2.3. Một số khái niệm liên quan đến SEM
2.3.2. Các phương pháp phân tích sử dụng trong SEM
2.3.2.1. 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. Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mơ 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 mơ hình đo lường, bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở.
2.3.2.2. Ma trận cấu trúc của mơ hình mạng (CSM)
Đơn vị phân tích trong mơ hình mạng (SEM) là các ma trận phương sai (VAR) hay hiệp phương sai(COV). Tổng quát thủ tục SEM xác định một ma trận lý thuyết hàm
ý (ma trận tương quan kỳ vọng) bởi mơ hình nghiên cứu. Do vậy các đầu vào cần thiết của SEM là các dữ liệu thô hay moment mẫu được tính từ dữ liệu ( VAR, COV, hệ số tương quan hay các moment khác) và mơ hình đang được đánh giá. Mơ hình bao gồm một tập hợp các phương trình đề xuất, với vài thơng số ban đầu được gán giá trị cố định
và các thông số cần ước lượng (mean, variance, regression weight..)
Mục đích của ma trận VAR và COV trong SEM dùng để xác định các mối quan hệ giữa các phần tử trong mơ hình bằng cách ước lượng ma trận tương quan kỳ vọng (tổng thể), so sánh với ma trận tương quan của dữ liệu quan sát (mẫu) thông qua kiểm định Chi square. Sự khác biệt giữa tương quan “ước lượng” và tương quan “quan sát” của hai ma trận này thể hiện trong sự thay đổi giá trị Chi square, nó chỉ ra mức độ phù hợp của mơ hình với dữ liệu như thế nào (Chi square khơng có ý nghĩa (p > 0.05) biểu thị một sự phù hợp tốt). Kiểm định Chi square bao gồm cả tương quan của biến quan sát
Hình 2.8: Mơ hình cấu trúc hiệp phương sai
SEM giả định các thành phần sai số ngẫu nhiên trong mơ hình có phân phối chuẩn
đa biến ( biểu diễn bằng hình ellipse). Với giả định này cho phép dùng phương pháp ML
( Maximum Likelihood) để ước lượng các hệ số trong mơ hình. Trong trường hợp các điều kiện ước lượng ML không thỏa mãn, như các biến phân loại (categorical) chẳng hạn thì phải sử dụng phương pháp ước lượng LS. Tất cả các phương pháp ước lượng trong SEM đều địi hỏi kích thước mẫu lớn.
Ngồi ra các thành phần ngẫu nhiên trong SEM cũng đòi hỏi sai số đo lường của x (hay của y), tức là δ (hay ε) không tương quan với các biến tiềm ẩn độc lập ξ (hay phụ
thuộc η). Đồng thời sai số phương trình trong mơ hình cấu trúc giữa các biến tiềm ẩn độc lập và tiềm ẩn phụ thuộc thì khơng tương quan với các sai số đo lường của các biến chỉ báo quan sát ( x và y), tức là ζ không được tương quan với δ (hay ε).
2.3.2.3. Sơ đồ đường
Nếu cấu trúc của một mơ hình chỉ biểu thị bằng các phương trình thì rất phức tạp và khó hiểu. Để đơn giản hố và thuận tiện trong phân tích, người ta biểu diễn mối quan
hệ các nhân tố dưới dạng sơ đồ đường của cả mơ hình đo lường và mơ hình cấu trúc.
Khái niệm biến ngoại sinh ξ trong mơ hình cịn gọi là biến nguồn hay biến độc lập
vì nó khơng chịu tác động của biến dự báo hay biến nào khác trong mơ hình. Khái niệm
biến nội sinh η được dự báo bởi một hay nhiều khái niệm khác. 2.3.2.4. Phân tích sơ đồ đường
Phân tích sơ đồ đường hay cịn gọi là mơ hình nhân quả, tập trung vào việc khảo sát mạng lưới quan hệ giữa các biến đo lường, mối quan hệ nhân quả giữa hai hay nhiều
biến, cường độ của các quan hệ trực tiếp và gián tiếp, có thể phân tích cả các quan hệ trung gian (X->Y->Z).
Phương trình cấu trúc :
Trong phân tích sơ đồ đường các phần tử biến có quan hệ ảnh hưởng trực tiếp và gián tiếp nhau. Trong sơ đồ nhân quả trên ta có:
Ảnh hưởng trực tiếp :
X3 gồm ảnh hưởng của X1 và X2, X4 gồm ảnh hưởng của X2 và X3, X5 chỉ ảnh hưởng trực tiếp bởi X2, Y gồm ảnh hưởng của X4 và X5. Ảnh hưởng gián tiếp:
Là ảnh hưởng của một biến thơng qua một biến khác, ví dụ: X1 ảnh hưởng lên X4 thông qua X3;
X1 ảnh hưởng lên Y một cách gián tiếp thông qua X3 và X4.
Ảnh hưởng giữa các biến biểu thị bằng các hệ số tương quan. Toàn bộ các ảnh hưởng giữa các biến trong mơ hình SEM tạo nên ma trận tương quan cấu trúc:
f,13 - Psi : ∣r23 - P32 ; Γ14 =P43 . P31
r24 =P43 P32 + P42; r25 = P52
ty = Py4 P42 + Py4 - P43. P32 + Py5.P52
Quy tắc: Tương quan cấu trúc giữa hai biến thì bằng tổng các tác động trực tiếp và
gián tiếp có khả năng xảy ra.
Giả sử có ma trận tương quan của các biến quan sát X1, X2 và X3 như sau: X1 X2 X3
X1 1.0 r12 r13
X2
1.0 r23
X3 1.0
Giả thiết một mơ hình cấu trúc (M1) dùng để kiểm định là :
Xl____________kX2
\
ʌ X3
Mơ hình này được biểu diễn bằng các phương trình sau T12 = P21 (p: hệ số hồi quy chuẩn hóa)
T13 = P31 +P32. P21 (ảnh hưởng trực tiếp của X1 lên X3 cộng với ảnh hưởng gián tiếp qua X2)
T23 = P32 + P31. P21 (ảnh hưởng trực tiếp của X2 lên X3 cộng với ảnh hưởng của X1 lên X3 và X2)
Tij biểu diễn tương quan “tái cấu trúc” hay tương quan “ước lượng” trên cơ sở mơ hình lý thuyết trên đây. Hệ số hồi quy có thể ước lượng bằng phương pháp hồi quy đa biến trên cơ sở mơ hình đã cho và có thể dùng để “tái cấu trúc lại” ma trận tương quan.
Tương quan của các quan sát bằng dữ liệu:
X1 X2 X3
X1 1.0 Γ12(o) T13(O)
X2 1.0 T23(O)
X3 1.0
Tương quan tái cấu trúc trên cơ sở mơ hình sơ đồ đường:
X1 X2 X3
X1 1.0 r12(e) r13(e)
X2 1.0 r23{e)
X3 1.0
So sánh các phần tử của hai ma trận tương quan này càng giống nhau thì giá trị Chi square càng nhỏ.
Lưu ý rằng mỗi mơ hình thay thế có một tập tương quan kỳ vọng khác nhau làm cho mơ hình tốt hơn hoặc xấu đi. Giả sử mơ hình lý thuyết ở trên bây giờ là (M2)
Hầu hết các mơ hình nhân quả đều tiến hành so sánh để chọn ra mơ hình phù hợp nhất. Mỗi mơ hình có một giá trị Chi square ứng với số bậc tự do nhất định. Hai mơ hình
M1 và M2 giống nhau nhưng M2 bỏ đi mối quan hệ X1 và X2. Ý nghĩa của sự tăng /giảm độ phù hợp trong trường hợp này là: với df = df1 - df2 (hay còn xác định bằng chỉ số sự thay đổi của Chi square trên một bậc tự do).
Mỗi đường biểu diễn một quan hệ giữa hai biến thì tương ứng với một giả thuyết nghiên cứu, khơng được kiểm định để xác định hướng. Phân tích nhân quả là phân tích các tập hợp con của mơ hình SEM như hình dưới đây:
Phân tích nhân quả là kỹ thuật xác định quan hệ trực tiếp và gián tiếp giữa các biến
số, là các liên kết giả thuyết giữa các biến ngoại sinh và biến nội sinh, là hiệu ứng trực tiếp hay chính là hệ số hồi quy. Liên kết gián tiếp (hay hiệu ứng gián tiếp) qua biến trung
gian bằng tích của hai hay nhiều hệ số hồi quy. Hệ số nhân quả bằng hệ số tương quan hay hồi quy (thường chuẩn hố) liên kết các biến số.Nếu chỉ có một liên kết giữa hai biến số, hệ số nhân quả bằng hệ số tương quan. Ý nghĩa của hệ số nhân quả chính là tỷ số giới hạn CR = β∕SEβ = Z-Statistic; CR > 1.96 để có ý nghĩa tại p=0.05 hay CR = 2.5 tại mức ý nghĩa 0.01.