Modelling)
Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mơ hình nhân quả là mơ hình mạng SEM (Structural Equation
hàng như : ngành dịch vụ thơng tin di động tại Hàn Quốc (Kim và Park, 2003), Mơ hình nghiên cứu sự trung thành của khách hàng Dịch vụ thơng tin di động tại Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)…
Mơ hình SEM là sự mở rộng của mơ hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. SEM cĩ thể cho một mơ hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn(longitudinal), phân tích nhân tố khẳng định (CFA), các mơ hình khơng chuẩn hố, cơ sở dữ liệu cĩ cấu trúc sai số tự tương quan, dữ liệu với các biến số khơng chuẩn (Non- Normality), hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để ước lượng các mơ hình đo lường (Mesurement Model) và mơ hình cấu trúc (Structure Model) của bài tốn lý thuyết đa biến.
Mơ hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables). Nĩ cung cấp thơng tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị).
Mơ hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này cĩ thể mơ tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.
Mơ hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mơ hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mơ hình cổ điển (mơ hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mơ hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mơ hình lý thuyết, đo các mối quan hệ ổn định (recursive) và khơng ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định (CFA) mơ hình SEM cho phép linh động tìm kiếm mơ hình phù hợp nhất trong các mơ hình đề nghị ( Phạm Đức Kỳ,mbavn.org, 12/09/2011).
Cơng dụng và lợi thế của mơ hình mạng (SEM)
• Kiểm định các giả thuyết về các quan hệ nhân quả cĩ phù hợp (FIT) với dữ liệu thực nghiệm hay khơng.
• Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến.
• Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai.
• Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis)
• Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh).
• Cung cấp các chỉ số độ phù hợp cho các mơ hình kiểm định.
• Cho phép cải thiện các mơ hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).
• SEM cung cấp các cơng cụ cĩ giá trị về thống kê, khi dùng thơng tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.
• SEM giúp giả thuyết các mơ hình, kiểm định thống kê chúng (vì EFA và hồi quy cĩ thể khơng bền vững nhất quán về mặt thống kê)
• SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các phần dư và sai số.
• SEM giả định cĩ một cấu trúc nhân quả giữa các biến tiềm ẩn cĩ thể là các tổ hợp tuyến tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả. Giá trị của SEM xuất phát từ các lợi ích đạt được trong việc sử dụng đồng thời các mơ hình đo lường và mơ hình cấu trúc, mỗi mơ hình giữ các vai trị khác nhau trong phân tích chung. Để đảm bảo cả mơ hình đo lường và mơ hình cấu trúc được xác định đúng, và các kết quả là cĩ giá trị (hiệu lực), việc phân tích với SEM thường tuân theo 7 bước sau:
Bước 1: Phát triển mơ hình dựa trên cơ sở lý thuyết.
SEM dựa vào các quan hệ nhân quả, trong đĩ sự thay đổi của một biến xuất phát từ sự thay đổi của một biến số khác. Nĩi chung, cĩ 4 tiêu chuẩn được thiết lập để xác lập một quan hệ nhân quả: (1) Tồn tại quan hệ đủ mạnh giữa 2 biến; (2) Cĩ trình tự thời gian trước sau của nguyên nhân và kết quả; (3) Khơng tồn tại nguyên nhân hiện hữu nào khác; (4) Cĩ cơ sở lý thuyết vững chắc của mối quan hệ. Trong thực tế rất khĩ để đáp ứng đầy đủ cả 4 tiêu chuẩn này. Tuy nhiên, nếu những điều kiện đầu khơng được xác lập, nhưng cĩ cơ sở lý thuyết vững chắc thì quan hệ nhân quả vẫn được xác định.
Bước 2: Xây dựng biểu đồ đường dẫn của các quan hệ nhân quả.
Biểu đồ đường dẫn là một cơng cụ để biểu diễn bằng hình ảnh các quan hệ nhân quả. Để xây dựng biểu đồ đường dẫn, trước tiên chúng ta phải xây dựng các khái niệm dựa vào cơ sở lý thuyết, và tìm các chỉ báo để đo lường chúng. Tiếp theo chúng ta sử
dụng các hình mũi tên để thể hiện cho từng quan hệ cụ thể giữa hai khái niệm. Hình mũi tên một chiều chỉ quan hệ nhân quả trực tiếp từ một khái niệm đến một khái niệm khác. Hình mũi tên cong hai chiều chỉ mối quan hệ tương quan giữa các khái niệm. Và hình hai mũi tên ngược chiều nhau chỉ mối quan hệ tác động qua lại giữa hai khái niệm. Với ba dạng mũi tên này, tất cả các quan hệ trong các mơ hình cấu trúc đều được minh hoạ.
Bước 3: Chuyển biểu đồ đường dẫn thành một tập hợp các mơ hình đo lường và cấu trúc.
Sau khi phát triển mơ hình lý thuyết và minh hoạ bằng biểu đồ đường dẫn, tập hợp các quan hệ cấu trúc cĩ thể được chuyển thành một tập hợp các phương trình mà xác định: (1) Các phương trình cấu trúc liên kết các khái niệm; (2) Mơ hình đo lường xác định các biến số nào đo lường cho khái niệm nào; (3) Một tập ma trận chỉ ra bất cứ quan hệ nào được giả thuyết giữa các khái niệm và các biến. Mục đích chính ở bước này là liên kết các định nghĩa ứng dụng của các khái niệm với lý thuyết nhằm kiểm định sự phù hợp về mặt thực nghiệm.
Bước 4: Chọn lựa ma trận đầu vào và ước lượng mơ hình đề xuất.
SEM sử dụng ma trận tương quan hoặc ma trận hiệp phương sai của các biến quan sát làm dữ liệu đầu vào. Việc sử dụng ma trận nào làm dữ liệu đầu vào cịn tùy thuộc vào mục đích nghiên cứu, sự khác biệt giữa chúng là việc giải thích kết quả đầu ra. Sử dụng ma trận hiệp phương sai cho phép chúng ta so sánh các tổng thể hoặc các mẫu khác nhau, tuy nhiên sẽ rất khĩ khăn trong việc giải thích các hệ số do các đơn vị đo lường các biến khác nhau. Ma trận hệ số tương quan được sử dụng rộng rãi hơn do cĩ thể so sánh trực tiếp các hệ số trong một mơ hình, nhờ các biến đã được chuẩn hĩa. Khi chúng ta muốn hiểu đặc điểm quan hệ giữa các khái niệm thì sử dụng ma trận hệ số tương quan làm đầu vào của SEM là phù hợp hơn.
Bước 5: Đánh giá định dạng của mơ hình cấu trúc.
Vấn đề lỗi định dạng xảy ra khi các kết quả ước lượng là khơng lơ gíc hoặc khơng duy nhất. Yêu cầu của việc định dạng là số phương trình phải lớn hơn số tham số được ước lượng. Sự chênh lệch này thể hiện ra là số bậc tự do, mà là sai lệch giữa số hệ số tương quan hay số hiệp phương sai của ma trận đầu vào và số hệ số ước lượng trong mơ hình (df = 1/2 [(p +q) (p + q +1) – t, với t là số tham số ước lượng trong mơ hình). Mặc dù khơng cĩ một quy tắc nhất quán để thiết lập việc định dạng đúng một mơ hình, nhưng các nhà nghiên cứu cĩ một số “quy tắc ngĩn tay cái”. Hai quy tắc cơ bản nhất là các điều kiện về hạng và điều kiện thứ bậc. Điều kiện thứ bậc địi hỏi bậc tự do phải lớn hơn hoặc
bằng 0. Nếu bậc tự do bằng 0, mơ hình định dạng đúng, lời giải là duy nhất, hồn hảo nhưng khơng cĩ tính khái quát hĩa. Mục đích của SEM phải là một mơ hình vơ định hay bậc tự do phải lớn hơn 0. Một mơ hình được chấp nhận và cĩ số bậc tự do lớn nhất cĩ thể được luơn là mong muốn của những nhà nghiên cứu. Điều kiện thứ bậc chỉ là điều kiện cần, chưa phải điều kiện đủ đối với việc định dạng mơ hình. Một mơ hình cần phải đáp ứng được điều kiện hạng mà yêu cầu rằng các ước lượng phải là duy nhất. Điều kiện hạng là điều kiện đủ, và để xác định điều kiện hạng là một vấn đề rất phức tạp, do đĩ thơng thường người ta sử dụng một “quy tắc ngĩn tay cái” như sau: Trước tiên là quy tắc ba đo lường mà khẳng định rằng bất cứ một khái niệm nào được đo lường bởi ít nhất ba chỉ báo đều định dạng được, và tiếp theo bất cứ một mơ hình nào khơng chứa quan hệ tác động qua lại cĩ các khái niệm được đo lường bởi ít nhất từ ba chỉ báo trở lên đều định dạng được. (adsbygoogle = window.adsbygoogle || []).push({});
Bước 6: Đánh giá các tiêu chuẩn độ phù hợp của mơ hình.
Bước trước tiên trong việc đánh giá các kết quả là kiểm tra đối với “các ước lượng phi lý”. Khi mơ hình được thiết lập với các ước lượng cĩ thể chấp nhận, thì độ phù hợp của mới được đánh giá ở một số cấp độ: đầu tiên là cho mơ hình chung, sau đĩ là cho các mơ hình đo lường và mơ hình cấu trúc tách rời.
Các ước lượng phi lý: Các ước lượng phi lý trong cả mơ hình đo lường và mơ hình cấu trúc là những hệ số được ước lượng vượt quá giới hạn cho phép, mà thơng thường rơi vào các trường hợp sau: (1) Các phương sai của sai số âm; (2) Các hệ số chuẩn hĩa vượt quá hoặc quá gần 1; (3) Các sai số chuẩn quá lớn liên quan đến bất kỳ ước lượng nào. Nếu mơ hình cĩ giá trị phi lý xuất hiện thì cần phải được giải quyết trước khi thực hiện các phân tích tiếp theo, vì một sự thay đổi trong một bộ phận của mơ hình cĩ thể cĩ những ảnh hưởng đáng kể lên các kết quả khác.
Độ phù hợp của mơ hình chung: Sau khi đã xác định khơng cĩ giá trị ước lượng phi lý, thì việc đánh giá độ phù hợp của mơ hình chung được thực hiện bằng một hay nhiều hơn các đo lường về độ phù hợp của mơ hình chung. Độ phù hợp đo lường sự tương thích của ma trận đầu vào và ma trận đầu ra được dự báo bởi mơ hình đề xuất. Cĩ ba loại đo lường về độ phù hợp: (1) Đo lường về độ phù hợp tuyệt đối: Đánh giá về độ phù hợp của mơ hình chung khơng cần xét đến vấn đề “phù hợp quá mức”; (2) Đo lường về độ phù hợp tăng thêm: So sánh độ phù hợp của mơ hình đề xuất với một mơ hình khác được xác định bởi nhà nghiên cứu; (3) Đo lường về độ phù hợp tiết kiệm: Đánh giá mơ hình với số tham số ước lượng khác nhau nhằm xác định độ phù hợp trên một tham số
ước lượng (chỉ dùng đối với chiến lược so sánh mơ hình cạnh tranh).
Thơng thường, nếu khơng dùng chiến lược so sánh mơ hình cạnh tranh để định dạng mơ hình thì các nhà nghiên cứu thường đánh giá độ phù hợp của mơ hình chung bằng các đo lường sau:
- Thống kê Chi – bình phương: Thống kê Chi – bình phương là một đo lường về
độ phù hợp tuyệt đối, nĩ cung cấp cơ sở để tin rằng sự khác biệt giữa ma trận dự báo và ma trận đầu vào là khơng cĩ ý nghĩa. Yêu cầu là mức ý nghĩa (p) phải lớn hơn 0.05 thì mơ hình được xem là cĩ thể chấp nhận. Tuy nhiên, thống kê này rất nhạy với kích cỡ mẫu, việc sử dụng nĩ để đánh giá độ phù hợp chỉ thích hợp khi cỡ mẫu từ 100 đến 200. Khi cỡ mẫu lớn hơn mức này thì thống kê này thường cĩ ý nghĩa (p < 0.05) mà nếu căn cứ vào nĩ để đánh giá thì dẫn đến một kết luận sai lầm là mơ hình chung khơng phù hợp.
- Chỉ số độ phù hợp tốt GFI (Goodness of Fit Index): GFI là một chỉ số đo lường
độ phù hợp tuyệt đối. Nĩ là một đo lường phi thống kê cĩ giá trị trãi dài từ 0 (độ phù hợp tồi) đến 1 (độ phù hợp hồn hảo). Giá trị của GFI càng cao mơ hình càng phù hợp, các nhà nghiên cứu (Browne và Cudek, 1992) đề nghị rằng GFI lớn hơn 0.9 thì mơ hình được xem là cĩ thể chấp nhận.
- Chỉ số RMSEA (Root Mean Square Error of Approximation): Chỉ số này dùng để
khắc phục cho khuynh hướng bác bỏ mơ hình của thống kê Chi – bình phương do kích cỡ mẫu lớn. RMSEA cũng là một chỉ số đo lường độ phù hợp tuyệt đối, giá trị của RMSEA càng nhỏ thể hiện độ phù hợp của mơ hình càng cao, thơng thường RMSEA rơi vào khoảng 0.05 đến 0.08 thì mơ hình dường như cĩ thể chấp nhận được.
- Chỉ số CFI (Comparative Fit Index): Là chỉ số đo lường độ phù hợp tăng thêm
của mơ hình, nĩ cho biết một so sánh giữa mơ hình đề xuất với một mơ hình “null” (cĩ bậc tự do bằng 0) hay một mơ hình độc lập (cĩ bậc tự do lớn nhất). Giá trị CFI nằm trong khoảng từ 0 đến 1. Giá trị của CFI càng cao thì mơ hình càng phù hợp. Tương tự GFI, Browne và Cudek (1992) đề nghị CFI lớn hơn 0.9 thì mơ hình được xem là cĩ thể chấp nhận.
Mơ hình chung khơng đạt được độ phù hợp cĩ nghĩa là cả mơ hình đo lường và mơ hình cấu trúc đều tồi, nhưng nếu nĩ đạt được độ phù hợp khơng cĩ nghĩa là tất cả các khái niệm và thang đo đều tốt, do đĩ cần phải các mơ hình đo lường và cấu trúc tách rời để xem xét những vấn đề tiềm ẩn cĩ ảnh hưởng đến độ phù hợp của mơ hình chung.
Độ phù hợp của mơ hình đo lường: Sau khi mơ hình chung đã đạt được độ phù hợp, việc đo lường cho mỗi khái niệm cĩ thể được đánh giá đối với tính đơn nghĩa và độ
tin cậy.
Tính đơn nghĩa là một giả thuyết cơ bản nằm dưới việc tính tốn độ tin cậy và được thể hiện khi các chỉ báo của một khái niệm cĩ độ phù hợp được chấp nhận (cĩ trọng số nhân tố rất cao) lên một nhân tố duy nhất. Tính đơn nghĩa cĩ thể được xác định thơng qua phân tích nhân tố khám phá hoặc phân tích nhân tố xác định mà mơ hình đo lường cĩ độ phù hợp được chấp nhận.
Sau khi xem xét tính đơn nghĩa thì độ tin cậy của thang đo mới được đánh giá. Đơ tin cậy của thang đo thường được đánh giá thơng qua 3 hệ số: (1)Alpha của Cronbach (1951); Độ tin cậy tổng hợp của Joreskog (1971); (3) Phương sai chiết suất (Fornell và Lacker, 1981).
Độ phù hợp của mơ hình cấu trúc: Đánh giá hiển nhiên nhất đối với mơ hình cấu trúc liên quan đến mức ý nghĩa của các hệ số ước lượng, cũng như sai số chuẩn và giá trị thống kê student cho mỗi hệ số. Thơng thường mức ý nghĩa được xác định cho thống kê student là 0.05, tuy nhiên các mức ý nghĩa thấp hơn 0.025, hoặc 0.01 cũng được khuyến khích sử dụng, đặc biệt khi sử dụng phương pháp ước lượng hợp lý tối đa (ML) với kích thước mẫu nhỏ. Ngồi ra độ phù hợp của mơ hình cấu trúc cịn được xem xét bởi hệ số xác định R2, tương tự như phương pháp hồi quy.
Bước 7: Giải thích và hiệu chỉnh mơ hình.
Sau khi mơ hình cĩ độ phù hợp được chấp nhận, các kết quả sẽ được xem xét sự phù hợp của chúng so với lý thuyết được đề xuất. Những câu hỏi cần phải trả lời là: (1) Liệu những quan hệ cơ bản trong lý thuyết cĩ được ủng hộ và tìm thấy cĩ ý nghĩa về thực