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

/ Telecommunications Policy 28 2004 145–159, Mô hình nghiên cứu sự trungthành của khách hàng Dịch vụ thông tin di động tại Việt nam Phạm Đức Kỳ, Bùi Nguyên Hùng,2007… Mô hình SEM là sự

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

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 EquationModeling) 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 vựcquản lý (Tharenou, Latimer và Conroy,1994) Đặc biệt mô hình này cũng được ứng dụng trongrất nhiều mô hình thỏa mãn khách hàng như : ngành dịch vụ thông tin di động tại Hàn Quốc (M.-

K Kim et al / Telecommunications Policy 28 (2004) 145–159), Mô hình nghiên cứu sự trungthành của khách hàng Dịch vụ thông tin di động tại Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng,2007)…

<!––nextpage––>

Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứukiểm định một tập hợp phương trình hồi quy cùng một lúc.SEM có thể cho một mô hình phứchợp 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 tươngquan, 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 hìnhcấu 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 phântích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tramối quan hệ phức hợp trong mô hình Khác với những kỹ thuật thống kê khác chỉ cho phép ướclượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đolường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mốiquan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đolường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổnđịnh (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tươngquan phần dư Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linhđộng 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 thựcnghiệm 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 tíchphương sai

 Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồđường (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 điềuchỉnh MI (Modification Indices)

 SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệuchuẩn 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 thểkhông 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, cácphần dư và sai số

 SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyếntính 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 đo lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Tronghình 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 biếnngoại sinh hay biến độc lập (trong mô hình truyền thống) Trong hình 1b, mô hìnhbiến quan sát V1, V2, V3 phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai tròbiến ngoại sinh (nguyên nhân) trong mô hình SEM (sẽ nói kỹ hơn ở phần phânbiệt 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) làbước đầu tiên trong một thủ tục thống kê hình thức Trái lại thông thường các thủtục liên kết thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báotốt của một khái niệm tiềm ẩn nào đó, thì chúng ta sẽ dùng nó.



thuộc trong mô hình truyền thống(hình 1a) Trái lại, trong mô hình SEM, biếntiềm ẩn trực tiếp ảnh hưởng kết quả hay giá trị của biến quan sát và biểu diễn dướidạng hình ellipse(F1) như hình 2 Biến tiềm ẩn (nhân tố) F1 thể hiện một kháiniệm 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 hưởngtrực 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 hồiquy hay mô hình cấu trúc)

 Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1,V2…,V6 và F3) cómũi 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)



 Ngoài ra, cũng cần phân biệt mũi tên một chiều giữa các biến tiềm ẩn và các biến quan sát biểu thị các 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:

 Hình 5: Biến trung gia trong mô hình SEM



 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.

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

 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 liênquan với nhau là mô hình đo lường và mô hình cấu trúc Cả hai mô hình đều được xácđịnh cụ thể bởi nhà nghiên cứu:

5.1 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 cácbiến quan sát Các mô hình đo lường cho các biến độc lập có thể đơn hướng, có thể tươngquan hay có thể xác định các biến tiềm ẩn bậc cao hơn Mô hình đo lường ( hình 7) chothấy các liên hệ thống kê giữa các biến quan sát, ta có thể dùng để chuẩn hoá mô hình cấutrúc 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 tảilên các khái niệm tiềm ẩn của chúng Để đánh giá độ giá trị (hội tụ và phân biệt) của cácbiến quan sát sử dụng kỹ thuật phân tích nhân tố khẳng định(CFA) và ma trận Covariancedựa 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, tạothành cấu trúc nhân quả cơ bản Biến tiềm ẩn được ước lượng bằng hồi quy bội của cácbiến quan sát Mô hình SEM không cho phép sử dụng khái niệm biểu thị bởi biến quansát 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 dựbáo 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 cứuthường 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 cácthông 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 phùhợp 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 phùhợp với bộ dữ liệu, có tối đa số bậc tự do Nó chỉ chứa các ước lượng phương sai của cácbiến 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

6 PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA) VÀ KHẲNG ĐỊNH (CFA)

6.1 Phân tích nhân tố khám phá( EFA) : được dùng đến trong trường hợp mối quan

hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn.Phântích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi, mức

độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào, làm nền tảng chomột tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố

cơ sở Các nhân tố cơ sở là tổ hợp tuyến tính (sơ đồ cấu tạo) của các biến mô tả bằng

hệ phương trình sau:

Số lượng các nhân tố cơ sở tuỳ thuộc vào mô hình nghiên cứu, trong đó chúng ràng

buộc nhau bằng cách xoay các vector trực giao nhau để khơng xảy ra hiện tượngtương quan Phân tích nhân tố khám phá EFA rất hữu dụng trong bước thực nghiệmban đầu hay mở rộng kiểm định.

6.2 Phân tích nhân tố khẳng định (CFA): sử dụng thích hợp khi nhà nghiên cứu cĩ

sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở Trong đĩ mối quan hệ hay giảthuyết (cĩ được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thìđược các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thốngkê.Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem cĩ một mơ hình lýthuyết cĩ trước làm nền tảng cho một tập hợp các quan sát khơng CFA cũng là mộtdạng của SEM Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong

mơ hình đo lường, bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở

Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết củacác nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một haynhiều hơn một nhân tố Sau đây là một mơ hình SEM sử dụng kỹ thuật phân tíchCFA:

Hình 13: Mơ hình đo lường và mơ hình cấu trúc của SEM

X1 = λ11 ξ1 + δ1

X2 = λ22 ξ2 + δ2

X3 = λ31 ξ1 + λ32 ξ2 + δ3,

(ξ i là các nhân tố chung, Xi là các nhân tố xác định)

Trong đĩ: λ là các hệ số tải, các nhân tố chung ξ i cĩ thể cĩ tương quan với

nhau, các nhân tố xác định Xi cũng cĩ thể tương quan với nhau Phương sai của mộtnhân tố xác định là duy nhất.

Phương trình biểu diễn mơ hình một cách tổng quát dạng ma trận của x như 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’ lần lượt là ma trận chuyển vị của ma trận x; Λx; ξ ;δ.Cuối cùng phương trình Covariance được viết gọn như sau:

Σx = Λx Φξ Λ’x + Θx

Tương tự đối với phương trình dạng ma trận của y và ma trận Covariance:

y = Λyη + ε

Σy = Λy Φη Λ’y + Θy

7 MA TRẬN CẤU TRÚC CỦA MƠ HÌNH MẠNG (CSM) (hình 14)

Đơn vị phân tích trong mơ hình mạng (SEM) là các ma trận phương sai (VAR)hay hiệp phương sai(COV) Tổng quát thủ tục SEM xác định một ma trận lý thuyếthàm ý(ma trận tương quan kỳ vọng) bởi mơ hình nghiên cứu Do vậy các đầu vào cầnthiết của SEM là các dữ liệu thơ hay mơment mẫu được tính từ dữ liệu ( VAR, COV,

hệ số tương quan hay các moment khác) và mơ hình đang được đánh giá Mơ hình baogồm một tập hợp các phương trình đề xuất, với vài thơng số ban đầu được gán giá trị

cố định và các thơng số cần ước lượng (mean, variance, regression weight )

Mục đích của ma trận VAR và COV trong SEM dùng để xác định các mối

quan hệ giữa các phần tử trong mơ hình bằng cách ước lượng ma trận tương quan kỳ vọng (tổng thể), so sánh với ma trận tương quan của dữ liệu quan sát (mẫu) thơng qua

kiểm định Chi square Sự khác biệt giữa tương quan “ước lượng” và tương quan

“quan sát” của hai ma trận này thể hiện trong sự thay đổi giá trị Chi square, nĩ chỉ ramức độ phù hợp của mơ hình với dữ liệu như thế nào (Chi square khơng cĩ ý nghĩa (p