P. 1
mô hình mạng (SEM)

mô hình mạng (SEM)

|Views: 842|Likes:
Được xuất bản bởiĐai Thành Nguyễn An

More info:

Published by: Đai Thành Nguyễn An on Mar 29, 2012
Bản quyền:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/23/2013

pdf

text

original

1.

Giới thiệu tổng quan mô hình mạng (SEM) • 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 mạng SEM (Structural Equation Modeling). Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987; Biddle và Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Đặc biệt mô hình này cũng được ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như : ngành dịch vụ thông tin di động (M.-K. Kim et al. / Telecommunications Policy 28 (2004) 145–159). • Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. • SEM có thể cho một mô 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 mô hình không chuẩn hoá,cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn(Non-Normality) , hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến. • Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables).Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). • Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến 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. • Mô 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 mô 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 mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô 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 mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không 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) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.

2. Công dụng và lợi thế của mô hình mạng (SEM) • Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay không. • • Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến. Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn).

• 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 mô hình kiểm định.

• Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).

V2. V3phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. Trong hình 1b. • SEM giúp giả thuyết các mô hình. mô hình biến quan sát V1. Các phần tử trong mô hình mạng (SEM) Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh). (sẽ nói kỹ hơn ở phần phân biệt biến chỉ báo cấu tạo và biến chỉ báo phản ánh phía dưới) Hình 1: Mô hình biểu diễn quan hệ giữa các biến quan sát và biến tiềm ẩn Sự liên kết của các biến quan sát (chỉ báo) với các biến tiềm ẩn (không quan sát) là bước đầu tiên trong một thủ tục thống kê hình thức. . V2. biến đo lường.Trong hình 1a. Trái lại thông thường các thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báo tốt của một khái niệm tiềm ẩn nào đó. khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn. hoặc là các biến tham gia trong một chuỗi nhân quả.• SEM cung cấp các công cụ có giá trị về thống kê. V3). thì chúng ta sẽ dùng nó. kiểm định thống kê chúng (vì EFA và hồi quy có thể không 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. Biến V1. 3. • SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát. mô hình biến quan sát được biểu diễn bằng hình chữ nhật (V1. V3 có mũi tên đi ra nên trong trường hợp này còn được gọi là biến ngoại sinh hay biến độc lập (trong mô hình truyền thống). V2. biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể. các phần dư và sai số.

Trường hợp này biến F1 còn được gọi là nhân tố cơ sở (Underlying factor). Hình 3:Ví dụ một mô hình cấu trúc Số hạng sai số và phần dư (Error & Disturbance): . Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết.Biến tiềm ẩn(Latent Variable): còn gọi là nhân tố. Biến F3 trên hình vẽ có các mũi tên đi vào nên còn được gọi là biến nội sinh hay biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc).V3. F2. Trái lại. Hình 2: Ví dụ về một mô hình đo lường Các biến tiềm ẩn hay các nhân tố cơ sở (F1. trong mô hình đo lường. biến nội sinh hay biến phụ thuộc trong mô hình truyền thống(hình 1a). F3) hay các sai số đo lường (e1.e2. V2. không thể đo trực tiếp được mà phải thông qua các biến quan sát V1.e3) có thể tương quan với nhau ( mũi tên 2 chiều) hay có thể ảnh hưởng trực tiếp biến tiềm ẩn khác (mũi tên 1 chiều). biến tiềm ẩn trực tiếp ảnh hưởng kết quả hay giá trị của biến quan sát và biểu diễn dưới dạng hình ellipse(F1) như hình 2. trong mô hình SEM.

V6 và F3) có mũi tên vào/ra. Trong mô hình đo lường của SEM (hình 4). Hình 4: các phần tử cơ bản trong mô hình SEM Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1. nó thể hiện tính không chắc chắn và không chính xác của sự đo lường. đồng thời nó còn thể hiện tính chất này cho cả các biến chưa được phát hiện và không được đo lường trong mô hình. các số hạng phần dư và các sai số. F2) chỉ có mũi tên đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào). trong khi di biểu thị cho nhiễu hoặc sai số liên quan với giá trị dự báo của các nhân tố(biến) nội sinh từ các nhân tố(biến) ngoại sinh hay còn gọi là phần dư của ước lượng hồi quy. mỗi biến nội sinh có một số hạng sai số (ei) hay nhiễu (di).V2…. Hệ số tải (factor loadings) trong khi mũi tên một chiều giữa các khái niệm tiềm ẩn và các biến quan sát lại biểu thị hệ số hồi quy (regression coefficients) Tóm lại. còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1. .Số hạng sai số ei biểu thị sai số của các biến đo lường. Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến quan sát và không quan sát.

Hình 5: Biến trung gia trong mô hình SEM Nếu một khái niệm ( construct) làm trung gian trong tác động của các biến ngọai sinh lên một biến phụ thuộc. b) Chứng minh rằng X ---. hơn là các biến tương tự: biến trung gian toàn phần. và Y là biến kết quả. M là biến trung gian tiềm năng (hình 5). Các biến ngọai sinh nếu là biến trung gian một phần(tức là một liên kết trực tiếp hay gián tiếp với một biến phụ thuộc) thường là các biến dự báo quan trọng hơn cho một biến phụ thuộc. khi đó: i) Nếu liên kết : X -.> Y là liên kết có ý nghĩa trong hồi quy hai biến dự báo d) Giả định các kiểm định trên đều thỏa mãn. ii) Nếu liên kết : X --. Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh” .Biến trung gian (Mediator): Gọi X là biến nguyên nhân gốc.> Y : Y liên quan với X. Để xác định M là biến trung gian: a) Chứng minh rằng X ---. Nếu các tác động trung gian không được xem xét thích hợp ta có thể bị nhầm lẫn về sự quan trọng tương đối của các nhân tố khác nhau trong sự tác động lên một khái niệm. phải đưa các quan hệ chức năng này vào mô hình.>Y có ý nghĩa ở c) : M trung gian một phần.> M : M liên quan với X. c) Chứng minh rằng M --.>Y không có ý nghĩa ở c) : M trung gian toàn phần.

4.• Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau. Hai khái niệm này được phối hợp lại trong mô hình nghiên cứu trong đó biến chỉ báo cấu tạo là nguyên nhân trong khi biến chỉ báo phản ánh thì phản ánh kết quả. do vậy không áp dụng đo tính nhất quán. Tính xác định của mô hình SEM . • Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau. sự thay đổi của một biến chỉ báo này kéo theo sự thay đổi của biến chỉ báo khác thể hiện qua tính nhất quán cục bộ được đo bằng hệ số Cronbach’s Alpha. sự thay đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác.

được xác định bằng công thức sau: df = 1/2[(p + q)(p + q +1)] – t Trong đó: p= số các biến chỉ báo nội sinh q= số các biến chỉ báo ngoại sinh (p+q = số biến quan sát) t= Số các thông số ước lượng ½[(p+q)(p+q+1) = Số quan sát hay hiệp phương sai trong ma trận (data points) • Mô hình “vừa xác định” (Just Identification): Mô hình có df =0 và chỉ có một lời giải khả dĩ cho mỗi ước lượng thông số. Mô hình “quá xác định” xảy ra khi mỗi thông số được xác định và ít nhất một thông số thì “quá xác định” (có nhiều hơn một phương trình cho ước lượng thông số này). • Mô hình “quá xác định”(Over Identification): Mô hình có df > 0 và có hơn một lời giải khả dĩ (nhưng có một lời giải tối ưu hay tốt nhất đối với mỗi ước lượng thông số).Over Identification” thì cần phải tính toán số bậc tự do của mô hình.Under Identification” hay “Quá xác định. Số thông số cần ước lượng bằng số phương sai (Variance) hay hiệp phương sai(Covariance) của các biến ngoại sinh (biến quan sát hay không quan sát) và các tác động trực tiếp của các biến quan sát lên các biến nội sinh. .Tính xác định có nghĩa là có ít nhất một lời giải độc nhất cho mỗi ước lượng thông số trong một mô hình SEM.Just Identification”. Mục tiêu là đạt được df càng lớn càng tốt. “Kém xác định. Để xác định mô hình nghiên cứu thuộc loại mô hình nào trong ba loại mô hình “Vừa xác định. Thông thường mô hình “quá xác định” được ưa thích hơn. có bậc tự do dương (df>0). Ví dụ: 2x+y =7. 3x+2y=11 • Mô hình “kém xác định” (Under Identification): Mô hình có df < 0 và có vô số các giá trị ước lượng thông số. Vi dụ : 2x +y =7. Bậc tự do là sự khác biệt giữa tổng số dữ liệu quan sát đầu vào (data points) và tổng số các thông số ước lượng trong SEM .

Do tính chất lặp của ước lượng SEM.1 Mô hình đo lường: Mô hình đo lường còn gọi là mô hình nhân tố. o Nếu kém xác định do cấu trúc: Xác định lại mô hình. • Trong nghiên cứu mô hình SEM cần cố gắng xác định nguyên nhân của tính kém xác định là do cấu trúc hay kém xác định do thực nghiệm. .2003 thì mô hình SEM gồm hai mô hình có liên quan với nhau là mô hình đo lường và mô hình cấu trúc. Deregouska. ta có thể dùng để chuẩn hoá mô hình cấu trúc cơ bản. • Sự “kém xác định” trong thực nghiệm xuất hiện khi có một thông số ước lượng tính “xác định” của mô hình có giá trị gần bằng 0. o Nếu kém xác định do thực nghiệm: điều chỉnh bằng cách thu thập thêm dữ liệu hay xác định lại mô hình. Các biến tiềm ẩn được nối kết bằng các quan hệ dạng hồi quy chuẩn hoá. Cả hai mô hình đều được xác định cụ thể bởi nhà nghiên cứu: 5. có thể tương quan hay có thể xác định các biến tiềm ẩn bậc cao hơn. 5. độ giá trị) của các biến quan sát. tức là ước lượng các giá trị cho các hệ số hồi quy. mô hình ngoài diễn tả cách các biến quan sát thể hiện và giải thích các biến tiềm ẩn thế nào: tức là diễn tả cấu trúc nhân tố (biến tiềm ẩn). Mô hình đo lường ( hình 7) cho thấy các liên hệ thống kê giữa các biến quan sát. một thông số ước lượng (phương sai chẳng hạn) bắt đầu với giá trị dương và tiến dần về giá trị 0. đồng thời diễn tả các đặc tính đo lường ( độ tin cậy. • Sự “xác định” là một yêu cầu về cấu trúc hay toán học để có thể tiến hành phân tích SEM.• Việc đặt các hạn chế (ràng buộc) trên mô hình “quá xác định” cho chúng ta kiểm định các giả thuyết (dùng Chi Square và các chỉ số khác). CÁC DẠNG MÔ HÌNH Theo Vinod Kumar. Các mô hình đo lường cho các biến độc lập có thể đơn hướng.

tạo thành cấu trúc nhân quả cơ bản.[Hair et al. hay từ 3 đến tối đa là 7 biến quan sát.Hình 7 : Mô hình đo lường Mô hình đo lường dùng phân tích nhân tố để đánh giá mức độ mà biến quan sát tải lên các khái niệm tiềm ẩn của chúng. Biến tiềm ẩn được ước lượng bằng hồi quy bội của các biến quan sát.Thông thường biến tiềm ẩn đo lường bởi ít nhất là trên một biến. Chap 11.. 2000] Mô hình SEM có thể có nhiều dạng khác nhau: . 5. và gán cho chúng các phương sai giải thích và chưa giải thích. Mô hình SEM không cho phép sử dụng khái niệm biểu thị bởi biến quan sát đơn.2 Mô hình cấu trúc: Xác định các liên kết (quan hệ nhân quả) giữa các biến tiềm ẩn bằng mũi tên nối kết. Để đánh giá độ giá trị (hội tụ và phân biệt) của các biến quan sát sử dụng kỹ thuật phân tích nhân tố khẳng định(CFA) và ma trận Covariance dựa trên mô hình SEM.

3 Tính xác định của mô hình) . • Mô hình Recursive được sử dụng phổ biến trong các mô hình nghiên cứu nhờ ưu điểm là dễ mô hình hoá. có tính ổn định hơn nhiều so với mô hình Non-Recursive. rồi biến này lại dự báo một biến thứ ba 5.3.3 Mô hình xác lập (recursive) Mô hình có 02 đặc điểm cơ bản : • • Các số hạng sai số của nó không có tương quan với nhau Mọi tác động nhân quả đều đơn hướng. và luôn được xác định (được trình bày cụ thể trong phần 2. c) Một biến tiềm ẩn độc lập có thể dự báo một biến tiềm ẩn khác.Hình 8: Mô hình SEM và các phần tử cơ bản của nó a) Một biến tiềm ẩn độc lập đơn có thể dự báo một biến tiềm ẩn phụ thuộc đơn. b) Vài biến tiềm ẩn có thể tương quan trong dự báo một biến phụ thuộc nào đó.

Ngòai ra.Hình 9: Mô hình SEM với trạng thái xác lập (ổn định) của nó X.4 Mô hình không xác lập (Non-Recursive) Hình 10: Mô hình SEM với trạng thái chưa xác lập (không ổn định) Mô hình Non-Recursive có vòng lặp phản hồi giữa các biến nội sinh. . hoặc: Có vòng lặp giữa hai biến nội sinh và các số hạng sai số của hai biến nội sinh (2) Mô hình Non-recursive chỉ có tính tạm thời. 5. không ổn định so với mô hình Recursive. Z: Biến nội sinh <---> Covariance (Tương quan ) 5. hoặc: • • Khi hai biến nội sinh ảnh hưởng lẫn nhau. tức là có vòng lặp phản hồi (1) .5 Mô hình bão hoà (Saturated Model): Mô hình bão hoà (hình 11) chứa rất nhiều các thông số cần ước lượng bằng với số đầu vào(input) trong phân tích. Đây là mô hình ít hạn chế(ràng buộc) nhất mà nó có thể phù hợp với bộ dữ liệu. Y : Biến ngoại sinh E: Số hạng sai số W.Vì vậy mô hình này không có bậc tư do(df=0). mô hình recursive dễ sử dụng nên thông thường nếu có thể các nhà nghiên cứu thường quy đổi mô hình Non-Recursive về mô hình Recursive.

6 Mô hình độc lập (Independence Model) Mô hình độc lập (Hình 12) là mô hình có nhiều ràng buộc nhất mà nó có thể phù hợp với bộ dữ liệu. tức là giả định các quan hệ giữa các biến quan sát không có. có tối đa số bậc tự do.Hình 11: Mô hình bão hòa của SEM 5. . Nó chỉ chứa các ước lượng phương sai của các biến quan sát.

Các nhân tố cơ sở là tổ hợp tuyến tính (sơ đồ cấu tạo) của các biến mô tả bằng hệ phương trình sau: Số lượng các nhân tố cơ sở tuỳ thuộc vào mô hình nghiên cứu.Hình 12: Mô hình độc lập của SEM 5. Tóm lại mô hình SEM là sự kết hợp giữa mô hình đo lường và mô hình cấu trúc 6.Phân tích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi. được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố.7 Mô hình SEM tổng quát : Cho phép mô hình gồm nhiều khái niệm tiềm ẩn được chỉ báo bởi các biến quan sát ( độc lập và phụ thuộc) và cho cả các quan hệ ổn định (Recursive) và không ổn định (nonrecursive) giữa các biến khái niệm. Phân tích nhân tố khám phá EFA rất hữu dụng trong bước thực nghiệm ban đầu hay mở rộng kiểm định. 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.1 Phân tích nhân tố khám phá( EFA) : được dùng đến trong trường hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn.Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không. CFA cũng là một dạng của SEM. trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan. mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào. bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở. Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu.2 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. làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường. Khi xây dựng CFA. 6. Sau đây là một mô hình SEM sử dụng kỹ thuật phân tích CFA: .

δ. Phương trình biểu diễn mô hình một cách tổng quát dạng ma trận của x như sau: x = Λx ξ +δ Cov(x. Φ = E(ξξ’). Phương sai của một nhân tố xác định là duy nhất.Hình 13: Mô hình đo lường và mô hình cấu trúc của SEM X1 = λ11 ξ1 + δ1 X2 = λ22 ξ2 + δ2 X3 = λ31 ξ1 + λ32 ξ2 + δ3. Λx. Cuối cùng phương trình Covariance được viết gọn như sau: Σx = Λx Φξ Λ’x + Θx . ξ) = Σ = E(xx’) = E [(Λx ξ +δ)(Λx ξ +δ)’] = E[(Λx ξ +δ)(Λ’x ξ ‘+δ’)] = Λx E(ξξ’)Λx’ + ΛxE(ξδ’)Λx’ + E(δ’δ’) Biết : Σ = E(xx’). ξ ‘. ξ . các nhân tố xác định Xi cũng có thể tương quan với nhau. δ’ lần lược là ma trận chuyển vị của ma trận x. (ξ i là các nhân tố chung. Θ = E(δδ’) Với x’. các nhân tố chung ξ i có thể có tương quan với nhau. Λx’. Xi là các nhân tố xác định) Trong đó: λ là các hệ số tải.

variance.) Mục đích của ma trận VAR và COV trong SEM dùng để xác định các mối quan hệ giữa các phần tử trong mô hình bằng cách ước lượng ma trận tương quan kỳ vọng (tổng thể). Tổng quát thủ tục SEM xác định một ma trận lý thuyết hàm ý(ma trận tương quan kỳ vọng) bởi mô hình nghiên cứu. Mô hình bao gồm một tập hợp các phương trình đề xuất. nó chỉ ra mức độ phù hợp của mô hình với dữ liệu như thế nào (Chi square không có ý nghĩa (p > 0.05) biểu thị một sự phù hợp tốt).. 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. MA TRẬN CẤU TRÚC CỦA MÔ HÌNH MẠNG (CSM) (hình 14) Đơn vị phân tích trong mô hình mạng (SEM) là các ma trận phương sai (VAR) hay hiệp phương sai(COV). so sánh với ma trận tương quan của dữ liệu quan sát (mẫu) thông qua kiểm định Chi square. hệ số tương quan hay các moment khác) và mô hình đang được đánh giá. với vài thông số ban đầu được gán giá trị cố định và các thông số cần ước lượng (mean. Kiểm định Chi square bao gồm cả tương quan của biến quan sát và tương quan kỳ vọng . regression weight. Do vậy các đầu vào cần thiết của SEM là các dữ liệu thô hay môment mẫu được tính từ dữ liệu ( VAR.Tương tự đối với phương trình dạng ma trận của y và ma trận Covariance: y = Λyη + ε Σy = Λy Φη Λ’y + Θy 7. COV.

Với giả định này cho phép dùng phương pháp ML ( Maximum Likelihood) để ước lượng các hệ số trong mô hình. Ngoài ra các thành phần ngẫu nhiên trong SEM cũng đòi hỏi sai số đo lường của x (hay của y). Trong trường hợp các điều kiện ước lượng ML không thoả mãn. SƠ ĐỒ ĐƯỜNG (Path Diagram) . tức là δ (hay ε) không tương quan với các biến tiềm ẩn độc lập ξ (hay phụ thuộc η). tức là ζ không được tương quan với δ (hay ε). 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 đòi hỏi kích thước mẫu lớn. Đồng thời sai số phương trình trong mô hình cấu trúc giữa các biến tiềm ẩn độc lập và tiềm ẩn phụ thuộc thì không tương quan với các sai số đo lường của các biến chỉ báo quan sát ( x và y).Hình 14: Mô hình cấu trúc hiệp phương sai (CSM. 8.Covariance Structural Modeling) SEM giả định các thành phần sai số ngẫu nhiên trong mô hình có phân phối chuẩn đa biến ( biểu diễn bằng hình ellipse).

Để đơn giản hoá và thuận tiện trong phân tích. có thể phân tích cả các quan hệ trung gian (X>Y->Z). Khái niệm biến nội sinh η được dự báo bởi một hay nhiều khái niệm khác. 9. PHÂN TÍCH SƠ ĐỒ ĐƯỜNG (Path Analysis) Phân tích sơ đồ đường hay còn gọi là mô hình nhân quả. ví dụ: X1 ảnh hưởng lên X4 thông qua X3 . cường độ của các quan hệ trực tiếp và gián tiếp. người ta biểu diễn mối quan hệ các nhân tố dưới dạng sơ đồ đường của cả mô hình đo lường và mô hình cấu trúc. Khái niệm biến ngoại sinh ξ trong mô hình còn gọi là biến nguồn hay biến độc lập vì nó không chịu tác động của biến dự báo hay biến nào khác trong mô hình. 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 thông qua một biến khác. Trong sơ đồ nhân quả trên ta có: Ảnh hưởng trực tiếp : X3 gồm ảnh hưởng của X1 và X2. mối quan hệ nhân quả giữa hai hay nhiều biến. X4 gồm ảnh hưởng của X2 và X3. tập trung vào việc khảo sát mạng lưới quan hệ giữa các biến đo lường.Nếu cấu trúc của một mô hình chỉ biểu thị bằng các phương trình thì rất phức tạp và khó hiểu. 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.

r14 =p43 . Toàn bộ các ảnh hưởng giữa các biến trong mô hình SEM tạo nên ma trận tương quan cấu trúc: r13 = p31 .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. p21 qua X2) ŕ23 = p32 + p31.0 Giả thiết một mô hình cấu trúc (M1) dùng để kiểm định là : Mô hình này được biểu diễn bằng các phương trình sau ŕ12 = p21 ŕ13 = p31 +p32. r23 = p32 . Giả sử có ma trận tương quan của các biến quan sát X1. r25 = p52 ry = py4.p42 + py4 .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. p32 + py5. p21 lên X3 và X2) (p: heä soá hoài quy rieâng phaàn chuaån hoùa) (ảnh hưởng trực tiếp của X1 lên X3 cộng với ảnh hưởng gián tiếp (ảnh hưởng trực tiếp của X2 lên X3 cộng với ảnh hưởng của X1 . p31 r24 =p43. X2 và X3 như sau: X1 X1 X2 X3 1.0 X2 r12 1.0 X3 r13 r23 1. p43. p32 + p42.

ŕij biểu diễn tương quan “tái cấu trúc” hay tương quan “ước lượng” trên cơ sở mô hình lý thuyết trên đây.0 r23(o) 1. Mỗi mô hình có một giá trị Chi square ứng với số bậc tự do nhất định. Hai mô hình M1 và M2 giống nhau nhưng M2 bỏ đi mối quan hệ X1 và X2.0 X3 ŕ13(e) ŕ23(e) 1. Ý nghĩa của sự tăng /giảm độ phù hợp trong trường hợp này là : χ2(1)-χ2(2) với df = df1 – df2 (hay còn xác định bằng chỉ số sự thay đổi của Chi square trên một bậc tự do) .0 Tương quan tái cấu trúc trên cơ sở mô hình sơ đồ đường: X1 X1 X2 X3 1.0 X2 X3 r 12(o) r13(o) 1. Lưu ý rằng mỗi mô hình thay thế có một tập tương quan kỳ vọng khác nhau làm cho mô hình tốt hơn hoặc xấu đi.0 So sánh các phần tử của hai ma trận tương quan này càng giống nhau thì giá trị Chi square càng nhỏ. Giả sử mô hình lý thuyết ở trên bây giờ là (M2) Hầu hết các mô hình nhân quả đều tiến hành so sánh để chọn ra mô hình phù hợp nhất. Hệ số hồi quy có thể ước lượng bằng phương pháp hồi quy đa biến trên cơ sở mô hình đã cho và có thể dùng để “tái cấu trúc lại” ma trận tương quan.0 X2 ŕ12 (e) 1. Tương quan của các quan sát bằng dữ liệu: X1 X1 X2 X3 1.

Segar.5 tại mức ý nghĩa 0. là các liên kết giả thuyết giữa các biến ngoại sinh và biến nội sinh. là sự mở rộng của hồi quy. Phân tích nhân quả là phân tích các tập hợp con của mô hình SEM như hình dưới đây: Hình 15: Mô hình đo lường con và sự kết hợp của chúng trong mô hình cấu trúc của SEM Phân tích nhân quả chỉ đề cập đến các biến đo lường.01. Hệ số nhân quả bằng hệ số tương quan hay hồi quy (thường chuẩn hoá) liên kết các biến số. TÓM TẮT CÁC BƯỚC THỐNG KÊ TRONG SEM 1) Kiểm tra độ tin cậy của thang đo • • Bằng hệ số Cronbach’s Alpha. hệ số nhân quả bằng hệ số tương quan. 10. 1998.96 để có ý nghĩa tại p=0. Ý nghĩa của hệ số nhân quả chính là tỷ số giới hạn CR = β/SEβ = Z-Statistic. Liên kết gián tiếp (hay hiệu ứng gián tiếp) qua biến trung gian bằng tích của hai hay nhiều hệ số hồi quy. có tính đồng thời và dùng độ đo tổng hợp. Phân tích nhân quả là kỹ thuật xác định quan hệ trực tiếp và gián tiếp giữa các biến số. là hiệu ứng trực tiếp hay chính là hệ số hồi quy.Nếu chỉ có một liên kết giữa hai biến số.05 hay CR = 2.[Hair et al. CR > 1.Mỗi đường biểu diễn một quan hệ giữa hai biến thì tương ứng với một giả thuyết nghiên cứu. không được kiểm định để xác định hướng. 1997] Ước lượng các hệ số hồi quy và tvalue .

Một số tác giả đề nghị 1 < χ2/df < 3 [Hair et al. 1998]. 1989]. Nếu các giá trị này bằng 1. 1993] và cho rằng χ2/df < 3:1 [Chin & Todd. . Grover.9 được xem là mô hình phù hợp tốt. 1995] • GFI: đo độ phù hợp tuyệt đối ( không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát. ii) Tỷ số Chi-Square/bậc tự do (X2/df ): cũng dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình. 1995] Ngoài ra. Điều này thực tế rất khó xảy ra bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định. ta nói mô hình là hoàn hảo.GFI. iii) Các chỉ số liên quan khác:. tương tự hệ số R2 trong hồi quy tuyến tính. trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp : χ2/df < 5(với mẫu N >200) . Grover. [Segar.. NFI. có khả năng giải thích tối đa sự phù hợp giữa mô hình với bộ dữ liệu thu thập thực tế. nên thực tế người ta dùng chỉ số χ2 / df để đánh giá. một số khác đề nghịχ2 càng nhỏ càng tốt [Segar.• Phân tích nhân tố khẳng định (CFA): thực hiện trên mô hình đo lường để loại các biến có hệ số tải nhân tố tiềm ẩn thấp. AGFI. • AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mô hình. …. 1993] & [Chin & Todd. CFI. Sự phù hợp của toàn bộ mô hình trên thực tế được đánh giá thông qua các tiêu chí về mức độ phù hợp như sau: i) Kiểm định Chi-Square (χ2) : biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa pv = 0.1995]. Có thể thực hiện kiểm định CFA trên từng mô hình con (Sub Model) trước khi kiểm định mô hình tổng thể(tập hợp các mô hình con để kiểm định đồng thời). SMC là phương sai giải thích của mỗi khái niệm tiềm ẩn [Bollen. Từ mô hình giả thiết. 1989] 2) Mức độ phù hợp của tổng thể mô hình Bản chất của mô hình SEM là đòi hỏi các nhà nghiên cứu trước hết thực hiện khai báo các giá trị xuất phát ban đầu được gọi là mô hình giả thiết. thông qua một chuỗi vòng lặp các chỉ số biến đổi để cuối cùng cung cấp cho nhà nghiên cứu một mô hình xác lập.05 [Joserkog & Sorbom. • Thống kê SMC ( Square Multiple Correlation) cho mỗi khái niệm tiềm ẩn ngoại sinh (kết quả phân tích CFA của mô hình đo lường nêu trên). hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt [Kettinger và Lee. có giá trị > 0.

các tác giả cho rằng chỉ số RMSEA.χ2 Mn) / χ2 Mo Mo : Mô hình gốc.9 [Hair et al.84 (ứng với một bậc tự do). nó xác định mức độ phù hợp của mô hình so với tổng thể. Trong tạp chí nghiên cứu IS.08 mô hình được chấp nhận. Sharland. RMR yêu cầu < 0. 1993]. 1998] & [Chin & Todd. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao. 1998]. cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mô hình.1988] 3) Chỉ số điều chỉnh mô hình (MI . tức là không tìm kiếm được mô hình nào tốt hơn mô hình hiện tại) Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa thống kê. Điều này cũng tương tự như đưa từng biến độc lập vào trong mô hình hồi quy tuyến tính. • RMSEA : là một chỉ tiêu quan trọng. Chiều mũi tên biểu diễn chiều tác động của biến này lên biến kia. (xem lại phần 3 – Phân tích sơ đồ đường. tất cả các mối quan hệ nhân quả đề nghị có độ tin cậy ở mức 95% (p = . [Taylor. Mn : Mô hình phù hợp Giá trị đề nghị NFI > 0. Rupp và Segal.Modification Indices) Chỉ số điều chỉnh mô hình là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ (ứng với một bậc tự do).05 thì mô hình phù hợp tốt.χ2 proposed) / χ2 null = (χ2 Mo . 1989]. Ứng với một mối quan hệ ta có một giả thuyết tương ứng (như đã trình bày ở phần đầu chương này về các giả thuyết và mô hình nghiên cứu). NFI = (χ2 null .• RMR: Một mặt đánh giá phương sai phần dư của biến quan sát. iv) Mức xác suất : giá trị > . NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố. Mối quan hệ giữa các biến được biểu thị bằng mũi tên trên mô hình. nó phản ánh một mô hình có độ phù hợp không tốt. Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là giả thuyết mô hình tốt). Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội. so sánh thay đổi χ2 giữa mô hình M1 & M2).[Hair et al.05 được xem là mô hình phù hợp tốt. có các hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố. 1999. mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác..05)[Cohen. Tuy vậy nhà nghiên cứu nên thận trọng bởi vì mối quan hệ thêm vào mô hình . Trong một số trường hợp giá trị này < 0.[Arbuckle và Wothke. Nếu ∆ χ 2 >3. 1995] . Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. Cronin và Bullard. .

Hai cách trên đây thường không thực tế vì phương pháp phân tích mô hình cấu trúc thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian. thông thường chúng ta phải bằng cách chia mẫu thành 02 mẫu con. chi phí [Anderson & Gerbing 1998]. nhân tố (phần tử . LISREL. nhưng chúng không có nghĩa rằng mô hình lựa chọn là chính xác hay là mô hình tốt nhất trong số các mô hình khả thi về mặt lý thuyết. hay cỡ mẫu ban đầu khá lớn. Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Phương pháp Boostrap thực hiện với số mẫu lặp lại là N lần. Kết quả ước lượng từ N mẫu được tính trung bình và giá trị này có xu hướng gần đến ước lượng của tổng thể. phân tích và xác định mô hìnhSEM như : AMOS. EQS. Hair et al. 4) Kiểm tra ước lượng mô hình bằng phương pháp Boostrap Mô hình cuối cùng cũng như các mô hình phù hợp khác cần thiết phải có bộ dữ liệu độc lập với nhau. 1998]. Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế[Schumacker & Lomax 1996]. Khoảng chênh lệch giữa giá trị trung bình ước lượng bằng Boostrap và ước lượng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ước lượng mô hình có thể tin cậy được. b. Mẫu con thứ nhất dùng để ước lượng các tham số mô hình và mẫu con thứ hai dùng để đánh giá lại: a. Một trong những công cụ phổ biến nhất là phần mềm AMOS với ưu điểm là : (a) dễ sử dụng nhờ module tích hợp chung với phần mềm phổ biến là SPSS và (b) dễ dàng xây dựng các mối quan hệ giữa các biến. 11.Các chỉ số phù hợp tốt chỉ ra rằng dữ liệu ủng hộ mô hình đề nghị. Định cỡ mẫu con thứ nhất dùng để khám phá. Dùng cỡ mẫu con thứ hai để đánh giá chéo Chỉ số đánh giá chéo CVI (Cross-Validation Index) đo khoảng cách giữa ma trận Covariance phù hợp trong mẫu con thứ nhất với ma trận Covariance của mẫu. 1994. Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định. MPLUS… được các nhà nghiên cứu sử dụng rất phổ biến trong các đề tài nghiên cứu.chỉ được xem xét khi nó ủng hộ lý thuyết và không nên cố gắng mọi cách để cải thiện các chỉ số nhằm làm cho mô hình phù hợp hơn [Bullock et al. Trong phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu. CÔNG CỤ THỐNG KÊ ỨNG DỤNG TRONG SEM Hiện nay có nhiều công cụ phần mềm hỗ trợ quá trình thống kê. Boostrap la phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông.

nhà nghiên cứu căn cứ vào các chỉ số để kiểm định các giả thuyết. nhanh chóng. Phạm Đức Kỳ .mô hình) bằng trực quan hình học nhờ công cụ AMOS Graphics. Mời quý vị đón đọc. độ phù hợp của tổng thể mô hình một cách dễ dàng. Phần ứng dụng chi tiết công cụ AMOS để phân tích dữ liệu sẽ được trình trong một loạt bài khác. Kết quả được biểu thị trực tiếp trên mô hình hình học.

You're Reading a Free Preview

Tải về
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->