Sau khi phân tích nhân tố khám phá để xác 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 sốliệu nghiên cứu đại diện cho thị trường trong mô hình cấu trúc tuyến tính SEM. Việc điểm định phù hợp với số
liệu thị trường cần thông qua một sốtiêu chí sau:
a. Đánh giá mức độthích 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 mẫu từ 100 đến 200 được yêu cầu (Hoyle 1995). Hoyle (1995) đề
cập đến điều này như “các chỉsốthích hợp phụthuộc (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 quảcủa việc so sánh này thì thường là một sốgiữa 0 và 1, với 0.90 hoặc lớn hơn được chấp nhận như là các giá trị chỉ ra độthích hợp. CảHoyle
b. Hiệu 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 hìnhđược kiểm định lại. Để điều chỉnh 1 mô
hình, cácđường 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 (LM) và Kiểm định Wald. Cả hai loại kiểm định này báo cáo các thay đổi
trong giá trị 2 khi các đường dẫn được điều chỉnh. LM 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.