- EFA với phương pháp nào sẽ tốt hơn và EFA từng phần cho các khái niệm hay EFA 1 lần cho các khái niệm?
– Thứ nhất: Cần đưa tất cả các biến độc lập và phụ thuộc vào chạy 1 lần duy nhất. Tại sao phải làm như thế. Vì trong SEM, một số nhân tố vừa đóng vai trò là nhân tố độc lập trong mối quan hệ này, đồng thời cũng đóng vai trò phụ thuộc trong mối quan hệ khác. Do đó cần đưa vào chạy hết 1 lần xem các biến tách nhóm được không (đảm bảo giá trị hội tụ và giá trị phân biệt).
– Thứ nhì: Cần chọn phương pháp trích xuất Principal Axis Factoring và phép quay Promax. Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal)
Nếu đề tài chỉ chạy hồi quy thông thường trên SPSS thì có thể : EFA cho nhóm độc lập và nhóm biến phụ thuộc riêng, và dùng phép quay Varimax.
2. Tiêu chuẩn Factorloading dựa vào đâu?
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 & cộng sự (2009), Multivariate Data Analysis, 7th Edition thì:
• Factor Loading ở mức ± 0.3: Điều kiện tối thiểu để biến quan sát được giữ lại.
• Factor Loading ở mức ± 0.5: Biến quan sát có ý nghĩa thống kê tốt.
• Factor Loading ở mức ± 0.7: Biến quan sát có ý nghĩa thống kê rất tốt.
Trong thực tế, các nghiên cứu thường chọn các mức factor loading : 0.3 hoặc 0.4 hoặc 0.5. Trong đó mức 0.5 được chọn nhiều nhất vì factor loading >=0.5 được xem là có ý nghĩa thực tiễn.
3. Ý nghĩa của các chỉ số Model Fit trong CFA và SEM
Chỉ số | Ngưỡng chấp nhận |
Chi-square/df (cmin/df) | <3 thì tốt, <5 đôi khi chấp nhận được |
CFI | >0.9 |
GFI | >0.9 hoặc 0.8 |
TLI | >0.9 |
RMSEA | <0.05 |
PCLOSE (có thể không cần dùng) | >0.05 |
χ2 / df < 3 : dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình, dùng so sánh model với data, càng nhỏ càng tốt.
Note: Đặc điểm của Chi-square : số mẫu càng lớn thì hệ số chi-square càng cao. Để mô hình phù hợp thì p value của chi-square lý tưởng phải lớn hơn 5%. Nhưng do đặc điểm số mẫu khi chạy AMOS phải lớn nên Chi-square thường lớn và hệ số p-value càng bé. Vì vậy để xét mức độ phù hợp, nghiên cứu sẽ dùng Chisquare/df .
CFI: comparative fix index. Lấy độ phù hợp của một mô hình với một bộ data và so sánh với độ phù hợp của một mô hình khác với chính data đó. Dao động từ 0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số dạng này :TLI (Tucker–Lewis index), BL89 (Bollen’s fitndex), RNI (relative noncentrality index). CFI là một phiên bản được hiệu chỉnh của RNI. CFI dùng để tránh đánh giá thấp độ phù hợp khi cỡ mẫu nhỏ khi sử dụng NFI. Vì thế, ưu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu.
Theo Brown (2006): chỉ số CFI đánh giá sự phù hợp trong mô hình với các mối liên hệ đưa ra trong SEM với một mô hình nhiều hạn chế và lồng nhau trong đó các hiệp phương sai giữa các biến đầu vào được đưa về gần giá trị 0
Chỉ số CFI dao động từ 0 đến 1. 0 kém phù hợp, 1 là phù hợp tốt (cao).
Chỉ số TLI với ý nghĩa tương tự nhưng khoảng dao động vượt qua 1.
GFI(goodness of fix index): dao động từ 0.0 đến 1.0 , đôi khi âm, >=90% là tốt. đo lượng quan hệ của phương sai và hiệp phương sai trong ma trận hiệp phương sai. Ý là mô hình phù hợp cỡ nào khi so sánh với mô hình null ( các tham số đã được fix về 0)
RMSEA: root mean square errors of approximation: xem xét giá trị sai số của mô hình (Steiger và Lind (1980)), nhưng sự phù hợp sẽ xấu đi khi số biến trong mô hình tăng, <=8% thì tốt. Thể hiện sự khác biệt giữa phần data thực tế và phần mô hình dự đoán.
4. Các thuật ngữ chính trong AMOS
- Average variance extracted (AVE): đo sự hội tụ giữa một tập các mục hỏi thể hiện một khái niệm ẩn. Nó là phần trăm trung bình của sự thay đổi được giải thích (phương sai trích được) giữa các mục hỏi của một khái niệm.
- Between-construct error covariance: hiệp phương sai giữa hai thành phần sai số của các biến đo lường chỉ ra các khái niệm khác nhau.
- Communality: phương sai trích được
- Congeneric measurement model: mô hình đo lường bao gồm nhiều khái niệm đơn hướng (unidimensional constructs) với các hệ số tải chéo, hiệp phương sai của sai số giữa và trong mỗi khái niệm cố định xấp xỉ bằng 0.
- Constraints: cố định một mối quan hệ tiềm ẩn trong một mô hình SEM bằng một giá trị cụ thể nào đó (thậm chí bằng 0) thay vì cho phép giá trị của nó được ước lượng (tham số tự do).
- Construct reliability (CR): đo độ tin cậy và tính thống nhất (consistency) của các biến đo lường thể hiện một khái niệm ẩn. Phải được thiết lập trước khi CR được đánh giá.
- Convergent validity: cho biết mức độ hội tụ hoặc chia sẻ một tỉ lệ lớn phương sai chung của các chỉ báo cho một khái niệm.
- Discriminant validity: cho biết một khái niệm có thực sự phân biệt với khái niệm khác cả về sự tương quan lẫn các biến đo lường trong mỗi khái niệm.
- Face validity: cho biết nội dung của các mục hỏi là phù hợp với định nghĩa khái niệm, chỉ dựa trên đánh giá của nhà nghiên cứu.
- Unidimensional measures: tập hợp của các biến đo lường (indicators) chỉ mô tả cho một biến ẩn, nghĩa là mỗi biến đo lường chỉ tải duy nhất cho một khái niệm.
- Squared multiple correlations: các giá trị thể hiện phương sai của một biến đo lường được giải thích bởi một nhân tố ẩn. Nó có ý nghĩa tương tự như communality của EFA.
- With-in construct error covariance: hiệp phương sai giữa hai thành phần sai số của các biến đo lường mô tả cùng một khái niệm
Nguồn: Tổng hợp
Leave a Reply