2.1. Phương pháp nghiên cứu
2.1.3. Phương pháp phân tích nhân tố khẳng định
Phân tích khẳng định là một trong các kỹ thuật cho phép kiểm định các chỉ số đại diện cho các yếu tố tốt đến mức nào. Phân tích CFA là bước tiếp theo của phân tích EFA vì phân tích CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc của yếu tố, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa chỉ số và yếu tố thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. CFA thường được sử dụng trong giai đoạn sau của phát triển thang đo hoặc xác định cấu trúc, sau khi các cấu trúc cơ bản đã được thành lập bằng phương pháp phân tích thực nghiệm EFA trước đó. Phương pháp phân tích CFA chấp nhận các giả thuyết của các nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa các yếu tố với nhau [29].
Khi sử dụng phương pháp CFA các giá trị tham số chi-Square/df, RMSEA, CFI, GFI, TFI, AFI … kết quả trong việc phân tích phải thỏa mãn một số điều kiện:
Chi-Square/df (χ2 / df) < 3 : dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình, dùng so sánh model với data, càng nhỏ càng tốt.
SRMR: là sự khác biệt giữa phần data thực tế và phần mô hình dự đoán. Dao động từ 0->1,càng nhỏ càng tốt, SRMR=0 thì mô hình dự đoán hoàn toàn trùng khớp với dữ liệu, <=5% thì tốt.
CFI: lấy độ phù hợp của một mô hình với một bộ data và so sánh với độ phù hợp của một mô hình khác với chính data đó. Dao động từ 0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số dạng này:TLI, BL89, RNI. CFI là một phiên bản được hiệu chỉnh của RNI. CFI dùng để tránh đánh giá thấp độphù hợp khi cỡ mẫu nhỏ khi sử dụng NFI. Vì thế, ưu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu.
RMSEA: cũng dạng như SRMR, nhưng sự phù hợp sẽ xấu đi khi số biến trong mô hình tăng, <=8% thì tốt, nên SRMR được ưu tiên dùng hơn.
GFI: dao động từ 0.0 đến 1.0, đôi khi âm, >=90% là tốt. Đo lường quan hệ của phương sai và hiệp phương sai trong ma trận hiệp phương sai. Ý là mô hình phù hợp cỡ nào khi so sánh với mô hình null ( các
tham số đã được fix về 0)
AGFI: dao động từ 0.0 đến 1.0, >= 85 % là tốt, điều chỉnh kết quả của một mô hình phức tạp, điều chỉnh bậc tự do df với số biến quan sát, vì thế đề cao những mô hình đơn giản với ít biết quan sát.
Có rất nhiều bảng, nhiều thông số, nhưng luân án sẽ chỉ chú ý tới những giá trị quan trọng. Ngưỡng chấp nhận chỉ số độ phù hợp mô hình có những tiêu chí chung nhưng cũng có nhiều tiêu chí riêng tùy theo công trình nghiên cứu khác nhau. Do vậy, khi tra ngưỡng chấp nhận các chỉ số của phù hợp của mô hình NCS sẽ dẫn nguồn cụ thể là ngưỡng đó lấy từ tác giả cụ thể. Dưới đây là 2 công trình nghiên cứu được trích dẫn nguồn phổ biến nhất hiện nay:
Các chỉ số được xem xét để đánh giá Model Fit [74] gồm: CMIN/df ≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận được.
CFI ≥ 0,9 là tốt, CFI ≥ 0,95 là rất tốt, CFI ≥ 0,8 là chấp nhận được. GFI ≥ 0,9 là tốt, GFI ≥ 0,95 là rất tốt.
RMSEA ≤ 0,06 là tốt, RMSEA ≤ 0,08 là chấp nhận được. PCLOSE ≥ 0,05 là tốt, PCLOSE ≥ 0,01 là chấp nhận được. Các chỉ số được xem xét để đánh giá Model Fit [74] gồm: CMIN/df ≤ 2 là tốt, CMIN/df ≤ 5 là chấp nhận được.
CFI ≥ 0,9 là tốt, CFI ≥ 0,95 là rất tốt, CFI ≥ 0,8 là chấp nhận được. GFI ≥ 0,9 là tốt, GFI ≥ 0,95 là rất tốt.
RMSEA ≤ 0,08 là tốt, RMSEA ≤ 0,03 là rất tốt.
Khi dùng phương pháp CFA có thể có một vài thông số chưa thỏa mãn điều kiện. Cách cải thiện độ phù hợp của mô hình trong CFA có thể dùng chỉ số MI
Chỉ số MI đưa ra các biện pháp khắc phục cho các sai lệch giữa mô hình được đề xuất và mô hình ước lượng. Trong CFA, chúng ta không thể thêm các đường hồi qui để sửa mô hình phù hợp, vì tất cả các đường hồi qui giữa các biến tiềm ẩn và biến quan sát được đã có sẵn. Vì vậy, trong CFA, chúng ta xem xét các chỉ số sửa đổi cho hiệp phương sai. Nói chung, chúng ta không được sử dụng các mũi tên hiệp phương sai giữa phần dư với chỉ số hoặc yếu tố. Đồng thời cũng không được sử dụng giữa những phần dư mà không thuộc cùng một yếu tố. Do đó, cách phù hợp nhất để sử dụng chỉ số MI là nối các mũi tên hai chiều hiệp phương sai giữa các phần dư trong cùng một yếu tố.
Luận án đã sử dụng phương pháp CFA để khẳng định lại tính đơn biến, đa biến, giá trị hội tụ và phân biệt của mối quan hệ của các chỉ số đến các yếu tố KNTƯ với BĐKH đồng thời kiểm tra giả thuyết về cấu trúc bộ chỉ số KNTƯ với BĐKH đã lựa chọn; phương pháp mô hình cấu trúc SEM để phân tích và đánh giá vai trò các yếu tố ảnh hưởng đến KNTƯ của thành phố Đà Nẵng với BĐKH.