Phần này tóm tắt ngắn gọn và không thiên về đặc tính kỹ thuật của các vấn đề căn bản có liên quan trong SEM, bao gồm các vấn đề ước lượng, thích hợp mô hình, và các giả thiết thống kê
Phần này tóm tắt ngắn gọn và không thiên về đặc tính kỹ thuật của các vấn đề căn bản có liên quan trong SEM, bao gồm các vấn đề ước lượng, thích hợp mô hình, và các giả thiết thống kê
Phần này tóm tắt ngắn gọn và không thiên về đặc tính kỹ thuật của các vấn đề căn bản có liên quan trong SEM, bao gồm các vấn đề ước lượng, thích hợp mô hình, và các giả thiết thống kê
Phn ny tm tt ngn gn v khng thin v c tnh k thut ca cc vn
cn bn c lin quan trong SEM, bao gm cc vn c lng, thch hp m hnh, v cc gi thit thng k. SEM (Structural Equation Modelling) l mt k thut m hnh thng k rt tng qut, c s dng rng ri trong khoa hc nghin cu hnh vi. N c th c xem l s kt hp ca phn tch nhn t v hi quy hay phn tch ng dn. S quan tm trong SEM thng l vo cc kin trc l thuyt, c trnh by bi cc nhn t ngm. Cc quan h gia cc kin trc l thuyt c trnh by bi cc h s hi quy hay h s ng dn gia cc nhn t. SEM m ch 1 cu trc ca cc hip phng sai (covariances) gia cc bin c quan st, cc quan h ny cho ra mt tn khc l m hnh ha cu trc hip phng sai (covariance structure modeling). Tuy nhin, m hnh c th c m rng thm bao gm trung bnh ca cc bin quan st c hoc cc nhn t trong m hnh, lm cho tn m hnh ha cu trc hip tng quan t chnh xc. Nhiu nh nghin cu ch n gin ngh m hnh loi ny l cc m hnh Lisrel, iu ny cng t chnh xc. LISREL l ch vit tt ca Linear Structural RELations (cc quan h cu trc tuyn tnh), v tn ny c Jreskog s dng cho mt trong nhng chng trnh SEM u tin thng dng nht. Cc m hnh phng trnh cu trc ngy nay khng nht thit phi tuyn tnh, v kh nng m rng ca SEM xa hn phng trnh Lisrel ban u. V d, Browne (1993) tho lun kh nng lm thch hp cc ng cong phi tuyn. SEM cung cp mt khung thun tin v rt tng qut cho cc phn tch thng k bao gm cc th tc a bin truyn thng, v d cc trng hp c bit l phn tch nhn t, phn tch hi quy, phn tch phn bit, v tng quan canonical. SEM thng c minh ha bng biu ng dn. Phng trnh thng k ny thng c trnh by trong mt h phng trnh ma trn. Trong u thp nin 70, khi k thut ny c gii thiu ln u trong nghin cu x hi v nghin cu hnh vi, phn mm thng yu cu ci t ch r m hnh theo iu kin ca nhng ma trn ny. Do , cc nh nghin cu phi lc vic trnh by ma trn t biu ng dn, v cung cp phn mm vi 1 chui ma trn cho cc tp hp tham s khc nhau, nh l h s nhn t v cc h s hi quy. Cc phn mm c pht trin gn y cho php cc nh nghin cu ch nh trc tip m hnh nh l 1 biu ng dn. Vic ny hiu qu vi cc vn n gin, nhng c th gy mt mi i vi cc m hnh c tnh phc tp hn. V l do ny, phn mm SEM hin ti cng vn h tr cc c tnh k thut ca m hnh loi cu lnh-hay ma trn. Path analysis (phn tch ng xu hng) l k thut thng k dng kim tra quan h nhn qu gia hai hay nhiu bin. Da trn h thng phng trnh tuyn tnh. Path analysis l thnh phn ph ca SEM, mt th tc a bin m theo nh ngha ca Ullman (1996), cho php kim tra mt tp quan h gia mt hay nhiu bin c lp, hoc l lin tc hoc l ri rc, v mt hay nhiu bin ph thuc, hoc l lin tc hoc l ri rc. SEM lin quan n cc bin o lng c (measured variable) v cc bin ngm (latent variable). Mt measured variable l mt bin c th c quan st trc tip v c o lng. Bin o lng c cng c bit n nh bin quan st c (observed variable), bin
ch bo hay bin biu th (indicator or manifest variables). Mt latent variable l
mt bin khng th c quan st trc tip v phi c suy ra t measured variable. Latent variables c m ch bi hip tng quan (covariances) gia hai hay nhiu measured variables. Chng cng c bit n nh l cc nhn t (ngha l, phn tch nhn t), cc bin kin trc hay cc bin khng quan st c (constructs or unobserved variables). SEM l s kt hp gia hi quy a bin v phn tch nhn t. Path analysis ch lin quan n cc bin o lng (measured variables).
CC THNH PHN CA SEM
C hai thnh phn: m hnh o lng (measurement model) v m hnh cu trc (structural model).
Measurement model: lin quan n quan h gia measured variables
v latent variables. Structural model: ch lin quan n cc quan h gia cc latent variables m thi.
K hiu trong SEM:
Cc bin o lng c: hnh ch nht hay vung
Cc bin ngm: elp hay hnh trn Cc khon sai s: (nhiu ca cc bin ngm) c a vo biu SEM, i din bi Es cho cc bin o lng v Ds cho cc bin ngm. Cc khon sai s i din phng sai phn d trong cc bin khng c tnh cho cc ng dn (pathways) c gi thit trong m hnh.
Tham s ca SEM:
L cc bin, h s hi quy v hip tng quan gia cc bin.
Phng sai c th c ch ra bng mi tn hai u kt thc ti cng mt bin, hoc n gin hn, k hiu bng s trong hp v bin hay cung trn. Cc h s hi quy c trnh by dc theo mi tn mt chiu ch ra ng dn c gi thit gia hai bin (c trng s c p dng cho cc bin trong cc phng trnh hi quy tuyn tnh) Hip phng sai c kt hp vi cc mi tn vng cung hai u gia hai bin hoc cc sai s v biu th v hng (no directionality). Data cho SEM l cc phng sai mu v hip phng sai mu ly t tng th (k hiu S, phng sai mu quan st c v ma trn hip phng sai).
KIN TRC SEM
Mc tiu trong vic xy dng 1 biu xu hng (path diagram) hay m hnh phng trnh cu trc, l tm mt m hnh thch hp vi d liu (S) phc v nh l 1 i din c ch ca tin cy v gii thch chi tit d liu. C 5 bc trong kin trc SEM: 1. Ch nh m hnh (Model Specification) 2. Nhn dng m hnh (Model Identification) 3. c lng m hnh (Model Estimation)
4. nh gi thch hp ca m hnh (Assesing Fit of the Model)
5. Hiu chnh m hnh (Model Modification)
Ch nh m hnh (Model Specification)
L vic chnh thc bt u mt m hnh. Trong bc ny, cc tham s c xc nh l c nh hay t do. Tham s c nh (fixed parameters) khng c c lng t d liu v c gn mt cch tiu biu bng 0 (ch ra khng c quan h gia cc bin). Cc ng dn ca cc tham s c nh c gn nhn s (tr khi c gn gi tr l 0, trong trng hp ny khng c ng dn no c v) trong biu SEM. Tham s t do (Free parameters) c c lng t d liu quan st v c ngi iu tra tin rng n khc 0. Vic xc nh tham s no l c nh hay t do trong SEM l rt quan trng v n xc nh tham s no s c s dng so snh biu gi thuyt vi ma trn hip phng sai v phng sai tng th mu trong vic kim tra tnh thch hp ca m hnh (bc 4). Vic chn tham s no l c nh v tham s no l t do ty thuc vo ngi nghin cu. S la chn ny trnh by mt gi thuyt tin v ng xu hng trong h thng l quan trng trong th h ca cu trc lin quan ca h thng c quan st (v d, phng sai mu c quan st v ma trn hip phng sai).
Nhn dng m hnh (Model Identification)
Vic nhn dng quan tm n vic c hay khng gi tr duy nht cho mi v mi tham s t do c th thu thp c t d liu quan st. N ph thuc vo vic la chn m hnh v c tnh k thut ca cc tham s c nh, rng buc v t do. Mt tham s b rng buc khi n trong mt tp hp vi cc tham s khc. Cc m hnh cn phi c nhn dng hon chnh c th c lng c (bc 3) v kim nh gi thuyt v quan h gia cc bin. C cc dng m hnh c cu trc l just-identified, overidentified, hay underidentified. + just-identified model: trong tng ng 1-1 gia data v cc tham s cu trc. Ngha l, s phng sai d liu v s hip phng sai bng vi s tham s c c lng. Tuy nhin, mc du kh nng ca m hnh l t c mt gii php duy nht cho tt c cc tham s, just-identified model khng c s quan tm ca khoa hc gia v bi n khng c t do v do khng th b loi b. + Overidentified model: l m hnh trong s tham s c th c lng c th nh hn s im d liu (data points) (ngha l, phng sai, hip tng quan ca cc bin quan st c). Tnh trng ny to kt qu ra t do dng cho php loi b m hnh, do c s dng mt cch khoa hc hn. Mc ch ca SEM l ch ra mt m hnh nh vy p ng cc tiu chun ca overidentification. + Underidentified model: l m hnh trong s tham s c c lng vt qu s phng sai v hip tng quan. Nh vy, m hnh bao gm thng tin khng ngha (t d liu u vo) cho vic t c 1 gii php xc nh v c lng tham s; ngha l, v s cc gii php l kh d cho 1 underidentified model.
c lung m hnh (Model Estimation)
Trong bc ny, cc gi tr khi u ca tham s t do c chn sinh ra 1 ma trn hip tng quan tng th c c lng (estimated population covariance matrix), S(q), t m hnh. Cc gi tr khi u c th c chn bi ngi nghin cu t thng tin ban u, bi cc chng trnh my tnh c s dng xy dng SEM, hay t phn tch hi quy a bin. Mc tiu ca c lng l sinh ra mt S(q) hi t trn ma trn hip tng quan tng th quan st c, S, vi ma trn phn d (residual matrix) (khc bit gia S(q) v S) tr nn ti thiu. Nhiu phng php c th c s dng sinh ra S(q). Vic chn cc phng php c hng dn bng c tnh ca data bao gm kch thc v phn phi mu. Hu ht cc tin trnh c s dng l lp. Hnh thc tng qut ca hm ti thiu l: Q = (s s(q))W(s s(q)) Trong : s = vector bao gm phng sai v hip phng sai ca cc bin quan st c. s(q) = vector bao gm cc phng sai corresponding v hip phng sai nh c d on bi m hnh. W = ma trn trng s (mt vi tc gi xem Q nh l F) Ma trn trng s, W, trong hm trn, ph hp vi phng php c lng c chn. W c chn ti thiu Q, v Q(N-1) cho vic thch hp hm, trong hu ht cc trng hp mt thng k phn phi X 2. Kt qu thc hin ca X2 b nh hng bi kch thc mu, sai s phn phi, nhn t phn phi, v gi thit rng cc nhn t v sai s l c lp (Ullman 1996). Mt vi phng php c lung c s dng thng dng nht l: Generalized Least squares (GLS) FGLS = tr[([S S(q)]W-1)2] Trong : tr = ton t theo di (trace operator), cng cc yu t trn ng cho chnh ca ma trn W-1 = ma trn trng s ti u, phi c chn bi nh nghin cu (chn la thng thng nht l S-1) Maximum Likelihood (ML) FML = log|S| log|S| + tr(SS-1) p Trong trng hp ny, W = S-1 v p = s lng bin c o lng Asymptotically Distribution Free (ADF) Estimator (Hm c lng t do phn phi tim cn)
FADF = [S s(q)]W-1[S s(q)]
W, trong hm ny, bao gm cc yu t xem xt trong kurtosis. Ullman (1996) v Hoyle (1995) tho lun v cc thun li v gii hn ca cc hm c lng trn y. ML v GLS hu ch cho d liu phn phi chun khi cc nhn t v sai s l c lp, ADF hu ch cho cc d liu khng phn phi chun, nhng ch c gi tr khi kch thc mu ln hn 2.500. Ullman ch ra hm c lng tt nht cho d liu khng phn phi chun v/hoc ph thuc gia cc nhn t v sai s l Scaled ML. Bt k hm no c chn, kt qu mong i ca tin
trnh c lng l t c mt hm thch hp gn n 0. Mt hm thch hp
vi s im l 0 ch ra rng ma trn hip phng sai c c lng ca m hnh v ma trn hip phng sai mu nguyn thy l tng ng.
nh gi thch hp ca m hnh (Assesing Fit of the Model)
Nh phn tch, gi tr hm thch hp gn n 0 c mong i cho thch hp m hnh. Tuy nhin, ni chung, nu t s gia X2 v bc t do nh hn 3, m hnh l thch hp tt (Ullman 1996). c tin cy trong kim nh thch hp m hnh, kch thc mu t 100 n 200 c yu cu (Hoyle 1995). Ullman (1996) tho lun s a dng ca cc hm thch hp phn phi khngX2, m ng ta gi l cc ch s thch hp so snh (comparative fit indices.) Hoyle (1995) cp n iu ny nh cc ch s thch hp ph thuc (adjunct fit indices). Mt cch cn bn, nhng phng php ny so snh thch hp ca mt m hnh c lp (mt m hnh khng nh khng c quan h gia cc bin) thch hp m hnh c c lng. Kt qu ca vic so snh ny th thng l mt s gia 0 v 1, vi 0.90 hoc ln hn c chp nhn nh l cc gi tr ch ra thch hp. C Hoyle v Ullman ngh s dng nhiu ch s khi xc nh cc thch hp m hnh.
Hiu chnh m hnh (Model Modification)
Nu ma trn phng sai/hip phng sai c c lng bng m hnh khng m phng mt cch thch hp ma trn phng sai/hip phng sai mu, cc gi thuyt c th c hiu chnh v m hnh c kim nh li. iu chnh 1 m hnh, cc ng dn mi c v thm hay cc ng dn c c b i. Ni cch khc, cc tham s c thay i t c nh ti t do hoc t t do n c nh. iu quan trng nh l khi trong cc th tc thng k khc, l vic hiu chnh m hnh sau vic kim nh ln u lm gia tng c hi ca vp phi sai lm loi I. Cc th tc thng thng c s dng cho vic hiu chnh m hnh l Lagrange Multiplier Index (LM) v Kim nh Wald. C hai loi kim nh ny bo co cc thay i trong gi tr X2 khi cc ng dn c iu chnh. LM yu cu d c hay khng vic gia tng cc tham s t do gia tng s thch hp ca m hnh. Kim nh Wald yu cu c hay khng vic xa b cc tham s t do gia tng s thch hp m hnh. iu chnh t l sai lm loi 1 gia tng, Ullman (1996) yu cu s dng mt gi tr xc sut thp (p<0.01) khi tng thm hay b cc tham s. Ullman cng yu cu so snh gi tr cho (cross-validation) vi cc mu khc. V trt t ca cc tham s t do c th nh hng n vic la chn ca cc tham s khc, LM nn c p dng trc kim nh Wald (ngha l, cng thm vo tt c cc tham s trc khi bt u xa chng) (MacCullum 1986, trch dn ca Ullman 1996).
Trnh by m hnh cui cng (Final Presentation of Model)
Khi m hnh t c thch hp chp nhn c, cc c lng ring bit v cc tham s t do c nh gi. Cc tham s t do c so snh vi gi tr rng (null value), s dng thng k phn phi z. Thng k z t c bng cch chia tham s c lng cho sai s chun ca c lng . T l ca kim
nh ny phi vt +/-1.96 quan h tr nn c ngha. Sau khi cc quan h
ring bit trong m hnh c nh gi, cc c lng tham s c chun ha cho vic trnh by m hnh cu cng. Khi cc c lng tham s c chun ha, chng c th c gii thch tham chiu vi cc tham s khc trong m hnh v cng ca ng xu hng c lin quan trong m hnh c th c so snh.