Tag Archives: Nhân tố có 1 biến

Cách xử lý nhân tố có 1 biến quan sát trong SEM

Nhân tố có 1 biến quan sát là gì?

Ngoại lệ đối với việc sử dụng nhiều biến quan sát để biểu diễn một nhân tố xảy ra khi các khái niệm có thể được biểu diễn đầy đủ với một biến duy nhất. Ví dụ doanh số bán hàng thực sự không phải là một khái niệm tiềm ẩn. Doanh số bán hàng là một biến quan sát. Các hành vi khác có thể quan sát trực tiếp (mua / không mua, thất bại / thành công, v.v.).

Nói một cách chính xác, tính đơn hướng unidimensionality của các khái niệm có ít hơn bốn thang đo không thể được xác định một cách riêng biệt. Tóm lại, khi chỉ định số lượng chỉ báo cho mỗi cấu trúc tiềm ẩn, nên làm như sau:

  • Sử dụng ít nhất bốn thang đo cho 1 nhân tố bất cứ khi nào có thể.
  • Có thể chấp nhận được ba thang đo cho 1 nhân tố, đặc biệt khi các nhân tố KHÁC có nhiều hơn ba thang đo.
  • Nên tránh các cấu trúc có ít hơn ba chỉ số hoặc nếu được sử dụng, thì tạo ràng buộc để tăng tính xác định của nó( bằng cách gán cố định phương sai của phần dư bằng 1).

Tuy nhiên khi ta kết hợp nhân tố 1 quan sát vào mô hình SEM thì không vấn đề gì nhé. Đôi khi một mô hình cấu trúc sẽ liên quan đến các nhân tố có 1 biến quan sát. Một mô hình cấu trúc không yêu cầu nhân tố phải có nhiều quan sát.

Cách xử lý nhân tố có 1 biến quan sát trong SEM

Nhân tố 1 quan sát có thể được kết hợp vào mô hình cấu trúc theo nhiều cách khác nhau:

Cách 1 Các biến đơn lẻ có thể được nhập trực tiếp vào mô hình dưới dạng các biến được đo lường. Trong trường hợp này, các biến không đại diện cho các cấu trúc tiềm ẩn mà là các biến quan sát trực tiếp.

Cách 2 Các biến đơn lẻ đại diện cho một cấu trúc hoặc tổng hợp tiềm ẩn và được nhập vào mô hình dưới dạng một cấu trúc được đại diện bởi một biến đo lường duy nhất, biến này cũng bao gồm một phương sai phần dư error variance term

 Trong trường hợp đầu tiên, nghiên cứu có thể chỉ liên quan đến các cấu trúc phi tâm lý, tất cả đều cho phép đo lường trực tiếp, nghĩa là đó là một số cụ thể, không phải dạng lấy ý kiến đánh giá dựa theo ý kiến chủ quan của ai đó. Ví dụ, một mô hình cấu trúc có thể chứa số liệu thống kê cho các biến nhân khẩu học và kinh tế được lấy từ các báo cáo điều tra dân số hoặc tài chính của một công ty nào đó. Ngoài ra, một nhà nghiên cứu có thể muốn kết hợp các biến kiểm soát vào một mô hình SEM lớn hơn hoặc sử dụng các cấu trúc tâm lý để giải thích các biến kết quả như doanh số bán hàng, giá trị cổ phiếu hoặc hiệu suất của công ty. Kết quả sẽ là một mô hình cấu trúc với sự pha trộn của các cấu trúc nhiều mục (hình bầu dục) và các biến đơn mục riêng lẻ (hình chữ nhật) . Theo cách này, mô hình đề xuất các mối quan hệ cấu trúc giữa các biến đơn và các cấu trúc tiềm ẩn. Khi các biến được thêm trực tiếp vào mô hình, chúng được giả định là được đo lường mà không có sai số.

 Trong cách tiếp cận thứ hai, cấu trúc một mục đóng vai trò giống như một cấu trúc tiềm ẩn nhiều mục. Vấn đề là các biện pháp đơn mục, ngoài việc thiếu mức độ xác định thống kê under-identification, còn không thể tính toán độ tin cậy và giá trị hội tụ. Sau đó, câu hỏi đặt ra là làm thế nào để một nhân tố đơn mục có thể được thể hiện trong khuôn khổ SEM? Nó được quy định như thế nào? Vì các đặc điểm đo lường của nó là không xác định, nó đòi hỏi sự đánh giá tốt nhất của nhà nghiên cứu để sửa các thông số đo lường được liên kết với một mục.

Sự khác biệt giữa biến đại diện cho một cấu trúc một mục duy nhất và tất cả các biến khác tạo thành một ma trận hiệp phương sai là nó sẽ là mục duy nhất được liên kết với cấu trúc của nó. Do đó, một đường dẫn đo lường liên kết chúng với nhau bằng một hệ số tải. Biến đo lường, được biểu diễn đầy đủ, cũng chứa phương sai sai số (error variance). Cấu trúc một mục sẽ không được xác định nếu một nghiên cứu cố gắng ước tính các tham số của nó (tải và phương sai sai số). Vì vậy, nhà nghiên cứu phải chỉ định cả hai giá trị. Hệ số tải và phương sai sai số cho cấu trúc một hạng mục phải được đặt dựa trên kiến ​​thức tốt nhất hiện có. Nếu nhà nghiên cứu cảm thấy có rất ít sai số đo lường  thì giá trị tải cao và error term thấp tương ứng sẽ được chỉ định. Ví dụ: nếu nhà nghiên cứu cảm thấy rằng không có error terms trong giá trị quan sát, thì tải sẽ được đặt thành 1 và error terms bằng 0. Kết quả cuối cùng sẽ giống như bao gồm các liên kết trực tiếp từ một biến được đo lường như trong trường hợp 1 ở trên.