Cơ sở lý thuyết mô hình SEM

1. Giới thiệu tổng quan mô hình mạng (SEM)

Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ
phức tạp trong mô hình nhân quả là mô hình mạng SEM (Structural Equation Modeling).
Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học
(Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence
và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987; Biddle và
Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Đặc biệt mô
hình này cũng được ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như :
ngành dịch vụ thông tin di động (M.-K. Kim et al. / Telecommunications Policy 28 (2004)
145–159).

Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà
nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc.

SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát
trong dài hạn(longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không
chuẩn hoá,cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không
chuẩn(Non-Normality) , hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để
ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure
Model) của bài toán lý thuyết đa biến.

Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến
quan sát (observed variables).Nó cung cấp thông tin về thuộc tính đo lường của biến
quan sát (độ tin cậy, độ giá trị).

Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ
này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.

Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố
và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép
chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống
kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần
tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các
phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm
tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình
lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo
các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư.
Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm
kiếm mô hình phù hợp nhất trong các mô hình đề nghị.
2. Công dụng và lợi thế của mô hình mạng (SEM)

Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực
nghiệm hay không.

Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến.

Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn).

Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân
tích phương sai-

Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ
đồ đường (path analysis)

Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh).

Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định.

Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số
điều chỉnh MI (Modification Indices).
SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu
chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.

SEM giúp giả thuyết các mô hình, kiểm định thống kê chúng (vì EFA và hồi quy có thể
không bền vững nhất quán về mặt thống kê)

SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các
phần dư và sai số.

SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến
tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả.

3. Các phần tử trong mô hình mạng (SEM)

Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh), biến đo
lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Trong hình 1a, mô hình
biến quan sát được biểu diễn bằng hình chữ nhật (V1, V2, V3). Biến V1, V2, V3 có mũi tên
đi ra nên trong trường hợp này còn được gọi là biến ngoại sinh hay biến độc lập (trong mô
hình truyền thống). Trong hình 1b, mô hình biến quan sát V1, V2, V3 phản ánh biến tiềm
ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. (sẽ
nói kỹ hơn ở phần phân biệt biến chỉ báo cấu tạo và biến chỉ báo phản ánh phía dưới)
Hình 1: Mô hình biểu diễn quan hệ giữa các biến quan sát và biến tiềm ẩn

Sự liên kết của các biến quan sát (chỉ báo) với các biến tiềm ẩn (không quan sát) là bước
đầu tiên trong một thủ tục thống kê hình thức. Trái lại thông thường các thủ tục liên kết
thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báo tốt của một khái
niệm tiềm ẩn nào đó, thì chúng ta sẽ dùng nó.

Biến tiềm ẩn(Latent Variable): còn gọi là nhân tố, biến nội sinh hay biến phụ thuộc trong
mô hình truyền thống(hình 1a). Trái lại, trong mô hình SEM, biến tiềm ẩn trực tiếp ảnh
hưởng kết quả hay giá trị của biến quan sát và biểu diễn dưới dạng hình ellipse(F1) như
hình 2. Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết, không thể đo trực tiếp
được mà phải thông qua các biến quan sát V1, V2,V3. Trường hợp này biến F1 còn được
gọi là nhân tố cơ sở (Underlying factor), trong mô hình đo lường.
Hình 2: Ví dụ về một mô hình đo lường
 Các biến tiềm ẩn hay các nhân tố cơ sở (F1, F2, F3) hay các sai số đo lường (e1,e2,e3)
có thể tương quan với nhau ( mũi tên 2 chiều) hay có thể ảnh hưởng trực tiếp biến tiềm ẩn
khác (mũi tên 1 chiều). Biến F3 trên hình vẽ có các mũi tên đi vào nên còn được gọi là
biến nội sinh hay biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc).
Hình 3:Ví dụ một mô hình cấu trúc

Số hạng sai số và phần dư (Error & Disturbance):

Số hạng sai số ei biểu thị sai số của các biến đo lường, trong khi di biểu thị cho nhiễu hoặc
sai số liên quan với giá trị dự báo của các nhân tố(biến) nội sinh từ các nhân tố(biến)
ngoại sinh hay còn gọi là phần dư của ước lượng hồi quy.

Trong mô hình đo lường của SEM (hình 4), mỗi biến nội sinh có một số hạng sai số (ei)
hay nhiễu (di), nó thể hiện tính không chắc chắn và không chính xác của sự đo lường,
đồng thời nó còn thể hiện tính chất này cho cả các biến chưa được phát hiện và không
được đo lường trong mô hình.
Hình 4: các phần tử cơ bản trong mô hình SEM
 Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1,V2…,V6 và F3) có mũi tên
vào/ra, còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1, F2) chỉ có mũi tên
đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào).

Hệ số tải (factor loadings) trong khi mũi tên một chiều giữa các khái niệm tiềm ẩn và các
biến quan sát lại biểu thị hệ số hồi quy (regression coefficients)

Tóm lại, Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến
quan sát và không quan sát, các số hạng phần dư và các sai số.

Biến trung gian (Mediator): Gọi X là biến nguyên nhân gốc, M là biến trung gian tiềm năng
(hình 5), và Y là biến kết quả. Để xác định M là biến trung gian:

a) Chứng minh rằng X ---- > Y : Y liên quan với X,

b) Chứng minh rằng X ---- > M : M liên quan với X,

c) Chứng minh rằng M --- > Y là liên kết có ý nghĩa trong hồi quy hai biến dự báo

d) Giả định các kiểm định trên đều thỏa mãn, khi đó:

i) Nếu liên kết : X -- >Y không có ý nghĩa ở c) : M trung gian toàn phần;

ii) Nếu liên kết : X --- >Y có ý nghĩa ở c) : M trung gian một phần.
Hình 5: Biến trung gia trong mô hình SEM
 Nếu một khái niệm ( construct) làm trung gian trong tác động của các biến ngọai sinh lên
một biến phụ thuộc, phải đưa các quan hệ chức năng này vào mô hình. Các biến ngọai
sinh nếu là biến trung gian một phần(tức là một liên kết trực tiếp hay gián tiếp với một
biến phụ thuộc) thường là các biến dự báo quan trọng hơn cho một biến phụ thuộc, hơn
là các biến tương tự: biến trung gian toàn phần. Nếu các tác động trung gian không được
xem xét thích hợp ta có thể bị nhầm lẫn về sự quan trọng tương đối của các nhân tố khác
nhau trong sự tác động lên một khái niệm.
Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh”

Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau, sự thay đổi
của một biến chỉ báo này kéo theo sự thay đổi của biến chỉ báo khác thể hiện qua tính
nhất quán cục bộ được đo bằng hệ số Cronbach’s Alpha.

Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau, sự thay
đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác, do vậy không
áp dụng đo tính nhất quán.

Hai khái niệm này được phối hợp lại trong mô hình nghiên cứu trong đó biến chỉ báo cấu
tạo là nguyên nhân trong khi biến chỉ báo phản ánh thì phản ánh kết quả.
4. Tính xác định của mô hình SEM

Tính xác định có nghĩa là có ít nhất một lời giải độc nhất cho mỗi ước lượng thông số
trong một mô hình SEM. Số thông số cần ước lượng bằng số phương sai (Variance) hay
hiệp phương sai(Covariance) của các biến ngoại sinh (biến quan sát hay không quan sát)
và các tác động trực tiếp của các biến quan sát lên các biến nội sinh. Để xác định mô
hình nghiên cứu thuộc loại mô hình nào trong ba loại mô hình “Vừa xác định- Just
Identification”; “Kém xác định- Under Identification” hay “Quá xác định- Over
Identification” thì cần phải tính toán số bậc tự do của mô hình. Bậc tự do là sự khác biệt
giữa tổng số dữ liệu quan sát đầu vào (data points) và tổng số các thông số ước lượng
trong SEM , được xác định bằng công thức sau:

df = 1/2[(p + q)(p + q +1)] – t

Trong đó:

p= số các biến chỉ báo nội sinh

q= số các biến chỉ báo ngoại sinh

(p+q = số biến quan sát)

t= Số các thông số ước lượng

½[(p+q)(p+q+1) = Số quan sát hay hiệp phương sai trong ma trận (data
points)

Mô hình “vừa xác định” (Just Identification): Mô hình có df =0 và chỉ có một lời giải khả dĩ
cho mỗi ước lượng thông số. Ví dụ: 2x+y =7; 3x+2y=11

Mô hình “kém xác định” (Under Identification): Mô hình có df < 0 và có vô số các giá trị
ước lượng thông số. Vi dụ : 2x +y =7,

Mô hình “quá xác định”(Over Identification): Mô hình có df > 0 và có hơn một lời giải khả
dĩ (nhưng có một lời giải tối ưu hay tốt nhất đối với mỗi ước lượng thông số). Mô hình
“quá xác định” xảy ra khi mỗi thông số được xác định và ít nhất một thông số thì “quá xác
định” (có nhiều hơn một phương trình cho ước lượng thông số này). Thông thường mô
hình “quá xác định” được ưa thích hơn, có bậc tự do dương (df>0). Mục tiêu là đạt được
df càng lớn càng tốt.

Việc đặt các hạn chế (ràng buộc) trên mô hình “quá xác định” cho chúng ta kiểm định các
giả thuyết (dùng Chi Square và các chỉ số khác).

Sự “xác định” là một yêu cầu về cấu trúc hay toán học để có thể tiến hành phân tích
SEM.

Sự “kém xác định” trong thực nghiệm xuất hiện khi có một thông số ước lượng tính “xác
định” của mô hình có giá trị gần bằng 0. Do tính chất lặp của ước lượng SEM, một thông
số ước lượng (phương sai chẳng hạn) bắt đầu với giá trị dương và tiến dần về giá trị 0.

Trong nghiên cứu mô hình SEM cần cố gắng xác định nguyên nhân của tính kém xác
định là do cấu trúc hay kém xác định do thực nghiệm.

Nếu kém xác định do cấu trúc: Xác định lại mô hình.

Nếu kém xác định do thực nghiệm: điều chỉnh bằng cách thu thập thêm dữ liệu hay xác
định lại mô hình.

5. CÁC DẠNG MÔ HÌNH

Theo Vinod Kumar, Deregouska,2003 thì mô hình SEM gồm hai mô hình có liên quan
với nhau là mô hình đo lường và mô hình cấu trúc. Cả hai mô hình đều được xác định
cụ thể bởi nhà nghiên cứu:

5.1 Mô hình đo lường:

Mô hình đo lường còn gọi là mô hình nhân tố, mô hình ngoài diễn tả cách các biến
quan sát thể hiện và giải thích các biến tiềm ẩn thế nào: tức là diễn tả cấu trúc nhân tố
(biến tiềm ẩn), đồng thời diễn tả các đặc tính đo lường ( độ tin cậy, độ giá trị) của các
biến quan sát. Các mô hình đo lường cho các biến độc lập có thể đơn hướng, có thể
tương quan hay có thể xác định các biến tiềm ẩn bậc cao hơn. Mô hình đo lường ( hình
7) cho thấy các liên hệ thống kê giữa các biến quan sát, ta có thể dùng để chuẩn hoá
mô hình cấu trúc cơ bản. Các biến tiềm ẩn được nối kết bằng các quan hệ dạng hồi
quy chuẩn hoá, tức là ước lượng các giá trị cho các hệ số hồi quy.
Hình 7 : Mô hình đo lường

Mô hình đo lường dùng phân tích nhân tố để đánh giá mức độ mà biến quan sát tải
lên các khái niệm tiềm ẩn của chúng. Để đánh giá độ giá trị (hội tụ và phân biệt) của
các biến quan sát sử dụng kỹ thuật phân tích nhân tố khẳng định(CFA) và ma trận
Covariance dựa trên mô hình SEM,.

5.2 Mô hình cấu trúc:

Xác định các liên kết (quan hệ nhân quả) giữa các biến tiềm ẩn bằng mũi tên nối kết,
và gán cho chúng các phương sai giải thích và chưa giải thích, tạo thành cấu trúc
nhân quả cơ bản. Biến tiềm ẩn được ước lượng bằng hồi quy bội của các biến quan
sát. Mô hình SEM không cho phép sử dụng khái niệm biểu thị bởi biến quan sát
đơn.Thông thường biến tiềm ẩn đo lường bởi ít nhất là trên một biến, hay từ 3 đến
tối đa là 7 biến quan sát.[Hair et al, Chap 11, 2000]

Mô hình SEM có thể có nhiều dạng khác nhau:

Hình 8: Mô hình SEM và các phần tử cơ bản của nó
a) Một biến tiềm ẩn độc lập đơn có thể dự báo một biến tiềm ẩn phụ thuộc đơn.

b) Vài biến tiềm ẩn có thể tương quan trong dự báo một biến phụ thuộc nào đó.

c) Một biến tiềm ẩn độc lập có thể dự báo một biến tiềm ẩn khác, rồi biến này lại dự
báo một biến thứ ba

5.3 Mô hình xác lập (recursive)

Mô hình có 02 đặc điểm cơ bản :

Các số hạng sai số của nó không có tương quan với nhau

Mọi tác động nhân quả đều đơn hướng.

Mô hình Recursive được sử dụng phổ biến trong các mô hình nghiên cứu nhờ ưu
điểm là dễ mô hình hoá, có tính ổn định hơn nhiều so với mô hình Non-Recursive, và
luôn được xác định (được trình bày cụ thể trong phần 2.3.3 Tính xác định của mô
hình)
Hình 9: Mô hình SEM với trạng thái xác lập (ổn định) của nó
 X, Y : Biến ngoại sinh E: Số hạng sai số

W, Z: Biến nội sinh <---> Covariance (Tương quan )

5.4 Mô hình không xác lập (Non-Recursive)

Hình 10: Mô hình SEM với trạng thái chưa xác lập (không ổn định)

Mô hình Non-Recursive có vòng lặp phản hồi giữa các biến nội sinh, hoặc:

Khi hai biến nội sinh ảnh hưởng lẫn nhau, tức là có vòng lặp phản hồi (1) , hoặc:

Có vòng lặp giữa hai biến nội sinh và các số hạng sai số của hai biến nội sinh (2)

Mô hình Non-recursive chỉ có tính tạm thời, không ổn định so với mô hình Recursive,
Ngòai ra, mô hình recursive dễ sử dụng nên thông thường nếu có thể các nhà nghiên
cứu thường quy đổi mô hình Non-Recursive về mô hình Recursive.

5.5 Mô hình bão hoà (Saturated Model):

Mô hình bão hoà (hình 11) chứa rất nhiều các thông số cần ước lượng bằng với số
đầu vào(input) trong phân tích.Vì vậy mô hình này không có bậc tư do(df=0). Đây là
mô hình ít hạn chế(ràng buộc) nhất mà nó có thể phù hợp với bộ dữ liệu.
Hình 11: Mô hình bão hòa của SEM
5.6 Mô hình độc lập (Independence Model) Mô hình độc lập (Hình 12) là mô hình có
nhiều ràng buộc nhất mà nó có thể phù hợp với bộ dữ liệu, có tối đa số bậc tự do.
Nó chỉ chứa các ước lượng phương sai của các biến quan sát, tức là giả định các
quan hệ giữa các biến quan sát không có.

Hình 12: Mô hình độc lập của SEM

5.7 Mô hình SEM tổng quát :

Cho phép mô hình gồm nhiều khái niệm tiềm ẩn được chỉ báo bởi các biến quan sát
( độc lập và phụ thuộc) và cho cả các quan hệ ổn định (Recursive) và không ổn định
(non-recursive) giữa các biến khái niệm. Tóm lại mô hình SEM là sự kết hợp giữa mô
hình đo lường và mô hình cấu trúc

10. TÓM TẮT CÁC BƯỚC THỐNG KÊ TRONG SEM

1) Kiểm tra độ tin cậy của thang đo

Bằng hệ số Cronbach’s Alpha.[Hair et al, 1998, Segar, 1997]

Ước lượng các hệ số hồi quy và tvalue

Phân tích nhân tố khẳng định (CFA): thực hiện trên mô hình đo lường để loại các biến
có hệ số tải nhân tố tiềm ẩn thấp. Có thể thực hiện kiểm định CFA trên từng mô hình
con (Sub Model) trước khi kiểm định mô hình tổng thể(tập hợp các mô hình con để kiểm
định đồng thời).

Thống kê SMC ( Square Multiple Correlation) cho mỗi khái niệm tiềm ẩn ngoại sinh (kết
quả phân tích CFA của mô hình đo lường nêu trên), tương tự hệ số R2 trong hồi quy
tuyến tính, SMC là phương sai giải thích của mỗi khái niệm tiềm ẩn [Bollen, 1989]

2) Mức độ phù hợp của tổng thể mô hình

Bản chất của mô hình SEM là đòi hỏi các nhà nghiên cứu trước hết thực hiện khai báo
các giá trị xuất phát ban đầu được gọi là mô hình giả thiết. Từ mô hình giả thiết, thông
qua một chuỗi vòng lặp các chỉ số biến đổi để cuối cùng cung cấp cho nhà nghiên cứu
một mô hình xác lập, có khả năng giải thích tối đa sự phù hợp giữa mô hình với bộ dữ
liệu thu thập thực tế.

Sự phù hợp của toàn bộ mô hình trên thực tế được đánh giá thông qua các tiêu chí về
mức độ phù hợp như sau:

i) Kiểm định Chi-Square (χ2) : biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình
tại mức ý nghĩa pv = 0.05 [Joserkog & Sorbom, 1989]. Điều này thực tế rất khó xảy ra
bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định, nên thực tế người
ta dùng chỉ số χ2 / df để đánh giá,

ii) Tỷ số Chi-Square/bậc tự do (X2/df ): cũng dùng để đo mức độ phù hợp một cách chi
tiết hơn của cả mô hình. Một số tác giả đề nghị 1 < χ2/df < 3 [Hair et al, 1998]; một số
khác đề nghị χ2 càng nhỏ càng tốt [Segar, Grover, 1993] và cho rằng χ2/df < 3:1 [Chin &
Todd, 1995] Ngoài ra, trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường
hợp : χ2/df < 5(với mẫu N > 200) ; hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem
là phù hợp tốt [Kettinger và Lee,1995].
iii) Các chỉ số liên quan khác:,GFI, AGFI, CFI, NFI, ….. có giá trị > 0.9 được xem là mô
hình phù hợp tốt. Nếu các giá trị này bằng 1, ta nói mô hình là hoàn hảo. [Segar,
Grover, 1993] & [Chin & Todd, 1995]

GFI: đo độ phù hợp tuyệt đối ( không điều chỉnh bậc tự do) của mô hình cấu trúc và mô
hình đo lường với bộ dữ liệu khảo sát.

AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mô hình.

RMR: Một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá
tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến
quan sát khác.. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản
ánh một mô hình có độ phù hợp không tốt.

RMSEA : là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với
tổng thể.

Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA, RMR yêu cầu < 0.05
thì mô hình phù hợp tốt. Trong một số trường hợp giá trị này < 0.08 mô hình được chấp
nhận. [Taylor, Sharland, Cronin và Bullard, 1993].

NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố, có các
hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố.

NFI = (χ2 null - χ2 proposed) / χ2 null = (χ2 Mo - χ2 Mn) / χ2 Mo

Mo : Mô hình gốc; Mn : Mô hình phù hợp

Giá trị đề nghị NFI > 0.9 [Hair et al, 1998] & [Chin & Todd, 1995] .

iv) Mức xác suất : giá trị > .05 được xem là mô hình phù hợp tốt.[Arbuckle và Wothke,
1999; Rupp và Segal, 1989]. Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là
giả thuyết mô hình tốt), tức là không tìm kiếm được mô hình nào tốt hơn mô hình hiện
tại)

Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa thống
kê. Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội
sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. Mối quan hệ giữa các
biến được biểu thị bằng mũi tên trên mô hình. Chiều mũi tên biểu diễn chiều tác động
của biến này lên biến kia. Ứng với một mối quan hệ ta có một giả thuyết tương ứng
(như đã trình bày ở phần đầu chương này về các giả thuyết và mô hình nghiên cứu).
Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội, tất cả các mối quan hệ nhân quả
đề nghị có độ tin cậy ở mức 95% (p = .05)[Cohen,1988]

3) Chỉ số điều chỉnh mô hình (MI - Modification Indices)

Chỉ số điều chỉnh mô hình là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường
hợp thêm vào một mối quan hệ khả dĩ (ứng với một bậc tự do). Nếu ∆ χ 2 >3.84 (ứng với
một bậc tự do), cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mô hình.
.[Hair et al, 1998]. (xem lại phần 3 – Phân tích sơ đồ đường, so sánh thay đổi χ2 giữa mô
hình M1 & M2). Điều này cũng tương tự như đưa từng biến độc lập vào trong mô hình
hồi quy tuyến tính. Tuy vậy nhà nghiên cứu nên thận trọng bởi vì mối quan hệ thêm vào
mô hình chỉ được xem xét khi nó ủng hộ lý thuyết và không nên cố gắng mọi cách để cải
thiện các chỉ số nhằm làm cho mô hình phù hợp hơn [Bullock et al, 1994; Hair et al,
1998].Các chỉ số phù hợp tốt chỉ ra rằng dữ liệu ủng hộ mô hình đề nghị, nhưng chúng
không có nghĩa rằng mô hình lựa chọn là chính xác hay là mô hình tốt nhất trong số các
mô hình khả thi về mặt lý thuyết.

4) Kiểm tra ước lượng mô hình bằng phương pháp Boostrap

Mô hình cuối cùng cũng như các mô hình phù hợp khác cần thiết phải có bộ dữ liệu độc
lập với nhau, hay cỡ mẫu ban đầu khá lớn. Trong phương pháp nghiên cứu định lượng
bằng phương pháp lấy mẫu, thông thường chúng ta phải bằng cách chia mẫu thành 02
mẫu con. Mẫu con thứ nhất dùng để ước lượng các tham số mô hình và mẫu con thứ
hai dùng để đánh giá lại:

a. Định cỡ mẫu con thứ nhất dùng để khám phá,

b. Dùng cỡ mẫu con thứ hai để đánh giá chéo

Chỉ số đánh giá chéo CVI (Cross-Validation Index) đo khoảng cách giữa ma trận
Covariance phù hợp trong mẫu con thứ nhất với ma trận Covariance của mẫu. Chỉ số
CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định.

Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không
thực tế vì phương pháp phân tích mô hình cấu trúc thường đòi hỏi mẫu lớn nên việc làm
này tốn kém nhiều thời gian, chi phí [Anderson & Gerbing 1998]. Trong những trường
hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế[Schumacker & Lomax
1996]. Boostrap la phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai
trò đám đông.

Phương pháp Boostrap thực hiện với số mẫu lặp lại là N lần. Kết quả ước lượng từ N
mẫu được tính trung bình và giá trị này có xu hướng gần đến ước lượng của tổng thể.
Khoảng chênh lệch giữa giá trị trung bình ước lượng bằng Boostrap và ước lượng mô
hình với mẫu ban đầu càng nhỏ cho phép kết luận các ước lượng mô hình có thể tin cậy
được.

11. CÔNG CỤ THỐNG KÊ ỨNG DỤNG TRONG SEM

Hiện nay có nhiều công cụ phần mềm hỗ trợ quá trình thống kê, phân tích và xác định
mô hình SEM như : AMOS, LISREL, EQS, MPLUS… được các nhà nghiên cứu sử dụng
rất phổ biến trong các đề tài nghiên cứu. Một trong những công cụ phổ biến nhất là
phần mềm AMOS với ưu điểm là : (a) dễ sử dụng nhờ module tích hợp chung với phần
mềm phổ biến là SPSS và (b) dễ dàng xây dựng các mối quan hệ giữa các biến, nhân
tố (phần tử mô hình) bằng trực quan hình học nhờ công cụ AMOS Graphics. Kết quả
được biểu thị trực tiếp trên mô hình hình học, nhà nghiên cứu căn cứ vào các chỉ số để
kiểm định các giả thuyết, độ phù hợp của tổng thể mô hình một cách dễ dàng, nhanh
chóng. Phần ứng dụng chi tiết công cụ AMOS để phân tích dữ liệu sẽ được trình trong
một loạt bài khác. Mời quý vị đón đọc.