TÀI LIỆU TẬP HUẤN NGHIÊN CỨU KHOA HỌC

PHÂN TÍCH NHÂN TỐ KHÁM PHÁ

VÀ MÔ HÌNH CẤU TRÚC TUYẾN TÍNH

Biên soạn : TS. LÊ HOÀNG ANH

Lưu hành nội bộ

 Tài liệu tập huấn TS. Lê Hoàng Anh

MỤC LỤC
CHUYÊN ĐỀ 1: MÔ HÌNH NGHIÊN CỨU VÀ THANG ĐO CÁC KHÁI NIỆM
TRONG MÔ HÌNH NGHIÊN CỨU ............................................................................. 2
1.1. GIẢ THUYẾT NGHIÊN CỨU ............................................................................... 2
1.2. MÔ HÌNH NGHIÊN CỨU ..................................................................................... 2
1.3. BẢNG CÂU HỎI CHO CÁC NHÂN TỐ TRONG MÔ HÌNH............................. 3
1.4. DỮ LIỆU PHỤC VỤ NGHIÊN CỨU..................................................................... 4
CHUYÊN ĐỀ 2: GIỚI THIỆU PHẦN MỀM SPSS VÀ HƯỚNG DẪN NHẬP LIỆU
........................................................................................................................................ 5
2.1. Giới thiệu phần mềm SPSS ..................................................................................... 5
2.2. Giao diện phần mềm SPSS ..................................................................................... 5
2.3. Định dạng chữ tiếng Việt ........................................................................................ 7
2.4. Nhập dữ liệu ............................................................................................................ 8
2.5. Lưu file dữ liệu ...................................................................................................... 10
CHUYÊN ĐỀ 3 : THỐNG KÊ MÔ TẢ MẪU VÀ KIỂM ĐỊNH ĐỘ TIN CẬY CỦA
THANG ĐO.................................................................................................................. 13
3.1. Thống kê mô tả mẫu.............................................................................................. 13
3.2. Kiểm định độ tin cậy thang đo.............................................................................. 15
3.2.1. Khái niệm và đo lường ....................................................................................... 15
3.2.2. Các bước thực hiện............................................................................................. 16
3.3. Diễn giải kết quả kiểm định Cronbach’s Alpha................................................... 17
CHUYÊN ĐỀ 4 : PHÂN TÍCH NHÂN TỐ KHÁM PHÁ .......................................... 20
4.1. Tại sao dùng EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA)?
...................................................................................................................................... 20
4.2. Quy trình thực hiện EFA ...................................................................................... 22
4.3. Các kết quả trong phân tích EFA......................................................................... 28
CHUYÊN ĐỀ 5: MÔ HÌNH CẤU TRÚC TUYẾN TÍNH SEM ................................ 33
5.1. Mô hình cấu trúc tuyến tính (Structural Equation Modelling – SEM) .............. 33
5.2. Các bước ước lượng mô hình cấu trúc tuyến tính ............................................... 33
5.3. Ứơc lượng mô hình SEM bằng phần mềm AMOS 24 ......................................... 36

Trang 1
 Tài liệu tập huấn TS. Lê Hoàng Anh

TÀI LIỆU THAM KHẢO ........................................................................................... 43

CHUYÊN ĐỀ 1: MÔ HÌNH NGHIÊN CỨU VÀ THANG ĐO CÁC KHÁI NIỆM
TRONG MÔ HÌNH NGHIÊN CỨU

Xem xét đề tài: “Các nhân tố tác động đến việc lựa chọn dịch vụ ngân hàng trực tuyến
tại Việt Nam”

Sau khi thực hiện nghiên cứu định tính, tác giả đã phát triển được các giả thuyết
nghiên cứu, mô hình nghiên cứu và thang đo các khái niệm trong mô hình như sau:

1.1. GIẢ THUYẾT NGHIÊN CỨU

H1: Nỗ lực kỳ vọng có tác động tích cực đến ý định hành vi lựa chọn dịch vụ NHTT
của khách hàng cá nhân tại các NHTM

H2: Hiệu quả kỳ vọng có tác động tích cực đến ý định hành vi lựa chọn dịch vụ NHTT
của khách hàng cá nhân tại các NHTM

H3: Hình ảnh thương hiệu có tác động tích cực đến ý định hành vi lựa chọn dịch vụ
NHTT của khách hàng cá nhân tại các NHTM

H4: Cảm nhận rủi ro có tác động tiêu cực đến ý định hành vi lựa chọn dịch vụ NHTT
của khách hàng cá nhân tại các NHTM

H5: Giá trị chi phí thấp hơn có tác động tích cực đến ý định hành vi lựa chọn dịch vụ
NHTT của khách hàng cá nhân tại các NHTM

H6: Ảnh hưởng xã hội có tác động tích cực đến ý định hành vi lựa chọn dịch vụ
NHTT của khách hàng cá nhân tại các NHTM

H7: Ý định hành vi lựa chọn có tác động tích cực đến quyết định lựa chọn dịch vụ
NHTT của khách hàng cá nhân tại các NHTM

1.2. MÔ HÌNH NGHIÊN CỨU

Trang 2
 Tài liệu tập huấn TS. Lê Hoàng Anh

Nỗ lực kỳ vọng
DSD1, DSD2,
DSD3, DSD4

Hiệu quả kỳ vọng

HI1, HI2, HI3, HI4

Hình ảnh thương hiệu

HA1, HA2, HA3, HA4
Ý định hành vi lựa chọn Quyết định lựa chọn
YD1, YD2, YD3, YD4 LC1, LC2, LC3
Cảm nhận rủi ro
RR1, RR2, RR3,
RR4

Giá trị chi phí

CP1, CP2, CP3, CP4

Ảnh hưởng xã hội

XH1, XH2, XH3,
XH4

1.3. BẢNG CÂU HỎI CHO CÁC NHÂN TỐ TRONG MÔ HÌNH

Trang 3
 Tài liệu tập huấn TS. Lê Hoàng Anh

1.4. DỮ LIỆU PHỤC VỤ NGHIÊN CỨU

Trang 4
 Tài liệu tập huấn TS. Lê Hoàng Anh

CHUYÊN ĐỀ 2: GIỚI THIỆU PHẦN MỀM SPSS VÀ HƯỚNG DẪN NHẬP LIỆU
2.1. Giới thiệu phần mềm SPSS

Giới thiệu phần mềm từ Wikipedia: https://vi.wikipedia.org/wiki/SPSS#cite_note-2

Giới thiệu phần mềm từ IBM: https://www.ibm.com/analytics/spss-statistics-software

2.2. Giao diện phần mềm SPSS

Gồm 2 cửa sổ là: cửa sổ dữ liệu (IBM SPSS Statistics Data Editor) và cửa sổ kết quả
(IBM SPSS Statistics Viewer)

IBM SPSS Statistics Data Editor

Trong cửa sổ Data Editor có 2 thẻ chính, là Data View và Variable View. Data View cho
phép xem thông tin về dữ liệu, Variable View cho phép xem thông tin về các biến.

Trang 5
 Tài liệu tập huấn TS. Lê Hoàng Anh

IBM SPSS Statistics Viewer

Lưu ý:

Trang 6
 Tài liệu tập huấn TS. Lê Hoàng Anh

• Việc chỉnh sử dữ liệu có thể được thực hiện trên thẻ: Data View.
• Việc chỉnh sử tên biến, dạng biến, nhãn, căn chỉnh dữ liệu trong ô, loại thang đo,
vai trò của biến được thực hiện trên thẻ: Variable View.

2.3. Định dạng chữ tiếng Việt

Ngay sau khi mở phần mềm, cần thực hiện định dạng tiếng Việt cho phần mềm như sau:

Vào Edit > Options

Chọn thẻ General, chọn vào Unicode (universal character set)

Trang 7
 Tài liệu tập huấn TS. Lê Hoàng Anh

Lưu ý: chỉ cần thực hiện khai báo 1 lần

2.4. Nhập dữ liệu

Cách 1: Mở file dữ liệu từ file excel

Bạn hãy mở file dulieuthuchanh.xlsx

Chọn File > Open > Data

Trang 8
Tài liệu tập huấn TS. Lê Hoàng Anh

Hộp thoại Open Data

Trang 9
 Tài liệu tập huấn TS. Lê Hoàng Anh

Dữ liệu đã được nhập vào như sau

Cách 2: Mở file dữ liệu từ file.sav

- Bạn hãy mở file dulieuthuchanh.sav. Đây là file dữ liệu của SPSS.

Chọn File > Open > Data và thực hiện tương tự như cách 1. Hoặc chỉ cần Double
click vào file dữ liệu.

2.5. Lưu file dữ liệu

Dữ liệu có thể được lưu dưới dạng .sav. Khi dữ liệu được lưu dưới dạng này, bạn có thể
khởi động và nhập dữ liệu vào phần mềm đơn giản bằng cách Double click vào file dữ
liệu.
Trang 10
 Tài liệu tập huấn TS. Lê Hoàng Anh

Chọn File > Save as…

Hộp thoại Save Data As

Trang 11
Tài liệu tập huấn TS. Lê Hoàng Anh

Trang 12
 Tài liệu tập huấn TS. Lê Hoàng Anh

CHUYÊN ĐỀ 3 : THỐNG KÊ MÔ TẢ MẪU VÀ KIỂM ĐỊNH ĐỘ TIN CẬY CỦA

THANG ĐO
3.1. Thống kê mô tả mẫu

Thống kê đơn biến

Chọn Analyze > Descriptive Statistics > Frequencies..

Thống kê mô tả theo giới tính

Thống kê mô tả đa biến

Trang 13
 Tài liệu tập huấn TS. Lê Hoàng Anh

Chọn Analyze > Descriptive Statistics > Crosstabs..

Thống kê theo giới tính và thu nhập

Trang 14
 Tài liệu tập huấn TS. Lê Hoàng Anh

3.2. Kiểm định độ tin cậy thang đo

3.2.1. Khái niệm và đo lường

Độ tin cậy của thang đo được đánh giá bằng hệ số Cronbach’s Alpha đươc đưa ra bởi
Cronbach (1951). Hệ số này sẽ đánh giá độ tin cậy của cả thang đo. Sử dụng phương pháp
hệ số tin cậy Cronbach’s Alpha trước khi phân tích nhân tố EFA để loại các biến không
phù hợp (biến rác) vì các biến rác này có thể tạo ra các nhân tố giả (Nguyễn Đình Thọ,
2011).

𝑘 2 𝑉𝑎𝑟(𝑓) 𝑘 ∑𝑘𝑖=1 𝑉𝑎𝑟(𝑋𝑖 )

𝛼𝐻 = = × [1 − ]
𝑉𝑎𝑟(𝐻) 𝑘−1 𝑉𝑎𝑟(𝐻)

Hệ số tin cậy Cronbach’s Alpha chỉ cho biết các đo lường có liên kết với nhau hay
không; nhưng không cho biết biến quan sát nào cần bỏ đi và biến quan sát nào cần giữ lại.
Khi đó, việc tính toán hệ số tương quan biến-tổng (Corrected Item-Total Correlation) sẽ
giúp loại ra những biến quan sát nào không đóng góp nhiều khi đo lường khái niệm (Hoàng
Trọng & Chu Nguyễn Mộng Ngọc, 2005).

Hệ số tương quan biến-tổng của 𝑋𝑖 = 𝐶𝑜𝑟𝑟(𝑋𝑖 , ∑𝑘𝑗≠𝑖 𝑋𝑗 )

Các tiêu chí được sử dụng khi thực hiện đánh giá độ tin cậy thang đo:

–Tiêu chuẩn chọn thang đo khi có độ tin cậy Cronbach’s Alpha lớn hơn 0,6 (Alpha
càng lớn thì độ tin cậy càng cao) (Nunnally & Bernstein, 1994). Các mức giá trị của
Cronbach’s Alpha lớn hơn 0,8 là thang đo lường tốt; từ 0,7 đến 0,8 là sử dụng được
(Nunnally, 1978). Tuy nhiên, Cronbach’s Alpha quá lớn (lớn hơn 0,95) sẽ là dấu hiệu của
các biến quan sát có giá trị trùng nhau nhiều (Ursachi et al., 2015).

– Các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0,3 được xem là biến rác
thì sẽ được loại ra (Nunnally & Bernstein, 1994) và thang đo được chấp nhận khi hệ số tin
cậy Alpha đạt yêu cầu (lớn hơn 0,6).

Dựa theo thông tin trên, nghiên cứu thực hiện đánh giá thang đo dựa theo tiêu chí:

– Loại các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0,3 (đây là những
biến không đóng góp nhiều cho sự mô tả của khái niệm cần đo và nhiều nghiên cứu trước
đây đã sử dụng tiêu chí này).

Trang 15
 Tài liệu tập huấn TS. Lê Hoàng Anh

– Chọn thang đo có độ tin cậy Alpha lớn hơn 0,6 (các khái niệm trong nghiên cứu
này là tương đối mới đối với đối tượng nghiên cứu khi tham gia trả lời).

3.2.2. Các bước thực hiện

Trang 16
 Tài liệu tập huấn TS. Lê Hoàng Anh

3.3. Diễn giải kết quả kiểm định Cronbach’s Alpha

Thang đo phương tiện hữu hình

Bảng 3.6. Kết quả kiểm định Cronbach’s Alpha của thang đo phương tiện hữu hình

Cronbach's Số biến
Alpha quan sát

.170 5

Giá trị trung Phương sai Hệ số tương Cronbach's

bình của thang đo của thang đo nếu bỏ quan biến - tổng Alpha nếu bỏ biến
nếu bỏ biến quan sát biến quan sát quan sát

PTHH1 12.74 1.759 .653 -.551a

PTHH2 12.73 1.621 .682 -.662a

PTHH3 12.81 1.719 .494 -.454a

Trang 17
 Tài liệu tập huấn TS. Lê Hoàng Anh

PTHH4 13.00 2.087 .300 -.146a

PTHH5 13.29 6.062 -.829 .824

a. The value is negative due to a negative average covariance among items. This violates reliability model
assumptions. You may want to check item codings.

Nguồn: tính toán từ phần mềm SPSS

Bảng 3.6. cho thấy hệ số Cronbach’s Alpha của thang đo phương tiện hữu hình có
giá trị là 0.170 nhỏ hơn 0.6. Bên cạnh đó, hệ số tương quan biến - tổng của hầu hết các
biến quan sát trong thang đo đều lớn hơn 0.3. Tuy nhiên, hệ số tương quan biến – tổng của
biến PTHH5 nhỏ hơn 0.3. Bên cạnh đó, nếu bỏ biến PTHH5, thì hệ số Cronbach’s Alpha
của thang đo sẽ là 0.824 lớn hơn 0.6. Do đó, biến quan sát PTHH5 sẽ bị loại khỏi thang đo
phương tiện hữu hình khi tiến hành phân tích nhân tố khám phá (EFA).
Thang đo hiệu quả phục vụ

Bảng 3.7. Kết quả kiểm định Cronbach’s Alpha của thang đo hiệu quả phục vụ

Cronbach's Số biến
Alpha quan sát

.921 5

Giá trị trung Phương sai Hệ số tương Cronbach's

bình của thang đo của thang đo nếu bỏ quan biến - tổng Alpha nếu bỏ biến
nếu bỏ biến quan sát biến quan sát quan sát

HQPV1 13.79 8.316 .771 .909

HQPV2 13.86 8.182 .810 .901

HQPV3 13.87 8.288 .761 .911

HQPV4 13.86 8.182 .810 .901

HQPV5 13.77 8.092 .830 .897

Nguồn: tính toán từ phần mềm SPSS

Bảng 3.7. cho thấy hệ số Cronbach’s Alpha của thang đo hiệu quả phục vụ có giá trị
là 0.921 lớn hơn 0.6. Bên cạnh đó, hệ số tương quan biến - tổng của các biến quan sát trong

Trang 18
 Tài liệu tập huấn TS. Lê Hoàng Anh

thang đo đều lớn hơn 0.3. Do đó, thang đo hiệu quả phục vụ đảm bảo độ tin cậy để tiến
hành phân tích nhân tố khám phá (EFA).

Trang 19
 Tài liệu tập huấn TS. Lê Hoàng Anh

CHUYÊN ĐỀ 4 : PHÂN TÍCH NHÂN TỐ KHÁM PHÁ

4.1. Tại sao dùng EFA (Exploratory Factor Analysis, gọi tắt là phương pháp EFA)?

Phân tích nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn
một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân
tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của
tập biến ban đầu (Hair & cộng sự, 1998).

Xem xét phương sai của một biến quan sát (Total Variance). Do các biến quan sát
phải có sự phụ thuộc lẫn nhau (có tương quan với nhau) nên phương sai của mỗi biến sẽ
bao gồm phần chung (Common Variance) với các biến quan sát khác và phần riêng (Unique
Variance) của nó.

(hệ số tải)^2 > 50%=>hệ số tải >0.7

Phân tích EFA sẽ trích ra phần chung của các biến quan sát này để hình thành một
nhân tố (hay biến tiềm ẩn). Các phần riêng của từng biến quan sát sẽ bị loại bỏ do không
đo lường cho khái niệm cần đo (nhân tố, biến tiềm ẩn). Do đó các nhân tố mới sẽ ít hơn
các biến quan sát ban đầu, nhưng sẽ mang nhiều ý nghĩa hơn vì đã loại bỏ được phần riêng
của từng biến quan sát. Mô tả cách thực hiện như hình bên dưới:

Trang 20
 Tài liệu tập huấn TS. Lê Hoàng Anh

Về mặt kỹ thuật, EFA sẽ trích ra các biến quan sát có ý nghĩa hội tụ và phân biệt.

– Hội tụ: Các biến quan sát cùng tải mạnh (hệ số tải Factor Loading) cho 1 nhân tố
sẽ gom về 1 nhân tố đó.

– Phân biệt: Mỗi nhân tố sẽ có xu hướng tải khác nhau. Nhóm biến quan sát tải cho
nhân tố thứ nhất tách biệt với nhóm biến quan sát tải cho nhân tố thứ hai dẫn đến sự phân
nhóm nhân tố thành từng cột trong ma trận xoay.

Cụ thể, khi phân tích nhân tố khám phá EFA (Exploratory Factor Analysis) thì ngoài
việc phải đảm bảo “Giá trị hội tụ” (các items hội tụ về cùng 1 nhân tố) thì còn phải đảm
bảo “Giá trị phân biệt” (thuộc về nhân tố này và phải phân biệt với nhân tố khác).

Như trong hình minh họa, khi 1 items load đồng thời cùng lúc lên 2 or nhiều nhân tố,
để đảm bảo “giá trị phân biệt” thì các hệ số tải của cùng 1 items đó khi load lên các nhân
tố phải chênh nhau 0.3 thì lúc đó mới giữ lại item này và nó sẽ thuộc về nhân tố mà nó tải
lên cao nhất (đương nhiên là phải thỏa điều kiện hệ số tải >0.5). “Tại mỗi Item, chênh lệch
|Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi,
2003)”

Trường hợp ngược lại thì cân nhắc loại item này vì nó không thỏa việc đảm bảo “giá
trị phân biệt”.

Lưu ý: khi có nhiều items vi phạm các điều kiện khi chạy phân tích EFA thì nguyên
tắc là loại từng item một, item nào xấu nhất sẽ bị loại trước.

Trang 21
 Tài liệu tập huấn TS. Lê Hoàng Anh

Trong thực tế, một thang đo đề xuất sẽ có thể có sai số đo lường. Nguyên nhân có thể
do bảng câu hỏi chưa phù hợp, hoặc do phỏng vấn kém chất lượng, hoặc do người trả lời
chưa nắm được bản chất câu hỏi và nhiều lý do khác như do ngoại cảnh. Trong trường có
sai số do bảng câu hỏi thì thang đo có thể tạo thành các biến giả – biến giả ở đây là các
biến đo lường cùng-một-khái-niệm nhưng khái niệm này không liên quan gì đến vấn đề
đang nghiên cứu (không có trong mô hình), không có giá trị cho bài nghiên cứu. Chính vì
vậy, các thang đo thường được khảo sát thử, kiểm định độ phù hợp bằng cronbach alpha,
hiệu chỉnh trước khi khảo sát chính thức. Ngoài ra, cần lưu ý rằng, câu hỏi quan sát kém
phù hợp, không có căn cứ, số lượng quá ít sẽ thường không tạo được sự tin cậy cho thang
đo nhân tố đó. Ngược lại, câu hỏi quan sát dựa trên các cơ sở lý luận cụ thể, lấy từ các
nghiên cứu đã được kiểm duyệt, số lượng vừa đủ sẽ phản ánh được gần đúng ý nghĩa của
nhân tố, làm tăng độ tin cậy của thang đo.

4.2. Quy trình thực hiện EFA

Bước 1: Từ thanh menu của SPSS. Chọn Analyze/ Dimension Reduction/ Factor

Trang 22
Tài liệu tập huấn TS. Lê Hoàng Anh

Trang 23
Tài liệu tập huấn TS. Lê Hoàng Anh

Bước 2: Chọn variables

Trong hộp thoại Factor

Analysis

Đưa các biến cần phân tích

nhân tố vào khung variables.

Chọn lần lượt

Descriptives

Extraction

Rotation

Scores

Options
Bước 3: Chọn descriptives Để chọn các mục (nếu cần)

Trang 24
Tài liệu tập huấn TS. Lê Hoàng Anh

Bước 4: Chọn extraction

Trong hộp thoại

Extraction

Chọn method principal

components

Chọn Correlation matrix

Chọn unrotated factor

solution

Chọn eigenvalues over: 1

Chọn Scree plot

Bước 5: Chọn Rotation

Trong hộp thoại Rotation

Chọn varimax

Nếu dùng method principals components

Chọn Promax

Nếu dùng method principals axis factoring

Bước 6: Chọn Options

Trong hộp thoại Options

Chọn Sorted by size

Để sắp xếp biến quan sát trong cùng một

nhân tố đứng gần nhau

Chọn Suppress absolute values less than :

Để loại bỏ các biến quan sát có hệ số tải

Trang 25
thấp hơn 0.5
 Tài liệu tập huấn TS. Lê Hoàng Anh

Lưu ý:

- Hệ số tải nhân tố (Factor Loading) hay còn gọi là trọng số nhân tố, giá trị này biểu
thị mối quan hệ tương quan giữa biến quan sát với nhân tố. Hệ số tải nhân tố càng cao,
nghĩa là tương quan giữa biến quan sát đó với nhân tố càng lớn và ngược lại. Theo Hair và
cộng sự (2009) thì:
- Factor Loading ở mức +/- 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
- Factor Loading ở mức +/- 0.5: Điều kiện tối thiểu để biến quan sát có ý nghĩa thống
kê tốt.
- Factor Loading ở mức +/- 0.7: Điều kiện tối thiểu để biến quan sát có ý nghĩa thống
kê rất tốt.

Trên thực tế, các nghiên cứu thường lấy hệ số tải 0.5 làm mức tiêu chuẩn.

Bước 7: Hoàn thành bước này ta có bảng kết quả

Trang 26
Tài liệu tập huấn TS. Lê Hoàng Anh

Trang 27
 Tài liệu tập huấn TS. Lê Hoàng Anh

4.3. Các kết quả trong phân tích EFA

Ma trận tương quan

Correlation Matrix

db1 db2 db3 db4 dc1 dc2 dc3 dc4 du1 du2 du3 du4 tc1 tc2 tc3 tc4

db1 1.000 .571 .507 .620 .251 .244 .216 .220 .188 .229 .204 .282 .113 .008 .015 .063

db2 .571 1.000 .527 .473 .212 .152 .189 .115 .077 .120 .090 .179 .154 .056 .003 .098

db3 .507 .527 1.000 .527 .224 .216 .203 .179 .152 .107 .131 .258 .136 .085 .094 .087

db4 .620 .473 .527 1.000 .197 .105 .171 .117 .112 .169 .098 .218 .126 .021 .041 .109

dc1 .251 .212 .224 .197 1.000 .596 .639 .594 .301 .264 .254 .286 .243 .226 .265 .191

dc2 .244 .152 .216 .105 .596 1.000 .648 .891 .292 .299 .324 .332 .219 .262 .288 .197

dc3 .216 .189 .203 .171 .639 .648 1.000 .756 .340 .361 .297 .330 .327 .320 .317 .261

dc4 .220 .115 .179 .117 .594 .891 .756 1.000 .353 .364 .349 .357 .286 .304 .344 .251
Correlation
du1 .188 .077 .152 .112 .301 .292 .340 .353 1.000 .559 .559 .498 .137 .152 .126 .079

du2 .229 .120 .107 .169 .264 .299 .361 .364 .559 1.000 .582 .544 .158 .062 .099 .164

du3 .204 .090 .131 .098 .254 .324 .297 .349 .559 .582 1.000 .572 .106 .111 .025 .097

du4 .282 .179 .258 .218 .286 .332 .330 .357 .498 .544 .572 1.000 .195 .163 .100 .199

tc1 .113 .154 .136 .126 .243 .219 .327 .286 .137 .158 .106 .195 1.000 .508 .461 .549

tc2 .008 .056 .085 .021 .226 .262 .320 .304 .152 .062 .111 .163 .508 1.000 .557 .533

tc3 .015 .003 .094 .041 .265 .288 .317 .344 .126 .099 .025 .100 .461 .557 1.000 .512

tc4 .063 .098 .087 .109 .191 .197 .261 .251 .079 .164 .097 .199 .549 .533 .512 1.000

Cho thấy các biến quan sát có tương quan cao với nhau. Đây là dấu hiệu cho thấy các
biến quan sát có thể hình thành nhân tố và có thể thực hiện được phương pháp EFA.

Hệ số tương quan giữa x và y: rxy

-1 < rxy <1

nếu -1 < rxy <0: x và y có tương quan âm

nếu 0< rxy <1: x và y có tương quan dương

nếu rxy =0: thì x và y không có tương quan với nhau

nếu rxy = -1, 1 thì x và y tương quan hoàn toàn

Nếu rxy lớn hơn 50% thì hai biến số này có tương quan tương đối cao với nhau

Nếu rxy nhỏ hơn 50% thì hai biến số này có tương quan tương đối thấp với nhau

Trang 28
 Tài liệu tập huấn TS. Lê Hoàng Anh

* Kiểm định Bartlett

Kiểm định Bartlett dùng để kiểm định xem xét các biến quan sát có tương quan với
nhau hay không. Chúng ta cần lưu ý, điều kiện cần để áp dụng phân tích nhân tố là các biến
quan sát phản ánh những khía cạnh khách nhau của cùng một nhân tố phải có mối tương
quan với nhau. Điểm này liên quan đến giá trị hội tụ trong phân tích EFA được nhắc ở trên.

Kiểm định Bartlett

H0: Các biến quan sát không có tương quan với nhân tố đại diện (hay ma trận tương
quan ở trên là một ma trận đơn vị)

H1: Các biến quan sát có tương quan với nhân tố đại diện

Kiểm định ………………

H0: ……………………………………………………………

H1: giả thuyết đối của H0

So sánh giá trị Sig. (sẽ được tính toán từ phần mềm) với mức ý nghĩa 𝛼 (có 3 mức ý nghĩa
có thể lựa chọn: 1%, 5%, 10%~độ tin cậy 99%, 95%, 90%)

Cách kiểm định như sau:

giá trị Sig. lớn hơn 𝛼 thì giả thuyết H0 là đúng

giá trị Sig. nhỏ hơn 𝛼 thì giả thuyết H1 là đúng

Kiểm định Bartlett có giá trị Sig. là 0.000 nhỏ hơn mức ý nghĩa 𝛼 là 1%. Như vậy giả thuyết
H1 là đúng và các biến quan sát có tương quan với nhân tố đại diện.

Trang 29
 Tài liệu tập huấn TS. Lê Hoàng Anh

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .897

Bartlett's Test of Approx. Chi-Square 326

Sphericity 3.799

df 253

Sig. .000

* Hệ số KMO (Kaiser-Meyer-Olkin)

∑𝑖 ∑𝑗≠𝑖 𝑟𝑋2𝑖 𝑋𝑗
𝐾𝑀𝑂 =
∑𝑖 ∑𝑗≠𝑖 𝑟𝑋2𝑖𝑋𝑗 + ∑𝑖 ∑𝑗≠𝑖 𝑎𝑋2 𝑖 𝑋𝑗

Khi KMO càng lớn thì phần chung (Common Variance) của các biến quan sát sẽ càng
lớn.

Hệ số KMO là một chỉ số dùng để xem xét sự thích hợp của phương pháp phân tích
nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở lên (0.5≤KMO≤1) là điều kiện đủ để phân
tích nhân tố là phù hợp. Nếu trị số này nhỏ hơn 0.5, thì phân tích nhân tố có khả năng
không thích hợp với tập dữ liệu nghiên cứu.

* Hệ số tải và sự hội tụ của nhân tố

Trang 30
 Tài liệu tập huấn TS. Lê Hoàng Anh

Hệ số tải nhân tố lớn hơn so với tiêu chuẩn (0.50) và chênh lệch hệ số tải nhân tố của
một biến quan sát giữa các nhân tố > 0.3.

Bình phương hệ số tải nhân tố của từng biến quan sát là phần phương sai của
biến quan sát đó được giải thích bởi nhân tố đại diện.

* Trị số Eigenvalue

Trị số Eigenvalue là một tiêu chí sử dụng phổ biến để xác định số lượng nhân tố trong
phân tích EFA. Với tiêu chí này, chỉ có những nhân tố nào có Eigenvalue ≥ 1 mới được
giữ lại trong mô hình phân tích.

Trị số Eigenvalue của một nhân tố bằng tổng bình phương của hệ số tải nhân tố
của từng biến quan sát trong nhân tố đó.

* Tổng phương sai trích (Total Variance Explained)

Trang 31
 Tài liệu tập huấn TS. Lê Hoàng Anh

Tổng phương sai trích (Total Variance Explained) cho thấy các nhân tố đại diện được
trích ra từ phân tích EFA giải thích được bao nhiêu phần trăm mức độ biến thiên của các
biến quan sát trong mô hình.

Trong bảng kết quả, có bao nhiêu hàng tức là có bấy nhiêu nhân tố được rút ra tương
ứng với giá trị Eigenvalue của mỗi nhân tố đều lớn hơn 1. Ví dụ trên có 5 nhân tố được rút
ra.

Trang 32
 Tài liệu tập huấn TS. Lê Hoàng Anh

CHUYÊN ĐỀ 5: MÔ HÌNH CẤU TRÚC TUYẾN TÍNH SEM

5.1. Mô hình cấu trúc tuyến tính (Structural Equation Modelling – SEM)

Theo Thakkar (2020), mô hình cấu trúc tuyến tính (hoặc tên khác là mô hình hóa phương
trình cấu trúc) (SEM) là kỹ thuật định lượng đa biến được sử dụng để mô tả mối quan hệ
giữa các biến quan sát. Kỹ thuật này giúp nhà nghiên cứu kiểm tra hoặc xác nhận một mô
hình lý thuyết và mở rộng lý thuyết. Phân tích đa biến được thực hiện với mục tiêu giúp
người nghiên cứu diễn giải tác động của các biến số trong mô hình cấu trúc. Một nhà nghiên
cứu quan tâm đến việc điều tra các cấu trúc xuất hiện từ các tập hợp các biến và mối quan
hệ giữa các cấu trúc này.

5.2. Các bước ước lượng mô hình cấu trúc tuyến tính

Bước 1: Thu thập dữ liệu nghiên cứu với số mẫu lớn bằng cách gửi bảng câu hỏi
giấy khảo sát trực tiếp hoặc bảng câu hỏi online thông qua mạng xã hội đến đối tượng được
khảo sát. Theo Nguyễn Đình Thọ (2014), xác định kích thước mẫu là một công việc không
dễ dàng trong nghiên cứu khoa học. Kích thước mẫu cần cho nghiên cứu phụ thuộc vào

Trang 33
 Tài liệu tập huấn TS. Lê Hoàng Anh

nhiều yếu tố như phương pháp xử lý (hồi quy, phân tích nhân tố khám phá EFA...), độ tin
cậy cần thiết. Kích thước mẫu càng lớn càng tốt nhưng lại tốn chi phí và thời gian. Tuy
vậy, thế nào là một mẫu lớn vẫn chưa được các nhà nghiên cứu khẳng định một cách chính
thức. Theo Hair và cộng sự (2006), cỡ mẫu cần phải được xem xét trong sự tương quan với
số lượng các thông số ước lượng và nếu sử dụng phương pháp ước lượng hợp lý tối đa (ML
- Maximum Likelihood) thì kích thước mẫu tối thiểu phải từ 100 đến 150. Bên cạnh đó,
theo Bolen (1989), dẫn trong Nguyễn Đình Thọ (2014), tối thiểu phải có năm quan sát trên
mỗi thông số ước lượng (tỷ lệ 5:1). Mặt khác, theo Raykov và Widaman (1995), dẫn trong
Nguyễn Đình Thọ (2014), SEM đòi hỏi kích thước mẫu lớn vì nó dựa vào lý thuyết phân
phối mẫu lớn. Kinh nghiệm cho thấy kích thước mẫu 300 là tốt, 500 là rất tốt và 1000 là
tuyệt vời (Tabachnick & Fidell, 2007).

Bước 2: Đánh giá sơ bộ độ tin cậy và các giá trị của thang đo bằng hệ số tin cậy
Cronbach’s Alpha và phân tích nhân tố khám phá (EFA) thông qua phần mềm xử lý SPSS
25.0 để tiếp tục sàng lọc, loại bỏ các biến quan sát không đáp ứng tiêu chuẩn. Cách thức
thực hiện tương tự như phần nghiên cứu định lượng sơ bộ đã trình bày ở trên.

Bước 3: Phân tích nhân tố khẳng định (CFA) để kiểm định lại độ phù hợp của các
thang đo với dữ liệu thị trường. Phân tích nhân tố khẳng định giúp làm sáng tỏ một số
phương diện sau:
• Tính đơn hướng

Theo Hair và cộng sự (2006), mức độ phù hợp của mô hình với dữ liệu thị trường
cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ
trường hợp các sai số của các biến quan sát có tương quan với nhau. Để đo lường mức độ
phù hợp với thông tin thị trường, người ta thường sử dụng: Chi- square (CMIN), Chi-square
điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp tốt (GFI - Good of Fitness Index);
chỉ số thích hợp so sánh (CFI - Comparative Fit Index); chỉ số Tucker và Lewis (TLI -
Tucker và Lewis Index); chỉ số RMSEA (Root Mean Square Error Aphương pháp
roximation). Mô hình được xem là thích hợp với dữ liệu thị trường nếu được nhận các giá
trị GFI, AGFI >= 0.8 (Forza & Filippini, 1998; Greenspoon & Saklofske, 1998), TLI, CFI >
0.9 (Bentler & Bonett, 1980), CMIN/df < 2, một số trường hợp CMIN/df có thể bằng 3
(Carmines & McIver, 1983), RMSEA < 0.08 (Steiger, 1990).
Trang 34
 Tài liệu tập huấn TS. Lê Hoàng Anh

• Độ tin cậy của thang đo

Ngoài việc đo lường độ tin cậy của tập hợp các biến quan sát đo lường một khái
niệm (nhân tố) thông qua hệ số Cronbach’s alpha, độ tin cậy của thang đo được đánh giá
thông qua: (1) Độ tin cậy tổng hợp (composite reliability); (2) Phương saitrích (variance
extracted). Độ tin cậy tổng hợp (ρc) và tổng phương sai trích (ρvc) được tính theo công thức:
𝑝
(∑𝑖=1 𝜆𝑖 )2 ∑𝑝𝑖=1 𝜆𝑖 2
𝜌𝑐 = 𝑝 𝑝 , 𝜌𝑣𝑐 =
(∑𝑖=1 𝜆𝑖 )2 + ∑𝑖=1(1 − 𝜆𝑖 2 ) ∑𝑝𝑖=1 𝜆𝑖 2 + ∑𝑝𝑖=1(1 − 𝜆𝑖 2 )

p: số biến quan sát,

λi: hệ số chuẩn hóa của biến quan sát thứ i

1 – λi2: phương sai của sai số đo lường biến quan sát thứ i.

Độ tin cậy tổng hợp: Trong phân tích nhân tố khẳng định (CFA), độ tin cậy tổng
hợp là chỉ số đánh giá tốt hơn Cronbach’s alpha bởi vì nó không phạm sai lầm giả định độ
tin cậy của các biến là bằng nhau (Anderson & Gerbing, 1984). Theo Hair và cộng sự
(2006), thang đo đảm bảo tin cậy khi độ tin cậy tổng hợp >0,6. Phương sai trích: Phương
sai trích phản ánh lượng biến thiên chung của các biến quan sát được tính toán bởi biến
tiềm ẩn. Thang đo có giá trị nếu phương sai trích được từ đó phải lớn hơn 0,5; nếu nhỏ hơn
có nghĩa là phương sai do sai số đo lường lớn hơn phương sai được giải thích bởi khái niệm
cần đo, do đó thang đo không đạt giá trị.
• Giá trị hội tụ

Giá trị hội tụ được đánh giá dựa vào hệ số hồi quy nhân tố của từng biến của khái
niệm tiềm ẩn nếu nó là đơn hướng. Nếu khái niệm tiềm ẩn là đa hướng thì giá trị hội tụ của
khái niệm tiềm ẩn sẽ đạt yêu cầu khi giá trị hội tụ cho từng thành phần đều đạt. Thang đo
đạt được giá trị hội tụ khi các trọng số chuẩn hóa của các thang đo đều cao (> 0,5) và có
nghĩa thống kê (p < 0,05) (Anderson & Gerbing, 1984).
• Giá trị phân biệt

Giá trị phân biệt thể hiện cấp độ phân biệt của các khái niệm đo lường (Steenkamp
& van Trijp, 1991). Có hai cấp độ kiểm định giá trị phân biệt bao gồm kiểm định giá trị
phân biệt giữa các thành phần trong cùng một khái niệm nghiên cứu thuộc mô hình (within

Trang 35
 Tài liệu tập huấn TS. Lê Hoàng Anh

- construct discriminant validity) và kiểm định giá trị phân biệt giữa các khái niệm nghiên
cứu (across - construct discriminant validity) (Bagozzi & Foxall, 1996). Giá trị phân biệt
đạt được khi tương quan giữa hai thành phần của một khái niệm hay giữa hai khái niệm
nhỏ hơn 1 một cách có ý nghĩa. Khi đó, mô hình đạt được độ phù hợp với dữ liệu thị trường.

Trình tự kiểm định thang đo bằng công cụ CFA được tiến hành như sau: Tiến hành
CFA cho mỗi khái niệm đo lường để kiểm định tính đơn hướng, độ tin cậy tổng hợp,
phương sai trích, giá trị hội tụ và giá trị phân biệt của các thành phần trong thang đo đa
hướng. Tiến hành CFA chung cho tất cả các thang đo để kiểm định giá trị hội tụ và giá trị
phân biệt giữa các khái niệm nghiên cứu. Sau khi kiểm định các thang đo bằng CFA, các
biến đo lường nếu không phù hợp sẽ bị loại để điều chỉnh mô hình nghiên cứu phù hợp với
dữ liệu nghiên cứu trước khi thực hiện kiểm định các giả thuyết nghiên cứu.

Bước 4: Phân tích mô hình cấu trúc tuyến tính (SEM) qua phần mềm AMOS
(Analysis of Moment Structure) để kiểm định độ phù hợp mô hình nghiên cứu và các giả
thuyết nghiên cứu.

Phương pháp kiểm định giả thuyết và mô hình nghiên cứu bằng công cụ mô hình
cấu trúc tuyến tính (SEM) ngoài việc có ưu điểm hơn so với các phương pháp truyền thống
như hồi quy đa biến do tính được sai số đo lường còn cho phép kết hợp các khái niệm tiềm
ẩn với đo lường của chúng với mô hình lý thuyết cùng một lúc (Hulland và cộng sự, 1996
dẫn trong Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2007). Phương pháp hợp lý tối đa
(ML) được sử dụng để ước lượng các tham số trong mô hình nghiên cứu nếu dữ liệu có
phân phối chuẩn.
5.3. Ứơc lượng mô hình SEM bằng phần mềm AMOS 24

Bước 1: sử dụng file dữ liệu data.xlsx

Bước 2: thực hiện kiểm tra độ tin cậy của thang đo bằng Cronbach’s Alpha, phân tích
nhân tố khám phá (EFA) lưu ý chọn phương pháp trích Principal axis factoring và phép
quay được chọn là Promax.

Bước 3: thực hiện phân tích nhân tố khẳng định (CFA)

- Copy Pattern Matrix

Trang 36
 Tài liệu tập huấn TS. Lê Hoàng Anh

- Sử dụng Plugin/Pattern matrix model builder để vẽ mô hình nhanh chóng

Dán Pattern Matrix vào cửa sổ, sau đó chọn Create Diagram

Trang 37
 Tài liệu tập huấn TS. Lê Hoàng Anh

Thay đổi tên các biến tiềm ẩn cho phù hợp với mô hình nghiên cứu

- Chọn các tiêu chí đánh giá mức độ phù hợp của mô hình CFA

Chi-square (df) = \cmin (\df);

CMIN/df = \cmindf;

GFI = \gfi; CFI = \cfi; Pratio = \pratio;

Trang 38
 Tài liệu tập huấn TS. Lê Hoàng Anh

RMSEA = \rmsea

- Lựa chọn phương pháp ước lượng phù hợp và các kết quả đầu ra muốn hiển thị:
View\Analysis Properties

Estimation: Chọn phương pháp Maximum likelihood

Output: trong phân tích CFA có thể để mặc định

Trang 39
 Tài liệu tập huấn TS. Lê Hoàng Anh

- Tiến hành lưu mô hình và ước lượng: Analyze/Caculate estimates

- Tính đơn hướng:

Mô hình được xem là thích hợp với dữ liệu thị trường nếu được nhận các giá trị GFI,
AGFI >= 0.8 (Forza & Filippini, 1998; Greenspoon & Saklofske, 1998), TLI, CFI > 0.9

Trang 40
 Tài liệu tập huấn TS. Lê Hoàng Anh

(Bentler & Bonett, 1980), CMIN/df < 2, một số trường hợp CMIN/df có thể bằng 3
(Carmines & McIver, 1983), RMSEA < 0.08 (Steiger, 1990).

- Độ tin cậy của thang đo

Sử dụng Plugin: Validity and reliability test

- Giá trị phân biệt

Sử dụng Plugin: Validity and reliability test

- Giá trị hội tụ

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
CP4 <--- CP .961
CP3 <--- CP .900
CP2 <--- CP .758
CP1 <--- CP .637
HI3 <--- HI .804
HI2 <--- HI .727
HI1 <--- HI .718
HI4 <--- HI .710
RR3 <--- RR .790
RR4 <--- RR .771
RR1 <--- RR .710
RR2 <--- RR .742
HA4 <--- HA .775
HA3 <--- HA .750
HA2 <--- HA .744
HA1 <--- HA .718
XH4 <--- XH .755
XH2 <--- XH .701
XH1 <--- XH .758
XH3 <--- XH .670
DSD4 <--- DSD .768
DSD3 <--- DSD .635
DSD2 <--- DSD .696
DSD1 <--- DSD .717
YD1 <--- YD .812
YD3 <--- YD .838
YD2 <--- YD .736
YD4 <--- YD .714

Trang 41
 Tài liệu tập huấn TS. Lê Hoàng Anh

Bước 4: ước lượng mô hình cấu trúc tuyến tính

- Lựa chọn phương pháp ước lượng phù hợp và các kết quả đầu ra muốn hiển thị:
View\Analysis Properties

Estimation: Chọn phương pháp Maximum likelihood

Output:

Trang 42
 Tài liệu tập huấn TS. Lê Hoàng Anh

Kết quả

TÀI LIỆU THAM KHẢO

Anderson, J. C., & Gerbing, D. W. (1984). The effect of sampling error on convergence,

improper solutions, and goodness-of-fit indices for maximum likelihood

confirmatory factor analysis. Psychometrika, 49(2), 155–173.

https://doi.org/10.1007/BF02294170

Bagozzi, R., & Foxall, G. (1996). Construct validation of a measure of adaptive-innovative

cognitive styles in consumption. International Journal of Research in Marketing,

13, 201–213. https://doi.org/10.1016/0167-8116(96)00010-9

Trang 43
 Tài liệu tập huấn TS. Lê Hoàng Anh

Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis

of covariance structures. Psychological Bulletin, 88, 588–606.

https://doi.org/10.1037/0033-2909.88.3.588

Carmines, E., & McIver, J. (1983). An Introduction to the Analysis of Models with

Unobserved Variables. Political Methodology, 9, 51–102.

https://doi.org/10.2307/25791175

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika,

16(3), 297–334. https://doi.org/10.1007/BF02310555

Forza, C., & Filippini, R. (1998). TQM impact on quality conformance and customer

satisfaction: A causal model. International Journal of Production Economics, 55(1),

1–20. https://doi.org/10.1016/S0925-5273(98)00007-3

Greenspoon, P. J., & Saklofske, D. H. (1998). Confirmatory factor analysis of the

multidimensional Students’ Life Satisfaction Scale. Personality and Individual

Differences, 25, 965–971. https://doi.org/10.1016/S0191-8869(98)00115-9

Hair, J. F. J., Black, W., Babin, B., Anderson, R., & Tatham, R. L. (2006). Mutivariate

Data Analysis. In Technometrics (Vol. 31).

Nguyễn Đình Thọ. (2014). Phương pháp nghiên cứu khoa học trong kinh doanh (2nd ed.).

Nhà xuất bản Lao Động - Xã Hội.

Nunnally, J. C. (1978). Psychometric Theory, 2nd edition. McGraw-Hill Companies, The.

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory. McGraw-Hill.

Trang 44
 Tài liệu tập huấn TS. Lê Hoàng Anh

Steenkamp, J.-B. E. M., & van Trijp, H. C. M. (1991). The use of lisrel in validating

marketing constructs. International Journal of Research in Marketing, 8(4), 283–

299. https://doi.org/10.1016/0167-8116(91)90027-5

Steiger, J. H. (1990). Structural Model Evaluation and Modification: An Interval

Estimation Approach. Multivariate Behavioral Research, 25(2), 173–180.

https://doi.org/10.1207/s15327906mbr2502_4

Tabachnick, B., & Fidell, Linda. S. (2007). Using Multivarite Statistics. In Boston: Allyn

& Bacon (Vol. 3).

Thakkar, J. J. (2020). Structural Equation Modelling: Application for Research and

Practice (with AMOS and R). Springer.

Ursachi, G., Horodnic, I. A., & Zait, A. (2015). How Reliable are Measurement Scales?

External Factors with Indirect Influence on Reliability Estimators. Procedia

Economics and Finance, 20, 679–686. https://doi.org/10.1016/S2212-

5671(15)00123-9

Trang 45