Mục tiêu trong việc xây dựng 1 biểu đồ xu hướng (path diagram) hay mơ
hình phương trình cấu trúc, là tìm một mơ hình đủ thích hợp với dữ liệu (S)
để phục vụ như là 1 đại diện cĩ ích của độ tin cậy và giải thích chi tiết dữ liệu.
Cĩ 5 bước trong kiến trúc SEM:
1. Chỉ định mơ hình (Model Specification) 2. Nhận dạng mơ hình (Model Identification) 3. Ước lượng mơ hình (Model Estimation)
4. Đánh giá độ thích hợp của mơ hình (Assesing Fit of the Model) 5. Hiệu chỉnh mơ hình (Model Modification)
III.1. Chỉ định mơ hình (Model Specification)
Là việc chính thức bắt đầu một mơ hình. Trong bước này, các tham số được
xác định là cố định hay tự do. Tham số cố định (fixed parameters) khơng
được ước lượng từ dữ liệu và được gán một cách tiêu biểu bằng 0 (chỉ ra khơng cĩ quan hệ giữa các biến). Các đường dẫn của các tham số cố định được gắn nhãn số (trừ khi được gán giá trị là 0, trong trường hợp này khơng
Khảo sát một số yếu tố - Năm 2004 - tác động vào sự sẵn sàng của thương mại điện tử
cĩ đường dẫn nào được vẽ) trong biểu đồ SEM. Tham số tự do (Free
parameters) được ước lượng từ dữ liệu quan sát và được người điều tra tin
rằng nĩ khác 0. Việc xác định tham số nào là cố định hay tự do trong SEM là rất quan trọng vì nĩ xác định tham số nào sẽ được sử dụng để so sánh biểu đồ giả thuyết với ma trận hiệp phương sai và phương sai tổng thể mẫu trong việc kiểm tra tính thích hợp của mơ hình (bước 4). Việc chọn tham số nào là cố định và tham số nào là tự do tùy thuộc vào người nghiên cứu. Sự lựa chọn này trình bày một giả thuyết tiền đề về đường xu hướng trong hệ thống là quan trọng trong thế hệ của cấu trúc liên quan của hệ thống được
quan sát (ví dụ, phương sai mẫu được quan sát và ma trận hiệp phương sai).
III.2. Nhận dạng mơ hình (Model Identification)
Việc nhận dạng quan tâm đến việc cĩ hay khơng giá trị duy nhất cho mỗi và mọi tham số tự do cĩ thể thu thập được từ dữ liệu quan sát. Nĩ phụ thuộc vào việc lựa chọn mơ hình và đặc tính kỹ thuật của các tham số cố định, ràng buộc và tự do. Một tham số bị ràng buộc khi nĩ trong một tập hợp với các tham số khác. Các mơ hình cần phải được nhận dạng hồn chỉnh để cĩ thể ước lượng được (bước 3) và để kiểm định giả thuyết về quan hệ giữa các biến.
Cĩ các dạng mơ hình cĩ cấu trúc là just-identified, overidentified, hay
underidentified.
- just-identified model: trong đĩ tương ứng 1-1 giữa data và các tham số
cấu trúc. Nghĩa là, số phương sai dữ liệu và số hiệp phương sai bằng với số tham số được ước lượng. Tuy nhiên, mặc dầu khả năng của mơ hình là
đạt được một giải pháp duy nhất cho tất cả các tham số, just-identified
model khơng cĩ sự quan tâm của khoa học gia vì bởi nĩ khơng cĩ độ tự
do và do đĩ khơng thể bị loại bỏ.
- Overidentified model: là mơ hình trong đĩ số tham số cĩ thể ước lượng
được thì nhỏ hơn số điểm dữ liệu (data points) (nghĩa là, phương sai, hiệp
tương quan của các biến quan sát được). Tình trạng này tạo kết quả ra độ tự do dương cho phép loại bỏ mơ hình, do đĩ được sử dụng một cách khoa học hơn. Mục đích của SEM là chỉ ra một mơ hình như vậy đáp ứng các
tiêu chuẩn của overidentification.
- Underidentified model: là mơ hình trong đĩ số tham số được ước lượng
vượt quá số phương sai và hiệp tương quan. Như vậy, mơ hình bao gồm thơng tin khơng ý nghĩa (từ dữ liệu đầu vào) cho việc đạt được 1 giải
Khảo sát một số yếu tố - Năm 2004 - tác động vào sự sẵn sàng của thương mại điện tử (adsbygoogle = window.adsbygoogle || []).push({});
pháp xác định về ước lượng tham số; nghĩa là, vơ số các giải pháp là khả dĩ cho 1 underidentified model.
III.3. Ước luợng mơ hình (Model Estimation)
Trong bước này, các giá trị khởi đầu của tham số tự do được chọn để sinh ra 1 ma trận hiệp tương quan tổng thể được ước lượng (estimated population covariance matrix), (), từ mơ hình. Các giá trị khởi đầu cĩ thể được chọn bởi người nghiên cứu từ thơng tin ban đầu, bởi các chương trình máy tính được sử dụng để xây dựng SEM, hay từ phân tích hồi quy đa biến. Mục tiêu của ước lượng là để sinh ra một () hội tụ trên ma trận hiệp tương quan
tổng thể quan sát được, S, với ma trận phần dư (residual matrix) (khác biệt
giữa () và S) trở nên tối thiểu. Nhiều phương pháp cĩ thể được sử dụng
để sinh ra (). Việc chọn các phương pháp được hướng dẫn bằng đặc tính của data bao gồm kích thước và phân phối mẫu. Hầu hết các tiến trình được sử dụng là lặp. Hình thức tổng quát của hàm tối thiểu là:
Q = (s - ())’W(s - ())
Trong đĩ:
s = vector bao gồm phương sai và hiệp phương sai của các biến quan sát được.
() = vector bao gồm các phương sai corresponding và hiệp phương
sai như được dự đốn bởi mơ hình. W = ma trận trọng số
(một vài tác giả xem Q như là F)
Ma trận trọng số, W, trong hàm trên, phù hợp với phương pháp ước lượng được chọn. W được chọn để tối thiểu Q, và Q(N-1) cho việc thích hợp hàm, trong hầu hết các trường hợp một thống kê phân phối X2. Kết quả thực hiện của X2 bị ảnh hưởng bởi kích thước mẫu, sai số phân phối, nhân tố phân phối, và giả thiết rằng các nhân tố và sai số là độc lập (Ullman 1996). Một vài phương pháp ước luợng được sử dụng thơng dụng nhất là:
Generalized Least squares (GLS)
FGLS = ½ tr[([S - ()]W-1)2]
Trong đĩ:
tr = tốn tử theo dõi (trace operator), cộng các yếu tố trên đường chéo
chính của ma trận
W-1 = ma trận trọng số tối ưu, phải được chọn bởi nhà nghiên cứu
(chọn lựa thơng thường nhất là S-1)
Khảo sát một số yếu tố - Năm 2004 - tác động vào sự sẵn sàng của thương mại điện tử
FML = log|| - log|S| + tr(S-1) - p
Trong trường hợp này, W = S-1và p = số lượng biến được đo lường
Asymptotically Distribution Free (ADF) Estimator (Hàm ước lượng tự do phân phối tiệm cận)
FADF = [S - ()]’W-1[S - ()]
W, trong hàm này, bao gồm các yếu tố xem xét trong kurtosis.
Ullman (1996) và Hoyle (1995) thảo luận về các thuận lợi và giới hạn của các hàm ước lượng trên đây.
ML và GLS hữu ích cho dữ liệu phân phối chuẩn khi các nhân tố và sai số là độc lập, ADF hữu ích cho các dữ liệu khơng phân phối chuẩn, nhưng chỉ cĩ giá trị khi kích thước mẫu lớn hơn 2.500. Ullman chỉ ra hàm ước lượng tốt nhất cho dữ liệu khơng phân phối chuẩn và/hoặc phụ thuộc giữa các nhân tố và sai số là Scaled ML. Bất kể hàm nào được chọn, kết quả mong đợi của tiến trình ước lượng là đạt được một hàm thích hợp gần đến 0. Một hàm thích hợp với số điểm là 0 chỉ ra rằng ma trận hiệp phương sai được ước lượng của mơ hình và ma trận hiệp phương sai mẫu nguyên thủy là tương đương.
III.4. Đánh giá độ thích hợp của mơ hình (Assesing Fit of the Model)
Như đã phân tích, giá trị hàm thích hợp gần đến 0 được mong đợi cho độ (adsbygoogle = window.adsbygoogle || []).push({});
thích hợp mơ hình. Tuy nhiên, nĩi chung, nếu tỷ số giữa X2 và bậc tự do nhỏ
hơn 3, mơ hình là thích hợp tốt (Ullman 1996).
Để cĩ độ tin cậy trong kiểm định độ thích hợp mơ hình, kích thước mẫu từ 100 đến 200 được yêu cầu (Hoyle 1995).
Ullman (1996) thảo luận sự đa dạng của các hàm thích hợp phân phối
khơng-X2, mà ơng ta gọi là “các chỉ số thích hợp so sánh (comparative fit indices.)” 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 mơ hình độc lập (một mơ hình khẳng định khơng cĩ quan hệ giữa các biến) để thích hợp mơ 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. Cả Hoyle và Ullman đề nghị sử dụng nhiều chỉ số khi xác định các độ thích hợp mơ hình.
Khảo sát một số yếu tố - Năm 2004 - tác động vào sự sẵn sàng của thương mại điện tử
III.5. Hiệu chỉnh mơ hình (Model Modification)
Nếu ma trận phương sai/hiệp phương sai được ước lượng bằng mơ hình khơng mơ phỏng một cách thích hợp ma trận phương sai/hiệp phương sai mẫu, các giả thuyết cĩ thể được hiệu chỉnh và mơ hình được kiểm định lại. Để điều chỉnh 1 mơ hình, các đường dẫn mới được vẽ thêm hay các đường dẫn cũ được bỏ đi. Nĩi 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 mơ hình sau việc kiểm định lần đầu làm gia tăng cơ hội của vấp phải sai lầm loại I.
Các thủ tục thơng thường được sử dụng cho việc hiệu chỉnh mơ hình là
Lagrange Multiplier Index (LM) và Kiểm định Wald. Cả hai loại kiểm
định này báo cáo các thay đổi trong giá trị X2 khi các đường dẫn được điều chỉnh.
LM yêu cầu dù cĩ hay khơng việc gia tăng các tham số tự do gia tăng sự thích hợp của mơ hình. Kiểm định Wald yêu cầu cĩ hay khơng việc xĩa bỏ các tham số tự do gia tăng sự thích hợp mơ 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 cĩ 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 xĩa chúng) (MacCullum
1986, đã trích dẫn của Ullman 1996).
III.6. Trình bày mơ hình cuối cùng (Final Presentation of Model)
Khi mơ hình đã đạt được độ thích hợp chấp nhận được, các ước lượng riêng biệt về các tham số tự do được đánh giá. Các tham số tự do được so sánh với giá trị rỗng (null value), sử dụng thống kê phân phối z. Thống kê z đạt được bằng cách chia tham số ước lượng cho sai số chuẩn của ước lượng đĩ. Tỷ lệ của kiểm định này phải vượt +/-1.96 để quan hệ trở nên cĩ ý nghĩa. Sau khi các quan hệ riêng biệt trong mơ hình được đánh giá, các ước lượng tham số được chuẩn hĩa cho việc trình bày mơ hình cuố cùng. Khi các ước lượng tham số được chuẩn hĩa, chúng cĩ thể được giải thích tham chiếu với các tham số khác trong mơ hình và cường độ của đường xu hướng cĩ liên quan trong mơ hình cĩ thể được so sánh.
CHƯƠNG III. THIẾT LẬP MƠ HÌNH NGHIÊN CỨU VAØ CÁC GIẢ THUYẾT
Khảo sát một số yếu tố - Năm 2004 - tác động vào sự sẵn sàng của thương mại điện tử