Giới thiệu tổng quan mô hình mạng (SEM) – Mô hình SEM là gì

1 Giới thiệu tổng quan mơ hình mạng (SEM) – Mơ hình SEM Một kỹ thuật phức hợp linh hoạt sử dụng để phân tích mối quan hệ phức tạp mơ hình nhân mơ hình mạng SEM (Structural EquationModeling) Mơ hình SEM sử dụng rộng rãi lĩnh vực nghiên cứu tâm lý học (Anderson & Gerbing,1988; Hansell White, 1991), xã hội học (Lavee, 1988; Lorence Mortimer, 1985), nghiên cứu phát triển trẻ em (Anderson, 1987; Biddle Marlin,1987) lĩnh vực quản lý (Tharenou, Latimer Conroy,1994) Đặc biệt mơ hình ứng dụng nhiều mơ hình thỏa mãn khách hàng : ngành dịch vụ thông tin di động Hàn Quốc (M.K Kim et al / Telecommunications Policy 28 (2004) 145–159), Mơ hình nghiên cứu trung thành khách hàng Dịch vụ thông tin di động Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)… Mơ hình SEM mở rộng mơ hình tuyến tính tổng qt (GLM) cho phép nhà nghiên cứu kiểm định tập hợp phương trình hồi quy lúc.SEM cho mơ hình phức hợp phù hợp với liệu liệu khảo sát dài hạn(longitudinal), phân tích nhân tố khẳng định (CFA), mơ hình khơng chuẩn hố,cơ sở liệu có cấu trúc sai số tự tương quan, liệu với biến số không chuẩn(Non-Normality) , hay liệu bị thiếu (missing data) Đặc biệt, SEM sử dụng để ước lượng mơ hình đo lường (Mesurement Model) mơ hình cấu trúc (Structure Model) tốn lý thuyết đa biến Mơ hình đo lường rõ quan hệ biến tiềm ẩn (Latent Variables) biến quan sát (observed variables).Nó cung cấp thơng tin thuộc tính đo lường biến quan sát (độ tin cậy, độ giá trị) Mơ hình cấu trúc rõ mối quan hệ biến tiềm ẩn với Các mối quan hệ mơ tả dự báo mang tính lý thuyết mà nhà nghiên cứu quan tâm Mơ hình SEM phối hợp tất kỹ thuật hồi quy đa biến, phân tích nhân tố phân tích mối quan hệ hỗ tương (giữa phần tử sơ đồ mạng) phép kiểm tra mối quan hệ phức hợp mơ hình Khác với kỹ thuật thống kê khác cho phép ước lượng mối quan hệ riêng phần cặp nhân tố (phần tử) mơ hình cổ điển (mơ hình đo lường), SEM cho phép ước lượng đồng thời phần tử tổng thể mơ hình, ước lượng mối quan hệ nhân khái niệm tiềm ẩn (Latent Constructs) qua số kết hợp đo lường cấu trúc mơ hình lý thuyết, đo mối quan hệ ổn định (recursive) không ổn định (non-recursive), đo ảnh hưởng trực tiếp gián tiếp, kể sai số đo tương quan phần dư Với kỹ thuật phân tích nhân tố khẳng định (CFA) mơ hình SEM cho phép linh động tìm kiếm mơ hình phù hợp mơ hình đề nghị Công dụng lợi mô hình mạng (SEM) • Kiểm định giả thuyết quan hệ nhân có phù hợp (FIT) với liệu thực nghiệm hay khơng • Kiểm định khẳng định (Confirmating) quan hệ biến • Kiểm định quan hệ biến quan sát khơng 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) độ đo trước phân tích sơ đồ đường (path analysis) • Cho phép thực đồng thời nhiều biến phụ thuộc (nội sinh) • Cung cấp số độ phù hợp cho mơ hình kiểm định • Cho phép cải thiện mơ hình phù hợp cách sử dụng linh hoạt hệ số điều chỉnh MI (Modification Indices) • SEM cung cấp cơng cụ có giá trị thống kê, dùng thơng tin đo lường để hiệu chuẩn quan hệ giả thuyết biến tiềm ẩn • SEM giúp giả thuyết mơ hình, kiểm định thống kê chúng (vì EFA hồi quy khơng bền vững quán mặt thống kê) • • • SEM thường phức hợp số lượng lớn biến quan sát tiềm ẩn, phần dư sai số SEM giả định có cấu trúc nhân biến tiềm ẩn tổ hợp tuyến tính biến quan sát, biến tham gia chuỗi nhân Các phần tử mơ hình mạng (SEM) • • Biến quan sát (Observed variable): gọi biến báo (cấu tạo/phản ánh), biến đo lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Trong hình 1a, mơ hình biến quan sát biểu diễn hình chữ nhật (V1, V2, V3) Biến V1, V2, V3 có mũi tên nên trường hợp gọi biến ngoại sinh hay biến độc lập (trong mơ hình truyền thống) Trong hình 1b, mơ hình biến quan sát V1, V2, V3 phản ánh biến tiềm ẩn F biến tiềm ẩn F đóng vai trị biến ngoại sinh (ngun nhân) mơ hình SEM (sẽ nói kỹ phần phân biệt biến báo cấu tạo biến báo phản ánh phía dưới) • • • Hình 1: Mơ hình biểu diễn quan hệ biến quan sát biến tiềm ẩn • Sự liên kết biến quan sát (chỉ báo) với biến tiềm ẩn (không quan sát) bước thủ tục thống kê hình thức Trái lại thơng thường thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy biến đo có báo tốt khái niệm tiềm ẩn đó, dùng • • Biến tiềm ẩn(Latent Variable): cịn gọi nhân tố, biến nội sinh hay biến phụ thuộc mơ hình truyền thống(hình 1a) Trái lại, mơ hình SEM, biến tiềm ẩn trực tiếp ảnh hưởng kết hay giá trị biến quan sát biểu diễn dạng hình ellipse(F1) hình Biến tiềm ẩn (nhân tố) F1 thể khái niệm lý thuyết, đo trực tiếp mà phải thông qua biến quan sát V1, V2,V3 Trường hợp biến F1 gọi nhân tố sở (Underlying factor), mơ hình đo lường • • • • • Hình 2: Ví dụ mơ hình đo lường • Các biến tiềm ẩn hay nhân tố sở (F1, F2, F3) hay sai số đo lường (e1,e2,e3) tương quan với ( mũi tên chiều) hay ảnh hưởng trực tiếp biến tiềm ẩn khác (mũi tên chiều) Biến F3 hình vẽ có mũi tên vào nên gọi biến nội sinh hay biến phụ thuộc ( mơ hình hồi quy hay mơ hình cấu trúc) • • • • Hình 3:Ví dụ mơ hình cấu trúc • • • Số hạng sai số phần dư (Error & Disturbance): • • Số hạng sai số ei biểu thị sai số biến đo lường, d i biểu thị cho nhiễu sai số liên quan với giá trị dự báo nhân tố(biến) nội sinh từ nhân tố(biến) ngoại sinh hay gọi phần dư ước lượng hồi quy • • Trong mơ hình đo lường SEM (hình 4), biến nội sinh có số hạng sai số(ei) hay nhiễu(di), thể tính khơng chắn khơng xác đo lường, đồng thời cịn thể tính chất cho biến chưa phát khơng đo lường mơ hình • • • Hình 4: phần tử mơ hình SEM • • Lưu ý biến nội sinh biến phụ thuộc vào biến khác ( V1,V2…,V6 F3) có mũi tên vào/ra, cịn biến ngoại sinh biến khơng phụ thuộc vào biến khác (F1, F2) có mũi tên (khơng có nhiễu d hay sai số e nào) • • Ngồi ra, cần phân biệt mũi tên chiều biến tiềm ẩn biến quan sát biểu thị hệ số tải ( factor loadings) mũi tên chiều khái niệm tiềm ẩn biến quan sát lại biểu thị hệ số hồi quy (regression coefficients) • • Tóm lại, Một mơ hình SEM đặc trưng phức hợp số lượng lớn biến quan sát không quan sát, số hạng phần dư sai số • • Biến trung gian ( Mediator): Gọi X biến nguyên nhân gốc, M biến trung gian tiềm năng(hình 5), Y biến kết Để xác định M biến trung gian: • • a) Chứng minh X > Y : Y liên quan với X, • • b) Chứng minh X > M : M liên quan với X, • • c) Chứng minh M - > Y liên kết có ý nghĩa hồi quy hai biến dự báo • • Hình 5: Biến trung gia mơ hình SEM • • • • d) Giả định kiểm định thỏa mãn, đó: • • i) Nếu liên kết : X >Y khơng có ý nghĩa c) : M trung gian tồn phần; • • ii) Nếu liên kết : X - >Y có ý nghĩa c) : M trung gian phần • • Nếu khái niệm ( construct) làm trung gian tác động biến ngọai sinh lên biến phụ thuộc, phải đưa quan hệ chức vào mơ hình Các biến ngọai sinh biến trung gian phần(tức liên kết trực tiếp hay gián tiếp với biến phụ thuộc) thường biến dự báo quan trọng cho biến phụ thuộc, biến tương tự: biến trung gian toàn phần Nếu tác động trung gian không xem xét thích hợp ta bị nhầm lẫn quan trọng tương đối nhân tố khác tác động lên khái niệm • • • Phân biệt khái niệm “Ẩn tàng” khái niệm “Tường minh” • • • • Biến báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau, thay đổi biến báo kéo theo thay đổi biến báo khác thể qua tính quán cục đo hệ số Cronbach’s Alpha • • Biến báo cấu tạo (Formative Indicators) khơng cần thiết có liên quan với nhau, thay đổi biến báo không ảnh hưởng đến biến báo khác, khơng áp dụng đo tính qn • • Hai khái niệm phối hợp lại mô hình nghiên cứu biến báo cấu tạo nguyên nhân biến báo phản ánh phản ánh kết • • • • Tính xác định có nghĩa có lời giải độc cho ước lượng thơng số mơ hình SEM Số thơng số cần ước lượng số phương sai (Variance) hay hiệp phương sai(Covariance) biến ngoại sinh (biến quan sát hay không quan sát) tác động trực tiếp biến quan sát lên biến nội sinh Để xác định mơ hình nghiên cứu thuộc loại mơ hình ba loại mơ hình “Vừa xác định- Just Identification”; “Kém xác định- Under Identification” hay “Quá xác định- Over Identification” cần phải tính tốn số bậc tự mơ hình Bậc tự khác biệt tổng số liệu quan sát đầu vào (data points) tổng số thông số ước lượng SEM , xác định công thức sau: • • df = 1/2[(p + q)(p + q +1)] – t • • Trong đó: • • p= số biến báo nội sinh • • q= số biến báo ngoại sinh • • (p+q = số biến quan sát) • • t= Số thụng s c lng ã ã ẵ[(p+q)(p+q+1) = S quan sát hay hiệp phương sai ma trận (data points) • • 1) Mơ hình “vừa xác định” (Just Identification): Mơ hình có df =0 có lời giải cho ước lượng thơng số Ví dụ: 2x+y =7; 3x+2y=11 • • 2) Mơ hình “kém xác định” (Under Identification): Mơ hình có df < có vơ số giá trị ước lượng thơng số Vi dụ : 2x +y =7, • • 3) Mơ hình “q xác định”(Over Identification): Mơ hình có df > có lời giải (nhưng có lời giải tối ưu hay tốt ước lượng thơng số) Mơ hình “q xác định” xảy thông số xác định thơng số “q xác định” (có nhiều phương trình cho ước lượng thơng số này) Thơng thường mơ hình “ q xác định” ưa thích hơn, có bậc tự dương (df>0) Mục tiêu đạt df lớn tốt • • Việc đặt hạn chế(ràng buộc) mơ hình “q xác định” cho kiểm định giả thuyết (dùng • Chi Square • số khác) • • Sự “xác định” u cầu cấu trúc hay tốn học để tiến hành phân tích SEM • • Sự “kém xác định” thực nghiệm xuất có thơng số ước lượng tính “xác định” mơ hình có giá trị gần Do tính chất lặp ước lượng SEM, thông số ước lượng (phương sai chẳng hạn) bắt đầu với giá trị dương tiến dần giá trị • • Trong nghiên cứu mơ hình SEM cần cố gắng xác định ngun nhân tính xác định cấu trúc hay xác định thực nghiệm • • - Nếu xác định cấu trúc: Xác định lại mơ hình • - Nếu xác định thực nghiệm: điều chỉnh cách thu thập thêm liệu hay xác định lại mơ hình CÁC DẠNG MƠ HÌNH Theo Vinod Kumar, Deregouska,2003 mơ hình SEM gồm hai mơ hình có liên quan với mơ hình đo lường mơ hình cấu trúc Cả hai mơ hình xác định cụ thể nhà nghiên cứu: 5.1 Mơ hình đo lường: (cịn gọi mơ hình nhân tố, mơ hình ngồi) diễn tả cách biến quan sát thể giải thích biến tiềm ẩn nào: tức diễn tả cấu trúc nhân tố (biến tiềm ẩn), đồng thời diễn tả đặc tính đo lường ( độ tin cậy, độ giá trị) biến quan sát Các mơ hình đo lường cho biến độc lập đơn hướng, tương quan hay xác định biến tiềm ẩn bậc cao Mơ hình đo lường ( hình 7) cho thấy liên hệ thống kê biến quan sát, ta dùng để chuẩn hố mơ hình cấu trúc Các biến tiềm ẩn nối kết quan hệ dạng hồi quy chuẩn hoá, tức ước lượng giá trị cho hệ số hồi quy Hình : Mơ hình đo lường Mơ hình đo lường dùng phân tích nhân tố để đánh giá mức độ mà biến quan sát tải lên khái niệm tiềm ẩn chúng Để đánh giá độ giá trị (hội tụ phân biệt) biến quan sát sử dụng kỹ thuật phân tích nhân tố khẳng định(CFA) ma trận Covariance dựa mơ hình SEM, 5.2 Mơ hình cấu trúc: Xác định liên kết (quan hệ nhân quả) biến tiềm ẩn mũi tên nối kết, gán cho chúng phương sai giải thích chưa giải thích, tạo thành cấu trúc nhân Biến tiềm ẩn ước lượng hồi quy bội biến quan sát Mơ hình SEM không cho phép sử dụng khái niệm biểu thị biến quan sát đơn.Thông thường biến tiềm ẩn đo lường biến, hay từ đến tối đa biến quan sát.[Hair et al, Chap 11, 2000] Mơ hình SEM có nhiều dạng khác nhau: Hình 8: Mơ hình SEM phần tử a) Một biến tiềm ẩn độc lập đơn dự báo biến tiềm ẩn phụ thuộc đơn b) Vài biến tiềm ẩn tương quan dự báo biến phụ thuộc c) Một biến tiềm ẩn độc lập dự báo biến tiềm ẩn khác, biến lại dự báo biến thứ ba, 5.3 Mơ hình xác lập (recursive) Mơ hình có 02 đặc điểm : - Các số hạng sai số khơng có tương quan với - Mọi tác động nhân đơn hướng Mơ hình Recursive sử dụng phổ biến mơ hình nghiên cứu nhờ ưu điểm dễ mơ hình hố, có tính ổn định nhiều so với mơ hình Non-Recursive, ln xác định (được trình bày cụ thể phần 2.3.3 Tính xác định mơ hình) Hình 9: Mơ hình SEM với trạng thái xác lập (ổn định) X, Y : Biến ngoại sinh E: Số hạng sai số W, Z: Biến nội sinh < -> Covariance (Tương quan ) 5.4 Mơ hình khơng xác lập (Non-Recursive) Hình 10: Mơ hình SEM với trạng thái chưa xác lập (khơng ổn định) Mơ hình Non-Recursive có vòng lặp phản hồi biến nội sinh, hoặc: • Khi hai biến nội sinh ảnh hưởng lẫn nhau, tức có vịng lặp phản hồi (1) , hoặc: • Có vịng lặp hai biến nội sinh số hạng sai số hai biến nội sinh (2) Mơ hình Non-recursive có tính tạm thời, khơng ổn định so với mơ hình Recursive, Ngịai ra, mơ hình recursive dễ sử dụng nên thơng thường nhà nghiên cứu thường quy đổi mơ hình Non-Recursive mơ hình Recursive 5.5 Mơ hình bão hồ (Saturated Model): Mơ hình bão hồ (hình 11) chứa nhiều thông số cần ước lượng với số đầu vào(input) phân tích.Vì mơ hình khơng có bậc tư do(df=0) Đây mơ hình hạn chế(ràng buộc) mà phù hợp với liệu Hình 11: Mơ hình bão hịa SEM 5.6 Mơ hình độc lập (Independence Model) Mơ hình độc lập (Hình 12) mơ hình có nhiều ràng buộc mà phù hợp với liệu, có tối đa số bậc tự Nó chứa ước lượng phương sai biến quan sát, tức giả định quan hệ biến quan sát khơng có Hình 12: Mơ hình độc lập SEM 5.7 Mơ hình SEM tổng qt : cho phép mơ hình gồm nhiều khái niệm tiềm ẩn báo biến quan sát ( độc lập phụ thuộc) cho quan hệ ổn định (Recursive) không ổn định (non-recursive) biến khái niệm Tóm lại mơ hình SEM kết hợp mơ hình đo lường mơ hình cấu trúc Thành viên ThS Phạm Đức Kỳ Ngày đăng 30/09/2007 ( 5799 lượt xem) Tiêu đề Cơ sở lý thuyết mơ hình mạng (SEM) - Phần Nội dung Mục R & D PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA) VÀ KHẲNG ĐỊNH (CFA) 6.1 Phân tích nhân tố khám phá( EFA) : dùng đến trường hợp mối quan hệ biến quan sát biến tiềm ẩn không rõ ràng hay khơng chắn.Phân tích EFA theo tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ quan hệ biến quan sát nhân tố sở nào, làm tảng cho tập hợp phép đo để rút gọn hay giảm bớt số biến quan sát tải lên nhân tố sở Các nhân tố sở tổ hợp tuyến tính (sơ đồ cấu tạo) biến mơ tả hệ phương trình sau: Số lượng nhân tố sở tuỳ thuộc vào mô hình nghiên cứu, chúng ràng buộc cách xoay vector trực giao để không xảy tượng tương quan Phân tích nhân tố khám phá EFA hữu dụng bước thực nghiệm ban đầu hay mở rộng kiểm định 6.2 Phân tích nhân tố khẳng định (CFA): sử dụng thích hợp nhà nghiên cứu có sẵn số kiến thức cấu trúc biến tiềm ẩn sở Trong mối quan hệ hay giả thuyết (có từ lý thuyết hay thực nghiệm) biến quan sát nhân tố sở nhà nghiên cứu thừa nhận trước tiến hành kiểm định thống kê.Như CFA bước EFA nhằm kiểm định xem có mơ hình lý thuyết có trước làm tảng cho tập hợp quan sát không CFA dạng SEM Khi xây dựng CFA, biến quan sát biến báo mơ hình đo lường, chúng ” tải” lên khái niệm lý thuyết sở Phương pháp phân tích nhân tố khẳng định CFA chấp nhận giả thuyết nhà nghiên cứu, xác định theo quan hệ biến hay nhiều nhân tố Sau mơ hình SEM sử dụng kỹ thuật phân tích CFA: Hình 13: Mơ hình đo lường mơ hình cấu trúc SEM X1 = λ11 ξ1 + δ1 X2 = λ22 ξ2 + δ2 X3 = λ31 ξ1 + λ32 ξ2 + δ3, (ξ i nhân tố chung, Xi nhân tố xác định) Trong đó: λ hệ số tải, nhân tố chung ξ i có tương quan với nhau, nhân tố xác định Xi tương quan với Phương sai nhân tố xác định Phương trình biểu diễn mơ hình cách tổng quát dạng ma trận x sau: x = Λx ξ +δ Cov(x, ξ) = Σ = E(xx’) = E [(Λx ξ +δ)(Λx ξ +δ)’] = E[(Λx ξ +δ)(Λ’x ξ ‘+δ’)] = Λx E(ξξ’)Λx’ + ΛxE(ξδ’)Λx’ + E(δ’δ’) Đặt : Σ = E(xx’); Φ = E(ξξ’); Θ = E(δδ’) Với x’; Λx’; ξ ‘; δ’ ma trận chuyển vị ma trận x; Λx; ξ ;δ Cuối phương trình Covariance viết gọn sau: Σx = Λx Φξ Λ’x + Θx Tương tự phương trình dạng ma trận y ma trận Covariance: y = Λyη + ε Σy = Λy Φη Λ’y + Θy MA TRẬN CẤU TRÚC CỦA MƠ HÌNH MẠNG (CSM) (hình 14) Đơn vị phân tích mơ hình mạng (SEM) ma trận phương sai (VAR) hay hiệp phương sai(COV) Tổng quát thủ tục SEM xác định ma trận lý thuyết hàm ý(ma trận tương quan kỳ vọng) mô hình nghiên cứu Do đầu vào cần thiết SEM liệu thô hay môment mẫu tính từ liệu ( VAR, COV, hệ số tương quan hay moment khác) mơ hình đánh giá Mơ hình bao gồm tập hợp phương trình đề xuất, với vài thơng số ban đầu gán giá trị cố định thông số cần ước lượng (mean, variance, regression weight ) Mục đích ma trận VAR COV SEM dùng để xác định mối quan hệ phần tử mơ hình cách ước lượng ma trận tương quan kỳ vọng (tổng thể), so sánh với ma trận tương quan liệu quan sát (mẫu) thông qua kiểm định Chi square Sự khác biệt tương quan “ước lượng” tương quan “quan sát” hai ma trận thể thay đổi giá trị Chi square, mức độ phù hợp mơ hình với liệu (Chi square khơng có ý nghĩa (p > 0.05) biểu thị phù hợp tốt) Kiểm định Chi square bao gồm tương quan biến quan sát tương quan kỳ vọng Hình 14: Mơ hình cấu trúc hiệp phương sai (CSM- Covariance Structural Modeling) SEM giả định thành phần sai số ngẫu nhiên mơ hình có phân phối chuẩn đa biến ( biểu diễn hình ellipse) Với giả định cho phép dùng phương pháp ML ( Maximum Likelihood) để ước lượng hệ số mơ hình Trong trường hợp điều kiện ước lượng ML không thoả mãn, biến phân loại (categorical) chẳng hạn phải sử dụng phương pháp ước lượng LS Tất phương pháp ước lượng SEM địi hỏi kích thước mẫu lớn Ngồi thành phần ngẫu nhiên SEM đòi hỏi sai số đo lường x (hay y), tức δ (hay ε) không tương quan với biến tiềm ẩn độc lập ξ (hay phụ thuộc η) Đồng thời sai số phương trình mơ hình cấu trúc biến tiềm ẩn độc lập tiềm ẩn phụ thuộc khơng tương quan với sai số đo lường biến báo quan sát ( x y), tức ζ không tương quan với δ (hay ε) 8 SƠ ĐỒ ĐƯỜNG (Path Diagram) Nếu cấu trúc mơ hình biểu thị phương trình phức tạp khó hiểu Để đơn giản hoá thuận tiện phân tích, người ta biểu diễn mối quan hệ nhân tố dạng sơ đồ đường mơ hình đo lường mơ hình cấu trúc Khái niệm biến ngoại sinh ξ mơ hình cịn gọi biến nguồn hay biến độc lập khơng chịu tác động biến dự báo hay biến khác mơ hình Khái niệm biến nội sinh η dự báo hay nhiều khái niệm khác PHÂN TÍCH SƠ ĐỒ ĐƯỜNG (Path Analysis) Phân tích sơ đồ đường hay cịn gọi mơ hình nhân quả, tập trung vào việc khảo sát mạng lưới quan hệ biến đo lường, mối quan hệ nhân hai hay nhiều biến, cường độ quan hệ trực tiếp gián tiếp, phân tích quan hệ trung gian (X->Y->Z) Phương trình cấu trúc : Trong phân tích sơ đồ đường phần tử biến có quan hệ ảnh hưởng trực tiếp gián tiếp Trong sơ đồ nhân ta có: Ảnh hưởng trực tiếp : X3 gồm ảnh hưởng X1 X2, X4 gồm ảnh hưởng X2 X3, X5 ảnh hưởng trực tiếp X2 Y gồm ảnh hưởng X4 X5 Ảnh hưởng gián tiếp: Là ảnh hưởng biến thông qua biến khác, ví dụ: X1 ảnh hưởng lên X4 thơng qua X3 X1 ảnh hưởng lên Y cách gián tiếp thông qua X3 X4 Ảnh hưởng biến biểu thị hệ số tương quan Toàn ảnh hưởng biến mơ hình SEM tạo nên ma trận tương quan cấu trúc: r13 = p31 ; r23 = p32 ; r14 =p43 p31 r24 =p43 p32 + p42; r25 = p52 ry = py4.p42 + py4 p43 p32 + py5.p52 Quy tắc: Tương quan cấu trúc hai biến tổng tác động trực tiếp gián tiếp có khả xảy Giả sử có ma trận tương quan biến quan sát X1, X2 X3 sau: X1 X2 X3 X1 1.0 1.0 1.0 X2 r12 Giả thiết mơ hình cấu trúc (M1) dùng để kiểm định : Mơ hình biểu diễn phương trình sau ŕ12 = p21 (p: hệ số hồi quy riêng phần chuẩn hóa) X3 r13 r23 ŕ13 = p31 +p32 p21 ŕ23 = p32 + p31 p21 (ảnh hưởng trực tiếp X1 lên X3 cộng với ảnh hưởng gián tiếp qua X2) (ảnh hưởng trực tiếp X2 lên X3 cộng với ảnh hưởng X1 lên X3 X2) ŕij biểu diễn tương quan “tái cấu trúc” hay tương quan “ước lượng” sở mơ hình lý thuyết Hệ số hồi quy ước lượng phương pháp hồi quy đa biến sở mơ hình cho dùng để “tái cấu trúc lại” ma trận tương quan • X1 X2 X3 • Tương quan quan sát liệu: X1 1.0 1.0 X3 X3 r13(o) r23(o) r 12(o) 1.0 Tương quan tái cấu trúc sở mơ hình sơ đồ đường: X1 X1 X2 X2 X2 1.0 1.0 ŕ12 (e) X3 ŕ13(e) ŕ23(e) 1.0 So sánh phần tử hai ma trận tương quan giống giá trị Chi square nhỏ Lưu ý mô hình thay có tập tương quan kỳ vọng khác làm cho mơ hình tốt xấu Giả sử mơ hình lý thuyết (M2) Hầu hết mơ hình nhân tiến hành so sánh để chọn mơ hình phù hợp Mỗi mơ hình có giá trị Chi square ứng với số bậc tự định Hai mơ hình M1 M2 giống M2 bỏ mối quan hệ X1 X2 Ý nghĩa tăng /giảm độ phù hợp trường hợp : với df = df – df (hay xác định số thay đổi Chi square bậc tự do) Mỗi đường biểu diễn quan hệ hai biến tương ứng với giả thuyết nghiên cứu, không kiểm định để xác định hướng Phân tích nhân phân tích tập hợp mơ hình SEM hình đây: Hình 15: Mơ hình đo lường kết hợp chúng mô hình cấu trúc SEM Phân tích nhân đề cập đến biến đo lường, mở rộng hồi quy, có tính đồng thời dùng độ đo tổng hợp Phân tích nhân kỹ thuật xác định quan hệ trực tiếp gián tiếp biến số, liên kết giả thuyết biến ngoại sinh biến nội sinh, hiệu ứng trực tiếp hệ số hồi quy Liên kết gián tiếp (hay hiệu ứng gián tiếp) qua biến trung gian tích hai hay nhiều hệ số hồi quy Hệ số nhân hệ số tương quan hay hồi quy (thường chuẩn hoá) liên kết biến số.Nếu có liên kết hai biến số, hệ số nhân hệ số tương quan Ý nghĩa hệ số nhân tỷ số giới hạn CR = β/SEβ = Z-Statistic; CR > 1.96 để có ý nghĩa p=0.05 hay CR = 2.5 mức ý nghĩa 0.01 TÓM TẮT CÁC BƯỚC THỐNG KÊ TRONG SEM 1) Kiểm tra độ tin cậy thang đo Bằng hệ số Cronbach’s Alpha.[Hair et al, 1998, Segar, 1997] Ước lượng hệ số hồi quy tvalue - Phân tích nhân tố khẳng định (CFA): thực mơ hình đo lường để loại biến có hệ số tải nhân tố tiềm ẩn thấp Có thể thực kiểm định CFA mơ hình (Sub Model) trước kiểm định mơ hình tổng thể(tập hợp mơ hình để kiểm định đồng thời) - Thống kê SMC ( Square Multiple Correlation) cho khái niệm tiềm ẩn ngoại sinh (kết phân tích CFA mơ hình đo lường nêu trên), tương tự hệ số R2 hồi quy tuyến tính, SMC phương sai giải thích khái niệm tiềm ẩn [Bollen, 1989] 2) Mức độ phù hợp tổng thể mơ hình Bản chất mơ hình SEM địi hỏi nhà nghiên cứu trước hết thực khai báo giá trị xuất phát ban đầu gọi mơ hình giả thiết Từ mơ hình giả thiết, thơng qua chuỗi vịng lặp số biến đổi để cuối cung cấp cho nhà nghiên cứu mơ hình xác lập, có khả giải thích tối đa phù hợp mơ hình với liệu thu thập thực tế Sự phù hợp tồn mơ hình thực tế đánh giá thơng qua tiêu chí mức độ phù hợp sau: i) Kiểm định Chi-Square (χ2) : biểu thị mức độ phù hợp tổng qt tồn mơ hình mức ý nghĩa pv = 0.05 [Joserkog & Sorbom, 1989] Điều thực tế khó xảy χ2 nhạy với kích thước mẫu lớn độ mạnh kiểm định, nên thực tế người ta dùng số χ2 /df để đánh giá, ii) Tỷ số Chi-Square/bậc tự do: χ2 / df dùng để đo mức độ phù hợp cách chi tiết mơ hình Một số tác giả đề nghị < χ2/df < [Hair et al, 1998]; số khác đề nghị χ2 nhỏ tốt [Segar, Grover, 1993] cho χ2/df < 3:1 [Chin & Todd, 1995] Ngoài ra, số nghiên cứu thực tế người ta phân biệt trường hợp : χ2/df < 5(với mẫu N > 200) ; hay < (khi cỡ mẫu N < 200) mơ hình xem phù hợp tốt [Kettinger Lee,1995] iii) Các số liên quan khác: GFI, AGFI, CFI, NFI, … có giá trị > 0.9 xem mơ hình phù hợp tốt Nếu giá trị 1, ta nói mơ hình hồn hảo [Segar, Grover, 1993] & [Chin & Todd, 1995] GFI: đo độ phù hợp tuyệt đối ( khơng điều chỉnh bậc tự do) mơ hình cấu trúc mơ hình đo lường với liệu khảo sát AGFI: Điều chỉnh giá trị GFI theo bậc tự mơ hình RMR: Một mặt đánh giá phương sai phần dư biến quan sát, mặt khác đánh giá tương quan phần dư biến quan sát với tương quan phần dư biến quan sát khác Giá trị RMR lớn nghĩa phương sai phần dư cao, phản ánh mơ hình có độ phù hợp khơng tốt RMSEA : tiêu quan trọng, xác định mức độ phù hợp mơ hình so với tổng thể Trong tạp chí nghiên cứu IS, tác giả cho số RMSEA, RMR yêu cầu < 0.05 mơ hình phù hợp tốt Trong số trường hợp giá trị < 0.08 mơ hình chấp nhận [Taylor, Sharland, Cronin Bullard, 1993] NFI: đo khác biệt phân bố chuẩn χ2 mơ hình độc lập (đơn nhân tố, có hệ số 0) với phép đo phương sai mơ hình đa nhân tố NFI = (χ2 null - χ2 proposed) / χ2 null = (χ2 Mo - χ2 Mn) / χ2 Mo Mo : Mơ hình gốc; Mn : Mơ Giá trị đề nghị NFI > 0.9 [Hair et al, 1998] & [Chin & Todd, 1995] hình phù hợp iv) Mức xác suất : Giá trị > 05 xem mô hình phù hợp tốt.[Arbuckle Wothke, 1999; Rupp Segal, 1989] Điều có nghĩa khơng thể bác bỏ giả thuyết H0 (là giả thuyết mơ hình tốt), tức khơng tìm kiếm mơ hình tốt mơ hình tại) Ngồi quan hệ riêng lẻ đánh giá tốt dựa mức ý nghĩa thống kê Tác động biến ngoại sinh lên biến nội sinh tác động biến nội sinh lên biến nội sinh đánh giá qua hệ số hồi quy Mối quan hệ biến biểu thị mũi tên mơ hình Chiều mũi tên biểu diễn chiều tác động biến lên biến Ứng với mối quan hệ ta có giả thuyết tương ứng (như trình bày phần đầu chương giả thuyết mơ hình nghiên cứu) Trong nghiên cứu thuộc lĩnh vực khoa học xã hội, tất mối quan hệ nhân đề nghị có độ tin cậy mức 95% (p = 05)[Cohen,1988] 3) Chỉ số điều chỉnh mơ hình (MI - Modification Indices) Chỉ số điều chỉnh mơ hình số ước lượng thay đổi χ2 ứng với trường hợp thêm vào mối quan hệ (ứng với giảm bậc tự do) Nếu MI lượng giảm ∆ χ >3.84 (ứng với giảm bậc tự do), cho phép ta đề nghị mối quan hệ làm tăng độ phù hợp mơ hình .[Hair et al, 1998] (xem lại phần – Phân tích sơ đồ đường, so sánh thay đổi χ2 mơ hình M1 & M2) Điều tương tự đưa biến độc lập vào mơ hình hồi quy tuyến tính Tuy nhà nghiên cứu nên thận trọng mối quan hệ thêm vào mơ hình xem xét ủng hộ lý thuyết không nên cố gắng cách để cải thiện số nhằm làm cho mô hình phù hợp [Bullock et al, 1994; Hair et al, 1998].Các số phù hợp tốt liệu ủng hộ mơ hình đề nghị, chúng khơng có nghĩa mơ hình lựa chọn xác mơ hình tốt số mơ hình khả thi mặt lý thuyết Như tồn số mơ hình với mức độ điều chỉnh độ phù hợp khác nhau, tuỳ theo quan điểm nhà nghiên cứu Các mơ hình gọi mơ hình cạnh tranh 4) Kiểm tra ước lượng mơ hình phương pháp Boostrap Mơ hình cuối mơ hình phù hợp khác cần thiết phải có liệu độc lập với nhau, hay cỡ mẫu ban đầu lớn Trong phương pháp nghiên cứu định lượng phương pháp lấy mẫu, thông thường phải chia mẫu thành 02 mẫu Mẫu thứ dùng để ước lượng tham số mơ hình mẫu thứ hai dùng để đánh giá lại: a Định cỡ mẫu thứ dùng b Dùng cỡ mẫu thứ hai để đánh giá chéo (Cross-Validation) để khám phá, Chỉ số đánh giá chéo CVI (Cross-Validation Index) đo khoảng cách ma trận Covariance phù hợp mẫu thứ với ma trận Covariance mẫu Chỉ số CVI nhỏ cho phép kỳ vọng trạng thái mẫu lặp lại ổn định Cách khác lặp lại nghiên cứu mẫu khác Hai cách thường không thực tế phương pháp phân tích mơ hình cấu trúc thường đòi hỏi mẫu lớn nên việc làm tốn nhiều thời gian, chi phí [Anderson & Gerbing 1998] Trong trường hợp Boostrap phương pháp phù hợp để thay thế[Schumacker & Lomax 1996] Boostrap la phương pháp lấy mẫu lại có thay mẫu ban đầu đóng vai trị đám đơng Phương pháp Boostrap thực với số mẫu lặp lại N lần Kết ước lượng từ N mẫu tính trung bình giá trị có xu hướng gần đến ước lượng tổng thể Khoảng chênh lệch giá trị trung bình ước lượng Boostrap ước lượng mơ hình với mẫu ban đầu nhỏ cho phép kết luận ước lượng mơ hình tin cậy 11 CÔNG CỤ THỐNG KÊ ỨNG DỤNG TRONG SEM Hiện có nhiều cơng cụ phần mềm hỗ trợ q trình thống kê, phân tích xác định mơ hìnhSEM : AMOS, LISREL, EQS, MPLUS… nhà nghiên cứu sử dụng phổ biến đề tài nghiên cứu Một công cụ phổ biến phần mềm AMOS với ưu điểm : (a) dễ sử dụng nhờ module tích hợp chung với phần mềm phổ biến SPSS (b) dễ dàng xây dựng mối quan hệ biến, nhân tố (phần tử mơ hình) trực quan hình học nhờ chức AMOS Graphics Kết biểu thị trực tiếp mơ hình hình học, nhà nghiên cứu vào số để kiểm định giả thuyết, độ phù hợp tổng thể mơ hình cách dễ dàng, nhanh chóng Minh hoạ cho phương pháp phân tích liệu sử dụng cơng cụ AMOS tham khảo nghiên cứu tác giả Phần ứng dụng chi tiết công cụ AMOS để phân tích liệu trình loạt khác  ... phương sai biến quan sát, tức giả định quan hệ biến quan sát khơng có Hình 12: Mơ hình độc lập SEM 5.7 Mơ hình SEM tổng qt : cho phép mơ hình gồm nhiều khái niệm tiềm ẩn báo biến quan sát ( độc... CỦA MƠ HÌNH MẠNG (CSM) (hình 14) Đơn vị phân tích mơ hình mạng (SEM) ma trận phương sai (VAR) hay hiệp phương sai(COV) Tổng quát thủ tục SEM xác định ma trận lý thuyết hàm ý(ma trận tương quan. .. số mô hình với mức độ điều chỉnh độ phù hợp khác nhau, tuỳ theo quan điểm nhà nghiên cứu Các mô hình gọi mơ hình cạnh tranh 4) Kiểm tra ước lượng mơ hình phương pháp Boostrap Mơ hình cuối mơ hình