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 cấu trúc SEM. Mô hình cấu trúc SEM đã đƣợc sử dụng rộng rãi trong các lĩnh vực nghiên cứu tâm lý học, lĩnh vực xã hội học, lĩnh vực công nghiệp và trong lĩnh vực quản lý [15], [18], [33] [60], [63], [79].
Mô hình cấu trúc SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phƣơng trình hồi quy cùng một lúc. SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu nhƣ các bộ dữ liệu khảo sát trong dài hạn, phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá, cơ sở dữ liệu có cấu trúc sai số tự tƣơng quan, dữ liệu với các biến số không chuẩn, hay dữ liệu bị thiếu.
Lợi thế của mô hình cấu trúc SEM
Mô hình SEM phối hợp đƣợc tất cả các kỹ thuật nhƣ hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tƣơng (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ƣớc lƣợng mối quan hệ riêng phần của từng cặp yếu tố trong mô hình cổ điển (mô hình đo lƣờng), SEM cho phép ƣớc lƣợng đồng thời các phần tử trong tổng thể mô hình, ƣớc lƣợng mối quan hệ nhân quả giữa các yếu tố qua các chỉ số kết hợp cả đo lƣờng và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định và không ổn định, đo các ảnh hƣởng trực tiếp cũng nhƣ gián tiếp, kể cả sai số đo và tƣơng quan phần dƣ. Với kỹ thuật phân tích CFA mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.
Các dạng mô hình trong SEM.
Mô hình SEM gồm hai mô hình có liên quan với nhau là mô hình đo
lƣờng và mô hình cấu trúc:
Mô hình đo lường (còn gọi là mô hình nhân tố, mô hình ngoài) diễn tả
cách các chỉ số thể hiện và giải thích các yếu tố tốt thế nào: tức là diễn tả cấu trúc của yếu tố KNTƢ với BĐKH, đồng thời diễn tả các đặc tính đo lƣờng của các chỉ số KNTƢ với BĐKH. Các mô hình đo lƣờng cho các biến độc lập (ví dụ biến KNTƢ với BĐKH) có thể đơn hƣớng, có thể tƣơng quan hay có thể xác định các yếu tố bậc cao hơn. Mô hình đo lƣờng (Hình 2.1) cho thấy các liên hệ thống kê giữa chỉ số quan sát V1, V2, V3...(hay gọi là biến quan sát, ví dụ nhƣ các chỉ số KNTƢ với BĐKH) với các yếu tố F1, F2...(hay gọi là biến tiềm ẩn, ví dụ yếu tố KNTƢ với BĐKH). Các yếu tố F1, F2...đƣợc nối kết bằng các quan hệ dạng hồi quy chuẩn hoá, tức là ƣớc lƣợng các giá trị cho các hệ số hồi quy.
Hình 2.1. Mô hình đo lƣờng của cấu trúc SEM [17]
Mô hình đo lƣờng dùng phân tích đánh giá mức độ mà chỉ số KNTƢ với BĐKH phản ánh các yếu tố KNTƢ với BĐKH của chúng từ đó cho thấy quan hệ giữa các yếu tố và chỉ số này. Nó cung cấp thông tin về thuộc tính đo lƣờng của chỉ số KNTƢ với BĐKH. Để đánh giá (độ hội tụ và phân biệt) của các chỉ số KNTƢ với BĐKH sử dụng kỹ thuật phân tích CFA và ma trận Covariance dựa trên nền phần mềm AMOS [17], [29].
AMOS là chƣơng trình phần mềm sử dụng để phân tích trung bình và cấu trúc phƣơng sai - hiệp phƣơng sai. Mặc dù đƣợc phát triển trong giao diện Windows của Microsoft, AMOS cho phép xác định mô hình bằng ba cách khác nhau. Cách tiếp cận đầu tiên là sử dụng AMOS Graphic, cách này cho phép vẽ trực tiếp sơ đồ Path, hai cách còn lại, AMOS VB.NET và AMOS C# sẽ sử dụng câu lệnh. Sử dụng AMOS Graphic sẽ tƣơng đối thuận tiện bởi không đòi hỏi phải sử dụng thành thạo tiếng anh, phần mềm dễ dàng truy cập và download sử dụng. AMOS cung cấp đầy đủ các công cụ cần thiết để vẽ sơ đồ đƣờng dẫn. Mỗi công cụ là một biểu tƣợng, các biểu tƣợng này có thể xuất hiện ngay trên giao diện ban đầu của thanh menu thả xuống hoặc bằng cách nhấn chuột phải. Quá trình xây dựng mô hình mô hình đƣờng dẫn, đƣa dữ liệu vào, hiệu chỉnh, sử dụng... sẽ sử dụng phối hợp chức năng của các biểu tƣợng trên [29].
Mô hình cấu trúc: chỉ rõ mối quan hệ giữa các yếu tố 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. Xác định các liên kết (quan hệ nhân quả) giữa các yếu tố bằng mũi tên nối kết, và gán cho chúng các phƣơng sai giải thích và chƣa giải thích, tạo thành cấu trúc nhân quả cơ bản. Các yếu tố KNTƢ với BĐKH đƣợc ƣớc lƣợng bằng hồi quy bội của các chỉ số KNTƢ với BĐKH. Mô hình cấu trúc SEM không cho phép sử dụng khái niệm biểu thị bởi chỉ số KNTƢ với BĐKH đơn. Thông thƣờng yếu tố KNTƢ với BĐKH đo lƣờng bởi ít nhất là từ 3 đến tối đa là 7 chỉ số KNTƢ với BĐKH [30]. Mô hình cấu trúc SEM có thể có nhiều dạng khác nhau:
Hình 2.2. Mô hình cấu trúc SEM và các phần tử cơ bản của nó [17] Sau đây là một mô hình cấu trúc SEM:
Hình 2.3. Mô hình đo lƣờng và mô hình cấu trúc của SEM
(Structural Equation Modeling) [17]
X1 = λ11 ξ1 + δ1
X2 = λ22 ξ2 + δ2 (2.7)
X3 = λ31 ξ1 + λ32 ξ2 + δ3
Trong đó ξi là các yếu tố chung; Xi là các chỉ số; λ là các hệ số tải, các yếu tố chung ξi có thể có tƣơng quan với nhau, các chỉ số xác định Xi cũng có thể tƣơng quan với nhau. Phƣơng sai của một yếu tố xác định là duy nhất.
Khi sử dụng phƣơng pháp mô hình cấu trúc SEM để ƣớc lƣợng mối quan hệ giữa các yếu tố với KNTƢ với BĐKH các tham số trong mô hình nhƣ Chi - square/df, RMSEA, GFI, CFI, TLI… phải thỏa mãn các điều kiện đƣợc trình bày chi tiết hơn trong mục 2.1.3
Tuy nhiên để đảm bảo độ tin cậy của các kết quả tính toán mô hình cấu trúc SEM, cần phải có thêm các kiểm định giá trị độ tin cậy tổng hợp CR, phƣơng sai trích AVE và kiểm định Boostrap.
Độ tin cậy tổng hợp đƣợc tính cho từng nhân tố đơn hƣớng, tƣơng tự
nhƣ cách áp dụng cronbach's alpha, sẽ chạy riêng cho từng nhân tố một. Giá trị độ tin cậy tổng hợp >= 0,7 [65].
Phương sai trích đƣợc tính cho từng nhân tố đơn hƣớng, sẽ chạy riêng
cho từng nhân tố một. Giá trị phƣơng sai trích >= 0,5 [65].
Boostrap là phƣơng pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu
đóng vai trò đám đông. Phƣơng pháp Boostrap thực hiện với số mẫu lặp lại là N lần. Kết quả ƣớc lƣợng từ N mẫu đƣợc tính trung bình và giá trị này có xu hƣớng gần đến ƣớc lƣợng của tổng thể. Khoảng chênh lệch giữa giá trị trung bình ƣớc lƣợng bằng Boostrap và ƣớc lƣợng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ƣớc lƣợng mô hình có thể tin cậy đƣợc. Sai lệch giữa giá trị ƣớc lƣợng từ mẫu ban đầu và giữa giá trị trung bình các ƣớc lƣợng từ Bootstrap gọi là độ lệch. Trị tuyệt đối các độ lệch này càng nhỏ và càng không có ý nghĩa thống kê thì càng tốt [29].
Ký hiệu của mô hình cấu trúc SEM [29]:
- Các chỉ số quan sát: hình chữ nhật hay hình vuông. - Các yếu tố tiềm ẩn: hình elip hay hình tròn.
- Các sai số đo lƣờng: hình tròn, đại diện phƣơng sai phần dƣ hoặc sai số trong các chỉ số.
Tham số của mô hình cấu trúc SEM [29]:
- Các chỉ số quan sát, trọng số hồi quy, phƣơng sai, hiệp phƣơng sai giữa các chỉ số.
- Hiệp phƣơng sai: biểu diễn bằng ký hiệu mũi tên hai đầu - Phƣơng sai: ký hiệu bằng số trong hộp vẽ biến.
- Các hệ số hồi quy: mũi tên một chiều chỉ đƣờng dẫn mô tả mối quan hệ nhân quả đƣợc giả thiết giữa hai biến.
Dữ liệu đầu vào và đầu ra của mô hình cấu trúc SEM [29]:
- Dữ liệu đầu vào: là các dữ liệu điều tra phỏng vấn theo bảng hỏi sử dụng thang đo likert. Các dữ liệu này cần thỏa mãn các kiểm tra độ tin cậy bằng kiểm định Cronbach’s Alpha.
- Dữ liệu đầu ra: các sai số đo lƣờng, các kết quả trọng số thể hiện mối quan hệ, vai trò ảnh hƣởng của các chỉ số KNTƢ với BĐKH với yếu tố KNTƢ với BĐKH tiềm ẩn (ví dụ yếu tố CSHT, yếu tố xã hội, yếu tố tự nhiên, yếu tố nhân lực, yếu tố tài chính) và mối quan hệ của các yếu tố KNTƢ với BĐKH tiềm ẩn và biến KNTƢ với BĐKH độc lập ban đầu.
Luận án đã sử dụng phƣơng pháp mô hình cấu trúc SEM để phân tích mối quan hệ của các chỉ số và yếu tố cũng nhƣ mối quan hệ của các yếu tố với KNTƢ của thành phố Đà Nẵng với BĐKH từ đó đánh giá vai trò các yếu tố ảnh hƣởng đến KNTƢ của thành phố Đà Nẵng, hộ nghèo - cận nghèo, trung bình - khá giả với BĐKH và dựa vào các kết quả ƣớc lƣợng trọng số hồi quy của các yếu tố CSHT, tự nhiên, xã hội, tài chính và nhân lực cho đối tƣợng thành phố, hộ nghèo - cận nghèo, trung bình - khá giả để xây dựng phƣơng trình hồi quy tuyến tính mô tả mối quan hệ giữa các yếu tố đến KNTƢ với BĐKH của các đối tƣợng này.