Hướng dẫn phân tích long trung thành khách hàng sử dụng spss và phần mềm Amos, Tài liệu cực rất cần thiết cho dạng đề tài nghiên cứu!!

Hướng dẫn phân tích long trung thành khách hàng sử dụng spss và phần mềm Amos, Tài liệu cực rất cần thiết cho dạng đề tài nghiên cứu!!

THỰC HÀNH MÔ HÌNH CẤU TRÚC TUYẾN TÍNH (SEM) VỚI PHẦN MỀM AMOS

Chi-square= 1595.832df= 1007P-value= 000Chi-square/df= 1.585TLI= 915CFI= 921IFI=.922RMSEA= 053

.79.65

LỜI NÓI ĐẦU

Mô hình cấu trúc tuyến tính (SEM) được các nhà nghiên cứu trên thế giới sử dụng từ rất lâu Ở Việt Nam, khoảng từ năm 2000 trở lại đây, SEM đã được nhiều nhà nghiên cứu sử dụng trong các công trình nghiên cứu hàn lâm, cũng như các nghiên cứu ứng dụng phục vụ các chương trình tư vấn doanh nghiệp, tư vấn chính sách cho các Tỉnh/thành phố

Gần đây, việc học tập / áp dụng mô hình cấu trúc tuyến tính (SEM) nói riêng cũng như các kỹ thuật phân tích định lượng nói chung trong kinh tế, quản trị kinh doanh, tài chính-ngân hàng … được đông đảo bạn trẻ gồm sinh viên đại học, học viên cao học, nghiên cứu sinh quan tâm để giải quyết tốt nhất những mục tiêu nghiên cứu đã đặt ra

Bài giảng này nhằm hỗ trợ các bạn bước đầu tiếp cận SEM dưới góc độ thực hành với phần mềm AMOS được dễ dàng hơn, nhanh chóng hơn mà trước mắt là làm tài liệu học tập mang tính trực quan phục vụ cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa

Kinh tế phát triển – Trường ĐH Kinh tế TPHCM tổ chức (chủ đề này học trong 2 buổi), hay

các khoá đào tạo ngắn hạn tại Trung tâm Tư vấn doanh nghiệp và Phát triển kinh tế vùng về

Phân tích dữ liệu và dự báo trong kinh doanh Bên cạnh đó, trong quá trình học tập, các bạn

sinh viên/ học viên sẽ được phát các tài liệu đọc về mặt lý thuyết SEM, các bài báo khoa học, công trình nghiên cứu có áp dụng SEM bằng tiếng Anh/ tiếng Việt khác…

Do SEM khá phức tạp dưới góc độ toán học và trình độ của tác giả còn hạn chế nên những sai sót trong quá trình biên soạn là khó có thể tránh khỏi Tác giả rất mong nhận được sự đóng góp ý kiến, phê bình của bạn đọc để quyển bài giảng này trong lần tái bản tiếp theo sẽ được hoàn thiện hơn, mang lại nhiều lợi ích hơn cho bạn đọc xa gần Thư góp ý xin gửi về:

Nguyễn Khánh Duy

Khoa Kinh tế Phát triển – Trường ĐH Kinh tế TPHCM Địa chỉ: 1A Hoàng Diệu – Quận Phú Nhuận - TPHCM Email: khanhduy@ueh.edu.vn hoặc nkduy2002@yahoo.com Điện thoại: 098.900.1766

Mong rằng bạn đọc sẽ tiếp tục đón nhận những quyển sách tốt hơn liên quan đến chủ đề kinh tế lượng, phân tích dữ liệu & dự báo nâng cao do các đồng nghiệp & tôi biên soạn

(được xuất bản chính thức) trong tương lai

Xin chân thành cảm ơn và chúc các bạn thành công!

TP.Hồ Chí Minh, tháng 5 năm 2009 Tác giả

Nguyễn Khánh Duy

LỜI CẢM ƠN

Tài liệu học tập này không đồ sộ và chặt chẽ như những quyển sách khác, bởi nó được viết dưới góc độ trực quan, ứng dụng… Nó được hoàn thành trong thời gian rất ngắn nhằm phục vụ trước mắt cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa Kinh tế Phát Triển tổ chức, cũng như các khoá học ngắn hạn về “Phân tích dữ liệu và dự báo trong kinh doanh” Tuy vậy, quyển bài giảng này cũng là một kết quả của sự tích luỹ lâu dài từ trong quá trình học tập, giảng dạy, công việc, nghiên cứu từ trước tới nay Và quá trình ấy, tác giả đã được sự hỗ trợ tận tình của quý thầy cô giáo, bạn bè, các em sinh viên, và những người thân trong gia đình

Năm 2004, khi AMOS, tài liệu về SEM còn rất hiếm; cô Trần Kim Dung, thầy Đinh Thái Hoàng (Khoa QTKD, Khoa Toán-Thống Kê-ĐH Kinh tế TPHCM) đã giới thiệu, khuyến khích, động viên tôi trong quá trình tìm hiểu về SEM, và gửi tặng tôi những tài liệu, phần mềm có liên quan Nhờ sự giúp đỡ của quý thầy cô mà việc tìm hiểu về SEM của tôi những thời gian đầu rất thuận lợi Tôi xin được gửi lời cảm ơn đến Thầy Nguyễn Hữu Lam; thầy đã nhiệt tình hướng dẫn luận văn tốt nghiệp bậc thạc sĩ – nghiên cứu đầu tiên mà tôi sử dụng SEM (năm 2006) Trong môn phương pháp nghiên cứu, Thầy Lê Nguyễn Hậu với câu nói “SEM thật đơn giản!”, “SEM dễ hơn mô hình hồi quy nhiều!” đã khuyến khích nhiều học viên chúng tôi tìm tòi về nó Tôi chân thành cảm ơn thầy Nguyễn Đình Thọ vì những gợi mở, những hướng dẫn tận tình của thầy đã dành cho chúng tôi Những nghiên cứu của thầy là những tài liệu rất quý cho những người làm Marketing hay bất cứ ai đang làm nghiên cứu ngành quản trị kinh doanh, và những ai tìm hiểu về SEM Thời gian học tập ở bậc đại học, sau đại học có biết bao kỷ niệm với bạn bè, và sự tri ân của học viên chúng tôi với tất cả quý thầy cô đã tham gia giảng dạy

Tôi muốn được gửi lời cảm ơn của mình đến thầy Hoàng Trọng vì những quyển sách về phân tích dữ liệu bằng SPSS mà thầy đã tham gia biên soạn (từ 1997 đến nay) Nó là những tài liệu thật quý giá đối với tôi cũng như những bạn đam mê, hay muốn tìm hiểu về phân tích dữ liệu trong nghiên cứu; thật không ngờ quyển sách đầu tiên của thầy (viết cùng với thầy Võ Văn Huy, cô Võ Thị Lan) mà tôi ngẫu nhiên tìm được ở nhà sách khi mới bước chân vào giảng đường đại học đã hướng tôi đến việc làm nhiều nghiên cứu khoa học với phương pháp định lượng khi còn là sinh viên

Tôi xin được chân thành cảm ơn thầy Nguyễn Trọng Hoài, Thầy Cao Hào Thi đã tạo điều kiện hỗ trợ, động viên, hướng dẫn tôi trong công việc giảng dạy về phân tích định lượng từ những ngày đầu mùa thu năm 2007 ở chương trình giảng dạy Kinh tế Fulbright

Xin gửi đến Thu Hương lời cảm ơn chân thành vì rất nhiều điều, bạn đã đồng hành, chia sẻ, hỗ trợ tôi trong suốt thời gian học tập/ nghiên cứu ở bậc đại học, sau đại học…

Xin cảm ơn những bạn đồng nghiệp: anh Quốc Duy, anh Thanh Bình, anh Thanh Vũ … và những người bạn khác luôn hỗ trợ, động viên, trao đổi, chia sẻ những kiến thức, kinh nghiệm về phân tích dữ liệu, cũng như hỗ trợ tôi trong công việc, trong nghiên cứu

Quyển bài giảng này viết ra chủ yếu dành cho các bạn sinh viên đại học khối kinh tế - quản trị Cũng nhờ sự ham học tập, sự khát khao khám phá và những tình cảm tốt đẹp mà các bạn sinh viên đại học (mà tôi có dịp gặp gỡ ở Trường ĐH Kinh tế TPHCM, Trường ĐH Ngoại Thương (CS2), Trường ĐH Ngân Hàng TPHCM, chương trình đào tạo đặc biệt của Trường ĐH Mở TPHCM) đã dành cho tôi trong thời gian qua đã giúp tôi luôn có những niềm vui trong công việc, và nghiên cứu Xin chân thành cảm ơn các bạn!

Bài giảng này cũng hướng đến nhiều đối tượng bạn đọc khác, đặc biệt hướng đến các bạn sinh viên Khoa Kinh tế phát triển đang tham dự lớp bồi dưỡng cử nhân tài năng do Đoàn Khoa tổ chức Lớp học này khó có thể thành công nếu không được sự hỗ trợ, tạo điều kiện của rất nhiều thầy cô giáo, của các bạn trong ban tổ chức, các anh chị em phòng quản trị thiết bị, tổ chức hành chính, phòng công nghệ thông tin, phòng điều phối giảng đường – thời khoá biểu, chi đoàn, chi hội, ban cán sự các lớp và sự nỗ lực của từng bạn sinh viên

Các ví dụ trong quyển bài giảng này; các bài tập/ tình huống kèm theo và các quyển sách trong tương lai sẽ có những chất liệu, nguồn dữ liệu từ các nghiên cứu không chỉ của tôi, mà còn của các bạn bè, của các bạn sinh viên, cũng như rất nhiều tác giả khác Xin chân thành cảm ơn bạn Nguyễn Thị Mỹ Thuận, bạn Mai Thuỳ Ninh, anh Võ Đức Thọ, anh Lê Văn Khoa … về những dữ liệu mà các bạn, các anh đã khảo sát rất công phu Xin cảm ơn các tác giả của các quyển sách, tạp chí, bài viết … mà tôi đã tham khảo; vì sự đam mê và nghiên cứu nghiêm túc của họ đã giúp tôi hiểu rõ hơn và nhanh hơn những vấn đề chưa biết Xin cảm ơn anh Phạm Đức Kỳ và thầy Bùi Nguyên Hùng ở Khoa Quản lý công nghiệp – ĐH Bách Khoa TPHCM về các bài viết mà quyển bài giảng này đã giới thiệu trong phụ lục để các bạn sinh viên tham khảo thêm

Cuối cùng, tôi không quên gửi lời cảm ơn chân thành đến bố, mẹ, em Khánh Hùng và những người thân về tất cả!

Nguyễn Khánh Duy

MỤC LỤC Lời nói đầu Lời cảm ơn Mục lục Trang 1 Trao đổi với các bạn sinh viên lớp bồi dưỡng cử nhân tài năng & giới thiệu mô hình cấu trúc tuyến tính (SEM), phần mềm AMOS 6

2 Phân tích nhân tố khám phá (EFA_ Exploratory Factor Analysis) .14

3 Phân tích nhân tố khẳng định (CFA_Confirmatory Factor Analysis) .20

4 Mô hình cấu trúc (SEM_Structural Equation Modeling) .48

1 TRAO ĐỔI VỚI CÁC BẠN SINH VIÊN LỚP BỒI DƯỠNG CỬ NHÂN TÀI NĂNG & GIỚI THIỆU VỀ SEM, PHẦN MỀM AMOS

Từ đầu học kỳ đến nay, lớp chúng ta đã học về các chủ đề Tư duy sáng tạo (Thầy

Nguyễn Hoàng Bảo, trong 3 buổi), phương pháp nghiên cứu nâng cao – đi sâu vào khung phân tích và nghiên cứu định tính (Thầy Trần Tiến Khai, trong 2 buổi), Mô hình Logit (Thầy Lương Vinh Quốc Duy, trong 1 buổi), Các chủ đề của kinh tế lượng tài chính và dự báo nâng cao ARIMA, SARIMA, ARCH-GARCH … (thầy Phùng Thanh Bình, trong 4 buổi), Phân tích kỹ thuật (Thầy Võ Thanh Sơn, trong 2 buổi) Cô Trương Công Thanh Nghị đã chia sẻ với các bạn về kinh nghiệm làm nghiên cứu, và giới thiệu các giải thưởng

nghiên cứu khoa học sinh viên, kinh nghiệm học tập của một thủ khoa đầu vào cũng như đầu

ra Khoá 28 của trường ĐH Kinh tế TPHCM; anh Hoàng Anh (Kế hoạch đầu tư K31) đã chia

sẻ kinh nghiệm của anh trong việc học tập của một người đội trưởng đạt giải nhất cuộc thi “Kinh tế học - tầm nhìn bạn và tôi” – cuộc thi do Khoa KTPT chúng ta tổ chức với hơn 5000 thí sinh từ 11 trường đại học ở phía Nam - cũng như những nghiên cứu mà anh đang nỗ lực1,

anh Nguyễn Ngọc Danh cũng đã trao đổi với các bạn về nghiên cứu của anh về sức khoẻ trẻ

em với phương pháp 2SLS (là luận văn tốt nghiệp chương trình cao học Việt Nam-Hà Lan của anh Danh) …

Bên cạnh đó, những bạn sinh viên lớp nhân lực, một số bạn lớp KHĐT, Thẩm định giá cũng đã từng nghe nói về SEM cũng như biết được sự phổ biến của nó trong các nghiên cứu khi tham dự buổi báo cáo chuyên đề “Ứng dụng phương pháp định lượng trong nghiên

cứu quản trị nguồn nhân lực và hành vi tổ chức” do cô Trần Kim Dung báo cáo Sáng nay,

và chiều nay, một ngày chủ nhật, chúng ta sẽ tìm hiểu những vấn đề quan trọng nhất, cơ bản nhất của SEM, CFA… và thử tìm hiểu xem người ta đã vận dụng nó trong nghiên cứu về quản trị, Marketing, nhân lực, hành vi trong lĩnh vực tài chính – chứng khoán, tâm lý học … ở khu vực tư cũng như khu vực công như thế nào để từ đó các bạn có thể tự học sâu hơn về SEM và vận dụng một cách sáng tạo vào những nghiên cứu mà các bạn đang ấp ủ Giờ ra

chơi sáng nay, Anh Hoàng Nam (Sachvang), là admin và cũng là giảng viên trẻ của Khoa Quản trị Kinh Doanh sẽ giới thiệu với các bạn Forum caohockinhte.info là một diễn đàn rất

hấp dẫn và sôi động của cộng đồng cao học kinh tế ở Việt Nam, và trên ấy cũng có một mục

dành riêng cho các bạn sinh viên đại học yêu thích hoạt động nghiên cứu khoa học (mục Cử

nhân và thạc sĩ tài năng tương lai)

Trong những năm gần đây, không chỉ nhiều người nghiên cứu trên thế giới và Việt Nam có áp dụng SEM2 (Các bạn xem thêm trong phụ lục, tài liệu phát, các file đã gửi qua email… về nghiên cứu của thầy Nguyễn Đình Thọ, cô Mai Trang, cô Kim Dung, nghiên cứu của tôi, và nghiên cứu của các tác giả khác) mà một số bạn sinh viên đại học, học viên cao

1 Tối ngày mai, thứ hai (11/5/09), 4 bạn thuộc lớp chúng ta (Hoàng – NLK32, Phương – BĐSK32, Hải & Cần TĐG K32) sẽ là 1 đội đại diện cho trường ta tham gia vòng chung kết cuộc thi “Nhà kinh tế tương lai” do trường bạn – ĐH Ngoại Thương (CS2) tổ chức tại Nhà văn hoá thanh niên Tuy mảng quản trị kinh doanh không phải thế mạnh của các bạn SV khoa KTPT, nhưng tham gia cuộc thi này cũng là một môi trường để học tập, rèn luyện, thể hiện bản thân, và giao lưu! Chúc các bạn ấy may mắn, vui, và học tập được nhiều điều bổ ích!

2 Tôi đã có ý định huấn luyện thêm cho lớp về một số chủ đề khác nữa, nhưng những chủ đề này chỉ có một vài

học cũng đã áp dụng SEM trong nghiên cứu của họ Hai bạn sinh viên đại học Khoá 31 mà tôi có dịp hướng dẫn cũng đã sử dụng trong việc đo lường chất lượng dịch vụ khách sạn ở Nha Trang (khảo sát cả khách du lịch quốc tế và khách trong nước), các yếu tố tạo động lực làm việc cho công nhân ở các Khu công nghiệp tại TPHCM, Bình Dương Năm ngoái, một bạn sinh viên ở Trường ĐH Kinh tế - ĐH Đà Nẵng cũng đã sử dụng trong đề tài NCKH sinh viên của bạn, và tôi biết nhiều bạn sinh viên khác cũng đã làm, sẽ làm…

AMOS được viết tắt từ Analysis of MOment Structures (Phân tích cấu trúc mô

măng) Phần mềm này dùng để thực hiện một phương pháp chung trong phân tích dữ liệu là Structural Equation Modeling (SEM_ mô hình cấu trúc tuyến tính) SEM cũng có những tên gọi khác như Analysis of Covariance Structures (Phân tích cấu trúc hiệp phương sai), hay Causal Modeling (mô hình nhân quả) Trên đường lên tham quan bức tượng Chúa giang tay ở thành phố biển Vũng Tàu (Mũi Nghinh Phong), bạn sẽ thấy một hình ảnh của vị thánh cũng có tên là AMOS!

Bạn hãy xem qua một ví dụ về CFA Pont & Quilken (2002) đã khảo sát 348 khách

hàng ở các ngân hàng và sử dụng phân tích nhân tố khẳng định (viết tắt là CFA, Xem Hình

1.1 – cái sơ đồ “lằng nhằng” với mấy cái móc hai đầu ở trên) để kiểm định thang đo chất lượng dịch vụ ngân hàng (BANKSERV) do Avkiran đề xuất năm 1994 ở nước Úc (kế thừa 17 item đo lường chất lượng dịch vụ ngân hàng của Avkiran1) Trong phân tích nhân tố

khẳng định, Pont và Quilken đã chỉ ra rằng thang đo này hiện nay không phù hợp, vì

Chi-square=419.15; P=0.001 (<0.05), df = 113, CMIN/df=3.7 (>2), Các chỉ tiêu TLI=0.86, CFI=0.88, GFI=0.87 (đều <0.9)2

Tuy nhiên, Theo bạn vì sao kết quả lại như thế? Làm thế nào để tốt hơn?

(bạn hãy đọc kỹ lại nghiên cứu của Pont và Quilken trong file đã gửi vào email chung!) Bạn có thấy rằng: năm 2002, Pont & Quilken (có lẽ 2 bạn này đang là học viên sau đại học) áp dụng y nguyên thang đo BANKSERV do Avkiran đề xuất từ năm 1994 mà không

có sự điều chỉnh nào cả? Pont không bổ sung biến quan sát nào, không hiệu chỉnh gì, không EFA lại … Không cần làm nghiên cứu này cũng biết là áp dụng y nguyên thì nó sẽ không còn phù hợp, bởi qua thời gian mọi điều đã thay đổi Trong CFA, bạn cũng có thể có cách hiệu chỉnh mô hình, cải thiện mức độ phù hợp với thị trường bằng cách thêm các tương quan giữa sai số … Trong CFA ta còn quan tâm đến nhiều điều khác nữa!

Hình 1.1

Các biến trong sơ đồ trên được giải thích như sau:

Trong chủ đề này, người ta không chỉ nghĩ đến việc kiểm định mô hình đo lường

thông qua CFA, mà điều quan tâm hơn nữa là xây dựng, kiểm định mô hình nghiên cứu1

thông qua mô hình nhân quả, hay thường gọi là mô hình cấu trúc (SEM)

Chị Mai Thuỳ Ninh (sinh viên đại học ngành kế hoạch đầu tư Khoá 31 mà tôi may

mắn có dịp hướng dẫn) đang làm đề tài tốt nghiệp về đánh giá mức độ thoả mãn của khách du lịch đối với chất lượng dịch vụ khách sạn tại thành phố Nha Trang Ninh đã phát triển thang đo chất lượng dịch vụ khách sạn (Qualification of Hotel Service) của Saleh and Ryan (1990) và thang đo chất lượng dịch vụ du lịch của Kanampully (2001) với một số thành phần mới như vị trí, thông tin, và quan tâm đến yếu tố giá cả Khảo sát 107 khách du lịch quốc tế và 73 khách nội địa, sau khi EFA, Ninh đã làm CFA và đạt yêu cầu, sau đó thực hiện mô hình cấu trúc để xem xét ảnh hưởng của chất lượng, vị trí, giá cả …đến sự thoả mãn và lòng trung thành thì một kết quả ban đầu như Hình 1.2:

Bạn nhận xét sơ bộ gì về mức độ phù hợp của mô hình? Có cách nào để cải thiện mô hình được tốt hơn?

- Bạn sẽ nhận định rằng mô hình này chưa tốt, chưa phù hợp phải không? Đúng thế!

- Có nhiều cách thức để hiệu chỉnh mô hình Ví dụ như: thêm vào các hệ số tương quan giữa

các sai số; điều chỉnh mối quan hệ giữa các khái niệm; bỏ bớt một số biến quan sát, một số khái niệm trong mô hình nghiên cứu không đạt yêu cầu; thực hiện lại các phân tích trước đó - EFA …

- Còn cách nào khác nữa không? Khi tôi đang viết bài giảng này, các em có biết chị Ninh đang làm gì không? Mặc dù chuyên đề tốt nghiệp đã xong, chị cũng đang chuẩn bị để bảo vệ,

và tham gia đề tài NCKH sinh viên, mô hình đã tạm được (Không phải là mô hình như Hình 1.2), nhưng chị đang trên chuyến tàu về Nha Trang để khảo sát thêm khoảng 100 khách quốc

tế, 100 khách nội địa nữa tại các khách sạn, phòng chờ ở sân bay, một số khu du lịch và chú trọng hơn chất lượng của cuộc phỏng vấn… ngoài ra, chị cũng chú trọng thêm về khảo sát định tính Tôi nghĩ, có lẽ chị ấy muốn khám phá, và khẳng định một điều gì đó, muốn đóng góp một điều gì đó có ý nghĩa, muốn nghiên cứu này không chỉ bỏ vào trong thư viện để các

khoá sau tham khảo, hay chỉ đăng trên các tạp chí hàn lâm!

1 Mô hình thể hiện các quan hệ tương quan, và quan hệ nhân quả giữa các khái niệm Nó thường được biểu diễn bởi sơ đồ, phương trình

Hình 1.2

chi-square= 2406.583 ; df= 534 ; p= 000 ;chi-square/df= 4.507 ;cfi= 811 ; tli= 790 ;rmsea= 140

trung thanh

Sau khi học xong chủ đề này, bạn sẽ không chỉ có những hiểu biết căn bản về mô hình cấu trúc, những thao tác trên AMOS, mà còn giúp bạn biết cách xây dựng, hiệu chỉnh, hoàn chỉnh mô hình Và bạn có đủ kiến thức nền tảng để có thể dễ dàng hiểu được các nghiên cứu (có áp dụng SEM) mà các tác giả trong và ngoài nước đã làm! Điều này giúp bạn đi nhanh, và xa hơn trong tiếp cận những tri thức mới, và tạo ra tri thức mới trong khoa học

Trong gần 100 em đang học ở đây, đề tài của nhóm em nào có thể áp dụng CFA, SEM?

Dĩ nhiên, sẽ có nhiều em có thể làm được, và nhiều đề tài có thể sử dụng SEM, bởi các em học lớp này là để làm tốt hơn các nghiên cứu mà các em đang làm, để đóng góp một điều gì đó có ý nghĩa cho xã hội ngay trong khoảng thời gian ở giảng đường đại học, và chuẩn bị hành trang cho công việc/học tập sau khi tốt nghiệp đại học! Ví dụ những đề tài của một số nhóm: chất lượng dịch vụ bệnh viện, ký túc xá, máy bán hàng tự động, dịch vụ vận tải hành khách của tàu Thống Nhất, dịch vụ giáo dục; động lực làm việc của nhân viên trong khu vực công, yếu tố ảnh hưởng đến kết quả làm việc của nhân viên, xu hướng mua, hành vi của nhà đầu tư trên thị trường chứng khoán, văn hoá tổ chức, phong cách lãnh đạo …1

Một số nhóm sử dụng kinh tế lượng với dữ liệu bảng (như đề tài các yếu tố ảnh ưởng đến FDI vào các quốc gia đang phát triển), hay đề tài áp dụng kỹ thuật kinh tế lượng truyền thống (ước lượng TFP, các yếu tố tác động đến thu nhập của lao động trẻ ở Việt Nam…), kỹ thuật dự báo với ARIMA, SARIMA, VAR, ARCH-GARCH (dự báo giá vàng, khách du lịch, FDI trong bối cảnh khủng hoảng… kiểm định tính hiệu quả của thị trường chứng khoán, thị trường vàng …) hay chỉ áp dụng thống kê mô tả… cũng đừng lo lắng, và hãy tiếp tục hoàn thiện nghiên cứu theo hướng đó! Phương pháp nghiên cứu nào, phương pháp phân tích dữ liệu nào…tất cả chỉ là cách thức, công cụ để các em đạt được mục tiêu nghiên cứu! Vấn đề quan trọng là lựa chọn phương pháp phù hợp để đạt được mục tiêu mà thôi!

Thời gian gần đây, trong một buổi huấn luyện về phân tích dữ liệu với SPSS cho các bạn SV nghiên cứu khoa học của Khoa Thương Mại – Du Lịch – Marketing do Đoàn Khoa bên ấy tổ chức, một nhóm bạn sinh viên có trao đổi với tôi về nghiên cứu sự thoả mãn của khách hàng đi xe bus với mô hình Kano (sử dụng EFA, và thống kê mô tả) Hay một số bạn sinh viên ở các Khoa trong trường chúng ta tham gia khoá huấn luyện về phân tích dữ liệu nghiên cứu với SPSS do Đoàn Trường tổ chức cũng trao đổi về những nghiên cứu: Các yếu tố ảnh hưởng đến tình hình phá sản (anh Bảo - Khoa TCDN, áp dụng phân tích phân biệt), các yếu tố ảnh hưởng đến xác suất rơi vào tình hình nợ xấu của các doanh nghiệp (anh Thành – Khoa TCDN, áp dụng Logit), đề tài về ngân hàng điện tử (EFA, Hồi quy), Marketing địa phương (anh Chinh – Khoa KTPT, áp dụng Thống kê mô tả, nghiên cứu định tính), định vị thương hiệu Vĩnh Tiến (chị Phương Linh, khoa KTPT, áp dụng EFA, Hồi quy, MDS) … Rất nhiều bạn bè (Khoá 32), các anh chị sinh viên (Khoá 31) trong trường cũng đang làm các nghiên cứu như các em!

Một gợi ý nghiên cứu dành cho các bạn sinh viên kế hoạch đầu tư, bất động sản, thẩm định giá…?

Hãy xem qua bài viết “Investment Management and personality type” của Mayfield,

Perdue, Wooten vừa đăng trên tạp chí Financial Service Review, số 17 năm 2008 (đã được gửi qua email) Hình 1.3 thể hiện một mô hình mà các tác giả đã làm ở Hoa Kỳ Các bạn thử

nghiên cứu vấn đề này ở Việt Nam! Một một ngân hàng có mở sàn giao dịch vàng cũng đặt hàng tôi nghiên cứu hành vi của các nhà đâu tư trên thị trường vàng ở Việt Nam, các bạn thử xem xem liệu rằng nghiên cứu của Mayfield & ctg (2008) này có hỗ trợ gì không?

1 Chúng ta còn nhớ vào giữa tháng 6/2009, Đoàn Khoa KTPT sẽ tổ chức hội thảo khoa học về “Các vấn đề Kinh tế Xã hội của Việt Nam và thế giới qua phân tích định lượng”, mà người báo cáo, người tham dự chính là các em, và một số bạn sinh viên NCKH của khoa bạn, trường bạn, và một số anh chị Khoá 31

Hình 1.3

Mô hình trên có Chi-square=183.63, df=141, P=0.009; GFI=0.91, CFI=0.95

Trong mô hình những yếu tố ảnh hưởng đến ý định đầu tư ngắn hạn trên (bên cạnh đó, các tác giả cũng nghiên cứu mô hình đối với ý định đầu tư dài hạn), một số biến quan sát để đo lường các khái niệm được trình bày ở trang 13

Trong bài học này, cĩ 1 ví dụ xuyên suốt; chúng ta sẽ sử dụng dữ liệu mà chị Nguyễn Thị Mỹ Thuận1 khảo sát để phục vụ cho đề tài NCKH sinh viên của chị để làm ví dụ phân tích Đề tài của chị Thuận sử dụng các cơng cụ phân tích EFA, Cronbach’s Alpha, Regression (các chủ đề này các bạn đều đã được học trong mơn phân tích dữ liệu và dự báo) Và bây giờ, các bạn hãy thử phát triển thêm bằng cách sử dụng CFA, SEM xem thế nào! Tình huống đơn giản và gần gũi này sẽ giúp bạn dễ hiểu hơn về CFA, SEM – với các thao tác chính trên AMOS Những tình huống với các mơ hình rất phức tạp khác mà bạn sẽ tìm hiểu, sẽ làm được sau này cũng tương tự như thế thơi!

2 PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (Nhắc lại sơ lược vì đã học)

Bảng câu hỏi của chị Thuận (xem phụ lục) dựa trên nghiên cứu của Dung (2005) đã

hiệu chỉnh cho Việt Nam Từ nghiên cứu định tính, chị Thuận đã hiệu chỉnh một số biến quan sát (Item), bỏ đi một số Item khơng phù hợp với nhân viên trong lĩnh vực Tài chính-ngân hàng, bất động sản, cơng nghệ thơng tin (những ngành mũi nhọn của TPHCM) mà chị đang quan tâm…

Chị Thuận đã phải EFA lại, vì cấu trúc của thang đo trong tình huống của chị Thuận chưa chắc đã giống với nghiên cứu trước của Dung và Nam (2005), và dĩ nhiên cĩ thể càng khơng giống với kết quả nghiên cứu của Stanton và Crossley (2000) cũng như của Crossman và Bassem (2003) mà Dung đã kế thừa Chị Thuận với mục tiêu là sau EFA sẽ chạy Regression vì thế khi EFA cho thang đo JDI (Thoả mãn của nhân viên với cơng việc) chị cĩ thể sử dụng phương pháp Principal Components với phép xoay Varimax cũng được Cịn bạn, sau EFA bạn sẽ làm tiếp CFA và SEM nên rất quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra cĩ thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng

giữa các nhân tố Vì vậy bạn nên làm EFA với những đổi mới sau:

• Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax2• Quan tâm đến tiêu chuẩn3: |Factor Loading| lớn nhất của mỗi Item >=0.5

• Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi, 2003)

• Tổng phương sai trích >=50% (Gerbing & Anderson, 1988) • KMO>=0.5, Kiểm định Bartlett cĩ ý nghĩa thống kê (Sig<0.05)4

a Khái niệm sự thoả mãn của nhân viên với cơng việc

1 Chị Thuận là sinh viên khố 30 ngành kế hoạch đầu tư khoa KTPT (mà tơi hướng dẫn đề tài NCKH sinh viên), chị Thuận cũng là liên chi hội phĩ hội sinh viên của Khoa KTPT, đề tài của chị đạt giải khuyến khích cấp Bộ Hiện nay chị Thuận đã ra trường được 1 năm và đang làm việc tại ngân hàng ACB

2 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)

3Theo Hair & ctg (1998,111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance) Factor loading > 0.3 được xem là đạt được mức tối thiểu, Factor loading > 0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn Hair & ctg (1998,111) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của

Extraction Method: Principal Axis Factoring

Rotation Method: Promax with Kaiser Normalization

a Rotation converged in 7 iterations

Các con số trong bảng này gọi là các

Factor loading (hệ số tải nhân tố)

Env4 bị loại đầu tiên vì con số này nhỏ hơn 0.5, và “tệ” nhất

Lần lượt loại từng biến không đạt yêu cầu (biến nào “tệ” nhất bị loại trước):

Env4, env3, sup1, sup2, work4, cow4, env2, env1, pay3, pay1, pay2, Và ben1

Extraction Method: Principal Axis Factoring

Rotation Method: Promax with Kaiser Normalization a Rotation converged in 6 iterations

Các con số trong bảng này gọi là các

Factor loading (hệ số tải nhân tố)

Bạn có nhận xét gì từ kết quả EFA?

Có 6 nhân tố được rút ra

Nhân tố 1: gồm các biến quan sát sup3-sup7 Æ được đặt tên là “Lãnh đạo” Nhân tố 2: gồm prom1-prom4 Æ “Thăng tiến”

Nhân tố 3: gồm cow1-cow3 Æ “Đồng nghiệp” Nhân tố 4: gồm pay4, pay5, ben4 Æ “lương-thưởng” Nhân tố 5: gồm ben2, ben3 Æ “bảo hiểm”

Nhân tố 6: gồm work1-work4 Æ “bản chất công việc”

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings

Rotation Sums of Squared LoadingsaFactor Total % of Variance Cumulative % Total % of Variance Cumulative % Total

Extraction Method: Principal Axis Factoring

a When factors are correlated, sums of squared loadings cannot be added to obtain a total variance

Tổng phương sai trích/ hay tổng biến thiên được giải thích bởi các nhân tố

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy .847

Approx Chi-Square 2327.451

Bartlett's Test of Sphericity

Hai bảng trên cho bạn nhận xét gì?

- Tổng phương sai trích (hay tổng biến thiên được giải thích) bằng 65.35% (>50%) - KMO = 0.847 (>0.5) và kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05)

b Khái niệm lòng trung thành

Khái niệm lòng trung thành là 1 khái niệm đơn hướng (khi EFA, các biến quan sát rút thành 1 nhân tố), nên có thể thử sử dụng phương pháp trích Principal Component Analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn

Bạn có nhận xét gì nếu có kết quả từ EFA cho các biến quan sát thuộc khái niệm lòng trung thành như sau?

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy .701

Approx Chi-Square 188.787

Bartlett's Test of Sphericity

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Compo

nent Total % of Variance Cumulative % Total % of Variance Cumulative %

- Chỉ có 1 nhân tố được rút ra, nhân tố này cũng được đặt tên là “Trung thành”

- EFA cũng phù hợp vì Tổng phương sai trích bằng 71.53 (>50%), KMO = 0.701 (>0.5), Sig của kiểm định Bartlett=0.000 (<0.05)

Mô hình cấu trúc tuyến tính (SEM) bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), Mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô hình hồi quy tuyến tính bội (Multiple Linear Regression) Chúng ta sẽ tìm hiểu CFA, SEM

3 PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CFA)

Từ kết quả của EFA, giờ bạn thấy rằng ta cĩ 7 khái niệm chính sử dụng trong mơ hình nghiên cứu sau này Đĩ là

• “Lãnh đạo” được đo lường bởi các biến quan sát sup3-sup7 • “Thăng tiến” được đo lường bởi các biến quan sát prom1-prom4 • “Đồng nghiệp” được đo lường bởi các biến quan sát cow1-cow3

• “Lương-thưởng” được đo lường bởi các biến quan sát pay4, pay5, ben4 • “Bảo hiểm” được đo lường bởi các biến quan sát ben2, ben3

• “Bản chất cơng việc” được đo lường bởi các biến quan sát work1-work4 • “Lịng trung thành”: được đo lường bởi loy1, loy2, loy3

6 khái niệm đầu tiên là các khái niệm thành phần của khái niệm “Sự thoả mãn của nhân viên với cơng việc” Cấu trúc của thang đo “Sự thoả mãn nhân viên với cơng việc” gồm cĩ 6 khái niệm thành phần như trên, và các biến quan sát tương ứng cho từng khái niệm cũng đã được liệt kê như trên Các biến quan sát quan sát sup3-sup7; prom1-prom4; cow1-cow3; pay4,

pay5, ben4; ben2, ben3; work1-work4 tạo thành một thang đo để đo lường khái niệm “Sự

thoả mãn của nhân viên với cơng việc” Các biến quan sát loy1, loy2, loy3 tạo thành một

thang đo để đo lường khái niệm “lịng trung thành”

Những điều trên tạo thành một mơ hình đo lường các khái niệm sử dụng trong nghiên cứu của bạn Và bây giờ Chúng ta cần kiểm định xem Mơ hình đo lường này cĩ đạt được yêu cầu khơng? Các thang đo cĩ đạt được yêu cầu của một thang đo tốt khơng? Việc này chúng ta cần sử dụng đến phân tích nhân tố khẳng định (CFA)

Trong CFA ta cĩ thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất cả các khái niệm cĩ trong mơ hình (gọi là mơ hình tới hạn)

Về mặt lý thuyết, trong CFA, chúng ta chú ý đến một số vấn đề sau:

Để đo lường mức độ phù hợp của mô hình 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 so sánh (CFI_ Comparative Fit Index) Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation) Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05 Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường Thọ & Trang (2008) cho rằng Nếu mô hình nhận được các giá trị TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường Quy tắc này cũng được sử dụng để đánh giá mức độ phù hợp của mô hình cấu trúc ở mục 4

(1) Đánh giá độ tin cậy của thang đo thông qua: (a) Hệ số tin cậy tổng hợp (composite

reliability) và (b) Tổng phương sai trích được (variance extracted), (c) Hệ số Cronbach’s

Trong đó λi là trọng số chuẩn hoá của biến quan sát thứ i; 1-λi

là phương sai của sai số đo lường biến quan sát thứ i, p là số biến quan sát của thang đo

Chỉ tiêuρC,ρVC phải đạt yêu cầu từ 0.5 trở lên

Theo Hair (1998, 612):”phương sai trích (Variance Extracted) của mỗi khái niệm nên vượt quá 0.5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy Nó phản ánh lượng biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn

Schumacker & Lomax (2006, 178) cho rằng trong CFA, một vấn đề quan trọng cần phải quan tâm khác là độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); và như truyền thống, hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời

Trong kiểm định Cronbach’s Alpha, các biến quan sát có hệ số tương quan biến-tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0.6 trở lên (Nunnally & Burnstein, 1994) Tuy nhiên, cũng cần lưu ý rằng nếu Cronbach’s Apha quá cao (>0.95) thì có khả năng xuất hiện biến quan sát thừa (Redundant items) ở trong thang đo Biến quan sát thừa là biến đo lường một khái niệm hầu như trùng với biến đo lường khác, tương tự như trường hợp cộng tuyến (collinearity) trong hồi quy, khi đó biến thừa nên được loại bỏ

(2) Tính đơn hướng/ đơn nguyên (unidimensionality)

- Theo Steenkamp & Van Trijp (1991), 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

(3) Giá trị hội tụ (Convergent validity)

- Gerbring & Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hoá của thang đo đều cao (>0.5); và có ý nghĩa thống kê (P <0.05)

(4) Giá trị phân biệt (Discriminant validity)

- Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model) mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau) Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thế giữa các khái niệm có thực sự khác biệt so với 1 hay không Nếu nó thực sự khác biệt thì các thang đo đạt được giá trị phân biệt

Ví dụ: Một thang đo có 2 khái niệm spatial và verbal, số quan sát= 73

r SE=SQRT((1-r2)/(n-2)) (1-r)/SE P-value

Nếu T > t ,n 2

,α− thì bác bỏ Ho

(5) Giá trị liên hệ lý thuyết (Nomological validity)

- Các vấn đề từ 1 đến 4 được đánh giá thông qua mô hình đo lường Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson & Gerbing, 1988)

Khi các vấn đề trên thoả mãn thì mô hình đo lường là tốt Tuy nhiên, rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên! Ví dụ, mô hình đo lường vẫn có thể được sử dụng khi thang đo không đạt được tính đơn hướng…

Amos Graphics1

Về mặt thực hành, ta sử dụng phần mềm AMOS với cách thức

Khởi động AMOS? Start Program AMOS 16 Amos Graphics Ỉ Ỉ Ỉ

Cơng dụng của các nút?

Hình 3.1

Dùng để vẽ biến tiềm ẩn và các biến quan sát

Di chuyển đối tượng

Ngĩn tay: chọn 1 đối tượng Bàn tay dài: Chọn tất cả đối tượng Bàn tay ngắn: Khơng chọn nữa

Xố đối tượng

Máy phơ tơ: Copy đối tượng Xoay đối tượng

Dùng để vẽ yếu tố sai số Dùng để vẽ biến tiềm ẩn

Tạo file mới? File\New

Mở file dữ liệu? File\Data Files (Ctrl-D) Æ Chọn File Name Æ Chọn kiểu file và chỉ đến file cần mở Æ OK

Hình 3.2

Hiển thị danh sách biến?

Chọn nút sau Hình 3.3

Khi đó bạn sẽ thấy một hộp thoại nhỏ xuất hiện, liệt kê các biến có trong dữ liệu Hình 3.4

Vẽ các biến tiêm ẩn, các biến quan sát tương ứng?

Bước 2 Rê đến vị trí tương ứng để vẽ ra 1 vòng tròn, nhấp chuột 5 trái năm cái, bạn sẽ có đối tượng như Hình 3.6

Hình 3.6

tượng sao cho như Hình 3.7

tượng sao cho đẹp

kích cỡ của đối tượng sao cho đẹp

Hình 3.7

Copy đối tượng?

Hiện nay chỉ có một Biến tiềm ẩn với 5 biến quan sát như Hình 3.7 Đầu tiên bạn sẽ chọn đối tượng cần Copy bằng cách nhấp nút bàn tay dài, rồi nhấp cái máy Photocopy, sau đó rê chuột đến vị trí cần dán đối tượng được copy Bạn sẽ có Hình như Hình 3.8

Hình 3.8

Bước 2 Chọn máy

Photocopy để copy, sau đó rê chuột đến vị trí mới bạn sẽ có thêm một đối tượng nữa

Bước 1 Chọn nút này để đánh dấu đối tượng cần Copy

Đt mới

Bây giờ bạn đã Copy xong rồi, thì hãy nhấp nút bàn tay ngắn, để không chọn gì nữa

Tuy nhiên đối tượng mới của bạn chỉ cần có 4 biến quan sát thôi Do đó bạn cần xoá đi 1 biến quan sát

Xoá 1 cái gì đó?

Chọn nút sau đó di chuyển chột đến đối tượng cần xoá, nhấp chuột vào đối tượng đó Bạn hãy kết hợp các nút và tạo ra sơ đồ như Hình 3.9:

Hình 3.9

Vẽ các các mũi tên 2 đầu? (Thể hiện cho hiệp phương sai/ hệ số tương quan)

Hình 3.10

Bạn hãy tự vẽ ra tiếp để được như Hình 3.11 nhé

Hình 3.11

1

Sau khi đã gắp các biến quan sát vào các hình chữ nhật tương ứng Bạn sẽ được sơ đồ như Hình 3.13

Bây giờ, bạn nên gán tên cho các biến tiềm ẩn (Hình elip) bằng cách

Hãy làm tương tự trong việc đặt tên cho các sai số: e1, e2 (Hình 3.15)

Và bây giờ bạn đã vẽ song Sơ đồ như Hình 3.16

Hình 3.13

Hình 3.14

Hình 3.15

Hình 3.16

lanh dao

dong nghiepcow3

luong thuongben4

bao hiemben3

cong viecwork3

trung thanhloy2

1

Thể hiện một số chỉ tiêu lên màn hình?

Nếu bạn muốn thể hiện một số chỉ tiêu lên màn hình sơ đồ đường dẫn, hãy chọn nút Title , nhâp chuột tại 1 vị trí muốn thể hiện, gõ các Macro sau

Hình 3.17

Khi đó trên sơ đồ sẽ có các dòng tương ứng (Hình 3.18) Hình 3.18

Khai báo các thuộc tính cần tính toán?

Từ thanh Menu chọn View\Analysis Properties

Hình 3.19

Sau đó đánh dấu chọn như Hình 3.20, Hình 3.21

Hình 3.20

Hình 3.21

Chuyển đổi cách thể hiện dạng không chuẩn hoá/ chuẩn hoá

Kết quả dạng sơ đồ chưa chuẩn hoá

Hình 3.23

1.48lanh dao

1.43thang tien

1.23dong nghiepcow3

1.34luong thuongben4

2.40bao hiemben3

1.59cong viecwork3

1.62trung thanh

Chi-square= 403.140 ; df= 209 ; P= 000 ;Chi-square/df = 1.929 ;GFI= 858 ; TLI = 909 ; CFI = 925 ;RMSEA= 068

Kết quả dạng sơ đồ đã chuẩn hoá

Hình 3.24

lanh dao.58

thang tien.60

dong nghiep.63

luong thuong.43

bao hiem.86

cong viec.63

trung thanh.58

Chi-square= 403.140 ; df= 209 ; P= 000 ;Chi-square/df = 1.929 ;GFI= 858 ; TLI = 909 ; CFI = 925 ;RMSEA= 068

Kết quả dạng các bảng số liệu

Chọn nút , cửa số Amos Output sẽ xuất hiện Hình 3.25

Nhấp vào các mục tương ứng bên trái của cửa số Output, bạn sẽ xem các kết quả khác nhau:

Regression Weights: (Group number 1 - Default model) – Bảng các trọng số chưa chuẩn hoá

sup7 < - lanhdao 1.000

sup6 < - lanhdao 895 085 10.533 *** sup5 < - lanhdao 919 082 11.273 *** sup4 < - lanhdao 654 076 8.637 *** sup3 < - lanhdao 917 082 11.192 *** prom4 < - thangtien 1.000

prom3 < - thangtien 826 093 8.890 *** prom2 < - thangtien 1.030 091 11.360 *** prom1 < - thangtien 1.075 100 10.735 *** cow1 < - dongnghiep 1.037 087 11.968 *** cow3 < - dongnghiep 1.000

cow2 < - dongnghiep 974 084 11.619 ***

work3 < - congviec 1.000

work2 < - congviec 952 086 11.012 *** ben3 < - baohiem 1.000

ben2 < - baohiem 1.096 101 10.804 *** loy1 < - trungthanh 999 093 10.774 *** loy3 < - trungthanh 1.000

loy2 < - trungthanh 985 106 9.338 ***

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

sup7 < - lanhdao 762sup6 < - lanhdao 750sup5 < - lanhdao 799sup4 < - lanhdao 625sup3 < - lanhdao 793prom4 < - thangtien 776prom3 < - thangtien 643prom2 < - thangtien 808prom1 < - thangtien 764cow1 < - dongnghiep 846cow3 < - dongnghiep 795cow2 < - dongnghiep 811pay4 < - luong_thuong 830ben4 < - luong_thuong 656pay5 < - luong_thuong 843work1 < - congviec 740work3 < - congviec 793work2 < - congviec 805ben3 < - baohiem 925ben2 < - baohiem 992loy1 < - trungthanh 812loy3 < - trungthanh 764loy2 < - trungthanh 695

Các trọng số (đã chuẩn hoá) này cần > 0.5 để thang đo có thể đạt được giá trị hội tụ Trường hợp biến quan sát nào có trọng số <0.5 thì bạn lần lượt loại ra

Covariances: (Group number 1 - Default model) Hiệp phương sai

lanhdao < > thangtien 961 158 6.070 *** lanhdao < > dongnghiep 646 130 4.974 *** lanhdao < > luong_thuong 671 143 4.686 *** lanhdao < > baohiem 519 158 3.287 001 lanhdao < > congviec 875 158 5.542 ***

lanhdao < > trungthanh 970 168 5.791 *** thangtien < > dongnghiep 602 127 4.745 *** thangtien < > luong_thuong 707 145 4.873 *** thangtien < > baohiem 389 152 2.561 010 thangtien < > congviec 1.017 166 6.136 *** thangtien < > trungthanh 1.002 168 5.948 *** dongnghiep < > luong_thuong 408 118 3.466 *** dongnghiep < > baohiem 408 141 2.886 004 dongnghiep < > congviec 729 139 5.237 *** dongnghiep < > trungthanh 618 136 4.536 *** luong_thuong < > baohiem 470 154 3.058 002 luong_thuong < > congviec 621 145 4.287 *** luong_thuong < > trungthanh 1.029 179 5.735 *** congviec < > baohiem 454 163 2.784 005 baohiem < > trungthanh 338 162 2.085 037 congviec < > trungthanh 941 170 5.528 ***

Correlations: (Group number 1 - Default model) Hệ số tương quan

lanhdao < > thangtien 661lanhdao < > dongnghiep 480lanhdao < > luong_thuong 478lanhdao < > baohiem 276lanhdao < > congviec 572lanhdao < > trungthanh 628thangtien < > dongnghiep 454thangtien < > luong_thuong 511thangtien < > baohiem 210thangtien < > congviec 675thangtien < > trungthanh 658dongnghiep < > luong_thuong 318dongnghiep < > baohiem 238dongnghiep < > congviec 523dongnghiep < > trungthanh 439luong_thuong < > baohiem 262luong_thuong < > congviec 426luong_thuong < > trungthanh 699congviec < > baohiem 233baohiem < > trungthanh 171