Sau khi phân tích nhân tốkhám phá đểxác định các thành phần nhân tố chung. Từ kết quả này, các biến quan sát lại được đưa vào công cụ phân tích CFA để kiểm
định riêng biệt từng thang đo phù hợp với số liệu nghiên cứu đại diện cho thị trường trong mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling). Việc điểm
định phù hợp với số liệu thịtrường cần thông qua một số tiêu chí sau: U
Đánh giá mức độ thích hợp của mô hình (Assesing Fit of the Model):
Giá trị hàm thích hợp gần đến 0 được mong đợi cho độ thích hợp mô hình. Tuy nhiên, nếu tỷ số giữa chi bình phương trên bậc tự do nhỏ hơn 3, mô hình là thích hợp tốt (Ullman 1996). Để có độ tin cậy trong kiểm định độ thích hợp mô hình, kích thước
Xác định vấn đề Lập ma trận tương quan
Xác định số nhân tố Giải thích nhân tố
Tính điểm nhân tố Chọn nhân tố thay thế
Xác định mô hình phù hợp
mẫu từ 100 đến 200 được yêu cầu (Hoyle 1995). Hoyle (1995) đề cập đến điều này
như “các chỉ số thích hợp phụ thuộc (adjunct fit indices). Một cách căn bản, những
phương pháp này so sánh độ thích hợp của một mô hình độc lập (một mô hình khẳng
định không có quan hệ giữa các biến) để thích hợp mô hình được ước lượng. Kết quả
của việc so sánh này thì thường là một số giữa 0 và 1, với 0.90 hoặc lớn hơn được chấp nhận như là các giá trị chỉ ra độ thích hợp. CảHoyle và Ullman đề nghị sử dụng nhiều chỉ sốkhi xác định các độ thích hợp mô hình.
39T UHiệu chỉnh mô hình (Model Modification):
Nếu ma trận phương sai/hiệp phương sai được ước lượng bằng mô hình không
mô phỏng một cách thích hợp ma trận phương sai/hiệp phương sai mẫu, các giả thuyết có thể được hiệu chỉnh và mô hình được kiểm định lại. Để điều chỉnh 1 mô hình, các đường dẫn mới được vẽ thêm hay các đường dẫn cũ được bỏ đi. Nói cách khác, các tham số được thay đổi từ cố định tới tự do hoặc từ tự do đến cố định. Điều quan trọng để nhớ là khi trong các thủ tục thống kê khác, là việc hiệu chỉnh mô hình sau việc kiểm định lần đầu làm gia tăng cơ hội của vấp phải sai lầm loại I. Các thủ tục thông thường được sử dụng cho việc hiệu chỉnh mô hình là Lagrange Multiplier Index (LMI)
và Kiểm định Wald. Cả hai loại kiểm định này báo cáo các thay đổi trong giá trị χP 2
P
khi các đường dẫn được điều chỉnh. LMI yêu cầu dù có hay không việc gia tăng các tham số tự do gia tăng sự thích hợp của mô hình. Kiểm định Wald yêu cầu có hay không việc xóa bỏ các tham số tự do gia tăng sự thích hợp mô hình. Để điều chỉnh tỷ lệ sai lầm loại 1 gia tăng, Ullman (1996) yêu cầu sử dụng một giá trị xác suất thấp (p<0.01) khi tăng thêm hay bỏ các tham số. Ullman cũng yêu cầu so sánh giá trị chéo
(cross-validation) với các mẫu khác. Vì trật tự của các tham số tự do có thể ảnh hưởng đến việc lựa chọn của các tham số khác, LM nên được áp dụng trước kiểm định Wald, nghĩa là, cộng thêm vào tất cả các tham số trước khi bắt đầu xóa chúng (MacCullum
1986, đã trích dẫn của Ullman 1996).
Như vậy, phân tích nhân tố khẳng định CFA sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Phân tích CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý
thuyết có trước làm nền tảng cho một tập hợp các quan sát không. CFA cũng là một dạng của SEM. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở.