bị loại bỏ thêm khỏi các mục đo lường hữu hình.

Các mô hình CFA bậc cao hơn cũng tạo ra nhiều tiềm năng hơn cho các giải pháp CFA không xác định hoặc không phù hợp. Ví dụ, các nhà nghiên cứu có thể có một hoặc nhiều yếu tố bậc cao với ít hơn ba chỉ số.Một yếu tố bậc cao có hai mục có thể tồn tại trong một mô hình CFA nhưng bản thân yếu tố đó là under-identified nếu không có thêm ràng buộc để tăng độ xác định lên

Với mô hình nhân tố bậc hai hoặc cao hơn dạng phản ánh reflective, tất cả các yếu tố bậc nhất, hiện là chỉ số của yếu tố bậc hai, dự kiến ​​sẽ di chuyển cùng nhau (đồng biến), giống như các mục được đo lường của các yếu tố bậc nhất. Khi nhiều yếu tố bậc nhất được sử dụng làm chỉ số của yếu tố bậc hai, nhà nghiên cứu sẽ từ bỏ khả năng kiểm tra mối quan hệ giữa các yếu tố bậc nhất này và các cấu trúc chính khác. Do đó, một nhược điểm của mô hình đo lường trong hình sau

Là chúng ta không thể điều tra, ví dụ, các mối quan hệ trực tiếp giữa PB và EN hoặc SP. Do đó, giả định là tất cả bốn chỉ số bậc nhất sẽ ảnh hưởng đến bất kỳ cấu trúc nào khác theo cùng một cách. Nếu một trường hợp khái niệm có thể được đặt ra rằng bất kỳ yếu tố nào trong số các yếu tố bậc nhất này sẽ ảnh hưởng đến cấu trúc khác một cách khác biệt, thì có lẽ không nên sử dụng lý thuyết đo lường bậc hai. Trường hợp này được điển hình khi một trong một tập hợp các cấu trúc bậc nhất có liên quan sẽ ảnh hưởng tích cực đến một số cấu trúc khác trong khi các cấu trúc bậc nhất khác sẽ ảnh hưởng tiêu cực đến nó.

Một số câu hỏi có thể giúp xác định xem mô hình đo lường bậc cao hơn có phù hợp hay không được liệt kê ở đây:

1 Có lý do lý thuyết nào để mong đợi rằng tồn tại nhiều lớp khái niệm của một cấu trúc không?

2 Có phải tất cả các yếu tố bậc nhất sẽ ảnh hưởng đến các cấu trúc liên quan đến danh nghĩa khác theo cùng một cách không?

3 Có phải các yếu tố bậc cao hơn sẽ được sử dụng để dự đoán các cấu trúc khác có cùng mức độ trừu tượng chung không?

4 Có phải các điều kiện tối thiểu để tính xác định identification và thực hành tốt phép đo ở cả lớp bậc nhất và lớp bậc cao hơn của lý thuyết đo lường không?

Nếu câu trả lời cho mỗi câu hỏi này là có, thì mô hình đo lường bậc cao hơn sẽ được áp dụng.

Sau khi thử nghiệm thực nghiệm các mô hình bậc cao, các câu hỏi sau cần được giải quyết:

1 Mô hình nhân tố bậc cao có phù hợp không?

2 Các yếu tố bậc cao có dự đoán các cấu trúc liên quan đến khái niệm khác một cách đầy đủ và như mong đợi không?

3 Khi so sánh với mô hình nhân tố bậc thấp, mô hình bậc cao có thể hiện giá trị dự báo ngang bằng hoặc tốt hơn không (yếu tố bậc cao không che dấu các phát hiện từ các yếu tố bậc thấp riêng lẻ)? Một lần nữa, nếu câu trả lời cho những câu h

AMOS có thể vẽ được formative construct hay không và vẽ như thế nào?

Các thang đo formative đã nhận được sự chú ý đáng kể trong những năm gần đây. Quy trình CB-SEM có thể được sử dụng để lập mô hình các thang đo formative miễn là các mô hình được xác định về mặt thống kê, chẳng hạn như các mô hình được trình bày trong hình sau. CB Sem Amos có thể vẽ được formative construct. Và đây là cách vẽ, có 3 dạng

Xu hướng sử dụng rộng rãi hơn các thang đo formative không phải là không có những lo ngại. Nghiên cứu đang tiếp tục giải quyết các câu hỏi được đưa ra bởi cả những người đề xuất và phản đối. Như đã đề cập trước đó, người ta có thể nghĩ ra nhiều cách để đo lường nhiều khái niệm theo cách nào đó, và cuối cùng thì các khái niệm tồn tại mà không cần quan tâm thuộc dạng reflective hay formative. Bảng dưới đây cung cấp hướng dẫn cho nhà nghiên cứu trong việc cố gắng quyết định việc chọn thang đo loại nào

Tính chấtReflectiveFomative
Nhân quả của constructFactor tạo ra thang đoCác thang đo tạo ra factor.
Mối quan hệ khái niệm giữa các itemsTất cả các items đều đề cập về 1 khái niệm vì chúng có một nguyên nhân chung.Không yêu cầu liên kết khái niệm với các hạng mục khác.
Ý nghĩa của itemsMẫu đại diện cho các items tiềm năng. Tất cả các mục đều có ý nghĩa như nhau.Liệt kê đầy đủ tất cả các items có thể. Mỗi items đều có ý nghĩa khác nhau.
Phương sai giữa các mụcTính cộng tuyến Collinearity giữa các mục được mong đợi.Không có kỳ vọng về tính Collinearity. Nghĩa là các mục này không liên quan mạnh với nhau
Thống nhất nội bộ(độ tin cậy)Yêu cầu.Không bắt buộc và thực tế là có vấn đề.